LLM 引导的知识图谱上的蒙特卡洛树搜索：为药物-疾病对构建机制性解释
人工智能
2026-05-12 v1
摘要
从知识图谱中提取多步解释面临组合优化挑战，既需要启发式引导（因为候选路径随深度增加而激增），又需要信用分配（因为路径质量在长序列中逐步显现）。前沿 LLM 在知识/推理基准测试上表现优异，为这类启发式提供了极具吸引力的来源，但其知识缺乏保证，且随着链路变长，其组合性能会下降。因此，我们提出了 TESSERA，一个由三部分组成的神经符号框架，将 LLM 限定在特定角色中：用于局部判别性判断，而非自主的多步生成；随后由知识图谱定义假设空间并施加硬结构约束，MCTS 通过反向传播进行有原则的信用分配来协调长程搜索。LLM 扮演双重角色：作为偏置探索的先验策略，以及提供奖励信号的比较状态评估器。在两个互补的知识图谱上对药物机制阐释的评估表明，该框架不仅忠实于已整理的生物学知识，还能揭示连贯的替代机制，消融实验证实了两个 LLM 组件均做出了判别性贡献。除当前应用外，我们的框架还为基于结构化知识的组合推理提供了一种通用范式。
引用
@article{arxiv.2605.09542,
title = {LLM-Guided Monte Carlo Tree Search over Knowledge Graphs: Composing Mechanistic Explanations for Drug-Disease Pairs},
author = {Rishabh Jakhar and Michel Dumontier and Remzi Celebi},
journal= {arXiv preprint arXiv:2605.09542},
year = {2026}
}
备注
Accepted at IJCAI-ECAI 2026. 9 pages (7 content + 2 references), 5 figures, 3 tables. Includes supplementary material (26 pages)