买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京邮电大学申请的专利基于结构感知知识图谱表示的大语言模型推理增强方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120633869B 。

龙图腾网通过国家知识产权局官网在2025-10-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511110717.6，技术领域涉及：G06N5/04；该发明授权基于结构感知知识图谱表示的大语言模型推理增强方法是由董振江;蔡霈涵;徐康;亓晋设计研发完成，并于2025-08-08向国家知识产权局提交的专利申请。

本基于结构感知知识图谱表示的大语言模型推理增强方法在说明书摘要公布了：本发明属于知识图谱与大语言模型结合的技术领域，公开了一种基于结构感知知识图谱表示的大语言模型推理增强方法，本申请提出一种结构感知的知识注入框架，利用图神经网络结合多源结构信息编码增强实体表示，并通过对比学习机制实现语义与结构空间的对齐，同时设计自适应鲁棒性融合剪枝训练策略，动态筛选高质量证据子图，引导语言模型进行结构化推理。本申请实现了对结构信息与语义信息的深度整合与优化利用，显著提升了模型在复杂查询任务下的准确性、鲁棒性与资源效率，为生成质量提供了更强的嵌入基础，从而提升复杂问题下的生成准确性、稳定性与效率。

本发明授权基于结构感知知识图谱表示的大语言模型推理增强方法在权利要求书中公布了：1.一种基于结构感知知识图谱表示的大语言模型推理增强方法，其特征在于：所述大语言模型推理增强方法具体包括如下步骤： 步骤1、对原始知识图谱中的节点进行编码生成高维语义嵌入向量，引入自适应多源结构信息编码机制获取节点结构信息编码，将节点结构信息编码与高维语义嵌入向量拼接形成原始结构感知特征； 步骤2、将步骤1得到的原始结构感知特征引入多层GPS图卷积神经网络形成增强节点嵌入特征，引入双向对比学习机制，将增强节点嵌入特征与步骤1得到的高维语义嵌入向量进行对齐，得到最终的嵌入向量； 步骤3、基于步骤2得到的嵌入向量获得知识图谱中所有节点的嵌入向量矩阵，利用大语言模型对问题中的关键实体集合进行识别，完成关键实体集合识别后，用Sentence-BERT将关键实体集合编码为密集向量，计算密集向量与嵌入向量矩阵的余弦相似度矩阵，选取与关键实体集合最相似的问题节点集合即为子图的锚定节点； 步骤4、从步骤3获得的锚定节点出发，采用路径探索与邻域扩展双通道策略生成无剪枝候选子图集合； 步骤5、基于步骤2得到的嵌入向量，构建自适应鲁棒性融合剪枝训练策略，从步骤4的无剪枝候选子图集合中完成子图的筛选，从无剪枝候选子图集合中选出的最优子图，所述自适应鲁棒性融合剪枝训练策略包括计算结构-语义评分分量和反事实鲁棒性评分分量； 步骤6、针对任意新问题，首先根据步骤1-步骤4生成无剪枝候选子图集合，随后，直接调用步骤5自适应鲁棒性融合剪枝训练策略训练好的自适应剪枝打分函数，对步骤4生成的无剪枝候选子图集合进行筛选，选出与问题最相关、结构最健壮的证据子图，其中： 所述步骤2具体包括如下步骤： 步骤2.1、将得到的原始结构感知特征输入至多层GPS图卷积神经网络中进行原始结构感知特征的传播和聚合，每一层图卷积的计算方式为： ， 其中，为GPS层的层数，，； 步骤2.2、在完成层GPS图卷积神经网络的特征传播与聚合后，从每个子图中提取出中心节点的增强嵌入节点特征： ； 步骤2.3、采用InfoNCE损失函数将增强嵌入节点特征与中心节点的高维语义嵌入向量进行对齐，所述InfoNCE损失函数包括从图到文本方向计算对比损失和文本到图方向的对比损失： ， ， 其中，为样本数量，为温度系数，是中心节点的语义特征，是节点的语义特征，是节点的增强嵌入节点特征，是中心节点的增强嵌入节点特征，函数为衡量和之间的相似度：，为转置； 步骤2.4、引入双向对比学习机制，对比学习损失函数为： ， 步骤2.5、训练完成后，最终的嵌入向量： 。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京邮电大学，其通讯地址为：210046 江苏省南京市栖霞区文苑路9号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。