ICLR 2025? 6666

近年來，圖機(jī)器學(xué)習(xí)（Graph Machine Learning, GML）取得了顯著進(jìn)展，并廣泛應(yīng)用于多個(gè)領(lǐng)域。然而，GML 社區(qū)的研究重點(diǎn)大多集中于構(gòu)建更強(qiáng)大的圖模型，而常常忽視了一個(gè)關(guān)鍵的前置步驟：如何從常見的數(shù)據(jù)格式（如表格數(shù)據(jù)）中構(gòu)建合適的圖結(jié)構(gòu)。圖的構(gòu)建是應(yīng)用圖模型的基礎(chǔ)，但這一過程在現(xiàn)有研究中仍缺乏系統(tǒng)性探索和正式定義。

為填補(bǔ)這一空白，我們的研究旨在形式化圖構(gòu)建問題，并提出有效的解決方案。在實(shí)現(xiàn)這一目標(biāo)的過程中，我們識(shí)別出兩個(gè)核心挑戰(zhàn)：

1. 缺乏專門的數(shù)據(jù)集來支持圖構(gòu)建方法的形式化與評(píng)估；

2. 現(xiàn)有自動(dòng)化構(gòu)建方法適用范圍有限，在許多場(chǎng)景下仍需依賴繁瑣的人工工程才能生成高質(zhì)量的圖結(jié)構(gòu)。

針對(duì)上述挑戰(zhàn)，本文提出了兩項(xiàng)主要貢獻(xiàn)：

• 第一，我們引入了一套專門的數(shù)據(jù)集，用于形式化圖構(gòu)建問題并系統(tǒng)評(píng)估不同方法；

• 第二，我們提出了基于大語言模型的解決方案 AutoG，可在無需人工干預(yù)的情況下自動(dòng)生成高質(zhì)量圖結(jié)構(gòu)。

實(shí)驗(yàn)結(jié)果表明，圖結(jié)構(gòu)的質(zhì)量對(duì)下游任務(wù)性能具有顯著影響，而 AutoG 所生成的圖結(jié)構(gòu)在性能上可媲美人工構(gòu)建的高質(zhì)量圖，驗(yàn)證了其有效性與實(shí)用性。

項(xiàng)目代碼已開源，地址為：https://github.com/amazon-science/Automatic-Table-to-Graph-Generation。