摘要隨著大模型在企業(yè)知識(shí)庫中的廣泛應(yīng)用向量檢索已成為主流方案。但向量檢索在處理復(fù)雜業(yè)務(wù)關(guān)系時(shí)存在明顯的結(jié)構(gòu)性局限——語義孤島、實(shí)體歧義、多跳斷路、時(shí)序缺失。本文系統(tǒng)分析了這些局限的成因介紹了 GraphRAG 的原理與優(yōu)勢(shì)并提出向量檢索與 GraphRAG 相結(jié)合的混合架構(gòu)方案為企業(yè)構(gòu)建更智能的知識(shí)系統(tǒng)提供參考。關(guān)鍵詞企業(yè)知識(shí)庫向量檢索GraphRAG知識(shí)圖譜多跳關(guān)系檢索一、引言1.1 企業(yè)AI知識(shí)庫的發(fā)展現(xiàn)狀隨著人工智能技術(shù)的快速發(fā)展企業(yè)構(gòu)建 AI 知識(shí)庫已成為提升競(jìng)爭(zhēng)力的重要手段。在這一趨勢(shì)下向量檢索技術(shù)因其高效性和可擴(kuò)展性在企業(yè)知識(shí)庫中得到了廣泛應(yīng)用。具體來說向量檢索通過對(duì)非結(jié)構(gòu)化文本進(jìn)行切塊、嵌入Embedding處理并將其存儲(chǔ)至向量數(shù)據(jù)庫中從而實(shí)現(xiàn)快速召回與用戶查詢語義相似的文本片段。這種技術(shù)在簡(jiǎn)化知識(shí)庫構(gòu)建流程的同時(shí)還能夠有效應(yīng)對(duì)大規(guī)模數(shù)據(jù)的管理需求。基于預(yù)訓(xùn)練語言模型的向量化方法進(jìn)一步提升了文本表示的能力使得知識(shí)庫在基礎(chǔ)信息檢索任務(wù)中表現(xiàn)出色。然而盡管向量檢索在技術(shù)上取得了顯著進(jìn)展其應(yīng)用場(chǎng)景仍主要集中于單一文檔或簡(jiǎn)單場(chǎng)景下的信息查找難以滿足企業(yè)復(fù)雜業(yè)務(wù)環(huán)境中的知識(shí)獲取需求。1.2 向量檢索面臨的問題盡管向量檢索在查找制度、手冊(cè)等結(jié)構(gòu)化程度較高的文檔時(shí)表現(xiàn)優(yōu)異但在企業(yè)真實(shí)業(yè)務(wù)場(chǎng)景中其局限性逐漸顯現(xiàn)企業(yè)知識(shí)以網(wǎng)狀結(jié)構(gòu)存在不同實(shí)體之間存在多跳關(guān)系例如客戶與合同、項(xiàng)目與交付團(tuán)隊(duì)之間的關(guān)聯(lián)向量檢索無法捕捉深層次業(yè)務(wù)關(guān)系核心機(jī)制是基于文本相似度進(jìn)行片段召回答案不完整、不準(zhǔn)確當(dāng)面對(duì)需要綜合多源信息的問題時(shí)只能提供孤立的知識(shí)點(diǎn)而非完整的業(yè)務(wù)鏈路復(fù)雜問題下瓶頸突出涉及優(yōu)先級(jí)判斷、版本更新或場(chǎng)景適用性等復(fù)雜問題時(shí)尤為明顯1.3 研究目的與意義本研究旨在揭示企業(yè)知識(shí)庫不能僅依賴向量檢索的根本原因并探討如何通過引入 GraphRAG 技術(shù)對(duì)企業(yè)知識(shí)庫進(jìn)行升級(jí)。研究表明企業(yè)知識(shí)的核心價(jià)值在于其內(nèi)在的關(guān)系網(wǎng)絡(luò)而非孤立的文本片段。因此構(gòu)建能夠理解并表達(dá)這些復(fù)雜關(guān)系的新型知識(shí)庫架構(gòu)顯得尤為重要。