中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
信息融合

基于大语言模型的高寒山地气象保障知识图谱构建研究

  • 顾双龙 † ,
  • 史小敏 ,
  • 屠义强 ,
  • 卢魁 ,
  • 王国顺
展开
  • 陆军工程大学, 江苏 南京 210001
† 顾双龙

顾双龙(1990—),男,硕士研究生,工程师,研究方向为战场环境保障。

史小敏(1971—),男,博士生导师。

收稿日期: 2026-04-24

  修回日期: 2026-05-25

  网络出版日期: 2026-09-22

Research on the construction of alpine mountain areas meteorological support knowledge graph based on large language model

  • Gu Shuanglong † ,
  • Shi Xiaomin ,
  • Tu Yiqiang ,
  • Lu Kui ,
  • Wang Guoshun
Expand
  • Army Engineering University of PLA, Nanjing 210001, China

Received date: 2026-04-24

  Revised date: 2026-05-25

  Online published: 2026-09-22

摘要

高寒山地气象保障领域存在文本语义模糊、信息碎片化、领域适配性不足等问题,制约了智能化语义建模与决策支持能力。基于此,本文提出基于ChatGLM3-6B大语言模型的高寒山地气象保障知识图谱构建方法ChatGLM-AMKG,旨在提升领域知识抽取的精度与泛化能力,推动高寒山地气象保障智能化语义建模发展。首先,结合领域特点构建涵盖地理环境、气象要素、军事行动等核心类目的知识表示模式;其次,设计融合Few-shot示例、CoT推理与约束提示的逐步提示策略,引导ChatGLM3-6B在少量人工标注下完成多源异构领域数据的高质量三元组抽取;随后通过知识融合与可视化管理,构建结构化知识图谱;最后,通过对比与消融实验验证所提方法的有效性。实验表明,ChatGLM-AMKG在实体识别与关系抽取中F1-score分别达到91.1%和87.6%,对比通用模型分别提升12.2%和13.5%,对比移除逐步提示后的平均性能,在实体识别与关系抽取中F1-score分别提升8.9%和9.8%。ChatGLM-AMKG在气象语义检索、决策支持等场景中表现出良好的扩展性,为高寒山地气象保障智能化提供了可复制、可推广的技术路径。

本文引用格式

顾双龙 , 史小敏 , 屠义强 , 卢魁 , 王国顺 . 基于大语言模型的高寒山地气象保障知识图谱构建研究[J]. 指挥控制与仿真, 2026 , 48(5) : 75 -85 . DOI: 10.3969/j.issn.1673-3819.2026.05.011

Abstract

There are problems including vague text semantics, fragmented information and insufficient domain adaptability in the field of alpine mountain areas meteorological support, which restrict the capabilities of intelligent semantic modeling and decision support. Against this background, this paper proposes ChatGLM-AMKG, a knowledge graph construction method for alpine mountain areas meteorological support based on the ChatGLM3-6B large language model. This method aims to improve the accuracy and generalization ability of domain knowledge extraction and facilitate the development of intelligent semantic modeling for alpine mountain areas meteorological support. Firstly, a knowledge representation schema covering core categories such as geographical environment, meteorological elements and military operations is established in combination with domain characteristics. Secondly, a step-by-step prompting strategy integrating Few-shot examples, Chain-of-Thought reasoning and constraint prompts is designed to guide ChatGLM3-6B to realize high-quality triple extraction from multi-source heterogeneous domain data with only a small amount of manual annotation. Subsequently, a structured knowledge graph is constructed via knowledge fusion and visual management. Finally, comparative experiments and ablation experiments are conducted to verify the effectiveness of the proposed method. Experimental results demonstrate that the F1-score of ChatGLM-AMKG reaches 91.1% and 87.6% in entity recognition and relation extraction respectively, which are increased by 12.2% and 13.5% compared with general models. In contrast with the average performance after removing the step-by-step prompting strategy, its F1-score is improved by 8.9% and 9.8% in the above two tasks correspondingly. ChatGLM-AMKG exhibits favorable scalability in application scenarios such as meteorological semantic retrieval and decision support, and provides a reproducible and popularizable technical approach for the intelligent development of alpine mountain areas meteorological support.

