面向机场总体管理的半自动知识工程与流程映射

机场运行文档之所以天生复杂，是因为其技术术语浩繁、监管规则严格、区域专有信息众多，且多方利益相关者之间的沟通彼此割裂。由此产生的数据孤岛与语义不一致，给机场总体管理（TAM）计划造成重大阻碍。本文提出一个方法学框架，通过符号知识工程（KE）与生成式大语言模型（LLM）的两阶段融合，构建扎根领域、机器可读的知识图谱（KG）。该框架采用脚手架式融合策略，由专家整理的KE结构引导LLM提示，以促进语义对齐知识三元组的发现。我们在Google LangExtract库上评估该方法，并通过比较局部片段推理与文档级处理，考察上下文窗口利用方式的影响。与先前关于LLM长上下文退化的实证观察相反，文档级处理改善了非线性程序性依赖的恢复。为确保机场运行所需的高保真溯源，所提框架将用于发现的概率模型与用于锚定的确定性算法相融合，把每一条抽取结果锚定到其原始来源。这确保了绝对的可追溯性与可验证性，弥合了“黑箱”生成式输出与运营工具所需透明度之间的鸿沟。最后，我们引入一个自动化框架，将这一流水线落地运行，用以从非结构化文本语料合成复杂的运营工作流。