知识图谱相关 AI 资讯

8月18日

15:41

官方账号arXiv cs.AI@Steve Brown

精选

Quipu 是一个可嵌入的知识图谱存储，要求每条事实必须通过治理门控，门控谓词评估待写入的后状态。数据、信任标签、裁决和规则本身都是双时态的，命名图作为权威和信任单位，在格下组合且组合不扩大。在 Census 基准上，门控存储 0/6 种植入缺陷，未门控 6/6；50/50 满意裁决按时间点正确重推导，最新规则集下全部误报。在 DEMM-Bench 上，内容读取回答全部 512 个属性级问题且零过度声明，容器存在基线最多过度声明 87.5%。

论文 Quipu 知识图谱双时态

推荐理由：Quipu 把治理直接做进存储层，门控、双时态、可审计都是内置的，适合搞多智能体写知识图谱的人看看。

原文

8月13日

17:43

官方账号arXiv cs.AI@Saman Marandi, Yu-Shu Hu, Mohammad Modarres

该研究提出利用检索增强生成和大语言模型，从系统描述中自动构建动态主逻辑模型，并表示为知识图谱（KG-DML）。方法沿DML层级进行定向检索，保留功能依赖和显式逻辑关系，支持故障向上传播和向下依赖追踪。验证应用于一座退役沸水反应堆的低压冷却剂注入系统，重复运行结果一致。多级评估覆盖各层精度、召回率、逻辑门一致性与结构完整性，证明自动化构建可将技术文档转为可用于诊断和可靠性分析的可执行功能模型。

论文 DML 知识图谱 RAG

推荐理由：这篇论文讲怎么用RAG和LLM把技术文档自动变成知识图谱，用在反应堆诊断上，跑得还稳，搞可靠性的可以看看。

原文

8月12日

18:00

官方账号arXiv cs.AI@Shutong Zhu, Tianxing Wu, Runfeng Liu, Yuang Gu, Xuan He, Yuan Zhu

RTSKG是一个专门为城市级轨道交通站点任务设计的知识图谱数据集，显式建模了站点、道路段和兴趣点等异构城市实体间的空间与语义交互。该数据集采用统一模式组织数据，并以Linked Data形式在https://w3id.org/rtskg/开放访问。在站点周边商店推荐和知识增强的客流预测两项评估中，RTSKG展现了有效性，表明其能支持城市级轨道交通站点分析。

论文 RTSKG 知识图谱轨道交通

推荐理由：做城市计算或交通预测的可以看看，这个数据集把站点、道路、POI串成了知识图谱，还开放了链接数据，比纯表格好用。

原文

8月11日

11:26

官方账号arXiv cs.AI@Ghanshyam Verma, Simanta Sarkar, Devishree Pillai, Hotaka Shiokawa, Yourong Xu, Fiona Veazey, Peter Hubbert, Hui Su, Paul Buitelaar

KGCaRe是一种混合方法，结合神经检索与符号推理，通过多提示提取策略从文档构建知识图谱并存入图数据库，同时将文档嵌入向量库。它采用LLM引导的迭代图遍历提取相关三元组，并在初始遍历不足时利用线索实体再次遍历。在Mistral、Mixtral、GPT-3.5和GPT-4o等多个LLM上，KGCaRe在两个复杂条件问答数据集上持续优于Vanilla LLM、Vanilla RAG、Think-on-Graph等基线。该方法已公开软件管道。

论文 KGCaRe 知识图谱 RAG

推荐理由：KGCaRe把知识图谱和RAG结合，复杂条件问答比普通RAG更准，多个模型上都赢了，代码也开源了。

原文

8月7日

13:17

官方账号arXiv cs.AI@Indivara Kolluru, Nathan Sportsman

该研究在690个技能的库上对比了混合排序器和知识图谱两种Agent检索方案。117个真实查询中，混合排序器的top5准确率为73.5%±8.0。知识图谱比排序器低11.2个百分点（p=0.0007），且73%的失败查询无法通过图结构到达。自编查询会高估hit@5达44个百分点，掩盖了这一差距。

