融合图结构信息的大语言模型知识推理在烟草病虫害防治中的应用
计算与语言
2025-12-29 v1
摘要
本文提出了一种融合图结构信息的大语言模型（LLM）方法，用于烟草病虫害防治中的知识推理。基于GraphRAG框架，所提方法通过显式地整合来自领域特定知识图谱的结构化信息，增强了知识检索与推理能力。具体而言，首先利用LLM辅助构建烟草病虫害知识图谱，该图谱组织了病害、症状、防治方法等关键实体及其关系。基于该图谱，检索相关知识并将其整合至推理过程中，以支持准确的答案生成。采用Transformer架构作为核心推理模型，同时利用图神经网络（GNN）学习具有表达力的节点表示，以捕获知识图谱中的局部和全局关系信息。基于ChatGLM的模型作为骨干LLM，并使用LoRA进行微调以实现参数高效适配。大量实验结果表明，所提方法在多个评估指标上始终优于基线方法，显著提高了推理的准确性和深度，特别是在复杂的多跳推理和比较推理场景中。
引用
@article{arxiv.2512.21837,
title = {Knowledge Reasoning of Large Language Models Integrating Graph-Structured Information for Pest and Disease Control in Tobacco},
author = {Siyu Li and Chenwei Song and Wan Zhou and Xinyi Liu},
journal= {arXiv preprint arXiv:2512.21837},
year = {2025}
}