PromptGFM：用图词汇学习驱动文本属性图基础模型，统一LLM与GNN
研究团队提出PromptGFM，通过语言化图词汇及图理解与推理模块，让大语言模型在文本空间中复现GNN工作流，实现跨图、跨任务迁移，代码已公开。
AI解读：这篇论文针对的是文本属性图（如社交网络、知识图谱）上模型难以泛化的问题：每个图的节点带有文本，结构各异，现有方法通常让GNN与LLM分开训练再做两阶段对齐，导致协同不足；同时给节点分配随机OOV标记会造成词汇爆炸，也无法套用任务提示模板，阻碍了跨图迁移。PromptGFM的解决办法是让LLM在有提示的情况下在文本空间内模拟GNN的消息传递流程，从而把图结构“翻译”成模型能读的语言，并建立一套语言化的图词汇，保证表达力和可扩展性。对研究者而言，这意味着不用再为每个图重新训练模型，可以基于预训练LLM快速适配新图任务；代码已公开，适合直接试验。不过论文目前是EMNLP 2026投稿版本，效果数据均来自摘要中的实验描述，正式审阅和应用效果尚待验证。
arXiv近期更新的论文（v4，2026年9月2日）提出了PromptGFM，一种面向文本属性图的图基础模型，旨在通过图词汇学习实现LLM与GNN的深度集成。
文本属性图（TAGs）在真实场景中常见，每个节点关联文本描述，但现有融合LLM和GNN的方法采用两阶段对齐的解耦架构，限制了协同能力；同时给节点分配词汇表外（OOV）标记会导致图专属语义、标记爆炸，且与任务导向的提示模板不兼容，阻碍跨图、跨任务迁移。
PromptGFM包含两个核心组件：图理解模块，在文本空间中显式提示LLM复刻最精细的GNN工作流，实现无缝GNN-LLM集成和图-文对齐；图推理模块，建立基于语言的图词汇，确保表达性、可迁移性和可扩展性，为LLM微调提供可读指令。
论文报告大量实验显示其在不同图和任务上的优越性与迁移能力，代码已在论文链接中提供。该研究发表于EMNLP 2026，作者来自高校及企业（如三星研究院等），但摘要未提供具体性能数字。
需要注意，本新闻仅依据来源摘要（arXiv公告），未阅读全文；具体实验指标、数据集和对比基线未在来源中透露。