近日，我校软件学院2024级研究生芮子舜在国际会议The International Conference on Advanced Cloud and Big Data (CBD)上发表了题为“Knowledge Graph-Enhanced Large Language Model Reasoning with Prompt Engineering”的研究论文，并荣获最佳应用论文奖（Best Application Paper Award），指导老师为我校许小龙教授和江苏省气象台陈圣劼博士。该研究针对知识库问答任务中大型语言模型存在的知识局限性和幻觉问题，提出了一种知识图谱增强的提示工程推理框架（LRwP）。该框架通过优化子图检索和设计多阶段推理机制，将知识图谱的结构化信息与大模型的推理能力相结合，在显著提升推理准确率的同时，保持了过程的可解释性。

The International Conference on Advanced Cloud and Big Data (CBD)是云计算与大数据领域的国际学术会议，聚焦云计算架构、大数据处理、分布式系统、人工智能应用以及跨学科新兴方向，每年吸引全球顶尖高校与研究机构的众多高水平研究成果投稿与交流。

基于知识库问答任务由于大模型的知识储备有限和幻觉问题，常常导致模型在复杂推理任务中准确率低下，甚至产生事实错误。现有研究主要集中在语义解析和检索增强方法上，往往忽略了知识图谱的结构信息，也缺乏对提示设计的细粒度优化。此外，部分方法过于依赖参数化知识，容易引入噪声或忽略推理路径的可解释性。针对以上挑战，该研究提出了一种知识图谱增强的提示工程推理框（LRwP）。首先，该研究优化了召回过程，通过查询与知识图谱信息的加权对齐，获取紧凑且高覆盖率的子图。随后，该研究设计了集成推理模块，通过特定提示引导大模型生成思维链和图谱路径。最后，并采用双重过滤机制，筛选最相关的答案路径，整体实现了问答准确率的提升。同时，该研究通过引入路径生成和过滤提示，确保了推理过程的可解释性。

如研究示意图所示，LRwP框架由子图检索模块和推理模块组成，二者形成“检索-生成-过滤”的科学推理流程。为了验证方法的有效性和实用性，该研究在WebQSP和CWQ两个真实数据集上进行了实验。实验考虑了单跳和多跳问题，以全面评估性能。方法的有效性通过Hits@1和F1等指标来衡量。实验结果表明，LRwP在单跳和多跳推理任务上的表现显著提升，相较最先进的方法在Hits@1指标上提升超过5%，且在F1分数上保持领先，提升了推理准确率的同时，保证了推理过程的可解释性。消融实验则进一步验证了模型微调、思维链生成与过滤机制在整体性能提升中的必要性。

为推动科研成果向业务实效转化，团队与江苏省气象局合作，已经将相关技术成功集成至江苏决策气象移动端服务系统，有效支撑了全省气象防灾减灾的精准决策、灾害性天气的应急调度以及面向公众的气象服务保障，在江苏省气象局2025年组织的气象科技成果评价中获得“优秀”等级。同时，该技术框架进一步拓展应用于智慧气象与人工智能交叉领域，荣获2025年第七届全球校园人工智能算法精英大赛全国总决赛一等奖，芮子舜同学作为优秀项目代表，进行了公开路演。

论文信息如下：

Zishun Rui, Shucun Fu, Haolong Xiang, Siyu Wu, Shengjie Chen and Xiaolong Xu*. Knowledge Graph-Enhanced Large Language Model Reasoning with Prompt Engineering. The International Conference on Advanced Cloud and Big Data (CBD), 2025.

获奖论文

研究示意图