制造业知识图谱构建中大模型的信息抽取能力分析.docxVIP

PAGE2

《制造业知识图谱构建中大模型的信息抽取能力分析》

一、调研概述

1.1调研背景与目的

当前，全球制造业正经历从数字化向智能化的深度跃迁，工业知识的沉淀与复用成为企业核心竞争力的关键要素。海量工艺文档、设备维修记录、操作手册与质检报告以非结构化文本形式散落在企业信息系统中，传统人工处理与规则模板方式难以高效、准确地将其转化为可计算、可推理的结构化知识。

这直接制约了制造企业知识库的构建效率和智能问答系统的应用效果。大语言模型（LLM）的出现，为突破这一瓶颈提供了全新范式。其强大的语义理解与文本生成能力，有望在复杂工业语境下实现知识三元组、事件链、因果逻辑的精准抽取。

本报告旨在系统分析大模型在制造业知识图谱构建中的信息抽取能力，探讨其从工艺文档、维修记录中提取知识的实践路径，以及构建企业级知识库与智能问答系统的技术方案与市场前景。通过调研，为制造企业技术选型、软件厂商产品规划及行业标准制定提供决策参考，具有显著的产业赋能价值与数字化转型实践意义。

1.2研究范围与方法

本研究聚焦于中国制造业领域，重点覆盖汽车、电子、机械、化工、制药等知识密集型子行业。纵向贯穿大模型信息抽取的全生命周期，包括数据预处理、模型微调与推理、知识融合与校验、知识图谱构建及智能问答应用部署。横向对比主流大模型（如GPT系列、文心、通义、ChatGLM等）在工业语料上的抽取性能，并考察工艺