高寒山地气象条件复杂多变、极端天气频发,对军事行动规划、装备保障实施及人员安全防护具有决定性影响[1-2]。随着现代战争向智能化、精准化发展,高寒山地气象保障已从“被动响应”向“主动预判、精准支撑”转变,对气象信息的获取效率、语义分析深度与智能决策能力提出更高要求。现有气象领域知识图谱[3-5]研究多聚焦于气象灾害、赛事保障和档案管理等领域,还未进入高寒山地领域,构建高寒山地气象知识图谱已成为该领域发展的迫切需求。
知识图谱[6-8]具备良好的语义组织与推理能力,已广泛应用于气象、军事等垂直领域。气象领域中,王平等[9]提出基于本体与知识图谱的气象记录档案解决方案,盛爱晶等[10]构建“数据湖-数据仓库”融合的气象水文知识服务链路,均验证了知识图谱的应用价值。军事领域中,祝曙光等[11]、张杰勇等[12]分别提出联合作战战场环境、军事领域知识图谱构建方法,为军事智能决策提供支撑。
ChatGLM3-6B[13-15]作为轻量化开源大语言模型(Large Language Model,LLM),具备部署成本低、中文处理能力强等优势,适配垂直领域知识图谱构建;提示工程可在少量标注数据下提升模型领域适配性与任务性能。和婷婷等[16]指出,大语言模型时代知识图谱构建实现范式转变,可通过提示策略将抽取任务转化为序列生成问题,提升构建自动化程度。本文提出ChatGLM-AMKG(ChatGLM3-6B Based Alpine Mountain Areas Meteorological Support Knowledge Graph)框架,融合ChatGLM3-6B微调、提示工程[17]与领域知识建模,突破技术瓶颈,构建多源数据融合的高寒山地气象保障知识图谱,验证其在实际场景中的实用性,为该领域智能化发展提供技术支撑。

1 基于ChatGLM-AMKG的高寒山地气象保障知识图谱构建

ChatGLM-AMKG框架以ChatGLM3-6B为核心,构建从多源数据处理到智能化应用的完整流程,分为数据层、模式层、抽取层、存储层、应用层五个层级,如图1所示。
图1 ChatGLM-AMKG框架流程图

Fig.1 ChatGLM-AMKG framework flowchart

数据层负责多源异构数据的采集与预处理,形成规范语料;模式层构建标准化知识表示模式,明确实体、关系与约束;抽取层通过大模型的LoRA(Low-Rank Adaptation of Large Language Models, LoRA)微调[18-19]与逐步提示策略完成知识抽取与融合;存储层采用Neo4j[20-21]图数据库实现知识结构化存储;应用层基于图谱开展语义检索、智能问答与决策支持,支撑实战化需求。

1.1 数据来源与预处理

数据层是知识图谱构建的基础,数据质量直接决定图谱准确性与实用性。本文系统采集多源异构文本数据,通过针对性预处理,构建高质量初始语料库,为后续模型微调与知识抽取提供支撑。

1.1.1 数据来源

本文的数据来源主要分为4类:一是学术文献资料数据,主要来源是中国知网、万方等学术数据库;二是百科词条数据,主要来源是百度百科平台;三是气象相关标准数据,主要来源是国家气象官网;四是典型案例数据,主要来源是新闻媒体官网。各类数据相互补充,确保知识覆盖的全面性与权威性。

1.1.2 数据预处理

针对多源数据的复杂性,本文设计四步预处理流程。(1)数据清洗:采用正则表达式与领域去噪规则,清除乱码、冗余信息,统一文件格式;(2)数据分段:按语义完整性原则将文本分段,每段控制在300字以内,避免语义断裂;(3)中文处理:采用Jieba[22-23]工具结合领域专业词典分词,通过依存句法分析构建语义结构,减少计算量;(4)人工标注:选取50段代表性文本,采用双标注机制完成核心实体与关系标注,构建高质量微调语料集,用于模型领域适配。

1.2 知识表示模式设计

本文采用“自顶向下”与“自底向上”相结合的策略,构建适配高寒山地气象保障领域的知识表示模式,自顶向下依托领域专家知识定义核心概念框架,自底向上基于文本语料挖掘,补充优化知识结构。

1.2.1 实体类别与属性定义

本文定义8个一级核心实体类别,每个类别下设若干子类,全面覆盖领域核心实体,同时为每个类别定义关键属性,支持节点描述、实体对齐与语义检索,如表1所示。
表1 高寒山地气象保障知识表示模式中实体类别及属性

Tab.1 Entity categories and attributes in the knowledge representation schema for alpine mountain areas meteorological support

