【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請涉及自然語言模型，特別涉及基于大數(shù)據(jù)ai的電力審計知識智能問答方法及系統(tǒng)。
技術(shù)介紹
1、本部分的陳述僅僅是提供了與本申請相關(guān)的
技術(shù)介紹
信息，不必然構(gòu)成在先技術(shù)。
2、原始的審計報告編制、問題解答、整改監(jiān)督依賴人工，缺乏針對審計特定領(lǐng)域進(jìn)行垂直訓(xùn)練解決方案，本公司基于現(xiàn)狀，利用自然語言模型開發(fā)建設(shè)了結(jié)合“規(guī)章庫、問題庫、案例庫、報告庫”四庫一體的電力審計知識庫以及知識圖譜，采用先進(jìn)的語義分析技術(shù)，通過創(chuàng)新的跨屬性知識融合與表達(dá)技術(shù)，實(shí)現(xiàn)了電力審計知識從碎片化到系統(tǒng)化、從隱性到顯性的蛻變，構(gòu)建了一個知識密集型、結(jié)構(gòu)化的電力審計智能知識圖譜，并且提供基于自然語言模型的問答系統(tǒng)。
3、在知識圖譜的實(shí)際應(yīng)用過程中發(fā)現(xiàn)，不同用戶的問答行文習(xí)慣、問答目的、構(gòu)思總結(jié)的能力不同，對大語言模型的適應(yīng)性以及對知識圖譜的智能融合答復(fù)不信任等原因，造成提問語言的過度冗余或者問句語義偏離實(shí)際想問的問題。
4、典型地，直接復(fù)制文件中的大段文字進(jìn)問答系統(tǒng)，再其中包含大量的無效信息，再在最后提出精簡的問題，問答系統(tǒng)統(tǒng)一對所有提問數(shù)據(jù)進(jìn)行解析并語義理解，造成算力資源的浪費(fèi)，也容易導(dǎo)致問題語義的偏移，降低了問答的準(zhǔn)確性和效率。
技術(shù)實(shí)現(xiàn)思路
1、為了解決
技術(shù)介紹
中的問題，本申請?zhí)岢隽嘶诖髷?shù)據(jù)ai的電力審計知識智能問答方法及系統(tǒng)。
2、本申請?zhí)峁┝嘶诖髷?shù)據(jù)ai的電力審計知識智能問答方法，包括如下步驟：
3、步驟1：建立問答會話，開始接收自然語言提問數(shù)
4、步驟2：利用預(yù)提取模型在最新提問數(shù)據(jù)中截取核心問句，根據(jù)核心問句提取實(shí)體和關(guān)系，生成預(yù)檢索三元組序列，基于預(yù)檢索三元組序列查詢知識圖譜，輸出答復(fù)；
5、步驟3：利用反饋?zhàn)R別模型對最新輸入的答復(fù)反饋進(jìn)行滿意度語義識別，若識別語義為正向滿意度，跳轉(zhuǎn)到步驟2，若識別為負(fù)向滿意度，跳轉(zhuǎn)到步驟4；
6、步驟4：利用實(shí)體生成模型從最新提問數(shù)據(jù)生成實(shí)體候選，基于關(guān)系生成模型對問句語義進(jìn)行抽取，生成關(guān)系候選，利用實(shí)體候選、關(guān)系候選查詢知識圖譜，獲取答復(fù)三元組并輸出；
7、步驟5：利用反饋?zhàn)R別模型對最新輸入的答復(fù)反饋進(jìn)行滿意度，根據(jù)識別結(jié)果將上文中的提問數(shù)據(jù)關(guān)聯(lián)至最新提問數(shù)據(jù)，循環(huán)跳轉(zhuǎn)到步驟4，直至?xí)捊Y(jié)束。
8、優(yōu)選地，所述步驟2中，所述預(yù)提取模型提取提問數(shù)據(jù)中的實(shí)體和關(guān)系的具體方法為：
9、對提問數(shù)據(jù)進(jìn)行預(yù)處理，提取位于最末段且符合問句模式的最小自然語言段落l；
10、提取l中的實(shí)體命名詞，將實(shí)體命名詞轉(zhuǎn)化為詞向量，利用詞向量獲取語義特征，基于語義特征關(guān)聯(lián)知識圖譜獲取實(shí)體；
11、檢索實(shí)體類型獲取常用關(guān)系列表，提取l中的關(guān)系特征詞與常用關(guān)系列表中的元素進(jìn)行語義匹配，將匹配值最高的元素作為目標(biāo)關(guān)系；
12、基于獲取的實(shí)體和目標(biāo)關(guān)系查詢知識圖譜獲取目標(biāo)實(shí)體，進(jìn)而獲取答復(fù)三元組；
13、所述預(yù)提取模型為由lstm與linear層組合的變體神經(jīng)網(wǎng)絡(luò)加roberta-large語義識別模型構(gòu)成的復(fù)合模型。
14、優(yōu)選地，所述反饋?zhàn)R別模型為由lstm與linear層組合的變體神經(jīng)網(wǎng)絡(luò)加roberta-large語義識別模型構(gòu)成的復(fù)合模型。
15、優(yōu)選地，所述步驟3中，所述反饋?zhàn)R別模型對答復(fù)反饋進(jìn)行滿意度語義識別的具體方法為：
16、對提問數(shù)據(jù)和答復(fù)反饋進(jìn)行分詞處理，獲取提問分詞列表、反饋分詞列表以及反饋特征詞列表，將各分詞列表轉(zhuǎn)化為詞向量，利用詞向量獲取語義特征，基于反饋特征詞的語義特征匹配預(yù)設(shè)的滿意度評價特征詞庫進(jìn)行匹配，獲取匹配值最高的滿意度評價，將提問分詞的語義特征與反饋分詞的語義特征進(jìn)行關(guān)聯(lián)度評價，基于滿意度評價和關(guān)聯(lián)度評價進(jìn)行滿意度的判斷。