GraphRAG 通過結(jié)合知識(shí)圖譜與向量檢索的優(yōu)勢(shì)能夠在 Chunk 層之上補(bǔ)充知識(shí)結(jié)構(gòu)層從而使 AI 系統(tǒng)具備對(duì)多跳關(guān)系的理解能力。這種技術(shù)的引入不僅有助于提升知識(shí)庫的答案準(zhǔn)確性與穩(wěn)定性還為構(gòu)建更加智能化的企業(yè)知識(shí)系統(tǒng)提供了新的可能性。二、相關(guān)工作2.1 向量檢索在知識(shí)庫中的應(yīng)用向量檢索作為一種基于語義相似度計(jì)算的技術(shù)近年來在企業(yè)知識(shí)庫中得到了廣泛應(yīng)用。其核心原理是將非結(jié)構(gòu)化文本通過嵌入模型轉(zhuǎn)換為高維向量并利用向量空間中的距離度量如余弦相似度進(jìn)行快速檢索。工作流程文檔 → 切塊(Chunk) → Embedding → 向量數(shù)據(jù)庫 ↑ 用戶查詢 → Embedding → 相似度檢索 → 召回文本片段 → LLM生成答案這一流程在簡(jiǎn)單場(chǎng)景下表現(xiàn)出色例如查找制度條款、操作手冊(cè)或特定文檔中的明確答案。然而在復(fù)雜場(chǎng)景中向量檢索的效果往往受到限制尤其是在處理多跳關(guān)系或需要深入理解業(yè)務(wù)知識(shí)的情況下其召回結(jié)果可能缺乏足夠的上下文支持。2.2 知識(shí)圖譜相關(guān)研究進(jìn)展知識(shí)圖譜是一種以圖結(jié)構(gòu)表示知識(shí)的方法通過節(jié)點(diǎn)和邊來描述實(shí)體及其之間的關(guān)系。在知識(shí)表示方面知識(shí)圖譜能夠?qū)㈦x散的知識(shí)單元組織為體系化的網(wǎng)絡(luò)從而支持更精細(xì)的推理和分析。構(gòu)建知識(shí)圖譜通常包括實(shí)體抽取從文本中識(shí)別關(guān)鍵對(duì)象關(guān)系建模定義實(shí)體間的語義關(guān)聯(lián)圖譜補(bǔ)全推斷隱含關(guān)系知識(shí)圖譜已廣泛應(yīng)用于智能問答、推薦系統(tǒng)以及決策支持等領(lǐng)域。特別是在知識(shí)推理方面基于知識(shí)表示學(xué)習(xí)的方法可以將知識(shí)圖譜中的實(shí)體和關(guān)系編碼為低維向量從而實(shí)現(xiàn)對(duì)隱式關(guān)系的有效推理。2.3 現(xiàn)有研究的不足通過對(duì)向量檢索與知識(shí)圖譜相關(guān)研究的對(duì)比分析可以發(fā)現(xiàn)兩者在處理企業(yè)知識(shí)庫復(fù)雜業(yè)務(wù)關(guān)系時(shí)均存在一定不足技術(shù)優(yōu)勢(shì)局限向量檢索高效召回語義相似文本無法捕捉深層次邏輯關(guān)系知識(shí)圖譜知識(shí)表示與推理能力強(qiáng)構(gòu)建維護(hù)成本高動(dòng)態(tài)更新滯后因此有必要將向量檢索的高效性與知識(shí)圖譜的結(jié)構(gòu)性相結(jié)合這正是 GraphRAG 提出的核心動(dòng)機(jī)。三、企業(yè)知識(shí)的核心特性3.1 非平面性企業(yè)知識(shí)并非簡(jiǎn)單的平面堆砌而是以復(fù)雜的關(guān)系網(wǎng)絡(luò)形式存在。在現(xiàn)代企業(yè)中客戶、產(chǎn)品、制度等核心要素之間通過多維度的關(guān)聯(lián)構(gòu)成了一個(gè)動(dòng)態(tài)的知識(shí)體系。