一種知識圖譜與大型語言模型聯(lián)合的軍事人力資源大數(shù)據(jù)技術研究

引用格式：，，.一種知識圖譜與大型語言模型聯(lián)合的軍事人力資源大數(shù)據(jù)技術研究[J].指揮控制與仿真，2025， 47（4）：34-39.FENGQ，WANGJG，WANGJResearchonbigdatatechnologyformiliaryhumanresourescombining knowledgegraph andlargelanguagemodel[J].Command Controlamp; Simulation，2O25，47（4）：34-39.

摘要：針對大數(shù)據(jù)時代背景下的軍事人力資源數(shù)據(jù)領域，提出了一種知識圖譜與大型語言模型聯(lián)合的軍事人力資源大數(shù)據(jù)技術，該技術通過構建多源知識圖譜消除數(shù)據(jù)孤島，引入大型語言模型提升智能交互能力，應對軍事人力資源領域數(shù)據(jù)應用難度大和智能化程度低的問題。通過在試驗環(huán)境中進行數(shù)據(jù)孤島存量測試、智能問答性能驗證和對比分析，證明了該技術的可行性和準確性。

關鍵詞：大數(shù)據(jù)；軍事人力資源；跨模態(tài)數(shù)據(jù)融合；雙重注意力；知識圖譜；大型語言模型中圖分類號：E917;N945 文獻標志碼：A DOI：10.3969/j.issn.1673-3819.2025.04.006

Research on big data technology for military human resources combining knowledge graph and large language model

FENG Qi，WANG Jigang，WANG Jian（Unit96741ofPLA，Weinan714000，China）

Abstract：Aimingatthefieldofmilitary humanresourcesdataintheeraofbigdata，this paperproposesamilitary human resourcebigdata technologycombining knowledge graphand large languagemodel（Mhr-KL）.Thistechnologyeliminates datasilos byconstructing multi-source knowledge gaph，and introduceslargelanguage model toimprove inteligent interactionability，soastosoletheproblemsofdificultdataapplicationandlowdegreeintellgentinteractioninthefeldf militaryhumanresources.Thefeasibilityandaccuracyof thistechnologyareprovedbythedataislandinventorytest，inteligent question answering performance verification and comparative analysis in the test environment.

Key words：bigdata；militaryhumanresources；cross-modal datafusion；doubleatention；knowledgegraph；large language model

隨著大數(shù)據(jù)時代的到來和社會發(fā)展的需要，海量、多樣化且高速增長的數(shù)據(jù)已經(jīng)成為重要的資產(chǎn)和決策依據(jù)，它們的處理需要依賴強大的數(shù)據(jù)處理中心、智能的算法和處理技術[1-3]。在人力資源領域，人力資源數(shù)據(jù)中與人員強相關的信息數(shù)據(jù)體量極大，是社會各組織（單位）管理過程中不可或缺的部分。它對推動各組織（單位）高效、創(chuàng)新發(fā)展起到重要作用，但也面臨來自大數(shù)據(jù)時代的挑戰(zhàn)[4]。這些挑戰(zhàn)在涉密程度高、數(shù)據(jù)使用嚴格遵守法規(guī)、更側重數(shù)據(jù)規(guī)范化管理和新技術采納更加保守的軍隊等組織（單位）體現(xiàn)得尤為明顯。因此，在大數(shù)據(jù)時代背景下研究一項相對通用、使用便捷、準確性高且更加智能的軍事人力資源大數(shù)據(jù)技術，具有較大的現(xiàn)實意義。

1研究現(xiàn)狀及存在的問題

我軍的人力資源信息化工作起步較早，目前，已經(jīng)積累了大量的、時間跨度很長的軍事人力資源數(shù)據(jù)，并進行了部分開發(fā)利用，建立了基本的管理和維護機制[5]。這些數(shù)據(jù)大多是軍隊人力資源管理部門、軍內(nèi)其他部門和社會相關部門三類有關部門以信息系統(tǒng)錄入和日常填表上報的方式采集、留存下來的。

