HCREA-GRAG：一种用于航空制造计量领域可追溯知识图谱问答服务的层次约束图检索增强生成方法

《ADVANCED ENGINEERING INFORMATICS》：HCREA-GRAG: a hierarchical constraint graph retrieval-augmented generation method for traceable knowledge graph question answering service in aviation manufacturing metrology

　　航空计量贯穿航空制造全过程，为过程控制、质量保证、设备校准以及高性能航空产品符合交付标准提供关键支持，在确保航空装备质量和飞行安全方面发挥着至关重要的作用。航空计量知识图谱具有领域术语密集、知识动态更新和关系结构复杂的特点；因此，问答方法必须支持多跳推理、尽可能少依赖标注数据，并提供可追溯的证据。为了解决现有方法在航空计量领域适应性有限的问题，本文提出了HCREA-GRAG，一种用于航空计量的层次约束图检索增强生成方法。该方法首先使用大语言模型将自然语言问题改写为结构化查询图。然后将查询图输入到HCREA，即HCREA-GRAG的核心检索器。通过候选域初始化、AC-3弧一致性传播、边实例枚举、深度优先证据组装和多样性选择，HCREA检索与问题对齐的证据子图。然后约束大语言模型基于证据子图生成答案，同时保持答案与知识图谱中事实的对应关系，以满足知识可追溯性的要求。在航空计量知识图谱上的实验表明，HCREA-GRAG能够有效支持一跳到多跳的问答。另一个领域的迁移实验表明，该方法在1跳到3跳任务上达到了接近有监督基线的性能，同时优于零训练基线，证明了在领域适配后的跨领域可复用性。

引言
航空计量是航空工业质量保证体系的重要组成部分。它涵盖长度、力学测量、电磁测量、热学测量和光学测量等领域的参数；相关活动包括测量、校准和计量溯源性[1]。其准确性和可靠性直接影响航空装备的性能和飞行安全[2]。随着航空装备日益复杂和精密，计量工作面临越来越大的技术挑战。计量标准体系不断扩展，测试程序持续更新，仪器类型数量显著增加，计量知识规模也迅速增长。同时，航空工业正在经历深刻的数字化转型。智能制造、数字孪生和基于模型的系统工程等新兴范式对计量知识获取和使用的效率和深度提出了更高要求[3], [4]。随着计量的数字化，计量活动的数字对象已从测量过程扩展到测量数据、校准结果及相关数字服务。现有研究进一步表明，智能制造和计量数字化涉及虚拟测量和数字计量服务等问题[5]。更具体地说，对计量知识服务的需求贯穿航空制造的产品设计、工艺规划和质量验证。在产品设计阶段，设计师需要提前考虑后续测量和验证的可行性。在工艺规划阶段，工艺工程师需要根据计量要求选择合适的测量设备，并确定相应的技术规格。这些活动需要综合使用设备信息、测量参数、技术标准和工艺要求，这些要素通过复杂关系相互连接。随着航空产品日益复杂，主要依赖人工检索和积累经验的知识获取已无法满足快速准确应用的需求。因此，需要更有效的领域知识组织和管理方法来支持计量知识查询、分析和智能应用。近年来，知识图谱在制造业知识管理中的应用日益广泛。通过组织和链接异构制造知识，知识图谱提供了结构化的知识表示，支持知识集成、检索、推理和问答[6], [7], [8]。现有研究已探索其在多种制造场景中的应用，包括知识集成、信息检索、数据分析、数字孪生和决策支持。对制造业和生产中知识图谱的系统综述进一步证明了其作为各种工业用例和系统类型基础技术的广泛适用性和潜力[9]。然而，构建航空计量问答系统仍面临特定挑战。这主要是因为航空计量知识图谱表现出三个与通用知识图谱不同的固有特征，这些特征对领域特定问答系统提出了三个相应要求。首先，领域特定概念的高密度要求系统能够在有限依赖标注数据的情况下部署。航空计量涉及许多领域特定概念，如计量溯源链。这些概念在通用语料库中很少出现，其定义和使用场景高度专业化。只有准确理解这些术语，问答系统才能支持对计量知识的有效查询和推理。现有的领域特定语义适应方法通常依赖领域问答对上的监督微调来学习术语和推理模式。然而，航空计量涵盖多个子领域，不同子领域的实体类型和关系语义差异显著。国家和行业标准也在不断更新。如果每个详细场景都依赖大规模人工标注，则标注和维护成本都会很高，工程部署要求也难以满足。企业应用还必须考虑模型更新审计和权重合规管理。因此，问答系统应采用对标注数据依赖有限的方法，并使用少样本配置来适应动态知识图谱扩展和跨场景迁移。其次，知识关系的深层层次和密集多跳路径要求具有处理复杂查询的鲁棒能力。航空计量围绕计量溯源链组织知识，其知识图谱通常具有多级链式或树状结构，连接测量设备、校准设备、计量标准器具和技术参数。实际业务问题通常需要遍历多条关系边来定位答案。例如，“哪种校准设备校准某个测量装置，该校准设备可溯源到哪个计量标准器具？”这个问题涉及两跳关系推理。参数检查和全链溯源场景通常需要三跳。随着推理跳数增加，候选节点组合迅速扩大，语义模糊性也随之增加。因此，系统必须能够在大规模图中构建跨节点和关系的稳定推理路径，而不是仅依赖单跳邻居匹配。第三，航空计量的高可靠性要求决定了推理过程必须是可追溯的。航空计量与装备质量和飞行安全直接相关。知识查询结果必须有明确的事实支撑，不能依赖无依据的推测。因此，问答系统不仅应提供答案，还应提供从问题到知识图谱事实的完整证据路径，使工程师能够验证答案来源，并判断推理过程是否满足领域知识约束。总之，航空计量迫切需要一种智能问答方法，使用领域知识图谱，在有限依赖标注数据的情况下支持多跳结构化推理，并提供可追溯的证据路径。其知识结构与上述三个要求之间的对应关系如图1所示。本文聚焦于以知识图谱为知识源的问答，即知识图谱问答（KGQA）。该方向的研究总体已从专用架构发展到大语言模型增强方法[10]。以下讨论回顾现有KGQA方法，并分析其在航空计量中的适用性和局限性。