论文智能体技能库知识图谱

推荐理由：这篇论文用690个技能做测试，发现简单混合排序比知识图谱更靠谱，还提醒大家别用自编查询骗自己。

原文

8月3日

10:12

官方账号arXiv cs.AI@Hussain Hussain, Stefan Schöberl, Angelika Schneider, Verena Geist

COntExt 是一个面向上下文感知的本体扩展框架，输入结构化指标定义，输出应整合进现有本体的概念与属性建议。该框架将扩展任务拆分为父类预测、关系类型预测和数据属性分配三个子任务。研究者在四个网络安全本体上评估了多种算法，结果显示指标上下文在关系类型预测和数据属性分配上优于仅依赖本体上下文的基线。论文表明运行指标目录是实用且未被充分利用的本体扩展来源，可显著降低本体维护成本。

论文 COntExt 本体扩展网络安全

推荐理由：这篇论文提出了 COntExt，用运行指标自动帮你扩展本体，不用再手动梳理概念关系，四个安全本体上验证过效果。

原文

7月31日

11:32

官方账号arXiv cs.LG@Tim Schwabe, Lukas Ketzer, Maribel Acosta

FICE是首个可泛化到完全未见知识图谱（包括未见关系）且无需重训练的BGP查询基数估计器。它基于因子图视角的图神经网络，用编码器生成实体和关系嵌入，再用解码器按查询连接拓扑预测对数基数。论文证明BGP基数是2-hop邻域的局部函数，支撑了局部消息传递编码器设计。在10个知识图谱上，FICE将整体中位q-error从最佳基线的13.54降至5.34，尾部表现全面领先。其推理延迟低于1毫秒，且通过邻域采样扩展到百万三元组规模。

论文 FICE Cardinality Estimation 知识图谱

推荐理由：FICE这个新模型，不用重训练就能用在没见过的知识图谱上，基数估计误差比之前最好的还低一半多，而且速度快到亚毫秒。

原文

7月29日

11:49

官方账号arXiv cs.AI@Fanfu Wei, Thibault Ehrhart, Raphaël Troncy

Kontrast是一个基于Text-to-SPARQL和LLM推理的自动框架，用于检测Wikipedia和Wikidata中文本、表格和知识图谱三种模态间的知识不一致性。论文首先提出跨模态知识不一致的分类学，涵盖信息粒度差异、直接冲突、时间变化和知识图谱不完整四种类型。在多个Table-QA数据集上的实验表明，跨模态不一致普遍存在，能揭示真正的知识冲突、缺失的KG结构及时序不匹配。Kontrast为大规模知识审计提供了实用工具，并建立了跨模态知识一致性的基准。

论文 Kontrast 知识图谱表格QA

推荐理由：想系统理解文本、表格和知识图谱为什么打架？看看这篇论文，它用SPARQL和LLM自动找出不一致，还分了四种类型，挺实用的。

原文

7月28日

12:19

官方账号arXiv cs.AI@Rajat Sainju, Dariusz Jarosz, Hairong Shang, Michael Prince, Ryan M. Aydelott, Mathew J. Cherukara, Yine Sun, Michael D. Borland

APS-RAG是部署在先进光子源（APS）的检索增强生成平台，融合了密集、稀疏和知识图谱三个检索通道，并引入纠正性代理循环与MCP工具层。它在50道题的APS-Bench评估中，完整Agentic GraphRAG版本达到70.3%的严格关键点召回率，超过BM25基线63.8%。移除交叉编码器重排序器后召回率下降32.8%，表明其对答案质量贡献显著。开源和闭源LLM的最终答案合成性能也被对比。该平台及其评估方法已开源，可迁移到其他大型科学仪器。

