核心观点 - GCoT是首个应用于无文本图数据的类思维链提示学习框架，通过多步推断机制显著提升少样本学习性能 [1] - 在8个图数据集的少样本节点分类与图分类任务中全面超越现有SOTA方法，1-5样本设置下优势最显著 [1][19] - 框架创新性融合层次化结构知识生成节点专属提示，拓展了图学习推理方式 [24][25] 方法解析 整体框架 - 将图和提示输入预训练图编码器，聚合各层隐藏表示生成"思维"指导下一步推断 [5] - 包含三阶段：基于提示的推断→思维构建→基于思维的提示学习 [6][7][8] 关键技术 - **思维构建**：对编码器各层嵌入加权求和生成融合向量，捕获节点层次化结构知识 [7][24] - **节点专属提示**：通过条件网络将上轮思维转化为节点特定提示矩阵，动态调整下一步输入 [8][25] - **标准提示学习**：采用GPF+方法生成偏置项提示，但作用于最终嵌入而非初始特征矩阵 [9][10] 实验结果 性能表现 - 节点/图分类任务中均超越基准模型，预训练方法优于监督学习 [18] - 1-10样本实验中全面领先，1-5样本区间提升最显著（具体数据未披露） [19] - 多步推断机制是关键：完整GCoT优于单步变体GCoT\L1/L2/L3 [20] 消融实验 - 移除分步推断的GCoT\CoT性能大幅下降，验证逐步推断必要性 [20] - 将CoT机制植入GPF/GPF+/ProG等基准模型后，所有模型性能均提升 [21] 创新价值 - 首次实现思维链提示学习在图数据中的应用，突破无文本数据推理瓶颈 [22] - 提出层次化思维融合与动态提示生成机制，为图学习提供新方法论 [23][24] - 开源代码与论文推动行业技术迭代（论文链接见原文） [25]