對于注重數(shù)據(jù)統(tǒng)一化、規(guī)范化管理和使用的軍隊而言，任何形式的不統(tǒng)一都是難以容忍的。然而，目前的軍事人力資源數(shù)據(jù)時間跨度很大，各類填表模板、屬性字段以及填寫規(guī)范等內(nèi)容已經(jīng)發(fā)生了重大變化，兼容不同歷史階段的軍事人力資源數(shù)據(jù)信息是一個挑戰(zhàn)。另外，基于不同歷吏階段的信息技術發(fā)展水平和人力資源信息使用需求而設計的軍事人力資源信息化系統(tǒng)在建設標準和技術路線上不統(tǒng)一：系統(tǒng)之間不兼容或兼容性很差，數(shù)據(jù)流動性較低：同質(zhì)化數(shù)據(jù)重復收集現(xiàn)象嚴重，各部門脫節(jié)情況明顯，部門間的互聯(lián)互通和數(shù)據(jù)共享還有較大的提升空間[5]。同時，軍事人力資源領域存在龐大的政策、制度和法規(guī)等方面的問答需求，目前軍內(nèi)各級基本上以信箱留言、人工回復的形式進行處理，同類型問題多，牽扯精力大，處理周期長。

總體來說，在軍事人力資源數(shù)據(jù)的具體使用過程中，主要存在以下問題：

（1）數(shù)據(jù)應用難度大，缺乏統(tǒng)一、有效的管理手段處理不同歷史階段、不同格式、不同系統(tǒng)的軍事人力資源數(shù)據(jù)，信息數(shù)據(jù)“孤島化”問題嚴重，數(shù)據(jù)共享、校驗和維護更新機制不完善，難以被充分挖掘、利用；

（2）智能化程度低，缺乏人機交互能力，問答類需求無法智能化處理，對復雜任務場景支持程度低或不支持，難以應對非預設模式的內(nèi)容生成。

這些問題出現(xiàn)的深層次原因在于軍事人力資源數(shù)據(jù)不是單一的結構化數(shù)據(jù)或非結構化數(shù)據(jù)，而是兩者高度綁定的復雜嵌合體。當前亟須通過異構融合、重研新建等途徑對軍事人力資源數(shù)據(jù)進行分類整合和深度解析，消除數(shù)據(jù)孤島并提升其智能化水平，為軍事人力資源領域的業(yè)務辦理和輔助決策提供堅強支撐。

2 解決方案

知識圖譜（knowledgegraph，KG）在解決數(shù)據(jù)孤島問題上具有顯著作用，它通過構建一個基于語義關系的數(shù)據(jù)結構將分散的數(shù)據(jù)連接起來形成一個統(tǒng)一的知識體系，從而提升數(shù)據(jù)整體的管理和利用效率，YAGO[6、WiKidata[7]等都是基于KG開發(fā)的知名產(chǎn)品。大型語言模型（large languagemodel，LLM）具備高效的自然語言處理能力和知識泛化能力，被廣泛用于開發(fā)智能系統(tǒng)，如ChatGPT[8]、GPT-4[9]等先進的LLM具有數(shù)百甚至上千億個參數(shù)，它們已經(jīng)能通用地解決許多現(xiàn)實存在的復雜任務。在學術研究領域，KG與LLM的聯(lián)合成為研究熱點[10-12]

本文基于KG與LLM聯(lián)合的思路，提出了一種知識圖譜與大型語言模型聯(lián)合的軍事人力資源大數(shù)據(jù)技術（a big data technology for military human resourcescombining knowledge graph and large language model，Mhr-KL），該技術通過深度解析軍事人力資源數(shù)據(jù)，構建多源軍事人力資源知識圖譜（multi-sourceknowledgegraphofmilitaryhuman resourcesdata， Mhr-Mkg ），消除數(shù)據(jù)孤島，并以 Mhr-Mkg 賦能Bert[13]的改進模型Mhr-Bert完成智能化推理，有效地應對大數(shù)據(jù)時代背景下的軍事人力資源數(shù)據(jù)領域數(shù)據(jù)應用難度大和智能化程度低的問題。Mhr-KL的工作流程如圖1所示，圖中主要包含 Mhr-Mkg 和Mhr-Bert兩部分，但為完整描述其流程，添加了必要的其他內(nèi)容。

