1 研究背景

该研究关注大语言模型（LLMs）在复杂领域对话系统中的应用挑战。尽管基于检索增强生成（RAG）的LLM问答系统已被广泛用于工业知识查询，但在实际部署中仍面临若干关键问题：当不同文档中存在语义相似内容时，系统容易出现语义混淆和信息交叉污染；同时，传统RAG缺乏对结构化知识的利用，难以实现精确的实体消歧和上下文追踪；在多轮对话过程中，用户问题还可能逐渐偏离原始任务目标，导致对话主题漂移并影响回答准确性。为解决这些问题，研究提出将本体（ontology）与知识图谱（knowledge graph）引入大语言模型推理流程，通过融合结构化知识与非结构化文本信息，提高对话系统的语义理解能力、上下文保持能力以及多轮对话中的主题一致性。

图1 内容相似导致错误响应的示例

系统对不同查询返回相同答案，说明在多领域场景下维持准确上下文信息仍然具有较大挑战

2 研究方法

一、总体方法框架设计

1、OntoLLM整体架构设计

（1）LLM–本体–知识图谱融合框架

研究提出 OntoLLM 框架，通过在推理阶段将大语言模型（LLM）、领域本体与知识图谱进行统一集成，以解决传统 RAG 系统在语义消歧、上下文保持以及多轮对话中的主题漂移问题。该框架通过结构化知识与非结构化文本知识的协同建模，使系统能够在复杂领域问答任务中保持更高的语义一致性与推理可靠性。

（2）双工作流系统结构

整个系统由两个核心工作流组成：

① 非结构化数据与知识图谱融合（UKG）模块，用于构建结构化知识与文本知识之间的连接关系；

② 基于本体的信息检索与对话控制（ORD）模块，用于执行查询处理、上下文维护以及防止对话偏离主题。两个模块相互协同，从而实现结构化语义约束与自然语言推理能力的结合。

二、非结构化数据与知识图谱融合方法

1、文档处理与语义向量构建

（1）文档分块与结构信息提取

首先对领域文档（如技术手册、政策文件等）进行预处理，将长文本拆分为若干语义块，并提取文档结构信息（如章节层级、段落关系等），以保留原始文档的语义组织结构。

（2）向量嵌入生成

对每个文本块生成语义向量，并将文本块及其向量表示存储于向量数据库中，用于后续语义检索与 RAG 推理过程。

2、Question Node生成与知识图谱扩展

（1）自动问题生成机制

系统利用大语言模型为每个文档块自动生成若干“问题”，这些问题用于描述该文本块所包含的核心信息，从而构建与文本内容相对应的语义查询入口。

（2）Question Node结构设计

研究提出一种新的知识图谱节点类型——Question Node。该节点包含以下信息：

① 问题文本

② 文档块唯一标识

③ 向量数据库引用

Question Node作为桥梁，将知识图谱中的结构化实体与非结构化文本内容进行连接，从而实现结构化知识与文本语料之间的语义映射。

3、相关问题关系构建（RQI）

（1）结构关系识别

系统首先根据文档结构信息（如同一章节或同一主题段落）建立 Question Node 之间的结构关系，从而形成初步的语义关联网络。

（2）语义相似关系计算

进一步通过计算问题向量之间的语义相似度，当相似度高于设定阈值时，在 Question Node 之间建立“related”关系，并赋予相应的权重。该过程形成问题语义网络，为后续多轮对话中的上下文追踪提供基础。

