计算机应用

当前目录

• 面向知识图谱补全的大模型方法综述

  张昊洋, 张丽萍, 闫盛, 李娜, 张学飞

  知识图谱（KG）可从海量数据中提取并结构化表示先验知识，在智能系统的构建与应用中发挥着关键作用。知识图谱补全（KGC）旨在预测KG中缺失的三元组以提升完整性和可用性，通常涵盖编码环节与预测环节。然而，传统的KGC方法在编码环节存在难以有效利用额外信息与语义信息的问题，而在预测环节存在知识覆盖不完全及封闭世界问题，且先编码后预测的框架会受到嵌入表示形式和计算效率的限制。大语言模型（LLM）凭借丰富的知识和强大的理解力能够解决这些问题。因此，对面向知识图谱补全的大模型方法进行综述。首先，概述KG与LLM的基本概念及研究现状，并阐述KGC的流程；其次，将现有基于LLM的KGC方法从将LLM作为编码器、将LLM作为生成器以及基于提示引导三方面进行总结和梳理；最后，总结模型在不同数据集上的性能表现并探讨基于LLM的KGC研究面临的问题与挑战。

• 预回答与召回过滤：双阶段RAG问答系统优化方法

  黄奕明, 邹喜华, 邓果, 郑狄

  现有的检索增强生成（RAG）问答系统在特定领域应用时，存在检索路径单一、用户潜在意图覆盖不足和召回文段质量低导致的系统回答准确性低与不全面的问题。因此，提出一种双阶段优化方法——预回答与召回过滤（PARF）。首先，通过结合领域知识图谱与提示工程技术，引导大语言模型（LLM）生成预回答，构建“原始查询→预回答→相关文段”的多向检索路径，从而扩展原始查询的语义空间；其次，利用BERT（Bidirectional Encoder Representations from Transformers）模型对召回文段进行相关性评分与过滤，实现检索与生成阶段的协同优化，提升有效信息的密度。实验结果表明，相较于基线方法DPR-LLM（Dense Passage Retrieval with LLM）构建的RAG问答系统，PARF方法构建的RAG问答系统的一致性指标F1和ROUGE-L（Recall-Oriented Understudy for Gisting Evaluation-L）在轨道交通问答数据集上分别提升19.8和41.5个百分点，在医药问答数据集上分别提升16.1和17.6个百分点，效果指标正确率分别提升10.2和8.8个百分点。

• 多Agent协作的知识推理框架

  王日龙, 李振平, 李晓松, 高强, 何亚, 钟勇, 赵英潇

  情报分析的核心任务是从海量数据中提取事件关联并推导因果关系。然而，当前基于大语言模型（LLM）的方法在处理长文本时，受限于上下文窗口和计算复杂度，难以有效捕捉事件间的因果关联，导致推理能力显著下降，这一现象在参数规模较小的语言模型中尤为突出。针对这一问题，提出一种多Agent协作的知识推理（MAKR）框架。该框架通过增量式构建实体关系图，显式建模实体间的复杂关联，从而辅助LLM实现更精准的因果推理。双塔结构的设计使图模型与语言模型能够分别独立处理图结构信息和文本信息，并通过融合机制增强模型对长文本中复杂逻辑关系的理解能力。此外，在语言预测任务的基础上，增加针对图中节点关系的预测任务，从而进一步优化语义对齐效果。实验结果表明，在有限的计算资源条件下，在GDELT数据集的安全事件分析和OpenSanctions数据集的制裁关联分析任务中，MAKR框架的事件预测和因果推断的性能均显著优于HetGNN（Heterogeneous Graph Neural Network）和HiGPT等对比方法，验证了该框架在计算资源受限的工业场景中的实用价值。

