一种大模型的上下文信息纠正方法、系统、设备和介质与流程

摘要: 本发明涉及智能大模型,尤其涉及一种大模型的上下文信息纠正方法、系统、设备和介质。背景技术:1、随着大语言模型在智能客服、知识问答等场景中的广泛应用,用户提问的质...
一种大模型的上下文信息纠正方法、系统、设备和介质与流程

本发明涉及智能大模型,尤其涉及一种大模型的上下文信息纠正方法、系统、设备和介质。

背景技术:

1、随着大语言模型在智能客服、知识问答等场景中的广泛应用,用户提问的质量会直接影响模型输出结果的准确性和有效性。在实际应用中,用户经常提交“是否存在电网风险”“最高负载率”“主变有多少个”等信息不完整的提问,或者在多轮对话中省略已经提及的设备名称、时间范围、查询指标等信息,导致大模型难以准确理解用户意图,进而生成模糊、错误或者过于泛化的回答。

2、现有技术通常采用关键词匹配、句法结构分析或者预设人工规则判断提问信息是否完整。上述方式主要关注提问文本的表层结构,难以根据具体任务识别其所需的深层语义要素,且通用判断规则难以适应不同专业领域和不同任务类型的信息需求。同时,现有方法通常未能有效结合对话历史判断当前提问中能够省略或者复用的信息,也缺少对大模型推出的要素覆盖结果进行文本证据校验的机制,容易因无关历史信息或者模型推测而产生错误的完整性判断。此外,现有方法难以对提问信息完整程度进行量化,因而不能针对不同程度的信息缺失选择适当的补全或者纠正方式。

技术实现思路

1、有鉴于此,为了解决上述技术问题,本发明提供了一种大模型的上下文信息纠正方法、系统、设备和介质。

2、本发明第一方面提供了一种大模型的上下文信息纠正方法,所述方法包括:

3、获取大模型问答会话中的当前提问和对话历史,根据所述当前提问确定对应的任务类型,并从预设的任务—要素知识图谱中确定所述任务类型对应的待检测要素集合及各待检测要素的必要性权重;

4、根据所述任务类型对所述对话历史进行相关性筛选,将所述当前提问和筛选后的对话历史形成要素检测上下文;

5、将所述要素检测上下文和所述待检测要素集合输入大模型,利通过所述大模型确定各所述待检测要素的要素覆盖结果以及支持所述要素覆盖结果的文本证据;

6、根据所述文本证据对所述要素覆盖结果进行校验,并根据校验后的要素覆盖结果和对应的必要性权重,确定所述当前提问的完整度评分和缺失要素集合;

7、根据所述完整度评分确定对应的响应类型,并按照所述响应类型,对所述当前提问执行模板引导,或者结合所述缺失要素集合对所述当前提问执行上下文补全。

8、在其中一个示例中,所述根据所述当前提问确定对应的任务类型,并从预设的任务—要素知识图谱中确定所述任务类型对应的待检测要素集合及各待检测要素的必要性权重,包括:

9、对所述当前提问进行细粒度场景分类,得到所述当前提问对应的任务类型;

10、以所述任务类型为检索条件,在所述任务—要素知识图谱中确定对应的任务节点,并沿所述任务节点与各要素节点之间的关联关系,获取完成对应任务所需的要素类型及各所述要素类型的必要性权重;

11、将获取的各所述要素类型确定为所述待检测要素,形成所述待检测要素集合。

12、在其中一个示例中,所述任务—要素知识图谱的构建过程,包括:

13、获取领域业务场景和历史问答数据,根据各所述领域业务场景对应的任务内容,确定多个任务类型;

14、根据完成各所述任务类型所需的信息以及从对应提问文本中提取的结构化信息,确定各所述任务类型对应的要素类型;

15、根据各所述要素类型对完成对应任务的影响程度,确定各所述要素类型在对应任务类型下的必要性权重;

16、根据各所述任务类型、对应的要素类型及必要性权重建立任务—要素关联关系,得到所述任务—要素知识图谱。

17、在其中一个示例中,所述根据所述任务类型对所述对话历史进行相关性筛选,将所述当前提问和筛选后的对话历史形成要素检测上下文,包括:

18、根据所述对话历史,确定当前提问之前的多轮历史交互,并分别确定各轮历史交互对应的历史任务类型;

19、确定所述当前提问对应的任务类型与各所述历史任务类型之间的任务相似度,将所述任务相似度满足预设相关条件的历史交互确定为相关历史交互;

20、按照所述待检测要素集合,对各所述相关历史交互进行要素识别,确定各所述相关历史交互中与待检测要素的要素类型相匹配的要素值确定为历史覆盖要素信息;

