面向航空数据链的大语言模型信息抽取

doi:10.11772/j.issn.1001-9081.2025091104

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3153-3160.DOI: 10.11772/j.issn.1001-9081.2025091104

• 人工智能 • 上一篇

面向航空数据链的大语言模型信息抽取

汤魁¹, 高拴梁²(), 李阳², 李赓², 张嘉兴², 祝远芳², 付永明¹, 毛瑞棋¹, 梁红茹²

^1.中国人民解放军93216部队，北京 100085
^2.四川大学计算机学院，成都 610065

收稿日期:2025-09-21 修回日期:2025-11-06 接受日期:2025-11-07 发布日期:2025-12-04 出版日期:2026-10-10
通讯作者: 高拴梁
作者简介:汤魁（1978—），男，湖北黄石人，副研究员，硕士，主要研究方向：信息系统、软件工程
李阳（2003—），男，四川遂宁人，硕士研究生，主要研究方向：自然语言处理
李赓（2003—），男，山东聊城人，主要研究方向：自然语言处理
张嘉兴（2004—），男，河北唐山人，主要研究方向：多模态大模型
祝远芳（2004—），女，江西新余人，主要研究方向：自然语言处理
付永明（1987—），男，山西晋城人，工程师，博士，主要研究方向：航空通信
毛瑞棋（1996—），男，湖南常德人，工程师，博士，主要研究方向：航空通信
梁红茹（1992—），女，河北新乐人，副教授，博士，主要研究方向：自然语言处理。
基金资助:
国家自然科学基金面上项目(8217XXXXX);多域数据协同处理与控制全国重点实验室开放基金资助项目(CLDL-20240201)

Large language model information extraction for aeronautical data link

Kui TANG¹, Shuanliang GAO²(), Yang LI², Geng LI², Jiaxing ZHANG², Yuanfang ZHU², Yongming FU¹, Ruiqi MAO¹, Hongru LIANG²

^1.Unit 93216 of the Chinese People’s Liberation Army，Beijing 100085，China
^2.College of Computer Science，Sichuan University，Chengdu Sichuan 610065，China

Received:2025-09-21 Revised:2025-11-06 Accepted:2025-11-07 Online:2025-12-04 Published:2026-10-10
Contact: Shuanliang GAO
About author:TANG Kui， born in 1978， M. S.， associate research fellow. His research interests include information systems， software engineering.
LI Yang， born in 2003， M. S. candidate. His research interests include natural language processing.
LI Geng， born in 2003. His research interests include natural language processing.
ZHANG Jiaxing， born in 2004. His research interests include large multimodal models.
ZHU Yuanfang， born in 2004. Her research interests include natural language processing.
FU Yongming， born in 1987， Ph. D.， engineer. His research interests include aviation communications.
MAO Ruiqi， born in 1996， Ph. D.， engineer. His research interests include aviation communications.
LIANG Hongru， born in 1992， Ph. D.， associate professor. Her research interests include natural language processing.
Supported by:
General Program of National Natural Science Foundation of China(8217XXXXX);Open Fund of National Key Laboratory of Multi-domain Data Collaborative Processing and Control(CLDL-20240201)

摘要/Abstract

摘要：

在诸如航空数据链指令解析等军事领域的严肃任务场景中，信息抽取系统需要同时具备高准确性与结构一致性，以确保任务执行的安全与可靠。然而，传统基于规则或少样本示例提示的抽取方法在面对复杂语义、灵活句式和高约束结构时，抽取结果存在严重的幻觉。为了解决这个问题，提出基于大语言模型（LLM）的检索增强生成式信息抽取（RAG-IE）算法，该算法结合检索增强技术与信息抽取技术。首先，构建面向目标信息类型的元语言库，并据此提供标准化抽取模板；其次，基于倒排索引结合关键词与语义扩展策略实现高效模板检索；最后，通过提示词设计引导大语言模型将自然语言转换为结构化信息，实现对航空数据链自然语言指令的具有高度可控性与准确率的信息抽取。实验结果表明，该算法优于现有的信息抽取算法，大幅减少了大语言模型抽取信息中所存在的幻觉，同时具有良好的领域无关性，可通过重构元语言库扩展至其他需要高可靠抽取的场景，为智能化、可验证的信息处理系统提供了一种通用技术路径。

