【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及知識(shí)圖譜，具體涉及一種基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法。
技術(shù)介紹
1、知識(shí)圖譜又稱為科學(xué)知識(shí)圖譜，在圖書(shū)情報(bào)界稱為知識(shí)域可視化或知識(shí)領(lǐng)域映射地圖，是顯示知識(shí)發(fā)展進(jìn)程與結(jié)構(gòu)關(guān)系的一系列各種不同的圖形，用可視化技術(shù)描述知識(shí)資源及其載體，挖掘、分析、構(gòu)建、繪制和顯示知識(shí)及它們之間的相互聯(lián)系。
2、大語(yǔ)言模型（large?language?model，llm）是指使用大量文本數(shù)據(jù)訓(xùn)練的深度學(xué)習(xí)模型，可以生成自然語(yǔ)言文本或理解語(yǔ)言文本的含義。大語(yǔ)言模型可以處理多種自然語(yǔ)言任務(wù)，如文本分類(lèi)、問(wèn)答、對(duì)話等，是通向人工智能的一條重要途徑。
3、現(xiàn)有的大語(yǔ)言模型無(wú)法與知識(shí)圖譜結(jié)合，進(jìn)而無(wú)法更好的應(yīng)用在圖書(shū)知識(shí)問(wèn)答場(chǎng)景中，亟需一種基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)實(shí)施例的目的在于提供一種基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，用以解決現(xiàn)有技術(shù)中大語(yǔ)言模型無(wú)法與知識(shí)圖譜結(jié)合，進(jìn)而無(wú)法更好的應(yīng)用在圖書(shū)知識(shí)問(wèn)答場(chǎng)景中的問(wèn)題。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)實(shí)施例提供一種基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，所述方法具體包括：
3、通過(guò)大語(yǔ)言模型提取知識(shí)并構(gòu)建知識(shí)圖譜；
4、獲取原始文檔，采用多種劃分方法對(duì)所述原始文檔進(jìn)行邏輯劃分得到片段，將所述片段輸入大語(yǔ)言模型進(jìn)行向量化，得到片段向量并存儲(chǔ)至向量庫(kù)中；
5、獲取用戶輸入問(wèn)題，基于所述知識(shí)圖譜進(jìn)行知識(shí)鏈接
6、將所述用戶輸入問(wèn)題輸入大語(yǔ)言模型進(jìn)行向量化，得到完整問(wèn)題向量；
7、將所述多個(gè)知識(shí)向量與完整問(wèn)題向量進(jìn)行拼接得到拼接向量；
8、將所述拼接向量與向量庫(kù)中所有片段向量進(jìn)行相似度計(jì)算，得到相似度得分，根據(jù)所述相似度得分取所有片段向量中預(yù)設(shè)數(shù)量的片段向量作為上下文；
9、基于所述上下文和用戶輸入問(wèn)題生成提示信息，將所述提示信息輸入大語(yǔ)言模型，生成問(wèn)題結(jié)果。
10、在上述技術(shù)方案的基礎(chǔ)上，本專利技術(shù)還可以做如下改進(jìn)：
11、進(jìn)一步地，所述通過(guò)大語(yǔ)言模型提取知識(shí)并構(gòu)建知識(shí)圖譜，包括：
12、構(gòu)建圖書(shū)知識(shí)表示模型，用于給大語(yǔ)言模型提供待提取的知識(shí)，所述圖書(shū)知識(shí)表示模型包括知識(shí)體系、圖書(shū)模型和領(lǐng)域業(yè)務(wù)模型；
13、基于所述大語(yǔ)言模型對(duì)圖書(shū)知識(shí)表示模型進(jìn)行提取，得到所述知識(shí)圖譜。
14、進(jìn)一步地，所述采用多種劃分方法對(duì)原始文檔進(jìn)行邏輯劃分得到片段包括：
15、采用固定窗口劃分、滑動(dòng)窗口劃分、按頁(yè)劃分、按段落劃分、按篇章節(jié)結(jié)構(gòu)劃分和其它邏輯劃分。
16、進(jìn)一步地，所述將多個(gè)知識(shí)向量與完整問(wèn)題向量進(jìn)行拼接得到拼接向量，包括：
17、將所述多個(gè)知識(shí)向量與完整問(wèn)題向量進(jìn)行加權(quán)拼接得到拼接向量。
18、進(jìn)一步地，所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法還包括：
19、在獲取所述用戶輸入問(wèn)題后，基于所述大語(yǔ)言模型對(duì)用戶輸入問(wèn)題進(jìn)行意圖分類(lèi)，得到意圖分類(lèi)結(jié)果。
20、進(jìn)一步地，所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法還包括：
21、基于所述意圖分類(lèi)結(jié)果判斷用戶輸入問(wèn)題是否為復(fù)雜問(wèn)題，若是，基于所述大語(yǔ)言模型的內(nèi)聯(lián)架構(gòu)模式和外掛架構(gòu)模式生成問(wèn)題結(jié)果。
22、進(jìn)一步地，所述基于所述大語(yǔ)言模型的內(nèi)聯(lián)架構(gòu)模式和外掛架構(gòu)模式生成問(wèn)題結(jié)果，包括：
23、基于所述大語(yǔ)言模型的內(nèi)聯(lián)架構(gòu)模式生成問(wèn)題結(jié)果時(shí)，使用所述知識(shí)圖譜中的知識(shí)直接增強(qiáng)所述大語(yǔ)言模型的推理能力。
