Graph2Idea:Retrieval-Augmented Scientific Idea Generation with Graph-Structured Contexts

📄 arXiv: 2606.09105v1 📥 PDF

作者: Xu Li, Hanzhe Tu, Xun Han

分类: cs.AI

发布日期: 2026-06-08

💡 一句话要点

提出Graph2Idea以解决科学研究创意生成中的文献关系识别问题

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

关键词: 知识图谱 科学创意生成 大型语言模型 文献检索 信息提取 研究方向识别 创新技术

📋 核心要点

  1. 现有基于LLM的方法在生成研究创意时，依赖的文献证据通常是平面文本，导致信息冗余和相关性不足。
  2. Graph2Idea通过构建知识图谱，将检索到的文献转化为结构化知识三元组，明确文献之间的关系，提升创意生成的质量。
  3. 实验结果显示，Graph2Idea在新颖性、质量和可行性方面均有显著提升，分别从0.45提高到0.52，0.24提高到0.29，以及0.22提高到0.28。

📝 摘要（中文）

生成新颖、可行且高质量的研究创意是科学发现中的一项重要而具有挑战性的任务。近年来基于大型语言模型（LLM）的方法通常通过检索文献来支持创意生成，但检索到的证据通常以平面文本形式提供，如标题、摘要或总结。这种平面上下文可能包含冗余或相关性较弱的信息，同时使得跨论文之间的问题、方法、机制和发现的关系难以识别和追踪。为了解决这一挑战，本文提出了Graph2Idea，一个知识图谱引导的框架，用于增强科学创意生成。Graph2Idea首先根据输入主题检索论文，将其转换为结构化的知识三元组，并动态构建以目标为中心的知识图谱，以明确文献关系。然后提取保留目标相关关系证据的紧凑图谱派生上下文，同时减少噪声文本输入。基于这些上下文，采用两阶段生成过程，首先识别有前景的研究方向，然后引导LLM从图谱基础证据中综合候选创意。实验结果表明，Graph2Idea在科学创意生成基准测试中优于代表性基线。

🔬 方法详解

问题定义：本文旨在解决科学研究创意生成中，现有方法依赖平面文本文献证据导致的信息冗余和关系不明确的问题。

核心思路：提出Graph2Idea框架，通过构建知识图谱来增强创意生成过程，使文献之间的关系更加明确，从而提高生成创意的质量和相关性。

技术框架：Graph2Idea的整体架构包括文献检索、知识三元组构建、知识图谱动态构建、上下文提取和创意生成五个主要模块。首先根据输入主题检索相关文献，然后将文献转化为知识三元组，构建知识图谱，提取相关上下文，最后生成创意。

关键创新：最重要的创新在于通过知识图谱明确文献之间的关系，克服了传统方法中平面文本导致的冗余和信息丢失问题，使得生成的创意更加新颖和可行。

关键设计：在模型设计中，采用了动态构建知识图谱的策略，确保提取的上下文紧凑且相关，同时在生成过程中引入了两阶段的生成策略，以确保生成的创意具有更高的质量和可行性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，Graph2Idea在科学创意生成基准测试中表现优异，相较于最强基线，新颖性从0.45提升至0.52，质量从0.24提升至0.29，可行性从0.22提升至0.28，显示出图谱结构证据在创意生成中的重要作用。

🎯 应用场景

该研究的潜在应用领域包括科学研究、技术创新和学术写作等。通过提供高质量的研究创意生成工具，Graph2Idea能够帮助研究人员更高效地识别研究方向，推动科学发现和技术进步。未来，该方法可能在各类科研领域中得到广泛应用，提升研究效率和创新能力。

📄 摘要（原文）

Generating novel, feasible, and high-quality research ideas is an important yet challenging task in scientific discovery.Recent Large Language Model (LLM)-based methods often ground idea generation with retrieved literature, but the retrieved evidence is usually provided as flat text, such as titles, abstracts, or summaries. Such flat contexts may contain redundant or weakly relevant information, while making cross-paper relations among problems, methods, mechanisms, and findings difficult to identify and trace.To address this challenge, we propose Graph2Idea, a knowledge graph-guided framework for retrieval-augmented scientific idea generation.Graph2Idea first retrieves papers according to the input topic, transforms them into structured knowledge triples, and dynamically constructs a target-centered knowledge graph to make literature relations explicit.It then extracts compact graph-derived contexts that retain target-relevant relational evidence while reducing noisy textual input.Based on these contexts, a two-stage generation process first identifies promising research directions and then guides the LLM to synthesize candidate ideas from graph-grounded evidence.Experiments on a scientific idea generation benchmark show that Graph2Idea outperforms representative baselines under the automatic evaluation protocol.Compared with the strongest baseline scores, it improves Novelty from 0.45 to 0.52, Quality from 0.24 to 0.29, and Feasibility from 0.22 to 0.28.These results suggest that graph-structured evidence helps LLMs generate research ideas through more explicit, compact, and traceable recombination of prior scientific knowledge.