Structurally Speaking: 通过双向图-文本翻译的模式导向图描述

# 结构化表达：基于双向图-文本翻译的基元导向图描述
来源：https://arxiv.org/html/2609.10923  
董宇 刘，刘官柳  
邮件：[\{hyllu,dyuliu,klma\}@ucdavis\.edu](mailto:)  
单位：加州大学戴维斯分校计算机科学系

###### 摘要

图描述应帮助读者理解图结构，而非简单地将邻接矩阵转换为冗长的边列表。有用的图描述将连通性抽象为可识别的基元模式（如枢纽、路径、环、团和桥），因为这些基元提供了更易于阅读、比较和复原的紧凑结构单元。本文将基元导向图描述作为双向图-文本翻译任务进行研究，描述既要保留足够拓扑信息以实现图复原，又要通过简洁的基元级描述表达图结构。我们发现直接提示GPT-5.1常通过枚举节点间连接生成可复原图的描述，但这类描述冗长且可能包含不一致的基元解释。为解决此问题，我们提出**结构化表达**——一种轻量级结构化提示协议，指导显式连通性与基元级抽象之间的转换。基于合成基元数据集的实验表明，结构化提示能在保持相当图复原度的前提下，生成更简短、更符合基元一致性的描述。这表明显式的拓扑-基元推理引导可使LLM生成的图描述更具可解释性，且无需模型微调。

## 1 引言

图编码实体间关系，但邻接矩阵等原始表示难以直接阅读和比较。图描述可通过将连通性转化为自然语言使图结构更易理解。然而有用描述不应仅罗列边：应将拓扑抽象为可识别的基元模式（如枢纽、路径、环、团、桥和尾部）。这些基元提供紧凑结构单元，帮助读者理解局部连接如何组成更大图模式。

此区别至关重要，因为图复原性并非评估图描述质量的唯一标准。描述可能通过枚举所有边来编码信息，却几乎不提供可解释的结构抽象。此类描述可能冗长、难读或在基元级结构推断上不一致。因此我们认为可解释图描述应从两个维度评估：结构可复原性与基元级紧凑性。

基于此差距，我们将双向图-描述翻译建模为受控诊断任务。给定图邻接矩阵，模型生成描述；给定描述，模型复原图。此建模方式使我们能探究LLM能否在原始图拓扑与基元导向自然语言间转换。在直接提示下，GPT-5.1常生成可复原图的描述，但这些描述严重依赖显式节点连接描述，有时包含不准确或自相矛盾的基元解释。这表明即使成功复原图，直接提示也常回退至边枚举而非生成紧凑的基元级结构推断。

为解决此问题，我们提出**结构化表达**——一种用于拓扑-基元抽象的轻量级结构化提示协议。对于图-描述转换，该协议指导模型将邻接信息转换为局部邻域、分析基元并生成紧凑描述。对于描述-图转换，它指导模型解析基元描述、分配节点、构建边并复原邻接矩阵。这不仅是描述风格转换，因为模型必须从原始拓扑推断基元结构，同时保留足够信息以实现图复原。

我们使用合成基元数据集和两个循环一致性评估来验证此建模。图-描述-图评估生成的描述是否保留足够结构信息以复原图；描述-图-描述评估基元导向描述经图结构转换后是否仍保持准确简洁。实验表明**结构化表达**在保持相当图复原度的同时，减少了冗长性和不一致的基元推断。总结贡献：(1) 提出将结构可复原性与基元级抽象分离的双向图描述建模；(2) 循环一致性评估揭示可复原描述可能仍冗长且基元不一致；(3) 轻量级结构化提示协议在无需微调的情况下提升描述紧凑性和基元一致性。

## 2 相关工作

近期LLM与图研究涵盖三个相关方向。其一，图-文本生成将含义表示、知识图谱、科学图等图结构输入转化为自然语言（Ribeiro等，2021），近期研究通过规划与定位任务评估LLM的图-文本生成能力（He等，2025）。尽管密切相关，这些工作主要聚焦语义图结构及文本流畅性或事实性。我们则研究原始拓扑的基元导向描述，要求描述暴露紧凑结构抽象且保持可复原性。

第二类工作优化拓扑的序列化或LLM表示方案，包括邻接线性化（Fatemi等，2023）、冻结LLM的学习图编码（Perozzi等，2024）及更广泛的图转换策略（Yu等，2026）。第三类工作从图表示与生成转向图推理、学习与查询执行，包括LLM-图学习框架（Jin等，2024；Shang和Huang，2025；You等，2025）、图专用提示与结构化接口（Tang等，2024；Wang等，2024；Jiang等，2023；Li等，2025）、图推理泛化实证分析（Guo等，2023；Zhang等，2024）及自然语言到图查询系统（Liang等，2024；Hains等，2019）。

参考图示  
图1：含一条附加边作为结构变体的轮状基元图。其邻接矩阵配有人工验证的基元导向描述，简洁描述中心枢纽、轮辋结构及附加轮辋连接。相比之下，生成的描述虽可复原图但冗长且常自相矛盾，严重依赖显式节点连接描述而非紧凑的基元级抽象。

