GRASP：图推理辅助的综述规划以生成高保真相关工作

# GRASP：基于图推理的调查规划，用于高保真相关工作生成
来源：https://arxiv.org/html/2607.03709
Jessica Ouyang
计算机科学系
德克萨斯大学达拉斯分校
理查德森，德克萨斯州 75080
Haoming\.Li@UTDallas\.edu, Jessica\.Ouyang@UTDallas\.edu

###### 摘要
撰写文献综述需要深入理解所引论文之间的关系：它们如何相互借鉴、挑战或提供替代视角。我们提出了基于图推理的调查规划（GRASP），这是一个将LLM规划用于相关工作生成与图算法相结合的框架，用于提取所引论文之间的关键关系。我们的双层图结构由思维图（Graph of Thoughts）和论点-反论点规划网络（Argument-Counterargument Planning Network）组成，在不同粒度上表示所引论文的内容与关系，并通过施泰纳树（Steiner tree）进行拓扑感知剪枝，以识别图中捕获的核心论文间关系。我们基于引用分析的评估显示，GRASP生成的RWS在引用的语篇角色、意图和分组方面与人工撰写的目标高度一致。

GRASP：基于图推理的调查规划，用于高保真相关工作生成
Haoming Li 和 Jessica Ouyang
计算机科学系
德克萨斯大学达拉斯分校
理查德森，德克萨斯州 75080
Haoming\.Li@UTDallas\.edu, Jessica\.Ouyang@UTDallas\.edu

## 1 引言
进行文献综述是科学研究过程中的重要早期步骤。科学家需要深入理解其领域内的现有工作，以及这些先前工作之间的关系，以便识别其自身研究可以解决的空白、局限和挑战。文献综述的重要性使得专门的相关工作部分成为科学文章的关键组成部分，许多博士项目将其正式文献综述作为候选人资格考试的一部分（Knopf, 2006 (https://arxiv.org/html/2607.03709#bib.bib27)）。跟上不断增长的现有研究并建立已发表文章之间的联系，需要研究人员投入大量时间和认知努力。科学出版物数量呈指数增长（Bornmann et al., 2021 (https://arxiv.org/html/2607.03709#bib.bib28)），导致大多数关于特定主题的论文相对较新（Wang 和 Barabási, 2021 (https://arxiv.org/html/2607.03709#bib.bib29)）。出版物越来越多，越来越专业化，充满术语，且难以阅读（Plavén-Sigray et al., 2017 (https://arxiv.org/html/2607.03709#bib.bib30)），因此需要工具来帮助研究人员将这些论文置于上下文中。大语言模型在单文档摘要方面的成功激发了人们对其自动化复杂学术写作潜力的热情。然而，处理独立、自包含文档的能力，在面临总结一系列相互关联文档（例如将相关论文综合成连贯的文献综述）的挑战时，往往失效。撰写好的文献综述或相关工作部分（RWS）不仅仅是列出所引论文的摘要。它需要更深入地理解论文间复杂的关系网络：它们如何相互借鉴、挑战或提供替代视角。对于当前模型而言，多篇论文的文本量往往超过实际上下文限制，使得保持整体视角并准确捕获论文间关系变得困难（Li 和 Ouyang, 2024 (https://arxiv.org/html/2607.03709#bib.bib31); Liu et al., 2025 (https://arxiv.org/html/2607.03709#bib.bib9)）。然而，这些关系正是人类读者在优质RWS中所看重的（Martin-Boyle et al., 2024 (https://arxiv.org/html/2607.03709#bib.bib33); Li 和 Ouyang, 2025 (https://arxiv.org/html/2607.03709#bib.bib32)）。在本工作中，我们提出了基于图推理的调查规划（GRASP），这是一个将LLM规划方法用于相关工作生成与图算法相结合的框架，用于提取所引论文之间的关键关系。我们的主要贡献如下：
- •我们提出了一种双层图结构，由思维图（Besta et al., 2024 (https://arxiv.org/html/2607.03709#bib.bib23)）和论点-反论点规划网络（Hua et al., 2019 (https://arxiv.org/html/2607.03709#bib.bib10)）组成，以不同粒度表示所引论文的内容及关系。
- •我们引入了共识节点合并和拓扑感知剪枝，以识别图中捕获的核心关系，从而能够生成精炼、高质量且明确聚焦于论文间关系的RWS。
- •我们进行了基于引用分析的评估，应用了引用语篇和意图标注（Li et al., 2022 (https://arxiv.org/html/2607.03709#bib.bib16); Lauscher et al., 2022 (https://arxiv.org/html/2607.03709#bib.bib17)）以及引用聚类评估，证明我们生成的RWS在引用论文的相对重要性和突出方面与人工撰写的目标高度匹配。

