Page 112 - 水利学报2025年第56卷第4期

［３３］ ＬＩＵＪ，ＬＩＵＣ，ＺＨＯＵＰ，ｅｔａｌ．Ｉｓｃｈａｔｇｐｔａｇｏｏｄｒｅｃｏｍｍｅｎｄｅｒ？ａｐｒｅｌｉｍｉｎａｒｙｓｔｕｄｙ［ＥＢ?ＯＬ］．（２０２３ － ０４ － ２０）
［ ２０２４ － １０ － １６］．ｈｔｔｐｓ：??ａｒｘｉｖ．ｏｒｇ?ａｂｓ?２３０４．１０１４９．
［３４］ ＪＩＺ，ＬＥＥＮ，ＦＲＩＥＳＫＥＲ，ｅｔａｌ．Ｓｕｒｖｅｙｏｆｈａｌｌｕｃｉｎａｔｉｏｎｉｎｎａｔｕｒａｌｌａｎｇｕａｇｅｇｅｎｅｒａｔｉｏｎ［Ｊ］．ＡＣＭ Ｃｏｍｐｕｔｉｎｇ
Ｓｕｒｖｅｙｓ，２０２３，５５（１２）：１ － ３８．
［３５］ ＤＡＩＳ，ＳＨＡＯＮ，ＺＨＡＯＨ，ｅｔａｌ．Ｕｎｃｏｖｅｒｉｎｇｃｈａｔｇｐｔ’ｓｃａｐａｂｉｌｉｔｉｅｓｉｎｒｅｃｏｍｍｅｎｄｅｒｓｙｓｔｅｍｓ［Ｃ］??Ｐｒｏｃｅｅｄｉｎｇｓ
ｏｆｔｈｅ１７ｔｈＡＣＭ ＣｏｎｆｅｒｅｎｃｅｏｎＲｅｃｏｍｍｅｎｄｅｒＳｙｓｔｅｍｓ．２０２３．
［３６］ ＫＡＮＧＷ Ｃ，ＮＩＪ，ＭＥＨＴＡＮ，ｅｔａｌ．Ｄｏｌｌｍｓｕｎｄｅｒｓｔａｎｄｕｓｅｒｐｒｅｆｅｒｅｎｃｅｓ？ｅｖａｌｕａｔｉｎｇｌｌｍｓｏｎｕｓｅｒｒａｔｉｎｇｐｒｅｄｉｃ
ｔｉｏｎ ［ＥＢ?ＯＬ］．（２０２３ － ０５ － １０）［２０２４ － １０ － １５］．ｈｔｔｐｓ：??ａｒｘｉｖ．ｏｒｇ?ａｂｓ?２３０５．０６４７４．
［３７］ ＬＩＮＪ，ＤＡＩＸ，ＸＩＹ，ｅｔａｌ．Ｈｏｗｃａｎｒｅｃｏｍｍｅｎｄｅｒｓｙｓｔｅｍｓｂｅｎｅｆｉｔｆｒｏｍ ｌａｒｇｅｌａｎｇｕａｇｅｍｏｄｅｌｓ：Ａｓｕｒｖｅｙ［ＥＢ?
