量子知识图：建模上下文相关的三元组有效性

知识图 (KG) 越来越多地用于支持大型语言模型 (LLM) 推理，但基于标准三元组的 KG 将每个关系视为全局有效。在许多情况下，某种关系是否应被视为证据取决于上下文。因此，我们将三元组有效性表述为上下文的三元组特定函数，并将该表述称为量子知识图（QKG）。我们使用以糖尿病为中心的 PrimeKG 子图来实例化医学中的 QKG，该子图的 68,651 个上下文相关关系进一步用特定于患者群体的约束进行注释。我们在包含 2,788 个问题的 MedReason 的基于 KG 的子集上的医学问题回答推理验证器管道中对其进行评估。使用 Haiku-4.5 作为 Reasoner 和 Validator，KG 支持的验证显着优于无验证器基线（$+0.61$ pp），并且具有上下文匹配的 QKG 产生最大收益，优于没有上下文匹配的 KG 验证（$+0.79$ pp）和无验证器基线（$+1.40$ pp；配对 McNemar，所有 $p<0.05$）。在更强大的验证器 (Qwen-3.6-Plus) 下，相对于无验证器基线的原始 QKG 收益从 $+1.40$ pp 增长到 $+5.96$ pp；上下文匹配差距在原始数据集上并不显着（$p=0.73$），但在对知识泄漏和可疑问题进行调整后变得临界显着（$p=0.05$），这与基准黄金上限而不是 QKG 限制一致。综上所述，结果支持这样的观点：基于 LLM 的临床推理中 KG 的价值不仅在于存储医学相关事实，还在于表示这些事实是否适用于特定的患者环境。为了重现性和进一步研究，我们发布了精选的 QKG 数据集和源代码。\footnote{https://github.com/HKAI-Sci/QKG}