跨数据知识图谱构建用于支持大型语言模型的教育问答系统：以HCMUT为例

在当今人工智能快速发展的环境中，大型语言模型（LLMs）成为了一个充满活力的研究主题。LLMs在多个领域得到应用并有显著贡献。尽管它们具备强大的语言能力，但与预训练语言模型（PLMs）类似，LLMs在记忆事件、融合新信息及处理特定领域问题或幻觉方面仍面临挑战。为克服这些限制，研究人员提出了增强检索生成（RAG）技术，另有研究将LLMs与知识图谱（KGs）结合以提供事实背景，从而提升性能并更准确地回答用户查询。教育在人类发展和进步中发挥关键作用。随着技术转型，传统教育正被数字化或混合教育取代。因此，数字环境中的教育数据日益增长。高等教育机构中的数据种类多样，涵盖非结构化/结构化文本、关系数据库、基于网络/应用的API访问等多种来源。从这些跨数据源构建知识图谱并非易事。本文提出了一种从多数据源自动构建知识图谱的方法，并且讨论了知识图谱与LLMs结合用于问答任务的一些初步应用（实验试验）。