大型语言模型图表示学习：技术的全面综述

将大型语言模型（LLMs）与图表示学习（GRL）的整合标志着分析复杂数据结构的一次重要进化。这种合作利用LLMs的复杂语言能力来提高图模型的上下文理解和适应性，从而扩大了GRL的范围和潜力。尽管越来越多的研究致力于将LLMs整合到图领域，但显著缺乏一篇深入分析这些模型内核组成部分和操作的全面综述。我们的综述通过提出一种新颖的分类法来填补这一空白，该分类法从新的技术角度将这些模型分解为主要组成部分和操作技术。我们进一步将近期文献分解为两个主要组成部分，包括知识提取器和组织器，以及两种操作技术，包括整合和训练策略，揭示了有效的模型设计和训练策略。此外，我们识别并探索了这一新兴但尚未充分探索的领域中潜在的未来研究方向，提出了持续进步的路径。