CN119336921B 基于大语言模型的工业知识图谱补全与自适应检索方法 （中国计量大学）

基于大语言模型的工业知识图谱补全与自本发明公开了基于大语言模型的工业知识信息不足时，LLM会基于当前信息评估是否需要反思机制，提高了知识图谱补全的效率和准确21.基于大语言模型的工业知识图谱补全与自适应检索方法，其特征在于包括如下步2.根据权利要求1所述的基于大语言模型的工业知识图谱补全与自适应检索方法，其3.根据权利要求2所述的基于大语言模型的工业知识图谱补全与自适应检索方法，其34.根据权利要求2所述的基于大语言模型的工业知识图谱补全与自适应检索方法，其5.根据权利要求2所述的基于大语言模型的工业知识图谱补全与自适应检索方法，其特征在于：所述步骤2.4中，对于缺失的三元组(h,r,？)，h表示主体，构建基本模板得到对应的子图Ge,r，Ge,r包含负样本集T6r或邻域信息集C(e,p)，若T6r不为空，用模板6.根据权利要求2所述的基于大语言模型的工业知识图谱补全与自适应检索方法，其7.根据权利要求1所述的基于大语言模型的工业知识图谱补全与自适应检索方法，其qqSD-1)48.根据权利要求7所述的基于大语言模型的工业知识图谱补全与自适应检索方法，其关的那些关系；首先，搜索收集ED_1中所有尾实体的关系，形成候选关系集并用这些关系扩展推理路径，形成候选推理路径集PcandD_1出与尾实体关系RD相匹配的相关推理路径P；所述实体探索，是利用RD和ED_1来检索周边实体，并找出与问题q密切相关的实体的过过查询或(?,r:,e⃞-1)来获取候选实体集这里的和R是pn中的尾9.根据权利要求8所述的基于大语言模型的工业知识图谱补全与自适应检索方法，其5全技术来预测和添加缺失的实体和关系。传统的知识图谱补全方法主要依赖于图结构信的语言理解和生成能力来增强知识图谱的补全效果。LLM能够通过上下文学习实体和关系6[0011]步骤2.1：通过邻域采样构[0013]步骤2.3：信息合并：由确获取和利用C(e,p)。7[0027]最终，将这些信息整合成问题prompter，输入到大语言模型LLM进行LoRA微调训[0031]W'=W+WAwgl-1对问题和答i个8最为相关的那些关系；首先，搜索收集ED-1中所有尾实体的关系，形成候选关系集pn，通过查询或来获取候选实体集EEnan，这里的e-1和是P。9集由Ttrain三元组构成，验证集由Tvalida三元组构成，测试集由Ttest三元组构成。特别地，的集合，Gpart=G1,G2,…,Gm}，其中m=2x(ITtrainl+ITvatial+ITtesrl)。划分为多个子图。根据负样本集大小确定最终信息集D(e,M)，设计问答模版映射并使用从中筛选出与er和特定关系Ti相关的三元组集合Ter。接着，从Ter中移除正确的三元组确获取和利用C(e,p)。[0076]步骤2.3：信息合并：由得到对应的子图Ger，它包含负样本集T6r或邻域信息集C(e,p)。如果T6r不为空，用[0090]W'=W+WAwgl-1对问题和答为了应对使用LLM处理大量邻近实体的复杂性，提出了一种不受限于固定数量关系和实体通过查询或来获取候选实体集EEnan，这里的e-1和是pn中[0118]由于LLM的推理能力不总能保证路径探索的正确性，设计了反思机制来判断是否