FIRME：基于注册锚定记忆图演化异构投资者知识
🧭 Agent 持久记忆 · 实体对齐知识图谱
The Vanguard
用注册锚定记忆图解决知识图谱中同一关系表面形式不同导致的历史碎片化问题，提升跨期实体对齐与证据积累
📌 工作参考价值（4 点）
- 可借鉴 registry-anchored 的实体管理思路：在电商/推荐场景中，同一商品、用户、话题常以不同表面形式出现在搜索、评论、会话、交易等来源，建立 canonical identity + persistent alias 的注册表能避免关系历史碎片化，让跨渠道、跨会话证据持续积累。
- deterministic updates 对强化、休眠、再激活的总结方法可以迁移到用户兴趣或商品热度的时间衰减模型：不依赖重训 embedding，而是在图谱层维护带时间戳的聚合状态，降低工程复杂度。
- rule-based fusion 结合固定 ontology 的做法可作为轻量级替代：在没有大量标注的情况下，把非结构化文本（如客服对话、商品评论）与结构化信号（如购买、现金流）对齐，适合快速搭建可解释的领域知识层。
- 关注 provenance 与 round-trip 诊断：在 Agent 或 RAG 系统中输出必须可溯源，FIRME 保留 source/time/context 并提供提取忠实度检验，这对线上推荐解释、风控审计有直接参考价值。
GraphRAG 自动化富集分析：高效多数据库 ORA 提取与生物解释
🧭 GraphRAG 加速 ORA 并提升解释忠实度
Graduate School of Information Science and Technology, The University of Osaka, Japan · The First Affiliated Hospital of China Medical University, China
将多基因集库建成术语-基因知识图谱，用紧凑证据子图驱动 LLM 生成可溯源解释，查询提速 37 倍且忠实度最高 0.90
📌 工作参考价值（4 点）
- 多源标签整合：把商品属性、类目、场景、用户标签建成统一实体关系图，用共享实体连接分散的标签体系，便于跨源召回和解释。
- 证据子图检索：给 LLM 提供紧凑连通子图而非平铺 top-k 文档，可降低上下文噪音并提升推荐理由/广告文案生成的事实一致性。
- claim-level 忠实度评估：逐条校验生成声明是否被图谱边路径支撑，可作为 RAG/Agent 输出质量监控指标，适合落在 pipeline 里自动打分。
- 查询加速：图式预计算+子图检索相比逐库查询显著提速，可用于实时推荐解释或 Agent 工具检索的缓存设计。
因果引导的知识图谱检索 Agent 用于问答
🧭 Agent 因果检索 · 知识图谱 QA ★ 深度解读
University of North Carolina at Charlotte
提出 CARA，以证据对回答的因果贡献替代纯文本相似，引导 KG 检索 Agent 并融合多轨迹
📌 工作参考价值（4 点）
- 在电商商品知识图谱或导购 Agent 中，把召回/排序的相似度信号替换或补充为因果相关性评分：对候选商品/证据问“加入它是否实质性改善对用户 query 的回答/推荐，去掉它是否损失关键证据”，可有效过滤“相关但不必要”的商品，减少推荐噪音，尤其适合长尾 query 和复杂约束场景。
- 采用多 Agent 并行探索 + RRF 融合：多个 agent 用不同初始锚点和子查询独立遍历，最后用 reciprocal rank fusion 聚合，比简单的 count-based vote 更鲁棒；可迁移到多策略召回/多路搜索融合，成本可控且提升召回稳定性。
- 聚焦探索与成本控制：因果评估能减少无效 hop 和工具调用，但会引入 LLM 评估延迟；业务落地时可对候选批量评估、只对 top-k 邻居调用因果模块，或用轻量模型/规则做初筛后再评估，在效果与延迟间取平衡。
- 论文在 STaRK 的 AMAZON 电商数据集上验证有效，其 causal prompt 设计（明确“不是文本相似”，给出 0-0.2 无关、0.9-1.0 决定性等评分量表）可直接参考迁移到电商 QA、导购知识库检索等场景。
知识图谱即文件：工具创建与使用协同演化的 Agent Harness
🧭 Agent 知识图谱搜索与工具演化 ★ 深度解读
Texas A&M University · University of Oregon
让 LLM 直接读写完整节点/边文件并现场编写图访问代码，训练自由即在 STaRK 上超越最强基线
📌 工作参考价值（4 点）
- 对文本富商品/内容知识图谱，不要只提供固定的 neighbors/get_node/search 工具（截断 top-k 易漏掉关键证据）。可把完整节点记录和边表导出为 jsonl/tsv 文件，让 agent 直接用 shell/grep/Python 做任意图访问，避免预定义 API 的证据瓶颈。
- 大输出存文件：多跳遍历或全节点扫描常超出上下文，可把完整输出写入 scratch 文件，只给模型看 head/tail 和大小提示，后续代码再搜索/过滤完整输出。这个 trick 对电商商品大量评论、论文摘要、知识图谱邻居列表等场景很实用。
- 允许 agent 在一个任务内多轮编写并修订 Python 程序，而不是只允许单次代码生成或纯工具调用。消融显示多轮编程相比单次程序提升约 6.2 overall H@1，相比 shell-only 提升 6.9 点；单次程序只恢复约十分之一增益。