我们的代码可在 https://github.com/LVenum/related_work_generation 获取。

## 2 相关工作
### 2.1 聚焦关系型相关工作生成
早期的抽取式RWS生成方法（Hoang 和 Kan, 2010 (https://arxiv.org/html/2607.03709#bib.bib35); Hu 和 Wan, 2014 (https://arxiv.org/html/2607.03709#bib.bib36)等）无法表达所引论文本身未明确讨论的任何关系；早期的生成式工作（Xing et al., 2020 (https://arxiv.org/html/2607.03709#bib.bib37); Luu et al., 2021 (https://arxiv.org/html/2607.03709#bib.bib38)等）由于当时模型长度限制，专注于孤立地生成单个引用论文的引文。最近，Chen et al. (2021 (https://arxiv.org/html/2607.03709#bib.bib18), 2022 (https://arxiv.org/html/2607.03709#bib.bib19)) 使用通过共享关键词节点连接的引用论文图来计算关系感知的引用论文编码。类似地，Wang et al. (2022 (https://arxiv.org/html/2607.03709#bib.bib40)) 使用科学信息抽取系统构建引用论文实体（例如任务、指标等）的知识图谱，并基于显著实体和关系列表生成文献综述。与我们提出的方法类似，这些工作利用图结构来表示引用论文，但图是通过文档编码或关键词列表间接使用的；与我们的方法不同，他们没有直接使用图结构来指导生成。Liu et al. (2023 (https://arxiv.org/html/2607.03709#bib.bib39)) 引入了因果干预模块（CaM）用于相关工作生成，专注于调整表达句子开头引用论文关系的过渡词（例如“此外，…”）的生成概率。然而，他们假设所有相关的引用论文关系都通过这种句首过渡词明确描述，这是不现实的。最后，Li 和 Ouyang (2025 (https://arxiv.org/html/2607.03709#bib.bib32)) 通过总结引用论文在引文网络中的边来提取其特征，而 Liu et al. (2025 (https://arxiv.org/html/2607.03709#bib.bib9)) 通过迭代选择引用论文的部分进行阅读和摘要来遍历（共）引网络，要么继续阅读给定论文的下一部分，要么过渡到相邻论文。这些工作，像大多数基于引文网络的方法一样，只能捕获那些相互引用或共被引的论文之间的关系，因此面临稀疏性和冷启动问题。

### 2.2 规划引导的调查生成
规划引导的方法摆脱了传统的单次生成，将过程重构为“先规划后实现”。Lai et al. (2024 (https://arxiv.org/html/2607.03709#bib.bib21)) 提示LLM按顺序逐步生成整篇调查文章的每个部分，包括小节摘要和子节标题。Wang et al. (2024 (https://arxiv.org/html/2607.03709#bib.bib20)) 构建了一个包含大纲生成、子节起草、整合和精炼的流水线，而 Yan et al. (2025 (https://arxiv.org/html/2607.03709#bib.bib47)) 同样提出了一个包含大纲生成、子节起草以及通过对连接后的子节进行最终编辑来精炼的流水线。这些工作都没有明确关注论文之间的关系，仅依赖训练目标的监督；虽然目标调查应该表达引用论文之间的关系，但它们比RWS长得多，因此可能包含更多针对单个论文的具体摘要内容。

## 3 方法
参见图注
图1：我们提出的框架。引用论文按主题划分，为每篇论文提取一条思维链，将相似的思维合并形成思维图（GoT），并剪枝移除边缘思维。从每篇论文中提取主张，连同论文的GoT节点，用于分类成对引用论文之间的关系，生成论点-反论点规划网络（ACPN）。最后，Writer模块起草、压缩并精炼输出相关工作部分（RWS）。

给定引用论文 \(P\)（不包括目标RWS）和一组引用论文 \(R = \{R_1, R_2, \ldots, R_m\}\)，我们的目标是使用 \(R\) 生成 \(P\) 的RWS。图1 (https://arxiv.org/html/2607.03709#S3.F1) 展示了我们的GRASP框架概览，附录B (https://arxiv.org/html/2607.03709#A2) 展示了我们的LLM提示。

### 3.1 思维图层
我们通过思维图（GoT; Besta et al., 2024 (https://arxiv.org/html/2607.03709#bib.bib23)）将大语言模型（LLM）的语义推理能力与结构引导相结合。虽然LLM擅长提取局部信息，但在宏观结构和主题连贯性方面存在困难。我们通过使用传统图算法剪枝GoT来解决这个问题，仅保留结构骨架和最核心的内容。

