《食品科学》：北京工商大学毛典辉教授、中国政法大学赵志华副教授等：基于邻域增强的大语言模型的食品安全标准知识图谱补全方法

食品安全始终是国家治理和公共健康的重要议题，食品安全监管体系在保障食品安全方面发挥着重要作用。作为这一监管体系的制度基础，食品安全标准为确保食品安全底线提供了法定依据。然而，随着食品种类日益丰富，相应的法规标准不断更新，食品安全标准呈现出数量庞大、交叉复杂的特点。如何通过信息化手段实现对食品安全标准知识图谱（KGFSS）的有效整合与智能分析，成为当前亟须解决的重要问题。近年来，知识图谱（KG）作为一种高效的知识表示和管理工具被广泛应用，它能够有效管理和存储结构化数据，并从非结构化文本中自动抽取实体及其关系，为知识推理、查询和知识发现提供基础。Qin Li等早期提出基于食品安全KG构建问答系统的思路，利用图谱中的实体和关系进行查询匹配并生成答案，能够有效提升食品安全监管的效率和准确性。Guo Lanting等利用KG对食品安全相关的视觉特征进行编码，在无标签数据情况下实现了对未知安全危害的零样本检测，显著提升了食品安全风险识别的精确度。

然而当前技术从海量法规文本中抽取并整合的KG往往面临实体缺失、关系稀疏或属性信息不全等问题，这种知识不完备性使得某些低频实体难以被有效捕捉和表示，进而影响了图谱的全面性和准确性。在食品安全标准领域构建的KG中，这一长尾实体问题尤为突出。食品安全标准和规定涉及成千上万种不同的食品、食品添加剂、农药残留、重金属等，每类食品及其相关的安全标准、检测方法都有特定的法律法规和技术要求。然而，某些小众食品类别（如特殊膳食食品、地方特色食品等）和新型添加剂尽管已有标准，但因应用范围有限，相关数据匮乏，导致这些低频类别所对应的标准和限制规定也因缺乏足够的实例而成为食品安全标准领域KG补全中的难点。

近年来基于大语言模型（LLM）的处理方法取得了突破性进展，其凭借大规模预训练和丰富的语言理解能力，能够在缺乏足够结构化数据支持的情况下，通过语义推理有效填补图谱中的空白。Cai Yuanyuan等提出了一个多关系增强实体-关系抽取模型，通过强化实体与关系间的交互，提升了食品安全检测数据的抽取效果。Qi Zhixiao等提出了FoodGPT，结合增量预训练和KG提示机制，解决了食品安全检测任务中的信息不一致性和推理精度问题。Ji Shengwei等提出了KLR-KGC，其利用检索与目标三元组结构相似的类比知识作为辅助上下文，增强了LLM在候选实体排序阶段的判别能力；Wei Yanbin等提出的KICGPT则通过将结构化三元组转化为自然语言形式的演示示例，在无需微调参数的情况下，激发了LLM对缺失实体的生成与推理能力。尽管这些研究为解决食品安全领域的长尾实体问题提供了新思路，但由于该领域语义复杂、数据关系密集，现有方法仍存在一定的不足：一方面，传统KG通常难以全面捕捉食品法规标准、食品检测结果等数据之间的细粒度关系，从而导致LLM推理过程中信息的缺失；另一方面，现有推理模型多依赖通用语料的语义共现，Wang Jiaqi等指出通用模型在面对严谨法规时频发幻觉问题，缺乏领域特有的逻辑约束。因此，尽管这些模型在常识性推理中表现良好，但难以深入挖掘食品安全标准中的深层语义联系，无法有效适应食品监管中复杂多变的语义场景。此外，传统方法在进行上下文增强时，通常直接引入全量邻域节点，这在垂直领域中极易触发“枢纽节点”效应，这些高密度的连接会引入大量噪声并稀释关键的长尾推理线索，导致LLM上下文窗口被无效信息填充。

