ScholarSum: Student-Teacher Abstractive Summarization via Knowledge Graph Reasoning and Reflective Refinement
ScholarSum：基于知识图谱推理与反思精炼的学生-教师摘要生成框架
🧭 LLM 摘要生成 · 事实一致性优化
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China
通过分层知识图谱引导的学生-教师迭代框架，同时提升科学文献摘要的流畅性和忠实性
📌 工作参考价值
- 商品文案生成的可信度增强：在生成商品描述或广告文案时，可借鉴分层知识图谱捕捉商品属性与卖点间的全局关系，再通过学生-教师迭代核对，确保文案不出现与商品实际信息不符的“幻觉”。
- 用户评论摘要的事实校验：为海量用户评价生成总结时，可以引入类似教师模型的检查步骤，识别无证据支持的概括，并触发重新检索原始评论进行改写，提升摘要的忠实度。
- 检索增强生成（RAG）中的迭代精炼：在电商知识问答或搜索导购场景，可将 ScholarSum 的反思机制嵌入 RAG 流程——先生成答案草案，再由独立评估器检查每个陈述是否有检索片段支撑，发现无依据内容后定向重查与重写，显著提高答案可信度。
- Agent 系统的事实验证模块：在多智能体协作架构中，可以专门设计一个“事实核查 Agent”，像教师模型一样审视其他 Agent 生成的文本，通过检索源头证据进行反驳和修正，提升整体输出的可靠性。
动机：科学文献摘要需要同时具备语言流畅性和事实一致性，但现有提取式方法破坏逻辑连贯，LLM 生成式方法则常出现事实偏差。为此，提出 ScholarSum，模拟学生-教师写作过程，以同时优化两者。
方法关键点：
- 分层知识图谱构建：将文档分割成语义连贯的片段，并构建分层知识图谱，通过多层社区结构自动捕捉文档的全局逻辑和宏观主题。
- 学生生成草案：在图结构引导下，学生模型（基于 LLM）生成初始摘要草案，确保主题覆盖完整。
- 细粒度证据检索与反思精炼：教师审阅者（另一个 LLM）迭代检查草案中的每一陈述，识别缺乏原文依据的内容，并触发针对性重新检索和局部重写，直到所有陈述都能被原文支持。
关键结果：在多个科学摘要基准测试中，ScholarSum 在摘要的完整性（ROUGE 等）和事实一致性（FactCC 等）指标上均大幅超越之前的基线方法，验证了知识图谱全局建模与反思精炼机制的有效性。