序号 类别编码 实体类别 英文名称 编码前缀 定义 典型实体示例
1 E01 地理环境 Geographic GEO 地理区域、山脉水系、站点通道 青藏高原、阿里地区、喜马拉雅山脉、狮泉河站
2 E02 气象要素 Meteorological MET 大气要素、天气现象、环流系统 气温、降水、雷暴、高原涡、能见度
3 E03 水文过程 Hydrological HYD 积雪冻土、冰川径流、水热通量 积雪、冻土、土壤湿度、感热通量、冰川
4 E04 仪器设备 Instrument INS 观测设备、卫星传感器、数据平台 自动气象站、MODIS、CMIP6、CLM5.0
5 E05 军事行动 Military MIL 作战样式、战术行动、军事概念 通道作战、卡点控道、有人无人协同
6 E06 保障资源 Support SUP 武器装备、保障力量、训练方法 无人机、通信装备、油料保障、伴随保障
7 E07 政策规范 Standard STD 政策文件、技术标准、法规条例 《方案》、GB/T标准、气象灾害防御条例
8 E08 技术参数 Parameter PAR 测量指标、精度要求、算法规范 测量范围、分辨力、采样频率、允许误差

1.2.2 关系类别与三元组规范

本文定义13类核心关系类型,涵盖领域常见语义关系,采用“主体-谓词-宾语”(SPO)三元组形式标准化建模,明确编码规则与表述规范,便于知识抽取、存储与推理,如表2所示 。
表2 高寒山地气象保障知识表示模式中关系类别及三元组示例

Tab.2 Relationship categories and triple examples in the knowledge representation schema for alpine mountain areas meteorological support

序号 关系编码 关系类别 英文名称 定义 典型关系词 三元组示例
1 R01 属性关系 attribute 定义实体的属性、特征、定义或数值 定义、地位、特征、数值、范围、别称、单位 (青藏高原,平均海拔,4 000米以上)
2 R02 空间关系 spatial 描述实体之间的地理位置关系 位于、分布、位置、发源于、流向 (阿里地区,位于,青藏高原西南部)
3 R03 时间关系 temporal 描述事件或现象发生的时间属性 时间、月份、季节、年份、时段、时期 (高原涡,主要出现季节,夏季)
4 R04 因果关系 causal 描述事件之间的因果联系 导致、影响、引起、造成、原因、机制、引发 (气温上升,导致,降雪减少)
5 R05 组成关系 composition 描述整体与部分的关系 包括、包含、组成、构成、分为 (天气现象,包括,雨、雪、雾)
6 R06 功能关系 functional 描述实体的功能、用途或作用 作用、用于、功能、用途、执行、保障 (无人机,用于,侦察和打击)
7 R07 比较关系 comparative 描述实体之间的比较结果 与……比较、高于、低于、约为、相当于、大于 (升温速率,约为,全球的2倍)
8 R08 趋势关系 trend 描述现象的变化趋势 趋势、变化、增加、减少、升高、降低、增强 (降雪日数,变化趋势,明显减少)
9 R09 条件关系 conditional 描述条件与结果的关系 当……时、如果……则、条件下、表现为 (积雪偏多,有利于,华南雨涝)
10 R10 方法关系 method 描述方法、技术、算法的应用 使用、采用、基于、方法、算法、利用 (本研究,使用模式,CLM5.0)
11 R11 约束关系 constraint 描述限制、要求、标准 要求、标准、阈值、范围、允许误差、不应 (校时误差,要求,不大于30秒)
12 R12 评价关系 evaluation 描述评估、等级、分类结果 等级、评价、评分、分类、属于、划分为 (火险等级,等级,一级)
13 R13 规范关系 specification 描述标准规范中的技术要求 测量范围、分辨力、最大允许误差、采样频率 (气压,测量范围,450~1 100 hPa)

1.3 知识抽取

知识抽取核心任务是从预处理数据中提取符合预设模式的实体、关系,生成SPO三元组。本文提出融合LoRA微调与逐步提示策略的抽取方法,实现领域适配性与抽取精度的双重提升。