- 让执行反馈驱动工具演化：保留历史代码和输出文件，复用前面程序出现的节点 ID，失败后优先修订上一程序。trajectory 中 48.4% 的程序包含前序输出里的 ID，失败后 88.6% 的下一程序会修订上一程序；更强模型会更早编程、更多复用输出、更高修订率。
定位、判断、阅读：基于知识点索引的角色专用工具智能体用于开放域多模态文档问答
🧭 角色分工的多 Agent 文档 QA ★ 深度解读
Metask Lab
按任务拆分搜索与阅读智能体、代码强制第二跳，在三个文档 QA 基准上显著超越现有系统
📌 工作参考价值（4 点）
- 搜索与阅读工具物理隔离：在电商商品库/文档客服 Agent 中，可把「找商品/找片段」和「读详情/规格」拆成两个 agent，Reader 不挂搜索工具，避免模型无限搜而不读；论文显示单 agent 全工具且双倍轮数反而低 1.9 F1。
- 类型化证据池：多模态业务里图片/表格在文本排序中分数低容易被淘汰；建议按 text/image/table/example 分池并各自设 cap，每次搜索保护 top-K，合并所有搜索的排名，这能显著保住图表证据。
- 代码级桥接判断：不要靠模型自己发现缺少第二跳文档；在检索后加一个固定 prompt 检查是否覆盖所有 hop，缺失则定向补搜 1-2 次。在 MultiHop-RAG 上这是最大单项提升来源，「all evidence found」从 50.6% 升到 65.1%。
- 轮次预算观察：4+4 后基本平台，延迟主要随模型调用数而非语料规模增长；工程上可设 Locator/Reader 为 cap 上界，让模型提前停，保证首 token 快。对需要多跳属性补全的推荐解释/导购 Agent 有直接可复制性。
面向法律推理的可验证检索：结构驱动知识图谱
🧭 RAG · 知识图谱结构化检索
Technische Hochschule Ingolstadt
用结构驱动解析构建法律知识图谱，比较多种 KG 感知分块与检索策略以提升引文检索准确性
📌 工作参考价值（4 点）
- 可将结构驱动解析迁移到电商/广告领域：基于商品类目树、属性 Schema、活动规则等层级结构构建 KG，替代固定长度分块，提升召回语义完整性。
- 在客服导购 Agent 或规则问答系统中，要求输出附带来源证据（如具体条款、商品属性路径），实现可验证引用，降低幻觉风险。
- 混合检索策略可借鉴：先经 KG 导航缩小候选范围，再做向量相似度匹配，平衡精确性与召回率，适合规则密集、文档规模大的场景。
- 对生成式推荐中的可解释性有参考意义：生成 item/文案时绑定结构化来源，便于后续审计与用户信任建立。
SPRIG：语义ID增强路径的知识图谱生成式推荐
🧭 生成式推荐 · Semantic ID + KG path ★ 深度解读
Johannes Kepler University Linz · Albatross AI · Criteo AI Lab · Linz Institute of Technology
首次在KG路径推理生成式推荐中将物品表示为层级语义ID，统一共享词表，以更少参数实现更强推荐
📌 工作参考价值（4 点）
- 商品/广告ID语义化：用内容embedding + residual K-means生成层级Semantic ID（如3层×256码），替代原子item token，词表从|I|降至固定768，大catalog下可省~24x参数，相似商品共享前缀利于长尾与冷启动。
- 两阶段路径语言建模：先在无协同信号的通用KG路径上预训练，再在用户-物品路径上微调；推理用diverse beam search（60 beams/5组/diversity penalty 0.4）生成路径并按路径log-likelihood排序候选商品。
- 量化器选择：residual K-means优于RVQ/RQ-VAE但差距仅~1%，可优先选简单方案；模型对底层item特征质量敏感，需先保证内容表征质量。
- 若业务有商品知识图谱（类目/品牌/属性关系），值得将KG路径生成与SID结合，而非单独用SID或单独用KG；两者互补，在稀疏数据集上提升明显。
跟随实体：面向 Agentic Search 的语料地图
🧭 Agent 搜索 · 实体导航层 ★ 深度解读
KAIST · Microsoft
以跨文档实体为锚点构建离线可复用导航层，提升多文档 Agent 搜索证据发现并降低 token 消耗
📌 工作参考价值（4 点）
- 把经常跨文档出现的业务实体（商品、活动、商家、项目）离线解析成 Entity Page，作为 agent 可读文件挂到原语料旁；查询时让 agent 从实体页跳到相关文档，而不是每次都重新 grep/搜索，能稳定节省 34%–57% token。
- 构建实体-文档二部图，而不是树形分类；同一文档可挂在多个实体下，避免 Corpus2Skill 这类层次聚类把相关证据拆散的问题，电商知识库中「活动/商品/商家」多对多关联尤其适合。
- 离线构建可用 GLinker/GLiNER 等无 LLM 方案替代，成本低且可跨 LLM 复用；新增文档时增量更新 registry 并只重渲染受影响 Entity Page，适合持续增长的电商文档/工单/商品库。
- Entity Page 将事实逐条归因到源文档，agent 读取页面后能沿链接打开源文档验证，减少幻觉；也可作为权限/隐私过滤边界，按权限生成分离 map。
PIA：将健康对话转为记录并将记录转为理解的个人智能体
🧭 Agent 结构化长期记忆与读写决策
KAIST · NAVER Corp.