• 基于AHP_TOPSIS的子句动态选择方法

  刘媛媛, 陈树伟, 宋德培, 杨源骏

  子句选择是自动定理证明器（ATP）的核心部分，通过优化子句选择方法能够提升ATP的能力和效率。当前，传统基于属性优先级的逐一筛选方法虽然能够实现子句选择，但难以对子句进行全面评估，并且缺乏灵活性。因此，提出基于AHP_TOPSIS的子句动态选择方法。该方法通过层次分析法（AHP）计算子句各个属性的权重，再利用权重结果结合逼近理想解排序法（TOPSIS）对子句进行评估排序，从而为子句选择提供依据。在AHP中，考虑到子句属性的动态变化，引入阶段感知与平滑过渡的方法，使得判断矩阵能够根据推导进程动态调整，将AHP拓展为动态AHP。同时，根据上述子句选择方法实现相应的算法，并将算法应用于一阶逻辑定理证明器CSE（Contradiction Separation Extension）中形成新的证明器CSE_AT。利用该证明器对2021—2024年的TPTP（Thousands of Problems for Theorem Provers）问题库中的一阶逻辑问题进行测试，实验结果表明，CSE_AT比CSE多证明了22个定理，且CSE_AT证明的大部分定理的Rating值集中在［0.6，0.9］。可见，基于AHP_TOPSIS的子句动态选择方法能够优化演绎路径，从而提升证明器的证明能力。

• 增强模式链接与多生成器协同的SQL生成框架MG-SQL

  吴定佳, 崔喆

  针对大语言模型（LLM）在复杂多表数据库场景下生成结构化查询语言（SQL）的局限性，提出基于多生成器协同的Text-to-SQL框架——MG-SQL（Multi-Generator SQL）。首先，针对无关模式信息导致的噪声干扰，通过生成初始SQL，并结合语义相似度检索，提出增强模式链接优化方法。其次，为提高候选SQL的质量、增强多样性，基于精简模式构建多策略协同生成框架：1）使用经验生成器检索动态示例；2）使用思维链生成器强化逻辑推理；3）使用查询计划生成器模拟数据库的执行流程；4）使用渐进生成器进行迭代优化。再次，使用投票机制对SQL进行择优。最后，进一步提出反思学习机制，通过对比生成结果与参考SQL形成反思样本，动态构建领域经验库以实现持续学习。在BIRD基准测试中的结果表明，采用轻量级GPT-4o-mini模型时，所提框架的模式链接实现了98.89%的严格召回率（SRR），有效筛除了44.91%无关列；所提框架生成的SQL的执行准确率（EX）达69.69%，有效效率分数（VES）达79.59%，超越基于GPT-4o的主流方法，验证了所提框架在复杂场景下的有效性。

• 基于图的多视角对比学习小样本关系抽取模型

  肖毓航, 李贯峰, 陈昱胤, 秦晶

  小样本关系抽取（FSRE）任务旨在从有限的标注数据中识别文本中实体间的语义关系。针对现有方法因采用单一视角的对比学习和静态图结构而导致的特征对齐不足与任务适配性差等问题，提出一种融合多视角对比学习与动态图生成机制的FSRE模型SAGM（Synergistic Anchored Graph-based Model）。该模型在预训练阶段，通过多视角对比学习引入句子锚定和标签锚定策略，从而优化实例与关系标签特征的对齐效果；在任务生成阶段，利用图生成模块构建任务特定的图结构，并结合多头注意力引导层动态调整特征重要性，从而提升模型在小样本和跨领域任务中的适应性。在FewRel 1.0、FewRel 2.0以及NYT-25数据集上的实验结果表明，所提模型在多个N-way K-shot设置下取得了较高的准确率，表现出良好的泛化能力和任务适应性，验证了它在小样本和跨领域场景中的有效性。

• 结合密集多尺度特征融合和特征知识增强Transformer的遥感图像描述模型

  刘汉卿, 桑国明, 张益嘉

  针对遥感图像描述任务中多尺度特征利用不足、纹理重复区域细节关联度低及多目标特征协同建模困难等问题，提出一种结合密集多尺度特征融合和特征知识增强Transformer的遥感图像描述模型DMFKF-T（Dense Multi-scale Feature and Knowledge Fusion Transformer）。设计密集多尺度特征融合模块（DMFFM），通过跨层级跳跃连接动态聚合不同尺度的特征图，同步捕获全局场景特征与局部细节信息；在解码阶段，引入语义融合增强（SFA）模块增强模型捕捉长距离依赖关系与理解上下文信息的能力，并结合离散余弦变换（DCT）的频率增强通道注意力机制分析频域特征的相关性，从而强化对复杂空间拓扑和非线性关系的建模能力。实验结果表明，在RSICD（Remote Sensing Image Captioning Dataset）上，与SD-RSIC（Summarization-driven Deep Remote Sensing Image Captioning）模型相比，DMFKF-T的BLEU-4（BiLingual Evaluation Understudy with 4-grams）和CIDEr（Consensus-based Image Description Evaluation）指标分别提升了8.6%和14.4%。可见，DMFKF-T可以准确地生成语义丰富的遥感图像描述语句。