关键词: 信息抽取, 检索增强, 大语言模型, 提示工程, 少样本学习

Abstract:

In critical task scenarios such as aeronautical data link command parsing in the military domain， information extraction systems must achieve both high accuracy and structural consistency to ensure the safety and reliability of mission execution. However， the traditional extraction methods based on rules or few-shot example prompts often suffer from severe extraction results’ hallucinations when dealing with complex semantics， flexible syntax， and highly constrained structures. To address this issue， a Retrieval-Augmented Generation Information Extraction （RAG-IE） algorithm based on Large Language Model （LLM） was proposed by combining retrieval-augmented technology with information extraction technology. First， a meta-language library oriented to the target information types was constructed to provide standardized extraction templates. Then， efficient template retrieval was achieved based on an inverted index by combining keyword matching with semantic expansion strategies. Finally， the prompts were designed to guide the LLM to convert natural language into structured information， thereby enabling highly controllable and accurate information extraction of natural language commands in aviation data link scenarios. Experimental results show that this algorithm is superior to the existing information extraction algorithms， reducing the hallucinations in the information extracted by LLMs greatly. Meanwhile， this algorithm has strong domain independence and can be extended to other scenarios requiring highly reliable extraction by reconstructing the meta-language library， providing a generalizable technical pathway for building intelligent and verifiable information processing systems.

Key words: information extraction, retrieval augmentation, Large Language Model (LLM), prompt engineering, few-shot learning

中图分类号:

TP391

汤魁, 高拴梁, 李阳, 李赓, 张嘉兴, 祝远芳, 付永明, 毛瑞棋, 梁红茹. 面向航空数据链的大语言模型信息抽取[J]. 计算机应用, 2026, 46(10): 3153-3160.

Kui TANG, Shuanliang GAO, Yang LI, Geng LI, Jiaxing ZHANG, Yuanfang ZHU, Yongming FU, Ruiqi MAO, Hongru LIANG. Large language model information extraction for aeronautical data link[J]. Journal of Computer Applications, 2026, 46(10): 3153-3160.

