一种基于大模型数据处理技术的建议内容整合处理系统的制作方法

摘要: 本发明涉及人工智能与自然语言处理,具体涉及一种基于大模型数据处理技术的建议内容整合处理系统。背景技术:1、随着大语言模型技术的快速发展,基于大模型生成建议内容已...
一种基于大模型数据处理技术的建议内容整合处理系统的制作方法

本发明涉及人工智能与自然语言处理,具体涉及一种基于大模型数据处理技术的建议内容整合处理系统。

背景技术:

1、随着大语言模型技术的快速发展,基于大模型生成建议内容已成为企业决策支持、技术研发、商业分析等领域的重要应用方向。然而,大语言模型在生成建议内容时普遍存在“幻觉”(hallucination)问题,即模型在缺乏相关知识或推理依据的情况下,生成表面上合理但实际错误或缺乏事实依据的内容。在建议内容整合处理这一对事实准确性要求极高的场景中,幻觉问题的影响尤为突出,具体表现为:模型会编造不存在的技术参数、虚构案例数据、混淆不同来源的信息,或生成逻辑自洽但与事实相悖的结论,从而严重降低建议内容的可信度和实际应用价值。

2、目前,已有相关技术尝试从不同角度抑制大模型的幻觉问题。例如,有方案通过构建知识向量数据库,在生成前检索外部知识并评估其与查询文本的相关程度来筛选上下文信息;有方案通过提纲引导与引用标记实现源头控幻觉,并对生成内容进行出处一致性校验与外部信息核实;还有方案通过将大模型生成内容与原文分别构建知识图谱并进行相似度计算,实现生成内容的可信度量化评价。

3、然而,上述现有技术仍存在以下不足:

4、第一、现有方案多侧重于生成前的知识检索增强或生成后的内容校验,缺乏覆盖“生成前知识锚定—生成中动态约束—生成后分层校验—修正迭代”全流程的系统化幻觉抑制架构;

5、第二、现有技术对建议内容的生成过程缺乏结构化的推理约束与置信度评估机制,难以实现对建议结论的推理链条进行逐级检验与可信度量化,导致建议内容的可解释性和可审计性不足;

6、第三、现有方案在事实校验环节多以单一粒度为主,缺乏句子级主张校验与实体级事实校验相结合的分层校验机制,且校验结果与修正环节之间缺乏有效的闭环反馈,难以形成持续的自我优化;

7、第四、现有知识库多为静态配置,无法根据系统使用过程中遇到的新实体、新知识进行动态更新与自适应优化,限制了系统在动态变化的应用场景中的适应能力。

8、因此,需要一种基于大模型数据处理技术的建议内容整合处理系统来解决现有技术中存在的问题。

技术实现思路

1、本发明旨在至少在一定程度上解决上述技术中的技术问题之一。

2、为达到上述目的,本发明第一方面提出了一种基于大模型数据处理技术的建议内容整合处理系统,包括:

3、多源知识锚定与动态知识图谱构建模块,用于接收建议生成请求,对所述建议生成请求进行实体识别与消歧处理以提取核心实体,将所述核心实体与预构建的领域知识图谱进行匹配锚定,并对未锚定的实体启动实时事实核查通道以获取验证信息并构建临时知识锚点;建议类型识别与动态约束配置模块,连接所述多源知识锚定与动态知识图谱构建模块,用于根据所述建议生成请求解析建议类型,匹配与所述建议类型对应的结构化输出模板,并根据所述建议类型配置大语言模型的解码参数;多候选结构化推理与综合置信度评估模块,连接所述建议类型识别与动态约束配置模块,用于驱动大语言模型并行生成n个结构化候选建议内容,每个所述结构化候选建议内容包括建议结论和推理步骤链,所述推理步骤链中的每个推理步骤均附带自评置信度,并对每个所述结构化候选建议内容进行置信度评估以选取综合置信度最高的结构化候选建议内容作为最优候选建议内容;分层事实校验与溯源比对模块,连接所述多候选结构化推理与综合置信度评估模块,用于对所述最优候选建议内容执行句子级校验和实体级校验,并为通过校验的内容建立确定性溯源链接;闭环迭代修正与自适应优化模块,连接所述分层事实校验与溯源比对模块,用于对校验未通过的内容进行诊断并根据诊断结果执行修正,迭代执行直至满足收敛条件时输出最终建议内容,并将迭代过程数据存入反馈数据库。

4、另外,根据本发明上述提出的一种基于大模型数据处理技术的建议内容整合处理系统还可以具有如下附加的技术特征:

