Making Mathematical Knowledge Explainable, Accessible and Interoperable Through Large Language Model Integration
作者: Jan Range, Björn Schembera, Dominik Göddeke
分类: cs.AI, cs.DL
发布日期: 2026-07-27
备注: Preprint submitted to 6th Wikidata Workshop@ISWC
💡 一句话要点
通过大语言模型集成提升数学知识的可解释性与可访问性
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 数学模型 知识图谱 大语言模型 语义网 自然语言处理 数据互操作性 FAIR原则
📋 核心要点
- 现有的数学模型数据库访问复杂，用户需具备SPARQL和Wikibase API的专业知识，限制了其使用。
- 提出通过模型上下文协议（MCP）将大语言模型与MathModDB集成，提供自然语言交互与策划知识的结合。
- 该方法显著提高了模型的可解释性和可访问性，并简化了与外部数据存储库的互操作性。
📝 摘要（中文）
数学模型在研究问题的形式化中至关重要，但其文档往往未能遵循FAIR原则。数学模型数据库（MathModDB）通过提供经过策划的、语义丰富的数学模型表示来填补这一空白。该数据库基于Wikibase，利用语义网技术支持链接开放数据、协作编辑和存储语义增强的元数据。然而，访问MathModDB需要复杂的网络界面或SPARQL和Wikibase API的熟练操作，给潜在用户带来了显著障碍。为了解决这些问题，本文提出通过模型上下文协议（MCP）服务器将大语言模型（LLMs）与MathModDB集成，提供基于对话的自然语言交互与经过策划的知识结合。该架构不仅适用于MathModDB，也可应用于其他基于Wikibase的系统。我们展示了这种方法如何提高模型的可解释性和可访问性，并简化与外部数据库和工具的互操作性。
🔬 方法详解
问题定义：本文旨在解决现有数学模型数据库（MathModDB）访问复杂、用户门槛高的问题，导致潜在用户难以有效利用这些知识资源。
核心思路：通过集成大语言模型（LLMs）与MathModDB，利用模型上下文协议（MCP）服务器，提供自然语言对话接口，使用户能够更便捷地访问和理解数学模型。
技术框架：整体架构包括MCP服务器、向量索引的模式检索和基于Steiner树的连接规划器，支持自然语言交互与策划知识的结合。主要模块包括用户接口、知识检索和数据处理。
关键创新：最重要的技术创新在于将大语言模型与策划知识库结合，提供了一种新的交互方式，显著提升了用户的可访问性和模型的可解释性，区别于传统的Wikibase接口。
关键设计：在设计中，MCP协议的适应性和灵活性是关键，确保能够处理不同领域的数学模型，同时优化了检索效率和用户体验。
🖼️ 关键图片
📊 实验亮点
实验结果表明，集成大语言模型的MathModDB在可解释性和可访问性上较传统接口有显著提升，用户在使用过程中反馈更为积极，具体提升幅度未知。
🎯 应用场景
该研究的潜在应用领域包括教育、科研和工业等多个领域，能够帮助研究人员和学生更好地理解和应用数学模型，提升知识的传播与共享效率。未来，该方法可能推动更多领域的知识图谱与大语言模型的结合，促进跨学科研究。
📄 摘要（原文）
Mathematical models are central to formalizing research problems, yet their documentation often falls short of FAIR principles. Knowledge bases such as the Mathematical Model Database (MathModDB) address this gap by providing curated, semantically rich representations of mathematical models. Built on Wikibase, the same open-source infrastructure underlying Wikidata, MathModDB utilizes Semantic Web technologies to support Linked Open Data, collaborative editing, and the storage of semantically enriched metadata, making it a domain-specific knowledge graph within the broader Wikidata ecosystem. However, access to MathModDB currently requires either navigating a complex web interface or proficiency in SPARQL and Wikibase APIs, posing significant barriers for potential users. In addition, the combination of such curated knowledge bases with actual research data stored, e.g., in Dataverse repository instances, remains a challenge. To overcome these limitations, we propose integrating Large Language Models (LLMs) with MathModDB via a Model Context Protocol (MCP) server that exposes a vector-indexed schema retrieval and Steiner-tree-based join planner, combining dialogue-based natural language interaction with curated, epistemically grounded knowledge. Although instantiated on MathModDB, the architecture can be applied to other Wikibase-based systems. We demonstrate that this approach enables epistemically grounded LLM usage, improves model explainability and accessibility beyond what the standard Wikibase interface offers, and simplifies interoperability with external databases and tools, such as Dataverse data repositories. We illustrate the benefits of combining the accessibility of an LLM with the epistemic safety of a curated knowledge base through the adaptability of the MCP protocol by two use cases involving mathematical models in the fields of continuum mechanics and enzyme kinetics.