提出个人智能体记忆系统，自主决定读写，将对话转为类型化临床记录并合成轨迹级理解
📌 工作参考价值（4 点）
- 结构化事实抽取：用户特征/行为事件先落 schema 化字段（事件日期/数值/类别/来源），不要全用 embedding top-k；便于后续聚合、筛选和趋势计算。
- 读写解耦与自主决策：让 agent 根据请求类型判断是否需要写记录、读哪些结构，减少无效检索与上下文污染；可在推荐对话/导购 Agent 中分离“用户画像写入”和“上下文读取”路径。
- 时间与别名归一化：相对时间“昨天/上周”必须解析为绝对时间戳；商品/活动名、用户标签做 alias dictionary 和规则映射，避免 LLM 随意解读。
- 因果去噪：对生成的 causal links 用静态规则先过滤结构噪声，再进入下游推理；业务中可用活动规则/类目约束过滤无意义关联。
Agent 记忆在模型升级后是否可用：记忆可移植性对照研究
🧭 Agent 记忆可移植性评测
LinkedIn
对照评测四种 Agent 记忆格式在模型升级后的可移植性，证明固定 schema 知识图谱最稳，NOTES 与 RAG 需重建或保留原始历史
📌 工作参考价值（4 点）
- 生产级 Agent 记忆若可能经历模型升级，优先用固定 schema 的 KG 而非自由文本 NOTES；KG-fixed 在 writer swap 下 accuracy 几乎不变，能避免模型耦合导致的隐性遗忘。
- RAG 记忆系统升级 embedding 模型时，不要在同一个索引里混用新旧 embedding：50/50 混合只拿到 4.96pp 增益，会丢掉全量 re-embedding 的 11.90pp 大部分收益。应隔离版本化 embedding 空间，新模型向量写入独立索引。
- 只保留压缩后的 NOTES 不够：模型升级后 store-only repair 在 48 个用例中全都达不到 90% 恢复目标；必须同时保留原始 source history，才能在检索或解读出错时重新构建记忆。
- 记忆迁移评估必须做方向特异性测试：NOTES 迁移出现 +9.91 与 -13.28pp 的非对称变化。训练/评测 pipeline 里不要只测 A→B，要把 B→A 也纳入回归项。
面向文学知识处理的神经符号时空 GraphRAG 框架
🧭 神经符号时空 GraphRAG 与可验证 QA
Joint Laboratory for Port Big Data and Intelligent Applications, Dalian Ocean University
提出整合时空约束与动态子图检索的 NS-ST-GraphRAG，并发布红楼梦多跳 QA 基准
📌 工作参考价值（4 点）
- 按查询时空范围选择有效图状态：电商/推荐场景中，商品属性、价格、库存、活动规则都有明确时效；可以借鉴论文思路，按时间戳/空间/场景对知识图谱做切片，检索时动态加载匹配版本，避免 RAG 返回过期或冲突信息。
- 本体引导抽取 + 确定性约束检查：在商品知识、活动规则、导购问答等场景，先定义轻量本体（类目、属性、关系、时效），用 LLM 抽取实体关系后，再用规则校验时间范围、数值区间、空间限制等硬约束，降低生成幻觉；适合构建可解释的导购 Agent 或政策问答。
- 可审计的多跳评估方法：论文的机械答案复现、引用忠实度检查、每部分证据跨度设计，可以迁移到内部知识问答或推荐解释评估中；建议对关键业务 QA 采用“规则校验答案 + 独立语义判断”双轨，而不是只依赖 LLM 主观打分。
- 警惕过度设计：实验显示时空 GraphRAG 相比简单窗口基线只有方向性优势但统计不显著；业务上应先用严格 AB 和统计检验验证复杂架构的必要性，避免为了图而图。
KGVoyager：基于 Agent 导航的知识图谱无关问答
🧭 Agent 自主导航知识图谱问答
University of Texas at Arlington
一种知识图谱无关的 Agentic 架构，仅用查询端点和轻量类索引即可动态发现图谱结构并生成 SPARQL，F1 提升约 8 点
📌 工作参考价值（4 点）
- 在电商商品知识图谱问答或智能导购中，可以用“轻量类索引 + 动态探索”替代完整 ontology 硬编码：仅维护类目/一级类索引，让 Agent 在查询端点实时发现属性与关系，适应类目和属性的频繁变更。
- 采用 think-act-observe 循环，将 NL→SPARQL 拆成搜索（term→IRI 映射）、探索（发现 schema）和执行反馈（根据空结果/错误修正），比一次性生成更鲁棒，适合线上自然语言到结构化过滤条件的生成。
- 执行反馈作为信号：让 Agent 根据结果异常自动调整约束，减少人工维护规则；该思路可迁移到推荐系统的标签/属性过滤或动态 query 理解模块。
- 工程上只要求 SPARQL endpoint 可查询，不依赖昂贵的 text-SPARQL 标注对，适合快速冷启动新领域或新类目；轻量类索引也减少 prompt 长度，直接降低 LLM 成本与延迟。
FashionKG-RAG：知识图谱增强的时尚问答检索增强生成
🧭 知识图谱增强 RAG · 时尚问答
构建领域级时尚知识图谱 FashionEcoKG，并设计训练无关的 PG-RAG 框架，通过双粒度路径重排提升时尚问答准确率
📌 工作参考价值（4 点）
- 构建领域知识图谱时不要止步于物品属性/关系，可借鉴 FashionEcoKG 的 agentic 三阶段管道：从权威教材抽取高保真知识核心，再做跨域增强和生成式扩展，捕获电商领域的完整生态（设计、生产、营销、穿搭等），降低 LLM 幻觉。
- PG-RAG 的 Dual-Granularity Path Re-Ranking 可直接迁移到通用 RAG 检索后排序：先用剪枝后的 query skeleton 提升召回，再用原始完整 query 对候选路径逐条做 agentic 审查，兼顾召回和精确率。
- 训练无关（training-free）框架适合快速落地，无需微调 LLM，只需在检索和重排环节做结构化处理，适合电商搜索推荐团队在现有 RAG 管线上增量部署。
- 对时尚/导购类 Agent，可以将领域 KG 作为工具或知识源，结合 skeleton 提取和路径重排，让 Agent 回答“这件衣服适合什么场合”等知识密集型问题时更有依据。