因此，针对上述长尾实体难以捕捉及高密度邻域噪声干扰的问题，北京工商大学计算机与人工智能学院的毛典辉、马华宜和中国政法大学法学院的赵志华*等人提出基于邻域增强的大语言模型知识图谱补全框架（NELLM-KGC），框架结构如图1所示。该框架采用引导式方法微调LLM，增强其语义推理能力，并结合邻域信息优化推理过程，从而提高模型在实际监管环境中的适应性和泛化性能。具体而言，NELLM-KGC通过图结构化表示整合食品安全标准中的实体、关系和属性，构建一个中文KGFSS，以实现深层次的语义理解。针对传统三元组表示方法在表达实体间多层次、多维度关系方面的局限性，NELLM-KGC将知识补全任务转化为自然语言问答，并借助高效的微调技术对LLM进行微调，旨在提升其对专业术语的理解和生成能力。此外，NELLM-KGC提出一种创新的邻域信息融合机制，不同于传统方法中简单的邻域聚合或检索结果的机械堆叠，NELLM-KGC通过KG检索器与LLM进行重排序，对高密度邻域节点进行重构与精炼，以精准捕获前m 个邻域节点信息（Top-m）证据链。

图1 NELLM-KGC结构示意图

1 数据集

为评估方法在图谱补全任务中的表现，本研究在已构建的食品安全标准知识图谱数据集（KGFSS_Instruction）外，还选用了两个通用的链路预测基准数据集：FB15k-237和WN18RR。3 个数据集的统计信息见表3。为确保实验的公平性与严谨性，本研究严格限制所有对比模型仅使用数据集原始提供的实体与关系描述，排除任何外部知识库的干扰；同时，在训练、验证及测试的全阶段中，始终保持指令构造逻辑的一致性，以确保实验结果具有可比性。

2实验配置

为了评估不同模型在食品安全标准邻域推理与预测任务中的表现，从构建的KGFSS_Instruction数据集中随机抽取了20%的样本作为测试子集，命名为KGFSS_Instruction_test。选取Baichuan2-7B-Chat、DeepSeek-R1-Distill-Qwen-7B、Qwen3-8B以及Qwen2-1.5B-Instruct 4 个模型，在零样本（Zero-shot）设置下对三元组分类任务进行测试，从而对模型性能进行比对，使用的评估指标为准确率。结果如表4所示，Qwen3-8B模型判断三元组分类任务的表现最佳，其准确率为27.2%，明显优于其他3 个模型。这表明Qwen3-8B在整体推理效果和精准度方面具有一定的优势，尤其在中文语义建模和指令执行的能力上表现突出，能够有效地支持食品安 全标准领域中的推理任务。因此，本研究最终选择Qwen3-8B作为基础模型。

在检索器的选择上，针对KGFSS严密的逻辑层级，RotatE模型克服了TransE和DistMult模型在处理对称、反对称及逆关系上的局限，通过复数空间旋转机制，精准建模多种复杂关系模式，更适配食品安全标准数据的逻辑特性。此外，鉴于LLM具有较强的文本语义理解能力，为避免检索信息与LLM输入端产生语义冗余，选用RotatE模型可以捕捉LLM难以直接感知的图拓扑结构与逻辑约束。这种设计不仅构建了“结构检索＋语义推理”的双重增益机制，其轻量级特性也能满足食品安全监管场景对实时响应的工程化需求。因此，本研究在NELLM-KGC中采用了RotatE模型作为检索器，用于生成三元组邻域节点的初始检索序列，具体超参数设置参照了Sun Zhiqing等的研究设定（表5）。在选择Top-m邻域节点后，针对每个实体，从中采样m＝5 个相邻实体（不包括目标实体）并将其输入模型进行训练。同时，采用LoRA技术对模型进行指令微调，通过低秩矩阵分解优化权重调整，从而减少计算和存储开销，同时保持模型性能。

3评价指标

本研究采用了在KG补全任务中常用的排序类评估指标，包括准确率（Accuracy）（用来衡量模型在预测三元组分类时与真实标签的匹配程度）和Hits@1（用于评估模型在首位位置预测正确答案的能力，Hits@1值越高，表示模型在最优预测位置给出正确答案的能力越强），二者可以全面反映模型的预测能力和推理准确性，分别按式（6）、（7）计算：

式中：TP为真正例；TN为真负例；FP为假正例；FN为假负例；|S|为查询三元组的总数量； rank i 为第i个查询的三元组的排名；指示函数φ（·），当括号内条件成立时取值为1，否则取值为0。

4 对比实验

为了评估所提方法的推理性能，选择了不同类型的基线模型进行对比。基线模型依据补全方法的不同分为基于KG嵌入的方法（包括TransE、DisMult、RotatE、ComplEX模型）、基于文本属性的方法（如KG-BERT、KICGPT模型），以及LLaMA模型和ChatGLM3-6B模型。在输入构造方面，为消除非标准实现带来的性能偏差，本研究严格参照各基线模型的原始文献设定，确保其在最优配置下运行。

