Airborne product metrological traceability knowledge graph construction method based on large language models

doi:10.11772/j.issn.1001-9081.2025040455

Journal of Computer Applications ›› 2026, Vol. 46 ›› Issue (4): 1086-1095.DOI: 10.11772/j.issn.1001-9081.2025040455

• Artificial intelligence • Previous Articles Next Articles

Airborne product metrological traceability knowledge graph construction method based on large language models

Kaizhou SHI¹, Xuan HE², Guoyi HOU¹, Gen LI³, Shuanggao LI¹, Xiang HUANG¹()

^1.College of Mechanical and Electronic Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing Jiangsu 210016，China
^2.AVIC Changcheng Institute of Metrology and Measurement，Beijing 100095，China
^3.Suzhou Research Institute of Nanjing University of Aeronautics and Astronautics，Suzhou Jiangsu 215000，China

Received:2025-04-27 Revised:2025-06-13 Accepted:2025-06-23 Online:2025-07-07 Published:2026-04-10
Contact: Xiang HUANG
About author:SHI Kaizhou， born in 2000， M. S. candidate. His research interests include industrial knowledge graph applications driven by large language models， digitalization of assembly and measurement of aircraft.
HE Xuan， born in 1987， senior engineer. His research interests include metrological support for large-scale test facilities， digitalization of metrology.
HOU Guoyi， born in 1992， Ph. D.， associate research fellow. His research interests include digitalization of metrology and measurement in aviation manufacturing， industrial knowledge graph applications driven by large language models.
LI Gen， born in 1989， Ph. D.， senior engineer. His research interests include application of industrial knowledge graph， digitalization of assembly and measurement in aviation.
LI Shuanggao， born in 1978， Ph. D.， associate professor. His research interests include aircraft assembly， digital measurement.
Supported by:
Science and Technology Program of Suzhou(SYG202346);Specialized Scientific Research Project on Civil Aircraft(MJZ2-4N21（2）)

基于大语言模型的机载产品计量溯源知识图谱构建方法

师凯洲¹, 何旋², 候国义¹, 李根³, 李泷杲¹, 黄翔¹()

^1.南京航空航天大学机电学院，南京 210016
^2.航空工业北京长城计量测试技术研究所，北京 100095
^3.南京航空航天大学苏州研究院，江苏苏州 215000

通讯作者: 黄翔
作者简介:师凯洲（2000—），男，浙江宁波人，硕士研究生，CCF会员，主要研究方向：大语言模型驱动的工业知识图谱应用、飞机装配与测量的数字化
何旋（1987—），男，黑龙江齐齐哈尔人，高级工程师，主要研究方向：大型试验设施的计量保障、计量数字化
候国义（1992—），男，内蒙古丰镇人，副研究员，博士，主要研究方向：航空制造里的计量与测量数字化、大语言模型驱动的工业知识图谱应用
李根（1989—），男，江苏苏州人，高级工程师，博士，主要研究方向：工业知识图谱应用、航空的装配与测量数字化
李泷杲（1978—），男，江苏南京人，副教授，博士，主要研究方向：飞机装配、数字测量
基金资助:
民用飞机专项科研项目（MJZ2-4N21（2））;苏州市科技计划项目(SYG202346)

Abstract

Abstract:

Airborne products with diverse range and extensive industrial chain have a complex testing system， requiring comprehensive metrological verification work. However， airborne product data resources primarily exist in unstructured， fragmented， and multimodal forms， making it difficult to conduct overall analysis of various testing elements or trace the standardization of testing and product quality under a unified framework， thereby posing challenges to metrological work. To address this issue， the construction of knowledge graph for Metrological Traceability of Airborne Products （MT-AP） was explored by combining generative Large Language Model （LLM）. Firstly， the resource types and metrological traceability links were sorted out， and a Knowledge Graph （KG） ontological model was constructed. Secondly， LLM-based work modules were designed and integrated into workflow chains. Finally， a method for constructing the MT-AP knowledge graph based on the workflow chains and prompt templates was proposed. Experiments were conducted using airborne product instance data and workflow chains. Experimental results show that the proposed method has the knowledge comprehension and naming capability scored above 0.91 basically， the text segmentation and knowledge decoupling capability scored above 0.83 basically， and the complex parameter extraction and structured capability scored above 0.85 basically. It can be seen that the proposed method exhibits satisfactory performance in key tasks of MT-AP knowledge graph construction， providing technical support for metrology engineering of airborne products.