舉例說明一個(gè)客戶可能同時(shí)關(guān)聯(lián)到銷售機(jī)會(huì)、合同記錄、項(xiàng)目執(zhí)行狀態(tài)、歷史溝通內(nèi)容以及交付團(tuán)隊(duì)的信息一個(gè)產(chǎn)品則可能與其功能模塊、版本迭代記錄、缺陷列表、適用行業(yè)場(chǎng)景及競(jìng)品分析形成緊密聯(lián)系企業(yè)的制度也不是孤立存在的其適用對(duì)象、審批角色、例外條件以及版本生效時(shí)間等屬性共同構(gòu)成了一個(gè)復(fù)雜的規(guī)則網(wǎng)絡(luò)這種多層次的關(guān)聯(lián)性使得企業(yè)知識(shí)呈現(xiàn)出顯著的立體化特征而非單一維度的平面結(jié)構(gòu)。3.2 復(fù)雜性企業(yè)知識(shí)的復(fù)雜性主要體現(xiàn)在以下幾個(gè)方面多跳關(guān)系知識(shí)往往需要通過多跳推理才能得出完整的結(jié)論。例如評(píng)估客戶是否適合推薦某種解決方案時(shí)需分析行業(yè)背景、歷史需求、產(chǎn)品匹配度及過往案例優(yōu)先級(jí)判斷某些規(guī)則具有較高的優(yōu)先級(jí)其他規(guī)則可能因特定條件而被覆蓋或忽略適用場(chǎng)景多樣性一項(xiàng)政策可能僅適用于特定區(qū)域或特定時(shí)間段內(nèi)的業(yè)務(wù)活動(dòng)3.3 動(dòng)態(tài)性企業(yè)知識(shí)并非靜態(tài)不變的而是隨著業(yè)務(wù)環(huán)境的變化而不斷更新和演進(jìn)產(chǎn)品版本迭代、業(yè)務(wù)流程調(diào)整、組織結(jié)構(gòu)變更以及市場(chǎng)環(huán)境變化等因素都會(huì)導(dǎo)致知識(shí)內(nèi)容的頻繁更新每次版本發(fā)布都可能伴隨著新功能的添加、缺陷修復(fù)以及接口調(diào)整法規(guī)遵從領(lǐng)域政策的更新或修訂也可能要求企業(yè)及時(shí)調(diào)整內(nèi)部制度為了適應(yīng)企業(yè)知識(shí)的動(dòng)態(tài)性知識(shí)庫系統(tǒng)需具備高效的更新機(jī)制和靈活的結(jié)構(gòu)設(shè)計(jì)。四、向量檢索的四大結(jié)構(gòu)性局限4.1 局限一無法理解業(yè)務(wù)關(guān)系向量檢索的核心機(jī)制是通過計(jì)算文本片段的嵌入向量相似度來召回相關(guān)信息。這種方法在簡(jiǎn)單場(chǎng)景中表現(xiàn)良好但其本質(zhì)是基于文本表面特征的匹配而非對(duì)知識(shí)背后復(fù)雜業(yè)務(wù)關(guān)系的深度理解。實(shí)際場(chǎng)景舉例用戶提問“為什么某客戶不適合推薦標(biāo)準(zhǔn)版方案”向量檢索只能召回與客戶訪談?dòng)涗洝?biāo)準(zhǔn)版產(chǎn)品介紹等直接相關(guān)的文本片段無法揭示背后的復(fù)雜業(yè)務(wù)邏輯——客戶所屬行業(yè)與標(biāo)準(zhǔn)版產(chǎn)品功能之間的不匹配、歷史需求差異、類似項(xiàng)目的失敗案例等關(guān)鍵信息。4.2 局限二無法處理多跳關(guān)系向量檢索在處理多跳關(guān)系時(shí)表現(xiàn)出顯著的局限性其主要原因在于其檢索路徑是線性且單一的。多跳推理示例用戶問題 → 誰負(fù)責(zé)了導(dǎo)致A客戶流失的項(xiàng)目 正確推理路徑 A客戶流失 → 關(guān)聯(lián)項(xiàng)目X → 項(xiàng)目負(fù)責(zé)人Y → 所屬部門Z 向量檢索的問題 只能召回與A客戶流失或項(xiàng)目相關(guān)的片段 無法沿著關(guān)系鏈逐步推導(dǎo)到負(fù)責(zé)人Y和部門Z4.3 局限三多跳召回率指數(shù)衰減每跳召回率相乘3跳后準(zhǔn)確率崩盤。