CoEvoT：图的协同进化思想链提示-LLM 推理

分布转移下的图学习提出了一个持续的挑战，其中模型在有限甚至没有监督的情况下适应新图。最近的图-LLM 方法通过将图线性化为提示并使用 大语言模型 (LLM) 作为预测器，转向标签高效预测，并且可以采用思想链 (CoT) 提示来利用 LLM 的多步推理能力。然而，现有的基于 CoT 的图 LLM 方法会在以固定图标记为条件的同时生成中间思想，从而限制了结构线索的逐步细化。在本文中，我们提出了CoEvoT，一种简单而有效的图推理协同进化CoT提示框架——LLM。 CoEvoT 将文本到图标记重写和图到文本推理指导耦合在一个闭环中：每个中间文本思想都用于通过轻量级条件网络更新图标记证据状态，并将更新后的标记反馈到下一步指令中以指导后续的 LLM 推理。这可以实现逐步的、状态感知的证据细化，而不是通过固定的图形快照进行推理。对八个数据集的大量实验表明，CoEvoT 始终优于最先进的基线。