AI模型 APS-RAG RAG 智能体

推荐理由：APS团队搞了个能检索几十年知识库的RAG系统，把BM25的63.8%准确率提到了70.3%。交叉编码器是关键，去掉掉32.8%得分。科学设施运维AI神助攻，代码和基准都开源了。

原文

7月22日

01:28

Qdrant@qdrant_engine

精选

cognee的Dave Nielsen在Vector Space Day SF演讲中展示了AI记忆的进化方向：从简单提示存储到自动构建知识图谱。系统从聊天、提示、智能体交互中提取实体和关系，向量存储在Qdrant，图谱关系存储在Neo4j，实现RAG、GraphRAG与短期记忆的统一层。AI记忆正从单个智能体扩展至团队和组织，例如通过学习提示的入职系统或共享知识库。cognee与Qdrant连接器新增TurboQuant支持，对知识图谱的量化效果比常规向量存储更显著，因为图数据规模增长更快。

技巧 cognee Qdrant Neo4j

推荐理由：看看cognee怎么把RAG、GraphRAG和短期记忆揉成一个统一层，还能自动建知识图谱，团队也能共享记忆，加上TurboQuant压缩搞定海量图数据。

原文

7月13日

10:29

官方账号arXiv cs.AI@Jan Gronewald, Andreas Emrich, Nijat Mehdiyev

本文针对城市矿产预拆除评估中可辩护性需求，提出知识图谱（KG）与可解释AI（XAI）互补解释框架。基于IS资源传统，归纳四种KG-XAI集成模式：Lifting、Constraining、Typing、Revising，每种模式解锁不同的可辩护性属性。以防火门示例展示了基于W3C Linked Building Data栈和估值扩展的具体应用，论述为何单一资源无法满足监管审计要求。

论文 Knowledge Graphs XAI 可解释AI

推荐理由：这篇论文把知识图谱和可解释AI怎么配合讲清楚了，还给出了四种具体集成模式，干城市矿产评估的可以看看。

原文

7月11日

21:19

AI Will@FinanceYF5

Marble Curriculum是一个开源的小学课程概念图谱，包含1590个概念和3221个连接，覆盖数学、科学、计算机等8个学科。它基于美国NGSS、Common Core和英国DfE标准，每个概念包括年龄阶段和掌握证据。该图谱以结构化JSON格式提供，并标记了硬/软先决条件关系，可用于计算学习路径。使用开放许可，任何人都可以基于此构建教育产品。

AI产品 Marble Curriculum 开源课程知识图谱

推荐理由：Marble团队把小学课程知识图谱开源了，1590个概念、3221条关系，按英美课标整理，直接拿来就能做教学产品。

原文

7月9日

01:15

官方一手AWS Machine Learning Blog@Jasmine Rasheed Syed

AWS博客介绍了基于图的检索增强生成（GraphRAG）技术，通过结合知识图谱（BYOKG）与生成式AI来加速科学研究。该方法利用图数据库存储实体关系，并在药物研发中实现精准信息检索。GraphRAG在回答复杂科学问题时，比传统RAG更擅长处理多跳推理。BYOKG允许研究人员使用自有知识图谱，无需依赖外部数据源。该方案已应用于药物靶点发现等场景，提升了实验效率。

AI模型 GraphRAG BYOKG AWS

推荐理由：AWS这篇博客讲的是用图数据库+知识图谱做检索增强生成，专门帮药物研发团队加速查找科学文献和挖掘靶点关系，比传统RAG更能处理复杂问题。

原文

7月8日

10:16

官方账号arXiv cs.AI@Xiachong Lin, Du Yin, Arian Prabowo, Hao Xue, Wen Hu, Imran Razzak, Matthew Amos, Sam Behrens, Flora D. Salim