Key words: Large Language Model (LLM), multi-source heterogeneous data, airborne product, metrological traceability, Knowledge Graph (KG)

摘要：

机载产品类型多样、产业链广泛，存在复杂的检测体系，需要开展完备的计量检定工作。然而，机载产品数据资源主要以非结构化、碎片化和多模态的形式存在，不利于对各类测试要素开展统筹分析，并难以在统一框架下溯源测试规范性与产品质量，给计量工作带来了障碍。面对这一问题，结合生成式大语言模型（LLM）开展机载产品计量溯源（MT-AP）知识图谱构建研究。首先，梳理资源类型和计量溯源环节，构建知识图谱（KG）本体模型；其次，设计LLM工作模块并把它们组合成工作链；最后，提出基于工作链与提示模板的MT-AP知识图谱的构建方法。结合机载产品实例数据和多个工作链进行验证的实验结果表明，所提方法的知识理解与命名能力评分基本在0.91以上，文本拆分与知识解耦能力评分基本在0.83以上，而复杂参数的知识提取与结构化能力评分基本在0.85以上。可见，所提方法在MT-AP知识图谱构建关键任务上体现了较好的工作性能，为机载产品计量工程提供了技术支撑。

关键词: 大语言模型, 多源异构数据, 机载产品, 计量溯源, 知识图谱

CLC Number:

TP391.1

Kaizhou SHI, Xuan HE, Guoyi HOU, Gen LI, Shuanggao LI, Xiang HUANG. Airborne product metrological traceability knowledge graph construction method based on large language models[J]. Journal of Computer Applications, 2026, 46(4): 1086-1095.

师凯洲, 何旋, 候国义, 李根, 李泷杲, 黄翔. 基于大语言模型的机载产品计量溯源知识图谱构建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1086-1095.

Figures/Tables 16

Fig. 1 Data types and knowledge sources related to airborne product metrological traceability

Fig. 2 Overall architecture of MT-AP knowledge graph construction based on LLM

Tab. 1 Definitions of entities and attributes

子集	实体类别	中文称谓	主要属性内容
$E R$	PD	产品	产品名称，产品描述
	TI	技术指标	指标名称，指标描述
	PM	被测参数	参数名称，单位，范围或量值，允许误差
$E P$	PE	测试过程	过程名称，过程内容
$E E$	ME	测试方法	方法名称，方法内容
	TL	检测设备	设备名称，型号，厂商，测量范围或规格不确定度或精度等级，有效期，管理状态
	TR	检测人员	姓名，性别，学历，检定专业，证书号，部门
	BS	测试依据	测试依据名称，内容描述
	ENV	环境条件	环境条件名称，内容描述
$E M$	MA	计量专业	计量专业名称
	MI	计量项目	计量项目名称
	MST	计量标准器具	器具名称，证书号，机构，建标时间，有效期
	MSM	计量标准方法	方法名称，内容描述

Tab. 1 Definitions of entities and attributes

子集	实体类别	中文称谓	主要属性内容
$E R$	PD	产品	产品名称，产品描述
	TI	技术指标	指标名称，指标描述
	PM	被测参数	参数名称，单位，范围或量值，允许误差
$E P$	PE	测试过程	过程名称，过程内容
$E E$	ME	测试方法	方法名称，方法内容
	TL	检测设备	设备名称，型号，厂商，测量范围或规格不确定度或精度等级，有效期，管理状态
	TR	检测人员	姓名，性别，学历，检定专业，证书号，部门
	BS	测试依据	测试依据名称，内容描述
	ENV	环境条件	环境条件名称，内容描述
$E M$	MA	计量专业	计量专业名称
	MI	计量项目	计量项目名称
	MST	计量标准器具	器具名称，证书号，机构，建标时间，有效期
	MSM	计量标准方法	方法名称，内容描述