1.3.1 基于LoRA技术的ChatGLM3-6B模型微调

本文采用LoRA低秩适配技术对ChatGLM3-6B进行领域微调,解决通用模型语义理解偏差、实体漏判等问题。LoRA通过低秩矩阵分解更新少量参数,降低计算成本,保留模型原有语义能力。
前向传播公式如下:
h=(W0+ΔW)·x=W0·x+(A·B)·x
反向传播(梯度)公式如下:
设损失函数为L,输出h对输入的梯度记为 $\frac{\partial \mathit{L}}{\partial \mathit{H}}$∈Rd,则各参数的梯度计算为
损失函数对低秩矩阵B的梯度: $\frac{\partial \mathit{L}}{\partial \mathit{B}}$= $\frac{\partial \mathit{L}}{\partial \mathit{h}}$(Ax)T∈Rd×r
损失函数对低秩矩阵A的梯度: $\frac{\partial \mathit{L}}{\partial \mathit{A}}$BT $\frac{\partial \mathit{L}}{\partial \mathit{h}}$xT∈Rr×k
损失函数对输入x的梯度: $\frac{\partial \mathit{L}}{\partial \mathit{x}}$=(W0+BA)T $\frac{\partial \mathit{L}}{\partial \mathit{h}}$∈Rk
交叉熵损失函数L=- $\frac{1}{\mathit{N}}\sum _{\mathit{i}=1}^{\mathit{N}}\sum _{\mathit{c}=1}^{\mathit{C}}$yiclog(pic)
式中,h∈Rd为LoRA模块的输出向量,W0∈Rd×k为预训练模型的原始权重矩阵,x∈Rk为输入向量,ΔW=A·B∈Rd×k为参数更新量,A∈Rd×r,B∈Rr×k,且r≤min(d,k),d为输出特征维度,k为输入特征维度,N为批量样本数,C为三元组类别数,yic为样本i属于类别c的标签(0或1),pic为样本i属于类别c的预测概率。
微调数据集采用100组高质量标注三元组,按8:2分层抽样为训练集与验证集,确保实体、关系分布一致。硬件依托Intel(R) Core(TM) Ultra 9275HX、NVIDIA GeForce RTX 5060GPU及32 GB内存,软件基于Python3.10、PyTorch2.1等搭建,LoRA核心参数设置为r=8,alpha=16,仅对attention层进行适配。模型微调采用分层冻结策略,冻结模型前15层Transformer encoder模块,仅训练高层6层及输出层;训练超参数设置为批量大小16、初始学习率1e-5、训练轮数3,采用余弦退火学习率衰减与早停策略、交叉熵损失函数衡量预测差异。

1.3.2 基于逐步提示的LLM抽取

本文构建“Few-shot示例引导+CoT思维链推理[24-25]+约束提示规范”的逐步提示框架,引导微调后模型分步拆解语义、识别实体关系,提升抽取准确性与标准化程度。框架分三阶段:一是身份定义与基础范式引导,明确模型领域抽取专员身份与核心任务;二是CoT思维链推理,引导模型按“实体识别与分类—关系逻辑分析—三元组生成”步骤拆解文本;三是标准化约束输出,从实体、关系、格式三个维度施加约束,确保输出可直接用于知识融合。
假设中间推理步骤为序列s1,s2,…sn,CoT思维链公式为
P(y|x)= $\prod _{\mathit{i}=1}^{\mathit{n}}$P(si|x,s<i),y=sn
式中,si为模型在第i步的推理结果,P(si|x,s<i)为模型基于输入x和历史步骤s<i生成当前步骤的条件概率。
逐步提示工程设计和输入/输出示例如图2~3所示。
图2 逐步提示词设计

Fig.2 Stepwise prompt design

图3 输入/输出示例

Fig.3 Input and output examples

1.4 知识融合

知识融合是高寒山地气象保障知识图谱构建的关键环节,核心任务是解决文本抽取知识中存在的实体混乱、关系不规范、语义冲突等问题,形成结构统一、语义一致、关联紧密的高质量结构化知识。知识融合内容包含共指消解、实体消歧与关系归一化等,依托微调后的ChatGLM3-6B大语言模型,设计知识融合提示词,完成知识融合,提示词设计如图4所示。
图4 知识融合提示词设计

Fig.4 Knowledge fusion prompt design

1.4.1 共指消解

共指消解核心是识别同义但不同名的实体,完成关联链接,确保同一语义实体在图谱中唯一存在。本文依托ChatGLM3-6B的语义理解能力,结合领域语境与实体梳理规范,通过语义相似度计算,完成跨数据源同义实体对齐,避免实体重复。比如将“自动气象站”(E04仪器设备实体)与“自动气象观测站”(E04仪器设备实体)关联为同一实体。

