10月21日下午，成都东软学院大模型应用与研发中心科研沙龙暨中心第三十三场分享会顺利举行。本场沙龙由科研部刘轩老师主持，计算机与软件学院刘佳雯老师担任主讲嘉宾，围绕“基于关系注意力机制和大语言模型的知识图谱补全研究”展开深度分享。大模型应用与研发中心相关人员、各学院科研团队骨干教师等共同参与了本次学术交流。

分享会上，刘佳雯老师从知识图谱的基本结构与应用场景出发，系统阐述了知识图谱补全任务的研究背景与关键挑战。她指出，知识图谱作为结构化的语义知识库，虽已广泛应用于推荐系统、智能搜索等领域，但仍存在数据稀疏、语义信息缺失等问题，亟需通过补全技术提升其覆盖质量与推理能力。

刘老师重点介绍了其团队在知识图谱补全领域的三项创新工作：首先提出了一种基于图上下文和关系感知注意力的知识图谱补全模型（CRGAT），通过引入关系感知图注意力机制与偏置随机游走策略，有效建模实体在多关系图中的语义差异与非局部依赖；其次构建了融合结构和文本的多任务学习知识图谱补全模型（STM-KGC），联合优化链接预测与关系预测任务，实现语义与结构的协同建模；进一步，探索了基于大语言模型增强语义表征的知识图谱补全模型（ESR-KGC），通过少样本提示与思维链技术，引导大语言模型生成实体类型与关系语义描述，显著提升对稀疏实体与复杂关系的建模能力。

在分享过程中，刘老师结合实验数据，展示了所提模型在链接预测准确率、语义一致性等方面的显著优势，并深入分析了不同模块的贡献与参数敏感性。她特别强调，大语言模型并非替代传统结构学习方法，而是通过语义增强为其“赋能”，推动知识图谱向动态、语义丰富方向发展。

在交流环节，与会教师围绕三种补全方案的适用场景与领域适应性展开探讨。一位教师以中医药知识图谱为例提出：“某些草药单独使用对血液或肾脏有调理作用，但混合使用可能产生副作用。在这种情况下，大语言模型能否可靠地识别并推理这类复杂关系？”刘老师回应指出，面对专业领域中的复杂语义与约束关系，可通过领域语料对大语言模型进行针对性微调，或将知识图谱作为外部知识库与大语言模型协同使用，以提升生成内容的准确性与可控性。

本次沙龙深化了在场教师对知识图谱与大语言模型融合路径的理解，也为跨学科科研合作提供了新思路。未来，大模型应用与研发中心将持续搭建高水平的学术交流平台，推动我校在人工智能前沿领域的创新探索与科研实践。