一种基于图结构扰动增强与多维度一致性评估的智能问答方法及系统与流程
本发明属于数据处理与智能问答,具体涉及一种基于图结构扰动增强与多维度一致性评估的智能问答方法及系统。本发明适用于资本市场供应链风险分析、知识图谱问答、情报检索、图数据库查询等需要进行图结构数据推理与问答的应用场景。
背景技术:
1、在资本市场环境中,企业之间通过采购、销售、代工、物流、资金往来等方式形成了高度复杂的供应链网络结构。这类供应链关系通常涉及主体数量多、关联层级深、关系类型多样,且企业之间的风险呈现出明显的关联性与传导性特征——单一企业的经营异常、信用风险或突发事件,往往会沿供应链路径向上游供应商或下游客户扩散,进而对资本市场整体产生连锁影响。正因如此,资本市场分析人员、监管机构及投资者经常需要回答以下类型的问题:某一企业的风险是否会通过供应链关系传导至其他企业?关键供应商或客户发生异常时,对相关上市公司的潜在影响路径是什么?不同供应链关联路径下的风险影响结论是否一致、是否可靠?
2、随着知识图谱和图神经网络技术在智能问答领域的应用日益普及,基于图结构的大语言模型问答方法已成为研究热点。现有技术主要沿两条路径发展。
3、路径一:大语言模型多路径采样的一致性推理方法。 wang等人于2022年提出了self-consistency方法(参见xuezhi wang et al., "self-consistency improves chainof thought reasoning in language models", arxiv:2203.11171, iclr 2023)。该方法通过从大语言模型中采样多条不同的思维链推理路径,然后采用多数投票策略选择频率最高的答案作为最终输出,在一定程度上提升了语言模型在复杂推理任务上的准确率。然而,该方法完全在语言空间内操作,不涉及任何图结构数据的建模与分析。后续的star等方法对该思路进行了改进,通过自监督学习筛选推理路径用于模型微调,但其技术实质仍然局限于语言推理流程,与图结构建模无关。
4、路径二:图神经网络与大语言模型融合的图问答方法。 近年来,研究者开始尝试将图神经网络的结构化建模能力与语言模型的语义理解能力相结合。例如,paglr提出了一种路径感知的图神经网络-语言模型框架,通过预测可行推理路径来组装以问题为中心的子图,并进行路径级建模和推理。igetr采用三阶段流水线,通过时空图神经网络提取结构化推理路径,经语言模型编辑机制解决逻辑矛盾。graphrag等方法则将原始文本转换为结构化知识图以增强语言模型的检索增强生成能力。然而,上述方法均基于单一图表示进行路径检索与推理,未将图结构本身存在的数据缺失、关系噪声、时效性差异等不确定性因素纳入考量。
5、此外,在结构一致性与语义一致性评估方面,dcmkc提出了保持知识图谱与思维链之间语义和结构一致性的思路,将思维链和知识图谱转换为粒度对齐的图进行迭代匹配。path-constrained retrieval则通过图可达性约束来限制搜索空间,确保检索信息与锚点保持结构一致性。但需要注意的是,dcmkc的一致性评估发生在推理过程中(即知识图谱与思维链的对齐阶段),path-constrained retrieval关注的是检索阶段的结构约束——两者均非针对多个候选答案的事后综合评估与融合。
6、综上所述,现有技术主要存在以下不足:
7、其一,self-consistency等语言层面的多路径一致性方法完全脱离图结构,无法感知图数据中的路径噪声与节点表示漂移问题。
8、其二,paglr、igetr、graphrag等图神经网络-语言模型融合方法依赖单一图表示进行推理,对图结构中的微小扰动高度敏感,缺乏多路径鲁棒推理机制。
