笔记整理：刘治强，浙江大学硕士生链接：https://dl.acm.org/doi/10.1145/3543873.35875961. 动机尽管GNN在链路预测任务中表现出较高的准确性，但它并不是设计用于归纳设置下的链路预测。此外，由于对图数据的依赖性，GNN在大规模工业部署中显示出相当高的推理延迟。尽管由于缺乏对图拓扑的访问，MLP在节点分类任务上的归纳偏差比GNN小得多，但由于其低推理延迟，它

转载公众号| 知识图谱科技GraphRAG (基于知识图谱检索增强生成) 通过将知识图谱 (KGs) 或图形数据库与大型语言模型 (LLMs) 集成，增强了传统的检索增强生成 (RAG) 方法。它利用图形数据库的结构化特性，将数据组织为节点和关系，以更高效准确地检索相关信息，并为生成响应提供更好的上下文，使LLMs感知到更多的信息。通过将知识图谱作为结构化的、领域特定的上下文或事实信息的来源，G.

接着根据关系描述生成一组同义词，这些同义词可以是单个词汇或者是短语，但是都必须与原始的关系语义保持一致，最后整合同义词，生成的同义词与原始关系一起构成一个语义群组（（3）展示了合成样本生成策略的重要性：通过消融实验，证明了关系同义词生成、实体过滤和句子重述等策略对提升模型性能的重要作用。）提出了一种新的方法，通过关系同义词生成、实体过滤和句子重述等策略，生成高质量、多样化的合成样本。：该框架通过一

笔记整理：喻靖，浙江大学硕士，研究方向为大语言模型论文链接：https://arxiv.org/pdf/2310.07793发表会议：NAACL2024摘要随着大语言模型（LLMs）的迅速发展，人们对时间知识图谱（tKG）领域的兴趣日益增长。传统上，tKG领域的预测任务主要由基于嵌入和基于规则的方法主导。然而，这些方法在处理复杂的时间关系数据时存在显著局限性，特别是在应对数据规模、复杂的图结构，以

笔记整理：孙硕硕，东南大学硕士，研究方向为自然语言处理链接：https://arxiv.org/abs/2307.076971. 动机本文的动机是大型语言模型在各种任务中取得了较大的进步，但它们往往难以完成复杂的推理，并且在知识可追溯性、及时性和准确性等至关重要的情况下表现出较差的性能。为了解决这些限制，作者提出了 Think-on-Graph (ToG)，这是一个新颖的框架，它利用知识图谱来增强

对基座Qwen3-Rank-0.6B 做交叉编码器微调，采用listwise损失【强制模型在相似技能之间做细粒度比较】，以检索器输出的Top20 候选列表作为微调数据，共32283条列表样本，这一微调让 Hit@1从43.3%→74.0%。，先学会语法、格式、包、结构【基座Qwen3-VL-4B/8B，输入：科学图，输出：标准TikZ代码，损失：最大化正确代码概率】；，方案叫做SkillRoute

大会将聚焦知识表示、知识存储、知识挖掘、知识融合、知识推理、可解释性、记忆增强、认知计算等知识图谱与大模型关键技术，引导知识驱动的新一代认知智能理论技术突破与产业应用发展。大会议程将包括讲习班、大会特邀报告、前沿趋势论坛、工业界论坛、青年学者论坛、评测与竞赛、论文报告、海报与系统展示等环节，邀请国内外知名学者介绍相关领域的最新进展和发展趋势，邀请产业界知名研发人员分享实战经验，促进产学研合作。北京

通过“自动化验证脚本”或“人工快速判断”，对每条原始轨迹进行“二元标注”，要么“任务成功”（如订单确实提交），要么“任务失败”（如停留在错误界面），若模型生成的“订奶茶”轨迹最终显示“订单提交成功”，则校准为“成功轨迹”，若轨迹卡在“支付页面闪退”，则校准为“失败轨迹”；每条轨迹包含连续的界面截图、模型预测的操作（如点击坐标、滑动方向）、以及模型的初步推理（如“因为要选规格，所以点击‘规格’按钮”

同样还是Deep Research的复刻，再来看看对应的实现，有两个工作，一个是u14app-deep-research，一个是deepresearch-local，重点看实现流程。，进行包含结构化章节、目录和深入探索的全面分析，创建结构合理的专业级报告，为每个章节单独进行研究，以确保全面覆盖，在各章节之间整合信息，实现连贯分析，包含引用和参考跟踪。问题中的实体跟答案中的实体都是已知的，只需要找到

多路召回 + 精排”的组合范式虽然有效缓解了单一检索方式的语义覆盖不足问题，但在实际多模态大数据场景中仍面临诸多挑战：复杂语义融合能力不足、多模态语义对齐与相似性测度挑战、多模态数据孤岛问题严重等。本次报告将会介绍复杂知识检索的一些研究进展，主要包括面向知识图谱的结构化知识检索、标签约束下的稠密检索、区间约束下的向量检索等。OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、