KEO：基于知识图谱与检索增强生成的安全关键航空维修知识抽取
计算与语言
2026-04-10 v2 信息检索
摘要
我们提出了知识抽取系统KEO（Knowledge Extraction on OMIn），这是一个面向安全关键领域的大语言模型（LLM）领域特定知识抽取与推理框架。利用运行与维护智能（OMIn）数据集，我们构建了一个涵盖全局理解与可操作维修任务的QA基准。KEO构建了结构化的知识图谱（KG），并将其整合到检索增强生成（RAG）流水线中，实现了比传统文本块RAG更具连贯性、覆盖全数据集的推理能力。我们评估了可本地部署的LLM（Gemma-3、Phi-4、Mistral-Nemo），并使用更强的模型（GPT-4o、Llama-3.3）作为评判者。实验表明，KEO通过揭示模式和系统级洞察显著提升了全局理解能力，而文本块RAG在需要局部检索的细粒度程序性任务中仍然有效。这些发现强调了知识图谱增强LLM在安全、领域特定QA中的前景，以及其在高风险推理中的潜力。代码可在 https://github.com/JonathanKarr33/keo 获取。
引用
@article{arxiv.2510.05524,
title = {KEO: Knowledge Extraction on OMIn via Knowledge Graphs and RAG for Safety-Critical Aviation Maintenance},
author = {Kuangshi Ai and Jonathan A. Karr and Meng Jiang and Nitesh V. Chawla and Chaoli Wang},
journal= {arXiv preprint arXiv:2510.05524},
year = {2026}
}