• 基于NetVLAD特征编码的古籍汉字图像检索算法

  陈荟慧, 孙洪韬, 关柏良, 衡中青

  古籍汉字检索是当前古籍数字化工作的一部分。古籍中通常存在汉字印刷字模不一致和字体种类多的现象，使用视觉特征实现汉字检索是有效的解决方案。因此，提出汉字特征提取编码网络（CFEENet）。首先，使用卷积神经网络（CNN）提取古籍汉字图像的视觉特征；其次，使用可训练的通用向量聚合层NetVLAD聚合并编码视觉特征；最后，使用余弦相似度计算编码相似性以实现古籍汉字检索。此外，使用t-分布随机邻域嵌入（t-SNE）对CFEENet编码降维后进行可视化分析，发现CFEENet编码形成的簇密度高、簇间重叠小且编码分辨率高。在多个古籍数据集上测试CFEENet的实验结果表明，CFEENet在大多数场景下的平均精度均值（mAP）和F1分数优于古籍汉字图像特征提取网络（ACCINet）等对比方法，且在检索质量与效率之间实现了良好平衡，验证了CFEENet在古籍汉字检索任务中的适用性与有效性。

• 多尺度时空解耦的骨架行为识别对比学习

  刘晓霞, 况立群, 王松, 焦世超, 韩慧妍, 熊风光

  针对骨架行为识别中的动态动作建模与多尺度时序融合问题，提出高效多尺度时空解耦对比学习框架（MSTDCLF）。首先，设计多尺度时空特征增强模块（MSTF），结合深度可分离卷积与空洞卷积，从而同步建模短时运动特征与长时周期行为模式；其次，通过嵌入通道-空间联合注意力机制进一步强化关节与特征通道之间的语义响应；再次，使用具有注意力机制的残差网络解决深层网络结构的梯度衰减问题；最后，提出双向门控时空上下文建模（BGSCM），基于双向长短期记忆（BiLSTM）网络构建时空增强分支，通过门控机制在关节拓扑与时序轴中双向传递解耦特征，抑制噪声干扰并建立完整的动作演化依赖。实验结果表明，MSTDCLF在NTU RGB+D 60数据集上的准确率为87.5%（交叉受试者（CS））和93.0%（交叉视角（CV）），在NTU RGB+D 120数据集上的准确率为79.3%（CS）和80.6%（交叉设置（SS）），均优于次优方法SCD-Net（Spatiotemporal Clues Disentanglement Network）。消融实验结果验证了多尺度设计与双向门控机制的有效性，表明MSTDCLF在骨架行为识别中能实现高效的行为表征，有效提高识别精度。

• 一次性条件下自适应间隙稀有序列模式挖掘方法

  李昊, 王磊, 孙乐, 武优西

  稀有序列模式挖掘旨在发现序列库中不频繁出现的重要模式。然而，现有序列模式方法多采用0或1的判别方式，即判断模式是否在序列中出现，忽略模式在序列中的重复性，即用户的感兴趣程度，导致挖掘结果的偏差。为了解决这一问题，提出一次性条件下自适应间隙稀有序列模式挖掘方法ORP（One-off Rare sequential Pattern mining）。采用一次性条件计算模式在序列中的重复次数，并采用自适应间隙反映序列特征。为了避免传统算法在支持度计算过程中需要对原始数据库进行低效顺序遍历的问题，建立一个倒排索引结构。该结构存储每个事件及其在原始数据库中出现位置的信息，避免了对原始数据库进行冗余遍历的问题，从而提高支持度计算的效率。此外，在候选模式的生成过程中，使用模式连接策略生成候选模式，并在此基础上提出一种剪枝策略进一步减少候选模式的数量，从而提高挖掘速度。在5个真实数据集上的消融实验结果表明，所提方法的运行时间明显更短，从而验证了该方法的优越性。