TopoBrick是一个无需训练的零样本建筑IoT预测框架。它利用建筑知识图谱构建紧凑的结构骨架，并通过智能拓扑采样器为目标选择特定外生变量。在三个真实建筑上，TopoBrick超越了强零样本基础模型基线，并与全训练的建筑特定模型竞争。消融实验表明，拓扑感知采样比随机、仅本体或固定跳数选择更可靠，尤其对物理耦合的HVAC和天气驱动传感变量。

AI模型 TopoBrick 建筑IoT 零样本预测

推荐理由：TopoBrick不用训练就能预测建筑传感器数据，靠知识图谱和智能采样选变量，比很多基础模型还准，跟专门训练的模型差不多。

原文

6月30日

11:13

官方账号arXiv cs.LG@Boshko Koloski, Xiangjian Jiang, Senja Pollak, Blaž Škrlj, Mateja Jamnik, Nikola Simidjievski

论文针对TabPFN和TabICL等纳米级表格基础模型，提出KnowsTFM方法，通过知识图谱的结构注意力先验和参数高效低秩更新进行微调。在数据稀缺、高维且分布偏移的专业领域，KnowsTFM相比原始变体取得显著提升，但在通用任务上增益微小。研究还发现，对前沿模型持续微调可能导致预训练知识及机制崩溃。

论文 KnowsTFM TabPFN TabICL

推荐理由：这篇论文教你用小知识图谱提升小表格模型在专业领域的效果，比普通微调更靠谱，还揭示了持续微调的风险。

原文

6月25日

09:34

官方账号arXiv cs.AI@Enrique Palacín, Fernando Bobillo, Ignacio Huitzil, Francesca A. Lisi, Umberto Straccia

该论文提出一个通用框架，用于在OWL本体和RDFS知识图谱上评估模糊量化查询。框架支持Type I和Type II模糊量化表达式的个体检索。核心优势在于不依赖特定量化器类型、评估方法或数据源。作者还发布了开源实现Q2S2以支持后续研究。

论文 OWL RDFS 知识图谱

推荐理由：一篇论文提出了一个能处理模糊量化查询的通用框架，不挑量化器类型和数据源，还开源了Q2S2实现。

原文

6月23日

12:06

官方一手arXiv: DeepSeek@Haitham Al-Shami, Rohail Malik, Riku Ala-Laurinaho, Jari Vepsäläinen, Raine Viitala

本文提出一个人机协作框架，自动识别并修复SysML v2模型中的语义错误。框架结合微调的小语言模型（SLM）与领域知识图谱，其中知识图谱编码系统元素间的物理兼容性规则。通过系统引入领域违规，知识图谱指导生成合成训练数据，并在推理时增强模型以提供符合工程约束的修复建议。在车辆系统领域，对Qwen2.5-Coder-1.5B和DeepSeek-Coder-6.7B进行微调，输出统一diff补丁来定位故障并呈现候选修复。在1184个测试样本上，微调将语义故障修复率从低于3%提升至超过91%，且补丁输出减少令牌长度超过60%。

论文 SysML v2 Qwen2.5-Coder-1.5B DeepSeek-Coder-6.7B

推荐理由：这篇论文提出一个好方法：用知识图谱加小模型自动修SysML v2语义错误，修复率飙到91%，相比传统编译器管不了语义错误，这招很实用。

原文

6月21日

16:51

官方账号Decoder@Jonathan Kemper

AWS在纽约峰会上推出两项新服务。Continuum自动检测、优先处理和修复代码漏洞。Context从企业数据构建知识图谱，为AI代理提供业务上下文。这两项服务旨在解决AI代理编写代码速度快但常出错的问题。

AI产品 AWS Continuum Context

推荐理由：AWS出了两个新工具，一个帮你修代码漏洞，一个给AI代理补业务知识。以后AI写代码能少翻车了。

原文

6月12日

10:49

官方账号arXiv cs.AI@Zongsheng Cao, Bihao Zhan, Jinxin Shi, Jiong Wang, Fangchen Yu, Zhijie Zhong, Zijie Guo, Tianshuo Peng, Zhuo Liu, Yi Xie, Xiang Zhuang, Yue Fan, Runmin Ma, Shiyang Feng, Xiangchao Yan, Anran Liu, Peng Ye, Wenlong Zhang, Shufei Zhang, Chunfeng Song, Fenghua Ling, Jie Zhou, Liang He, Bo Zhang, Lei Bai

