中心实体引导的图优化：用于增强 LLM 科学问答的社区检测 (CE-GOCD)
计算与语言
2026-01-30 v1
摘要
大语言模型 (LLMs) 正在用于科学研究论文的问答。现有的检索增强方法通常依赖于孤立的文本块或概念，但忽略论文之间的深层语义连接。这会损害 LLM 对科学文献的理解，阻碍其响应的全面性和具体性。为此，我们提出中心实体引导的图优化用于社区检测 (CE-GOCD)，一种通过显式建模和利用学术知识图中语义子结构来增强 LLM 科学问答的方法。我们的方法通过以下方式运作：(1) 利用论文标题作为中心实体进行针对性子图检索，(2) 通过子图修剪和完成来增强隐式语义发现，(3) 应用社区检测以提炼具有共享主题的连贯论文组。我们在三个基于 NLP 的文献问答数据集上评估了所提方法，结果表明其优于其他检索增强基线方法，确认了该框架的有效性。
引用
@article{arxiv.2601.21733,
title = {CE-GOCD: Central Entity-Guided Graph Optimization for Community Detection to Augment LLM Scientific Question Answering},
author = {Jiayin Lan and Jiaqi Li and Baoxin Wang and Ming Liu and Dayong Wu and Shijin Wang and Bing Qin and Guoping Hu},
journal= {arXiv preprint arXiv:2601.21733},
year = {2026}
}
备注
Accepted by IEEE ICASSP 2026