从结构上讲：通过双向图文翻译实现面向主题的图标题

图标题应该帮助读者理解图结构，而不是简单地将邻接矩阵转换为长文本边列表。有用的图形标题将连接性抽象为可识别的图案，例如枢纽、路径、循环、派系和桥梁，因为这些图案提供了更容易阅读、比较和恢复的紧凑结构单元。在本文中，我们将面向主题的图标题作为双向图文本翻译任务进行研究，其中标题必须保留足够的拓扑用于图恢复，并通过简洁的主题级描述来表达图。我们表明，GPT-5.1 的直接提示通常通过枚举节点到节点的连接来生成图形可恢复的标题，但这些标题很冗长，并且可能包含不一致的主题解释。为了解决这一差距，我们引入了结构性语言，这是一种轻量级的结构化提示协议，可指导显式连接和主题级抽象之间的转换。基于合成主题的数据集的实验表明，结构化提示可以产生更短、主题更一致的标题，同时保持可比的图形恢复。这些结果表明，明确的拓扑到主题推理指导可以使 LLM 生成的图形标题在没有模型 微调 的情况下更容易解释。