ＯＬ ］．（２０２３ － ０６ － ０９）［２０２４ － １０ － １５］．ｈｔｔｐｓ：??ａｒｘｉｖ．ｏｒｇ?ａｂｓ?２３０６．０５８１７．
［３８］ ＳＡＮＭＡＲＴＩＮＤ．ＫＧ － ＲＡＧ： ＢｒｉｄｇｉｎｇｔｈｅＧａｐＢｅｔｗｅｅｎＫｎｏｗｌｅｄｇｅａｎｄＣｒｅａｔｉｖｉｔｙ［ＥＢ?ＯＬ］．（２０２４ － ０５ － ２０）
［２０２４ － ０８ － １６］．ｈｔｔｐｓ：??ａｒｘｉｖ．ｏｒｇ?ａｂｓ?２４０５．１２０３５．
［３９］ ＳＨＡＯＺ，ＧＯＮＧＹ，ＳＨＥＮＹ，ｅｔａｌ．Ｅｎｈａｎｃｉｎｇｒｅｔｒｉｅｖａｌ － ａｕｇｍｅｎｔｅｄｌａｒｇｅｌａｎｇｕａｇｅｍｏｄｅｌｓｗｉｔｈｉｔｅｒａｔｉｖｅｒｅｔｒｉｅｖａｌ －
ｇｅｎｅｒａｔｉｏｎｓｙｎｅｒｇｙ ［ＥＢ?ＯＬ］．（２０２３ － ０５ － ２４）［２０２４ － ０８ － １６］．ｈｔｔｐｓ：??ａｒｘｉｖ．ｏｒｇ?ａｂｓ?２３０５．１５２９４．
［４０］ ＹＡＯＳ，ＹＵＤ，ＺＨＡＯＪ，ｅｔａｌ．Ｔｒｅｅｏｆｔｈｏｕｇｈｔｓ：Ｄｅｌｉｂｅｒａｔｅｐｒｏｂｌｅｍ ｓｏｌｖｉｎｇｗｉｔｈｌａｒｇｅｌａｎｇｕａｇｅｍｏｄｅｌｓ［Ｃ］??
ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ ，２０２４．
［４１］ ＺＨＡＮＧＹ，ＷＡＮＧＸ，ＬＩＡＮＧＪ，ｅｔａｌ．Ｃｈａｉｎ － ｏｆ － Ｋｎｏｗｌｅｄｇｅ：Ｉｎｔｅｇｒａｔｉｎｇｋｎｏｗｌｅｄｇｅｒｅａｓｏｎｉｎｇｉｎｔｏｌａｒｇｅｌａｎｇｕａｇｅ
ｍｏｄｅｌｓｂｙｌｅａｒｎｉｎｇｆｒｏｍ ｋｎｏｗｌｅｄｇｅｇｒａｐｈｓ ［ＥＢ?ＯＬ］．（２０２４ － ０６ － ３０）［２０２４ － ０８ － １３］．ｈｔｔｐｓ：??ａｒｘｉｖ．ｏｒｇ?ａｂｓ?
２４０７．００６５３．
［４２］ 张殿元，余传明．基于知识增强与多模态融合的医疗视觉问答模型 ［Ｊ］．数据分析 与 知 识 发 现，２０２４，８
（Ｓ１）：２２６ － ２３９．
［４３］ ＥＶＴＩＫＨＩＥＶＭ，ＢＯＧＯＭＯＬＯＶＥ，ＳＯＫＯＬＯＶＹ，ｅｔａｌ．Ｏｕｔｏｆｔｈｅｂｌｅｕ：ｈｏｗｓｈｏｕｌｄｗｅａｓｓｅｓｓｑｕａｌｉｔｙｏｆｔｈｅ
ｃｏｄｅｇｅｎｅｒａｔｉｏｎｍｏｄｅｌｓ ？［Ｊ］．ＪｏｕｒｎａｌｏｆＳｙｓｔｅｍｓａｎｄＳｏｆｔｗａｒｅ，２０２３，２０３：１１１７４１．

Ｍｕｌｔｉｍｏｄａｌｋｎｏｗｌｅｄｇｅｇｒａｐｈｃｏｌｌａｂｏｒａｔｅｄｗｉｔｈｌａｒｇｅｍｏｄｅｌｆｏｒ
ｄｅｃｉｓｉｏｎｒｅｃｏｍｍｅｎｄａｔｉｏｎｏｆｗａｔｅｒｐｒｏｊｅｃｔｓｒｉｓｋｒｅｓｐｏｎｓｅ

１
１
１
１
１，２
