Graph2Idea：图结构上下文的检索增强科学想法生成

产生新颖、可行和高质量的研究想法是科学发现中一项重要但具有挑战性的任务。最近基于大语言模型（LLM）的方法通常通过检索到的文献来生成想法，但检索到的证据通常以平面文本形式提供，例如标题、摘要或摘要。这种扁平的上下文可能包含冗余或弱相关信息，同时使得问题、方法、机制和发现之间的跨论文关系难以识别和追踪。为了应对这一挑战，我们提出了 Graph2Idea，一种用于检索增强科学思想生成的知识图引导框架。Graph2Idea 首先根据输入主题检索论文，将其转换为结构化知识三元组，并动态构建以目标为中心的知识图谱，使文献关系明确。然后，它提取紧凑的图形衍生上下文，保留与目标相关的关系证据，同时减少嘈杂的文本输入。基于这些背景，一个两阶段的生成过程首先确定有前途的研究方向，然后指导大语言模型从基于图形的证据综合候选想法。科学想法生成基准的实验表明，Graph2Idea 在自动评估协议下优于代表性基准。与最强的基线分数相比，新颖性从 0.45 提高到 0.52，质量从 0.24 提高到 0.29，可行性从 0.22 提高到 0.28。这些结果表明，图结构证据有助于大语言模型通过对现有科学知识进行更明确、紧凑和可追踪的重组来产生研究想法。