Awesome-Graph-Prompt

Awesome-Graph-Prompt

图神经网络提示学习研究和应用资源集合

Awesome-Graph-Prompt是一个关于图神经网络提示学习的精选资源集合。它汇总了GNN提示、多模态图提示、图域适应等领域的最新研究论文,同时收录了相关开源代码、基准测试和数据集。该项目为图提示学习研究提供了全面的参考资料,有助于推动图神经网络在各类下游任务中的应用。

图提示学习图神经网络多模态融合图域迁移大语言模型Github开源项目
<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">

Awesome GitHub stars

</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

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。

图提示总结

  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].

  1. 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].

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

  1. 子图级通用提示调优。 发表于 arXiv, [论文] [代码].

  1. 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].

  1. 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
Cora2708542914337
CoraFull1979363421871070
Citeseer3327473237036
DBLP1771610573416394
Pubmed19717443385003
Coauthor-CS1833381894680515
Coauthor-Physics3449324796284155
ogbn-arxiv169343116624312840
</details> <details close> <summary>购买网络</summary>
数据集节点数边数特征数类别数
Amazon-Computers1375224586176710
Amazon-Photo76501190817458
ogbn-products24490296185914010047
</details> <details close> <summary>社交网络</summary>
数据集节点数边数特征数类别数
Reddit2329651160691960241
Flickr892508997565007
</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
COX246741.2243.4532
ENZYMES60032.6362.14186
MUTAG18817.9319.7972
MUV9308724.2326.28-17
HIV4112725.5327.48-2
SIDER142733.6435.36-27
</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} }

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多