文章详情

题名 · 作者 · 摘要 · 关键词 · DOI · 参考文献

基于思维链的低资源电信运维知识图谱构建

陈卓1，张晓峰1，禤晓昭1，张佐中1，陈光明1，杨以术1，徐况2，金书意2，汪盈盈2

(1.中国移动通信集团广东有限公司，广东 广州 510623； 2.科大国创云网科技有限公司 知识计算智能实验室，安徽 合肥 230088)

栏目：计算机技术 · 第 2026 年第 10 期 · 页码：101-106,111 · 2096-4706（2026）10-0101-07 · 中图分类号：TP391 · 文献标识码：A · DOI：10.19850/j.cnki.2096-4706.2026.10.018

摘要

随着通信网络规模与业务复杂度提升，网络故障知识图谱扩展面临数据稀缺与质量波动问题。提出一种面向运维场景、基于思维链（CoT）的自规划-自核验图谱生成方法。该方法以少量高质量种子数据及结构化提示驱动大语言模型，采用“分析-规划-合成”三阶段生成流程；采取由基于合成数据相似度分布的筛选与基于内容核验的修正组成的两阶段质量优化策略，用于自动识别并修复低质量样本。低资源运营商场景的实验验证表明，该方法可有效过滤语义无关与重复样本，显著提升合成数据的一致性与准确性，使模型设计质量评分较基线提升超过15%，从而实现运维知识图谱的可控扩展。

关键词

合成数据；思维链；大语言模型；运营商网络运维；知识图谱构建

参考文献

  1. [1] 杜春香，兰琨，崔萌.AI大模型背景下电信运营商的应对策略研究 [J].电信科学,2024(S2):1-8.
  2. [2] 车万翔，窦志成，冯岩松，等.大模型时代的自然语言处理:挑战、机遇与发展[J].中国科学:信息科学，2023，53（9）：1645-1687.
  3. [3] WANG Y，KORDI Y，MISHRA S，et al. Self-Instruct: Aligning Language Models With Self-Generated Instructions [C]//Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). Toronto： Association for Computational Linguistics，2023：13484-13508.
  4. [4] CAO L. GraphReason: Enhancing Reasoning Capabilities of Large Language Models through A Graph-Based Verification Approach [C]//Mishra B D, Durrett G, Jansen P, et al. (Eds.). Proceedings of the 2nd Workshop on Natural Language Reasoning and Structured Explanations (@ACL 2024). Bangkok：Association for Computational Linguistics，2024：1-12.
  5. [5] LIU Y，PENG X，DU T，et al. ERA-CoT: Improving Chain-of-Thought through Entity Relationship Analysis [C]//Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). Bangkok：Association for Computational Linguistics，2024：8780-8794.
  6. [6] IBRAHIM N，ABOULELA S，IBRAHIM A，et al. A Survey On Augmenting Knowledge Graphs (KGs) With Large Language Models (LLMs): Models, Evaluation Metrics, Benchmarks, And Challenges [J]. Discover Artificial Intelligence (S2731-0809)，2024，4（1）：76.
  7. [7] LIANG Y，WANG J，ZHU H，et al. Prompting Large Language Models With Chain-Of-Thought For Few-Shot Knowledge Base Question Generation [C]//Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing. Singapore: Association for Computational Linguistics，2023：4329-4343.
  8. [8] JI Z，YU T，XU Y，et al. Towards Mitigating LLM Hallucination Via Self Reflection [C]//Findings of the Association for Computational Linguistics: EMNLP 2023. Singapore：Association for Computational Linguistics，2023：1827-1843.
  9. [9] 许志伟，李海龙，李博，等. AIGC大模型测评综述:使能技术、安全隐患和应对 [J].计算机科学与探索，2024，18（9）：2293-2325.
  10. [10] EL EMAM K，MOSQUERA L，HOPTROFF R. Practical Synthetic Data Generation: Balancing Privacy and the Broad Availability of Data [M]. Sebastopol: O’ Reilly Media，2020：50-60. ISBN：9781492072737.
  11. [11] SCHOBER P，BOER C，SCHWARTE L A. Correlation Coefficients：Appropriate Use And Interpretation [J]. Anesthesia & Analgesia (S0003-2999)，2018，126（5）：1763-1768.
  12. [12] 黄俏娟，曹存根，王亚，等.基于大语言模型的事件常识知识图谱扩展方法 [J].软件学报，2025，36（9）：4153-4186.

基金项目

合肥市重大科技攻关“揭榜挂帅”项目(2024SZD005)

作者简介

陈卓（1979—），男，汉族，河南郑州人，中国移动通信集团广东有限公司网络部专家能手，硕士研究生，研究方向：运营商网络技术、智能软件；通信作者：金书意（1997—），女，汉族，安徽安庆人，硕士研究生，研究方向：知识计算、自然语言处理、大模型。