文摘已有研究在特种设备领域构建了基于大语言模型(Large lanaguage model,LLM)的知识图谱(Knowledge graph,KG)智能问答系统,但受限于KG实体关系的不完备性,LLM在知识密集型任务中仍易产生幻觉。为抑制幻觉生成,提出融合KG推理技术,通过补全实体关系链路增强知识表示。此外,针对现有KG推理方法在语义关联与拓扑结构解析方面的不足,进一步引入一种基于LLM的动态推理机制,利用其深层语义理解能力自动生成高阶逻辑规则,实现KG的精准拓展,从而构建LLM与KG的双向协同优化机制。实验结果表明,该方法在Family、Kinship与UMLS这3个数据集上的平均倒数排名(Mean reciprocal rank,MRR)、首位命中率(First hit rate,Hits@1)和前10位命中率(Ten hit rate,Hits@10)均显著优于基线模型。
