摘要中医药智能组方推荐系统对于辅助临床决策与传承创新具有重要意义,然而,由于传统中医药领域的古籍文献与临床医案等语料数据大多以非结构化知识的形式存在,语料数据质量参差不齐,因此中医药领域下的智能组方问题长期面临着高质量数据缺失、构建的结构化知识图谱稀疏以及深度语义信息利用不足等挑战.针对上述问题,提出了一种融合生成式大语言模型与双图分层解耦传播的智能组方模型(LLM-DualKG).该模型包含 2 个核心模块:基于生成式人工智能(GenAI)的语义增强模块与基于分层门控融合的双图分层解耦传播模块.在语义增强模块中,利用收集到的中医药古籍语料,通过提示工程引导 GenAI 生成高质量微调数据集,并采用低秩自适应技术对 DeepSeek-R1(8B)模型进行领域适配微调.而后为知识图谱节点生成结构化文本描述,并将其编码为语义向量,随后利用门控机制实现节点语义嵌入向量与节点拓扑嵌入向量的自适应融合,以缓解图结构稀疏性问题.在双图分层解耦传播模块中构建了"症状-草药"交互图与"草药-草药"知识图,并创新性地提出双图分层解耦传播方法,通过解耦双图的信息传播过程并采用分层门控融合机制,分别建模"症状-草药"间的临床关联与"草药-草药"间的理论配伍知识.最终,将得到的节点嵌入表征输入图卷积神经网络,以 TOP-K 的形式生成组方.在包含自建数据集在内的两个数据集上,与一系列基线模型进行对比实验,在召回率(Recall)、精确率(Precision)以及F1 值(F1-score)等指标上均取得了较好结果.此外,对 LLM-DualKG 模型进行了消融实验,实验结果验证了模型各模块的有效性与必要性.本研究提出的智能组方方法为中医药领域知识计算与智能辅助诊疗提供了一个可解释、可扩展的端到端解决方案.