圖1Mhr-KL工作流程Fig.1The workflow of Mhr-KL

2.1多源知識圖譜構建，消除數(shù)據(jù)孤島

軍事人力資源數(shù)據(jù)歷史遺留多、時間跨度長，數(shù)據(jù)格式和存儲策略存在極大的差異性，數(shù)據(jù)孤島現(xiàn)象嚴重。推動軍隊人力資源數(shù)據(jù)領域創(chuàng)新發(fā)展，實現(xiàn)信息互聯(lián)互通和數(shù)據(jù)共享、軍事人力資源相關單位之間業(yè)務協(xié)同，解構軍事人力資源數(shù)據(jù)嵌合體，消除數(shù)據(jù)孤島是當前必須要面對的一項挑戰(zhàn)。

消除數(shù)據(jù)孤島，在技術層面需要做到實時收集最新產(chǎn)生的軍事人力資源數(shù)據(jù)，并兼容、納人歷史軍事人力資源數(shù)據(jù)。KG能夠以三元組（實體-關系-實體）整合、存儲巨量結構化和非結構化的事實內(nèi)容，并隨著新知識的持續(xù)輸入而積極演進，穩(wěn)定、精確地提供特定領域的專業(yè)知識[14]，是處理軍事人力資源數(shù)據(jù)的理想選擇。

為避免軍事人力資源數(shù)據(jù)大規(guī)模的物理遷移，本文梳理軍隊人力資源數(shù)據(jù)字典，合理劃分密級，采取“邏輯集中、物理分散”的分布式策略，基于KG將分散的海量軍事人力資源數(shù)據(jù)存人圖數(shù)據(jù)庫Neo4j，匯聚整合為邏輯上集中的軍事人力資源數(shù)據(jù)（體系）圖譜Mhr-Mkg ，其構建過程如圖2所示。

圖2Mhr-Mkg構建過程

Fig.2The construction process of Mhr-Mkg

2.1.1 多源數(shù)據(jù)提取

軍事人力資源數(shù)據(jù)體量龐大、內(nèi)容復雜且格式多樣，依據(jù)存儲格式可細分為基礎數(shù)據(jù)、業(yè)務數(shù)據(jù)和問答數(shù)據(jù)三大類。其中，基礎數(shù)據(jù)是人員的自然（屬性）信息和待遇等級、被裝、住房等其他關聯(lián)信息的數(shù)據(jù)集合，主要以文檔、表格等可編輯的（資源）文件存儲；業(yè)務數(shù)據(jù)是人員的業(yè)務辦理信息數(shù)據(jù)集合，以PDF、掃描件、照片甚至紙質(zhì)文件等不可（易）編輯的存儲格式為主，主要包括請示、報告、批復、人事檔案以及命令通知等材料；問答數(shù)據(jù)是面向軍隊全體人員的人力資源業(yè)務辦理需求，對政策法規(guī)執(zhí)行、相關業(yè)務辦理過程中的問答數(shù)據(jù)整合而形成的問答數(shù)據(jù)集合，多以數(shù)據(jù)庫字段的形式進行存儲。

多源數(shù)據(jù)提取是構建多源知識圖譜的基礎性工作，需要兼顧各歷史階段、不同數(shù)據(jù)格式的原始軍事人力資源信息Mhr-data-raw。為兼容這些資源信息存儲格式的差異性，數(shù)據(jù)提取工作依賴Pythondatabasedriv-ers、Pandas、Openpyxl、Python-docx、LibreOffice以及Ocr等工具組合而成的多源數(shù)據(jù)提取工具鏈（dataextractiontoolchain，DETC）進行提取，進而得到待處理的軍事人力資源數(shù)據(jù)Mhr-data-pending。

需要說明的是，PDF、掃描件、照片以及紙質(zhì)文件僅獲取存放路徑（地點）的“鏈接”字符串，作為Mhr-Mkg內(nèi)對應節(jié)點的屬性值。

2.1.2 知識抽取

Bert是Google AI研究院基于Transformer[15]結構開發(fā)的預訓練LLM，它僅需通過小規(guī)模的標注數(shù)據(jù)集完成微調(diào)過程Fine-tune后即可適應不同的下游自然語言處理任務。