Tab. 2 Definitions of relations

内外部子集	内容子集	关系类别	中文称谓	关系示例
$R I N$	$R S T$	SubPD	子产品	（e：液压油箱）—［r：SubPD］→（e：止回阀）
	$R S T$	SubTI	子指标	（e：环境适应）—［r：SubTI］→（e：湿热耐受）
	$R S T$	SubPM	子参数	（e：泄漏量）—［r：SubPM］→（e：时间）
	$R S T$	SubPE	子过程	（e：磨合试验）—［r：SubPE］→（e：进气测试）
	$R T M$	Next	下一步	（e：磨合试验）—［r：Next］→（e：旋件试验）
$R E X$	$R S T$	Has	有	（e：量块项目）—［r：Has］→（e：量块标准）
	$R S T$	HasTI	有技术指标	（e：液压邮箱）—［r：HasTI］→（e：温度耐受）
	$R S T$	HasPM	有参数	（e：温度耐受）—［r：HasPM］→（e：温度）
	$R S T$	ToBS	依据	（e：振动）—［r：ToBS］→（e：RTCA/DO-160G）
	$R S T$	ReTL	需求设备	（e：时间）—［r：ReTL］→（e：数采系统）
	$R S T$	ReTR	需求人员	（e：密封试验）—［r：ReTR］→（e：李工）
	$R S T$	ReENV	需求环境	（e：进气测试）—［r：ReENV］→（e：常温常压）
	$R O P$	OpTE	执行检定	（e：张工）—［r：OpTE］→（e：压力传感器）
	$R O P$	OpPE	执行过程	（e：耐压压力）—［r：OpPE］→（e：压力测试）
	$R O P$	GetV	量值获取	（e：开启压力）—［r：GetV］→（e：压力传感器）

Tab. 2 Definitions of relations

内外部子集	内容子集	关系类别	中文称谓	关系示例
$R I N$	$R S T$	SubPD	子产品	（e：液压油箱）—［r：SubPD］→（e：止回阀）
	$R S T$	SubTI	子指标	（e：环境适应）—［r：SubTI］→（e：湿热耐受）
	$R S T$	SubPM	子参数	（e：泄漏量）—［r：SubPM］→（e：时间）
	$R S T$	SubPE	子过程	（e：磨合试验）—［r：SubPE］→（e：进气测试）
	$R T M$	Next	下一步	（e：磨合试验）—［r：Next］→（e：旋件试验）
$R E X$	$R S T$	Has	有	（e：量块项目）—［r：Has］→（e：量块标准）
	$R S T$	HasTI	有技术指标	（e：液压邮箱）—［r：HasTI］→（e：温度耐受）
	$R S T$	HasPM	有参数	（e：温度耐受）—［r：HasPM］→（e：温度）
	$R S T$	ToBS	依据	（e：振动）—［r：ToBS］→（e：RTCA/DO-160G）
	$R S T$	ReTL	需求设备	（e：时间）—［r：ReTL］→（e：数采系统）
	$R S T$	ReTR	需求人员	（e：密封试验）—［r：ReTR］→（e：李工）
	$R S T$	ReENV	需求环境	（e：进气测试）—［r：ReENV］→（e：常温常压）
	$R O P$	OpTE	执行检定	（e：张工）—［r：OpTE］→（e：压力传感器）
	$R O P$	OpPE	执行过程	（e：耐压压力）—［r：OpPE］→（e：压力测试）
	$R O P$	GetV	量值获取	（e：开启压力）—［r：GetV］→（e：压力传感器）

