ChatKG：一种基于大语言模型和提示工程的非遗知识图谱构建框架

图书馆杂志 ›› 2026, Vol. 45 ›› Issue (4): 82-97.

ChatKG：一种基于大语言模型和提示工程的非遗知识图谱构建框架

周正达，王昊，汪琳，李晓敏，周抒，姚天辰

出版日期:2026-04-15 发布日期:2026-04-29
作者简介:周正达南京大学信息管理学院；数据工程与知识服务省高校重点实验室（南京大学），硕士研究生。研究方向：自然语言处理。作者贡献：实验分析、论文主体撰写。E-mail：zhengdazhou@smail.nju.edu.cn 江苏南京 210023
王昊南京大学信息管理学院；数据工程与知识服务省高校重点实验室（南京大学），教授，博士，博士生导师。研究方向：自然语言处理。作者贡献：设计研究方案、论文修改与最终版本修订。江苏南京 210023
汪琳科大讯飞股份有限公司。研究方向：自然语言处理。作者贡献：设计研究方案、知识图谱构建。安徽合肥230088
李晓敏南京大学信息管理学院；数据工程与知识服务省高校重点实验室（南京大学），博士研究生。研究方向：自然语言处理。作者贡献：设计研究方案、提供修改意见。江苏南京 210023
周抒南京大学信息管理学院；数据工程与知识服务省高校重点实验室（南京大学），博士研究生。研究方向：自然语言处理。作者贡献：设计研究方案、提供修改意见。江苏南京 210023
姚天辰新南威尔士大学工程学部，硕士研究生。研究方向：自然语言处理。作者贡献：设计研究方案、提供修改意见。澳大利亚悉尼

ChatKG: A Framework for Constructing Intangible Cultural Heritage Knowledge Graphs Based on Large Language Model and Prompt Engineering

Zhou Zhengda, Wang Hao, Wang Lin, Li Xiaomin, Zhou Shu, Yao Tianchen

Online:2026-04-15 Published:2026-04-29
About author:Zhou Zhengda, Wang Hao, Wang Lin, Li Xiaomin, Zhou Shu, Yao Tianchen

摘要/Abstract

摘要： 本文旨在解决当前非遗知识图谱构建中存在的人工成本高、准确率不足的问题，提出利用大规模预训练模型ChatGPT开展非遗知识图谱构建的新思路。具体提出一种基于大语言模型和提示工程的非遗知识图谱构建框架ChatKG（Chat Knowledge Graph），选择复用CIDOC CRM本体模型，结合人工梳理与ChatGPT辅助，实现了非遗本体构建，并提出一种基于思维链（CoT）的提示优化方法实现准确的非遗知识抽取，为缺少可直接复用本体概念模型以及高质量标注数据的非遗领域，提供了一种快速、高效、低成本构建领域本体概念模型和进行知识抽取的方法。本文以中国非遗陶瓷制作工艺为例，引导大语言模型成功识别出了419个工艺实体及763条实体间关系，最终构建了非遗陶瓷工艺知识图谱并进行了应用场景探索，验证了本文方法的有效性。

关键词: 大语言模型, 知识图谱, 提示工程, 本体构建, 知识抽取

Abstract: This paper aims to address the high manual costs and insufficient accuracy associated with the current construction of intangible cultural heritage(ICH) knowledge graphs by proposing a new approach using the large-scale pre-trained model ChatGPT. Specifically, we propose a domain knowledge graph construction framework, ChatKG(Chat Knowledge Graph), based on large language model and prompt engineering. By reusing the CIDOC CRM ontology model and combining manual curation with ChatGPT-assisted knowledge extraction, the framework enables the construction of ontologies for intangible cultural heritage. Additionally, we propose a Chain of Thought(CoT) prompt optimization method for accurate knowledge extraction. This provides a rapid, efficient, and low-cost solution for building domain ontology models and extracting knowledge in the ICH field, which originally lacks reusable ontology concept models and high-quality annotated data. Taking the Chinese intangible cultural heritage ceramic craft as an example, the model successfully identified 419 craft entities and 763 relationships between entities, ultimately constructing a knowledge graph and exploring application scenarios, thereby validating the effectiveness of our method.

Key words: Large language model, Knowledge graph, Prompt engineering, , Ontology construction, Knowledge extraction ,

周正达, 王昊, 汪琳, 李晓敏, 周抒, 姚天辰. ChatKG：一种基于大语言模型和提示工程的非遗知识图谱构建框架[J]. 图书馆杂志, 2026, 45(4): 82-97.

Zhou Zhengda, Wang Hao, Wang Lin, Li Xiaomin, Zhou Shu, Yao Tianchen. ChatKG: A Framework for Constructing Intangible Cultural Heritage Knowledge Graphs Based on Large Language Model and Prompt Engineering[J]. Libraly Journal, 2026, 45(4): 82-97.

