
-
生物通官微
陪你抓住生命科技
跳动的脉搏
融合知识图谱与预训练语言模型的组织韧性计算评估框架
《Scientific Reports》:Knowledge graph-enhanced pre-trained language model for organizational resilience assessment and dynamic capability reconstruction path mining
【字体: 大 中 小 】 时间:2026年09月19日 来源:Scientific Reports 4.9
编辑推荐:
摘要组织韧性如今决定哪些企业能够在持续的不确定性环境中生存下来,然而大多数评估工具仍在不同指标之间保持碎片化状态,并将结构化的领域知识与语义理解彼此割裂。本研究开发了一个领域专用框架,通过交叉注意力融合机制将知识图谱推理与预训练语言模型编码相结合。我们构建了一个涵盖企业、能力
组织韧性如今决定哪些企业能够在持续的不确定性环境中生存下来,然而大多数评估工具仍在不同指标之间保持碎片化状态,并将结构化的领域知识与语义理解彼此割裂。本研究开发了一个领域专用框架,通过交叉注意力融合机制将知识图谱推理与预训练语言模型编码相结合。我们构建了一个涵盖企业、能力、资源及风险因素的组织韧性知识图谱,将其注入中间层Transformer层,并通过注意力加权聚合分别对吸收能力、适应能力和恢复能力进行评分;随后利用强化学习路径挖掘器在图谱中搜索动态能力重建轨迹。针对856家上市企业(2018–2023年)的真值标签,结合了基于规则的抗冲击恢复指标评分(涵盖财务与非财务指标)以及三评审专家标注,我们报告了0.81的组内相关系数和0.78的Cohen's kappa值。由于标注规则与特征空间存在部分重叠,我们有意在规则范围之外测试该框架:通过孤立消融实验去除与规则对齐的特征,并将预测结果与规则从未观测到的结果进行验证,包括冲击后的财务困境及恢复至冲击前运营水平所需的时间。数据按企业-年份进行严格的时间分层划分,且知识图谱仅基于训练期间的文档构建。在此协议下,该框架达到87.92%的准确率和86.51%的F1分数,优于六个基线模型和三个通过显式LoRA超参数搜索调优的开源大语言模型;路径挖掘的Hit@1为56.82%,Hit@5为77.24%,平均倒数排名为0.672。结果在不同标准化、加权和离散化方案中均保持稳健,且随着图谱噪声或边稀疏度增加而可预测地退化。约五分之一的最高排名路径仍然存在错误,最常见的情况是误判资源约束,因此我们将建议定位为决策辅助工具而非处方性方案。本研究为计算韧性评估做出了贡献,同时映射而非掩盖了其输出可被信任的边界。