异构图增强链式思考大语言模型推理用于学术问答
社会与信息网络
2026-01-30 v3
摘要
学术问答（QA）在异构学术网络中面临独特挑战，要求结构性理解与可解释推理。虽然图神经网络（GNN）能捕获结构化图信息，大语言模型（LLM）又在语义理解方面表现出强大能力，但现有方法缺乏在推理层面的深度融合。我们提出HetGCoT框架，使LLM能有效利用和学习图信息以进行可解释的学术问答推理。框架包含三个技术贡献：（1）将异构图结构信息转化为LLM可处理的推理链的框架；（2）自适应 metapath 选择机制识别特定查询相关子图；（3）系统性地将图上下文纳入推理过程的多步骤推理策略。实验在OpenAlex和DBLP数据集上表明，我们的方法超越了所有SOTA基线。该框架在不同LLM架构间具有适应性，可适用于各种学术问答任务。
引用
@article{arxiv.2501.01203,
title = {HetGCoT: Heterogeneous Graph-Enhanced Chain-of-Thought LLM Reasoning for Academic Question Answering},
author = {Runsong Jia and Mengjia Wu and Ying Ding and Jie Lu and Yi Zhang},
journal= {arXiv preprint arXiv:2501.01203},
year = {2026}
}
备注
Findings of the Association for Computational Linguistics: EMNLP 2025