Agents-K1 是一个端到端的科学知识编排管线，能将原始论文转化为智能体可用的科学知识图谱。它包含多模态解析器、基于 GRPO 训练的 4B 信息提取模型和统一接口 CLI，覆盖实体、多模态证据、引用和关系。团队用该管线处理了 246 万篇论文，构建了 Scholar-KG 数据集，并开源了其中 100 万篇子集。实验表明，Agents-K1 在科学信息提取、知识图谱构建和多跳推理上表现优异。

论文知识图谱科学信息提取 Agents-K1

推荐理由：做科学知识图谱或文献挖掘的团队可以直接用这个开源管线，省去自己设计抽取流程的麻烦，尤其适合需要跨论文推理的科研场景。

原文

6月11日

12:10

官方账号arXiv cs.AI@Zixuan Xiao, Pei Troh Koh, Jun Ma, Jack C. P. Cheng

精选

建筑信息模型（BIM）中几何密集型规范的合规检查自动化长期受限于高层法规逻辑与结构化IFC数据之间的语义鸿沟。现有方法依赖静态规则模板，难以处理多跳推理链或跨实体的空间依赖。为此，研究者提出SGR-BIM框架，通过动态构建跨模态知识图谱，将用户意图、法规语义与BIM几何对齐，实现可解释的推理。在679个消防规范专家验证查询上，该框架达到84.3%的准确率，比增强工具的单智能体基线提升8.6%。该研究为AEC行业提供了更透明、灵活的几何合规检查自动化范式。

论文 BIM 合规检查图推理

推荐理由：BIM合规检查的自动化是建筑行业的长期痛点，SGR-BIM用图推理解决了多跳空间依赖问题。做BIM开发或建筑规范自动化的团队，可以直接参考其84.3%准确率的验证结果。

原文

6月8日

19:22

rohanpaul_ai@rohanpaul_ai

精选

Kocoro 是一个开源 Mac AI 代理框架，通过本地运行代理读取用户历史会话、文件、应用、浏览器、屏幕和终端，将有用信息压缩为记忆，实现无需重复上下文的持续工作。其安全模型以本地优先，工具操作需权限，风险命令被阻止或二次确认，操作可审计，秘密自动编辑，记忆和会话同步可选。Episodic Memory 功能将过去会话转化为项目事实、决策、协作者、截止日期和习惯，让代理像队友一样恢复工作。每晚自动将工作日提炼为本地知识图谱，第二天直接继续，无需重新粘贴上下文。

AI产品 AI 记忆开源/仓库 Mac 代理

推荐理由：Kocoro 解决了 AI 工作流中上下文窗口的瓶颈，让 Mac 用户无需重复粘贴就能持续工作，适合频繁切换任务或需要长期记忆的开发者，建议试试这个开源框架。

原文

5月31日

09:07

shao__meng@shao__meng

精选

LandingAI 黑客松项目 ArthaNethra 展示了从 PDF 到可查询、可溯源、可推理的金融知识图谱的完整流程。系统通过上传、ADE 提取、归一化、双库索引和风险检测五个步骤，将发票、贷款合同、10-K 等文档转化为结构化知识。知识图谱包含 10 类实体和 26 种规范关系，并利用 Weaviate 和 Neo4j 双库分别支持语义搜索和多跳遍历。每条实体和关系都带有文档、页码、章节等引用元数据，确保可溯源。该项目为金融文档的智能分析提供了实用参考。

AI产品知识图谱金融 PDF提取

推荐理由：金融从业者或知识图谱开发者可以借鉴这套从 PDF 到可查询图谱的完整 pipeline，特别是双库架构和同义词归一化设计，直接用于合同审查、风险检测等场景。