三、基于本体的信息检索与对话控制方法

1、查询重写与上下文补全

（1）多轮对话上下文整合

系统在接收用户问题后，结合当前对话历史和知识图谱上下文，对用户问题进行语义重写，以补充省略信息并解决指代问题，从而生成更完整的查询表达。

（2）意图识别与实体抽取

通过自然语言处理方法识别用户问题的查询意图，并从问题中抽取相关实体，以判断该问题属于结构化查询还是非结构化查询。

2、结构化查询处理（SQH）

（1）本体属性组合生成

系统依据领域本体结构，将识别出的实体与其属性进行组合，生成合法的实体–属性组合模式，为知识图谱查询提供结构化模板。

（2）示例查询生成与提示构建

根据本体结构自动生成自然语言查询与知识图谱查询的示例，并将这些示例与本体结构信息共同构建为提示，引导 LLM 生成正确的知识图谱查询语句。

（3）知识图谱查询执行

由 LLM 生成最终的知识图谱查询语句，并在知识图谱数据库中执行，从而获得结构化查询结果。

3、非结构化查询处理

（1）向量检索查询生成

当问题被判定为非结构化查询时，系统根据识别出的实体与上下文信息生成向量数据库检索查询，以筛选相关文本块。

（2）RAG检索增强生成

检索到的文本块作为上下文输入到大语言模型中，通过检索增强生成（RAG）机制生成最终回答，从而提高回答的事实准确性与语义相关性。

4、相关问题生成与对话引导

（1）结构化相关问题生成

对于结构化查询结果，系统依据本体中实体之间的关系自动生成相关问题，从而引导用户继续探索与当前主题相关的知识。

（2）非结构化相关问题生成

对于基于文本检索的回答，系统利用 Question Node 网络和语义相似度关系生成相关问题列表，并按照相关性进行排序。

（3）对话偏离控制机制

通过持续推荐相关问题，系统能够引导用户围绕当前主题进行提问，从而减少对话过程中出现的主题漂移现象，并保持多轮对话的语义一致性。

3 主要成果

一、提出 OntoLLM 框架：实现本体—知识图谱—大语言模型的统一融合

该研究提出了 OntoLLM（Ontology-guided Large Language Model）框架，通过在推理阶段将本体、知识图谱与大语言模型进行统一集成，从而解决传统 RAG 系统在语义消歧、上下文保持以及多轮对话中主题漂移等问题。该框架以结构化知识作为语义约束，将知识图谱中的实体关系与非结构化文本内容相连接，使系统能够在复杂领域问答任务中保持更高的语义一致性与信息准确性。通过这一框架，LLM不仅能够检索文本知识，还能够利用知识图谱结构进行语义推理，从而显著提升复杂场景中的对话可靠性与上下文理解能力。

图2 OntoLLM框架中的知识图谱整合流程

该图展示了文档分块处理、向量嵌入生成、问题节点构建，以及通过问题节点将非结构化文本内容与知识图谱进行关联的整体过程

二、提出 Question Node 机制：实现结构化知识与文本知识的语义桥接

研究提出了一种新的知识图谱节点类型 Question Node，用于连接知识图谱实体与非结构化文本片段。系统首先将文档划分为若干语义块（document chunks），然后利用大语言模型自动为每个文本块生成对应的问题，并在知识图谱中创建 Question Node，将问题节点与文本块及其向量表示进行关联。这种设计使得知识图谱不仅能够表示实体关系，还能够直接对应到具体文本内容，从而在查询过程中实现更精确的语义定位，并有效减少不同文档之间的语义混淆问题。通过 Question Node 网络，系统能够在多轮对话中追踪语义上下文，并提供更加稳定的知识检索结果。

三、构建基于本体的查询生成机制：提高知识图谱查询的语义准确性

在结构化查询方面，研究设计了一种 基于本体结构的查询生成方法。系统首先通过意图识别和实体抽取确定用户查询目标，然后依据领域本体自动生成合法的实体—属性组合，并进一步构建自然语言查询与知识图谱查询语句之间的映射模板。通过在提示工程（prompt）中加入本体结构与示例查询，LLM能够生成符合知识图谱模式约束的结构化查询语句，并在图数据库中执行查询。这一方法避免了传统自然语言查询直接映射知识图谱时容易出现的语义歧义问题，从而显著提升了结构化知识检索的准确性与稳定性。

