DreamKG: A KG-Augmented Conversational System for People Experiencing Homelessness

📄 arXiv: 2604.11703v1 📥 PDF

作者: Javad M Alizadeh, Genhui Zheng, Chiu C Tan, Yuzhou Chen, Omar Martinez, Philip McCallion, Ying Ding, Chenguang Yang, AnneMarie Tomosky, Huanmei Wu

分类: cs.AI

发布日期: 2026-04-13

备注: This manuscript has been accepted at the 14th IEEE International Conference on Healthcare Informatics (ICHI 2026)

💡 一句话要点

DreamKG：一个知识图谱增强的对话系统，服务于无家可归者

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 知识图谱 对话系统 无家可归者 社区服务 自然语言处理

📋 核心要点

  1. 无家可归者难以获取及时准确的社区服务信息，现有方法难以满足其特定需求。
  2. DreamKG利用知识图谱增强对话系统，结合Neo4j和结构化查询理解，提供可靠的位置和时间敏感信息。
  3. 实验表明，DreamKG在相关查询上优于Google Search AI，并能有效拒绝不相关查询，提升服务可访问性。

📝 摘要（中文）

针对无家可归者（PEH）在获取社区服务信息方面面临的重大障碍，DreamKG提出了一种知识图谱增强的对话系统。该系统基于关于费城组织、服务、地点和时间的经过验证的最新数据来生成回复。与容易产生幻觉的标准大型语言模型（LLM）不同，DreamKG结合了Neo4j知识图谱和结构化查询理解，以可靠地处理位置感知和时间敏感的查询。该系统执行空间推理以进行基于距离的推荐，并进行时间过滤以确定营业时间。初步评估表明，在相关查询上，DreamKG比Google Search AI优越59％，并且能够拒绝84％的不相关查询。该演示突出了混合架构的潜力，该架构将LLM的灵活性与知识图谱的可靠性相结合，从而有效地改善了弱势群体的服务可访问性。

🔬 方法详解

问题定义：论文旨在解决无家可归者难以获取及时、准确的社区服务信息的问题。现有方法，特别是依赖大型语言模型的方法，容易产生幻觉，无法保证信息的准确性和时效性，难以满足无家可归者对位置感知和时间敏感信息的需求。

核心思路：论文的核心思路是将大型语言模型的灵活性与知识图谱的可靠性相结合。通过知识图谱存储和管理结构化的社区服务信息，利用LLM进行自然语言理解和生成，从而提供准确、可靠且易于访问的服务信息。

技术框架：DreamKG系统主要包含以下模块：1) Neo4j知识图谱，用于存储和管理费城地区的社区服务信息，包括组织、服务、地点和营业时间等；2) 结构化查询理解模块，用于将用户的自然语言查询转换为知识图谱查询；3) LLM驱动的对话生成模块，用于根据知识图谱查询结果生成自然语言回复；4) 空间推理模块，用于进行基于距离的推荐；5) 时间过滤模块，用于确定服务的营业时间。

关键创新：该论文的关键创新在于将知识图谱与大型语言模型相结合，构建了一个混合架构的对话系统。与传统的基于LLM的对话系统相比，DreamKG能够提供更准确、可靠的服务信息，并能有效处理位置感知和时间敏感的查询。

关键设计：DreamKG使用Neo4j作为知识图谱数据库，并设计了相应的图谱结构来存储社区服务信息。结构化查询理解模块的具体实现细节未知，但推测使用了某种形式的语义解析或信息抽取技术。LLM的选择和训练细节未知，但需要保证LLM能够有效地利用知识图谱查询结果生成自然语言回复。空间推理模块可能使用了地理信息系统（GIS）相关的算法来计算距离。时间过滤模块则根据知识图谱中存储的营业时间信息进行过滤。

📊 实验亮点

初步评估显示，DreamKG在相关查询上的表现优于Google Search AI 59%，并且能够拒绝84%的不相关查询。这些结果表明，DreamKG能够提供更准确、可靠的服务信息，并能有效过滤掉不相关的信息，从而提高用户体验。

🎯 应用场景

DreamKG可应用于改善弱势群体（如无家可归者）获取社区服务的可访问性。该系统可扩展到其他城市和地区，并可应用于其他领域，如医疗保健、教育和就业服务。未来，该系统可以集成更多的个性化功能，以更好地满足用户的特定需求。

📄 摘要（原文）

People experiencing homelessness (PEH) face substantial barriers to accessing timely, accurate information about community services. DreamKG addresses this through a knowledge graph-augmented conversational system that grounds responses in verified, up-to-date data about Philadelphia organizations, services, locations, and hours. Unlike standard large language models (LLMs) prone to hallucinations, DreamKG combines Neo4j knowledge graphs with structured query understanding to handle location-aware and time-sensitive queries reliably. The system performs spatial reasoning for distance-based recommendations and temporal filtering for operating hours. Preliminary evaluation shows 59% superiority over Google Search AI on relevant queries and 84% rejection of irrelevant queries. This demonstration highlights the potential of hybrid architectures that combines LLM flexibility with knowledge graph reliability to improve service accessibility for vulnerable populations effectively.