知识导航器：基于大型语言模型的科学文献探索性搜索框架
内容提要
本文介绍了基于大型语言模型和知识图谱的学术文献检索系统，如AI Research Navigator和NLP-KG，旨在提高文献搜索的效率和准确性。这些系统利用自然语言处理和图结构导航，帮助用户更好地探索和理解不同领域的研究文献，促进跨学科知识整合，显示出在信息检索中的显著潜力。
延伸解读
从关键词到知识图谱：检索范式的演进
文章梳理了多个系统，显示学术检索正从传统关键词匹配转向结合神经检索与知识图谱的探索式搜索。例如AI Research Navigator支持多级文本粒度搜索，DiscoverPath则通过提取术语和关系构建生物医学知识图谱。这种演进旨在帮助用户发现文献间的深层关联，而不仅是返回文档列表。
大语言模型如何改变文献探索方式
多个系统利用大语言模型增强交互与理解。NLP-KG提供语义搜索和聊天接口，DiscipLink能根据用户兴趣提出探索性问题并自动扩展查询，SciLitLLM通过持续预训练与监督微调提升科学文献理解。这些尝试表明，大语言模型正从答案生成工具转变为辅助用户探索未知领域的协作伙伴。
跨学科知识整合的潜力与当前局限
文章强调这些系统旨在促进跨学科知识整合，帮助研究者理解不同领域间的关系。然而，ResearchArena的初步评估显示，大语言模型代理在学术调查中表现不及基于关键词的检索技术。这说明尽管前景可观，但当前系统在信息发现、选择和组织的可靠性上仍有提升空间。
Q&A
AI Research Navigator的主要功能是什么？
AI Research Navigator结合传统关键词搜索和神经检索，提供多级文本粒度的搜索，增强文献发现和组织能力。
DiscoverPath系统专注于哪个领域的研究？
DiscoverPath系统专注于生物医学研究，提供高效的文章检索和跨学科知识探索。
MMAPIS系统是如何增强学术论文解读的？
MMAPIS通过混合模态预处理和对齐模块，利用LLMs进行节内和节间的摘要，提供多样化用户界面。
NLP-KG系统的主要功能是什么？
NLP-KG系统支持在自然语言处理领域进行语义搜索，帮助用户探索不同领域的研究文献。
DiscipLink系统如何促进跨学科知识整合？
DiscipLink系统根据用户兴趣提出探索性问题，帮助用户有效检索和筛选相关文献，打破学科界限。
SciLitLLM的创新策略是什么？
SciLitLLM结合持续预训练与监督微调的混合策略，以增强模型在科学领域任务中的表现和理解能力。
