换一批基于邻域增强的大语言模型的食品安全标准知识图谱补全方法
A Method for Completing Food Safety Standards Knowledge Graphs Based on Neighborhood-Enhanced Large Language Model
摘要本研究提出基于邻域增强的大语言模型(large language model,LLM)知识图谱补全框架(neighborhood-enhanced large language model-knowledge graph completion,NELLM-KGC),旨在增强对食品安全标准领域复杂关联的推理能力.NELLM-KGC首先采用图结构化表示方式高效整合法规、标准限值、检测方法等关键异构数据,构建中文食品安全标准知识图谱.其次,采用引导式方法将传统的KGC任务转化为自然语言问答形式,并通过指令微调策略优化模型对中文食品标准领域任务的适应能力.为了提升推理的精确性,NELLM-KGC基于图剪枝算法设计了邻域信息融合机制,依托知识图谱检索器与LLM的双阶段筛选,从实体邻域中精准捕获与推理路径强相关的前m 个邻域节点信息(Top-m)证据链并进行精细化微调.本研究在公共知识图谱数据集(如FB15k-237、WN18RR)和自定义的食品安全标准数据集上进行了广泛验证,结果表明,NELLM-KGC在三元组分类准确率、实体预测Hits@1和关系预测Hits@1等关键指标上均表现出较好的性能,证明了该框架的有效性.
更多相关知识
关键词
食品安全监管知识图谱大语言模型指令微调知识图谱补全food safety regulationknowledge graphlarge language modelinstruction fine-tuningknowledge graph completion
分类号
TS201.6
栏目名称
DOI
10.7506/spkx1002-6630-20251213-104
发布时间
2026-07-16（万方平台首次上网日期，不代表论文的发表时间）
基金项目
教育部人文社会科学研究项目（23YJAZH216）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
