摘要：针对报废动力电池型号多样引发的拆解知识异质性，及其导致的拆解序列生成难题，融合知识图谱（Knowledge Graph，KG）与大语言模型（Large Language Model，LLM）在知识表征与推理方面的优势，提出了一种基于图检索增强生成（Graph Retrieval-Augmented Generation， GraphRAG）的报废动力电池拆解序列规划方法。首先，提出基于KG标签匹配的子图生成方法，通过Cypher查询语言形成待拆解特定型号电池的专属拆解序列子图；其次，建立基于混合检索和重排序的拆解知识粗粒度检索机制，以实现对目标电池组件的精确定位；最后，构建基于层级约束关系多跳推理的拆解知识细粒度检索模式，通过提取与组件关联的拆解序列信息，利用大语言模型实现拆解序列的智能生成。实验结果显示，所提方法在5种主流动力电池拆解序列生成上实现93.8%的准确率，展现出优异的可行性和有效性。
文章目录
0 引言
1 总体框架
2 方法
2.1 基于KG标签匹配的拆解序列子图生成
2.2 基于混合检索和重排序的拆解知识粗粒度检索
2.2.1 基于实体匹配的关键词检索
2.2.2 基于余弦相似度的向量检索
2.2.3 基于BGE Re-Ranker的候选实体优选
2.3 基于层级约束关系多跳推理的拆解知识细粒度检索
3 案例
3.1 实验设计与数据集构建
3.2 可行性验证
3.3 综合性能评估与分析
3.3.1 各阶段性能评估
3.3.2 横向对比实验
4 结论