表6展示了公共数据集与KGFSS_Instruction数据集在三元组分类任务中的准确率。结果显示，在KGFSS_Instruction数据集上，NELLM-KGC模型获得了最高的准确率，达到了63.8%，相较于KG-BERT、RotatE和LLaMA-7B分别提高了12.4、14.6、32.1 个百分点。由于LLaMA-7B的预训练语料以英文为主，缺乏中文适配，导致食品专业术语被碎片化切分，阻碍了对实体特征的有效捕捉。同时，LoRA微调的参数空间有限，模型难以同时完成跨语言对齐与领域复杂逻辑的注入，导致收敛效果不佳并引发幻觉现象。对于公共数据集，NELLM-KGC模型同样展现了较好的性能优势，其优势在于能够通过多维度上下文信息处理更加复杂的语义和关系，尤其对于涉及多种标准与规则的食品安全领域数据，NELLM-KGC能够有效地捕捉到复杂的语义关系和交互，从而在更为复杂的任务中展现出较强的性能。

表7展示了模型在不同数据集上实体链接预测任务的表现。尽管NELLM-KGC在通用公开数据集上Hits@1以微弱差距次于最优模型，但其表现更为均衡且稳健，模型的整体性能最优。在KGFSS_Instruction数据集上，NELLM-KGC模型Hits@1高达40.1%，明显优于通用大模型和传统KGC模型。这一结果表明，NELLM-KGC模型能够更准确地提取相关实体之间的关联，特别是在多层次、跨领域的KG中，展现出较高的灵活性和准确性。

表8展示了不同数据集上关系预测任务的结果。NELLM-KGC模型在KGFSS_Instruction数据集上的关系预测效果最佳，Hits@1达到了53.5%。而KICGPT在这一任务表现欠佳，这种差异源于KICGPT的原生架构并非针对关系预测这一特定任务进行设计。将其应用于此类判别性任务时，模型倾向于生成非必要的冗余信息，从而引入了干扰推理的噪声。相比之下，这一结果证明了NELLM-KGC在处理复杂关系任务时的优越性，能够精准捕捉食品安全标准中各类实体之间的复杂关系和隐性联系，从而有效支持食品安全标准的推理与应用。

尽管NELLM-KGC在KGFSS数据集上取得了优于基线模型的性能，但与通用KG补全任务的最优性能相比仍存在差距。这种差异主要归因于食品安全标准数据的特殊性，通用数据集通常描述静态事实，关系单一且数据分布相对均衡；而食品安全标准图谱涉及复杂的层级依赖，包含大量条件约束与数值逻辑。同时，由于长尾实体在语料中的稀疏性，模型难以学习其表征，这是导致Hits@1指标偏低的主要原因。然而，在实际监管场景中，模型的应用价值并非仅取决于Top-1的绝对准确率，更在于其辅助决策的能力。结合本研究提出的邻域信息融合机制，模型能够有效地将海量标准压缩至Top-k高置信度候选集，大幅度降低了人工查阅原始标准文档的时间成本。因此，尽管当前绝对指标尚有提升空间，但在初筛环节已具有降本增效的价值。

5 消融实验

为了评估模型各组件对推理性能的贡献，本研究在KGFSS_Instruction数据集上进行了消融实验。实验共对比5 项配置：以原始模型（w/o）和仅微调模型（w/o Top-m）作为基准，分别评估零样本推理与领域适配后的性能；设计了去除检索器（w/o Retriever）配置，通过随机邻域采样策略抽取m个邻居，验证高质量的结构化知识捕获对推理的影响；移除了重排序模块（w/o Reranker），验证重排序机制对检索噪声的过滤作用；最后与NELLM-KGC进行比较。

如表9所示，去除模型中不同的模块对模型性能产生了不同程度的影响。w/o仅27.2%的准确率表明通用LLM存在领域知识匮乏与范式不匹配的问题，而w/o Top-m的准确率上升至53.6%，证实了指令微调策略能够有效地激发LLM在食品安全标准领域的语义理解能力。此外，w/o Retriever相较于w/o Top-m准确率仅有微弱提升，而w/o Reranker准确率明显提升。这表明面对食品安全标准中庞大的实体邻域，若缺乏有效的检索筛选机制，引入的噪声信息可能会稀释有效上下文，从而限制性能的进一步提升。对比w/o Reranker与NELLM-KGC，引入LLM重排序机制进一步将三元组分类准确率从60.2%提升至63.8%，关系预测Hits@1从51.8%提升至53.5%，证实了LLM重排序机制在滤除邻域噪声和提高推理精度方面的有效性。

