【摘要】[目的/意义]构建一种基于大语言模型和知识图谱的健康信息识别模型，旨在提升健康信息识别的准确性和信度。[方法/过程]首先，采用在权威平台上发布的公开健康信息数据集来构建知识图谱，作为领域知识；然后，设计5组实验，包括决策树、支持向量机、逻辑回归模型、GPT和KG-LLM；最后，采用552条来自权威辟谣平台的已标注辟谣信息作为验证样本进行试验，并对5组实验的结果进行比较分析。[结果/结论]所构建的KG-LLM虚假健康信息识别模型在准确性方面表现卓越，其准确率达到98.35%，这一结果相较于决策树、支持向量机、逻辑回归模型分别提升了14.78%、3.24%和12.33%。与GPT模型相比，其准确率也提升了4.80%。此外，在其他的评估指标上，KG-LLM模型相较于GPT模型也显示出了优势。这一结果充分证明了知识图谱作为领域知识，有助于消除LLM中存在的幻觉。[创新/局限]主要创新之处在于将大语言模型与知识图谱相结合，用于提高健康信息识别的准确性。研究存在的局限性主要体现在数据量不足上。尽管通过知识图谱对大语言模型进行了优化，增强了信息检索的准确性，但模型的性能仍然在一定程度上依赖于大语言模型。