9、其三,dcmkc、path-constrained retrieval等提及“结构一致性”或“语义一致性”的方法,或用于推理过程中的对齐,或用于检索阶段的约束,均未将结构一致性与语义一致性作为两个独立维度对多个候选答案进行最终的综合评估与融合。
10、其四,现有系统大多仅输出单一答案,缺乏对推理结果可信度的量化评估与可解释性输出,难以满足资本市场等高可靠性场景对分析结果稳定性与可信度的要求。
技术实现思路
1、本发明旨在解决上述现有技术中存在的问题,提供一种基于图结构扰动增强与多维度一致性评估的智能问答方法及系统,其能够有效降低图结构数据中的噪声与不确定性对推理结果的影响,从而提升问答系统的稳定性、可靠性及可解释性。
2、为解决上述技术问题,本发明提供以下技术方案:
3、方案1:一种基于图结构扰动增强与多维度一致性评估的智能问答方法,包括以下步骤:
4、步骤一,获取图结构数据与自然语言查询,所述图结构数据包含多个节点以及连接所述节点的边,所述节点用于表征实体,所述边用于表征实体之间的关联关系;
5、步骤二,对所述图结构数据执行k次独立的扰动处理,生成k个扰动后的图结构,其中k为大于等于2的正整数,每次扰动处理至少包含对图结构的拓扑结构和/或节点特征的随机修改;
6、步骤三,对所述k个扰动后的图结构执行图结构编码处理,生成k组节点表示;
7、步骤四,根据所述自然语言查询与所述k组节点表示之间的关联关系,从所述k个扰动后的图结构中检索与所述自然语言查询相关的图结构信息,并基于所述图结构信息构造k个提示信息;
8、步骤五,将所述k个提示信息分别输入语言模型进行推理,生成k个候选答案;
9、步骤六,确定所述k个候选答案各自对应的结构一致性度量值和语义一致性度量值,并根据所述结构一致性度量值和所述语义一致性度量值确定每个候选答案的综合一致性得分;
10、步骤七,根据所述综合一致性得分从所述k个候选答案中确定并输出至少一个最终答案。
11、在本方法方案的一实施方式中,所述扰动处理包括以下一种或多种方式的随机组合:以预设概率删除所述图结构中的现有边;以预设概率在所述图结构中的任意两节点之间添加虚拟边;对所述图结构中节点的特征向量添加噪声;在消息传递过程中以预设概率屏蔽来自特定邻居的聚合消息。
12、在本方法方案的一实施方式中,所述确定结构一致性度量值包括:确定任意两个候选答案所对应的扰动后图结构中检索到的图结构信息之间的表示距离,基于所述表示距离确定表示漂移度量值;以及确定任意两个候选答案所对应的检索到的图结构信息之间的节点重合度和/或边重合度,基于所述节点重合度和/或边重合度确定结构重合度量值;将所述表示漂移度量值与所述结构重合度量值进行融合,得到所述结构一致性度量值。
13、在本方法方案的一实施方式中,所述确定语义一致性度量值包括:将所述k个候选答案分别映射为语义向量;对所述k个语义向量进行聚类处理,根据聚类结果确定每个候选答案所在簇的簇内密集度,基于所述簇内密集度确定第一语义一致性分量;将每个候选答案及其对应的提示信息输入所述语言模型,获取所述语言模型输出的自评分作为第二语义一致性分量;将所述第一语义一致性分量与所述第二语义一致性分量进行融合,得到所述语义一致性度量值。
14、在本方法方案的一实施方式中,所述根据所述综合一致性得分从所述k个候选答案中确定并输出至少一个最终答案,具体包括:按照综合一致性得分从高到低的顺序对所述k个候选答案进行排序;选取排序靠前的t个候选答案作为待处理答案,其中t为大于等于1且小于等于k的正整数;当t等于1时,直接输出该候选答案作为最终答案;当t大于等于2时,将所述t个候选答案输入语言模型进行融合处理,生成最终答案。