6 参数敏感性分析

为确定NELLM-KGC的最佳超参数配置，本研究探究了关键超参数对模型性能与计算开销的影响。如图5所示，在学习率的选择上，实验结果表明学习率为5e-5在收敛速度和最终损失值上表现最佳，且能较好地避免训练过程中的不稳定波动。针对邻域节点的数量m，如图6A所示，模型性能随m值增加呈现出先升后降趋势，在m＝5时达到最优；过大m值不仅会引入噪声导致性能下降，还会增加额外计算开销。在LoRA秩方面，如图6B所示，实体预测Hits@1随秩r值的增大而提升，在秩r＝8时趋于平稳；继续增加秩r并未带来明显的性能增益，反而徒增参数冗余。而关于Batch Size，如图6C所示，尽管大批次能缩短时间，但较小的批次能辅助模型捕捉细粒度特征，Batch Size＝2时推理精度最佳。综上所述，本研究最终选取学习率为5e-5、m＝5、r＝8及Batch Size＝2作为默认实验设置。

7案例研究

为验证本研究所提出的NELLM-KGC在应对复杂监管场景下的有效性，本研究选取了“杏脯中苯甲酸限量合规性判断”作为典型案例进行分析，在原始KG中，实体“杏脯”与“苯甲酸”之间不存在直接的连接关系。通过验证（杏脯，允许添加，苯甲酸（≤0.5 g/kg））的正确性，对比TransE、基线LLM与NELLM-KGC模型的推理过程，如图7所示。

TransE模型基于向量空间的距离进行判别，由于图谱中缺乏直接的三元组连接，且嵌入模型无法有效编码具体的数值属性约束，导致头尾实体在向量空间中的距离远超判定阈值，从而错误地判定该添加行为不合规。

基线LLM虽然具备较强的语义理解能力，但在缺乏领域知识约束时，极易产生事实性幻觉。面对具体的实体“杏脯”，模型检索内部参数记忆时，受到训练语料中高频词“调味酱”或“腌渍食品”的干扰，错误地输出了“1.0 g/kg”这一数值。这表明在缺乏外部结构化知识增强的情况下，通用大模型难以准确区分食品安全标准中细粒度的子类差异。相较于基线模型，NELLM-KGC首先识别并构建了以“杏脯”为核心的局部邻域关系图。随后，通过邻域信息融合机制，发现“杏脯”的邻域实体通过不同关系可连接至“蜜饯”及其“限量标准”。基于“杏脯→属于→蜜饯”“蜜饯→GB 2760→苯甲酸”以及“蜜饯→允许添加→苯甲酸（≤0.5 g/kg）”的推理路径，最终推导出“杏脯”继承“蜜饯”类别限量规定的结构依据，进而正确判定了三元组的有效性及准确的限量数值。这一推理过程通过图形化界面直观展示，呈现了NELLM-KGC在处理多标准交叉与长尾实体推理任务中的优势。

尽管NELLM-KGC在在多项基准测试中表现优异，但在处理形近意异的实体时，仍存在一定的局限性。如图8所示，在验证三元组“（山梨酸，属于，甜味剂）”的合规性时，模型给出了错误的肯定回答。由于“山梨酸”与“山梨糖醇”在字面上高度相似，检索器未能有效区分两者的化学性质差异，错误召回了属于“山梨糖醇”的高相关性信息。误导后续的LLM产生了“事实性幻觉”，从而错误地将防腐剂“山梨酸”判定为“甜味剂”。这表明当前的检索组件在区分细粒度语义差异方面仍有待提升。未来的工作将集中在改进检索阶段的重排序算法以过滤相似实体噪声，以及在推理阶段引入更严格的逻辑校验模块以纠正信息偏差，从而进一步提升模型在食品复杂监管场景下的鲁棒性。

8模型效率与部署可行性分析

为了全面评估NELLM-KGC的实际应用价值，本研究在NVIDIA L40环境下，对比了传统嵌入方法（KG-BERT）、通用大模型基线（LLaMA-7B（w/o filter））与NELLM-KGC的资源消耗与推理效率。如表10所示，虽然NELLM-KGC的参数量远超KG-BERT，导致推理延迟从毫秒级增加到秒级，但这是LLM获得深层语义推理能力所必须付出的计算代价。值得注意的是，与未采用邻域筛选机制的LLaMA-7B（w/o filter）相比，NELLM-KGC的推理速度提升了约46.2%。这是因为直接利用LLM处理复杂图谱任务时，往往需要将大量邻域节点作为上下文输入，导致输入序列过长，显著增加了注意力机制的计算时间复杂度。而本研究设计的Top-m邻域筛选机制有效过滤了冗余信息，大幅缩短了输入序列长度，从而在引入检索开销的情况下，依然实现了整体推理效率的优化。

