Page 89 - 2025年第56卷第5期

较低 ［12-13］ 。
大语言模型（Large Language Models， LLMs） 的出现为知识图谱的构建开辟了新路径，特别是在
［14］
减少人工干预和提高效率方面展现出巨大潜力。LLMs 凭借其强大的语言理解和生成能力 ［15］ ，能够从
非结构化文本中提取知识，将其转化为结构化的三元组，降低了人力。Edge 等 ［16-17］ 基于 LLMs 提出图
检索增强生成（Graph Retrieval-Augmented Generation，GraphRAG）方法，实现知识图谱的半自动化构
建。但由于 GraphRAG 只关注实体类型，在关系类型的标注上存在不足，无法通过特定关系检索到相
连 实 体 ， 使 得 知 识 图 谱 的 实 用 性 受 到 限 制 。 Zhang 等 ［18］ 提 出 开 放 信 息 提 取（Extract-Define-
Canonicalize， EDC）方法自动化构建知识图谱，但该方法主要聚焦于关系类型的定义与优化，实体冗
余和不一致问题难以解决，知识图谱的质量仍有待提升。
为 突 破 现 有 局 限 ， 本 文 设 计 了 由 LLMs 指 导 的 “ 发 掘 -构 建 -过 滤 ”（Explore-Construct-Filter，
ECF）框架，实现水利工程运行管理质量问题概念模型及知识图谱的自动化构建，减少人工干预，并
对实体和关系进行双重发掘。首先，利用思维链（Chain of Thought，CoT） ［19-20］ 提示，辅助 LLMs 识别水
利领域的实体和关系以及它们的类型，达到实体关系联合处理。实体与关系的双重维度分析提升了知
识图谱的类型捕获能力。穷举组合水利工程实体与关系类型，最大限度地召回待定元三元组，实现知
识图谱概念模型的自动化生成。其次，结合已生成的概念模型，借助 LLMs 从文本中提取实例三元组，
构建水利工程运行管理质量问题知识图谱。最后，为确保知识图谱的准确性，设计了过滤机制，剔除
概念模型及知识图谱中的三元组噪声。该方法对提升流域水利工程相关质量问题的智能捕获与分析能
力提供了新思路，为水利工程的规范运行与稳步推进提供了理论支持。

2 研究方法

本文提出了一种人工智能链（AI 链）驱动的水利工程运行管理质量问题概念模型及知识图谱的自动

）
化构建方法。通过知识图谱发掘（KG Exploration，KGE）、知识图谱构建（KG Construction， KGC）和知
（
识图谱过滤（KG Filtering，KGF）三个集成模块的开发，组成如图 1 所示的 ECF 框架。旨在解决现行知

图 1 “发掘-构建-过滤”框架

— 635 —