【技術實現步驟摘要】
本專利技術屬于醫療信息，尤其涉及一種零樣本多智能體的知識圖譜問題生成方法。
技術介紹
1、知識圖譜問題生成(kgqg)是一項基于給定知識圖譜(kg)生成自然語言問題的任務。這項任務提升了問答(qa)模型的性能，并幫助對話系統創建連貫的詢問。對于醫療和醫學領域，通過構建包含疾病、癥狀、治療方案、藥物相互作用等信息的醫療知識圖譜，系統可以根據患者的具體情況，生成針對醫生的診斷建議或對患者的健康咨詢回復，輔助醫生做出更精確的診斷和治療決策，或者幫助分析藥物成分、作用機制、副作用等信息，加速新藥的研發流程。同時，通過監測大規模醫療數據，及時發現藥物不良反應和潛在風險，提高藥品安全性。近年來，這一領域受到了顯著的研究關注。大多數最先進的kgqg解決方案基于小參數模型方法，例如模板法和神經網絡法，本文稱之為“小模型”。模板法使用預定義的模板和規則，但通常缺乏擴展性。相反，由于深度學習的進步，神經網絡法在顯著上升。這些方法利用像g2s和dsm這樣的模型，使用大量標注數據(即與kg對應的問題和答案對)生成復雜且多樣的問題。
2、值得注意的是，kgqg模型的性能嚴重依賴于標注數據的可用性。經驗表明，當標注數據量減少時，kgqg的準確性急劇下降，尤其是在零樣本場景中。盡管存在這一問題，當前文獻往往忽視它，通常依賴現有的kgqa數據庫獲取標注數據。然而，在缺乏qa數據的情況下，生成標注數據需要耗費大量人工注釋。因此，探索kgqg的無監督方法，也稱為零樣本kgqg，對于減少人工標注工作至關重要。
3、近年來，像chatgpt這樣
4、為了應對人工標注成本和部署成本，有必要研究一種新的成本效益高的零樣本kgqg范式。
技術實現思路
1、有鑒于此，本申請提出了通過利用llms生成有價值的問題來訓練小模型，然后在實際中部署小模型，綜合llms和小模型的能力。具體來說，考慮到llms在零樣本生成任務中的表現往往不盡如人意，內容的相關性低且冗余，本申請引入了一種新的合作范式，這一范式受多代理系統的最新進展啟發。該范式名為roleagentqg，通過多代理合作提高llms生成問題的質量，從而有效地訓練較小的模型。具體而言，roleagentqg模擬了一個由總編輯、執行編輯、貢獻者、內容編輯和校對編輯等角色組成的編輯團隊，每個角色由一個llm代表。工作流程始于總編輯根據子圖和答案信息定義總體目標。然后，執行編輯將總體目標細化為具體要求，用于指導貢獻者、內容編輯和校對編輯。這些指南指引貢獻者起草問題，這些問題由內容編輯檢查其邏輯、內容質量和難度。通過檢查的問題由校對編輯在語法和格式方面進行潤色。最后，總編輯評估問題并接受高質量的問題。
2、值得注意的是，為了提高角色間的溝通效率，本申請還設計了兩個工作流程優化工具(即通信協議和成長型數據庫)，這些工具可以減少由過于復雜的任務引起的幻覺風險。最終，生成的問題用于訓練較小的模型，提高它們生成高質量問題的能力。
3、為實現上述目的，本申請公開的零樣本多智能體的知識圖譜問題生成方法，包括以下步驟：
4、獲取醫學知識圖譜；
5、總編輯智能體設定問題的生成，確保內容語調與詢問者的真實意圖一致，并監督最終問題的質量；
6、執行編輯智能體管理迭代截止日期，確保問題生成過程的進行；
7、貢獻者智能體模擬典型的詢問者，根據要求創建問題；
8、內容編輯智能體：提供反饋，并確保最終輸出的問題在內容、邏輯和難度方面與答案和子圖一致；
9、校對編輯智能體審查和編輯生成問題的語法、標點、風格和一致性；
10、每個智能體，都執行agent-oda執行機制；agent-oda執行機制包括觀察模塊、行動模塊和反饋模塊；所述觀察該模塊觀察和處理知識圖譜環境中的相關知識；每次迭代i，它構建一個觀察子圖oi，并將該子圖被納入推理推理大語言模型；所述行動模塊同時利用觀察子圖oi和oda內存，選擇最適合知識圖譜的行動，確保基于答案實體生成對應智能體prompt要求的回答；所述反饋模塊利用觀察子圖oi，反饋從行動步驟中獲得的知識；
11、總編輯智能體對經過校對編輯的問題進行評分和評估；得分小于預設閾值的，返回給執行編輯智能體重新生成問題，得分大于預設閾值則被接受，并保存到成長型數據庫中；
12、輸出最終的醫學知識圖譜問題。
13、優選地，所述觀察模塊在每次迭代i時，利用與任務相關的實體ei,智能體的輸入prompt?pi，上一智能體傳入的信息ci和答案實體ei生成觀察子圖oi.這一過程表述為：
14、oi＝observation([ei,pi,ci,ei])。
15、優選地，使用d-輪觀察策略解決觀察子圖更新過程中的可擴展性問題，其中d代表最大跳深；每一輪有兩個步驟：更新和細化；所述更新步驟用于擴展子圖，而細化步驟改變子圖大小而不丟失重要信息。
16、優選地，所述更新步驟如下：
17、對于起始觀測實體中的每個實體e中，都從知識圖譜中提取其相鄰的三元組；每個三元組的形式為[e,r,t]，其中r表示關系，t表示尾部實體；
18、計算余弦相似度得分：
19、