Fig. 3 Basic link relationship diagram of MT-AP knowledge graph

Fig. 4 Analysis flow of data resources

Fig. 5 Working principle of generative LLM

Tab. 3 Prompt template and basic prompt examples for LLM work modules

工作模块	标识	提示模板与基本提示词示例
前置提示	F	你是一名机载产品计量检定领域专家
思考模块	T-M	以下内容是［introduction］，请分析［task］。内容：“［text］”。
判决模块	J-M	以下内容是［introduction］，请根据内容总结是否［task］，只回答“是”或者“否”。内容：“［text］”。
命名模块	N-M	以下内容是［introduction］，请为其命名。内容：“［text］”。只回答名字即可。
拆解模块	D-M	请将以下内容按照［task］进行文本拆分。内容：“［text］”。
提取模块	E-M	请从以下内容中提取所有［task］。内容：“［text］”。
结构化模块	S-M	输出格式：［format］。严格按照格式输出，不要输出其他内容。

Tab. 4 Key tasks of MT-AP knowledge graph construction

任务名称	工作链设计	主要的实体与关系类型
技术指标梳理	（T-M）→（J-M）→（D-M，S-M）→（N-M）	（e：PD）—［r：HasTI］→（e：TI）
技术指标分层	（T-M）→（J-M）→（D-M，S-M）→（N-M）	（e：TI）—［r：SubTI］→（e：TI）
技术指标的被测参数提取	（T-M）→（J-M）→（E-M，S-M）	（e：TI）—［r：HasPM］→（e：PM）
被测参数解析	（T-M）→（J-M）→（E-M，S-M）	（e：PM）—［r：SubPM］→（e：PM）
测试过程层级分解	（T-M）→（J-M）→（D-M，S-M）→（N-M）	（e：PE）—［r：SubPE］→（e：PE）
测试过程时序分解	（T-M）→（J-M）→（D-M，S-M）→（N-M）	（e：PE）—［r：Next］→（e：PE）
测试过程与指标匹配	（T-M）→（J-M）→（E-M，S-M）→（J-M）	（e：TI）—［r：OpPE］→（e：PE）
测试过程与方法匹配	（T-M）→（J-M）→（E-M，S-M）→（J-M）	（e：PE）—［r：ToBS］→（e：ME）
测试过程与依据匹配	（T-M）→（J-M）→（E-M，S-M）→（J-M）	（e：PE）—［r：ToBS］→（e：BS）
参数量值获取过程	（T-M）→（J-M）→（E-M，S-M）→（J-M）	（e：PM）—［r：GetV］→（e：PE）
参数量值检测设备	（T-M）→（J-M）→（E-M，S-M）→（J-M）	（e：PM）—［r：ReTL］→（e：TL）
环境条件提取	（T-M）→（J-M）→（E-M，S-M）→（J-M）	（e：PE）—［r：ReENV］→（e：ENV）
被测参数计量规划溯源	（T-M）→（J-M）	（e：MI）—［r：Has］→（e：PM）

Fig. 6 Example of MT-AP knowledge graph construction based on LLM workflow chains

Tab. 5 Experimental tasks

实验项目	考察内容	数据条数
技术指标命名	知识理解与命名能力	220
技术指标分层	文本拆分与知识解耦能力	173
被测参数提取	知识提取与结构化能力	243

Tab. 6 Scoring results of technical index naming task

LLM	描述准确性专家评分结果			描述精炼性专家评分结果			技术指标命名总评
LLM	专家1	专家2	专家3	专家1	专家2	专家3	技术指标命名总评
Qwen2.5-7B-Instruct	0.950 0	0.883 3	0.916 7	0.933 3	0.900 0	0.958 3	0.922 2
InternLM3-8B-Instruct	0.908 3	0.808 3	0.875 0	0.766 7	0.758 3	0.958 3	0.849 4
GLM-4-9B-Chat	0.941 7	0.891 7	0.941 7	0.916 7	0.850 0	0.966 7	0.919 5
Gemma-2-9b-it	0.933 3	0.841 7	0.950 0	0.966 7	0.975 0	0.991 7	0.936 1

Tab. 7 Scoring results of technical index layering task

LLM	技术指标分层专家评价结果			技术指标分层总评
LLM	专家1	专家2	专家3	技术指标分层总评
Qwen2.5-7B-Instruct	0.832 2	0.958 9	0.722 6	0.837 9
InternLM3-8B-Instruct	0.815 1	0.962 3	0.715 8	0.831 1
GLM-4-9B-Chat	0.575 3	0.736 3	0.619 9	0.643 8
Gemma-2-9b-it	0.849 3	0.921 2	0.743 2	0.837 9