24、進(jìn)一步地，所述基于所述大語(yǔ)言模型的內(nèi)聯(lián)架構(gòu)模式和外掛架構(gòu)模式生成問(wèn)題結(jié)果，還包括：
25、基于所述大語(yǔ)言模型的外掛架構(gòu)模式生成問(wèn)題結(jié)果時(shí)，以所述大語(yǔ)言模型的增強(qiáng)推理能力為基礎(chǔ)，以外掛方式接載所述知識(shí)圖譜推理引擎。
26、進(jìn)一步地，所述基于所述大語(yǔ)言模型的內(nèi)聯(lián)架構(gòu)模式和外掛架構(gòu)模式生成問(wèn)題結(jié)果，還包括：
27、在所述外掛架構(gòu)模式下，復(fù)雜任務(wù)的分解由所述大語(yǔ)言模型完成；
28、在執(zhí)行任務(wù)過(guò)程中，需要調(diào)用復(fù)雜推理計(jì)算時(shí)，以其他方式調(diào)用知識(shí)圖譜的推理，其中，所述其他方式包括插件方式和接口方式。
29、進(jìn)一步地，所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法還包括：
30、基于零和/或小樣本學(xué)習(xí)方法對(duì)所述大語(yǔ)言模型進(jìn)行微調(diào)。
31、本專利技術(shù)中基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，包括：通過(guò)大語(yǔ)言模型提取知識(shí)并構(gòu)建知識(shí)圖譜；獲取原始文檔，采用多種劃分方法對(duì)所述原始文檔進(jìn)行邏輯劃分得到片段，將所述片段輸入大語(yǔ)言模型進(jìn)行向量化，得到片段向量并存儲(chǔ)至向量庫(kù)中；獲取用戶輸入問(wèn)題，基于所述知識(shí)圖譜進(jìn)行知識(shí)鏈接得到多個(gè)知識(shí)，將所述多個(gè)知識(shí)逐個(gè)輸入大語(yǔ)言模型進(jìn)行向量化，得到知識(shí)向量；將所述用戶輸入問(wèn)題輸入大語(yǔ)言模型進(jìn)行向量化，得到完整問(wèn)題向量；將所述知識(shí)向量與完整問(wèn)題向量進(jìn)行拼接得到拼接向量；將所述拼接向量與向量庫(kù)中所有片段向量進(jìn)行相似度計(jì)算，得到相似度得分，取所述所有片段向量中相似度得分最高的片段向量作為上下文；基于所述上下文和用戶輸入問(wèn)題生成提示信息，將所述提示信息輸入大語(yǔ)言模型，生成問(wèn)題結(jié)果。解決了現(xiàn)有技術(shù)中大語(yǔ)言模型無(wú)法與知識(shí)圖譜結(jié)合，進(jìn)而無(wú)法更好的應(yīng)用在圖書(shū)知識(shí)問(wèn)答場(chǎng)景中的問(wèn)題。
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述通過(guò)大語(yǔ)言模型提取知識(shí)并構(gòu)建知識(shí)圖譜，包括：
3.根據(jù)權(quán)利要求1所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述采用多種劃分方法對(duì)原始文檔進(jìn)行邏輯劃分得到片段包括：
4.根據(jù)權(quán)利要求1所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述將多個(gè)知識(shí)向量與完整問(wèn)題向量進(jìn)行拼接得到拼接向量，包括：
5.根據(jù)權(quán)利要求1所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法還包括：
6.根據(jù)權(quán)利要求5所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法還包括：
7.根據(jù)權(quán)利要求6所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述基于所述大語(yǔ)言模型的內(nèi)聯(lián)架構(gòu)模式和外掛架構(gòu)模式生成問(wèn)題結(jié)果，包括：
...【技術(shù)特征摘要】
1.基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述通過(guò)大語(yǔ)言模型提取知識(shí)并構(gòu)建知識(shí)圖譜，包括：
3.根據(jù)權(quán)利要求1所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述采用多種劃分方法對(duì)原始文檔進(jìn)行邏輯劃分得到片段包括：
4.根據(jù)權(quán)利要求1所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述將多個(gè)知識(shí)向量與完整問(wèn)題向量進(jìn)行拼接得到拼接向量，包括：
5.根據(jù)權(quán)利要求1所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法，其特征在于，所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的圖書(shū)知識(shí)問(wèn)答方法還包括：
6.根據(jù)權(quán)利要求5所述基于知識(shí)圖譜增強(qiáng)大語(yǔ)言模型的...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：胡芳槐，丁軍，
申請(qǐng)(專利權(quán))人：海乂知信息科技南京有限公司，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。