摘要：探究了大语言模型（Large Language Model,LLM）与知识图谱协同增强知识组织的有效结合模式，旨在提高知识组织的准确性与效率。依托LLM的自然语言处理与知识生成能力，以及知识图谱对结构化信息的表达和推理能力，提出一种协同增强的知识组织理论架构。首先，系统回顾现有知识图谱应用于知识语义组织的理论与实践发展，梳理LLM在科学知识抽取、实体对齐和图谱融合中的应用，论证知识图谱存储和检索的优化原理，调研LLM与知识图谱协同应用的典型项目。然后，在调研和归纳的基础上，针对知识组织具体操作环节，探究嵌入LLM的合理步骤，重构知识图谱实现知识组织的智能化流程，归纳总结图模协同增强知识组织的有效理论架构。研究发现，图模协同增强可以显著提升知识组织的精确度和可解释性，尤其是在跨领域、多源异构科学知识组织中，能够有效减少LLM的幻觉问题，并提高科学知识检索和问答的准确性与交互性。
