RESEARCH
围绕“如何让大模型可靠地读史籍”这一问题, 本页展示史籍 GraphRAG 与多智能体实体链接两项研究: 在预定义 schema 下抽取人物关系并构建知识图谱, 同时通过人物指称消歧实现实体对齐。
限定域 · 基础
在 35 类预定义关系下抽取“前四史”人物关系, 构建 Neo4j 知识图谱并接入 GraphRAG 问答。
F1 = 0.68 Xunzi-Qwen1.5-14B
实体对齐 · 并行方向
三智能体协同将史籍人物指称链接到 CBDB 知识库, 融合文本相似度与大模型语义评分。
Recall@5 = 0.908 Qwen3-32B
研究关联: 史籍 GraphRAG 建立了“抽取 → 建图 → 检索增强生成”的基本管线; 多智能体实体链接处理人物指称的消歧与对齐问题。 同一人物在史籍中可能以姓名、字号、谥号、官职等多种形式出现, 准确识别这些指称,有助于提高知识图谱节点的一致性。
王东波、朱丹浩、许乾坤 著,南京大学出版社。 全书 14 章,从古籍信息处理研究综述出发, 系统呈现 SikuBERT 预训练模型、荀子生成式基座大模型、 ACHBench 评测基准,以及分词、断句标点、命名实体识别、 关系抽取、自动分类、自动摘要、互文发现等任务的研究成果, 末章展望古籍智能体研究。可视作荀子 1.0 与 2.0 时代的成果总集。
本站仅展示各章研究内容摘要,全文以正式出版物为准。