基于Bert無須大量標注樣本進行初始化訓練的優(yōu)勢特性，知識抽取階段將標注的軍事人力資源數(shù)據(jù)集Mhr-data注入Bert的Bert-base-chinese版本，完成Fine-tune訓練生成Mhr-Bert后，再以Mhr-Bert對2.1.1中獲取的Mhr-data-pending進行實體識別、關系抽取、語義消歧和指代消解，區(qū)分信息源抽取出多源軍事人力資源數(shù)據(jù)中實體Mhr-E和關系Mhr-R。

需要注意的是，文本類非結構化的材料在被關聯(lián)到對應實體后不再遞歸識別，保留為結構化的圖譜信息節(jié)點。

2.1.3 知識融合

軍事人力資源數(shù)據(jù)在解構后通常會存在重復實體，為消除冗余、整合信息，確保不同源信息語義的一致性，知識融合階段對多源軍事人力資源數(shù)據(jù)中來自不同源的Mhr-E和Mhr-R進行唯一性區(qū)分、同一性合并，然后存人圖數(shù)據(jù)庫Neo4j生成 Mhr-Mkg 。

唯一性區(qū)分的執(zhí)行過程中，系統(tǒng)為Mhr-E和 Mhr-R 分別建立唯一標識符Mhr-E-Id和Mhr-R-Id，同一性合并時，保留合并屬性字段的別名，建立歷史屬性別名表Mhr-E-List和Mhr-R-List以支持 Mhr-Mkg 兼容歷史軍

事人力數(shù)據(jù)。

2. 1. 4 新知緩解

KG在處理知識表示和數(shù)據(jù)集成方面具有優(yōu)勢，但KG往往需要經(jīng)常更新以反映現(xiàn)實世界的變化，進而提供最新的語義信息和知識背景，否則會導致查詢結果不準確或不完整，對于大規(guī)模的KG，及時更新數(shù)據(jù)具有挑戰(zhàn)，特別是數(shù)據(jù)源多樣且分布廣泛時[16]

當新知識產(chǎn)生時，LLM需要及時更新KG并完成自身狀態(tài)（參數(shù)）調(diào)整，本文的情況是，新的軍事人力資源數(shù)據(jù)Mhr-data-new產(chǎn)生時，Mhr-Bert需要及時維護Mhr-Mkg 并進行自身參數(shù)的適應性更新。對此，本文構建了新知緩解策略：一方面，Mhr-Bert將Mhr-datanew存人臨時知識圖譜Mhr-Mkg-temp，并在執(zhí)行查詢?nèi)蝿諘r優(yōu)先對Mhr-Mkg-temp的內(nèi)容進行搜索，緩解因Mhr-Bert的參數(shù)調(diào)整時間窗口而引發(fā)的Mhr-data-new延遲同步現(xiàn)象；另一方面，Mhr-Bert定期將Mhr-Mkg-temp并入Mhr-Mkg并微調(diào)自身參數(shù)，以維護Mhr-Bert的實用性和 Mhr-Mkg 中數(shù)據(jù)的時效性。

2.2知識圖譜賦能大型語言模型，提升智能化水平

LLM可以通過自我學習和遷移學習的方式不斷學習新知識，然而，其在本質(zhì)上是基于概率的黑箱模型，缺乏對真實世界的常識和深層理解，不具備特定領域的專業(yè)知識，使得它們在泛化到未知領域時可能會出現(xiàn)不可預料的結果，存在無法回憶事實、易產(chǎn)生幻覺知識等問題，嚴重影響了LLM的可信度[14]。KG作為存儲海量事實的知識庫，可為LLM提供專業(yè)領域的知識數(shù)據(jù)以輔助解釋產(chǎn)生的結果，克服LLM泛化能力的缺陷。兩者的聯(lián)合具有較強的優(yōu)勢互補性，可以造就執(zhí)行知識表征和推理能力的強大模型，以應對軍事人力資源數(shù)據(jù)智能化水平較低的問題。