ＹＡＮＧＹａｎｇｒｕｉ，ＰＡＮＳｈｉｆｅｎｇ，ＬＩＵＸｕｅｍｅｉ ，ＭＡＷｅｉ，ＦＥＮＧＬｉｎｇ
（１．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＥｌｅｃｔｒｉｃＰｏｗｅｒ，Ｚｈｅｎｇｚｈｏｕ ４５００００，Ｃｈｉｎａ；
２．ＣｏｌｌａｂｏｒａｔｉｖｅＩｎｎｏｖａｔｉｏｎＣｅｎｔｒｅｆｏｒＥｆｆｉｃｉｅｎｔＵｔｉｌｉｚａｔｉｏｎｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓ，Ｚｈｅｎｇｚｈｏｕ ４５００００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｗｉｔｈｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｗａｔｅｒｐｒｏｊｅｃｔｓａｎｄｔｈｅｉｎｃｒｅａｓｉｎｇｄｅｍａｎｄｆｏｒｉｎｆｏｒｍａｔｉｚａｔｉｏｎ，ｉｔｂｅｃｏｍｅｓｉｎ
ｃｒｅａｓｉｎｇｌｙｃｒｕｃｉａｌｔｏｅｆｆｅｃｔｉｖｅｌｙｐｒｏｃｅｓｓａｎｄｕｓｅｉｎｓｐｅｃｔｉｏｎｄａｔａｆｒｏｍｗａｔｅｒｐｒｏｊｅｃｔｔｏｍａｋｅｒｉｓｋｒｅｓｐｏｎｓｅｄｅｃｉｓｉｏｎｓ．
ＴｈｅｒｉｓｋｉｎｓｐｅｃｔｉｏｎｔｅｘｔｓｏｆｔｈｅＳｏｕｔｈ － ｔｏ － ＮｏｒｔｈＷａｔｅｒＤｉｖｅｒｓｉｏｎＰｒｏｊｅｃｔｉｎｖｏｌｖｅｎｕｍｅｒｏｕｓｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓ，ｃｏｍ
ｐｌｅｘｉｎｔｅｒｒｅｌａｔｉｏｎｓｈｉｐｓ ，ａｎｄｍｕｌｔｉ － ｓｏｕｒｃｅｈｅｔｅｒｏｇｅｎｅｏｕｓｄａｔａ．Ｔｏｅｆｆｅｃｔｉｖｅｌｙｕｔｉｌｉｚｅｔｈｅｉｎｓｐｅｃｔｉｏｎｔｅｘｔａｎｄｅｎｓｕｒｅ
ｔｈｅｔｉｍｅｌｉｎｅｓｓａｎｄｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｅｎｇｉｎｅｅｒｉｎｇｒｉｓｋｒｅｓｐｏｎｓｅ ，ａｍｅｔｈｏｄｔｈａｔｉｎｔｅｇｒａｔｅｓｍｕｌｔｉｍｏｄａｌｋｎｏｗｌｅｄｇｅ
ｇｒａｐｈｗｉｔｈｍｕｌｔｉｍｏｄａｌｌａｒｇｅｍｏｄｅｌ （ＭＬＬＭ）ｂａｓｅｄｏｎｉｎｓｐｅｃｔｉｏｎｔｅｘｔｄａｔａｉｓｐｒｏｐｏｓｅｄ，ａｉｍｉｎｇｔｏｐｒｏｖｉｄｅｔａｒｇｅｔｅｄ
ｄｅｃｉｓｉｏｎ － ｍａｋｉｎｇｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｆｏｒｒｉｓｋｓｉｎｔｈｅｏｐｅｒａｔｉｏｎｏｆｔｈｅＳｏｕｔｈ － ｔｏ － ＮｏｒｔｈＷａｔｅｒＤｉｖｅｒｓｉｏｎＰｒｏｊｅｃｔ．