假設(shè)每跳召回率為 80%則1跳80%2跳64%3跳51.2%4跳41%這種指數(shù)衰減使得向量檢索在面對(duì)企業(yè)知識(shí)庫中常見的多跳關(guān)系需求時(shí)檢索深度和理解能力受到明顯限制。4.4 局限四關(guān)系與時(shí)間結(jié)構(gòu)丟失向量檢索忽略了知識(shí)間的結(jié)構(gòu)化業(yè)務(wù)邏輯模型難以判斷不同信息片段之間的優(yōu)先級(jí)、適用場(chǎng)景以及時(shí)間有效性進(jìn)一步加劇了答案的不穩(wěn)定性。五、GraphRAG原理與優(yōu)勢(shì)5.1 GraphRAG 是什么GraphRAGGraph-based Retrieval-Augmented Generation是一種將知識(shí)圖譜與向量檢索相結(jié)合的新型檢索增強(qiáng)生成方法。其核心原理在于將用戶問題轉(zhuǎn)化為結(jié)構(gòu)化知識(shí)檢索任務(wù)。GraphRAG 的工作流程用戶問題 → 問題解析 → 實(shí)體識(shí)別 → 關(guān)系查找 → 子圖召回 → 證據(jù)回填 → LLM生成答案問題解析對(duì)用戶提出的自然語言問題進(jìn)行語義分析提取關(guān)鍵信息并轉(zhuǎn)換為可操作的查詢語句實(shí)體識(shí)別利用命名實(shí)體識(shí)別技術(shù)從問題中提取關(guān)鍵業(yè)務(wù)對(duì)象客戶、產(chǎn)品、制度等關(guān)系查找基于預(yù)定義的知識(shí)圖譜模式確定實(shí)體之間的業(yè)務(wù)關(guān)系子圖召回圍繞識(shí)別出的實(shí)體及其關(guān)系動(dòng)態(tài)構(gòu)建包含相關(guān)實(shí)體、關(guān)系路徑和上下文證據(jù)的小型知識(shí)網(wǎng)絡(luò)證據(jù)回填將子圖中每個(gè)節(jié)點(diǎn)和邊對(duì)應(yīng)的原始文檔片段回填給大模型為答案生成提供詳實(shí)的證據(jù)支持5.2 實(shí)現(xiàn)多跳關(guān)系檢索GraphRAG 通過引入子圖機(jī)制有效解決了傳統(tǒng)向量檢索在處理多跳關(guān)系時(shí)的不足。對(duì)比示例維度傳統(tǒng) RAGGraphRAG檢索方式文本相似度匹配子圖多跳檢索關(guān)系理解無沿業(yè)務(wù)關(guān)系路徑擴(kuò)展上下文完整性局部片段完整業(yè)務(wù)鏈路答案準(zhǔn)確率基準(zhǔn)提升約6%5.3 提供結(jié)構(gòu)化知識(shí)連接GraphRAG 在傳統(tǒng) Chunk 層之上補(bǔ)充了知識(shí)結(jié)構(gòu)層這一設(shè)計(jì)使其能夠從整體上捕捉企業(yè)知識(shí)之間的復(fù)雜關(guān)系節(jié)點(diǎn)代表一個(gè)實(shí)體邊表示實(shí)體之間的關(guān)系版本控制通過圖譜中的版本控制關(guān)系明確標(biāo)識(shí)哪些規(guī)則已過期哪些僅適用于特定場(chǎng)景動(dòng)態(tài)更新實(shí)時(shí)反映企業(yè)知識(shí)的變化確保 AI 始終基于最新信息推理六、GraphRAG 的技術(shù)核心6.1 實(shí)體抽取實(shí)體抽取是構(gòu)建知識(shí)圖譜的基礎(chǔ)環(huán)節(jié)為后續(xù)的關(guān)系建模和知識(shí)推理提供必要的節(jié)點(diǎn)信息。