Bert作為雙向Transformer結構開源LLM的代表模型之一，能夠在理解一個詞的意義時同時考慮其前、后的上下文。相比于適合長文本生成、對話生成和多輪對話的單向Transformer結構LLM，Bert可以提供更高精度的查詢、搜索結果，對分析軍事人力資源數(shù)據(jù)、為管理者提供輔助決策更具現(xiàn)實意義。另外，雖然Bert是非國產(chǎn)化工具，但其作為一個成熟的LLM，部署運行在不涉及數(shù)據(jù)向非安全域流轉(zhuǎn)的本地（內(nèi)網(wǎng)安全域）環(huán)境中，在技術層面完全可以實現(xiàn)監(jiān)督透明化，確保軍事人力資源數(shù)據(jù)和信息的安全性。同時，Bert擁有龐大的社區(qū)支持和豐富的資源，提供了高質(zhì)量中文語料版本Bert-base-chinese，避免了模型應用過程中的本土化挑戰(zhàn)。近年來，國內(nèi)的華為、阿里云也對其展開研究，并取得了豐碩成果，相繼發(fā)布了Bert的國產(chǎn)化改造版本 MacBert[17]和RoFormer[18]

最重要的是，Bert模型體量相對較小，適合在資源有限的環(huán)境中部署，使得它在小型企業(yè)和資源受限的通用場景或領域中更具優(yōu)勢，對本文關注的軍事人力資源領域尤其有用。因此，本文選取了原生Bert作為為軍事人力資源領域提供智能交互能力的上游LLM，并通過改造它的Encoder結構，使得2.1.2訓練生成的Mhr-Bert可以在推理期間接受 Mhr-Mkg 子圖的動態(tài)注入，增強其在軍事人力資源領域的推理能力， Mhr -Bert的工作流程如圖3所示。

圖3Mhr-Bert工作流程Fig.3The workflow of Mhr-Bert

2.2.1 Encoder改造

Bert本質(zhì)上是一個預訓練Transformer結構的編碼器Encoder堆棧，原生Encoder接受非結構化上下文輸入序列Context轉(zhuǎn)換輸出一個上下文向量token。為了將 Mhr-Mkg （子圖）注入Mhr-Bert并可被正確處理，本文在原生的Encoder中添加多源知識層Mkg-layer和融合層Fusion-layer，使得顯式的結構化圖譜（子圖）數(shù)據(jù)也可以編碼后作為輸入，聯(lián)合Context展開后續(xù)推理。

2.2.2 Mhr-Mkg子圖生成

為了獲取推理期間所需子圖，本文基于Mhr-Bert將Context中的文本實體Context-E與 Mhr-Mkg 中的Mhr-E進行鏈接，得到 Mhr-Mkg 子圖的初始節(jié)點集合G 考慮 Mhr-Mkg 子圖的生成質(zhì)量， G 添加其中各節(jié)點的3跳鄰居節(jié)點進行擴容得到節(jié)點集合G-A，依據(jù)實體鏈接置信度對G-A降噪，同時將Context作為頭節(jié)點注入，得到最終的子圖節(jié)點集合 G-Sub ，最后依據(jù)Mhr-Mkg檢索G-Sub中任意兩節(jié)點的所有連接邊，構建Mhr-Mkg子圖[19-20]

2.2.3 多模態(tài)數(shù)據(jù)聯(lián)合

Context為隱式的非結構文本語料， Mhr-Mkg 子圖為顯式的結構化圖譜數(shù)據(jù)，在訓練或推理期間，Context在原生的Encoder中被轉(zhuǎn)換為字token，而 Mhr-Mkg 子圖節(jié)點被新添加的Mkg-layer處理為獨特的node結構。

其中，Encoder的初始輸入為Context的單字劃分（204 token⁰={h₁⁰，h₂⁰，h₃⁰，…，h_k⁰}. k 為token的長度， token^i-1 到 tokenⁱ 的層間輪次信息傳遞表示為：

token^i-1={h₁^i-1，h₂^i-1，h₃^i-1，…，h_k^i-1}

tokenⁱ={h₁ⁱ，h₂ⁱ，h₃ⁱ，…，h_kⁱ}

tokenⁱ=Enc（token^i-1）

Mkg-layer實際上是一個圖注意力網(wǎng)絡GAT，其初始節(jié)點嵌人表示為 node⁰={e₁⁰，e₂⁰，e₃⁰，…，e_p⁰}，p 為node的長度。 node⁰ 傳人GAT（即Mkg-layer），從而完成圖節(jié)點之間的信息傳播， node^i-1 到 nodeⁱ 的層間輪次信息傳遞表示為：

