基于 LLM 的领域知识图谱构建：开源模型与本体学习新方法

摘要：本研究提出了一种基于开源大语言模型（LLM）的领域知识图谱构建方法，旨在解决工业文本中知识提取和本体构建的挑战。该方法结合了紧凑型 LLM、可复用的提示策略和开放知识库，从非结构化文本中提取实体和关系，生成 RDF 三元组，并构建 OWL 本体。通过对电力事故报告的法语文料进行实验，结果表明，基于模式的提示策略显著提升了提取质量，而量化模型在性能和计算成本之间实现了有效平衡。该研究展示了利用本地部署的开源 LLM 将领域特定文本转化为基于本体的知识图谱的可行性，并为知识图谱构建提供了新的技术路径。

---

研究背景与挑战

在工业文本处理领域，从非结构化文本中构建知识图谱面临诸多挑战，包括文档的领域特定性、标注资源的稀缺性以及本体工程工作流的复杂性。现有的方法往往难以在性能和效率之间取得平衡，尤其是在处理大规模数据时。

方法与创新

本研究提出了一种基于开源大语言模型（LLM）的本体学习管道，具体方法包括：

1. 实体与关系提取：利用 LLM 从非结构化文本中提取实体和关系。
2. RDF 三元组生成：将提取的实体和关系转化为 RDF 三元组。
3. OWL 本体构建：基于 RDF 三元组构建 OWL 本体，并使用外部知识源进行丰富。
4. 本体质量评估：对构建的本体进行质量评估，确保其准确性和完整性。
5. 知识图谱构建：最终构建一个基于本体的知识图谱。

实验与结果

研究在电力事故报告的法语文料上进行了实验，使用了从 7B 到 32B 参数的本地部署开源 LLM。实验结果表明：

• 基于模式的提示策略：显著提升了提取质量。
• 量化模型：在性能和计算成本之间实现了有效平衡。

技术亮点

• 开源模型的应用：利用开源 LLM 降低了构建成本和门槛。
• 可复用的提示策略：提高了跨领域应用的通用性。
• 量化模型的效率：在保持性能的同时降低了计算成本。

行业影响与建议

该研究为工业领域的知识图谱构建提供了新的思路，尤其适用于资源受限但对知识管理有高需求的场景。开发者可以参考以下建议：

• 优先选择开源 LLM：降低开发和部署成本。
• 设计可复用的提示策略：提高跨领域应用的效率。
• 结合外部知识源：提升知识图谱的丰富性和准确性。

未来展望

未来研究可以进一步探索 LLM 在不同领域的应用，以及如何更好地结合人类专家知识以提升知识图谱的质量。

---

消息来源：ArXiv NLP/LLM (cs.CL) (2026-09-29)

—— 完 ——

主题标签： #LLM #知识图谱 #本体学习 #开源模型 #自然语言处理