论文
利用动态知识图谱与可解释检索增强生成增强电信大语言模型（LLM）
Enhancing Large Language Models (LLMs) for Telecom using Dynamic Knowledge Graphs and Explainable Retrieval-Augmented Generation
摘要
大语言模型（LLM）在多种任务上展现出强大潜力，但由于领域复杂性、持续演进的标准与专业术语，其在电信领域的应用仍具挑战。因此，通用领域LLM在此情境下可能难以给出准确可靠的输出，导致电信运营中幻觉增多、效用下降。为解决这些局限，本工作提出KG-RAG——一个将知识图谱（KG）与检索增强生成（RAG）结合以增强LLM完成电信特定任务的新框架。具体而言，KG提供从电信标准与技术文档中提取的领域知识的结构化表示，RAG则支持动态检索相关事实以锚定模型输出。这种组合提升了事实准确性、减少幻觉，并确保符合电信规范。在多个基准数据集上的实验结果表明，KG-RAG优于仅用LLM与标准RAG基线，例如KG-RAG的平均准确率较RAG提升14.3%，较仅用LLM的模型提升21.6%。这些结果凸显了KG-RAG在复杂电信场景中产出准确、可靠且可解释输出的有效性。
