软件学报

作者：马杰，孙望淳，王平辉，张若非，李帅鹏，苏洲

单位：马杰，西安交通大学 网络空间安全学院, 陕西 西安 710049;智能网络与网络安全教育部重点实验室(西安交通大学), 陕西 西安 71004911,孙望淳，西安交通大学 网络空间安全学院, 陕西 西安 710049;智能网络与网络安全教育部重点实验室(西安交通大学), 陕西 西安 71004902,王平辉，西安交通大学 网络空间安全学院, 陕西 西安 710049;智能网络与网络安全教育部重点实验室(西安交通大学), 陕西 西安 71004903,张若非，西安交通大学 网络空间安全学院, 陕西 西安 710049;智能网络与网络安全教育部重点实验室(西安交通大学), 陕西 西安 71004904,李帅鹏，智能网络与网络安全教育部重点实验室(西安交通大学), 陕西 西安 71004905,苏洲，西安交通大学 网络空间安全学院, 陕西 西安 710049;智能网络与网络安全教育部重点实验室(西安交通大学), 陕西 西安 71004906

关键词：大语言模型;知识图谱;垂直领域;问答系统;知识检索

基金：国家重点研发计划(2021YFB1715600); 国家自然科学基金(62306229)

大语言模型(large language model, LLM)随着不断发展, 在开放领域取得了出色的表现. 然而, 由于缺乏专业知识, LLM在垂直领域问答任务上效果较差. 这一问题引发了研究者的广泛关注. 现有研究通过“检索-问答”的方式, 将领域知识注入大语言模型, 以增强其性能. 然而该方式通常会检索到额外的噪声数据而导致LLM的性能损失. 为了解决该问题, 提出基于知识相关性的知识图谱问答方法. 具体而言, 将噪声数据与回答问题所需要的知识进行区分, 在“检索-相关性评估-问答”的框架下, 引导大语言模型选择合理的知识做出正确的回答. 此外, 提出一个机械领域知识图谱问答的数据集Mecha-QA, 包含传统机械制造以及增材制造两个子领域, 以推进该领域大语言模型与知识图谱问答相关的研究. 为了验证所提方法的有效性, 在Mecha-QA和航空航天领域数据集Aero-QA上进行实验. 结果表明, 该方法可以显著提升大语言模型在垂直领域知识图谱问答的性能.

来源：2025年第9期

《软件学报》期刊编辑部

查看软件学报杂志2025年第9期