基于知识增强的图推理技术在包装设计中的应用：结合工程约束验证

《Expert Systems with Applications》：Knowledge-Enhanced Graph Reasoning for Packaging Design with Engineering Constraint Validation

智能包装设计需要处理包含EAN代码、材料兼容性、包装层级和工程约束的复杂多维知识，现有大语言模型难以可靠满足要求。本文提出知识增强的图约束推理（KE-GCR）框架，通过构建包装领域知识图谱（含1513实体、8778RDF三元组）、设计基于EAN代码的原子化分词算法、新增工程约束验证模块和层级一致性检查机制，显著提升推理准确率（91.2%）和约束满足率（94.8%）。实验表明KE-GCR较基线提升5.6-8.5个百分点，路径检索时间降低至35ms。

　　

万莉|朱红茵

韩国全罗南道永甘郡三湖邑诺克塞克路1113号世汉大学，邮编58447

摘要

智能包装设计需要处理涉及EAN码、材料兼容性、包装层次结构和工程约束的复杂多维知识，这是一项通用大型语言模型难以可靠完成的挑战。本文提出了一种知识增强型图约束推理（KE-GCR）框架，该框架将包装领域知识图与两阶段约束解码机制紧密结合，以实现高保真度和符合工程规范的属性推理。我们的框架做出了四个核心贡献：（1）基于ProductKG本体构建的包装领域知识图和规则库，包含1,513个产品实体、8,778个RDF三元组和工程约束规则；（2）针对EAN码等包装标识符的优化KG-Trie构建算法，采用领域特定的原子化处理；（3）增强型约束解码机制，包含三个验证器——KGValid、RuleValid和Coherent——在生成过程中确保知识一致性、工程规则满足性和逻辑连贯性；（4）构建了一个包含3,268个样本的专用基准测试集，涵盖七种类型的包装推理任务。实验表明，我们的方法显著优于现有基线，Hit@1达到91.2%，F1达到83.7%，约束满足率达到94.8%，同时将路径检索时间从380毫秒缩短至35毫秒。消融研究证实了每个组件的贡献，错误分析指出了与知识图不完整性和实体歧义相关的关键失败模式。这些结果为包装工程中的知识驱动推理奠定了实用且可扩展的基础。

引言

包装设计是一门知识密集型工程学科，需要同时满足一系列相互依赖的约束：物理容纳规则、材料兼容性要求、条形码编码标准（例如13位EAN码）、分层包装结构以及数值尺寸限制。自动化这些约束的推理过程——使智能系统能够可靠地选择材料、验证参数组合，并将其决策追溯到文档化的工程规则——是知识工程和自然语言处理交叉领域的一个重要未解决的问题。

通用大型语言模型（LLMs）在多个领域展现了出色的推理能力（Luo等人，2025年），但在包装设计这一特定场景下仍存在两个问题。首先，它们无法访问包装推理所依赖的结构化领域知识：材料兼容性表、产品本体和工程规则库并未在预训练数据中得到可靠编码。其次，由于缺乏明确的结构化约束，LLMs生成的推理路径虽然听起来合理，但实际上并不正确——这种现象通常被称为“幻觉”，在安全关键的工程应用中是不可接受的。

Luo等人（2025年）提出的图约束推理（GCR）框架通过将LLM解码基于知识图 trie（KG-Trie）来解决幻觉问题。然而，直接将GCR应用于包装设计是不够的。原始框架仅保证了结构一致性——即生成的推理路径与知识图中的边和路径相对应——但并未保证工程可行性。在包装领域，一个结构上有效的KG路径（例如将玻璃容器与挤压分配器连接起来）可能在物理上是不可能的。此外，用于构建KG-Trie的标准标记方法将EAN码等结构化包装标识符分解为无意义的子标记，降低了检索的准确性。这些局限性促使我们进行原则性的领域适应性改进。

为了解决这些问题，我们提出了一个用于包装设计的知识增强型图约束推理（KE-GCR）框架。除了基础GCR范式之外，我们的关键技术创新包括：（i）针对KG-Trie的领域特定原子化策略，将结构化代码视为不可分割的语义单元；（ii）工程约束集成层（RuleValid模块），在解码过程中确保物理规则、材料兼容性和尺寸约束的遵守——这些是原始GCR中缺失的；（iii）Coherent约束，用于在整个推理过程中验证包装结构内的层次一致性。为了将框架基于真实的包装知识，我们使用了Kümpel和Beetz（2023年）的产品KG本体构建了领域知识图，并补充了正式的工程规则库和专用基准测试数据集。

在包含3,268个样本的包装推理基准测试中，我们的方法实现了91.2%的Hit@1和94.8%的约束满足率，分别比最佳KG增强型基线高出5.6个百分点和8.5个百分点，同时将路径检索延迟减少了十个数量级。我们还进行了消融研究、失败案例分析和敏感性分析，以严格描述框架的行为和局限性。

主要贡献如下：

1.

我们提出了KE-GCR，一种用于包装设计的知识增强型图约束推理框架，包含三种新颖的约束机制（领域特定的KG-Trie标记化、工程规则集成和层次一致性检查），扩展了GCR范式以处理工程可行性约束。

2.

我们构建了一个包含1,513个产品实体、8,778个RDF三元组和22种关系类型的包装领域知识图，以及涵盖材料兼容性、容纳逻辑和尺寸限制的正式工程规则库。

3.

我们构建了一个包含3,268个注释样本的高质量基准测试集，涵盖了七种类型的包装推理任务，并发布了评估协议以支持可重复性。

本文的结构如下：第2节回顾相关工作；第3节详细介绍了所提出的框架；第4节展示了包括消融分析和错误分析在内的实验结果；第5节进行了总结。

相关工作

本节回顾了受限解码技术、知识图约束推理及其在工程设计中的应用。最近的大型语言模型研究进展越来越多地关注在生成过程中强制执行形式化结构约束的方法，以提高可靠性和任务性能。这一研究方向的一个核心是语法约束解码，即限制生成结果满足明确的句法或语义规则。

方法

本节描述了我们的包装属性推理知识约束框架。我们明确了两个阶段的目标，介绍了架构，构建了包装知识图和规则库，然后详细介绍了图约束推理和基于约束的解码方法。我们还描述了数据集的构建过程，并总结了与通用GCR框架的关键区别。

实验

本节展示了实验设置和结果，证明了所提方法的有效性。

结论

本文提出了KE-GCR，一种用于智能包装设计的知识增强型图约束推理框架。我们的主要贡献包括：（1）优化后的KG-Trie，采用领域特定的原子化处理方式，解决了EAN码和结构化包装标识符的子标记碎片问题；（2）工程约束集成层（RuleValid模块），扩展了基础GCR框架，以确保物理可行性和材料兼容性——这些是原始GCR中缺失的约束类型

未引用的浮动文本

图1.

CRediT作者贡献声明

万莉：软件开发、数据验证、数据整理、形式分析、初稿撰写。朱红茵：概念构思、方法论设计、资源提供、审稿与编辑、指导。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。所有作者均已批准手稿的最终版本，并同意将其提交给《Expert Systems with Applications》期刊。