यह शोधपत्र एक नवीन दृष्टिकोण प्रस्तावित करता है जो ज्ञान-प्रधान कार्यों (मतिभ्रम, उत्पत्ति का पता लगाने में असमर्थता, और ज्ञान को अद्यतन करने में कठिनाइयों) में बड़े पैमाने के भाषा मॉडल (एलएलएम) की कमियों को दूर करने के लिए एलएलएम और ज्ञान ग्राफ़ को जोड़ता है। विशेष रूप से, हम एक त्रिगुण ज्ञान ग्राफ़ का निर्माण करते हैं जो डोमेन-विशिष्ट जटिल वस्तुओं के अवधारणा-केंद्रित शब्दकोश विश्लेषण के माध्यम से क्यूरेटेड ऑन्टोलॉजी और पाठ खंडों को जोड़ता है। फिर हम सूचना घनत्व, कवरेज और प्रॉम्प्ट लंबाई को अनुकूलित करने के लिए एलएलएम प्रॉम्प्ट जनरेशन को एक अप्रशिक्षित नोड वर्गीकरण समस्या के रूप में सूत्रबद्ध करते हैं। चिकित्सा क्षेत्र में प्रायोगिक परिणाम प्रदर्शित करते हैं कि प्रस्तावित विधि एलएलएम प्रॉम्प्ट की सूचना घनत्व, कवरेज और संरचना को अनुकूलित कर सकती है, साथ ही उनकी लंबाई को कम कर सकती है, जिससे लागत बचत में योगदान मिलता है और एलएलएम आउटपुट की स्थिरता और विश्वसनीयता में वृद्धि होती है।