## 3 问题建模

给定图\(G=(V,E)\)，图-描述转换旨在生成总结图\(G\)拓扑的自然语言描述\(C\)。给定描述\(C\)，描述-图转换旨在重建图\(\hat{G}\)。高质量描述应满足两个标准：图可复原性与基元抽象性。

具体而言，我们定义基元导向描述需满足以下要求：
- 识别主导基元，如星形、路径、环、团和轮状结构；
- 描述节点角色，如枢纽、轮辋节点、桥接节点和叶节点；
- 描述偏差或扰动，如缺失边或附加弦；
- 除图复原需特定连接外，避免详尽的边枚举。

为支持此任务，我们构建包含220个无向无权图的合成基元数据集，每个图控制在30个节点内。图从常见基元（星形、环、路径、团和轮状）初始化，通过随机添加/删除边引入结构变体。此过程生成具有多样拓扑和不同基元复杂度的图，示例见附录A。

从220个图中选取40个代表性样本进行描述标注。这些图覆盖多样基元类型和扰动程度，每个选定图配有人工验证的基元导向描述（如图1）。描述采用自由形式自然语言而非模板，以保持语言多样性并允许自然改写。这40组图-描述对作为统一测试集用于实验分析，旨在受控诊断而非基准级评估。

对LLM输入，每个图表示为文本序列化的邻接矩阵。此表示保留显式拓扑且与自回归语言模型兼容。

## 4 直接提示分析

我们首先检验直接提示下的GPT-5.1，探究强LLM在无任务特定指导或微调下如何处理双向图-描述转换。

结果（表2）显示直接提示常保留足够连通性信息以复原图。然而跨描述观察到三种常见失效模式：(1) 边枚举而非基元抽象；(2) 描述紧凑性低；(3) 基元解释不一致或不准确。图1提供代表性示例，标注于表1。这些观察表明图复原性可通过边枚举实现，本身不足以证明基元级抽象。这促使我们设计在生成最终描述前分离连通性提取与基元抽象的提示策略。

表1：代表性直接提示失效模式

## 5 结构化表达

为更好平衡图复原与基元级抽象，我们提出**结构化表达**——用于双向图-描述转换的结构化思维链推理协议。该协议设计强制引入邻接矩阵与描述间的中间表示：邻居列表暴露显式局部连通性，而基元分析将局部边分组为更高层结构单元。我们的协议不直接要求模型单步生成描述或图，而是将每个转换方向分解为图特定推理阶段后再生成最终输出。

结构化推理协议遵循以下提示模板（具体提示见附录B）：

**图-描述转换使用：**
步骤1：将邻接矩阵转换为邻居列表（0索引）
步骤2：分析结构（即该模式包含哪些基元）
步骤3：生成最终描述

**描述-图转换使用：**
步骤1：解析结构描述（即识别节点数和基元）
步骤2：分配索引和布局（即分配节点到不同基元）
步骤3：创建边列表（即分析构建基元所需的边）
步骤4：为每个节点构建邻居列表
步骤5：将邻居列表转换为邻接矩阵

表2：使用GPT-5.1对所有提示方法进行的循环一致性评估。图-描述-图使用边精确率、召回率和F1评估图复原；描述-图-描述使用ROUGE-1精确率和召回率评估描述重建，并用平均生成描述长度（字符数）评估描述紧凑性。

图-描述模板从连通性提取到基元级抽象，而描述-图模板将基元导向语言映射回显式拓扑。我们比较三种提示设置：直接提示仅使用任务指令（注意直接提示已要求模型描述图基元，如附录B所示）；零样本结构化提示使用**结构化表达**模板但不含标注样本，仅测试推理框架；少样本结构化提示使用相同模板但包含完整人工验证的中间推理路径和基元导向描述示例，作为任务演示信息上界（这些示例与40样本测试集互斥）。所有方法使用相同基础GPT-5.1模型和固定解码设置（Singh等，2025）。

## 6 评估

### 循环一致性评估

评估两种循环一致性设置：
**图-描述-图**：模型从图生成描述后从该描述复原图。衡量图复原性，即描述是否保留足够信息复原原始拓扑。给定原始边集\(E\)和重建边集\(\hat{E}\)，计算边精确率\(P=\frac{|E\cap\hat{E}|}{|\hat{E}|}\)、召回率\(R=\frac{|E\cap\hat{E}|}{|E|}\)和\(F1=\frac{2PR}{P+R}\)。

**描述-图-描述**：模型从参考描述重建图后从重建图生成新描述。衡量基元导向描述经图结构转换后是否保持准确简洁。将人工撰写的基元导向描述视为参考，模型生成的描述视为假设。使用ROUGE作为与人工验证基元描述的轻量级词汇重叠代理，结合描述长度（字符数）和定性检查。使用启用词干提取的rouge-score实现。ROUGE-1召回率衡量基元相关内容覆盖率，精确率反映额外措辞量。因此，精确率较低且描述较长可能表示冗长的邻接细节而非仅缺失基元内容。这些循环共同评估结构忠实性与基元级抽象质量。

### 结构化推理分析

如第5节所述，我们使用GPT-5.1评估三种提示方案。表2显示三个主要趋势：

首先，**直接提示**在图-描述-图中达到完美的边精确率、召回率和F1，但在描述-图-描述中产生最长描述和最低ROUGE-1精确率。这表明复原主要由边枚举驱动而非基元