人工智能是当前推动医学领域研究创新的重要支撑，大模型在医学领域的研究应用为智能医学的发展提供了新思路和方法。大语言模型通过分析海量文本数据来掌握和生成人类语言，而知识图谱补全则利用这些模型来增强和完善医学领域的知识图谱，填补其中的信息空白。在医学领域，知识图谱包含了丰富的医学实体和它们之间的复杂关系，支持诊断、治疗决策和研究等多种应用。通过知识图谱补全，可以有效扩展医学知识的深度和广度，提高图谱的准确性和覆盖范围。这不仅提升了医疗系统的智能化程度，对提高病例处理效率和精确度，以及促进个性化医疗方案的制定有重要意义。

　　近日，博彩公司排名 周毅教授团队在中科院一区TOP期刊Knowledge-Based Systems在线发表题为《Enhancing text-based knowledge graph completion with zero-shot large language models: A focus on semantic enhancement》的研究论文。该论文提出了一种新的知识图谱补全框架CP-KGC，该框架结合了大语言模型的能力。通过设计通用的提示（prompts）以适应不同数据集。CP-KGC框架旨在增强文本语义的表达能力，大量实验证明了该框架的有效性。此外，CP-KGC框架还采用了上下文约束策略，有效解决了知识图谱补全数据集中常见的一词多义问题。即使在对大模型进行量化处理后，Qwen-7B-Chat-int4模型仍然提升了基于文本的传统KGC方法的性能。这项研究不仅突破了现有模型的性能瓶颈，还进一步促进了知识图谱与大语言模型的深度融合。通过集成这些先进技术，可期待医疗行业在处理复杂病例、提高治疗效率和推动定制化医疗解决方案方面取得显著进展。

　　该论文博彩公司排名 周毅教授为通讯作者，方立副教授为该论文共同通讯作者。博士研究生杨瑞为本文第一作者。周毅教授团队长期从事健康医疗信息化与大数据、医学人工智能等相关方向研究，欢迎对此研究方向感兴趣的博士后和研究生加入。

　　原文链接：

　　//www.sciencedirect.com/science/article/pii/S0950705124007895