Awesome-Graph-Prompt

<h1 align="center">超赞图提示学习</h2> <h5 align="center">图上进行提示学习的精彩内容集锦</h5> <h5 align="center">

</h5>

近期，"预训练、微调"的工作流程在处理图领域的各种下游任务时已经显示出较低的效果和效率。 受自然语言处理(NLP)领域提示学习的启发，"预训练、提示"的工作流程已成为一个有前景的解决方案。

本仓库旨在提供一个探索图上提示学习的研究论文精选列表。 这是基于我们的综述论文：图提示学习：全面综述与展望。 我们将努力经常更新这个列表。如果您发现任何错误或遗漏的论文，请随时提出问题或拉取请求。🌹

目录

• 超赞图提示学习
  • 目录
  • GNN提示论文
  • 图的多模态提示
    • 文本属性图中的提示
    • 大型语言模型在图数据处理中的应用
    • 图与提示的多模态融合
  • 基于提示的图域适应
  • 应用论文
    • 动态图
    • 社交网络
    • 推荐系统
    • 知识图谱
    • 生物学
    • 其他
  • 其他资源
    • 开源
    • 基准测试
    • 数据集
    • 在线讲座
    • 博客
  • 贡献
  • 引用

GNN提示论文

现有代表性图提示工作的总结。$\mathcal{S}$：子图。$V(\mathcal{S})$：子图$\mathcal{S}$内的节点集。$\pi$：预训练参数。$\phi$：任务头参数。$\theta$：提示参数。$\widetilde{\mathbf{s}}$：填充的提示。

1. GPPT：图预训练和提示微调以泛化图神经网络。 发表于 KDD'2022，[论文] [代码]。

   

2. SGL-PT：具有图提示微调的强大图学习器。 发表于 arXiv，[论文]。

   

3. GraphPrompt：统一图神经网络的预训练和下游任务。 发表于 WWW'2023，[论文] [代码]。

   

4. All in One：图神经网络的多任务提示。 发表于 KDD'2023 最佳论文奖 🌟，[论文] [代码]。

   

5. 深度图重编程。 发表于 CVPR'2023 亮点 🌟，[论文]。

   

6. 用于少样本节点分类的虚拟节点微调。 发表于 KDD'2023，[论文]。

   

7. PRODIGY：实现图上的上下文内学习。 发表于 NeurIPS'2023 聚焦 🌟，[论文] [代码]。

   

8. 图神经网络的通用提示微调。 发表于 NeurIPS'2023，[论文] [代码]。

   

9. 图Transformer的深度提示微调。 发表于 arXiv，[论文]。

   

10. 多视图图对比学习的提示微调。 发表于 arXiv，[论文]。

    

11. ULTRA-DP：统一图预训练与多任务图双重提示。 发表于 arXiv，[论文]。

    

12. HetGPT：利用提示微调释放预训练异构图神经网络的力量。 发表于 WWW'2024，[论文]。

    

13. 利用基于结构的提示增强图神经网络。 发表于 arXiv，[论文]。

    

14. 广义图提示:走向图上预训练和下游任务的统一。 发表于 TKDE'2024, [论文] [代码].

16. HGPROMPT: 连接同构和异构图的小样本提示学习。 发表于 AAAI'2024, [论文] [代码].

17. MultiGPrompt: 图上的多任务预训练和提示。 发表于 WWW'2024, [论文].

18. 子图级通用提示调优。 发表于 arXiv, [论文] [代码].

19. 归纳图对齐提示:从谱角度弥合图预训练和归纳微调之间的差距。 发表于 WWW'2024, [论文].

20. 图神经网络的统一图选择性提示学习。 发表于 arXiv, [论文].

图的多模态提示

文本属性图中的提示

1. 利用图基础预训练和提示增强低资源文本分类。 发表于 SIGIR'2023, [论文] [代码].

2. 图增强低资源文本分类的提示调优。 发表于 arXiv, [论文] [代码].

3. 基于提示的零样本和小样本节点分类:一种多模态方法。 发表于 arXiv, [论文].

4. 文本属性图上小样本学习的基于提示的节点特征提取器。 发表于 arXiv, [论文].

5. 大型语言模型作为文本属性图的拓扑结构增强器。 发表于 arXiv, [论文].

6. ZeroG: 调查图中跨数据集零样本可迁移性。 发表于 KDD'2024, [论文] [代码].

7. 文本属性图上小样本节点分类的预训练和提示。 发表于 KDD'2024, [论文] [代码].