15、在本方法方案的一实施方式中,输出所述最终答案对应的解释信息,所述解释信息至少包括以下之一:所述最终答案所对应的扰动后图结构的扰动类型描述、所述最终答案所对应的图结构信息的节点与边信息、所述最终答案的综合一致性得分。
16、方案2:一种基于图结构扰动增强与多维度一致性评估的智能问答系统,包括:
17、图结构扰动增强模块,用于对输入的图结构数据执行k次独立的扰动处理,生成k个扰动后的图结构;
18、图结构编码模块,用于对所述k个扰动后的图结构执行图结构编码处理,生成k组节点表示;
19、检索与提示构造模块,用于根据自然语言查询与所述k组节点表示之间的关联关系,从所述k个扰动后的图结构中检索与所述自然语言查询相关的图结构信息,并基于所述图结构信息构造k个提示信息;
20、语言模型推理模块,用于将所述k个提示信息分别输入语言模型进行推理,生成k个候选答案;
21、多维度一致性分析模块,用于确定所述k个候选答案各自对应的结构一致性度量值和语义一致性度量值,并根据所述结构一致性度量值和所述语义一致性度量值确定每个候选答案的综合一致性得分;
22、答案输出模块,用于根据所述综合一致性得分从所述k个候选答案中确定并输出至少一个最终答案。
23、在本系统方案的一实施方式中,所述图结构扰动增强模块执行的扰动处理包括以下一种或多种方式的随机组合:以预设概率删除所述图结构中的现有边;以预设概率在所述图结构中的任意两节点之间添加虚拟边;对所述图结构中节点的特征向量添加噪声;在消息传递过程中以预设概率屏蔽来自特定邻居的聚合消息。
24、在本系统方案的一实施方式中,所述多维度一致性分析模块包括结构一致性评估子模块和语义一致性评估子模块;
25、所述结构一致性评估子模块配置成用于确定任意两个候选答案所对应的扰动后图结构中检索到的图结构信息之间的表示距离并确定表示漂移度量值,确定任意两个候选答案所对应的检索到的图结构信息之间的节点重合度和/或边重合度并确定结构重合度量值,将所述表示漂移度量值与所述结构重合度量值进行融合得到结构一致性度量值;
26、所述语义一致性评估子模块配置成用于将所述k个候选答案分别映射为语义向量并进行聚类处理以确定第一语义一致性分量,将每个候选答案及其对应的提示信息输入所述语言模型以获取第二语义一致性分量,将所述第一语义一致性分量与所述第二语义一致性分量进行融合得到语义一致性度量值。
27、在本系统方案的一实施方式中,所述答案输出模块还用于输出所述最终答案对应的解释信息,所述解释信息至少包括以下之一:所述最终答案所对应的扰动后图结构的扰动类型描述、所述最终答案所对应的图结构信息的节点与边信息、所述最终答案的综合一致性得分。
28、本发明与现有技术相比具有以下有益效果:
29、第一,本发明通过在推理阶段对图结构执行多次独立扰动并生成多个“可能世界”,有效模拟了真实场景中数据缺失、关系错误、时效性差异等不确定性因素,显著降低了对单一路径噪声和节点表示漂移的敏感性,从而克服了现有图神经网络-语言模型融合方法因依赖单一图表示进行推理所导致的稳定性不足问题。
30、第二,本发明通过从结构一致性和语义一致性两个维度对候选答案进行综合评估与融合,克服了传统单一维度投票机制的局限性,实现了对“图结构层面的推理路径是否稳定”和“答案语义层面的推理结果是否一致”这两个正交问题的独立判断与联合决策。与dcmkc等仅在推理过程中进行一致性对齐的方法相比,本发明是在推理完成后对多个候选答案进行最终的综合评估与融合。
31、第三,本发明通过输出融合答案及对应的可解释信息与一致性得分,增强了系统的可解释性与用户信任度,能够满足资本市场等高可靠性场景对分析结果可信度的严格要求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com