#### 3.1.1 主题划分的图构建
RWS通常涵盖不同的主题聚类¹¹我们通过附录A (https://arxiv.org/html/2607.03709#A1) 中的实验验证了这一假设。，因此我们将引用论文集 \(R\) 划分为 \(k\) 个主题特定子集：\(R = \bigcup_{i \in [1,k]} T_i\)，使用LLM提示的聚类方法。为了确保可扩展性和连贯性，我们为每个主题 \(T_i\) 独立构建一个局部推理图 \(G_i\)。

##### 顺序节点提取
在每个主题 \(T_i\) 内，我们使用思维链提示（Wei et al., 2022 (https://arxiv.org/html/2607.03709#bib.bib41)）提取每篇引用论文 \(r_j \in T_i\) 的逻辑工作流。我们优先考虑最可能讨论论文独特贡献的关键部分——摘要、引言和结论——通过将其他部分限制为最多每个部分一个思维，确保大多数提取的思维捕获核心主张而非边缘细节。这些思维形成我们图的顺序节点，通过有向边连接以保持论文内的叙事流。

##### 共识节点形成
为了明确捕获论文间关系，我们使用LLM提示评估 \(T_i\) 中顺序节点对之间的语义相似性。当不同论文的节点表现出显著的语义重叠时，它们被合并为一个共识节点，该节点总结了原始的顺序节点。图2 (https://arxiv.org/html/2607.03709#S3.F2) 展示了在简化GoT中顺序节点和共识节点的示例。

参见图注
图2：思维图的一个片段，包含《多语言神经机器翻译的共享注意力机制》（Firat et al., 2016 (https://arxiv.org/html/2607.03709#bib.bib50)，顶部，橙色显示）和《低资源神经机器翻译的迁移学习》（Zoph et al., 2016 (https://arxiv.org/html/2607.03709#bib.bib51)，底部，粉色显示）。共享的共识节点以绿色显示。

#### 3.1.2 拓扑感知剪枝
原始推理图存在噪声，包含针对单篇论文的细粒度细节，对于高层RWS来说过于冗余。我们剪枝每个主题子图 \(G_i = (V_i, E_i)\)，以识别并仅保留对多篇引用论文重要的语义骨干节点。我们将此剪枝步骤表述为施泰纳树问题，该问题寻找连接一组关键终端节点的最小权重子图。

##### 终端识别
我们识别终端节点集 \(S \subset V_i\)，它们代表 \(G_i\) 中主要的论文间关系：
- •共识节点：这些节点聚合了多篇论文共享的信息，代表比较的关键点。
- •高中心性顺序节点：共识节点相对稀少（平均每图1.79个），因此我们计算所有顺序节点的介数中心性（Freeman, 1977 (https://arxiv.org/html/2607.03709#bib.bib43)），并保留前20%作为额外终端²²我们在附录C (https://arxiv.org/html/2607.03709#A3) 中调整了此介数中心性阈值。。我们假设高中心性节点在拓扑上接近共识节点，并充当图中的连接组织，捕获多篇作品共有的方法学上下文。

##### 施泰纳树近似
由于施泰纳树问题是NP难的，我们实现了一个2-近似算法（Wu 和 Chao, 2004 (https://arxiv.org/html/2607.03709#bib.bib44)）。首先，我们构建一个度量闭包图，其中两个终端 \(u, v \in S\) 之间的边权重是它们在原始图 \(G_i\) 中的最短路径距离。然后我们计算这个闭包的最小生成树（MST），并将MST的边映射回 \(G_i\) 中对应的路径，以形成剪枝后的子图 \(G'_i\)。施泰纳树严格去除了不贡献于引用论文共享思想连接性的死胡同和冗余路径。这个剪枝步骤确保我们的Writer模块接收一个简洁、拓扑简化的蓝图，该蓝图以最少的无关、论文特定细节连接所有主要思想。

### 3.2 论点-反论点规划网络层
GoT捕获了引用论文间的细粒度相似性，但并未明确建模论文间的全局关系。两篇没有共同精确方法的论文可能仍为共享假设提供支持证据，呈现对比发现，或解决同一问题的不同方面。识别这些关系对于生成准确描述研究格局的RWS至关重要。我们使用论点-反论点规划网络（ACPN; Hua et al., 2019 (https://arxiv.org/html/2607.03709#bib.bib10)）在引用论文集 \(R = \{R_1, R_2, \ldots, R_m\}\) 上构建一个论文级的论证关系图：ACPN生成一个有向图 \(H\)，其中每条边 \((R_i, R_j)\) 被标记为关系 \(r \in \{\text{support}, \text{contrast}, \text{neutral}\}\)。首先，我们使用LLM提示从每篇引用论文 \(R_i\) 中提取核心主张。与GoT中细粒度的、按部分划分的摘要不同——