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
17 天有情绪数据
-
论文研究知识图谱嵌入中的不确定性
本论文探讨了知识图谱嵌入（KGE）方法中的不确定性问题，该方法将实体和谓词表示在向量空间中以推断缺失的知识。它解决了三个不确定性来源：来自不完整或嘈杂输入的知识不确定性、来自随机训练的算法不确定性以及模型输出中的预测不确定性。该工作提出了一个基于投票的框架来减轻算法不确定性带来的不稳定性，并使共形预测适应KGE以实现无分布覆盖保证。它还为置信度评分的三元组开发了预测区间，并提出了一种基于嵌入的方法来对统计本体进行概率推理，旨在实现可靠…
-
新的RoP框架提升知识图谱问答准确性
研究人员开发了一个名为Reward on Path (RoP)的新框架，以提高知识图谱问答（KGQA）模型的准确性。该方法从答案标签中学习中间监督信号，有助于更好地指导模型检索相关的KG证据。RoP通过联合监督通往同一答案的路径并单独惩罚不正确的路径来解决现有方法的局限性，从而在没有LLM精炼监督的高成本的情况下提供更精确的训练信号。
-
新的Foresight-over-Graph框架提升了LLM知识库问答能力
研究人员推出了一种新颖的Foresight-over-Graph (FoG)框架，旨在通过改进大型语言模型（LLMs）从知识图中检索和利用信息的方式来增强知识库问答（KBQA）。传统方法由于其短视的局部决策，常常在推理过程早期就丢弃了潜在的关键证据。FoG通过构建相关的证据子图并采用一种具有前瞻性的方法来指导路径探索，同时维护一个用于持续分析的记忆子图来解决这个问题。实验表明，FoG在KBQA基准测试中取得了最先进的性能，尤其是在CW…
-
论文详述用于结构化知识检索和推理的人工智能
本论文介绍了一种将非结构化领域特定文本转化为结构化知识以进行检索和推理的新型架构。它提出了二元出血（Binary Bleed），一种用于非负矩阵分解（NMF）的自适应二元搜索方法，以及具有自动潜在特征选择（HNMFk）的分层NMF，用于深度自适应主题建模。这些方法填充了知识图谱和向量存储，实现了张量结构化检索增强生成（T-SRAG），以实现动态查询路由和提高语义保真度。在网络安全、法律、材料科学和医疗保健领域的应用证明了检索精度、趋势…
-
上下文工程：超越朴素RAG的下一个前沿
文章认为，当前被称为“朴素RAG”的检索增强生成（RAG）系统由于侧重于简单的检索而非强大的治理和结构，因此不足以满足企业级AI应用的需求。作者提出了“上下文工程”作为一种新范式，它优先考虑控制和构建输入到AI模型的信息结构，超越了基本的向量搜索限制。这种转变是必要的，因为朴素RAG通过将文档分割成小块，会丢失关键的结构上下文，导致在复杂推理任务中的准确性达到上限。
-
SPRIG 集成语义ID和知识图谱路径以实现高效生成推荐
研究人员推出了一种新颖的生成推荐系统SPRIG，该系统集成了内容派生的语义ID（SID）和知识图谱（KG）路径推理。该方法旨在将基于KG的方法的关系基础与基于SID的模型参数效率和泛化能力相结合。SPRIG将物品表示为KG路径内的离散、内容派生的标记，与现有的顺序语言模型和KG增强推荐器相比，其参数更少、计算成本更低，表现出有竞争力。
-
新连接器为 AI 知识图谱优化 Typeform 数据
已开发一款新的连接器，用于简化 Typeform 调查回复到 AI 应用的导入过程，特别是用于 Cognee 的知识图谱和检索增强生成 (RAG) 管道。该连接器解决了原始调查数据缺乏语义上下文且难以被大型语言模型有效处理的挑战。通过将表单数据序列化为结构化文本，该连接器将问题映射到答案并解决歧义，从而实现更准确的实体和关系提取，以构建知识图谱。
-
新的 Hop-Decayed Influence 攻击目标是 GraphRAG 管道
一种名为 Hop-Decayed Influence (HDI) 的新攻击向量已被识别，它利用了 GraphRAG 管道的辅助结构中的漏洞。该攻击针对的是模式级别（schema-level）的组件，而不是单个节点或边，通过在索引后破坏这些结构来获得高成功率。HDI 攻击表现出显著的放大效应，少量修改即可影响大量查询，并且通过保持语言上的连贯性来规避当前防御措施。
-
新框架利用LLM弥合知识图谱推理中的语义鸿沟
研究人员开发了一个名为Enrich-on-Graph (EoG) 的新框架，以提高大型语言模型 (LLM) 在知识密集型任务（如知识图谱问答 (KGQA)）中的推理能力。EoG通过利用LLM来丰富知识图谱本身，解决了结构化知识图谱与非结构化查询之间的语义鸿沟。该方法旨在实现从知识图谱中更高效、更准确地提取证据，从而在保持低计算成本和可扩展性的同时，提高KGQA基准的性能。该框架还引入了三个新的指标来评估KGQA中的查询-图对齐。
-
大语言模型在地理检索任务中难以实现细粒度的空间准确性
一篇新的研究论文探讨了大型语言模型（LLMs）在地理信息检索（GeoIR）任务中的有效性，特别是关注地名解析。该研究评估了当LLMs能够推断上下文时，传统的地名录是否仍然必要。研究人员发现，虽然LLMs可以捕捉上下文，但无约束的密集检索常常会导致显著的空间错误。然而，应用分层约束可以改善粗略的地理定位，但细粒度的本地化仍然是一个挑战，这表明当前的文本编码器在空间保真度方面难以匹敌地名录。