1.4.2 实体消歧

实体消歧核心是区分同名但不同义的实体,明确其语义边界与所属类别,消解语义冲突。大模型通过上下文分析结合实体、关系梳理规范,精准判断同名实体的具体语义与类别,避免混淆。比如 “标准”一词,可区分E07政策规范实体的“GB/T标准”与E08技术参数实体的“精度标准”,明确二者所属类别。

1.4.3 关系归一化、冗余剔除及一致性校验与补全

关系归一化是将非标准化关系映射至预设的13 类核心关系,规范表述;冗余剔除是删除重复三元组、冗余属性及无效知识;一致性校验与补全是修正逻辑矛盾、补全缺失属性与隐含关系。比如关系归一化将“对气温有影响”“作用于气温”统一映射为R04因果关系(影响),对应三元组(降雪增多,影响,气温下降);冗余剔除可删除重复三元组(高海拔,降低,装备性能)与(高寒山地高海拔,影响,装备性能发挥)中的重复关联逻辑;一致性校验可修正“(气压,测量范围,100~500 hPa)”的错误,结合R13规范关系,补全为符合要求的三元组(气压,测量范围,500~1 000 hPa),同时补全隐含三元组(青藏高原,属性,平均海拔4 000米以上)。

1.5 知识存储

本文采用Neo4j图形数据库完成知识图谱存储与管理,其节点-关系-属性的存储结构与SPO三元组高度契合。数据库支持可视化展示与交互式查询,可直观呈现实体间复杂关联,具备高效的关系遍历与图计算能力,满足气象保障场景下的快速关联推理需求,同时具备完善的事务机制与数据安全保障,支持大规模知识持久化存储与稳定调用。图5~6为图谱实体、关系统计图。
图5 高寒山地气象保障知识图谱实体统计图

Fig.5 Entity statistical chart of alpine mountain areas meteorological support knowledge graph

图6 高寒山地气象保障知识图谱关系统计图

Fig.6 Relationship statistical chart of alpine mountain areas meteorological support knowledge graph

2 实验与结果分析

2.1 实验数据集

本文从预处理数据中随机选取100段作为测试集,涵盖学术文献、典型案例、百度百科、国家标准四类数据,覆盖8类实体与13类关系。测试集三元组通过人工标注生成,共1 175条真实三元组,作为评价基准。

2.2 对比实验设计

为验证ChatGLM-AMKG框架有效性,本文设计3组对比实验:一是通用大语言模型(ChatGLM3-6B,无微调,仅基础提示);二是大语言模型+单一提示(ChatGLM3-6B领域微调+仅Few-shot提示);三是本文方法(ChatGLM-AMKG,领域微调+逐步提示策略)。
实验以实体识别(ER)、关系抽取(RE)为核心任务,采用精准率(P)、召回率(R)、F1-score作为评价指 标,衡量模型抽取性能,指标计算公式如下:
Precision(P)= $\frac{\mathit{T}\mathit{P}}{\mathit{T}\mathit{P}+\mathit{F}\mathit{P}}$×100%
Recall(R)= $\frac{\mathit{T}\mathit{P}}{\mathit{T}\mathit{P}+\mathit{F}\mathit{N}}$×100%
F1-score= $\frac{2·\mathit{P}·\mathit{R}}{\mathit{P}+\mathit{R}}$×100%
式中,TP(True Positive)为正确抽取的实体/关系数量,FP(False Positive)为错误抽取的实体/关系数量,FN(False Negative)为未抽取到的正确实体、关系数量。

2.3 实验结果与分析

实验结果如图7所示, ChatGLM-AMKG在所有指标上均表现最优。无微调的ChatGLM3-6B缺乏领域适配,实体识别F1-score仅为78.9%,关系抽取F1-score为74.1%;经领域微调与单一提示优化后,模型性能显著提升,实体识别F1-score提升至86.4%,关系抽取F1-score提升至80.5%;本文方法通过逐步提示策略协同作用,实体识别F1-score达91.1%、关系抽取F1-score达87.6%,语义一致性达94.2%,验证了逐步提示策略的有效性。
图7 模型对比试验结果图