Tab. 8 Scoring results of test parameter extraction task

LLM	数据难度	输出格式	提取全面性	属性准确性	评分结果
Qwen2.5-7B-Instruct	复杂	0.964 3	0.758 9	0.872 4	0.865 9
Qwen2.5-7B-Instruct	简单	1.000 0	/	0.963 7	0.978 2
InternLM3-8B-Instruct	复杂	0.767 9	0.696 4	0.902 9	0.800 5
InternLM3-8B-Instruct	简单	0.938 9	/	0.916 0	0.925 2
GLM-4-9B-Chat	复杂	0.946 4	0.794 6	0.881 9	0.875 1
GLM-4-9B-Chat	简单	1.000 0	/	0.893 1	0.935 9
Gemma-2-9b-it	复杂	0.973 2	0.803 6	0.980 3	0.925 2
Gemma-2-9b-it	简单	0.984 7	/	0.996 2	0.991 6

Tab. 9 Operating environment for MT-AP knowledge graph

类型	项目	名称
硬件环境	CPU	i9-12900K
	显卡	RTX4090
	内存	32 GB
软件环境	图数据库	neo4j 4.4.4 Community
	图数据库查询语言	Cypher
	图数据库java环境	JDK11
	LLM运行管理工具	Ollama
	脚本开发语言	Python3.9

