Large Language Models Meet Text-Attributed Graphs: A Survey of Integration Frameworks and Applica...

文章核心总结与创新点

主要内容

文章是首篇从“编排视角”系统综述大型语言模型（LLMs）与文本属性图（TAGs）融合的研究，核心围绕两大方向展开：一是“LLM for TAG”（LLM赋能TAG任务），通过顺序、并行编排及TAG专用预训练等策略，增强TAG的表示学习与语义推理；二是“TAG for LLM”（TAG优化LLM性能），借助双模块、多模块编排（含检索增强、嵌套结构），提升LLM的推理能力、事实一致性与可解释性。同时，文章梳理了跨推荐系统、生物医学分析、知识密集型问答等领域的应用，总结了实证洞察，并指出了当前挑战与未来研究方向。

创新点

1. 全新综述视角：首次从“技术与数据编排”角度切入，系统整合LLM与TAG的融合研究，明确两大核心方向（LLM4TAG、TAG4LLM）及对应的编排框架。
2. 全面技术分类：对LLM4TAG划分顺序编排、并行编排、TAG专用预训练三类策略，对TAG4LLM分为双模块、多模块编排（含思维图等创新形式），分类体系清晰且覆盖前沿方法。
3. 扩展研究范围：突破现有综述局限，将TAG从节点级扩展到边级、图级，纳入多模态TAG，同时覆盖跨领域预训练、参数高效微调等关键技术，场景更全面。
4. 丰富实证与资源：系统汇总实验洞察、整理专用数据集，并明确区分TAG与知识图谱（KGs）的差异，为后续研究提供实用参考。