研究型实习生-Graph4LLM：面向大模型的图结构增强推理通用框架研究

岗位职责

研究领域： 自然语言处理 项目简介： 尽管大语言模型（LLM）在各类生成任务中表现亮眼，但其“参数化记忆”带来的幻觉，已成为金融合规等高问责场景落地的最大障碍。 幻觉根源：事实离散存储于参数，缺乏显式一致性与可追溯路径； 知识碎片：多跳推理时，中间证据被“跳步”压缩，导致逻辑断层；

图结构（KG、DAG、异构图）天然具备“节点显式承载事实、边显式承载关系”的特性，为上述问题提供了结构化解法。然而，如何“让 LLM 像使用参数一样使用图”仍缺乏系统框架，亟需解决以下问题： Q1. 图拓扑构建：如何把用户信息、外部知识映射到同一向量基底，实现多源信息的检索与融合； Q2. 图拓扑注入：如何在无需重训LLM的前提下，将图结构注入生成过程，抑制幻觉； Q3. 图驱动探索：如何利用图的局部与全局拓扑，引导LLM进行多跳推理、错误回溯。

任职要求

研究领域： -目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位 -具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go -具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用： -对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色 -在国际会议上或核心期刊发表一份或多份出版物或论文 -至少3个月的全职工作

特色标签

C/C++、DAG、Golang、Java、KG、LLM、Python、事实幻觉、参数化知识存储、发表算法相关优秀论文、合规、图信息注入、图拓扑生成、图结构构建、图结构注入、图计算、多步推理、大模型、大模型算法、异构图、推理回溯、摘要生成、文本生成、有向无环图、模型内隐知识、生成幻觉、知识图谱、算法工程化经验、语义理解、逻辑回溯、链式推理