在企業(yè)知識(shí)庫中實(shí)體通常包括客戶、產(chǎn)品、合同、部門、人員等關(guān)鍵業(yè)務(wù)對(duì)象。輸入文本客戶A在2024年Q3購買了企業(yè)版方案 由銷售團(tuán)隊(duì)B負(fù)責(zé)項(xiàng)目組長(zhǎng)是張三 抽取結(jié)果 實(shí)體[客戶A, 2024年Q3, 企業(yè)版方案, 銷售團(tuán)隊(duì)B, 張三] 關(guān)系[購買(客戶A, 企業(yè)版方案), 負(fù)責(zé)(銷售團(tuán)隊(duì)B, 客戶A), 組長(zhǎng)(張三, 銷售團(tuán)隊(duì)B)]6.2 關(guān)系建模關(guān)系建模是決定知識(shí)圖譜業(yè)務(wù)價(jià)值的核心環(huán)節(jié)主要任務(wù)是在識(shí)別出的實(shí)體之間建立語義關(guān)聯(lián)。關(guān)鍵原則包括一致性關(guān)系定義需統(tǒng)一規(guī)范完整性覆蓋主要業(yè)務(wù)關(guān)系可擴(kuò)展性支持新關(guān)系的靈活添加6.3 子圖召回子圖召回是 GraphRAG 區(qū)別于傳統(tǒng)向量檢索的重要特征。其核心目標(biāo)是在用戶提問時(shí)圍繞問題召回相關(guān)的小型知識(shí)網(wǎng)絡(luò)而非簡(jiǎn)單地返回相似文本片段?；趫D算法如隨機(jī)游走或最短路徑搜索的子圖召回策略能夠顯著提高檢索效率與準(zhǔn)確性。6.4 證據(jù)回填證據(jù)回填是保證 GraphRAG 輸出結(jié)果可信度的關(guān)鍵步驟。將知識(shí)圖譜中實(shí)體與關(guān)系背后的原始資料如文檔條款、工單記錄、會(huì)議紀(jì)要一同反饋給模型以支持其推理過程。七、向量檢索與 GraphRAG 的關(guān)系7.1 向量檢索仍然重要向量檢索在企業(yè)知識(shí)庫中扮演著至關(guān)重要的角色處理非結(jié)構(gòu)化文本數(shù)據(jù)時(shí)高效召回語義相似片段適用于制度文件、操作手冊(cè)、產(chǎn)品說明書等場(chǎng)景可以快速定位相關(guān)文檔片段提供即時(shí)信息支持7.2 GraphRAG 是升級(jí)而非替代GraphRAG 在向量檢索的基礎(chǔ)上引入了知識(shí)結(jié)構(gòu)層將檢索過程從單純的文本匹配提升到了知識(shí)推理的層面。兩者是互補(bǔ)關(guān)系而非替代關(guān)系。7.3 混合架構(gòu)最佳實(shí)踐企業(yè)級(jí)知識(shí)庫應(yīng)采用向量檢索 知識(shí)圖譜 Graph Retrieval LLM的混合架構(gòu)組件職責(zé)向量檢索快速召回非結(jié)構(gòu)化文本片段基礎(chǔ)層知識(shí)圖譜提供結(jié)構(gòu)化表達(dá)能力支持語義推理Graph Retrieval多跳關(guān)系檢索和子圖召回增強(qiáng)關(guān)系理解LLM綜合分析檢索到的知識(shí)生成高質(zhì)量回答實(shí)驗(yàn)結(jié)果表明這種混合架構(gòu)不僅能夠顯著提升知識(shí)庫的檢索精度和答案質(zhì)量還能夠在復(fù)雜場(chǎng)景下保持較高的穩(wěn)定性和可擴(kuò)展性。