(1) 大语言模型之前的KGQA
在大语言模型出现之前，通用KGQA方法主要遵循三种主要途径。第一种方法将自然语言问题映射为SPARQL查询或抽象查询图，然后使用图数据库进行评估[11]。第二种方法使用子图匹配，将问答建模为查询图与知识图谱之间的结构匹配[12], [13]。第三种方法使用嵌入和深度语义匹配，应用神经网络或图嵌入在连续空间中进行推理，并通过动态图扩展支持多跳查询[14], [15]。这些方法构成了早期KGQA的主要技术框架，但在航空计量中仍存在局限性。SPARQL和查询图构建方法依赖高质量的句法分析和领域词典，难以处理领域术语的歧义或非标准表达。子图匹配方法在大规模多跳查询下容易发生搜索空间膨胀。嵌入和深度语义匹配方法通常依赖领域标注数据进行训练，其推理路径隐藏在模型参数中，没有可验证的证据路径。现有研究也指出，当通用KGQA方法迁移到特定领域时，往往面临领域上下文建模不足的问题[16]。在领域应用中，研究人员已将KGQA引入航空、工业运维和工程服务。例如，用于飞机故障诊断的知识图谱问答系统[17]、结合知识图谱和深度学习的民航出行KGQA方法[18]、用于钢厂设备采购条款的KGQA方法[19]、地铁机电设备故障查询系统[20]，以及基于BERT和层次交叉注意力的桥梁检测KGQA[21]。在电力客户服务[22]和医学[23]领域也进行了相关研究。这些研究表明KGQA在专业工程场景中具有应用潜力。然而，它们的总体方法路线相似。它们通常依赖在领域问答对上微调的类BERT预训练模型，其查询结构大多限于单跳或简单链式查询。因此，现有领域应用仍未完全解决通用KGQA对领域标注数据的强烈依赖以及缺乏可见推理路径的问题。它们还提供不足的跨跳一致性约束和对组织可追溯证据的支持，限制了其在以多跳溯源为中心的航空计量场景中的直接应用。