Fig.7 Model comparison experimental results graph

2.4 消融实验结果

为验证逐步提示策略各组件的贡献,本文设计消融实验,分别移除Few-shot示例、CoT思维链推理、约束提示,对比模型性能变化。结果如表3所示,移除任一组件均会导致模型性能下降,其中移除CoT推理的影响最为显著,实体识别F1-score下降至80.7%,关系抽取F1-score下降至75.2%。该实验结果表明逐步提示策略的各组件协同作用,共同提升了知识抽取精度。
表3 消融实验结果

Tab.3 Ablation experiment results

模型 实体识别
F1
关系抽取
F1
语义一致性
(SC)
ChatGLM-AMKG(完整) 0.911 0.876 0.942
移除Few-shot示例 0.823 0.785 0.886
移除CoT推理 0.807 0.752 0.863
移除约束提示 0.835 0.798 0.871

3 知识图谱应用与分析

结合军事气象保障实际需求,本文设计语义检索、装备保障适配两个典型应用场景,验证图谱实用价值。

3.1 语义检索应用

依托Neo4j的Cypher查询语言,知识图谱支持多条件组合查询与隐性关系检索,实现精准语义检索。例如,针对“高寒山地机动作战保障实施”的查询需求,生成对应Cypher查询语句,如图8所示。
图8 针对“高寒山地机动作战保障实施”的Cypher查询语句

Fig.8 Cypher queries for mobile combat support implementation in alpine mountain areas

检索结果如图9所示,“高寒山地机动作战保障实施”通过BELONGS_TO关系向上连接至根节点“高寒山地气象保障”,再经由地理实体(GEO)“青藏高原降雪日数”向下传导至气象要素(MET)“中东部高寒地区多”,形成一条完整的“军事行动-地理区域-气象条件”三层推理路径,实现跨类别知识关联与精准检索,为保障方案制定提供全面支撑。
图9 基于“高寒山地机动作战保障实施”的知识图谱子图

Fig.9 Knowledge graph subgraph for mobile combat support implementation in alpine mountain areas

3.2 装备保障决策支持

知识图谱依托Neo4j的推理能力,从装备保障任务出发,自动关联保障措施与资源需求,提供结构化、可执行的决策方案。例如,针对“高寒山地通信装备保障措施”需求,生成对应Cypher查询语句如图10所示。
图10 针对“高寒山地通信装备保障措施”的Cypher查询语句

Fig.10 Cypher queries for communication equipment support measures in alpine mountain areas

检索结果如图11所示,“高寒山地通信装备保障措施”通过BELONGS_TO关系向上连接至根节点“高寒山地气象保障”,通过包括_composition关系向下关联了11项具体保障措施子节点,包括“科学计划”“周密组织”等,形成了完整的“核心任务-细分动作”层级决策链路。
图11 基于“高寒山地通信装备保障措施”的知识图谱子图

Fig.11 Knowledge graph subgraph for communication equipment support measures in alpine mountain areas

4 结束语

本文聚焦高寒山地气象保障领域知识结构化需求,构建ChatGLM-AMKG框架,遵循“多源数据预处理-知识表示模式设计-知识抽取-知识融合-存储可视化”的完整链路,设计“8类实体+13类关系”的知识表示模式,采用LoRA微调与逐步提示策略的抽取方法,有效解决领域文本抽取难题。最终构建的知识图谱包含11 773个实体与8 518条标准化关系,结构完整、语义一致,为高寒山地气象保障智能化提供了高质量数据基础与技术支撑。
本文仍存在拓展空间,未来可从三方面开展后续研究:数据层面,扩充实战案例与实时气象数据,提升图谱时效性与动态适配能力;技术层面,探索动态提示策略与多模态知识融合,优化复杂文本语义理解能力;应用层面,深化场景化开发,构建集语义检索、智能问答、决策推演于一体的智能化保障平台。
[1]
李朱德雒, 谭雪平. 高寒山地有人无人协同作战能力构建问题研究[C]// 第十三届中国指挥控制大会论文集(上册). 北京: 中国指挥与控制学会, 2025:305-311.

Li Z D L, Tan X P. Research on the construction of manned-unmanned cooperative combat capability in alpine mountain areas[C]// Proceedings of the 13th China Conference on Command and Control (Volume 1). Beijing: Chinese Institute of Command and Control, 2025: 305-311.

[2]
朱涛, 甄伟, 闫帅, 等. 高寒山地环境特种车辆底盘适应性评价研究[J]. 装备环境工程, 2024, 21(6): 23-30.

