KAG框架在E-Health问答中的应用

高质量知识图谱（KG）构建

• 实体与关系的精准定义：使用强约束模式对疾病、症状、药物、医学检查等实体进行精确结构化定义。这种精确的结构化定义有助于提高回答问题的准确性，同时确保实体间关系的严谨性。

• 领域术语与概念注入：利用医学专家整理的权威医学术语和概念知识，通过迭代提取的方式，增强知识图谱中领域术语和概念的覆盖度，减少知识颗粒度差异带来的噪声问题。

逻辑形式引导的推理引擎

• 逻辑形式生成与转换：根据用户的医学问题，生成相应的逻辑形式，并将其转化为可执行的DSL（Domain Specific Language）形式，用于在知识图谱上进行查询。

• 规则触发与答案生成：在解析逻辑形式进行图查询时，触发由医学专家预先编写的规则，这些规则会根据查询结果返回以三元组形式呈现的结论。

语义增强

• 同义词和上位词关系构建：在知识构建和用户问答阶段，利用术语集表达概念的同义词和上位词语义关系，支持基于术语的实体对齐。

• 医学术语对齐：将实体与医学术语进行对齐，以便在用户提问时能够更准确地检索和生成相关信息。

模型能力增强

• 自然语言理解（NLU）：通过收集多个公开数据集并进行大规模指令重构，设计多样化的指令合成策略，创建包含超过20,000条不同指令的NLU指令数据集，对基础模型进行监督微调，增强模型在下游任务中的NLU能力。

• 自然语言推理（NLI）：基于收集的高质量概念知识库和本体论，构建包含六种不同类型概念推理指令的训练数据集，提升给定基础模型的语义推理能力。

• 自然语言生成（NLG）：采用K-Lora和AKGF两种高效的领域定制微调方法，使生成过程更符合场景预期。

检索增强

• 多轮反思机制：引入多轮反思机制，当问题无法通过初始检索结果得到解答时，生成补充问题并进行迭代求解，直到全球记忆中有足够的信息。

• 混合检索策略：结合稀疏检索和密集检索方法，充分利用LLMFriSPG的层次化表示，通过符号图结构引导的事实和文本知识检索，提高检索的准确性和召回率。

应用效果

• 高准确率：在评估集上，KAG支持的E-Health问答应用实现了60.67%的召回率和81.32%的精确率，在特定医学问答场景中，如医疗保政策查询（北京、上海、杭州），准确率达到77.2%，医学科普意图的准确率超过94%，指标解释意图的准确率超过93%。