基于知识图谱和思维链的中医辨证分型推理方法——TCM-DiffRAG
计算与语言
2026-02-27 v1 人工智能
摘要
背景:检索增强生成(RAG)技术可以让大型语言模型(LLM)在不进行微调的情况下生成更准确、更专业、更及时的结果。然而,由于中医(Traditional Chinese Medicine,TCM)临床诊断治疗涉及复杂的推理过程和显著的个体差异,传统RAG方法在该领域往往表现不佳。目标:为了解决常规RAG方法在中医应用中的局限性,本研究旨在开发一种针对中医推理特点的改进RAG框架。方法:我们开发了TCM-DiffRAG,一种集成知识图谱(KG)与思维链(Chain of Thought,CoT)的创新RAG框架。TCM-DiffRAG在三个独特的中医测试数据集上进行评估。结果:实验结果表明,TCM-DiffRAG显著改进了本地LLM的性能。例如,qwen-plus模型的得分从0.927、0.361和0.038提升到0.952、0.788和0.356。对于非中文LLM来说,改进更为显著。此外,TCM-DiffRAG还超越了直接监督微调(SFT)的LLM和其他基准RAG方法。结论:TCM-DiffRAG表明,将结构化中医知识图谱与基于思维链的推理相结合,在个体化诊断任务中显著提升了性能。通用知识图谱与个人化知识图谱的联合使用,实现了通用知识与临床推理之间的有效对齐。这些结果凸显了面向中医发展的推理感知RAG框架的潜力。
引用
@article{arxiv.2602.22828,
title = {TCM-DiffRAG: Personalized Syndrome Differentiation Reasoning Method for Traditional Chinese Medicine based on Knowledge Graph and Chain of Thought},
author = {Jianmin Li and Ying Chang and Su-Kit Tang and Yujia Liu and Yanwen Wang and Shuyuan Lin and Binkai Ou},
journal= {arXiv preprint arXiv:2602.22828},
year = {2026}
}