BEST-KAG：基于多模态知识图谱与大语言模型的建筑工程标准问答增强

建筑标准对建筑安全与可持续性至关重要。现有的标准应用工作流依赖基于关键词的文档检索和人工跨条款解读，无法可靠支持多条款推理、多模态知识利用或可追溯的条款级证据链接。针对这些局限，本研究构建了一个多模态知识驱动、支持标准知识问答的框架，命名为BEST-KAG（建筑工程标准知识增强生成）。该框架引入：1) 一个多模态知识图谱（MKG），用于统一表示文档层级与具有多种关联关系的异构标准知识；2) 一个规则-LLM混合知识构建管线，用于可扩展的多模态知识抽取，构建出一个包含251部建筑工程标准、171,652个节点与310,914条边的大型多模态知识图谱；3) 一个基于图检索的知识增强生成架构，实现条款锚定、可追溯的问答。实验表明，BEST-KAG在专家评估以及BLEU、ROUGE等指标上持续优于多个主流大语言模型，相对基线的最佳改进高达74.01%。