EnSI-RAG：实体结构索引的长文档问答检索增强框架
🧭 长文档 RAG · 实体结构索引 ★ 深度解读
University of Illinois Urbana-Champaign
用实体中心 passage 和 entity-structure index 做检索句柄，把证据定位与答案生成解耦，提升长文档 QA 精度
📌 工作参考价值（4 点）
- 商品/店铺知识库构建：不要用固定 chunking；对每个商品/SKU/商家建实体中心 passage，抽取 type + property/relation/aspect（如价格、规格参数、店铺关系），用 [entity][type][field:value]→psg_id 建离线索引。线上从原始 passage 生成答案，避免表格拆散、属性与值分离。
- 多跳对比/选购问答：把同类商品对比、品牌关系、优惠条件建模为 relation 或双向 relation（如替代品、配件、belongs_to），保留一对多 set-valued 映射而不是折叠成唯一记录；LLM 只做证据合成，不负责搜索。
- 工程实现：offline LLM 抽取成本高但可摊销；online 只需 1 次 retrieval planning + 1 次 generation，适合高 QPS 场景。对商品 spec 表使用 row-level 而非 table-level 粒度；检索深度未必越大越好，可先从小 k 开始调。
- 属性粒度按域选择：标准化粗粒度属性能减少稀疏性，但法律/精确规格类需保留细粒度；电商可对标准品类用粗粒度类目属性，对参数敏感品类保留原始参数名。
在序列推荐中适配知识图谱进行行为去噪
🧭 知识图谱校准的行为去噪 · 序列推荐 ★ 深度解读
Northeastern University, Shenyang, China
用结构化匹配的 KG 证据离线校准样本保留系数，对历史与目标加权去噪，不改动推理模型
📌 工作参考价值（4 点）
- 电商/推荐系统常有商品知识图谱，但直接引入 GNN 会增加推理成本；AdaptedKG 的范式是离线用 KG 为每个训练样本算好保留系数，训练时只做加权，backbone 和推理流程完全不变，非常适合作为现有序列模型或去噪模型的插件。
- 结构匹配采样的去偏思路可以直接复用：对交互项按 popularity、KG degree、linkage status 分层匹配构造背景和参考集，再比较路径覆盖度/支持度，避免高流行度或高连接度 item 天然获得高置信度。
- 目标 loss 重加权公式 r_T = min(1, 2Q(...)) 简单实用：当候选 item 的 KG 支持度低于匹配参考中位数时降低其训练权重，可在电商 CTR/CVR 训练中抑制不可靠点击或误触样本。
- 方法对 SASRec、STEAM、BirDRec、SSDRec 四个 backbone 均有提升，说明这种外部 KG 校准信号与日志内部去噪机制互补，可以作为统一的上游样本置信度模块接入不同推荐模型。
知识引导的智能体框架缓解健康查询中的患者上下文歧义
🧭 知识引导的查询澄清Agent
在LLM前插入知识图谱驱动的澄清Agent，主动追问缺失患者信息，大幅提升下游回答准确性与一致性
📌 工作参考价值（4 点）
- 可在电商搜索/推荐入口前增加轻量级澄清层：用商品知识图谱（属性、类目、场景标签）枚举可能的意图假设，识别区分度最高的缺失属性（如价格带、适用人群、使用场景），生成1-2个针对性追问，而非直接让LLM回答，从而降低用户短查询的歧义。
- 保持下游LLM/推荐模型不变，只需将原始query与收集到的用户上下文拼接成 clarified prompt 注入，避免微调成本；澄清问题由知识图谱驱动，减少无关追问，控制交互轮次。
- 评估澄清效果可借鉴论文指标：对比澄清前后的 Top-1 准确率、Recall@5，以及多次生成结果的预测一致性（如熵或方差），用于衡量上下文补充对模型不确定性的降低。
- 对线上系统可按不确定性触发澄清：先让LLM对query生成候选答案并计算置信度，仅对低置信度或意图分布分散的query启动澄清流程，平衡用户体验与转化率。
Skill2Query：利用技能结构生成伪查询用于Agent技能检索
🧭 Agent 技能检索 · 结构感知伪查询生成 ★ 深度解读
Fudan University · Sun Yat-sen University · Shanghai Innovation Institute · Shanghai Jiao Tong University
将技能文档解析为知识图谱，三阶段生成能力对齐、参数一致的伪查询，提升检索与训练效果
📌 工作参考价值（4 点）
- 对电商/Agent 平台的技能、工具、商品文档检索：不要直接把整篇文档塞给 LLM 生成伪查询；先做结构解析（能力点、参数 schema、使用示例），再分阶段生成，能明显改善参数一致性与能力覆盖。
- 伪查询可同时服务离线索引增强和在线查询扩展：离线对名称/简短描述这类稀疏索引收益最大；在线适合补长尾表达，配合 RRF 融合简单有效。
- 在 fine-tune retriever 前，用 Exec-Pass、Func-Coverage、Distinct-3 等指标筛选结构合法的伪查询，比只追求表面多样性更能提升下游 R@1/nDCG@1。
- 当底层 LLM 推理能力较弱时，高质量技能/工具检索对端到端任务成功率提升更明显；在导购 Agent 或工具推荐中可优先把检索质量做高，而不是依赖强模型硬扛。
Noesis：双向图 RAG 与自适应并行及跨知识库语义发现
🧭 Graph-RAG 架构 · 多跳推理与跨知识库路由
Alpha Cogs
提出解耦 Graph-RAG 架构，结合双向图遍历、AIMD 并发控制、MoE 量化与跨 KB 路由，HotpotQA 超 GraphRAG +27.8 EM
📌 工作参考价值（4 点）
- 知识图谱构建时参考双向遍历 + 带记忆衰减的 context resolver，可改善电商场景中商品详情、用户评价、售后政策等长文本的跨段落关系抽取，尤其适合“多商品对比”“政策条款与商品页关联”等需要跨 chunk 因果链的任务。
- 借鉴 AIMD 并发控制器：将文档 ingestion 或模型服务的并发从固定线程改为类似 TCP 的加性增/乘性减自适应策略，能自动跑满硬件且避免 OOM，适合大促前全量商品知识库刷新。
