这个方向有什么用？
大模型很能“说”，但要让它说得对、说得有据，就需要“图”来帮忙。
大模型为什么会“一本正经地胡说八道”？
ChatGPT 类模型会编造看似合理的答案。让模型先从知识图谱里查到事实再回答，就能大幅减少幻觉。对应研究：知识图谱增强（RAG）。
地图 App 怎么知道你可能喜欢这家店？
你的位置、历史足迹、商家之间的关联构成了一张大图。对应研究：大模型×知识图谱×POI 推荐——让推荐既准又讲得出理由。
能不能让 AI 像侦探一样串联线索？
面对安全告警，让多个 AI 智能体分工完成“查证据—做推理—交叉印证”。对应研究：异常归因与多智能体协作。
我们在研究什么
从“让 LLM 看图”到“让 LLM 基于图做可靠推理”。
01LLM 图推理
研究如何用 LLM 直接在图结构数据上完成检测与推理任务，例如以少样本方式识别动态图中的异常边，突破传统方法对大量标注的依赖。
02知识图谱增强
用知识图谱为 LLM 提供可检索、可验证的事实证据（RAG），抑制幻觉，支撑 POI 推荐、情报研判等需要事实一致性的任务。
03异常归因与多智能体
让 LLM 为图上的异常生成可解释、可验证的归因结论，并探索多智能体分工协作完成“检索—推理—印证”的完整研判链路。
代表性成果
本方向近年的部分论文。
AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models
Shuo Liu, Di Yao, Lanting Fang, et al.
ICDM 2024 · CCF B
Knowledge-Enhanced Ensemble Learning for Word Embeddings
Lanting Fang, Yong Luo, Kaiyu Feng, Kaiqi Zhao, Aiqun Hu
WWW 2019 · CCF A
在研课题 · Demo
课题面向研究生与优秀本科生开放，Demo 与代码将陆续上线。