图/表 6

参考文献 29

[1]	徐敏. 浅析军用航空数据链技术及其应用［J］. 通讯世界， 2017（19）： 272-273.
	Xu Min. Analysis of military aviation data link technology and its applications［J］. Telecom World， 2017（19）： 272-273.
[2]	Niklaus C， Cetto M， Freitas A， et al. A survey on open information extraction［C］// COLING 2018. Stroudsburg： ACL， 2018： 3866-3878.
[3]	Yang Y， Wu Z， Yang Y， et al. A survey of information extraction based on deep learning［J］. Applied Sciences， 2022， 12（19）： No.9691.
[4]	Wang Z， Wang X， Han X， et al. CLEVE： contrastive pre-training for event extraction［C］// ACL-IJCNLP 2021 （Volume 1： Long Papers）. Stroudsburg： ACL， 2021： 6283-6297.
[5]	Lu Y， Lin H， Xu J， et al. Text2Event： controllable sequence-to-structure generation for end-to-end event extraction［C］// ACL-IJCNLP 2021 （Volume 1： Long Papers）. Stroudsburg： ACL， 2021： 2795-2806.
[6]	Bellan P， Dragoni M， Ghidini C. Leveraging pre-trained language models for conversational information seeking from text［PP/OL］. arXiv （2022-03-31）［2025-07-19］..
[7]	Qi Y， Peng H， Wang X， et al. ADELIE： aligning large language models on information extraction［C］// EMNLP 2024. Stroudsburg： ACL， 2024： 7371-7387.
[8]	Huang H， Chen C， Sheng Z， et al. Can LLMs be good graph judge for knowledge graph construction？［C］// EMNLP 2025. Stroudsburg： ACL， 2025： 10929-10948.
[9]	Li G， Wang P， Ke W. Revisiting large language models as zero-shot relation extractors［C］// Findings of the Association for Computational Linguistics： EMNLP 2023. Stroudsburg： ACL， 2023： 6877-6892.
[10]	Mekala D， Shang J. Contextualized weak supervision for text classification［C］// ACL 2020. Stroudsburg： ACL， 2020： 323-333.
[11]	Guo B， Han S， Han X， et al. Label confusion learning to enhance text classification models［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（14）： 12929-12936.
[12]	Guo S， Li R， Tan H， et al. A frame-based sentence representation for machine reading comprehension［C］// ACL 2020. Stroudsburg： ACL， 2020： 891-896.
[13]	Zheng B， Wen H， Liang Y， et al. Document modeling with graph attention networks for multi-grained machine reading comprehension［C］// ACL 2020. Stroudsburg： ACL， 2020： 6708-6718.
[14]	Chen S， Wang Y， Liu J， et al. Bidirectional machine reading comprehension for aspect sentiment triplet extraction［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（14）： 12666-12674.
[15]	Chen L， Ruan W， Liu X， et al. SeqVAT： virtual adversarial training for semi-supervised sequence labeling［C］// ACL 2020. Stroudsburg： ACL， 2020： 8801-8811.
[16]	Gui T， Ye J， Zhang Q， et al. Uncertainty-aware label refinement for sequence labeling［C］// EMNLP 2020. Stroudsburg： ACL， 2020： 2316-2326.
[17]	Alan R， van der Goot R， Lombardo R， et al. Biomedical event extraction as sequence labeling［C］// EMNLP 2020. Stroudsburg： ACL， 2020： 5357-5367.
[18]	Zhao X， Deng Y， Yang M， et al. A comprehensive survey on relation extraction： recent advances and new frontiers［J］. ACM Computing Surveys， 2024， 56（11）： No.293.
[19]	Son J， Kim J， Lim J， et al. GRASP： Guiding model with RelAtional Semantics using Prompt for dialogue relation extraction［C］// COLING 2022. ［S.l.］： International Committee on Computational Linguistics， 2022： 412-423.
[20]	Yuan Y， Zhou X， Pan S， et al. A relation-specific attention network for joint entity and relation extraction［C］// IJCAI 2021. California： IJCAI， 2021： 4054-4060.
[21]	Mandya A， Bollegala D， Coenen F. Graph convolution over multiple dependency sub-graphs for relation extraction［C］// COLING 2020. ［S.l.］： International Committee on Computational Linguistics， 2020： 6424-6435.
[22]	Nayak T， Ng H T. Effective modeling of encoder-decoder architecture for joint entity and relation extraction［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（5）： 8528-8535.
[23]	Zeng D， Zhang H， Liu Q. CopyMTL： copy mechanism for joint extraction of entities and relations with multi-task learning［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（5）： 9507-9514.
[24]	Zhang R H， Liu Q， Fan A X， et al. Minimize exposure bias of Seq2Seq models in joint entity and relation extraction［C］// Findings of the Association for Computational Linguistics： EMNLP 2020. Stroudsburg： ACL， 2020： 236-246.
[25]	Gao T， Fisch A， Chen D. Making pre-trained language models better few-shot learners［C］// ACL-IJCNLP 2021 （Volume 1： Long Papers）. Stroudsburg： ACL， 2021： 3816-3830.
[26]	Jiang P， Lin J， Wang Z， et al. GenRES： rethinking evaluation for generative relation extraction in the era of large language models［C］// NAACL 2024 （Volume 1： Long Papers）. Stroudsburg： ACL， 2024： 2820-2837.
[27]	Xu X， Zhu Y， Wang X， et al. How to unleash the power of large language models for few-shot relation extraction？［C］// SustaiNLP 2023. Stroudsburg： ACL， 2023： 190-200.
[28]	Reimers N， Gurevych I. Sentence-BERT： sentence embeddings using Siamese BERT-networks［C］// EMNLP-IJCNLP 2019. Stroudsburg： ACL， 2019： 3982-3992.
[29]	Devlin J， Chang M W， Lee K， et al. BERT： pre-training of deep bidirectional Transformers for language understanding［C］// NAACL 2019， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.

