利用动态知识图谱和可解释的检索增强生成增强大型语言模型在电信领域的应用

大型语言模型（LLMs）在多种任务中表现出强大潜力，但在电信领域因领域复杂性、不断演变的标准和专业术语而面临挑战。通用领域的LLMs可能难以在此背景下提供准确可靠的输出，导致幻觉增加并降低在电信运营中的实用性。为解决这些限制，本文提出了一种名为KG-RAG的新框架，该框架将知识图谱（KG）与检索增强生成（RAG）相结合，以增强LLMs在电信特定任务中的表现。具体而言，知识图谱提供了从电信标准和技术文档中提取的结构化领域知识表示，而RAG则实现了相关事实的动态检索，以确保模型输出的准确性。实验结果表明，KG-RAG在基准数据集上的表现优于仅使用LLM和标准RAG基线，例如KG-RAG在RAG基础上平均准确率提高了14.3%，在仅使用LLM的模型上提高了21.6%。这些结果突显了KG-RAG在复杂电信场景中生成准确、可靠和可解释输出的有效性。