针对食品安全监管系统的实际应用需求，本研究提出的NELLM-KGC在部署方面从技术优化、架构设计与应用价值3 个维度论证了其落地潜力。具体而言，本研究采用LoRA微调技术，仅需微调极少量的参数即可适配下游任务。在实际部署中，可以通过4-bit或8-bit量化技术，进一步将8× 10 9 参数模型的显存需求压缩至消费级显卡可承载的范围内，大幅降低硬件门槛。针对KG补全任务周期性强的特点，在真实的监管系统中可采用“离线推理-在线查询”的分离架构。KG的补全和更新可以设定为按周或按月在后台离线批量执行，而前端监管人员的查询请求则直接读取补全后的图谱数据库，从而规避了LLM实时推理的高延迟问题。虽然LLM推理成本高于传统模型，但在食品安全领域，针对长尾实体的准确推理往往意味着巨大的监管价值。相比于其带来的安全收益，NELLM-KGC增加的算力成本是合理的投入。

9 结论

本研究围绕着食品安全标准领域KG补全任务，提出了一种结合LLM与食品安全标准领域KG的框架——NELLM-KGC，以提升在该领域复杂关系结构下的推理能力。首先构建了中文KGFSS，为LLM提供了丰富的数据支持，帮助其能够更准确地理解和推理该领域中的复杂语义。其次，将传统的知识补全任务转化为自然语言问答任务，增强了LLM在食品安全标准领域专业术语处理能力。此外，提出了一种创新的邻域信息融合机制，该机制通过重构信息的组织方式，将离散的邻域节点转化为具有逻辑关联的上下文序列，使LLM能够识别传统聚合方法难以捕捉的条件约束与多重映射模式，从而实现对复杂语义及其潜在关系的精准捕捉。最后，采用LoRA方法对LLM进行了指令微调，提升了其在特定领域任务中的精准度和灵活性。

实验结果表明，NELLM-KGC在FB15k-237、WN18RR以及自定义的KGFSS数据集上均展现出显著的性能提升。尤其是在KGFSS数据集上，NELLM-KGC能够有效挖掘KG中的隐形关系，通过LLM强大的文本语义理解能力，充分挖掘了实体标签与描述中蕴含的深层语义特征，有效补偿了长尾节点因结构稀疏而导致的表示缺失。值得注意的是，NELLM-KGC利用的邻域信息本质上属于图谱固有的结构特征，即所有基线模型均可访问的邻域节点。因此，性能提升源于推理机制的改进，而非输入层面的信息不对称。此外，实验结果不仅验证了该框架在食品领域的有效性，也为解决垂直领域中普遍存在的枢纽节点噪声与长尾推理问题提供了通用的算法范式。

引文格式：

毛典辉, 马华宜, 张金垚, 等. 基于邻域增强的大语言模型的食品安全标准知识图谱补全方法[J]. 食品科学, 2026, 47(12): 31-41. DOI:10.7506/spkx1002-6630-20251213-104.

MAO Dianhui, MA Huayi, ZHANG Jinyao, et al. A method for completing food safety standards knowledge graphs based on neighborhood-enhanced large language model[J]. Food Science, 2026, 47(12): 31-41. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20251213-104.

实习编辑：俞逸岚；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网

北京食品科学研究院、中国食品杂志社和全国糖酒会组委会将于2026年10月15-17日在江苏省南京市南京国际博览中心举办第115届全国糖酒会食品科技成果交流会。食品科技成果交流会期间举办食品科技成果展，本届科技成果展以我国当前食品产业科技需求为导向，重点邀请“十四五”以来获得国家和省部级重要科研项目支持产出的食品科技新成果、新技术、新产品参展，并针对企业技术需要开展精准对接服务。扫描下方二维码即可申请展位。

为进一步促进动物源食品科学理论的完善与创新，加速科研成果向实际生产力的转化，助力产业实现高质量、可持续发展，由北京食品科学研究院、中国肉类食品综合研究中心、中国食品杂志社与海南大学、海南热带海洋学院、江西农业大学共同举办的“2026年动物源食品科学与人类健康国际研讨会”，将于2026年11月14-15日（11月13日报到）在中国 海南 海口召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）