GraphAgent: Agentic Graph Language Assistant

真实世界的数据以结构化（例如，图连接）和非结构化（例如，文本和视觉信息）两种格式表示，涵盖了复杂的关系，包括显式链接（如社交关系和用户行为）以及语义实体之间的隐式依赖关系，这些通常通过知识图谱来展示。在这项工作中，我们提出了GraphAgent，这是一种自动代理管道，旨在处理显式的图依赖关系和隐式的图增强语义依赖关系，符合实际数据场景中的预测任务（例如，节点分类）和生成任务（例如，文本生成）。GraphAgent包含三个关键组件：(i) 图生成代理，用于构建反映复杂语义依赖关系的知识图谱；(ii) 任务规划代理，解释多样化的用户查询并通过代理自我规划来制定相应任务；(iii) 任务执行代理，高效地执行计划任务，并根据用户查询自动化工具匹配和调用。这些代理无缝协作，将语言模型与图语言模型相结合，揭示复杂的关系信息和数据语义依赖关系。通过在各种图相关的预测和文本生成任务上进行广泛的实验，我们在不同的数据集上展示了GraphAgent在多种设置下的有效性。我们已将提出的GraphAgent开源，代码库地址为：https://github.com/HKUDS/GraphAgent。

该论文旨在解决如何处理和利用现实世界数据中复杂的显式和隐式关系，包括结构化（如图连接）和非结构化（如文本、视觉信息）数据格式。这涉及开发一种能够处理预测任务（例如节点分类）和生成任务（例如文本生成）的自动化系统。这是一个重要的问题，因为现有的方法通常只专注于单一类型的数据或任务。

关键思路是提出GraphAgent，一个包含三个主要组件的自动化代理管道：图生成代理（Graph Generator Agent）、任务规划代理（Task Planning Agent）和任务执行代理（Task Execution Agent）。这些组件协同工作，通过结合语言模型和图语言模型，揭示复杂的关系信息和数据语义依赖性。相比现有研究，GraphAgent的独特之处在于它不仅处理显式的图依赖性，还增强了对隐式语义依赖性的理解，从而更全面地捕捉数据中的复杂关系。

论文的亮点包括：1) 通过实验验证了GraphAgent在多种图相关预测和生成任务上的有效性；2) 使用了多样化的数据集进行测试，展示了其广泛的适用性；3) 提供了开源代码（https://github.com/HKUDS/GraphAgent），便于其他研究人员复现结果并进一步改进。未来的研究可以探索如何将GraphAgent应用于更多类型的图数据和任务，以及如何优化其性能。

最近在这个领域中，还有其他相关的研究工作，例如：1)《Graph Neural Networks: A Review of Methods and Applications》综述了图神经网络的方法及其应用；2)《Heterogeneous Graph Attention Network for Recommendation》提出了用于推荐系统的异构图注意力网络；3)《Knowledge Graph Embedding: A Survey》综述了知识图嵌入技术的发展。这些研究共同推动了图数据处理和分析的进步。