5、进一步地,所述多源知识锚定与动态知识图谱构建模块包括:命名实体识别子模块,用于从所述建议生成请求中提取命名实体;实体链接与消歧子模块,用于将提取的所述命名实体与所述领域知识图谱进行匹配,并对存在歧义的实体执行上下文消歧处理;实时事实核查子模块,用于对所述领域知识图谱中不存在的实体,从外部可信数据源获取验证信息并构建所述临时知识锚点;动态知识图谱更新子模块,用于将所述临时知识锚点写入所述领域知识图谱。

6、进一步地,所述建议类型包括技术建议、商业建议、合规建议、操作建议和战略建议,所述结构化输出模板库中预先存储有与各建议类型一一对应的结构化输出模板。

7、进一步地,所述解码参数包括温度系数、核采样阈值和对数偏置掩码,所述建议类型识别与动态约束配置模块根据所述建议类型对事实准确性的敏感度等级调节所述温度系数的取值。

8、进一步地,所述置信度评估包括对立检查、蕴含检查和步骤置信度计算,其中,所述对立检查为构造所述建议结论的对立命题并评估大语言模型对所述对立命题的置信度以获取对立置信度;所述蕴含检查为判断所述建议结论是否由所述推理步骤链逻辑蕴含以获取蕴含置信度;所述步骤置信度为所述推理步骤链中各推理步骤自评置信度的最小值。

9、进一步地,所述综合置信度按照以下公式计算:;其中,为所述综合置信度,为所述对立置信度,为所述蕴含置信度,为所述步骤置信度,为预设权重系数,且。

10、进一步地,所述分层事实校验与溯源比对模块中,所述句子级校验为将所述最优候选建议内容拆解为若干独立的主张句并与所述领域知识图谱中的事实进行一致性比对,所述实体级校验为提取所述最优候选建议内容中的核心实体并逐一验证其真实性。

11、进一步地,所述闭环迭代修正与自适应优化模块中,所述诊断为识别校验失败的具体环节并分析失败原因,所述失败原因包括知识图谱缺失、模型推理偏差和实体消歧错误,所述修正包括:对于知识图谱缺失触发外部数据源的补充检索与知识图谱更新,对于模型推理偏差调整解码参数并重新生成,对于实体消歧错误重新执行实体链接与消歧处理。

12、进一步地,所述收敛条件为综合置信度、步骤置信度和蕴含置信度均超过各自预设阈值,所述反馈数据库存储每次迭代的输入数据、输出数据与校验结果数据,用于优化后续修正策略的参数配置。

13、为达到上述目的,本发明第二方面提出了实现第一方面的一种基于大模型数据处理技术的建议内容整合处理方法,包括以下步骤:

14、s1:接收建议生成请求,执行实体识别与消歧处理以提取核心实体,将所述核心实体与领域知识图谱进行匹配锚定,对未锚定的实体启动实时事实核查并更新所述领域知识图谱;s2:解析建议类型,匹配对应的结构化输出模板,配置大语言模型的解码参数;s3:驱动大语言模型并行生成n个结构化候选建议内容,每个所述结构化候选建议内容包括建议结论和推理步骤链,所述推理步骤链中的每个推理步骤均附带自评置信度;s4:对每个所述结构化候选建议内容进行置信度评估,选取综合置信度最高的结构化候选建议内容作为最优候选建议内容;s5:对所述最优候选建议内容执行句子级校验和实体级校验,为通过校验的内容建立确定性溯源链接;s6:对校验未通过的内容进行诊断并根据诊断结果执行修正;s7:重复执行步骤s4至s6,直至满足收敛条件时输出最终建议内容,并将迭代过程数据存入反馈数据库。

15、本发明与现有技术相比,具有以下有益效果:

16、1.通过构建覆盖“生成前知识锚定—生成中动态约束—生成后分层校验—修正迭代”全流程的五层递进式闭环架构,实现了对大模型建议内容幻觉问题的系统性抑制;

17、2.通过多候选并行结构化推理与三重置信度评估机制(对立检查、蕴含检查、步骤置信度计算),实现了对建议结论推理链条的逐级检验与可信度量化,显著提升了建议内容的可解释性和可审计性;

18、3.通过句子级主张校验与实体级事实校验相结合的分层校验机制,以及校验结果与修正环节之间的闭环反馈,实现了建议内容事实准确性的持续优化;

19、4.通过动态知识图谱与临时知识锚点机制,使系统能够根据使用过程中遇到的新实体、新知识进行动态更新与自适应优化,提升了系统在动态变化的应用场景中的适应能力;

20、5.通过建议类型识别与动态约束配置,实现了场景自适应的生成控制,兼顾了不同建议类型对事实准确性和创造性的差异化需求。