八、企業(yè)落地 GraphRAG 的策略8.1 避免大而全的圖譜構(gòu)建在企業(yè)知識(shí)庫的構(gòu)建過程中嘗試覆蓋全公司范圍的大而全知識(shí)圖譜往往面臨較高的失敗風(fēng)險(xiǎn)涉及實(shí)體數(shù)量眾多且關(guān)系復(fù)雜治理成本顯著增加不同業(yè)務(wù)部門之間的知識(shí)結(jié)構(gòu)和術(shù)語體系存在差異初期階段難以快速顯現(xiàn)業(yè)務(wù)價(jià)值項(xiàng)目容易因缺乏明確回報(bào)而停滯8.2 從高價(jià)值場(chǎng)景做小圖譜優(yōu)先選擇高價(jià)值場(chǎng)景作為 GraphRAG 的切入點(diǎn)例如售前支持或客戶服務(wù)知識(shí)庫售前知識(shí)庫核心實(shí)體產(chǎn)品、解決方案、客戶需求、競(jìng)爭(zhēng)對(duì)手關(guān)鍵關(guān)系產(chǎn)品功能與客戶需求匹配度、解決方案適用行業(yè)、競(jìng)品對(duì)比分析小規(guī)模但實(shí)用性強(qiáng)便于短期內(nèi)驗(yàn)證技術(shù)可行性8.3 關(guān)注業(yè)務(wù)問題而非圖譜規(guī)模知識(shí)圖譜的價(jià)值在于其能否有效解決真實(shí)的業(yè)務(wù)問題而非圖譜本身的規(guī)模大小。以業(yè)務(wù)問題為導(dǎo)向結(jié)合具體場(chǎng)景需求設(shè)計(jì)知識(shí)圖譜的架構(gòu)和功能。九、未來展望9.1 從文檔庫到知識(shí)網(wǎng)絡(luò)企業(yè)知識(shí)庫的發(fā)展歷程經(jīng)歷了從簡(jiǎn)單的文檔集中管理到智能化信息檢索再到深層次知識(shí)關(guān)系理解的演進(jìn)過程。通過構(gòu)建知識(shí)網(wǎng)絡(luò)企業(yè)能夠?qū)⒎稚⒌奈臋n內(nèi)容組織成結(jié)構(gòu)化、關(guān)聯(lián)化的知識(shí)體系。9.2 GraphRAG 的推廣與應(yīng)用GraphRAG 在不同企業(yè)場(chǎng)景中具有廣泛應(yīng)用前景客戶服務(wù)快速獲取與客戶問題相關(guān)的完整業(yè)務(wù)鏈路項(xiàng)目管理為團(tuán)隊(duì)成員提供全面的上下文信息支持內(nèi)部培訓(xùn)基于知識(shí)關(guān)系的智能化學(xué)習(xí)推薦市場(chǎng)分析深度挖掘市場(chǎng)趨勢(shì)和競(jìng)爭(zhēng)格局9.3 對(duì)企業(yè)決策與競(jìng)爭(zhēng)力的影響基于 GraphRAG 的企業(yè)知識(shí)庫將對(duì)企業(yè)決策質(zhì)量、響應(yīng)速度以及客戶滿意度產(chǎn)生深遠(yuǎn)影響管理者可以更加全面地掌握企業(yè)內(nèi)部各要素之間的復(fù)雜關(guān)系系統(tǒng)可以通過快速檢索和推理生成即時(shí)且可靠的解決方案通過對(duì)海量數(shù)據(jù)的深度挖掘發(fā)現(xiàn)新趨勢(shì)和新機(jī)會(huì)十、總結(jié)本研究系統(tǒng)分析了企業(yè)知識(shí)庫在依賴向量檢索時(shí)面臨的局限性并深入探討了 GraphRAG 作為一種創(chuàng)新性解決方案的原理、優(yōu)勢(shì)及技術(shù)核心。