- MoE 模型上线采用领域感知选择性量化而非全局量化：对高频/关键专家保持高精度，对冷门专家激进量化，可在 12GB 消费级 GPU 部署大模型，降低电商 RAG assistant 或投放助手的推理成本。
- Mesh 的跨 KB 语义路由可直接迁移：多个业务知识库（商品、活动、广告、客服）不必合并成单一大图；路由层做运行时结构发现与自适应阈值切分，让一个较小模型完成跨域多跳推理，适合构建统一购物助手或广告投放问答系统。
MACS：固定目录下可靠对话式电商推荐的混合多智能体框架
🧭 多智能体对话式推荐 · 硬约束确定性执行 ★ 深度解读
Stanford University · University of Southern California · Amazon · Massachusetts Institute of Technology
混合 shopping/merchant 双 agent 架构，用确定性 SQL 约束与跨轮 slot 状态实现最高约束合规与零漂移
📌 工作参考价值（4 点）
- 架构分离防幻觉：LLM 只做语言交互与偏好抽取，产品检索、SQL 过滤、品牌排除、价格/规格硬约束全部由 merchant agent 确定性执行，shopping agent 不直接碰 catalog。这个可以直接迁移到电商 agent 或对话推荐系统，确保不返回目录外商品、不违反品牌排除。
- Session-persistent slot dictionary：把预算、排除品牌、最低规格作为 typed slot 跨轮持久化，支持覆盖（预算更新）与反转（“HP 也可以”），并直接映射到 SQL WHERE；比靠 prompt 记忆可靠得多，适合多轮导购场景。
- 渐进放松 + 显式披露：当硬约束结果 <3 个时，按优先级放松可选规格，但价格上限与品牌排除永不放松；回复中明确告知用户放松了哪些约束。这样既能保证有结果，又不误导用户，对电商推荐体验重要。
- 评估拆分为确定性约束检查 + LLM 文本质量评分：约束用 SQL 验证、品牌用 regex 验证，文本质量用 G-Eval；避免 LLM-as-judge 循环。业务上可以复用这种混合评估框架，快速定位是约束违规还是表达质量差。
CogChat：异构知识图谱增强设计对话 AI 的认知接地
🧭 知识图谱增强对话 · 异构 Graph Transformer
Design AI Lab, Hanyang University · Human-Centered AI Design Institute, Hanyang University
用个人异构知识图谱 + HGT 选择相关节点注入 LLM，提升设计对话的上下文保留与个性化意图理解
📌 工作参考价值（5 点）
- 面向电商/广告/搜索推荐场景的可借鉴点：
- 用户级动态知识图谱做长程上下文：在客服/导购/创意 Agent 中，实时从对话里抽取实体（商品、属性、类目、偏好）与关系，构建个人异构图谱，替代仅依赖 sliding window 的上下文；用 HGT 或轻量图注意力做子图选择，避免全量 KG 造成 prompt 噪声和延迟。
- 同名词/多义词消歧：异构图中实体类型和关系结构可区分同一词在不同上下文（如“苹果”作为品牌或品类），适合电商搜索 query 理解与个性化召回；将图结构注入 LLM 可提升意图识别准确率。
- 主动探测问题生成：借鉴 CogChat 同时生成 intentional 和 exploratory probing questions 的机制，在推荐对话中用于偏好澄清、query 改写建议（如“你指的是 A 还是 B？”），降低用户决策负担并收集偏好信号。
- 工程实现：可用轻量抽取器构建图，HGT 只负责节点打分与选择，LLM 负责最终生成，保持低延迟；先在特定垂直领域（服装、家居、3C）试点，注意图谱更新频率和图谱规模控制。
Mechanist：以AI为科学仪器自主发现智能机制的智能体系统
🧭 AI4Science · 机制可解释性智能体
Zhejiang University
用Agent+知识图谱+方法库自动发现AI模型机制，实现从解释到干预
📌 工作参考价值（4 点）
- 将论文、内部实验构建成「机制知识图谱」，把模型行为、失败案例、分析方法、干预手段结构化沉淀，便于快速定位推荐模型 bias、表征问题或安全风险。
- 借鉴其 32 种方法库的思路，封装一套可复用的因果干预与验证工具（如 activation patching、logit lens 等），让团队能自动生成假设并跑小规模实验，而不是逐个人工排查。
- Agent 的“假设→实验→验证”闭环可用于生成式推荐/搜索的模型诊断，例如排查 Semantic ID 模型是否学到正确的概念层级、跨模态转移是否带偏风险。
- 从机制解释到行为控制（如引导模型生成指定属性输出）的思路，可用于将机制发现转化为可控的推荐策略或生成约束。
代理式混合自顶向下与自底向上的知识图谱生成方法
🧭 Agent 知识图谱构建
Malt, Paris, France
提出结合 LLM 与 Wikidata 的代理式混合管道，实现多语言技能概念的自适应对齐与涌现
📌 工作参考价值（4 点）
- 混合外部知识库（Wikidata）与 LLM 的思路可直接迁移到电商商品属性图谱构建：已有 SPU/属性对应 Wikidata 或 Freebase 实体进行锚定，LLM 负责发现并结构化新属性或长尾品类。
- 代理反思（agentic reflexion）模式用于未匹配概念的迭代恢复，可解决商品描述中不断出现的新词、新属性（如“可折叠”“氮化镓”）无法对齐的问题，工程上可设计类似的检查-再生成-去重闭环。
- 多语言规范化及去重阶段对跨境电商标品属性对齐（如颜色、尺寸）有直接借鉴：先用 LLM 多语言标准化，再基于语义相似度去重，减少人工 mapping 成本。
- 自愈（self-healing）框架与主动策展（active curation）思想可用于实时商品库的质量监控：自动检测失效或低置信度映射并重新调和，保障下游搜索推荐的特征质量。
面向领域数据资产发现的结构化知识基础设施
🧭 企业级RAG：知识图谱引导检索与场景感知排序 ★ 深度解读
Xiaohongshu