Zhu T, Zhen W, Yan S, et al. Worthiness evaluation of special vehicle chassis in high-altitude mountainous environments[J]. Equipment Environmental Engineering, 2024, 21(6): 23-30.

[3]
高建平, 林德炀, 何恩怀, 等. 基于知识图谱的公路气象灾害研究[J]. 公路交通技术, 2024, 40(2): 1-10.

Gao J P, Lin D Y, He E H, et al. Research on highway meteorological disaster based on knowledge graph[J]. Technology of Highway and Transport, 2024, 40(2): 1-10.

[4]
丰德恩, 张雪英, 唐卫, 等. 基于知识图谱的冬奥赛事气象服务文本生成方法研究[J]. 科学技术与工程, 2024, 24(16): 6 600-6 609.

Feng D E, Zhang X Y, Tang W, et al. Text generation method of meteorological service for Winter Olympics Events based on knowledge graph[J]. Science Technology and Engineering, 2024, 24(16): 6 600-6 609.

[5]
江双五, 刘惠兰, 温华洋, 等. 气象记录档案知识图谱构建[J]. 计算机系统应用, 2022, 31(1): 73-82.

Jiang S W, Liu H L, Wen H Y, et al. Construction of knowledge graph of meteorological record archives[J]. Computer Systems & Applications, 2022, 31(1): 73-82.

[6]
周思俊, 张昊, 王国明. 知识图谱研究综述[J]. 电脑知识与技术, 2025, 21(19): 37-41.

Zhou S J, Zhang H, Wang G M. A summary of knowledge graph research[J]. Computer Knowledge and Technology, 2025, 21(19): 37-41.

[7]
郭琳, 陈晓慧, 肖梅. 知识图谱研究综述[J]. 信息记录材料, 2023, 24(6): 17-19, 23.

Guo L, Chen X H, Xiao M. Survey on knowledge graph research[J]. Information Recording Materials, 2023, 24(6): 17-19, 23.

[8]
杨延云, 胡军. 知识图谱构建研究综述[J]. 现代信息科技, 2025, 9(8): 117-125, 131.

Yang Y Y, Hu J. Research review of knowledge graph construction[J]. Modern Information Technology, 2025, 9(8): 117-125, 131.

[9]
王平, 谢雨霏, 端文卓, 等. 基于本体的气象记录档案知识图谱构建与应用研究[J]. 档案学研究, 2024(3): 94-103.

Wang P, Xie Y F, Duan W Z, et al. A study on knowledge graph construction and application of meteorological record archives based on ontology[J]. Archives Science Study, 2024(3): 94-103.

[10]
盛爱晶, 郑明鹏, 许多, 等. 面向气象水文应用的知识图谱构建技术研究[J]. 科学技术创新, 2025(18): 96-100.

Sheng A J, Zheng M P, Xu D, et al. Research on knowledge graph construction technology for meteorological and hydrological applications[J]. Scientific and Technological Innovation, 2025(18): 96-100.

[11]
祝曙光, 孙则鸣, 吉雯龙, 等. 面向联合作战的战场环境知识图谱技术[J]. 国防科技, 2025, 46(2): 121-129.

Zhu S G, Sun Z M, Ji W L, et al. Knowledge graph technology of battlefield environment for joint operations[J]. National Defense Technology, 2025, 46(2): 121-129.

[12]
张杰勇, 程海燕. 军事领域知识图谱构建方案及关键技术[J]. 火力与指挥控制, 2025, 50(3): 186-194.

Zhang J Y, Cheng H Y. The construction scheme of knowledge graph and key technology in the military field[J]. Fire Control & Command Control, 2025, 50(3): 186-194.

[13]
江耀森, 杨超宇, 刘晓蕾. 基于ChatGLM3-6B的煤矿事故知识图谱构建及应用研究[J]. 中国安全生产科学技术, 2024, 20(10): 12-21.

Jiang Y S, Yang C Y, Liu X L. Research on construction and application of knowledge graph for coal mine accidents based on ChatGLM3-6B[J]. Journal of Safety Science and Technology, 2024, 20(10): 12-21.

[14]
汤少梁, 龙秋予, 李君妍, 等. 基于ChatGLM的中医妇科知识图谱自动化构建与临床决策支持研究[J]. 中华中医药学刊, 2026, 44(1): 1-6.

Tang S L, Long Q Y, Li J Y, et al. Research on automated construction and clinical decision support of traditional Chinese medicine gynecology knowledge graphs based on ChatGLM[J]. Chinese Archives of Traditional Chinese Medicine, 2026, 44(1): 1-6.