node^i-1={e₁^i-1，e₂^i-1，e₃^i-1，…，e_p^i-1}

nodeⁱ={e₁ⁱ，e₂ⁱ，e₃ⁱ，…，e_pⁱ}

nodeⁱ=Mkg（node^i-1）

由于node與token是不同模態(tài)的數(shù)據(jù)，存在數(shù)據(jù)結構引起的語義鴻溝，改造后的Mkg-layer也為node構建了定制化的注意力機制。因此， Mhr-Bert 實際上是雙重注意力機制。原生Encoder的注意力機制是關于Context的基礎語境注意力，而Mkg-layer的注意力機制則是關于 Mhr-Mkg 子圖的外源信息注意力。Mkg-layer的注意力機制通過GAT的層間輪次信息傳播過程實現(xiàn)， e_m^i-1 到 e_mⁱ 的信息傳遞可表示為

其中，F(xiàn)N是一個數(shù)據(jù)單向傳播、沒有反饋的前饋神經(jīng)網(wǎng)絡， 分別為 e_m^i-1 的任意鄰域節(jié)點對 e_mⁱ 傳播消息的注意力權重和消息。

2.2.4交互編碼深度綁定

為實現(xiàn)兩種模態(tài)數(shù)據(jù)的深度信息交互，需要將編碼后生成的token和node形成初始聯(lián)合表征信息 TN⁰= {token⁰ ， node⁰} ，注入融合層Fusion-layer中展開推理，其中， TN⁰[0]=token⁰，TN⁰[1]=node⁰ 。Fusion-layer是前饋神經(jīng)網(wǎng)絡，在Fusion-layer中， tokenⁱ 與 nodeⁱ 直接發(fā)生傳遞、交互，然后輸出的聯(lián)合表征信息再次拆分，TN^i-1 到 TNⁱ 信息層間輪次傳遞表示為：

TN^i-1={TN^i-1[0]，TN^i-1[1]}

TNⁱ={TNⁱ[0]，TNⁱ[1]}

TNⁱ=Fusion（TN^i-1）

3 評估驗證

為了驗證本文所提出的 Mhr-KL 的可行性和準確性，在試驗環(huán)境搭建了簡單的測試系統(tǒng)對該模型進行檢測評估，檢測評估包括數(shù)據(jù)孤島存量測試、智能問答性能驗證和對比分析三個方面。

3.1數(shù)據(jù)孤島存量測試

Mhr-KL的可行性和準確性建立在基礎數(shù)據(jù)支撐完備的情況下，為測試模型基礎數(shù)據(jù)支撐情況，測試評估階段首先對 Mhr-Mkg 進行了數(shù)據(jù)孤島存量測試。測試結果如表1所示。

為全面體現(xiàn)數(shù)據(jù)孤島存量測試的有效性，測試結果區(qū)分完整性測試、時效性驗證、一致性檢驗以及冗余度檢查四個維度進行驗證。完整性測試和時效性驗證針對單項的測試記錄，以缺失值和時間戳對測試記錄的完整程度和實時適用性進行檢測；一致性檢驗和冗余度檢查著眼整體的測試記錄關聯(lián)結果，以交叉驗證值和重復記錄驗證關聯(lián)結果的正確性和重復程度。

測試在2017個文件共計8947項記錄上進行，數(shù)據(jù)孤島存量測試結果如表1所示。其中，8947項測試記錄涉及973項不同的時間戳，測試記錄關聯(lián)涉及194項關聯(lián)結果。從實驗結果來看，各項指標的未通過存量均能夠保持在該項總量的 3% 以下，驗證了 Mhr-Mkg 對數(shù)據(jù)孤島的有效抑制。

3.2 智能問答性能驗證

為評估Mhr-KL的智能化水平，在數(shù)據(jù)孤島存量測試的基礎上，測試評估階段繼續(xù)使用該8947項記錄（其中包含658項問答記錄）組合設計了 1 000 項屬性問答、200項文本問答測試用例對Mhr-KL中Mhr-Bert的進行測試，結果如表2所示。

需要說明的是，測試指標區(qū)分完備性、可理解性、（平均）響應時間以及魯棒性四項，其中，完備性以問答結果中關鍵字段是否完全命中體現(xiàn)Mhr-Bert測試結果的完整程度，可理解性針對Mhr-Bert中文語境（本地化）語言組織能力使用開源工具Readability[9]進行自動化易讀性指數(shù)（ARI）評估并二值化評估結果于0/1，響應時間和魯棒性分別以平均時間和報錯（崩潰）次數(shù)的補集來側重檢測Mhr-Bert的整體性能。