基于知识图谱引导检索和场景感知排序，将广告数据资产命中率从19.1%提升至96.6%，Token降低71.6倍
📌 工作参考价值（4 点）
- 知识图谱候选门：借鉴GGR，用领域知识图谱社区划分与同义词扩展做粗召回，将候选集从数千缩至3–15个，再喂给精排模型，既能降低向量检索噪声，又能将LLM Token消耗减少数十倍。
- 双用途结构化标注：设计同时服务检索和生成的文档模板，将“适用/不适用场景”显式标签作为第一类排序信号；特别是“不适用”负向知识，直接贡献25pp的Hit@10提升，可在电商推荐中用于抑制错误匹配、提升可解释性。
- 意图路由机制：构建基于关键词规则+LLM兜底的意图分类器（7类），在毫秒级延迟内实现查询分流，可灵活用于Agent系统中的工具分发或任务路由，无需微调。
- 轻量闭环刷新：LLM自动起草知识补丁，专家一键审批后30秒热加载，既保持知识库天级新鲜度，又避免全自动合并的风险，适用于活动/属性变化频繁的电商知识维护。
面向知识图谱的图语言模型增强检索生成
🧭 图增强检索生成 · 多跳推理
Institute of Computational Linguistics, Heidelberg University · Aleph Alpha Research
微调图语言模型检索器在多跳知识图谱RAG中取得跨领域SOTA，泛化性优于GNN和向量检索
📌 工作参考价值（4 点）
- 图增强召回：在商品知识图谱上构建GLM检索器，将商品、属性、类目作为节点，微调后可直接用于多跳推理类推荐（如“适合露营的防晒帐篷”），提升跨品类泛化。
- 检索器架构选择：单跳场景优先用高效向量检索（如双塔）；涉及多关系推理时改用GLM或GNN检索器，并关注图覆盖度与推理深度的权衡。
- 跨域迁移能力：若业务需快速扩展到新领域（如从服装到美妆），可利用GLM检索器的语言理解优势做zero/few-shot迁移，减少重新标注成本。
- 训练效率与覆盖的平衡：GNN检索器能用更少训练资源达到更高图覆盖率，适合冷启动或图谱频繁更新的场景；GLM检索器在充足数据下随参数量增大性能提升明显，适合主赛道长期投入。
课程对齐知识图谱 K12-KGraph 用于教育LLM评测与训练
🧭 教育LLM课程认知评估与图引导训练
Peking University · Institute for Advanced Algorithms Research, Shanghai · OriginHub Technology · Zhongguancun Academy
构建课程知识图谱并衍生多任务基准，暴露大模型在前提推理等课程认知上的短板，并以图引导数据高效微调
📌 工作参考价值（4 点）
- 在电商知识图谱上复制多任务QA生成：借鉴从领域KG自动衍生Ground/Prereq/Neighbor等任务模板的方式，为电商商品搭配、选购意图、类目归属等场景快速构建大规模评测集，低成本评估模型对商品结构化关系的认知。
- 构建商品认知微调数据：参考K12-Train的图引导监督微调数据生成流程（将节点与关系转为自然语言QA，包括纯文本与多模态图文对），用商品知识图谱合成训练样本，提升LLM在导购、属性问答、搭配推荐解释上的表现。
- 领域特定SFT数据效率极高：实验证明，在相同样本量下，结构清晰的领域SFT数据（K12-Train-Text）碾压等量的通用SFT语料，说明用少量高质量的领域知识图谱衍生数据即可获得明显收益，电商场景可效仿。
- 多模态互补的设计：论文发现文本与视觉监督互补，单独任一都不如联合训练好；在产品搜索推荐中，可同时使用物品图片与结构化文本描述进行对齐训练，增强模型对视觉特征与商品属性的整合能力。
基于强化知识图谱探索的分解学习框架用于事实核查
🧭 推理增强 · 强化知识图谱检索
University of Louisville · Denison University
将声明分解为多个查询，用强化学习优化知识图谱探索策略，事实核查 F1 提升 10–15%
📌 工作参考价值（4 点）
- 复杂查询的分解与推理：电商搜索中用户长尾/多条件意图，可借鉴 Planner LLM 将 query 分解为子问题，再到结构化 KG（商品属性、品牌关系）中检索证据，提升复杂 query 的召回精度和可解释性。
- 用 GRPO 优化检索策略：若需训练 query 改写或检索路径选择模型，可采用 Group Relative Policy Optimization，以最终结果准确性+检索多样性为奖励，避免传统监督信号昂贵的问题，适合在线上持续优化搜索或推荐 agent。
- 知识图谱替代纯文本检索：在 RAG 管线中，用 KG 存储商品/用户结构化信息，由分解后的子查询定向抽取子图，可有效减少 LLM 幻觉，适合需要事实级准确性的场景（如营养成分、尺码对比推荐）。
- 多样性与可审计的设计：奖励中加入结构多样性，能防止检索结果单一化，同时 KG 路径可天然提供审计链，这对电商合规和用户信任构建有直接价值。
将 Agentic Search 引入地球观测数据发现
🧭 Agent 驱动的搜索与重排序 ★ 深度解读
University of Maryland, College Park · University of Florida
利用论文-数据集引用图构建超大评估集，并通过 NN-SSC 域修正+BM25 融合及 Agentic 工具调用将检索精确率提升超 5 倍
📌 工作参考价值（4 点）
- 借鉴引用图谱构造评估集：如将用户实际购买/点击的物品作为 silver label，构建百万级 query-item 对，低成本获得高质量的离线评测数据。
- NN-SSC 轻量域适应：冻结通用 Encoder，仅训练一个 3 层 MLP 头（46 万参数）修正域偏移，可快速部署到任何已有向量召回服务上，成本极低。
- 混合检索的解析融合权重：利用训练集上各检索支路的性能之比（π_n/(π_ℓ+π_n)）自动计算融合系数 α，无需网格搜索，直接用于 BM25+向量分数的凸组合。
- Agentic 重排序提升 GMV：在候选集确定后，让 LLM 自主调用商品百科、用户问答、外部网页等工具补充上下文，可有效解决长尾 query 和歧义商品的排序问题，尤其适合高客单价决策场景。
KG2Cypher: 从企业知识图谱自动构建文本到Cypher系统的数据驱动流水线
🧭 Text-to-Cypher数据合成与模型微调
