计算机工程与应用

作者：邸晓丽, 王莉

单位：太原理工大学 计算机科学与技术学院（大数据学院），山西 晋中 030600；

关键词：知识图谱补全（KGC）,大语言模型（LLMs）,置信度,交互式反馈机制,可解释性

基金：国家自然科学基金区域创新发展联合基金（U22A20167）；国家重点研发计划（2021YFB3300503）。

知识图谱补全旨在补充现有知识图谱中缺失的三元组。目前大语言模型在图谱补全中的应用仍面临结构感知能力不足的问题且推理过程中缺乏有效的信息筛选机制，往往引入大量冗余甚至无关的辅助信息。这种“过载式补充”不仅加重了计算压力，还可能引入语义噪声，干扰模型的判断路径。为此，提出了一种基于大语言模型置信度驱动的交互式知识图谱补全框架CI-KGC（confidence-driven interactive knowledge graph completion）用于封闭世界假设下的实体预测问题。该框架融合了三元组嵌入模型与大语言模型的优势，通过设计置信度评估与动态决策机制，判断预测结果是否可信，并在置信度不足时引入交互示例进行辅助推理。为提升对长尾实体的建模能力，引入基于实体频率分布的长尾实体加权机制，从知识图谱中动态选择并优化提示信息。在FB15K-237和WN18RR数据集上的实验结果显示，CI-KGC模型的整体性能优于基准模型且显著降低了计算开销。

来源：2026年第8期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第8期