中大新聞網訊（通訊員張玉琦）人工智能是當前推動醫學領域研究創新的重要支撐，大模型在醫學領域的研究應用，為智能醫學的發展提供了新思路和方法。大語言模型通過分析海量文本數據來掌握和生成人類語言，而知識圖譜補全則利用這些模型來增強和完善醫學領域的知識圖譜，填補其中的信息空白。在醫學領域，知識圖譜包含了豐富的醫學實體和它們之間的復雜關系，支持診斷、治療決策和研究等多種應用。通過知識圖譜補全，可以有效擴展醫學知識的深度和廣度，提高圖譜的準確性和覆蓋范圍。這不僅提升了醫療系統的智能化程度，對提高病例處理效率和精確度，以及促進個性化醫療方案的制定有重要意義。

近日，中山醫學院周毅教授團隊在中科院一區TOP期刊Knowledge-Based Systems在線發表題為《Enhancing text-based knowledge graph completion with zero-shot large language models: A focus on semantic enhancement》的研究論文。該論文提出了一種新的知識圖譜補全框架CP-KGC，該框架結合了大語言模型的能力。通過設計通用的提示（prompts）以適應不同數據集。CP-KGC框架旨在增強文本語義的表達能力，大量實驗證明了該框架的有效性。此外，CP-KGC框架還采用了上下文約束策略，有效解決了知識圖譜補全數據集中常見的一詞多義問題。即使在對大模型進行量化處理后，Qwen-7B-Chat-int4模型仍然提升了基于文本的傳統KGC方法的性能。這項研究不僅突破了現有模型的性能瓶頸，還進一步促進了知識圖譜與大語言模型的深度融合。通過集成這些先進技術，可期待醫療行業在處理復雜病例、提高治療效率和推動定制化醫療解決方案方面取得顯著進展。

該論文中山醫學院周毅教授為通訊作者，方立副教授為該論文共同通訊作者。博士研究生楊瑞為本文第一作者。

論文鏈接：https://www.sciencedirect.com/science/article/pii/S0950705124007895