knowledge graph
PulseAugur coverage of knowledge graph — every cluster mentioning knowledge graph across labs, papers, and developer communities, ranked by signal.
- 2026-05-19 research_milestone A new paper proposes a framework for inferring and defending against sensitive attribute inference from knowledge graph embeddings. 来源
19 天有情绪数据
-
InductWave论文提出用于大型知识图谱的归纳逻辑查询回答
研究人员推出了一种名为InductWave的新型小波嵌入方法，用于大型知识图谱上的归纳多跳逻辑查询回答。与需要训练时所有实体都存在的转导方法不同，InductWave可以推理未见过的实体，解决了实际应用中的资源限制。该模型展示了在较少消息传递层下具有竞争力的性能，能够在大规模图谱（如Wiki-KG）上进行评估，并在许多场景下超越最先进的模型。
-
新研究将大型语言模型适配于人文社科领域学术研究
一篇新研究论文探讨了将大型语言模型（LLMs）适配于人文社科（SSH）领域学术工作的可能性。该研究侧重于整合知识图谱和多语言语料库，以应对学科多样性和多语言访问等挑战。该项目是欧洲LLMs4EU倡议的一部分，旨在支持问答和文献综述等任务，同时强调可靠性和合规性。
-
知识图谱 RAG 系统在结构化数据方面优于向量搜索
本文详细介绍了构建一个利用知识图谱而非传统向量搜索的检索增强生成（RAG）系统的过程。作者解释说，虽然向量相似性在查找相关信息方面很有效，但它缺乏对顺序、结构和关系的理解。文章探讨了在开发此类系统过程中遇到的实际挑战和经验教训，强调了知识图谱方法在更细致的信息检索方面的优势。
-
TACTIC-KG框架利用小型代理团队构建网络威胁情报知识图谱
研究人员开发了TACTIC-KG，一个旨在从非结构化网络威胁情报报告中构建网络安全知识图谱的新框架。与之前使用单一大型语言模型的方法不同，TACTIC-KG采用了一组专门的、轻量级的LLM代理来执行提取、类型化、验证和策展等任务。据报道，这种模块化方法与大型单一模型系统相比，提高了稳定性、召回率和图谱一致性，同时降低了成本并提高了性能。
-
图谱RAG使用知识图谱增强LLM知识访问
图谱RAG为大型语言模型（LLMs）的检索增强生成（RAG）系统提供了一种替代方案。与依赖可能难以处理外部知识的检索系统的传统RAG不同，图谱RAG利用知识图谱。这些图谱映射实体、关系和来源，有可能改进LLM访问和利用外部信息的方式。
-
AWS 发布受大脑记忆启发的 HippoRAG 框架以增强 RAG
AWS 推出了 HippoRAG，这是一个受人脑记忆系统启发的新的检索增强生成 (RAG) 框架。该方法利用知识图谱和个性化 PageRank 算法来改进多跳推理和跨文档信息集成，克服了标准 RAG 方法的局限性。该框架使用一系列 AWS 服务实现，包括用于 LLM 功能的 Amazon Bedrock、用于图数据库存储的 Amazon Neptune、用于图算法的 Amazon Neptune Analytics 以及用于向量表示的…
-
MedKGTab框架通过知识图谱扩展表格医学数据
研究人员推出MedKGTab，一个旨在通过扩展表格医学数据特征来解决医学研究中数据稀缺性问题的新型框架。该方法利用知识图谱和双注意力机制，从现有数据中推断未收集的生物医学特征，确保生成的数据与既定的医学相关性和经验研究一致。在为各种跨域扩展场景生成逼真且高保真的数据方面，MedKGTab的表现优于最先进的医学和表格模型。
-
AI框架利用知识图谱和大型语言模型自动化工程安全规范
研究人员开发了一个新框架，该框架结合使用知识图谱（KG）和受限的大型语言模型（LLM）来自动化工程规范中因果关系（C&E）逻辑的创建。该方法旨在减少生成安全联锁、报警合理化表和因果关系矩阵时通常伴随的手动工作和不一致性。该系统在机器可解释的知识图谱中表示过程信息、故障和缓解措施，然后由LLM将其转换为操作员可读的安全说明和SWRL规则，确保输出基于底层的语义模型。
-
新方法使用嵌入式度量知识图谱间的语义相似性
研究人员开发了一种新方法来衡量知识图谱（KGs）之间的语义相似性，解决了现有方法主要关注实体、关系和三元组的局限性。所提出的技术通过比较知识图谱的底层信息来评估图级别语义，而不是仅仅依赖结构模式。使用从文本文档派生的自定义语义匹配数据集进行的实验表明，新的基于知识图谱嵌入的方法，特别是EmbPairSim评分函数，在捕获图对图语义相似性方面优于Sentence-BERT等传统方法。
-
新方法增强了用于AI问答的知识图谱检索
研究人员开发了一种新的查询感知传播激活方法，用于知识图谱上的多跳检索，旨在改进检索增强生成系统。该方法通过使用语义门来增强遍历，该语义门根据候选实体描述与问题的相似度来对其进行加权。从种子映射到上下文组装的整个检索过程，在Neo4j数据库内作为单个Cypher查询执行，防止图谱离开其原生环境。该方法在MuSiQue等基准测试中表现出具有竞争力的性能，与现有的先进系统相当，同时显著降低了检索延迟。