Sungkyunkwan University · NAVER
利用图谱事实反向生成训练数据，结合候选感知SFT与LoRA高效微调，大幅提升企业级Text-to-Cypher执行准确率
📌 工作参考价值（4 点）
- 合成训练数据：从结构化知识图谱反向生成自然语言查询，可用于商品知识图谱的NL2Query数据增强，低成本构建搜索意图理解训练集。
- 候选感知SFT格式：在输入中加入召回实体列表，提高实体链接准确率，适合需要实体链接的对话式推荐或结构化查询场景。
- 类条件schema提示：按查询类别动态选择相关schema片段，减少prompt长度和噪声，提升多任务查询生成的推理效率和准确率。
- LoRA微调：低成本适配领域专用模型，可在有限标注下快速提升Text-to-SQL/Cypher能力，适用于电商内部分析工具或Agent的图查询模块。
Lacuna：机器学习研究地图
🧭 科研文献知识图谱构建 · LLM Agent
Tiptree Advanced Systems Corporation · Mila · Polytechnique Montreal · McGill University · Universite de Montreal
用LLM将论文转化为可导航研究地图，在文献检索和深度调查报告任务上超越OpenScholar与GPT-Researcher
📌 工作参考价值（4 点）
- 商品知识地图构建：借鉴Lacuna用LLM将非结构化论文转化为结构化摘要、概念、方向的方法，可对商品描述、评论、问答生成商品知识图谱（核心卖点、使用场景、竞品对比、搭配提案），作为推荐系统的可解释索引。
- 多阶段深度推荐代理：Lacuna Deep Research的检索→分析→报告流水线可直接迁移至复杂购物决策场景（如“帮我选一台适合视频剪辑的笔记本”），通过多轮检索商品知识、对比分析、生成个性化购买指南，提升用户体验。
- 可追溯证据增强推荐可信度：每个知识条目保留原始论文链接的设计，可改为在推荐解释中附带用户评论原文、评测视频等来源，增强推荐的可信度与透明度。
- MCP接口集成现有链路：论文开放的MCP接口设计，允许将地图作为工具接入任意LLM代理，电商系统可参照此模式，将商品知识库封装为标准化工具，供客服机器人或购物助手调用。
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（4 点）
- 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。
TechGraphRAG：面向技术文献推理的智能体图增强RAG框架
🧭 Agentic RAG · 多源检索与证据充分性评估 ★ 深度解读
The Goodyear Tire & Rubber Company
提出13步证据门控的智能体RAG流水线，自主评估证据充分性并动态调用外部学术搜索与知识图谱，实现领域文献的可靠推理
📌 工作参考价值（4 点）
- 证据充分性自动评估与门控机制：可迁移至电商客服知识库问答中，当本地检索文档相关性不够时，自动触发外部商品手册或政策数据库搜索，避免在低质量上下文上强行生成答案。
- 混合检索与交叉编码器重排序的组合：在商品推荐或智能搜索场景中，将语义向量检索与关键词匹配按RRF融合后，再经交叉编码器精排，可显著提升长尾查询下的相关性，适合直接引入生成式推荐的候选池。
- 知识图谱结构化关系用于增强回答可解释性：在Agent多智体协作中，构建产品、参数、使用场景等实体图谱，利用图遍历提供关系上下文，使推荐理由可溯源到权威文档或已购用户评价，增强决策可信度。
- 自纠正生成循环与引用验证：可借鉴其“生成后质量检查并自动重生成一次”的思路，在多轮对话推荐中，由小模型检验推荐理由是否基于事实、是否遗漏关键表格数据，提升端到端回答的准确性。
MemGraphRAG：基于记忆的多智能体图检索增强生成
🧭 多智能体协同 · 图检索增强生成 ★ 深度解读
Xiamen University · Jilin University
用三层全局记忆与多智能体协同消除知识图谱构建中的局部噪声与冲突，实现高精度低延迟的图检索增强生成。
📌 工作参考价值（4 点）
- 知识图谱自动化清洗与一致化：电商商品知识图谱常因多渠道爬取导致属性冲突（如价格、规格矛盾），可借鉴记忆层冲突检测‑证据比对‑裁决的多 Agent 闭环，自动合并冗余、修正错误三元组。
- 全局主题过滤防止无关抽取：在构建推荐或问答用知识图谱时，设定 Schema 频率阈值过滤低频噪音，避免局部抽取引入偏离主商品类目的 off‑topic 事实，提升图谱信噪比。
- 结构感知的检索初始化：处理包含海量类目节点的商品图谱时，对高连通度的“类目”节点使用 log‑degree 惩罚初始化，防止 PPR 传播时重要性被泛化节点稀释，确保多跳推理聚焦于具体商品实体。
- 分层记忆检索范式：在生成式推荐或对话中，可按本体 → 事实 → 文本段落逐层召回、过滤，先匹配类目与属性范式再定位具体商品与评论文本，兼顾粗粒度的语义约束与细粒度的证据支撑。
扩散模型图到文本生成的首个解掩码轨迹分析
🧭 扩散语言模型 · 图到文本生成 · 解码轨迹控制
The University of Texas at Arlington
发现掩码扩散语言模型解码时天然优先还原实体，并针对微调破坏策略提出推理时结构词降权修正
📌 工作参考价值（4 点）
- 电商商品描述生成：若采用扩散模型从商品知识图谱生成卖点文案，可借鉴其“实体优先”的天然解码顺序，显式约束先输出关键属性（品牌、成分），再生成连接词，减少幻觉，确保信息完整。
- 扩散解码控制：分析扩散语言模型的 token 解掩码轨迹，可发现业务数据中的类似模式（如首先生成关键实体，末尾为标点/助词），并设计针对性推理干预。λ-scaled structural decoding 提供了一种简单、无需重训的降权方法，可避免过早确定序列长度，防止信息遗漏。
- 多模态结构融合：Graph-LLaDA 的图编码器+扩散解码框架可作为“结构化数据 → 流畅文本”的通用范式，适用于电商中表格数据、订单信息或商品关系图的自然语言生成，比自回归式更易控制实体顺序和覆盖率。
- 避免微调负效应：观察到 SFT 会破坏扩散模型的自然解码策略（过早锚定结构 token），提醒在业务中使用扩散生成模型时，微调可能引入脆弱性，可考虑推理时修正或约束解码来恢复原有优势。