大型语言模型在图数据处理中的应用

关于这个研究方向，请参考 图任务中的大型语言模型综述 [综述论文 | Github 仓库]

我们强烈推荐这项工作，因为他们提供了一个全面的综述，总结了大型语言模型和图融合的相关工作 👍

图与提示的多模态融合

1. GraphAdapter: 利用双知识图调整视觉-语言模型。 发表于 NeurIPS'2023, [论文] [代码]. 图+文本+图像

2. SynerGPT: 个性化药物协同预测和药物设计的上下文学习。 发表于 arXiv, [论文]. 图+文本

3. 我应该使用哪种模态 - 文本、模式还是图像? 利用大型语言模型理解图。 发表于 arXiv, [论文]. 图+文本+图像

基于提示的图域适应

1. GraphGLOW: 图神经网络的通用和可泛化结构学习。 发表于 KDD'2023, [论文] [代码].

   

2. GraphControl: 为图域迁移学习向通用图预训练模型添加条件控制。 发表于 WWW'2024, [论文] [代码] [中文博客].

   

3. 三合一: 一种简单而有效的跨域图预训练方法。 发表于 KDD'2024, [论文] [代码].

   

应用论文

动态图

1. 时序交互图上的提示学习。 发表于 arXiv, [论文].
2. 提示增强的时空图迁移学习。 发表于 arXiv, [论文].
3. DyGPrompt: 动态图上的特征和时间提示学习。 发表于 arXiv, [论文].

社交网络

1. Prompt-and-Align: 基于提示的社交对齐用于小样本假新闻检测。 发表于 CIKM'2023, [论文] [代码]. 假新闻检测
2. 利用图神经网络上的基于提示的微调进行代金券滥用检测。 发表于 CIKM'2023, [论文]. 欺诈检测
3. ProCom: 一种小样本目标社区检测算法。 发表于 KDD'2024, [论文] [代码]. 社区检测

推荐系统

1. 跨域推荐的对比图谱提示微调. 发表于 TOIS'2023, [论文]. 跨域推荐
2. 图对比预训练在推荐中的提示微调实证研究. 发表于 NeurIPS'2023, [论文] [代码]. 通用推荐
3. 基于模式的通用跨域推荐提示学习. 发表于 WSDM'2024, [论文]. 跨域推荐
4. GraphPro: 图预训练和提示学习用于推荐. 发表于 WWW'2024, [论文] [代码]. 通用推荐
5. GPT4Rec: 流式推荐的图提示微调. 发表于 SIGIR'2024, [论文]. 通用推荐

知识图谱

1. 知识图谱迁移的结构预训练和提示微调. 发表于 WWW'2023, [论文] [代码].
2. 大型语言模型的图神经提示. 发表于 AAAI'2024, [论文].
3. 多文档问答的知识图谱提示. 发表于 arXiv, [论文] [代码].
4. 多领域知识图谱协作预训练和提示微调用于多样化下游任务. 发表于 arXiv, [论文] [代码].

生物学

1. 大型语言模型能否增强分子性质预测？ 发表于 arXiv, [论文] [代码].
2. GIMLET: 基于指令的分子零样本学习统一图文模型. 发表于 NeurIPS'2023, [论文] [代码].
3. MolCA: 具有跨模态投影器和单模态适配器的分子图语言建模. 发表于 EMNLP'2023, [论文] [代码].
4. ReLM: 利用语言模型增强化学反应预测. 发表于 EMNLP'2023, [论文] [代码].
5. MolCPT: 分子连续提示微调以泛化分子表示学习. 发表于 WSDM'2024, [论文].
6. 基于蛋白质相互作用引导的提示学习的蛋白质多聚体结构预测. 发表于 ICLR'2024, [论文].
7. DDIPrompt: 基于图提示学习的药物-药物相互作用事件预测. 发表于 CIKM'2024, [论文].

其他

1. 为图神经网络赋予分布外检测能力的以数据为中心的框架. 发表于 KDD'2023, [论文] [代码]. 分布外检测
2. MMGPL: 基于图提示学习的多模态医疗数据分析. 发表于 arXiv, [论文].
3. 基于指令的超图预训练. 发表于 SIGIR'2024, [论文]. 超图提示
4. 针对图提示学习的跨上下文后门攻击. 发表于 KDD'2024, [论文] [代码]. 跨上下文后门攻击
5. 城市区域预训练和提示：一种基于图的方法. 发表于 arXiv, [论文]. 城市区域表示

其他资源

开源项目

• ProG: 统一的图提示库 [网站] [代码]

  ProG（Prompt Graph）是一个基于PyTorch构建的库，可以轻松地为预训练的图神经网络（GNNs）进行单任务或多任务提示。

基准测试

• ProG: 图提示学习基准 [论文]

  ProG基准整合了六种预训练方法和五种最先进的图提示技术，在十五个不同的数据集上进行评估，以评估性能、灵活性和效率。

数据集

图神经网络提示论文中常用的数据集。

<details close> <summary>引文网络</summary>

数据集	节点数	边数	特征数	类别数
Cora	2708	5429	1433	7
CoraFull	19793	63421	8710	70
Citeseer	3327	4732	3703	6
DBLP	17716	105734	1639	4
Pubmed	19717	44338	500	3
Coauthor-CS	18333	81894	6805	15
Coauthor-Physics	34493	247962	8415	5
ogbn-arxiv	169343	1166243	128	40