(2) 大语言模型时代的KGQA
近年来，以GPT系列和Qwen为代表的大语言模型在自然语言理解和生成方面取得了显著进展[24], [25]。然而，当直接用于领域问答时，大语言模型容易生成看似合理但缺乏事实支持的错误内容，这一现象被称为幻觉[26]。检索增强生成（RAG）在生成前引入外部知识检索，并将检索结果作为大语言模型的上下文。这可以部分减少幻觉并支持动态知识更新[27]。早期RAG主要检索非结构化文本，对知识图谱等结构化知识的利用有限。在多跳推理场景中，单次向量检索也难以检索到完整的推理链，噪声或冗余证据可能干扰答案生成。因此，研究人员进一步将知识图谱引入RAG，形成了使用子图、路径或三元组作为大语言模型证据上下文的Graph-RAG方法。例如，GraphRAG[28]通过社区发现和层次摘要支持全局查询，而LightRAG[29]采用轻量级双级检索以平衡效率和覆盖率。与文本RAG相比，Graph-RAG更适合组织结构化证据。在这些优势的推动下，近期研究已将Graph-RAG从通用领域扩展到需要结构化知识组织和可靠推理的垂直工业和工程场景。在工业知识问答和维护决策中，现有研究包括用于工业知识自动化的知识增强问答框架[30]，以及集成知识图谱、大语言模型和故障诊断工作流的可解释决策支持方法[31]。在工程安全和基础设施运维中，现有工作包括用于水工结构安全管理知识图谱增强问答[32]，以及集成桥梁养护知识图谱、案例检索和思维链推理的决策方法[33]。在建筑项目管理中，也报道了集成多模态知识图谱与大语言模型的RAG问答方法[34]。在工业故障诊断和多跳因果推理中，也出现了面向工业故障因果链的知识图谱增强推理框架[35]和用于数控机床故障诊断与维护推荐的知识增强方法[36]。然而，当应用于航空计量时，现有Graph-RAG方法仍面临三个局限性。首先，检索通常依赖局部子图扩展或向量邻居拼接，缺乏对多跳关系路径的一致性约束。随着推理跳数增加，证据路径可能变得不连贯或发生漂移。其次，当候选空间迅速扩大时，在大型领域特定知识图谱上保持稳定检索效率变得困难。第三，检索和生成缺乏明确的答案-证据-三元组对应关系，难以满足航空计量的可追溯性和可审计性要求。以下分析进一步从检索路径一致性、候选空间控制和证据传递三个方面讨论了这些局限性。从检索路径形成的角度来看，KG-RAG为分解后的子问题选择top-k三元组[37]，TGRAG从高度相关的节点扩展到主题或语义邻居[38]，SG-RAG MOT合并检索到的子图并对三元组重新排序[39]。这些方法通过子问题检索、邻域扩展和证据组织来提升局部相关性或证据覆盖率。然而，跨多个查询关系的联合结构验证仍然有限。为不同子问题检索到的三元组可能各自相关，但在共享实体、关系方向或节点映射上不一致，这类三元组可能无法形成与原始查询结构匹配的完整路径。因此，现有方法虽能有效控制局部相关性，但对完整路径一致性的约束仍然不足。

在候选空间控制方面，KG-Vector RAG通过分层过程选择图或向量知识[40]，DR-RAG按规则类型、置信度和权重过滤候选规则[41]，Document GraphRAG对源自top-k文本块的结构进行扩展、去重和重排序[42]。这些机制限制了检索范围或最终上下文，但候选选择仍主要依赖于相似度、权重、top-k规则或局部邻接关系，在中间过滤阶段对多跳结构可行性的利用有限。随着图连通性、初始候选规模或跳数的增加，保留的局部候选会不断累积并产生更多下游组合。现有方法主要控制返回结果的数量，而候选形成和组合阶段缺乏持续的搜索空间收缩。

另一个问题涉及证据传递。KRAGEN将知识图谱事实引入基于图的推理[43]，FMEA KG-RAG通过图查询和向量检索构建生成上下文[44]，GRAG-ProSafe QAS将多跳图检索与推理相结合并评估生成结果[45]。根据公开的方法描述，相对较少的研究明确建立统一的证据标识符并在问题结构解析、证据检索、路径组装和最终答案引用过程中加以保留。因此，即使展示了相关事实或推理过程，也难以确定哪个完整证据子图直接支持最终答案，并进而追溯回对应的原始三元组。