Fig. 7 Construction result of MT-AP knowledge graph

References 28

[1]	WANG B， JIANG P， GUO B. A Bayesian design method for monopropellant engine system reliability qualification test plan［J］. Reliability Engineering and System Safety， 2024， 248： No.110173.
[2]	WANG D， DONG M， ZHU L， et al. Application of fiber-optic strain sensing technology in high-precision load prediction of aircraft landing gear［J］. Optics and Laser Technology， 2025， 182（Pt B）： No.112183.
[3]	GUO Y， SUN Y， SI Q， et al. Probabilistic risk assessment of civil aircraft associated failures under condition-based maintenance［J］. Reliability Engineering and System Safety， 2025， 253： No.110550.
[4]	HOGAN A， BLOMQVIST E， COCHEZ M， et al. Knowledge graphs［J］. ACM Computing Surveys， 2022， 54（4）： No.71.
[5]	JI S， PAN S， CAMBRIA E， et al. A survey on knowledge graphs： representation， acquisition， and applications［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 33（2）： 494-514.
[6]	PUJARA J， MIAO H， GETOOR L， et al. Ontology-aware partitioning for knowledge graph identification［C］// Proceedings of the 2013 Workshop on Automated Knowledge Base Construction. New York： ACM， 2013： 19-24.
[7]	吴运兵，朱丹红，廖祥文，等. 路路径张量分解的知识图谱推理算法［J］. 模式识别与人工智能， 2017， 30（5）： 473-480.
	WU Y B， ZHU D H， LIAO X W， et al. Knowledge graph reasoning based on paths of tensor factorization［J］. Pattern Recognition and Artificial Intelligence， 2017， 30（5）： 473-480.
[8]	BORDES A， USUNIER N， GARCIA-DURÁN A， et al. Translating embeddings for modeling multi-relational data［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems — Volume 2. Red Hook： Curran Associates Inc.， 2013： 2787-2795.
[9]	曾泽凡，胡星辰，成清，等. 基于预训练语言模型的知识图谱研究综述［J］. 计算机科学， 2025， 52（1）： 1-33.
	ZENG Z F， HU X C， CHENG Q， et al. Survey of research on knowledge graph based on pre-trained language models［J］. Computer Science， 2025， 52（1）： 1-33.
[10]	孙水发，李小龙，李伟生，等. 图神经网络应用于知识图谱推理的研究综述［J］. 计算机科学与探索， 2023， 17（1）： 27-52.
	SUN S F， LI X L， LI W S， et al. Review of graph neural networks applied to knowledge graph reasoning［J］. Journal of Frontiers of Computer Science and Technology， 2023， 17（1）： 27-52.
[11]	YU C， WANG F， LIU Y H， et al. Research on knowledge graph alignment model based on deep learning［J］. Expert Systems with Applications， 2021， 186： No.115768.
[12]	KUMAR S. A survey of deep learning methods for relation extraction［EB/OL］. ［2025-04-10］..
[13]	HUGUET CABOT P L， NAVIGLI R. REBEL： relation extraction by end-to-end language generation［C］// Findings of the Association for Computational Linguistics： EMNLP 2021. Stroudsburg： ACL， 2021： 2370-2381.
[14]	LIANG X， WANG Z， LI M， et al. A survey of LLM-augmented knowledge graph construction and application in complex product design［J］. Procedia CIRP， 2024， 128： 870-875.
[15]	ZHANG Y， DU T， MA Y， et al. AttacKG+： boosting attack graph construction with large language models［J］. Computers and Security， 2025， 150： No.104220.
[16]	张华平，李林翰，李春锦. ChatGPT中文性能测评与风险应对［J］. 数据分析与知识发现， 2023， 7（3）： 16-25.
	ZHANG H P， LI L H， LI C J. ChatGPT performance evaluation on Chinese language and risk measures［J］. Data Analysis and Knowledge Discovery， 2023， 7（3）： 16-25.
[17]	王耀祖，李擎，戴张杰，等. 大语言模型研究现状与趋势［J］. 工程科学学报， 2024， 46（8）： 1411-1425.
	WANG Y Z， LI Q， DAI Z J， et al. Current status and trends in large language modeling research［J］. Chinese Journal of Engineering， 2024， 46（8）： 1411-1425.
[18]	XIE X， LI Z， WANG X， et al. LambdaKG： a library for pre-trained language model-based knowledge graph embeddings［C］// Proceedings of the 13th International Joint Conference on Natural Language Processing and the 3rd Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics： System Demonstrations. Stroudsburg： ACL， 2023： 25-33.
[19]	ALAM M M， RONY M R A H， NAYYERI M， et al. Language model guided knowledge graph embeddings［J］. IEEE Access， 2022， 10： 76008-76020.
[20]	WANG S， WEI Z， XU J， et al. Unifying structure reasoning and language pre-training for complex reasoning tasks［J］. IEEE/ACM Transactions on Audio， Speech， and Language Processing， 2024， 32： 1586-1595.
[21]	CHOUDHARY N， REDDY C K. Complex logical reasoning over knowledge graphs using large language models［EB/OL］. ［2025-04-10］..
[22]	LIU H， YIN H， LUO Z， et al. Integrating chemistry knowledge in large language models via prompt engineering［J］. Synthetic and Systems Biotechnology， 2025， 10（1）： 23-38.
[23]	LIU Q， LI F， NG K K H， et al. Accident investigation via LLMs reasoning： HFACS-guided chain-of-thoughts enhance general aviation safety［J］. Expert Systems with Applications， 2025， 269： No.126422.
[24]	SUN L， ZHANG P， GAO F， et al. SF-GPT： a training-free method to enhance capabilities for knowledge graph construction in LLMs［J］. Neurocomputing， 2025， 613： No.128726.
[25]	XU Q， QIU F， ZHOU G， et al. A large language model-enabled machining process knowledge graph construction method for intelligent process planning［J］. Advanced Engineering Informatics， 2025， 65（Pt B）： No.103244.
[26]	CHEN L， XU J， WU T， et al. Information extraction of aviation accident causation knowledge graph： an LLM-based approach［J］. Electronics， 2024， 13（19）： No.3936.
[27]	XU L， HU H， ZHANG X， et al. CLUE： a Chinese language understanding evaluation benchmark［C］// Proceedings of the 28th International Conference on Computational Linguistics. ［S.l.］： International Committee on Computational Linguistics， 2020： 4762-4772.
[28]	SUPERCLUE. 中文通用大模型综合性测评基准——SuperCLUE小模型10B榜［EB/OL］. ［2025-04-01］..
	SUPERCLUE. SuperCLUE benchmark for comprehensive evaluation of general Chinese large models — 10B small model list［EB/OL］. ［2025-04-01］..