[15]
王海玲, 刘兴丽, 邵宗曦, 等. 基于ChatGLM的煤矿安全预警知识抽取及应用[J]. 煤炭技术, 2024, 43(8): 219-221.

Wang H L, Liu X L, Shao Z X, et al. Knowledge extraction and application of coal mine safety early warning based on ChatGLM[J]. Coal Technology, 2024, 43(8): 219-221.

[16]
和婷婷, 张强, 郑冠彧, 等. 大语言模型时代下的知识图谱构建综述[J]. 控制与决策, 2025, 40(12): 3 509-3 527.

He T T, Zhang Q, Zheng G Y, et al. A survey of knowledge graph construction in the era of large language models[J]. Control and Decision, 2025, 40(12): 3 509-3 527.

[17]
蔡锦添, 郝耀辉, 陈鑫, 等. 基于大模型的全球航展知识图谱构建与问答系统框架研究[J/OL]. 计算机工程与应用, 2025-12-26. https://link.cnki.net/urlid/11.2127.tp.20251226.1659.009.

Cai J T, Hao Y H, Chen X, et al. Research on framework of global airshow knowledge graph construction and question-answering system based on large language models[J/OL]. Computer Engineering and Applications, 2025-12-26. https://link.cnki.net/urlid/11.2127.tp.20251226.1659.009.

[18]
Liu J. LoRA fine-tuned Qwen2.5-VL large model for accurate description and location of steel surface defects[J]. Advances in Engineering Innovation, 2025, 16(8):100-107.

[19]
高颖, 张强, 朱锁玲. 融合LoRA与Qwen3-VL的古农书多模态RAG智能问答系统构建研究[J/OL]. 图书馆杂志,2026-04-20.https://link.cnki.net/urlid/31.1108.g2.20260109.1235.010.

Gao Y, Zhang Q, Zhu S L. Research on construction of multimodal RAG intelligent question answering system for ancient agricultural books integrating LoRA and Qwen3-VL[J/OL]. Library Journal, 2026-04-20. https://link.cnki.net/urlid/31.1108.g2.20260109.1235.010.

[20]
丁志虎, 张颖婕. 基于Neo4j图形数据库搭建多场景医疗知识图谱技术的研究与应用[J]. 价值工程, 2026, 45(2): 120-123.

Ding Z H, Zhang Y J. Research and application of multi-scenario medical knowledge graph technology based on Neo4j graph database[J]. Value Engineering, 2026, 45(2): 120-123.

[21]
王琪, 王艺. 基于Neo4j的气象数据治理知识图谱构建与应用[J]. 微型电脑应用, 2025, 41(2): 78-83.

Wang Q, Wang Y. Construction and application of knowledge graph for meteorological data governance based on Neo4j[J]. Microcomputer Applications, 2025, 41(2): 78-83.

[22]
高攀, 李飞, 彭远豪, 等. 基于jieba中文分词的电力客户精准分类方法[J]. 湖南电力, 2023, 43(5): 151-154.

DOI

Gao P, Li F, Peng Y H, et al. Accurate classification method of power customers based on jieba Chinese word segmentation[J]. Hunan Electric Power, 2023, 43(5): 151-154.

DOI

[23]
江锐鹏, 钟广玲. 中文分词神器Jieba分词库的应用[J]. 电脑编程技巧与维护, 2023(9): 87-89, 110.

Jiang R P, Zhong G L. Application of jieba word segmentation library, a practical Chinese word segmentation tool[J]. Computer Programming Skills & Maintenance, 2023(9): 87-89, 110.

[24]
郑明琪, 陈晓慧, 刘冰, 等. 提示学习中思维链生成和增强方法综述[J]. 计算机科学, 2025, 52(1): 56-64.

Zheng M Q, Chen X H, Liu B, et al. Survey of chain of thought generation and enhancement methods in prompt learning[J]. Computer Science, 2025, 52(1): 56-64.

[25]
杜家乐, 陈曙东, 叶亮, 等. 大语言模型中的思维链技术综述[J]. 无线电通信技术, 2025, 51(5): 877-887.

Du J L, Chen S D, Ye L, et al. Survey of chain of thought techniques in large language models[J]. Radio Communications Technology, 2025, 51(5): 877-887.

文章导航

/

〈 〉