研究成果

让语言模型，
读懂图。

聚焦零样本图学习，探索显式推理与图文联合表征两条互补路径。

EMNLP 2025 · Oral

Incentivizing the Zero-Shot Graph Learning Capability in LLMs via Explicit Reasoning

让语言模型借助显式推理，在未见过的图任务上做出预测。

共同第一作者 · 数据集构建、模型微调与论文撰写

NeurIPS 2025 · Poster

Unified Graph–Text Encoding for Zero-Shot Generalization across Graph Tasks and Domains

把图结构与任务文本放入统一表征，探索跨任务、跨领域泛化。

合著 · 数据整理、基线复现与模型训练

两条研究路径

不仅是论文列表，也记录问题、方法和自己的贡献。

将图任务转为文本推理问题，构建推理轨迹并通过强化学习训练，研究模型如何在没有任务专项监督的情况下泛化。

结合图结构与自然语言任务，用结构感知注意力、预测和重构目标保留结构信息，支持跨任务和跨领域迁移。