GPT-5.1图标题生成被新方法碾压：更短更准，还能还原图结构！
Structurally Speaking: Motif-Oriented Graph Captioning through Bidirectional Graph-Text Translation
📖 AI 总结
本文研究图描述生成任务，主张图描述应帮助读者理解图的结构，而非将邻接矩阵转写为冗长的边列表。作者提出以“模体”（motif）为核心的图描述范式，将枢纽、路径、环、团、桥等可识别的结构单元作为紧凑的抽象单位，并把该任务建模为图与文本之间的双向翻译：描述既需保留足够拓扑信息以支持图恢复，又需以简洁的模体级语言表达结构。研究发现，直接提示GPT-5.1虽常能生成可恢复图的描述，但内容冗长且模体解释不一致。为此作者提出轻量级结构化提示协议“Structurally Speaking”，引导模型在显式连接与模体抽象之间转换。在合成模体数据集上的实验表明，该方法生成的描述更短、模体一致性更高，同时保持相当的图恢复性能，说明无需微调即可提升大模型图描述的可解释性。
🔑 关键词速览
| Motif | 图中反复出现的局部结构模式，如枢纽、路径、环、团和桥，是图标题中紧凑的结构单元。 |
| Graph Captioning | 为图生成自然语言描述的任务，旨在帮助读者理解图结构而非简单罗列边。 |
| Bidirectional Graph-Text Translation | 在图与文本之间进行双向转换的任务，要求标题既能从图生成，又能用于恢复图。 |
| Structured Prompting | 一种通过结构化提示引导大语言模型进行推理的方法，此处用于指导拓扑到模体的翻译。 |
| Graph Recovery | 根据生成的文本标题重建原始图结构的过程，用于评估标题保留拓扑信息的程度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