原文

5月26日

22:21

Qdrant@qdrant_engine

Qdrant 举办的 Vector Space Day 活动邀请到 Neo4j 开发者关系副总裁 Stephen Chin，他将分享上下文图如何赋予智能体关系理解能力，使其不仅能检索，还能真正推理。活动将于 6 月 11 日在旧金山 The Midway 举行，聚焦智能体与内存的生产级应用、从云到边缘的检索以及多模态 AI。已有 300 多位 AI 构建者报名参加。

行业智能体向量检索知识图谱

事件专题

推荐理由：做智能体或 RAG 系统的开发者，如果发现向量检索经常答非所问，这场演讲会点出关键缺失——关系理解。建议关注活动内容或后续回放。

原文

5月25日

09:56

官方账号arXiv cs.LG@Hamed Shirzad, Frederik Wenkel, Dominique Beaini, Danica J. Sutherland, Emmanuel Noutahi

精选

知识图谱结构不规则，传统检索方法在组合查询上表现不佳。SeedER 提出一种两阶段检索框架：先用轻量级检索选取核心节点作为种子，再通过强化学习训练的策略进行选择性扩展。该方法将全局推理分解为可复用的局部决策，在控制成本的同时显著提升召回率。实验表明，SeedER 在组合泛化和图约束子模优化方面优于强基线，适合作为知识密集型推理系统的第一阶段检索器。

论文知识图谱检索框架强化学习

推荐理由：做知识图谱检索或知识密集型推理的团队，SeedER 提供了一种低成本高召回的新思路，值得关注其强化学习驱动的扩展策略。

原文

5月21日

10:22

官方账号arXiv cs.LG@D. -M. Mei, K. Acharya, C. M. Adhikari, M. Adhikari, S. Aryal, B. V. Benson, K. Bhatta, S. Bhattarai, N. Budhathoki, A. M. Castillo, D. Chakraborty, S. Chhetri, S. Choudhury, T. A. Chowdhury, R. D. Cruz, B. Cui, S. Dhital, K. -M. Dong, R. Gapuz, A. Ghasemi, E. Z. Gnimpieba, B. D. S. Gurung, H. A. Hashim, R. I. Harry, K. -E. Hasin, M. K. Hassanzadeh, M. K. Jha, D. Kim, K. -C. Kong, B. Lama, A. Mahat, N. Maharjan, A. Majeed, J. Mammo, M. M. Masud, K. S. Moore, A. Nawaz, H. Oli, S. A. Panamaldeniya, L. Pandey, R. Pandey, Z. Peng, A. Prem, M. M. Rana, K. Rana Magar, R. Rizk, C. S. Tadi, L. -W. Wang, Y. Yang, G. -L. Yin, C. -X. Yu, D. Zeng, M. Zhou, Q. Zhou

精选

AIMBio-Mat 是一个概念框架，旨在将材料科学和生物医学数据整合到一个AI原生的、符合FAIR原则（可查找、可访问、可互操作、可重用）且具备治理意识的决策层中。该框架通过知识图谱、不确定性感知机器学习和人机协同主动学习，将生物医学材料发现建模为不确定性下的约束多目标优化问题。它提出了元数据、模型文档、风险分级治理和评估指标等实用要求，并包含最小可行原型规范和用于药物递送的纳米材料AI引导发现试点。该平台定位为探索性和临床前发现基础设施，而非临床决策支持软件，其核心贡献是将碎片化的材料和生物医学记录转化为可审计、可实验操作且负责任的发现工作流蓝图。

论文材料发现生物医学 FAIR原则

推荐理由：做材料发现和生物医学交叉研究的团队终于有了一个可落地的AI原生平台蓝图——它解决了数据碎片化和治理缺失的痛点，做纳米药物递送或生物材料设计的可以直接参考其试点方案。

原文

5月19日

11:26