GEAKG：生成式可执行算法知识图谱

在用于问题求解的算法情境中，程序性知识——算法设计与算子组合的诀窍——仍然隐含在代码之中，在两次运行之间即告丢失，并且必须为每个新领域重新进行工程化。知识图谱（KG）已被证明能有效组织陈述性知识，但当前的KG范式在将程序性知识表示为可执行、可学习的图结构方面支持有限。我们提出生成式可执行算法知识图谱（GEAKG），这是一类节点存储可执行算子、边编码所学组合模式、遍历即可生成解的知识图谱。GEAKG是生成式的（拓扑与算子由大语言模型合成）、可执行的（每个节点都是可运行的代码）且可迁移的（所学模式可跨领域零样本泛化）。该框架在引擎层面与领域无关：同一套三层架构与基于蚁群优化（ACO）的学习引擎可在不同领域中实例化，并由可插拔的本体（RoleSchema）进行参数化。两个案例研究——彼此不共享任何领域特定的框架代码——为这一框架假设提供了具体证据：(1)神经架构搜索，在两个表格基准上跨70个跨数据集迁移对进行；(2)组合优化，其中在旅行商问题上学到的知识零样本迁移到调度与分配领域。综合来看，这些结果支持如下结论：算法专长能够以可执行知识图谱的形式被显式表示、学习与迁移。