复杂的军事软件系统，例如模拟器和决策支持工具，通常需要大量的用户培训才能掌握配置任务。本研究提出了一种新颖方法，通过利用大语言模型的能力与知识图谱中结构化语义信息相结合，来简化用户与这些系统的交互。通过采用对话式界面，经验不足的用户能够使用自然语言与复杂系统进行交互，显著降低学习曲线和操作负担。

军事软件系统，例如模拟器和决策支持工具，是现代防御行动不可或缺的组成部分。这些系统通常极为复杂，涉及许多需要大量培训才能正确设置的精细配置参数。操作员必须同时具备深厚的领域知识和技术专长；此类技能娴熟的人员难以吸引、培训和留用。因此，与这些系统相关的学习曲线会造成操作瓶颈，最终妨碍任务敏捷性与效能。

本研究引入了一种新颖方法来应对这些挑战，即利用大语言模型（LLM）的能力与知识图谱（KG）所表示的语义信息相结合。LLM以其在自然语言理解方面的精通而闻名，使用户能够使用对话语言与复杂系统交互，从而极大地简化了这些系统的配置和操作。通过将LLM与KG的语义和句法数据表示能力相结合，这种方法提供了一个更直观、更易于访问的界面。这种对话式界面能使领域专家以自然直观的方式与模拟系统交互，大幅减少培训所需的时间和精力，同时最大限度地减少用户出错的可能性。

本文的其余部分将阐述我们的问题陈述、LLM和KG的背景及相关工作，描述我们的技术方法、实验设置，最后讨论我们的研究结果和未来工作。

军事模拟系统的传统用户界面通常基于菜单、表单和命令，并不总是直观。这些界面是为专家用户设计的，但可能会让不熟悉底层系统复杂性的新手用户和领域专家感到疏远或沮丧。因此，模拟系统操作员通常需要大量培训和漫长的上岗过程。这不仅影响系统性能，还可能增加操作负担。

为应对这一挑战，迫切需要更高效、更易于访问的交互界面。近年来，LLM已成为军事系统用户交互的一种有前景的方法。该技术使操作员能够使用日常语言与复杂软件进行沟通，并已在诸如行动方案生成等任务中显示出有效性。然而，尽管现代LLM取得了进步，但在这种对话式界面能够可靠地用于与现实世界的军事系统交互之前，必须解决几个关键问题：

1. 自然语言到结构化数据的转换：最关键的挑战之一是将人类可读的自然语言输入准确翻译成结构化的、机器可读的数据。这涉及准确解释用户查询，这些查询在措辞、领域特定术语和句法方面差异很大，并将其转换为底层系统能够处理的格式（通常是JSON等结构化数据格式）。对于复杂的军事系统，这种转换不仅必须准确，还必须能够处理通用和领域特定的上下文，如军事术语、操作约束和系统要求。实现这一目标将使自然语言交互成为传统界面的可行替代方案，减少用户的认知负荷，并消除对详细系统专业知识的需求。

2. 数据完整性与完备性：一旦用户查询被转换为结构化数据，确保数据的完备性、一致性和无错误性就至关重要。系统配置中的不准确或遗漏可能产生严重后果，尤其是在任务关键型环境中。在部署前，界面必须能够识别并处理用户输入中的常见问题，如不完整或矛盾的指令，并确保生成的数据符合在军事系统中使用的必要标准。这包括根据系统的操作规则和约束验证数据的完整性，以及在检测到输入冲突或不一致时向用户提供反馈。

本研究探讨了上述主题，并提出了一种新颖架构，该架构将LLM与以结构化知识图谱形式存在的语义信息结合使用。