计算机科学与探索

作者：张静, 黄文锋, 吴春江, 谭浩

单位：1. 电子科技大学 信息与软件工程学院，成都 6100542. 中国电子科技集团公司 第十五研究所，北京 1000833. 成都信息工程大学 软件工程学院，成都 610225

关键词：大模型,知识图谱,知识图谱构建,知识图谱推理

随着知识图谱（KG）在智能问答、推荐系统等领域的广泛应用，其规模化构建与高效推理的技术瓶颈日益凸显。传统人工与半自动化构建模式成本高昂，实体歧义消解、关系抽取准确率不足等问题导致图谱质量难以保障；知识稀疏性与推理规则复杂性限制了图谱推理的泛化能力。大模型（LLM）凭借强大的语义理解与上下文建模能力，为突破这些瓶颈提供了新路径，但目前相关技术缺乏系统性梳理，不同方法的适用场景与性能边界尚不清晰，因此，对现有的大模型增强知识图谱构建和推理的方法开展系统性综述。介绍了知识图谱和大模型相关的基础理论。聚焦知识抽取、自动化构建、知识补全与推理四类核心任务，剖析现有方法：知识抽取中，对比基于大模型的零样本知识抽取与微调领域适配抽取；自动化构建方面，梳理大模型驱动的本体自动生成、图谱迭代更新技术；知识补全方面，总结了借助大模型生成伪三元组、提示规划上下文与结合外部检索机制的方法；推理任务中，分析了基于大模型的静态增强推理和主动规划推理技术。介绍了该研究在医疗、教育等领域的典型应用场景，梳理了支撑相关研究的中英文通用和垂直领域知识图谱数据集资源。针对现存方法的局限性提出了未来研究方向。

来源：2025年第11期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第11期