基于邻域增强的大语言模型的食品安全标准知识图谱补全方法

　　摘要： 本研究提出基于邻域增强的大语言模型（large language model，LLM）知识图谱补全框架（neighborhood-enhanced large language model-knowledge graph completion，NELLM-KGC），旨在增强对食品安全标准领域复杂关联的推理能力。NELLM-KGC首先采用图结构化表示方式高效整合法规、标准限值、检测方法等关键异构数据，构建中文食品安全标准知识图谱。其次，采用引导式方法将传统的KGC任务转化为自然语言问答形式，并通过指令微调策略优化模型对中文食品标准领域任务的适应能力。为了提升推理的精确性，NELLM-KGC基于图剪枝算法设计了邻域信息融合机制，依托知识图谱检索器与LLM的双阶段筛选，从实体邻域中精准捕获与推理路径强相关的前m 个邻域节点信息（Top-m）证据链并进行精细化微调。本研究在公共知识图谱数据集（如FB15k-237、WN18RR）和自定义的食品安全标准数据集上进行了广泛验证，结果表明，NELLM-KGC在三元组分类准确率、实体预测Hits@1和关系预测Hits@1等关键指标上均表现出较好的性能，证明了该框架的有效性。