AW-KG：基于大语言模型的水稻病虫害知识图谱构建方法

来源：计算机工程与应用杂志2026年第13期北京时间：

作者：石业欣, 路阳, 司香宇, 高鹏飞, 张金南

单位：1.黑龙江八一农垦大学 信息与电气工程学院，黑龙江 大庆 163319；2.东北石油大学 黑龙江省网络化与智能控制重点实验室，黑龙江 大庆 163318；3.东北石油大学 三亚海洋油气研究院，海南 三亚 572024；

摘要：针对大语言模型（LLMs）构建水稻病虫害知识图谱时面临的信息噪声干扰、知识抽取完整性不足及模型幻觉问题，提出一种融合智能体工作流（AW）与监督微调（SFT）的知识图谱（KG）构建方法（agentic workflow-knowledge graph，AW-KG）。通过智能体工作流实现迭代知识生成与反思修正：设计COT提示模板，利用“上下文收敛净化”模块循环优化文本质量与结构化实体信息，并引入Schema引导的反思流程，识别出三元组的缺失实体与关系，并进行修正，提升了三元组的完整性；基于微调模型（以Qwen2.5-7B-Instruct为基座，采用LoRA微调）构建监督式知识校验模块，对候选三元组进行事实性审核，有效过滤模型幻觉导致的错误三元组。在自建的中文水稻病虫害数据集上的实验表明，AW-KG的三元组抽取精确率（0.942）和F1值（0.924）均显著优于基线模型DeepSeek-V3和Qwen2.5-72B。此外，在CMeEE、Literature-NER、Resume三个公开数据集上的命名实体识别任务也验证了其核心框架的优越性与泛化能力。消融实验验证了迭代净化、反思修正与监督校验模块对提升知识图谱质量的关键作用。该方法为垂直领域的高质量、自动化水稻病虫害知识图谱构建提供了新的解决方案。

关键词：大语言模型,智能体工作流,监督微调,水稻病虫害,知识图谱

基金资助：国家自然科学基金（U21A2019，62476081）；黑龙江省自然科学基金（LH2024F048）；黑龙江省省属高等学校基本科研业务费科研项目（ZRCQC202403）。