本研究提出了一种新型因果知识图谱（CKGs），将因果语义融入知识图谱中，提升推理能力并支持因果推断。结果表明，该方法能够高精度重现已知的不良药物反应，并发现新的候选项，具有重要的临床应用价值。

本文回顾了大型语言模型（LLMs）在图形应用中的优缺点，提出了新的分类法，并探讨了其在心理学和金融等领域的潜在应用。研究表明，结合因果知识图谱和LLMs可以自动生成新假设，提升知识图谱的准确性和解释性，为未来研究提供新方向。

研究者结合因果知识图谱和大型语言模型，提出了一种计算假设生成方法。通过分析心理学文章，生成了130个关注“幸福”的心理学假设。结果显示，该方法在新颖性方面明显超过仅使用大型语言模型生成的假设，为心理学研究中基于数据的假设生成提供了新的丰富范式。