Ｆｉｒｓｔｌｙ ，ｔｈｅｏｐｅｎ － ｓｏｕｒｃｅｍｕｌｔｉｍｏｄａｌｌａｒｇｅｌａｎｇｕａｇｅｍｏｄｅｌＶＩＰ － ＬＬａＶＡ，ｗｈｉｃｈｆｏｃｕｓｅｓｍｏｒｅｏｎｒｅｇｉｏｎａｌｌｏｃａｔｉｏｎｓ，
ｉｓｃｈｏｓｅｎａｓｔｈｅｄｉａｌｏｇｍｏｄｅｌ．Ｓｅｃｏｎｄｌｙ，ａｄｏｍａｉｎ － ｓｐｅｃｉｆｉｃｍｕｌｔｉｍｏｄａｌｋｎｏｗｌｅｄｇｅｇｒａｐｈｉｓｃｏｎｓｔｒｕｃｔｅｄｂａｓｅｄｏｎ
ｗａｔｅｒｐｒｏｊｅｃｔｉｎｓｐｅｃｔｉｏｎｄａｔａ．Ｌａｓｔｌｙ ，ｔｈｅｍｕｌｔｉｍｏｄａｌｋｎｏｗｌｅｄｇｅｇｒａｐｈ（ＭＭＫＧ）ｏｆｔｈｅｗａｔｅｒｃｏｎｓｅｒｖａｎｃｙｄｏｍａｉｎ
ｉｓｕｓｅｄａｓｔｈｅａｕｇｍｅｎｔｅｄｋｎｏｗｌｅｄｇｅｏｆｔｈｅｍｕｌｔｉｍｏｄａｌｌａｒｇｅｍｏｄｅｌ，ａｎｄｔｈｅｒｅｔｒｉｅｖａｌａｎｄｇｅｎｅｒａｔｉｏｎｏｆｃｏｌｌａｂｏｒａｔｉｖｅ
ａｎｄｉｔｅｒａｔｉｖｅａｐｐｒｏａｃｈｉｓａｄｏｐｔｅｄｔｏｉｄｅｎｔｉｆｙｔｈｅｍｏｓｔｐｅｒｔｉｎｅｎｔｓｏｌｕｔｉｏｎｓａｎｄｔｏｆｏｒｍｕｌａｔｅｒｉｓｋｒｅｓｐｏｎｓｅｄｅｃｉｓｉｏｎｓ．
ＴｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｍｅｔｈｏｄｗｏｒｋｓｗｅｌｌｏｎＢＬＥＵ，ＲＯＵＧＥ － ＬａｎｄＭＥＴＥＯＲｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓｗｈｅｎｇｅｎ
ｅｒａｔｉｎｇｒｉｓｋｒｅｓｐｏｎｓｅｄｅｃｉｓｉｏｎｓ，ａｎｄｃａｎｆｏｒｍｕｌａｔｅｃｏｒｒｅｓｐｏｎｄｉｎｇｒｅｓｐｏｎｓｅｄｅｃｉｓｉｏｎｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｔｏｔｈｅｏｐｅｒａ
ｔｉｏｎａｌｒｉｓｋｓｉｎｔｈｅｐｒｏｊｅｃｔｉｎｔｉｍｅ．Ｔｈｅｒｅｌａｔｅｄｒｅｓｅａｒｃｈｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅｒｅｌｉａｂｉｌｉｔｙｏｆｅｎｇｉｎｅｅｒｉｎｇｓａｆｅｔｙ
ｍａｉｎｔｅｎａｎｃｅｍａｎａｇｅｍｅｎｔａｎｄｒｅｄｕｃｅｔｈｅｉｍｐａｃｔｏｆｅｎｇｉｎｅｅｒｉｎｇｒｉｓｋｓｏｎｗａｔｅｒｓｕｐｐｌｙｓａｆｅｔｙ．
Ｋｅｙｗｏｒｄｓ：ｍｕｌｔｉｍｏｄａｌｋｎｏｗｌｅｄｇｅｇｒａｐｈ；ｍｕｌｔｉｍｏｄａｌｌａｒｇｅｍｏｄｅｌ；ｒｉｓｋｒｅｓｐｏｎｓｅ；Ｓｏｕｔｈ － ｔｏ － ＮｏｒｔｈＷａｔｅｒＤｉｖｅｒ
ｓｉｏｎＰｒｏｊｅｃｔ

（责任编辑：耿庆斋）

— ５ ３ —
０