20、是基于智能體的輸入prompt?pi、上一智能體傳入的信息ci兩個組合后的向量，vr+t是關系r，尾部實體t組合后的向量，基于智能體的輸入promptpi、上一智能體傳入的信息ci、關系r、尾部實體t均為文本形式；
21、所有與e中實體相關的三元組根據它們的相似性得分按降序集體排序；前n個三元組被添加到觀察子圖中oi。
22、優選地，所述細化步驟只保留相似性得分最高的前p％，進一步細化前n三元組；并將來自細化后的前p％三元組的尾部實體確定為下一次迭代的起始觀測實體
23、優選地，行動模塊利用大語言模型設計戰略提示，以生成最佳行動，基于其智能體的輸入promptpi,內存m<i、觀察子圖oi和歷史行動a<i選擇最準確的行動ai：
24、ai＝action([pi,oi,a<i,m<i])
25、內存m<i包括前i個智能體的所有歷史記錄；
26、行動包括鄰域探索、路徑發現和回答；所述鄰域探索任務探索相關實體的知識圖譜鄰本文檔來自技高網...
【技術保護點】
1.一種零樣本多智能體的知識圖譜問題生成方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，所述觀察模塊在每次迭代i時，利用與任務相關的實體Ei，智能體的輸入prompt?pi，上一智能體傳入的信息ci和答案實體ei生成觀察子圖Oi.這一過程表述為：
3.根據權利要求2所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，使用D-輪觀察策略解決觀察子圖更新過程中的可擴展性問題，其中D代表最大跳深；每一輪有兩個步驟：更新和細化；所述更新步驟用于擴展子圖，而細化步驟改變子圖大小而不丟失重要信息。
4.根據權利要求3所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，所述更新步驟如下：
5.根據權利要求4所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，所述細化步驟只保留相似性得分最高的前P％，進一步細化前N三元組；并將來自細化后的前P％三元組的尾部實體確定為下一次迭代的起始觀測實體
6.根據權利要求3所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，行
7.根據權利要求3所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，Mi內存采用子圖格式，由符合知識圖譜結構的路徑網絡組成反饋模塊整合觀察子圖Oi，現有內存M＜i，智能體的輸入prompt?pi，上一智能體傳入的信息ci，這一過程可形式化為：
8.根據權利要求7所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，使用結構化面對面通信來增強代理之間的通信；為每個智能體角色構建場景，并要求個體根據其特定角色和上下文提供模塊化輸出；所述構建場景包括告知智能體在互動中的對手的角色和職責，使其動態調整其內容生成；所述模塊化輸出建立每個角色處理的關鍵數據點，簡化信息流。
9.根據權利要求8所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，為了給生成問題的貢獻者提供參考示例問題，將總編輯智能體通過的歷史數據存儲在成長型數據庫中，并選擇其自身歷史樣本中的前k個樣本作為每個代理工作的參考；
...【技術特征摘要】
1.一種零樣本多智能體的知識圖譜問題生成方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，所述觀察模塊在每次迭代i時，利用與任務相關的實體ei，智能體的輸入prompt?pi，上一智能體傳入的信息ci和答案實體ei生成觀察子圖oi.這一過程表述為：
3.根據權利要求2所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，使用d-輪觀察策略解決觀察子圖更新過程中的可擴展性問題，其中d代表最大跳深；每一輪有兩個步驟：更新和細化；所述更新步驟用于擴展子圖，而細化步驟改變子圖大小而不丟失重要信息。
4.根據權利要求3所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，所述更新步驟如下：
5.根據權利要求4所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于，所述細化步驟只保留相似性得分最高的前p％，進一步細化前n三元組；并將來自細化后的前p％三元組的尾部實體確定為下一次迭代的起始觀測實體
6.根據權利要求3所述的零樣本多智能體的知識圖譜問題生成方法，其特征在于...
【專利技術屬性】
技術研發人員：唐九陽，趙潤豪，曾維新，趙翔，陳子陽，吳繼冰，
申請(專利權)人：中國人民解放軍國防科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。