17、優(yōu)選地，所述步驟5中，當(dāng)反饋?zhàn)R別模型對最新輸入的答復(fù)反饋滿意度語義識別為負(fù)向滿意度時，對上文中的提問數(shù)據(jù)的語義特征與最新提問的語義特征進(jìn)行關(guān)聯(lián)識別，將關(guān)聯(lián)的上文提問的分詞加入最新提問的分詞列表并進(jìn)行去重處理。
18、優(yōu)選地，所述步驟4中，所述實(shí)體生成模型為gru-crf模型，實(shí)體的抽取方法具體如下：
19、對自然語言問句進(jìn)行分詞處理，得到單詞序列，對每個分詞進(jìn)行詞性標(biāo)注，得到詞性序列；
20、將詞性序列轉(zhuǎn)為詞向量，將詞向量輸入標(biāo)注模型獲取最優(yōu)標(biāo)注序列；
21、將標(biāo)注最優(yōu)解鏈接知識圖譜獲取實(shí)體候選。
22、優(yōu)選地，所述步驟4中，所述關(guān)系生成模型為帶注意力機(jī)制的lstm變體神經(jīng)網(wǎng)絡(luò)，關(guān)系的抽取方法具體如下：
23、對自然語言問句進(jìn)行預(yù)處理，排除實(shí)體命名詞或者使用占位符替代；
24、將預(yù)處理后的問句輸入lstm解碼器，獲取關(guān)系列表及關(guān)系得分，選取得分最高的作為候選關(guān)系。
25、優(yōu)選地，將原問句及預(yù)處理后的問句輸入lstm解碼器，分別獲取關(guān)系列表l1和l2，基于關(guān)系得分對l1和l2排序，選取在l1中排序最高且與l2中元素匹配的元素作為候選關(guān)系。
26、本申請還提供基于大數(shù)據(jù)ai的電力審計知識智能問答系統(tǒng)，包括：會話模塊、預(yù)提取模型、反饋?zhàn)R別模型、實(shí)體生成模型、關(guān)系生成模型，各模塊功能如下：
27、會話模塊：建立和結(jié)束會話，在會話中接收用戶自然語言輸入，輸出答復(fù)；
28、預(yù)提取模型：截取提問數(shù)據(jù)中的最末段問句段落，進(jìn)行輕量級的實(shí)體和關(guān)系提取，快速生成答復(fù)；
29、反饋?zhàn)R別模型：識別用戶對答復(fù)的滿意度，切換提取模型，構(gòu)成單向三級識別網(wǎng)絡(luò)；
30、實(shí)體生成模型、關(guān)系生成模型：對最新提問數(shù)據(jù)整體處理提取實(shí)體和關(guān)系，查詢知識圖譜獲取答復(fù)。
31、與現(xiàn)有技術(shù)相比，本申請的有益效果為：
32、本申請針對不同用戶的不同問答習(xí)慣、行文方式、問答目的等，通過反饋?zhàn)R別模型識別用戶對回復(fù)的滿意度，進(jìn)而通過預(yù)提取模型和實(shí)體生成模型、關(guān)系生成模型構(gòu)建了單向的三級問答網(wǎng)絡(luò)，有利于靈活調(diào)整單個問答會話對計算資源的占用，提高問答精準(zhǔn)度和效率。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.基于大數(shù)據(jù)AI的電力審計知識智能問答方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)AI的電力審計知識智能問答方法，其特征在于：
3.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)AI的電力審計知識智能問答方法，其特征在于：
4.根據(jù)權(quán)利要求3所述的基于大數(shù)據(jù)AI的電力審計知識智能問答方法，其特征在于：
5.根據(jù)權(quán)利要求4所述的基于大數(shù)據(jù)AI的電力審計知識智能問答方法，其特征在于：
6.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)AI的電力審計知識智能問答方法，其特征在于：
7.根據(jù)權(quán)利要求6所述的基于大數(shù)據(jù)AI的電力審計知識智能問答方法，其特征在于：
8.根據(jù)權(quán)利要求7所述的基于大數(shù)據(jù)AI的電力審計知識智能問答方法，其特征在于：
9.基于大數(shù)據(jù)AI的電力審計知識智能問答，其特征在于，包括：會話模塊、預(yù)提取模型、反饋?zhàn)R別模型、實(shí)體生成模型、關(guān)系生成模型，各模塊功能如下：
【技術(shù)特征摘要】
1.基于大數(shù)據(jù)ai的電力審計知識智能問答方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)ai的電力審計知識智能問答方法，其特征在于：
3.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)ai的電力審計知識智能問答方法，其特征在于：
4.根據(jù)權(quán)利要求3所述的基于大數(shù)據(jù)ai的電力審計知識智能問答方法，其特征在于：
5.根據(jù)權(quán)利要求4所述的基于大數(shù)據(jù)ai的電力審計知識智能問答方法，其特征在...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：丁鵬程，焦敏，
申請(專利權(quán))人：國網(wǎng)山東省電力公司東營供電公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。