表2智能問答性能驗證

Tab.2Performance verification of intelligent Qamp;A

從實驗結果看，屬性問答測試與文本問答測試的各項指標的合格率總體保持在 80% 以上，但與 3% 的數(shù)據(jù)孤島存量相比，提升空間仍較大。智能問答的性能取決于多方面因素，根據(jù)實驗結果， Mhr-Bert 對輸人的魯棒性是限制其他指標提升的最主要因素。

3.3 對比分析

測試評估階段的最后進行了對比分析，以量化Mhr-KL與傳統(tǒng)方法的效果差異，整體評估Mhr-KL帶來的性能提升。由于傳統(tǒng)方法涉及對多源數(shù)據(jù)的查詢，為排除人為因素（如業(yè)務熟練程度）干擾，提升對比分析的可信度，對比分析過程中的傳統(tǒng)方法使用自動化程序模擬人力資源領域工作人員實際的業(yè)務辦理流程，實現(xiàn)對8947項記錄所在原始文件（資源）的查詢與搜索。

對比分析沿用（改造）了3.2設計的1000項屬性查詢、200項文本查詢，共計1200項測試用例，并在統(tǒng)一設計輸入的條件設定下排除魯棒性差異對兩種方法進行類似于3.2的完備性、可理解性以及（加權平均）響應時間三項指標測試，結果如表3所示。

分析實驗結果， Mhr-KL 的各項指標表現(xiàn)均優(yōu)于傳統(tǒng)方法，得益于KG和LLM的聯(lián)合效果，其查詢結果不再是字段的簡單堆疊，在響應時間和可理解性上對比傳統(tǒng)方法也有較大提升。

表3對比分析

Tab.3 Comparative Analysis

4 結束語

本文提出了一種知識圖譜與大型語言模型聯(lián)合的軍事人力資源大數(shù)據(jù)技術，解構軍事人力資源數(shù)據(jù)嵌合體，以應對大數(shù)據(jù)時代的軍事人力資源數(shù)據(jù)領域數(shù)據(jù)應用難度大和智能化程度低的問題。通過在試驗環(huán)境中進行數(shù)據(jù)孤島存量測試、智能問答性能驗證和對比分析三項評估，證明了該技術的可行性和準確性。

分析實驗可知，3.2中Mhr-Bert的魯棒性制約了Mhr-KL的整體性能，使用提示工程 Prompt^[20] “格式化”來自用戶的“任意”輸入，使Mhr-Bert能夠更好地理解任務要求，引導其生成期望的高質(zhì)量輸出，避免不必要的迭代次數(shù)，提升模型魯棒性和交互質(zhì)量，值得在下一步工作中考慮。另外，本文應用大型語言模型時的輸入涉及兩種模態(tài)數(shù)據(jù)[2]，并通過一一對應的形式進行聯(lián)合編碼，探索跨模態(tài)數(shù)據(jù)編碼（對齊）技術，將多模態(tài)數(shù)據(jù)更合理地編碼綁定、映射到同一個潛空間，促進不同模態(tài)數(shù)據(jù)深度融合、高效交互，提升Mhr-Bert應對跨模態(tài)數(shù)據(jù)輸入的能力，也是一個重要的研究方向。

參考文獻：

[1］王鵬.數(shù)據(jù)資產(chǎn)賦能數(shù)字經(jīng)濟高質(zhì)量發(fā)展;解析《關于 加強數(shù)據(jù)資產(chǎn)管理的指導意見》[N].中國日報，2024- 01-23. WANG P. Empowering high quality development of digital economy with data assets：analysis of the guiding opinions onstrengthening data asset management[N].China Daily，2024-01-23.

[2］王愛敏，王崇良，黃秋鈞.人力資源大數(shù)據(jù)應用實踐： 模型、技術、應用場景［M].北京：清華大學出版 社，2017. WANG A M， WANG C L，HUANG Q J. Human resource big dataapplication practice[M]. Beijing：Tsinghua University Press，2017.

[3］穆勝.人力資源管理新邏輯［M].北京：新華出版 社，2015. MU S.New logic of human resource management[M]. Beijing： Xinhua Publishing House，2015.