方法	Qwen2.5-7B-Instruct	DeepSeek-R1- Distill-Qwen-7B
Rule-based	63.5	62.8
Vanilla-LLM	69.5	68.2
Fine-tuned-LLM	75.3	73.1
RAG-IE（zero-shot）	80.7	78.9
RAG-IE（one-shot）	82.4	80.6
RAG-IE（few-shot）	84.2	82.7
RAG-IE（CoT）	85.1	83.3

方法	Qwen2.5-7B-Instruct	DeepSeek-R1- Distill-Qwen-7B
Rule-based	63.5	62.8
Vanilla-LLM	69.5	68.2
Fine-tuned-LLM	75.3	73.1
RAG-IE（zero-shot）	80.7	78.9
RAG-IE（one-shot）	82.4	80.6
RAG-IE（few-shot）	84.2	82.7
RAG-IE（CoT）	85.1	83.3

检索方法	Top-1准确率	Top-3准确率
关键词匹配	65.3	78.2
向量检索	71.8	85.6
混合检索	82.7	93.4

检索方法	Top-1准确率	Top-3准确率
关键词匹配	65.3	78.2
向量检索	71.8	85.6
混合检索	82.7	93.4

方法	抽取准确率
方法	Qwen2.5-7B- Instruct	DeepSeek-R1-Distill- Qwen-7B
完整RAG-IE（few-shot）	84.2	82.7
w/o 检索增强模块	76.5	74.8
w/o 关键词扩展	81.1	79.4
w/o 倒排索引	78.3	76.6

面向航空数据链的大语言模型信息抽取

Large language model information extraction for aeronautical data link

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 29

相关文章 15

编辑推荐

Metrics

[1]	余梦姣, 金敏, 刘新华. 人-多智能体协同驱动的敏捷增强开发框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2938-2947.
[2]	边赟, 王海全, 陈义, 崔喆. 具备可解释性的软件缺陷预测数据集构建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2948-2958.
[3]	龚镇辉, 史晓雨, 鲁云, 刘阳成, 尚明生. 面向敏感属性缺失的大语言模型公平推荐框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2838-2846.
[4]	霍耀冉, 李会芝, 曾大和, 唐震宇, 刘辰梅, 吴岩, 张啸, 陈思芹, 杨厚晖. 基于LLM的动态规则生成与神经符号推理合同审查框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2820-2826.
[5]	何丽, 李志强, 宋雨浩, 王晓. 基于关键帧和摘要的视频问答方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2793-2799.
[6]	王梦婷, 高拴梁, 廖文睿, 李赓, 张嘉兴, 祝远芳, 赵天歌, 刘勇慧, 梁红茹. 面向航空领域的消息一致性解析框架[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2681-2690.
[7]	刘新亮, 徐雨时, 李杜白, 任延昭. 基于知识图谱的问答方法综述[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2394-2410.
[8]	张悦, 郭羽含. 大语言模型驱动的语义量化网约车时空需求预测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2467-2476.
[9]	朱林凯, 杨璐, 张弘杰, 吴子衿, 刘璐. LLM与SWRL驱动的跨境数据合规异构跨链智能合约生成框架[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2074-2084.
[10]	程雅典, 李颖颖, 张平, 邱芳冰, 柴晓楠, 舒玉巧. 基于双角色交互机制的心理健康大语言模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2054-2063.
[11]	侯迪迪, 洪少东, 付玉杰, 崔允贺, 申国伟. 基于大语言模型链接的网络安全实体识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2064-2073.
[12]	王昱麒, 张仰森, 王璞. 融合知识增强和对比学习的高中英语阅读理解模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2096-2103.
[13]	李佳航, 韩启龙, 李丽洁, 张慧. 基于大语言模型的超关系知识图谱限定符增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2043-2053.
[14]	王劲滔, 高志霖, 孟琪翔, 卜凡亮. 基于大语言模型重构案件信息的类案检索方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1785-1792.
[15]	易宇声, 黄兆豪, 邓梓昊, 孔蕾蕾, 齐浩亮. 面向信创数据库迁移的多知识库协同大语言模型提示框架CORER[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1811-1817.