-
知识图谱将LLM多跳准确率提升至80%
一位开发者演示了如何将业务数据转化为知识图谱，显著提高了LLM处理复杂、多跳问题的准确性。通过使用Neo4j来表示实体和关系，LLM在需要连接多个事实的问题上的准确率从0%跃升至80%。这种方法将LLM与特定的业务现实联系起来，通过直接查询图谱而不是依赖模型的通用知识，确保了准确、可解释且高效的答案。
-
知识图谱与向量数据库结合，增强AI代理记忆
研究人员正在探索改进知识图谱补全（KGC）的新方法，以解决传统三元组预测的局限性。一种方法引入了关系集补全任务（RSC），以推断语义上兼容的缺失关系，并结合关系集嵌入模型（RelSetE）来捕捉现有关系中的潜在模式。另外，一项实际应用突出了企业AI代理中标准检索增强生成（RAG）的挑战，其中向量数据库会破坏数据溯源。为了克服这一点，一种双存储架构将向量数据库与知识图谱配对，使代理能够通过模型上下文协议（MCP）访问语义上下文和硬溯源信息。
-
新流程通过知识图谱提升LLM旅行推理能力 · 跟踪2个来源
研究人员开发了一种新颖的流程，以增强大型语言模型（LLMs）在特定领域的推理能力，特别是专注于旅行领域。通过集成旅行特定知识图谱（KG）并采用生成的问答对进行监督微调，他们的方法显著提高了准确性。微调后的Qwen3-4B模型在旅行基准测试中达到了82.4%的精确匹配率，远高于基线的22.4%。进一步的分析确定了特定的错误模式，为未来在校准和推理路径重建方面的改进提供了方向。
-
新的AI框架通过自我完善和数据高效蒸馏增强推理能力 · 跟踪4个来源
研究人员开发了新的框架来增强AI模型的推理能力。一种方法，流动推理模型（FRMs），使用迭代自我完善和动态稳定性检查来高精度地解决数独等复杂谜题。另一种方法，SemFlowRAG，通过创建有向语义梯度图来指导模型从抽象概念到具体证据，避免“概率黑洞”，从而改进检索增强生成。此外，数据高效蒸馏框架（DED）使用精选数据集和最优教师模型，无需大规模扩展即可实现强大的推理性能，为高级AI推理提供了实用途径。
-
新管道KG2Cypher为企业知识图谱构建自然语言接口
研究人员开发了KG2Cypher，一个以数据为中心的管道，旨在为企业知识图谱创建自然语言接口。该系统从图谱事实生成可执行的Cypher查询，然后使用LLM创建相应的自然语言问题。此过程包括LLM裁判的验证和人工审查，并将生成的数据用于监督微调。KG2Cypher在查询执行和准确性方面显示出显著的改进，尤其是在韩国企业环境中。
-
新框架增强AI驱动的事实核查能力以对抗虚假信息 · 跟踪3个来源
研究人员开发了两个不同的框架来增强自动化事实核查能力。其中一个名为 Tree of Evidence (ToE) 的框架，采用分层方法，并使用强化学习代理来分解、检索和验证声明，在对抗AI生成的虚假信息方面，其性能显著优于基线。第二个方法将大型语言模型与知识图谱和搜索代理相结合，在 FEVER 基准测试中取得了高 F1 分数，并证明了其在为最初标记为信息不足的声明发现证据方面的有效性。
-
新基准评估多模态知识图谱增强生成中的检索性能
研究人员推出了 MKG-RAG-Bench，这是一个旨在评估多模态知识图谱增强生成 (MKG-RAG) 系统中检索性能的新基准。现有基准通常忽略多模态知识的复杂性，因为多模态知识是异构的且难以跨不同模态进行对齐。MKG-RAG-Bench 通过使用来自通用和医疗领域的两个多模态知识图谱，以及对齐的问答数据集来评估检索和生成能力，从而解决了这一问题。实验表明，有效的多模态检索对于 MKG-RAG 系统的整体性能至关重要，检索质量直接影响生成结果。
-
全息记忆在知识图谱零样本组合推理中失败
研究人员调查了全息降维表示（HRR）和傅里叶HRR（FHRR）在知识图谱零样本组合推理中的有效性。虽然这些方法显示出潜力并在预测单跳链接方面具有竞争力，但它们无法组合零样本查询。研究发现，主要瓶颈不在于绑定或解绑代数或清理机制，而在于由于叠加记忆中的容量和干扰效应，检索构成链的事实存在固有的困难。
-
AI智能体在IT合规性审计中展现潜力，但面临确定性严谨性挑战
研究人员开发了一种多智能体系统（MAS）架构，并结合混合检索增强生成（HybridRAG）技术，以部分自动化德国IT-Grundschutz（IT-GS）认证流程。该系统旨在减少合规性标准（如IT-GS）所需的巨大人工投入，而IT-GS标准是NIS-2等指令强制要求中小型企业遵守的。MAS架构包含一个假设-验证循环以减少幻觉，以及一个解耦推理管道以分离语义提取和保护需求继承。虽然该系统在结构分析和建模阶段的信息提取等语义任务中表现出高…
-
新的多LLM系统旨在自动化德国IT安全认证
研究人员开发了一个多大型语言模型系统（MLS），集成了混合检索增强生成（HybridRAG），以半自动化BSI IT-Grundschutz认证。该方法旨在通过提高效率和降低成本来应对NIS 2指令带来的挑战，包括专家短缺和高昂的实施成本。该系统集成了LLM和知识图谱，协助从保护需求评估到措施整合和实现的各个认证阶段，从而支持对安全概念日益增长的需求。