[4]QAMAR N. Big data analytics： recent trends and applications in human resource management[J]. Journal of Data Acquisition and Processing，2023，38（2）：10.

［5］王濤，鄒玉，陳國升，等.軍事人力資源大數(shù)據(jù)體系與 應用展望[J].網(wǎng)絡安全與數(shù)據(jù)治理，2023，42（S1）： 51-54. WANG T， ZOU Y，CHEN G S，et al. Military human resources big data system and application prospect[J]. Information Technologyand Network Security，2O23，42 （S1）：51-54.

[6]Suchanek FM，Kasneci G，Weikum G.Yago：a core of semantic knowledge[C]//Proceedings of the 16th international conference on World Wide Web.2007：697-706.

[7]Vrandecic D，Krotzsch M. Wikidata：a free collaborative knowledge base[J].Communications of the ACM，2014， 57（10） ： 78-85.

[8]KALLAD，SMITHN，SAMAAHF，et al. Study and analysis of chat GPT and its impact on different fields of study[J]. International Journal of Innovative Science and Research Technology，2023，8（3）：1-15.

[9]Achiam J，Adler S，Agarwal S，et al. Gpt-4 technical report[EB/OL]. arxiv preprint arxiv：2303.08774，2023.

［10］黃勃，吳申奧，王文廣，等.圖模互補：知識圖譜與大 模型融合綜述[J].武漢大學學報（理學版），2024，70 （4）：397-412. HUANG B，WU S A，WANG W G，et al.KG-LLMlarge language model[J].Journal of Wuhan University （Natural Science Edition），2024，70（4）：397-412.

[11］LIU W，ZHOU P，ZHAO Z，et al.Kbert：Enabling language representation with knowledge graph[J].Proceedings of the AAAI Conference on Artifical Intelligence，2020，34（3）：2 901-2 908.

[12]YAO L，MAO CS，LUOY.KG-BERT：BERT forknowledge graph completion[EB/OL]. 2019：1909.03193. https：//arxiv.0rg/abs/1909.03193v2.

[13]KENTON JD M W C，TOUTANOVA L K. Bert：Pretraining of deep bidirectional transformers for language understanding[C]//Proceedings of naacL-HIT，2019：2.

[14]PAN SR，LUO L H，WANG Y F，et al. Unifying large language models and knowledge graphs ： a roadmap[J]. IEEE Transactions on Knowledge and Data Engineering， 2024，36（7） ： 3 580-3 599.

[15]VASWANI A. Attention is all you need[J]. Advances in Neural Information Processing Systems，2017（1） ：1-10.

[16］王明皓，殷濤，楊洪杰，等.知識圖譜和大模型技術發(fā) 展與應用[J]．網(wǎng)絡安全與數(shù)據(jù)治理，2023，42（S1）： 126-131. WANG M H， YIN T， YANG HJ，et al. Knowledge graphs and large language models technology development and application[J].Information TechnologyandNetwork Security，2023，42（S1）：126-131.

[17] CUI Y M， CHE W X，LIU T，et al. Revisiting pre-trained models for Chinese natural language processing[EB/OL]. 2020：2004.13922. htps：//arxiv.org/abs/2004.13922v2.

[18]SU JL，AHMED M，LU Y，et al.RoFormer：enhanced transformer with rotaryposition embedding[J].Neurocomputing，2024（568）： 127 063.

[19]NLTK Contributors，\"Readability，”in NLTK Contrib， GitHub[EB/OL]. Avai-lable：htps：//github.com/nltk/ nltk_contrib/tree/master/nltk_contrib/readability.

[20]SAHOO P，SINGH A K， SAHA S，et al. A systematic survey of prompt engineering in large language models： techniques and applications [EB/OL]. 2024： 2402. 07927.https：//arxiv.org/abs/2402.07927v1.

［21］唐獲音，丁奕州，王軒，等.知識圖譜技術在預測與健康 管理中的應用現(xiàn)狀與研究展望[J].電光與控制，2024， 31（2） ：1-11. TANGDY，DINGYZ，WANGX，et al.Research progress and prospects of knowledge graph technology applied in prognostics and health Management[J].Electronics Opticsamp; Control，2024，31（2） ：1-11.

（責任編輯：張培培）