La detección de postura es una tarea crucial en el procesamiento del lenguaje natural y la computación social, centrándose en clasificar actitudes expresadas hacia objetivos específicos basados en el texto de entrada. Los métodos convencionales mayoritariamente ven la detección de postura como una tarea de clasificación de texto a nivel de oración orientada al objetivo. En plataformas populares de redes sociales como Twitter, los usuarios a menudo expresan sus opiniones a través de hashtags además del contenido textual dentro de los tweets. Sin embargo, los métodos actuales tratan principalmente los hashtags como etiquetas de recuperación de datos, sin aprovechar efectivamente la información semántica que llevan. En este documento, proponemos un marco de detección de postura mejorado con conocimiento de un gran modelo de lenguaje (LKESD) para la detección de postura. LKESD contiene tres componentes principales: un módulo de adquisición de conocimiento de fondo impulsado por instrucciones (IPBKA) que recupera el conocimiento de fondo de los hashtags proporcionando instrucciones hechas a mano a grandes modelos de lenguaje (LLMs); un módulo de mejora de características de convolución de gráficos (GCFEM) diseñado para extraer las representaciones semánticas de palabras que co-ocurren frecuentemente con hashtags en el conjunto de datos aprovechando asociaciones textuales; y una red de fusión de conocimiento (KFN) propuesta para integrar selectivamente representaciones de gráficos y características de LLM utilizando un marco de ajuste de instrucciones. Los extensos resultados experimentales en tres conjuntos de datos de referencia demuestran que nuestro método LKESD supera en un 2.7% en todas las configuraciones sobre los métodos comparados, validando su efectividad en tareas de detección de postura.