-
知识图谱指标可能反映管道而非主题：复制研究
一项复制尝试表明，从知识图谱中提取的结构化指标可能反映了提取管道的特征，而不是主题本身。作者通过为三个不同的领域构建知识图谱来检验这一假设：ASP.NET Core 中间件、SQL 查询优化和醋酸纤维素板生产。该实验旨在确定一个特定指标——先决概念密度——在这些不相关的学科中是否保持一致，这将表明其偏向于管道的设计而非实际的领域内容。
-
新的基准数据集旨在改进用于建筑自动化的自然语言到SPARQL查询
研究人员推出了Build2SPARQL，这是一个大规模的基准数据集，旨在改进将自然语言问题转换为用于建筑自动化知识图谱的SPARQL查询。该数据集通过图形遍历代码管道生成可执行的SPARQL查询，解决了此类基准的稀缺性问题，并独立于语言模型的行为确保了正确性。然后，通过大型语言模型生成自然语言问题，在人类验证中实现了高语义保真度和自然度。该基准旨在增强语言代理查询复杂建筑知识图谱的能力。
-
新框架XoG增强了LLM在不完整知识图谱上的问答能力
研究人员开发了一个名为Explore-on-Graph (XoG)的新框架，旨在改进不完整知识图谱上的问答。XoG通过学习从图结构本身恢复推理路径来解决知识图谱中事实缺失的问题，而不是依赖LLM生成可能产生幻觉的信息。该框架整合了实体关系统计信息和KG嵌入，以识别可能缺失的实体，并使用LLM作为语义选择器。在各种基准测试上的实验表明了XoG的有效性，它在完整图谱上保持竞争力，在面对缺失数据时优于其他方法，同时还减少了LLM的token消耗。
-
GraphCert 方法通过认证证据增强 AI 图代理推理能力
研究人员开发了 GraphCert，一种提高图代理（旨在与知识图交互的 AI 系统）推理能力的新方法。该方法使用认证证据规则生成问答对并识别支持证据，然后通过执行和语义策展进行验证。该系统在五个图推理基准测试中表现优于更大的 LLM 代理，表明其在获取可重用图推理技能方面的有效性。
-
Leanpub 推荐面向 Rust 开发者的“Rusty Graphs”一书
Volodymyr Pavlyshyn 的书《Rusty Graphs - 适用于 Rust 开发者的 AI 就绪图谱》已被 Leanpub 推荐。该书强调了语言模型（会猜测）与知识图谱（拥有确切信息）之间的区别。
-
GDELT与Common Crawl新闻：自然语言处理的比较分析
本文比较了GDELT和Common Crawl News这两个对自然语言处理、知识图谱和大型语言模型至关重要的新闻数据集。通过分析它们的内容和来源覆盖范围，研究突出了每个数据集独特的优势和局限性。GDELT主要使用广播、印刷和网络新闻，而Common Crawl News是通过对全球新闻网站进行网络爬取收集的，这揭示了它们数据获取方式的显著差异。
-
新框架使用知识图谱评估大型语言模型上下文理解能力
研究人员开发了一个新的框架，用于评估大型语言模型（LLMs）在问答任务中的上下文理解能力。该框架利用知识图谱和一种名为知识图谱语义结构相似度（S3KG）的新指标来评估LLMs提取、整合和推理信息的能力。S3KG指标结合了结构和语义信号，在性能上比现有基线高出7.6个F1点。此外，一个诊断分析工具可以对细粒度的推理错误进行分类，从而更深入地了解LLM的失败之处。
-
专家称知识图谱对生产就绪的AI代理至关重要
Cassie Shum认为，虽然长上下文窗口和向量搜索对AI代理很重要，但知识图谱对于使其进入生产就绪状态至关重要。她解释说，知识图谱可以通过提供结构化的领域知识、上下文包和软件开发生命周期模式，作为代理系统的运行基础。这种方法旨在减少令牌开销，执行更强的工程标准，并最大限度地减少当前代理系统中常见的“AI乱象”。
-
qKnow 开源版 v2.4.3 增强知识库的数据摄入和导出功能
qKnow Agent Construction Platform 开源版已发布 2.4.3 版本，引入了处理非结构化数据的扩展功能。此次更新允许直接将 JSON 和 JSONL 文件导入知识库和知识图谱，从而简化了已完成外部解析或组织的数据的处理流程。此外，用户现在可以将知识库中的问答数据导出为 JSON/JSONL 格式，便于二次处理和重用。该平台还为文件解析模型和提示提供了增强的可定制性，以满足特定的业务需求并改进整体知识构建工作流程。
-
Graph-RAG 通过知识图谱增强 LLM 的问题回答能力
研究人员开发了一种名为 Graph-RAG 的新方法，该方法利用知识图谱来提高大型语言模型 (LLM) 的问题回答能力，特别是在文化特定或代表性不足的信息方面。该方法通过将 LLM 的响应与外部知识图谱相结合来增强 LLM，与标准的检索增强生成 (RAG) 相比，提供了更好的控制和可解释性。在 LatamQA 数据集上的实验表明，Graph-RAG 显著减少了 LLM 的错误，并且随着知识图谱与任务的相关性提高，性能也随之提升。该系统…