21、按照各所述相关历史交互的交互顺序,将所述历史覆盖要素信息与所述当前提问进行组合,形成所述要素检测上下文。

22、在其中一个示例中,所述将所述要素检测上下文和所述待检测要素集合输入大模型,利通过所述大模型确定各所述待检测要素的要素覆盖结果以及支持所述要素覆盖结果的文本证据,包括:

23、根据所述任务类型、所述要素检测上下文和所述待检测要素集合,生成要求对各所述待检测要素分别进行覆盖判断并提供判断依据的要素检测请求;

24、将所述要素检测请求输入所述大模型,通过所述大模型对所述要素检测上下文与各所述待检测要素的要素含义进行语义匹配;

25、根据语义匹配结果,判断各所述待检测要素是否被当前提问所覆盖,得到各所述待检测要素对应的要素覆盖结果;

26、当任一待检测要素对应的要素覆盖结果表征已覆盖时,从所述要素检测上下文中提取支持所述要素覆盖结果的文本片段,作为对应的文本证据。

27、在其中一个示例中,所述根据所述文本证据对所述要素覆盖结果进行校验,并根据校验后的要素覆盖结果和对应的必要性权重,确定所述当前提问的完整度评分和缺失要素集合,包括:

28、对于要素覆盖结果表征已覆盖的待检测要素,判断对应的文本证据是否存在于所述要素检测上下文中,并判断所述文本证据与对应待检测要素的要素含义是否匹配;

29、当所述文本证据不存在或者所述文本证据与对应的要素含义不匹配时,将对应的要素覆盖结果修正为未覆盖,并将校验后的要素覆盖结果表征未覆盖的待检测要素确定为缺失要素,形成所述缺失要素集合;

30、根据校验后的各所述待检测要素的覆盖状态及其必要性权重,对各所述待检测要素进行加权统计,并根据已覆盖的待检测要素对应的权重在全部待检测要素对应的权重中所占的比例,确定当前提问的完整度评分。

31、在其中一个示例中,所述根据所述完整度评分确定对应的响应类型,并按照所述响应类型,对所述当前提问执行模板引导,或者结合所述缺失要素集合对所述当前提问执行上下文补全,包括:

32、根据所述完整度评分与预设评分阈值之间的比较结果,将所述响应类型确定为模板引导类型或者上下文补全类型;

33、当所述响应类型为模板引导类型时,从预设的提问模板知识库中检索与所述当前提问相匹配的完整提问模板,形成模板引导结果;

34、当所述响应类型为上下文补全类型时,根据各所述缺失要素的必要性权重和上下文支持情况,从所述缺失要素集合中确定待补全要素,并结合所述要素检测上下文生成针对所述待补全要素的追问信息,以对所述当前提问进行补全纠正。

35、第二方面,本发明还提供了一种大模型的上下文信息纠正系统,所述系统包括:

36、要素确定模块,用于获取大模型问答会话中的当前提问和对话历史,根据所述当前提问确定对应的任务类型,并从预设的任务—要素知识图谱中确定所述任务类型对应的待检测要素集合及各待检测要素的必要性权重;

37、上下文形成模块,用于根据所述任务类型对所述对话历史进行相关性筛选,将所述当前提问和筛选后的对话历史形成要素检测上下文;

38、要素覆盖确定模块,用于将所述要素检测上下文和所述待检测要素集合输入大模型,利通过所述大模型确定各所述待检测要素的要素覆盖结果以及支持所述要素覆盖结果的文本证据;

39、缺失要素确定模块,用于根据所述文本证据对所述要素覆盖结果进行校验,并根据校验后的要素覆盖结果和对应的必要性权重,确定所述当前提问的完整度评分和缺失要素集合;

40、信息纠正模块,用于根据所述完整度评分确定对应的响应类型,并按照所述响应类型,对所述当前提问执行模板引导,或者结合所述缺失要素集合对所述当前提问执行上下文补全。

41、第三方面,本发明还提供了一种电子设备,所述电子设备包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如第一方面所述的大模型的上下文信息纠正方法的步骤。

42、第四方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如第一方面所述的大模型的上下文信息纠正方法的步骤。

43、从以上技术方案可以看出,本发明通过将当前提问对应的任务类型与知识图谱中的要素需求及必要性权重关联,使信息完整性判断能够适应不同任务的实际要求;通过筛选相关对话历史并与当前提问共同形成检测上下文,能够复用前文已经明确的信息,减少无关历史内容造成的错误继承和对已知信息的重复询问;在大模型输出要素覆盖结果后,进一步利用文本证据进行校验,使缺乏依据的覆盖判断得到纠正,并据此形成相互一致的完整度评分和缺失要素集合,进而为信息缺失较多的提问提供模板引导,为已具备部分信息的提问提供针对性补全。由此提高了上下文信息完整性判断及提问纠正的可靠性,减少因查询对象、时间范围或指标不明确而造成的意图理解偏差,为后续大模型问答提供更明确、充分的输入条件。