KG2QA：基于知识图谱增强的通信标准问答检索生成框架
计算与语言
2025-10-16 v2
摘要
通信技术的快速发展导致标准数量激增，传统依赖专家的咨询方式效率低下且速度慢。为此，我们提出 KG2QA，这是针对通信标准的问答（QA）框架，将微调大型语言模型（LLM）与特定于领域的知识图谱（KG）通过检索增强生成（RAG）管道集成。我们构建了包含 6,587 对 QA 样本的高质量数据集来自 ITU-T 推荐指南，对 Qwen2.5-7B-Instruct 进行微调，实现显著性能提升：BLEU-4 从 18.86 提升至 66.90，超越基线模型和 Llama-3-8B-Instruct。基于自定义本体构建的结构化 KG 包含 13,906 个实体和 13,524 个关系，通过 LLM 辅助三元组抽取实现。KG-RAG 管道中，微调后的 LLM 首先从 KG 中检索相关知识，从而实现更准确、更具事实依据的响应。经 DeepSeek-V3 评估，KG-enhanced 系统在五个维度上均实现性能提升，平均提升 2.26\%，显示出优越的事实准确性和相关性。该系统已集成 Web 平台和 API，提供高效且互动性的用户体验。我们的代码和数据已开源 https://github.com/luozhongze/KG2QA。
引用
@article{arxiv.2506.07037,
title = {KG2QA: Knowledge Graph-enhanced Retrieval-augmented Generation for Communication Standards Question Answering},
author = {Zhongze Luo and Weixuan Wan and Tianya Zhang and Dan Wang and Xiaoying Tang},
journal= {arXiv preprint arXiv:2506.07037},
year = {2025}
}