计算机应用

作者：王日龙, 李振平, 李晓松, 高强, 何亚, 钟勇, 赵英潇

单位：1.军事科学院 军事科学信息研究中心，北京 100142；2.上海交通大学 电子信息与电气工程学院，上海 200240；3.中国科学院 成都计算机应用研究所，成都 610213

关键词：图神经网络,大语言模型,图结构感知,军事情报分析,图结构统一表示

基金：国家社会科学基金重大项目(23ZDA119)

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。

来源：2026年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第3期