自监督学习已经成为数据增强的重要工具，传统方法通常依赖于对特定于任务的标签进行微调，当标签数据稀缺时，限制了它们的有效性。创建一个面向图的LLM，能够在不依赖于下游图数据的情况下对各种数据集和任务进行特殊的泛化（所谓的zero-shot）。文章提出的GraphGPT将大模型和图结构知识集成在一起，由两部分组成：1）文本-图对齐；2）双阶段图指令微调。目前的GNN方法的一个显著局限性是严重依赖于监督

GNN处理图数据实力很强，但是目前还没有能解释GNN预测结果的方法。文章提出了一个可以对任何GNN模型的预测结果进行解释的模型GNNExplainer，它可以选出对单个实例做出判断重要的节点和特征，并可以扩展到为整个实例类生成一致且简洁的解释。模型的基本想法是最大化GNN的预测和可能的子图结构分布之间的互信息。尽管GNN具有优势，但它们缺乏透明度，因为它们不容易对其预测做出人类可以理解的解释。目前