中国电子技术标准化研究院：2025知识图谱与大模型融合实践案例集（354页）.pdf

1、?2025?牵头编制单位中国电子技术标准化研究院编制组成员李瑞琪 蔡宇峰 卓 兰 韩 丽 程雨航 李 佳 董昕阳 李 湘谭家琪 焦铸金序号案例名称参编单位参编人员1中英双语大模型知识抽取框架 OneKE蚂蚁科技集团股份有限公司梁 磊、陈华钧、田 常、孙梦姝、张宁豫、郭智慧2通用面向专业领域的知识增强生成框架 KAG蚂蚁科技集团股份有限公司梁 磊、田 常、孙梦姝、郭智慧3金融行业声誉风险智能分析网智天元科技集团股份有限公司贾承斌、莫 倩、张传文4知识图谱与行业大模型双轮驱动的油气知识平台北京智通云联科技有限公司柳晶晶、安丰永、庄洪奎、张梦阳5人工智能辅助电力领域评审大模型国网上海市电力公司经济技

2、术研究院、上海人工智能研究院有限公司王晓晖、施伟国、吴恩琦、王梦薇、林圆圆、王 锦、黄 冠、方 帅6基于大模型的银行业金融知识中台北京文因互联科技有限公司鲍 捷、贺余龙、李航航、吴崇祥7风电设备故障维修方案智能推荐系统东方电气集团数字科技有限公司、东方电气集团科学技术研究院有限公司、东方电气新能科技(成都)有限公司、西南交通大学计算机与人工智能学院张佳蕾、邓徐韬、王 斌、徐 娜、王淑营?8?9?10?11?12?13?14?15?16?17?RAG?18?19?20?-1-?-1-知识图谱与大模型融合实践综述随着人工智能的迅猛发展，知识图谱与大模型作为两大核心研究领域，各自彰显出独特的技术优势

3、。知识图谱以结构化方式精准刻画实体关联，为知识表示与推理提供了可解释的框架；大模型则凭借海量数据训练展现出卓越的自然语言理解与生成能力，具备强大的泛化学习性能。然而，知识图谱与大模型两者在实际应用中仍面临多重挑战。知识图谱虽然具有较好的可解释性，但其输出仅局限于知识图谱自身的信息，自身缺乏自主生成和学习能力，因此知识通用性和完备性不足。大模型在处理特定领域知识类问题时易产生“幻觉”问题，导致大模型“胡说八道”；其次，每次更新，大模型都需要经过长期的语料训练，训练周期冗长、资源消耗巨大，致使大模型难以快速响应动态业务需求；最后，大模型训练数据还面临隐私和数据安全等问题。因此，为了突破上述难题，知

4、识图谱与大模型融合应运而生。从技术互补角度出发，一方面知识图谱可以作为大模型的外部知识库，为大模型提供结构化知识，不仅有效减缓大模型“幻觉”现象，而且能减少大模型对海量标注数据的依赖，从而降低大模型的训练所需的算力和时间。同时，知识图谱的数据加密与保护能力，可与大模型的数据调用能力形成协同，强化隐私安全保障。另一方面，大模型所涵盖的海量知识及其对新数据的理解能力，能够帮助知识图谱进行知识补全与知识校验，提高知识图谱里知识的完备性与准确性。同时大模型的生成能力，还能帮助知识图谱实现多元化的知识输出，进一步提升人机交互水平。综上所述，知识图谱与大模型融合能够实现“1+12”的技术协同效应，为企业和

5、用户提供更可靠、高效和安全的知识服务。本章将系统阐述两者融合的整体架构，深入分析国内外标准化进展，并详细介绍本案例集的分布情况。知识图谱与大模型融合实践综述-2-知识图谱与大模型融合实践案例集（1）整体架构1.活动参与方本节详细阐述知识图谱与大模型融合所涉及的参与方及其活动。知识图谱与大模型融合活动参与方如图 1-1所示，主要由数据提供方、模型提供方、知识图谱提供方、图谱模型融合方与应用方五类参与方执行。图1-1 知识图谱与大模型融合活动参与方（1）数据提供方数据提供方根据模型提供方、知识图谱提供方和图谱模型融合方的具体数据需求，从数据来源、类型、规模、质量、使用要求以及应用场景等多个维度，为

6、三方提供构建知识图谱与大模型所需的数据。数据提供方主要任务是确保交付高质量、符合需求的数据资源，以支持图谱模型融合方的工作。其核心活动包括但不限于数据收集、数据清洗、数据标注以及模型提供方知识图谱提供方图谱模型集成方应用方知识图谱与大模型输出协同知识图谱增强大模型大模型增强知识图谱搜索工业推荐医疗问答金融通用领域行业领域数据提供方 数据收集数据标注数据清洗数据验证-3-知识图谱与大模型融合实践综述数据验证等数据服务，并确保数据交付的规范性、完整性、准确性、一致性、时效性和可访问性。同时，数据提供方持续优化数据提供流程，提升服务质量。数据提供方还需要根据应用方在知识服务过程中产生的新数据，评估应