Airborne product metrological traceability knowledge graph construction method based on large language models

基于大语言模型的机载产品计量溯源知识图谱构建方法

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 16

References 28

Related Articles 15

Recommended Articles

Metrics

[1]	Hao LIANG, Shaojie QIAO. Complex query-based question-answering model integrating bidirectional sequence embeddings [J]. Journal of Computer Applications, 2026, 46(4): 1096-1103.
[2]	Bin SHEN, Xiaoning CHEN, Hua CHENG, Yiquan FANG, Huifeng WANG. Intelligent undergraduate teaching evaluation system based on large language models [J]. Journal of Computer Applications, 2026, 46(3): 993-1003.
[3]	Enkang XI, Jing FAN, Yadong JIN, Hua DONG, Hao YU, Yihang SUN. Review of threats faced by federated learning in privacy and security field [J]. Journal of Computer Applications, 2026, 46(3): 798-808.
[4]	Yiming HUANG, Xihua ZOU, Guo DENG, Di ZHENG. Pre-answering and retrieval filtering： dual-stage optimization method for RAG-based question-answering systems [J]. Journal of Computer Applications, 2026, 46(3): 696-707.
[5]	Rilong WANG, Zhenping LI, Xiaosong LI, Qiang GAO, Ya HE, Yong ZHONG, Yingxiao ZHAO. Multi-Agent collaborative knowledge reasoning framework [J]. Journal of Computer Applications, 2026, 46(3): 708-714.
[6]	Haoyang ZHANG, Liping ZHANG, Sheng YAN, Na LI, Xuefei ZHANG. Review of large language model methods for knowledge graph completion [J]. Journal of Computer Applications, 2026, 46(3): 683-695.
[7]	Dingjia WU, Zhe CUI. MG-SQL： SQL generation framework with enhanced schema linking and multi-generator collaboration [J]. Journal of Computer Applications, 2026, 46(3): 723-731.
[8]	Yixin LIU, Xianggen LIU, Wen LIU, Hongbo DENG, Ziye ZHANG, Hua MU. Benchmark dataset for retrieval-augmented generation on long documents [J]. Journal of Computer Applications, 2026, 46(2): 386-394.
[9]	Fei GAO, Dong CHEN, Dixing BIAN, Wenqiang FAN, Qidong LIU, Pei LYU, Chaoyang ZHANG, Mingliang XU. Multistage coupled decision-making framework for researcher redeployment after discipline revocation [J]. Journal of Computer Applications, 2026, 46(2): 416-426.
[10]	Xinran XIE, Zhe CUI, Rui CHEN, Tailai PENG, Dekun LIN. Zero-shot re-ranking method by large language model with hierarchical filtering and label semantic extension [J]. Journal of Computer Applications, 2026, 46(1): 60-68.
[11]	Yi LIN, Bing XIA, Yong WANG, Shunda MENG, Juchong LIU, Shuqin ZHANG. AI-Agent based method for hidden RESTful API discovery and vulnerability detection [J]. Journal of Computer Applications, 2026, 46(1): 135-143.
[12]	Binbin ZHANG, Yongbin QIN, Ruizhang HUANG, Yanping CHEN. Judgment document summarization method combining large language model and dynamic prompts [J]. Journal of Computer Applications, 2025, 45(9): 2783-2789.
[13]	Chao LIU, Yanhua YU. Knowledge-aware recommendation model combining denoising strategy and multi-view contrastive learning [J]. Journal of Computer Applications, 2025, 45(9): 2827-2837.
[14]	Tao FENG, Chen LIU. Dual-stage prompt tuning method for automated preference alignment [J]. Journal of Computer Applications, 2025, 45(8): 2442-2447.
[15]	Yiheng SUN, Maofu LIU. Tender information extraction method based on prompt tuning of knowledge [J]. Journal of Computer Applications, 2025, 45(4): 1169-1176.