GraphPrompt (Graph Prompting)
Summary
- Estrutura de prompting para grafos que melhora o desempenho em tarefas downstream (Liu et al., 2023).
- Aplica conceitos de prompt engineering a dados estruturados em grafos.
- Taxonomia de 100+ trabalhos agora documentada no survey Sun et al. 2023, com framework unificado de prompt tokens/structures e biblioteca ProG — abordagem já não é “em desenvolvimento” isolado.
Definição
GraphPrompt adapta o paradigma de prompting para dados de grafos, permitindo que modelos aprendam e executem tarefas específicas em estruturas de grafos sem fine-tuning tradicional. O survey distingue prompt como vetor aprendível (GNN) de prompt textual (LLM), e mapeia pre-training node/edge/graph-level.
Survey Sun et al. 2023 (arXiv 2311.16534) é “Comprehensive Survey and Beyond” — framework unificado com token/estrutura de prompt e biblioteca ProG, consolidando 100+ trabalhos além do GraphPrompt isolado. Valida taxonomia e sinaliza maturidade vs estado inicial.
prompt-engineering-techniques | knowledge-graph | graphify
Fonte primária (arXiv 2302.08043, WWW’23)
O artigo original é de Zemin Liu, Xingtong Yu, Yuan Fang e Xinming Zhang, submetido em 16/02/2023 e revisado até a v3 em 25/02/2023, publicado na trilha de pesquisa do WWW’23 (cs.LG; cs.CL). ^[https://arxiv.org/abs/2302.08043]
O GraphPrompt é um framework de pré-treino e prompting sobre grafos. Ele unifica o pré-treino e as tarefas downstream em um template comum e acrescenta um prompt aprendível para ajudar cada tarefa a localizar conhecimento relevante no modelo pré-treinado. Foi avaliado em cinco datasets públicos. ^[https://arxiv.org/abs/2302.08043]
As seções anteriores, escritas a partir de fonte secundária, descrevem o GraphPrompt como técnica de prompt engineering aplicada a grafos, “sem fine-tuning tradicional”. A fonte primária torna o enquadramento mais preciso: os modelos são GNNs, não modelos de linguagem; o prompt é um vetor de parâmetros aprendido, não texto; e o método evita o fine-tuning completo, mas treina o prompt. ^[https://arxiv.org/abs/2302.08043]
Implications: Quem procura prompting textual para LLMs pode estar no lugar errado. O nome “graph prompting” cobre aqui prompting aprendível em GNNs, distinto dos grafos de conhecimento usados no wiki principal.
Survey Beyond — o que muda
Survey 2311.16534 acrescenta: framework unificado de prompt tokens/structures, biblioteca ProG, taxonomia ampliada e roadmap “Beyond” (open questions). Para o vault, o survey valida que graph-prompting já não é técnica pontual mas campo com biblioteca reutilizável — implica mapear vault’s knowledge-graph (LLM Wiki) vs GNN prompt como domínios distintos.
Implications: Use ProG como referência para experimentos GNN; para LLM Wiki, mantenha graph prompting textual (second-brain) separado de prompt vetorial GNN — não misturar métricas.
Open Questions
- O template de tarefa comum do GraphPrompt tem algum análogo útil para grafos de conhecimento textual?
- A distinção entre prompt aprendível e prompt textual merece uma página própria no wiki de prompts?
- Como ProG se compara a graphify em termos de knowledge-graph para código vs GNN?
prompt-engineering-techniques | rag-prompting | prompt-engineering-guide
External Links
Sources
- raw/prompts/articles/promptingguide-pt-techniques-graph.md
- https://arxiv.org/abs/2302.08043
- raw/external/arxiv-org-2311-16534-fbea2bed.md