中山大学周毅教授团队提出大模型增强知识图谱补全新方法

（通讯员张玉琦）人工智能是当前推动医学领域研究创新的重要支撑，大模型在医学领域的研究应用，为智能医学的发展提供了新思路和方法。大语言模型通过分析海量文本数据来掌握和生成人类语言，而知识图谱补全则利用这些模型来增强和完善医学领域的知识图谱，填补其中的信息空白。在医学领域，知识图谱包含了丰富的医学实体和它们之间的复杂关系，支持诊断、治疗决策和研究等多种应用。通过知识图谱补全，可以有效扩展医学知识的深度和广度，提高图谱的准确性和覆盖范围。这不仅提升了医疗系统的智能化程度，对提高病例处理效率和精确度，以及促进个性化医疗方案的制定有重要意义。

近日，中山医学院周毅教授团队在中科院一区TOP期刊Knowledge-Based Systems在线发表题为《Enhancing text-based knowledge graph completion with zero-shot large language models: A focus on semantic enhancement》的研究论文。该论文提出了一种新的知识图谱补全框架CP-KGC，该框架结合了大语言模型的能力。通过设计通用的提示（prompts）以适应不同数据集。CP-KGC框架旨在增强文本语义的表达能力，大量实验证明了该框架的有效性。此外，CP-KGC框架还采用了上下文约束策略，有效解决了知识图谱补全数据集中常见的一词多义问题。即使在对大模型进行量化处理后，Qwen-7B-Chat-int4模型仍然提升了基于文本的传统KGC方法的性能。这项研究不仅突破了现有模型的性能瓶颈，还进一步促进了知识图谱与大语言模型的深度融合。通过集成这些先进技术，可期待医疗行业在处理复杂病例、提高治疗效率和推动定制化医疗解决方案方面取得显著进展。