</details> <details close> <summary>购买网络</summary>

数据集	节点数	边数	特征数	类别数
Amazon-Computers	13752	245861	767	10
Amazon-Photo	7650	119081	745	8
ogbn-products	2449029	61859140	100	47

</details> <details close> <summary>社交网络</summary>

数据集	节点数	边数	特征数	类别数
Reddit	232965	11606919	602	41
Flickr	89250	899756	500	7

</details> <details close> <summary>分子图</summary>

数据集	图数	平均节点数	平均边数	特征数	类别数
COX2	467	41.22	43.45	3	2
ENZYMES	600	32.63	62.14	18	6
MUTAG	188	17.93	19.79	7	2
MUV	93087	24.23	26.28	-	17
HIV	41127	25.53	27.48	-	2
SIDER	1427	33.64	35.36	-	27

</details>

在线讲座

• All in One的官方演示 链接

博客

• 一篇全面介绍所有图提示工作的中文博客 [知乎]

贡献

👍 欢迎对此仓库进行贡献！

如果您发现了相关资源，欢迎提出问题或提交拉取请求。

引用

如果您觉得这个仓库对您有帮助，请随时引用以下论文：

综述论文

@article{sun2023graph,
  title = {Graph Prompt Learning: A Comprehensive Survey and Beyond},
  author = {Sun, Xiangguo and Zhang, Jiawen and Wu, Xixi and Cheng, Hong and Xiong, Yun and Li, Jia},
  year = {2023},
  journal = {arXiv:2311.16534},
  eprint = {2311.16534},
  archiveprefix = {arxiv}
}

ProG 库

@inproceedings{sun2023all,
  title={All in One: Multi-Task Prompting for Graph Neural Networks},
  author={Sun, Xiangguo and Cheng, Hong and Li, Jia and Liu, Bo and Guan, Jihong},
  booktitle={Proceedings of the 26th ACM SIGKDD international conference on knowledge discovery \& data mining (KDD'23)},
  year={2023},
  pages = {2120–2131},
  location = {Long Beach, CA, USA},
  isbn = {9798400701030},
  url = {https://doi.org/10.1145/3580305.3599256},
  doi = {10.1145/3580305.3599256}
}

其他代表性工作：

🔥 All in One 一个代表性的GNN提示框架

@inproceedings{sun2023all,
  title={All in One: Multi-Task Prompting for Graph Neural Networks},
  author={Sun, Xiangguo and Cheng, Hong and Li, Jia and Liu, Bo and Guan, Jihong},
  booktitle={Proceedings of the 26th ACM SIGKDD international conference on knowledge discovery \& data mining (KDD'23)},
  year={2023},
  pages = {2120–2131},
  location = {Long Beach, CA, USA},
  isbn = {9798400701030},
  url = {https://doi.org/10.1145/3580305.3599256},
  doi = {10.1145/3580305.3599256}
}

🔥 All in One and One for All 一个跨领域图预训练框架

@article{zhao2024all,
  title={All in One and One for All: A Simple yet Effective Method towards Cross-domain Graph Pretraining}, 
  author={Haihong Zhao and Aochuan Chen and Xiangguo Sun and Hong Cheng and Jia Li},
  year={2024},
  eprint={2402.09834},
  archivePrefix={arXiv}
}

🔥 TIGPrompt 一个时序交互图提示框架

@article{chen2024prompt,
  title={Prompt Learning on Temporal Interaction Graphs}, 
  author={Xi Chen and Siwei Zhang and Yun Xiong and Xixi Wu and Jiawei Zhang and Xiangguo Sun and Yao Zhang and Yinglong Zhao and Yulin Kang},
  year={2024},
  eprint={2402.06326},
  archivePrefix={arXiv},
  journal = {arXiv:2402.06326}
}

🔥 图提示在生物学领域的应用

@inproceedings{gao2024protein,
  title={Protein Multimer Structure Prediction via {PPI}-guided Prompt Learning},
  author={Ziqi Gao and Xiangguo Sun and Zijing Liu and Yu Li and Hong Cheng and Jia Li},
  booktitle={The Twelfth International Conference on Learning Representations (ICLR)},
  year={2024},
  url={https://openreview.net/forum?id=OHpvivXrQr}
}

@article{wang2024ddiprompt,
  title={DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt Learning}, 
  author={Yingying Wang and Yun Xiong and Xixi Wu and Xiangguo Sun and Jiawei Zhang},
  year={2024},
  eprint={2402.11472},
  archivePrefix={arXiv},
  journal = {arXiv:2402.11472}
}