核心結(jié)論如下向量檢索有結(jié)構(gòu)性局限無法理解業(yè)務(wù)關(guān)系、無法處理多跳關(guān)系、多跳召回率指數(shù)衰減、關(guān)系與時(shí)間結(jié)構(gòu)丟失GraphRAG 提供結(jié)構(gòu)化連接通過實(shí)體抽取、關(guān)系建模、子圖召回和證據(jù)回填四個(gè)關(guān)鍵環(huán)節(jié)顯著提升知識(shí)庫對(duì)業(yè)務(wù)關(guān)系的理解能力混合架構(gòu)是最佳路徑向量檢索負(fù)責(zé)非結(jié)構(gòu)化文本的高效召回知識(shí)圖譜提供結(jié)構(gòu)化關(guān)系大模型基于這些信息生成最終答案落地策略要?jiǎng)?wù)實(shí)避免大而全從高價(jià)值場(chǎng)景做小圖譜以業(yè)務(wù)問題為導(dǎo)向企業(yè)知識(shí)庫的未來方向向量是底座圖是增強(qiáng)層不能只靠向量也不能無腦全量換圖。參考文獻(xiàn)[1] 何柳, 安然, 劉妍, 等. 基于知識(shí)圖譜的航空多模態(tài)數(shù)據(jù)組織與知識(shí)發(fā)現(xiàn)技術(shù)研究[J]. 圖學(xué)學(xué)報(bào), 2024, 45(2): 300-307.[2] 晉艷峰, 黃海來, 林沿錚, 等. 基于知識(shí)表示學(xué)習(xí)的KBQA答案推理重排序算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2024, 41(7): 1983-1991.[3] 田雨晴, 汪春梅, 袁非牛. 融合局部特征的多知識(shí)庫常識(shí)問答模型[J]. 計(jì)算機(jī)工程與應(yīng)用, 2024, 60(12): 129-135.[4] 張志遠(yuǎn), 蘇加恩. 基于多跳檢索和知識(shí)圖譜嵌入的知識(shí)圖譜問答[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2023, 44(10): 2997-3003.[5] 張西碩, 柳林, 王海龍, 等. 知識(shí)圖譜中實(shí)體關(guān)系抽取方法研究[J]. 計(jì)算機(jī)科學(xué)與探索, 2024, 18(3): 574-596.[6] 崔員寧, 孫澤群, 胡偉. 基于規(guī)則提示的知識(shí)圖譜通用推理預(yù)訓(xùn)練模型[J]. 計(jì)算機(jī)研究與發(fā)展, 2024, 61(8): 2030-2044.[7] 胡月, 周光有. 基于Graph Transformer的知識(shí)庫問題生成[J]. 中文信息學(xué)報(bào), 2022, 36(2): 111-120.[8] 梅日庚, 耿少輝, 林志敏, 等. 水凝膠創(chuàng)傷修復(fù)研究中應(yīng)用的小型豬模型[J]. 中國組織工程研究, 2024, 28(29): 4697-4702.[9] 薩日娜, 李艷玲, 林民. 知識(shí)圖譜推理問答研究綜述[J]. 計(jì)算機(jī)科學(xué)與探索, 2022, 16(8): 1727-1741.[10] 劉抒, 申彥明, 齊恒, 等. 基于層次結(jié)構(gòu)圖的多跳知識(shí)圖譜問答模型[J]. 計(jì)算機(jī)工程, 2024, 50(1): 101-109.[11] 王元?jiǎng)? 吳華瑞, 趙春江. 農(nóng)業(yè)知識(shí)驅(qū)動(dòng)服務(wù)技術(shù)革新綜述與前沿[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2024, 40(7): 1-16.[12] 鄭豪, 郭奕君, 毋立芳, 等. 知識(shí)驅(qū)動(dòng)的多模態(tài)語義理解研究綜述[J]. 模式識(shí)別與人工智能, 2023, 36(12): 1127-1138.