IF=15.4！上海理工大学刘阳泰课题组食品顶刊综述：知识图谱与大语言模型在食品安全中的协同方法与展望

发布时间：

2026-02-09

来源：

食品信息学

导读

2026年1月，上海理工大学Microrisk团队在国际食品Top期刊《Trends in Food Science & Technology》（Q1，IF=15.4）发表题为“Knowledge Graph and Large Language Model Synergy for Food Safety: Approaches and Perspectives”的综述论文。上海理工大学硕士研究生安澔鑫为第一作者，通讯作者为上海理工大学刘阳泰副研究员。

随着食品供应链全球化和数字化进程的加速，食品安全数据呈现出来源多样、形式复杂、更新频繁等特点，包括科研文献、法规文本、检测报告、传感器数据、图像信息以及供应链记录等。传统依赖静态数据库和人工规则的食品安全管理模式，越来越难以满足跨源整合、语义理解、风险预测和实时决策的需求。该文系统总结了知识图谱（Knowledge Graph, KG）与大语言模型（Large Language Model, LLM）在食品安全领域的协同融合机制、应用模式与未来发展方向，提出二者协同可推动食品安全治理由“被动响应”向“主动预测”转型，为构建智能化、可解释、可追溯的食品安全监管体系提供理论基础。

综述亮点

系统梳理传统食品安全知识图谱的构建流程、应用场景及局限性。
总结大语言模型在食品安全文本挖掘、法规解析、风险识别中的独立应用进展。
提出 KG–LLM 双向增强的协同框架。
讨论KG + LLM在多模态表示与领域知识驱动构建、动态知识融合与智能决策支持，可信、可解释及公众服务型应用中的研究进展。
讨论食品安全场景下的关键挑战：数据异构、实时更新、幻觉风险、评估体系缺失等。

综述结论

知识图谱具备结构化、可解释、可追溯优势；大语言模型具备强自然语言理解与生成能力。二者深度融合后，可实现多源数据自动抽取与标准化、风险因子因果关联建模、新兴风险动态发现与更新以及可信问答与决策支持，推动食品安全管理由事后检测向前瞻预警升级。

图文赏析

图1. 传统知识图谱构建流程。

图2. 知识图谱与大语言模型的特征及其互补性。

图3. KG–LLM协同下的结构化知识工程流程。

图4. KG–LLM在食品安全中的三类应用。

图5. 多模态表示与本体引导的KG构建框架。

图6. 动态知识融合与智能决策支持框架。

图7. 面向可信与可解释应用的框架。

刘阳泰

刘阳泰，博士，副研究员，硕导，现职上海理工大学副研究员，上海理工大学“思学学者”，主要从事微生物预测与风险分析研究。兼任上海市青浦区科学技术协会副主席，国际食品建模委员会（ICPMF）、中国农学会、上海市微生物学会、上海市食品学会青（专）委会委员，国家自然科学基金委、上海、广西科技项目评审专家，《Journal of Future Foods》青年编委等。主持国家自然科学基金、国家高端引智计划等省部级及以上科研项目6项。发表SCI及EI收录论文70余篇，参编专著（教材）3部，获批国家专利1件、软件著作权15件，省农业厅技术奖2项。前期主导开发了Microrisk Lab等十余项食品微生物预测评估系列工具，并参与了国家、上海市等多部门的食品、农产品、药品微生物风险评估及平台建设工作，相关成果已被应用于国内外监管部门和科研院所的微生物分线分析工作中。

原文链接

https://doi.org/10.1016/j.tifs.2026.105592

推荐下载

本网站转载的信息，仅供学习参考，不代表葡藤匠心网的观点。转载如有侵权，请作者速来函告知。