声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：吴文隆,尹海莲,王宁,徐梦飞,赵鑫喆,殷崭祚,刘元睿,王昊奋,丁岩,李博涵,
关键词：大语言模型, 跨域异质数据, 知识图谱, 多域数据查询, 数据治理,
大语言模型（largelanguagemodel，LLM）技术热潮对数据质量的要求提升到了一个新的高度.在现实场景中，数据通常来源不同且高度相关.但由于数据隐私安全问题，跨域异质数据往往不允许集中共享，难以被LLM高效利用.鉴于此，提出了一种LLM和知识图谱（knowledgegraph，KG）协同的跨域异质数据查询框架，在LLM+KG的范式下给出跨域异质数据查询的一个治理方案.为确保LLM能够适应多场景中的跨域异质数据，首先采用适配器对跨域异质数据进行融合，并构建相应的知识图谱.为提高查询效率，引入线性知识图，并提出同源知识图抽取算法HKGE来实现知识图谱的重构，可显著提高查询性能，确保跨域异质数据治理的高效性.进而，为保证多域数据查询的高可信度，提出可信候选子图匹配算法TrustHKGM，用于检验跨域同源数据的置信度计算和可信候选子图匹配，剔除低质量节点.最后，提出基于线性知识图提示的多域数据查询算法MKLGP，实现LLM+KG范式下的高效可信跨域查询.该方法在多个真实数据集上进行了广泛实验，验证了所提方法的有效性和高效性.
来源：2025年第3期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。