GRASP框架用图推理辅助规划，生成高保真相关工作

背景

撰写高质量的文献综述（Related Work）是学术写作中的关键环节，它要求作者深刻理解被引论文之间的相互关系：它们如何相互构建、挑战或提供替代视角。传统方法中，生成文献综述往往依赖作者的直觉和经验，难以系统性地捕捉论文间的复杂关联。随着大语言模型（LLM）的发展，自动生成相关工作章节成为可能，但现有方法在确保生成内容的高保真度方面仍存在不足，即生成的内容在话语角色、意图和引用分组上与人工撰写目标存在偏差。为此，研究者提出了GRASP（Graph-Reasoning Aided Survey Planning）框架，结合图算法与LLM规划，旨在提升相关工作生成的真实性与准确性。

核心内容

GRASP框架的核心创新在于使用两层图结构来建模被引论文之间的关系，并通过拓扑感知剪枝来提取核心关联。具体而言，框架包含以下组件：

• Graph of Thoughts（思维图）：第一层图结构，以较细的粒度表示论文的思想、贡献和逻辑链条，捕捉论文之间如何构建、挑战或提供替代视角。
• Argument-Counterargument Planning Network（论证-反论证规划网络）：第二层图结构，以较粗的粒度组织论文的论证关系，区分主流观点与对立观点，形成论证与反论证的网络。
• Steiner tree拓扑感知剪枝：应用Steiner tree算法对两层图进行剪枝，仅保留最核心的论文间关系，从而避免冗余信息干扰生成质量。

GRASP的流程是：先利用LLM对目标论文及其引用列表进行初步分析，构建上述两层图；然后通过Steiner tree提取关键子图；最后基于规划后的图结构引导LLM生成结构化的相关工作章节（Related Work Section, RWS）。该方法在基于引文分析的评估中显示，GRASP生成的相关工作章节在话语角色（如指出前人工作的不足、提出改进方向）、意图（如对比、补充、批判）以及引用分组（如按主题或方法聚类）方面，与人工撰写的目标高度匹配。

关键要点

• 双层图结构设计：Graph of Thoughts表示微观思想关联，Argument-Counterargument Planning Network表示宏观论证对立关系，共同覆盖不同粒度的信息。
• 拓扑感知剪枝（Steiner tree）：通过经典图算法保留核心关系，过滤噪声，提升后续LLM生成的结构化程度和内容相关性。
• 基于引文分析的评价体系：使用引用意图、话语角色和分组一致性等指标，客观衡量生成RWS与人工RWS的相似度，证明GRASP的高保真度。
• 无额外训练或微调需求：GRASP基于现有LLM的规划能力与图算法结合，是一种轻量级框架，可直接应用于多种LLM。

意义与影响

GRASP为自动文献综述生成领域提供了一种新颖的混合方法，将图推理与LLM规划相结合，显著提升了生成内容的结构合理性与事实一致性。其意义包括：

• 提高学术写作辅助工具的质量：研究人员可利用GRASP快速生成高质量的相关工作草稿，减少重复劳动，同时确保逻辑脉络清晰。
• 推动图结构与语言模型结合的范式：GRASP展示了如何利用经典图算法（如Steiner tree）增强LLM对复杂关系网络的建模能力，为其他知识密集型文本生成任务（如论文摘要、技术报告）提供了可借鉴的框架。
• 促进可解释的引用分析：通过显式建模论文间关系并剪枝，GRASP的输出不仅包括文本，还包括关系图，有助于作者理解生成结果的依据，提升透明度和可信度。
• 潜在应用扩展：除了相关工作生成，该框架也可用于综述论文自动撰写、学术文献图谱构建以及基于引文的推荐系统等领域。