关键词:
知识图谱
需求提取
检索增强生成
工业设计
摘要:
随着工业4.0的深入发展,计算机自动化设计(Computer-Automated Design,CAutoD)成为提升设计效率与满足个性化需求的关键技术。传统需求提取方法依赖人工交互与专家经验,存在效率低、可解释性差等局限。本研究提出一种融合大语言模型(Large Language Model,LLM)与知识图谱(Knowledge Graph,KG)的智能化需求提取框架,旨在突破传统方法的瓶颈。
研究首先构建了多智能体协同驱动的领域知识图谱自动化构建体系。通过设计领域自适应关键词提取算法,实现无需预定义词典的动态知识发现机制,为避免提取的关键词的噪声问题,采用混合过滤策略,使每个关键词附带评分理由,支持人工复核。结合多源知识检索增强策略,该方法不仅推动了KG的高效规模化构建,还成功克服了LLM存在的参数配置固化与动态知识更新缺失等关键挑战,显著提升了KG构建的效率与扩展性。实验结果表明,该方法在NYT数据集和WebNLG数据集上的F1值分别为93.9%和93.5%,验证了该方法的有效性。
其次,针对需求提取的领域特异性,将需求提取任务看作是特殊的问答任务,提出基于知识图谱的双路检索增强生成框架。该框架以显式知识图谱替代传统隐式向量数据库,提高了可解释性;通过查询重写机制消解用户输入歧义,结合缓存检索策略提升文档复用;采用双路检索机制保证即使面对冷门或复杂问题,也能获取高质量的检索结果。在需求提取任务中,该方法通过与其他方法在自构建数据集上的实验对比,验证了该框架的有效性和准确性;在TriviaQA数据集和HotpotQA数据集上的相关实验,证明该框架在通用问答任务中具有优异性能,验证了其跨任务适应性。
综上所述,本研究针对工业设计需求提取提供了可解释性强、领域适应性高的解决方案,推动了CAutoD技术的智能化演进。未来可进一步探索多模态知识融合、跨领域迁移能力及分布式知识更新体系,以应对动态复杂的工业设计场景。