为解决这些局限性，HCREA-GRAG将路径约束、候选收缩和证据传递整合到统一的检索与答案生成过程中。结构化查询图表示每个问题中的实体-关系条件，L1-L3应用AC-3约束传播、边实例枚举和深度优先证据组装，从结构有效的事实中构建完整证据子图。在L0-L3阶段持续过滤候选域、边实例和部分子图，从而在证据形成过程中收缩搜索空间。L4随后选择完整的证据子图。在答案生成阶段，该方法保留原始三元组并记录每个答案与其证据子图之间的关联，因此最终答案可追溯至知识图谱中的具体事实。

本文研究航空计量领域智能问答系统的构建，主要贡献如下。

（1）将多跳证据检索形式化为约束满足问题。查询图节点、候选实体和查询关系分别对应变量、变量域和约束。该形式化在检索过程中检查跨跳路径一致性，并支持后续的候选收缩和证据组装阶段。

（2）开发了HCREA，一种结合语义检索与结构约束的分层约束检索器。其L0-L4流水线涵盖候选域初始化、AC-3约束传播、边实例枚举、深度优先组装和top-k选择。结构约束在局部边实例组装为全局一致的证据子图之前收缩候选空间，从而减少多跳搜索中的无效组合，提升检索稳定性和效率。

（3）开发了具有连续证据追踪和分离领域配置的Graph-RAG框架。HCREA-GRAG使用结构化查询图连接问题理解与证据检索，并以完整证据子图和原始三元组约束答案生成。通过保留证据ID及其与答案的对应关系，建立了从问题到查询图、证据子图、答案和原始事实的可追溯链。此外，HCREA-GRAG将核心求解器与领域配置分离，领域配置包括知识图谱、本体和关系语义、文本模板、少样本示例及输出规范。核心检索过程无需领域监督训练，可通过相应配置跨领域复用，降低标注和维护成本，同时支持知识更新和跨领域迁移。

该方法在航空计量知识图谱上通过对比实验、消融实验、参数敏感性分析、案例分析和效率评估，对1跳至3跳任务进行了评价，并在MetaQA上进一步检验了其跨领域迁移性。

章节片段

任务定义

本文研究特定领域知识图谱上的可解释问答，重点聚焦航空计量中的KGQA。核心挑战是基于结构化知识图谱回答一跳到多跳的自然语言问题，而不依赖领域标注的训练数据，同时为答案提供完整且可追溯的推理路径。

设航空计量知识图谱为G=(V,E,R)，其中V、E和R分别表示实体集、边集和……

实验

实验从多个角度评价所提方法的有效性，包括以下目标：

（1）验证该方法在航空计量领域一跳和多跳问答任务上的整体准确率，并与多个代表性基线进行比较。

（2）通过消融实验分析关键模块对整体性能的贡献。

（3）分析不同跳数问题上的性能变化，并评价多跳推理……

总结

为解决航空计量中知识查询效率低和多跳推理困难的问题，本文提出一种基于分层约束求解的知识图谱问答方法。该方法以航空计量知识图谱为知识来源，包含三个阶段。首先，大语言模型将自然语言问题改写为结构化查询图，实现自然语言到结构化查询的映射。其次，HCREA框架在……

CRediT作者贡献声明

Jihang Zou：写作——审阅与编辑、写作——原稿、验证、软件、方法学、调查、形式分析、数据管理、概念化。Xuetao Zhang：验证、软件、调查、数据管理。Yahui Wu：可视化、软件、数据管理。Guoyi Hou：写作——审阅与编辑、监督、项目管理、经费获取。Xiang Huang：监督、资源、项目管理。

利益冲突声明

作者声明，他们不存在可能影响本文所报告工作的已知竞争经济利益或个人关系。

致谢

本研究受中国工业和信息化部民用飞机专项科研项目资助（项目编号：MJZ3-4N22）。

Jihang Zou｜Xuetao Zhang｜Yahui Wu｜Guoyi Hou｜Xiang Huang