連接結(jié)構(gòu)化圖數(shù)據(jù)與非結(jié)構(gòu)化文本數(shù)據(jù)

原標題：AI預測論文能不能中，8B超越70B大模型，港大發(fā)布圖文融合多智能體GraphAgent
文章來源：量子位
內(nèi)容字數(shù)：9934字

港大黃超教授團隊提出GraphAgent：AI預測論文能否中

香港大學黃超教授團隊研發(fā)了一種名為GraphAgent的多智能體自動化框架，能夠預測學術(shù)論文的錄取可能性，并具備更廣泛的預測和生成能力。該框架通過融合大語言模型（LLM）和圖語言模型的優(yōu)勢，在處理結(jié)構(gòu)化圖數(shù)據(jù)和非結(jié)構(gòu)化文本數(shù)據(jù)方面取得了顯著成果，并在零樣本學習和跨域泛化等方面展現(xiàn)出優(yōu)勢。

1. GraphAgent的核心挑戰(zhàn)與架構(gòu)

現(xiàn)實世界的數(shù)據(jù)呈現(xiàn)出結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的混合特性，GraphAgent旨在解決以下三大挑戰(zhàn)：異構(gòu)數(shù)據(jù)融合、多層次關(guān)系理解和任務多元化。為了應對這些挑戰(zhàn)，GraphAgent采用了一個由三大核心智能體組成的框架：

1. 圖生成智能體 (Graph Generator Agent)：負責構(gòu)建語義知識圖譜 (SKG)，通過兩階段迭代機制從非結(jié)構(gòu)化文本中提取和整合深層語義信息。首先，它采用自適應分層策略識別知識實體；然后，它增強知識表示的豐富度和準確性，構(gòu)建完整的知識聯(lián)系。
2. 任務規(guī)劃智能體 (Task Planning Agent)：作為框架的決策核心，它通過三階段處理機制完成復雜任務的規(guī)劃和分解。包括意圖識別與任務制定、圖結(jié)構(gòu)標準化處理以及圖文特征融合。
3. 任務執(zhí)行智能體 (Task Execution Agent)：作為框架的核心執(zhí)行單元，它通過三維處理架構(gòu)實現(xiàn)任務的精準執(zhí)行和性能優(yōu)化。包括智能化任務處理機制、深度圖指令對齊技術(shù)和漸進式學習策略。

這三大智能體協(xié)同運作，實現(xiàn)了圖結(jié)構(gòu)與語義信息的深度融合，支持預測型和生成型等多樣化任務。

2. GraphAgent的實驗結(jié)果與優(yōu)勢

研究團隊在六個基準數(shù)據(jù)集上對GraphAgent進行了評估，涵蓋了節(jié)點分類、文本生成、論文錄用預測等任務。結(jié)果顯示，GraphAgent在各種任務中均取得了優(yōu)異的性能，僅用8B參數(shù)規(guī)模就達到了與GPT-4、Gemini等大型封閉源模型相當?shù)男阅芩健?/p>

GraphAgent的主要優(yōu)勢體現(xiàn)在以下幾個方面：

1. 卓越的零樣本學習和跨域泛化能力：在低資源場景下表現(xiàn)出色，并在不同數(shù)據(jù)集上展現(xiàn)了強大的遷移學習能力。
2. 高效的語義理解能力：能夠精準把握復雜語義依賴關(guān)系，在各項評估指標上超越了Llama3-70b和Qwen2-72b等大規(guī)模模型。
3. 強大的文本生成能力：在圖增強文本生成任務中，其困惑度（PPL）等核心指標顯著優(yōu)于基線模型，并在與GPT-4的對比中展現(xiàn)出優(yōu)勢。

3. 未來研究方向

團隊未來的研究方向包括：多模態(tài)能力拓展（將視覺信息整合到框架中）、模型性能優(yōu)化（模型壓縮和計算資源優(yōu)化）以及應用場景擴展（科學研究輔助和商業(yè)智能分析等）。

總而言之，GraphAgent是一個具有創(chuàng)新性的多智能體框架，它在預測和生成任務中展現(xiàn)了強大的能力，為人工智能在學術(shù)研究和商業(yè)領(lǐng)域的應用提供了新的可能性。

聯(lián)系作者

文章來源：量子位
作者微信：
作者簡介：追蹤人工智能新趨勢，關(guān)注科技行業(yè)新突破