计算机工程与应用

作者：陈俊臻, 王淑营, 罗浩然

单位：1.西南交通大学 计算机与人工智能学院，成都 611756；2.北京邮电大学 计算机学院，北京 100876；

关键词：知识图谱（KG）,大模型微调,文档信息抽取,增量构建

基金：国家重点研发计划项目（2022YFC3005203）；四川省重大科技专项项目（2022ZDX0003）。

针对工业领域知识图谱构建中面临的标注样本稀缺、文档多源异构、语义结构复杂等挑战，提出一种基于大型预训练语言模型的领域知识图谱增量构建方法LLM-KG。该方法利用GPT-4模型自动生成高质量的标注样本，降低人工标注成本的同时提升训练数据的覆盖性与准确性；借助LoRA（low-rank adaptation）技术对轻量级语言模型进行领域微调，实现对领域文档中实体与关系的高精度抽取。为提升新增实体和关系的对齐质量，LLM-KG引入语义块划分机制，并结合向量数据库进行Top-[k]实体召回，最终由大语言模型对召回结果进行语义一致性判断与筛选，从而实现更加准确的实体融合与关系补全。在公开数据集DDI及风电装备数据集上进行了实验验证，结果表明，LLM-KG在准确率、召回率和F1值上均优于对比方法，展现出良好的领域适应性与增量构建能力。

来源：2026年第5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5期