本研究提出了一种名为KTG的知识增强模型，旨在解决知识图谱子图生成自然语言时的信息不足和语义漂移问题。通过设计奖励函数，提升生成内容的丰富性和句法正确性。实验结果表明，该模型在SimpleQuestion和PathQuestion数据集上优于现有方法。此外，基于ChatGPT的CQL生成框架在CCKS 2023竞赛中获得第二名，F1-score为0.92676。研究还探讨了生成-检索知识库问答框架的挑战及其在标准数据集上的最佳性能。

本文介绍了一种利用医学背景知识和 Few-shot Learning 的方法，提高 ChatGPT 的推理和寻答能力的知识增强模型。该模型在 CNMLE-2022 上取得了高分 70，超越了人类平均分数，具有成为多功能医疗助手的潜力。