EGT-KG：以证据为依据的类型化知识图谱检索，用小语言模型实现实用科学问答

对于新兴的科学研究领域，本地小语言模型（SLM）变得越来越有吸引力，因为它们比大语言模型提供更强的隐私控制和更稳定的部署管道。然而，在实践中，SLM 的科学问答往往受到不可避免的限制：文献收集少、证据碎片化、上下文窗口和推理能力有限。我们提出了基于证据的类型化知识图（EGT-KG），这是一种利用本地 SLM 改进信息检索的检索框架。我们评估了三种问答设置：一个普通的检索增强生成 (RAG) 工作流程和两个 EGT-KG 工作流程：自动生成的关系模式 (AS) 和专家定义的关系模式 (ES)。我们的实验在生物聚合物结合土壤复合材料文献基准上使用六维评估框架（S3CRF：健全性、正确性、完整性、简洁性、相关性、流畅性）进行评估，结果表明 EGT-KG 在大多数设置中优于普通 RAG 方法，其中相对 llama3:8b 的改进最大：最终得分为 70.37 (+14.67%) 和 68.82 (+12.14%) AS/ES EGT-KG 变体。