图4 结构化查询处理器工作流程

四、构建多轮对话控制机制：防止对话偏离主题并保持语义一致性

为解决多轮对话中常见的“对话漂移”问题，研究提出了一种 基于本体与问题网络的对话控制机制。在每次回答完成后，系统会根据知识图谱关系或 Question Node 之间的语义关联自动生成若干相关问题，并按照相关性进行排序推荐给用户。这种方式不仅能够帮助用户进一步探索相关知识，还能够引导对话始终围绕当前主题展开，从而避免对话逐渐偏离原始问题。通过持续利用知识图谱关系和问题语义网络，系统能够在多轮对话中保持稳定的上下文语义结构。

图3 ORD流程

该图展示了在 OntoLLM 框架中生成输出响应的步骤，包括上下文信息的利用、实体识别以及查询构建等过程

五、实验验证框架有效性：显著提升检索精度与上下文保持能力

研究在多个工业数据集上对 OntoLLM 进行了系统实验评估，包括技术文档、企业政策以及设备维护手册等不同类型的知识库。实验结果表明，OntoLLM 在检索精度、文本生成质量以及多轮对话上下文保持能力方面均明显优于传统 RAG 系统。

4 小结

研究优势

1、结构化知识与语言模型的深度融合：提高复杂领域问答的语义准确性

OntoLLM 将本体与知识图谱在推理阶段与大语言模型进行结合，使系统能够利用结构化语义约束进行信息检索和推理，从而显著提升复杂领域问答系统中的语义消歧能力。相比传统仅依赖向量检索的 RAG 方法，该框架能够更准确地区分实体及其关系，从而减少语义混淆和信息交叉污染问题。

2、Question Node机制提升上下文追踪能力：实现结构化知识与文本知识的桥接

论文提出的 Question Node 机制将知识图谱实体与文档文本块进行关联，使得非结构化文档能够在知识图谱中获得语义定位。这种结构设计不仅提高了信息检索的精确性，还能够在多轮对话过程中持续追踪语义上下文，从而保证对话的一致性和可解释性。

3、本体驱动的查询生成提升检索稳定性：避免自由文本查询导致的语义歧义

通过利用领域本体生成实体—属性组合模板，并结合示例查询构建提示（prompt），OntoLLM能够自动生成符合知识图谱模式约束的结构化查询语句，从而减少自然语言直接查询知识图谱时可能出现的语义错误，提高知识检索的稳定性与准确性。

4、多轮对话引导机制减少话题漂移：相关问题生成提升对话连续性

系统通过知识图谱关系和问题节点网络自动生成相关问题，从而在多轮对话中引导用户继续围绕当前主题进行提问。这种对话引导机制可以有效减少对话偏离原始问题的情况，提高对话系统的语义一致性与任务导向能力。

研究局限性

1、知识图谱质量依赖性较强：知识图谱不完整会影响系统性能

作者指出，OntoLLM 的效果高度依赖知识图谱的完整性。如果知识图谱中缺少实体、关系或属性信息，系统可能无法正确执行结构化查询，从而影响整体检索效果。为缓解这一问题，论文建议在知识图谱缺失信息时采用向量检索作为补充机制。

2、知识图谱噪声可能影响推理结果：错误实体或关系会传播到查询结果

在实际应用中，知识图谱可能包含错误实体或不一致的关系，这些噪声信息可能导致系统返回错误答案。作者指出，需要通过数据验证、知识图谱清洗以及结构化约束等方法来降低噪声对系统推理结果的影响。

3、知识图谱查询生成存在错误传播风险：错误查询可能导致完全错误的结果

如果 LLM 在生成知识图谱查询语句时出现错误，例如错误的实体或关系匹配，系统可能会检索到完全不相关的结果。与一般检索误差不同，这类错误可能导致查询完全偏离原始语义。因此论文建议在执行查询之前引入 本体模式验证 来检测潜在错误。

4、相关问题生成质量仍需优化：低质量问题可能影响对话引导效果

在多轮对话过程中，如果自动生成的相关问题与当前语境不够相关，可能降低对话引导机制的效果。不过作者指出，这类问题不会直接影响系统的主要检索结果，因为用户可以忽略不相关的问题建议。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】