技術特征：

1.一種基于大語言模型(llm)的通用圖任務方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權利要求1所述基于大語言模型(llm)的通用圖任務方法，其特征在于，步驟1中，兩種位置編碼構造與序列化過程如下，

3.根據(jù)權利要求2所述的基于大語言模型(llm)的通用圖任務方法，其特征在于，步驟2，根據(jù)步驟1構建的兩種位置編碼作為輸入，采用基于任務的序列化過程對數(shù)據(jù)進行進一步處理，具體包括如下子步驟：

4.根據(jù)權利要求3所述的基于大語言模型(llm)的通用圖任務方法，其特征在于，步驟3，模型凍結與微調，選用llama2作為預訓練大模型，在獲得步驟2中的序列化特征s后，微調過程表示為：

5.根據(jù)權利要求4所述的基于大語言模型(llm)的通用圖任務方法，其特征在于，步驟4，下游任務微調，對于圖分類任務和節(jié)點分類任務，設計不同的模塊進行分類，具體包括如下子步驟：

6.根據(jù)權利要求5所述的基于大語言模型(llm)的通用圖任務方法，其特征在于，步驟5，在步驟4完成之后，采用交叉熵損失函數(shù)進行模型訓練，具體表示為：

7.一種計算機可讀存儲介質，其上存儲有計算機指令，其特征在于：該計算機指令被處理器執(zhí)行時實現(xiàn)如權利要求1-6中任一項所述的基于大語言模型(llm)的通用圖任務方法的步驟。

8.一種電子設備，其特征在于，包括：

技術總結
本發(fā)明涉及一種基于大語言模型(LLM)的通用圖任務方法，該方法首先將圖結構數(shù)據(jù)序列化為適合LLM的輸入，通過RWPE(Random?Walk?Positional?Embedding)和基于拉普拉斯分解的位置編碼LAPE(Laplacian?Positional?Embedding)這兩種編碼將圖的結構信息注入到模型當中完成通用序列化過程。隨后根據(jù)不同的任務，進行不同的序列化，包括圖分類任務中的子圖切分排列與節(jié)點分類任務中的局部領域采樣。在得到完全序列化的數(shù)據(jù)后，通過對預訓練大模型凍結和微調的方式進行知識注入，最終本框架在圖任務領域(圖分類，節(jié)點分類)取得了出色的表現(xiàn)，并且在多個數(shù)據(jù)集上驗證了框架效果，同時進行了可解釋性實驗與小樣本場景驗證實驗，進一步證明了框架的優(yōu)越性。

技術研發(fā)人員：孔佑勇,司清華
受保護的技術使用者：東南大學
技術研發(fā)日：
技術公布日：2025/1/6