近年来，随着医疗数据的迅猛增长和复杂性提升，如何有效整合和推理医学知识，成为医学人工智能领域的核心挑战之一。大语言模型因其在处理海量非结构化文本数据中的强大生成与推理能力，在智能诊断、辅助决策及知识图谱构建等方面展现出重要价值。知识图谱作为一种结构化知识表达方式，可以直观呈现疾病、症状、药物及治疗方法之间的关联。然而，现有知识图谱中普遍存在数据稀疏与关系缺失的问题，严重限制了其在医学领域的应用潜力。因此，开发能够高效推理和补全知识图谱的智能化方法，成为推动精准医学和个性化医疗的重要研究方向。

      近日，博彩公司排名 周毅教授团队在人工智能中科院一区TOP期刊Information Fusion（IF=14.7）上在线发表了题为“GS-KGC: A generative subgraph-based framework for knowledge graph completion with large language models”的研究论文。该论文研究工作基于前期研究成果CP-KGC，进一步提出了一种新的生成式知识图谱补全框架GS-KGC。该框架基于大语言模型的生成能力，设计了一种基于知识图谱的子图分割算法，并通过引入已知实体的负样本和邻域信息来增强模型的推理能力。研究发现，GS-KGC不仅能够发现知识图谱中未知的三元组关系，还能够推理知识图谱之外的新实体，生成新的事实。

      这项研究不仅突破了现有模型的性能瓶颈，还进一步推动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，医疗行业有望在处理复杂病例、提高治疗效率以及推动个性化医疗解决方案方面取得显著进展。

      博彩公司排名 周毅教授为该论文通讯作者，方立副教授为该论文共同通讯作者。2023级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/S1566253524006468