研究图谱：作为研究思路生成监督的引用演化图
计算与语言
2026-05-15 v1 人工智能
摘要
研究思路生成是自动化科学研究的创新驱动步骤。最近，大型语言模型 (LLM) 展示了大规模自动化思路生成的潜力。然而，现有方法主要通过静态检索相关文献或复杂的提示工程来引导 LLM 生成思路，而未舍弃参考文献之间的结构关系。我们提出研究图谱 (GoR)，一种监督微调方法，该方法为每篇种子论文提取 2 跳参考邻域，从引用位置、频率、前驱链接和发表时间推导这些参考文献之间的关系，并将它们组织成论文演化有向无环图 (DAG)。我们构建了一个自动化提取流水线，从五个主要的 ML/NLP 会议提取数据，包含 498/50/50 篇训练/验证/测试种子论文和约 7,600 篇被引参考文献。Qwen2.5-7B-Instruct-1M 在包含引用图、边信号、参考信息和任务定义的结构化文本提示上进行微调，以预测种子论文的思路。在与基于 gpt-4o 的基线进行的正面 LLM 裁判锦标赛中，GoR-SFT 达到了 SOTA，证明了引用演化图作为基于 LLM 思路生成监督信号的有效性。我们希望这能降低将引用演化图作为监督的门槛，加速自动化科学创新。
引用
@article{arxiv.2605.14790,
title = {Graphs of Research: Citation Evolution Graphs as Supervision for Research Idea Generation},
author = {Songyang Gao and Yinghui Xia and Siyi Liu and Hui Xiong},
journal= {arXiv preprint arXiv:2605.14790},
year = {2026}
}