借助共同作者图谱实现检索增强生成：面向大语言模型的科学灵感生成
人工智能
2026-02-27 v1 计算与语言
信息检索
摘要
大语言模型（LLM）在科学灵感生成领域展现出巨大潜力，但生成结果往往缺乏可控的学术语境和可追溯的灵感路径。为弥合这一差距，本文提出了称为GYWI的科学灵感生成系统，将作者知识图谱与检索增强生成（RAG）相结合，构成外部知识库，为LLM提供可控的上下文和灵感路径以生成新颖的科学想法。我们首先提出了作者中心的知识图谱构建方法和灵感来源采样算法，以构建外部知识库。随后，我们提出了由RAG和GraphRAG组成的混合检索机制，以检索深度和广度知识，形成混合上下文。第三ly，我们提出了一种融合强化学习原则的提示优化策略，以自动引导LLM根据混合上下文优化结果。为评估所提方法，我们构建了基于arXiv（2018-2023）的评估数据集。本文还开发了包括多选题任务中的经验自动评估、LLM-based评分、人类评估和语义空间可视化分析在内的综合评估方法。对所生成想法的评估包括新颖性、可行性、清晰性、相关性和重要性五个维度。我们在GPT-4o、DeepSeek-V3、Qwen3-8B和Gemini 2.5等不同LLM上进行了实验。实验结果表明，GYWI在新颖性、可靠性和相关性等多个指标上均显著优于主流LLM。
引用
@article{arxiv.2602.22215,
title = {Graph Your Way to Inspiration: Integrating Co-Author Graphs with Retrieval-Augmented Generation for Large Language Model Based Scientific Idea Generation},
author = {Pengzhen Xie and Huizhi Liang},
journal= {arXiv preprint arXiv:2602.22215},
year = {2026}
}
备注
15 pages, 10 figures. Submitted to [RAAI]