知识导向行为探索：轻量图引导的移动GUI代理
🧭 轻量级GUI Agent行为探索
CUHK MMLab · Huawei Research · Shenzhen Loop Area Institute · CPII under InnoHK
通过自动构建应用知识图，为轻量GUI代理提供结构化行为指导，提升端侧任务可靠性与隐私性。
📌 工作参考价值（4 点）
- 将用户操作流建模为知识图，引导Agent决策，减少对LLM的依赖，提升稳定性和响应速度，适合电商场景中的自动化操作流程。
- 图自动构建方法可用于冷启动或快速适应新业务场景，例如新电商App的自动化测试或客户引导流程设计。
- 轻量模型+图引导的架构适合部署在资源受限的端侧设备，对隐私敏感的推荐交互（如端侧Agent）提供参考。
- 自环和邻居边切换策略可迁移到多Agent协作场景，将复杂任务分解为图谱上的状态转移，降低调度复杂度。
消费级硬件上的GraphRAG：本地部署LLM医疗EHR schema检索评测
🧭 GraphRAG本地部署可行性评估
California Polytechnic State University
在8GB消费GPU上评测GraphRAG，发现7B以下模型无法完成管道，本地检索优于全局摘要
📌 工作参考价值（4 点）
- 图谱RAG部署时，模型参数最好≥7B，否则结构化输出不稳定，易导致管道失败；对电商知识图谱等应用，选型要避开过小模型。
- 本地检索（local retrieval）在延迟和事实准确性上均优于全局摘要，且幻觉更少，适合电商实时问答或隐私敏感场景，可优先采用。
- 知识图谱实体丰富度与最终答案质量解耦，评估时需分开关注索引和生成阶段，不能仅凭图谱规模选模型。
- 消费级GPU（8GB VRAM）足以运行GraphRAG全管道，为中小团队本地化部署生成式搜索或推荐系统提供了成本可行的参考。
SciAtlas：大规模科学知识图谱赋能自动化研究
🧭 大规模学术知识图谱与神经符号检索支持AI智能体
Zhejiang University · University College London
构建含4300万论文、1.57亿实体、30亿三元组的异构学术知识图谱，并设计神经符号检索算法降低智能体推理成本
📌 工作参考价值（4 点）
- 大规模异构知识图谱构建流水线：将多来源、多形态的学术资源统一为实体-关系三元组，可迁移至电商领域构建商品-属性-场景等知识关联，为推荐与搜索提供结构化背景
- 神经符号检索范式：三路协同召回（语义向量、关键词、图结构）结合图重排序，能同时兼顾语义相似与逻辑关联，适合需要可解释性与关联发现的商品推荐、对话Agent等场景
- 用图谱预存逻辑降低Agent幻觉与成本：将复杂推理路径固化于图结构，Agent直接查询而非实时推理，在电商智能客服、趋势分析等场景可大幅降低大模型调用频率与延迟
- 全局视角的任务抽象：文献综述、趋势合成等任务映射到电商即为用户评论摘要、购物趋势洞察、新品定位，可借鉴其认知地图思想构建领域全景分析工具
Falkor-IRAC：基于图约束生成的印度司法AI推理验证框架
🧭 图约束生成 · 法律推理验证
用IRAC知识图谱约束LLM生成，通过可证伪验证器确保法律推理的引用真实与逻辑自洽
📌 工作参考价值（4 点）
- 可证伪验证器（Verifier Agent）模式：生成后由独立代理在图谱中回溯验证路径，可部署于对话推荐系统，对生成的解释或商品推荐理由进行事实核验，杜绝虚假属性拼接。
- 知识图谱约束生成：将领域知识结构化为节点与关系（类似商品-属性-规则图谱），生成时必须匹配图谱中的有效路径，避免LLM自由发挥产生不合规内容，适用于电商合规文案或营销话术生成。
- 冲突检测作为一级输出：推荐系统可借鉴，当多路召回或多目标融合产生矛盾（如“高性价比”与“高端定价”同时出现）时主动暴露，而非强行择优，提升透明度。
- 图原生评估指标：引用接地准确率、路径有效率等指标可迁移至推荐解释评估，衡量解释与知识库的符合程度，替代传统NLP指标，更贴合业务对可信解释的要求。
科学贡献图：基于文献的大规模自动化技术路线图
🧭 科学发现自动化·前提预测
University of Arizona · Allen Institute for Artificial Intelligence
构建200万条科学贡献和1250万条先决边的大规模图谱，并提出科学前提预测任务
📌 工作参考价值（4 点）
- 关系抽取与图谱构建自动化：论文自动从文献抽取贡献并连接先决关系，可迁移到电商商品功能依赖图或产品迭代图谱构建，例如自动识别“某技术A的改进直接依赖于技术B”。
- 前提预测任务设计：预测哪些现有能力能促成未来发现，可类比到电商中预测哪些现有商品属性或技术会驱动下一代爆款，辅助选品和研发决策。
- 时序过滤回测评估：采用时间分割避免未来信息泄露，严格评估预测性能。在推荐系统中评估模型时，可借鉴这种严格的时间感知验证方法，防止数据穿越。
- 大规模自动化常识图构建思路：通过实体链接和句子级关系抽取构建领域知识图谱，可直接复用到电商知识图谱建设（如成分、卖点、适用场景的先决关系）。
IdeaForge：知识图谱驱动的多智能体创新分析与专利生成框架
🧭 多智能体协作与知识图谱融合创新 ★ 深度解读
Independent Researcher, Bangalore, Karnataka, India
将创新方法论建模为共享知识图谱上的异构推理算子，通过跨方法论收敛检测提升创意置信度并实现结构化专利生成
📌 工作参考价值（4 点）
- 多代理+知识图谱架构：在电商推荐等场景中，可分别为用户意图、商品属性、营销策略等设计专用代理，各代理将分析结果写入图谱，通过语义相似度检测交叉收敛，筛选高置信度的推荐，增强可解释性与可追溯性。
- 收敛检测作为集成信号：借鉴跨方法论收敛思想，在Agent协作中让多个独立代理从不同角度推理同一问题，输出经向量相似度匹配，一致的方案自动获得更高权重，类似无监督的集成投票。
- 结构化生成降低幻觉：专利草案生成直接基于知识图谱子图，推荐结果的解释生成也可从结构化的用户-商品-上下文图提取路径，避免自由式LLM生成的不确定性。
- 模型无关的设计：框架使用1.1B小模型即可跑通，证明价值在于图结构化分析而非大模型能力，适合资源受限的工业环境，且可随时替换更大模型提升质量。