HyGRAIL：通过知识图发现成本意识和基于证据的科学假设

科学知识图组织了从科学文献中提取的实体和关系，但它们本质上仍然是不完整的。因此，此类图表中缺少的键入链接可以代表合理的科学假设，例如材料和应用之间未经探索的关联。然而，科学假设的发现具有挑战性，因为真正的发现在类型化的候选对中极其稀疏：图神经网络（GNN）很有效，但对于不明确的情况不可靠，而 大语言模型 （LLM）知识渊博，但应用成本太高，并且不自然地基于图结构。我们提出了 HyGRAIL，这是一个具有成本意识且以证据为基础的框架，它将异构 GNN 分类与基于 LLM 的假设审查相结合。 HyGRAIL 首先使用 GNN 对候选假设进行评分并识别经过验证校准的模糊区域，仅将图不确定的情况路由到 LLM 审查。对于每个路由假设，HyGRAIL 从知识图（KG）中检索节点级关联和多跳关系路径，然后通过基于模板或基于 LLM 的自然化将这种结构化证据转换为自然语言。 LLM 审查代理最终使用归化证据和验证选择的决策标准来判断每个硬假设。在 MatKG 上，HyGRAIL 实现了 0.429 的最佳 F1 分数，比最强的先前基线提高了 0.242 F1 分，比仅 GNN 的基线提高了 0.322。同时，GNN 分类平均降低了 LLM 调用率 54.36%。消融研究进一步表明，检索到的图形证据对于可靠的假设验证至关重要，并且紧凑的双面证据比简单地增加检索数量更有效。