学科知识图谱构建中的大模型关系抽取：信息感知与后验证策略

Abstract

在人工智能与个性化学习深度融合的趋势下，自动化抽取知识点逻辑关系以构建学科知识图谱，是实现个性化学习路径动态生成与智能学伴研发的基础设施。针对大语言模型在关系抽取任务中存在的上下文利用率低及“幻觉”现象，本文提出一种信息感知的检索增强与后验证策略。通过集成测试样本的实体与语义信息，增强检索器获取高质量示例的能力；并设计后验证机制，利用模型的连续对话能力对预测结果进行一致性校验。在 SciERC 等包含大量学术知识的数据集上进行实验，结果表明，该方法显著提升了复杂学术关系的抽取精度。本研究为自动化教育资源组织与智能教学系统的知识库构建提供了有效且稳健的技术方案。