参考文献

[1] 梁文达.论中国非物质文化遗产传承[J].贵州民族研究,2015, 36(9):5255.
[2] 中共中央办公厅,国务院办公厅.关于进一步加强非物质文化遗产保护工作的意见[EB/OL]. [20240826]. https://www.gov.cn/zhengce/202108/12/content_5630974.htm.
[3] 薛可,龙靖宜.中国非物质文化遗产数字传播的新挑战和新对策[J].文化遗产,2020(1):140146.
[4] Jiao W, Wang W, Huang J, et al. Is ChatGPT a good translator? A preliminary study[PP]. arXiv preprint arXiv:2301.08745, 2023.
[5] Wang S, Scells H, Koopman B, et al. Can ChatGPT write a good Boolean query for systematic review literature search?[C]//Proceedings of the 46th International ACM SIGIR

Conference on Research and Development in Information Retrieval. 2023:14261436.
[6] 雷鸣. 自然语言提示驱动的智能信息分析模式研究[J/OL]. 情报理论与实践, 110 [20240818]. http://kns.cnki.net/kcms/detail/11.1762.G3.20240809.1312.004.html.
[7] 白如江, 陈启明, 张玉洁, 等. 基于ChatGPT+Prompt的专利技术功效实体自动生成研究[J]. 数据分析与知识发现, 2024, 8(4):1425.
[8] Liu C, Bao X, Zhang H, et al. Improving ChatGPT prompt for code generation[PP]. arXiv preprint arXiv:2305.08360, 2023.
[9] Hu Y, Chen Q, Du J, et al. Improving large language models for clinical named entity recognition via prompt engineering[J]. Journal of the American Medical Informatics

Association, 2024: ocad259.
[10] Wei X, Cui X, Cheng N, et al. Zeroshot information extraction via chatting with ChatGPT[PP]. arXiv preprint arXiv:2302.10205, 2023.
[11] 林炀平.文物知识图谱构建与检索关键技术研究与实现[D].杭州:浙江大学,2017.
[12] 徐绪堪,朱佳莹,陶声婷.水工程文化遗产知识图谱构建与问答应用研究——以大运河江苏段为例[J/OL]. 情报科学,119 [20241201].

http://kns.cnki.net/kcms/detail/22.1264.G2.20240701.1715.016.html.
[13] 段瑞龙,宋文.国内外叙词表转换本体方法研究综述[J].情报杂志, 2012, 31(7):6671.
[14] 余凡.领域本体构建方法及实证研究:以测绘学领域为例[M].武汉:武汉大学出版社，2015.
[15] 胡兆芹.本体与知识组织[M]. 北京:中国文史出版社，2014.
[16] Maedche A, Staab S. Ontology learning for the semantic web[J]. IEEE Intelligent Systems, 2001, 16(2):7279.
[17] Noy N F, McGuinness D L. Ontology development 101: a guide to creating your first ontology[R]. 2001.
[18] 王向前,张宝隆,李慧宗. 本体研究综述[J].情报杂志,2016, 35(6):163170.
[19] 曹茹烨,曹树金.ChatGPT完成知识组织任务的效果及启示[J].情报资料工作,2023, 44(5):1827.
[20] Lionis E G P, Koubarakis M, Tsalapati E. Ontology Generation with the help of Chatbot[D]. National and Kapodistrian University of Athens, 2023.
[21] 张颖怡,章成志,周毅,等.基于ChatGPT的多视角学术论文实体识别：性能测评与可用性研究[J]. 数据分析与知识发现, 2023, 7(9):1224.
[22] Yuan C, Xie Q, Ananiadou S. Zeroshot temporal relation extraction with ChatGPT[PP]. arXiv preprint arXiv:2304.05454, 2023.
[23] 王艺茹,史东辉.使用CIDOC CRM构建建筑领域非遗知识本体[J].计算机工程与应用,2023, 59(3):317326.
[24] Wei J, Wang X, Schuurmans D, et al. Chainofthought prompting elicits reasoning in large language models[J]. Advances in Neural Information Processing Systems,

2022, 35:2482424837.
[25] Lin C Y. ROUGE: A package for automatic evaluation of summaries[C]//Text Summarization Branches Out. 2004:7481.
[26] 汪琳,王昊,李晓敏,等.融合学习扩展的非遗陶瓷工艺领域术语库构建及应用[J].图书馆论坛,2024, 44(2): 6678.
[27] 周冬艳,高鲁放,吴艳芳,等.基于本体的青瓷知识图谱构建方法研究[J].图书馆杂志,2024, 43(3):91100.