知识图谱在引文核查中为何有用？
知识图谱为引文检测AI提供的不仅仅是“论文A引用论文B”的简单列表——它还能补充引用的目的以及论文之间隐藏的关系等上下文信息。2022年的GLAD模型通过图神经网络明确整合了节点属性（论文元数据）和链接属性（引用原因），并在模拟数据集上成功检测出异常引用[1]。该模型的“引用目的”（CPU）算法通过挖掘每条引用周围的文本对其意图进行分类，这一功能对识别操纵行为至关重要[1]。若缺少这一目的信息，图谱就只是一张链接网络，AI将更难区分合法引用与人为操控的引用。
图结构如何帮助识别被操纵的引用？
引用图的结构本身——而不仅仅是单个引用——就能揭示操纵行为。2023年的一项研究提出了一种方法，通过故意扰动（轻微改变）引用图，然后使用深度嵌入模型来观察哪些连接在压力下依然稳固[2]。其核心理念是：合法的引用会在图中形成稳健且冗余的路径，而被操纵的引用则脆弱不堪，一旦网络受到扰动便会消失。在数值实验中，该方法可靠地识别出了一组核心的可信引用，并标记出了可能被操纵的可疑参考文献[2]。这一方法之所以有效，是因为图结构捕捉到了间接关系——被操纵的引用往往缺乏真实引用所具备的支撑性间接连接网络。
知识图谱的局限在哪里，还需要什么？
仅靠知识图谱本身是不够的——人工智能仍然需要高质量的实体抽取和更深层的关系建模。2025年，一个项目利用基于大语言模型的命名实体识别技术，从8400份刚果法律文件中构建了一个法律知识图谱，并成功创建了一个包含超过1400条关系的初步引文图谱[3]。然而，作者明确指出，当前方法仅处理了基本的实体抽取（如文件类型、参考编号、日期），未来工作需要更深层的关系建模和更全面的类型覆盖，才能使该图谱真正用于自动化引文核查[3]。这表明，构建图谱只是第一步；人工智能核查引文的能力，取决于图谱对每条引文语义的捕捉程度。
关于这些来源
该回答基于4篇经同行评审的研究构建而成——发表于2021年至2025年间，其中1篇为2024年或之后发表，3篇发表于Q1期刊，累计被引用80次——这些研究是从4篇通过质量筛选的研究中选出的最具相关性的成果，而后者又源自从超过5亿篇论文的数据库中检索到的54篇文献。
本文引用的文献
面向异常引文检测的深度图学习
提出的GLAD模型将文本语义与图神经网络相结合，用于检测异常引用；其中包含一个“引用目的”算法，通过挖掘引用上下文来分类引用的原因，并在模拟的异常引用数据集上优于基线模型。
通过扰动引文图检测科学文献中的伪操纵引用
提出了一种扰动引文图并利用深度嵌入识别可靠引文的方法；数值实验表明，该方法能够通过利用图中的间接路径，可靠地标记被操纵的参考文献。
刚果法律文本中的自动引文检测：利用基于大语言模型的命名实体识别技术构建知识图谱
使用基于大语言模型的命名实体识别技术，从8400份刚果法律文件中构建了法律知识图谱，初步生成了包含1400余条关系的引文图谱；同时指出，要实现有效的引文检测，仍需深化关系建模并提升实体覆盖范围。
数据引用与引用图谱
论证指出，引文图谱必须对“可引用单元”和“引用包含关系”进行建模，才能准确呈现数据引用及随时间变化的信用流转；若缺乏这些扩展，该图谱将无法支持精确的文献计量计算，也无法检测引用操纵行为。