一种基于大语言模型的孤独症社会认知专域知识库构建方法及系统与流程
本发明涉及专域知识库构建,尤其涉及一种基于大语言模型的孤独症社会认知专域知识库构建方法及系统。
背景技术:
1、孤独症谱系障碍是一类以社会交往和沟通障碍为核心特征的神经发育障碍。社会认知技能干预是孤独症儿童特殊教育的重要组成部分,而高质量的专域知识库是实现个性化、智能化干预方案生成的基础设施。
2、然而,现有的社会认知知识库构建技术存在以下缺陷:
3、先决条件仅做有无判断,缺乏个体化程度量化。现有知识库依赖通用儿童发展里程碑数据,仅以“是先决条件”或“不是先决条件”两种状态对技能依赖关系进行二值化定义,默认儿童在掌握高阶技能前须充分掌握全部先决技能;然而孤独症儿童具有典型的“孤岛技能”现象,高阶认知技能相对超前而基础社交技能严重滞后,其技能发展序列与典型发育轨迹存在显著偏差;这种二值化的先决关系定义无法反映孤独症儿童个体间的发展差异,导致知识库输出的干预路径与实际能力不匹配,降低了干预方案生成的精准性;
4、通用大语言模型知识提取缺乏专域约束,输出可靠性不足。大语言模型在预训练过程中编码了大量社会认知与行为干预知识,是构建专域知识库的潜在知识来源。但现有方法采用通用提示词进行知识提取,未引入孤独症临床诊断标准、循证干预理论等专域约束条件,导致提取的知识单元与干预实际需求偏离,所生成内容的准确性和可追溯性不足,难以作为专域知识库的可靠知识来源;
5、缺乏多维泛化难度的结构化度量。泛化困难是孤独症儿童技能干预中的核心挑战之一,体现为不同场景、人物、刺激物等条件下的技能迁移障碍。现有知识库未建立训练条件之间的量化差异度量体系,仅将不同训练条件视为可替换的内容容器,无法根据学习者的泛化能力阈值规划渐进的训练条件序列,制约了知识库在实际教育场景中的应用效果。
6、综上所述,现有技术在孤独症社会认知知识库构建方面,存在先决关系量化缺失、知识提取专域约束不足、训练条件间泛化难度缺乏结构化建模等问题,亟需一种能够实现个性化依赖建模、专域约束知识提取和渐进式泛化路径规划的知识库构建方法。
7、因此,本发明提出了一种基于大语言模型的孤独症社会认知专域知识库构建方法及系统来解决上述问题。
技术实现思路
1、本发明针对现有技术的不足,提出了一种基于大语言模型的孤独症社会认知专域知识库构建方法及系统,本发明通过构建孤独症加权依赖术语图谱、设计循证探针引导大语言模型定向提取专域知识并转译为结构化知识单元、建立跨条件泛化难度矩阵,可以实现专域知识的系统化建模与渐进式泛化路径生成,支撑孤独症社会认知干预的个性化与循证化方案构建。
2、一方面,本发明解决技术问题的技术方案为一种基于大语言模型的孤独症社会认知专域知识库构建方法,包括以下步骤:
3、s1、获取儿童社会认知技能发展领域的多源异构数据,并进行技能术语提取,生成表征目标对象孤独症相关功能水平的表型功能画像向量;基于表型功能画像向量计算术语之间的先决条件强度值,将先决条件强度值与从多源异构数据中提取的多种语义关系度量值融合,生成以图数据结构存储的孤独症社会认知技能加权依赖术语图谱;
4、s2、以术语图谱为结构化知识锚点,生成多维社会认知专域循证探针集;将循证探针集输入预训练大语言模型,在预训练大语言模型的前向传播过程中,以根据术语图谱生成的注意力掩码矩阵引导注意力权重向与孤独症相关的术语位置集中,采集预训练大语言模型各层的激活响应,生成神经元激活响应矩阵;对神经元激活响应矩阵进行聚类,根据聚类结果识别孤独症特异性神经元簇;
5、s3、提取孤独症特异性神经元簇的激活响应特征,将激活响应特征与术语图谱进行多维语义映射,将孤独症特异性神经元簇转译为结构化格式的孤独症社会认知技能专域知识单元集;
6、s4、基于术语图谱生成干预条件多维特征向量,结合表型功能画像向量计算个性化跨条件泛化难度值并构建跨条件泛化难度矩阵;分别以先决条件强度、泛化难度为边权搜索生成技能路径与泛化路径,交叉组合得到二维干预矩阵;结合专域知识单元集对二维干预矩阵进行可行域映射,构建多维泛化索引框架;以术语图谱为约束对索引条目执行一致性校验,将通过校验的条目存入孤独症社会认知专域知识库。
7、步骤s1中表型功能画像向量至少包含语言功能水平、认知功能水平、适应行为水平和感觉处理特征维度,各维度依据标准化评估工具的量表常模百分位切点进行分段映射得到量化值;
8、其中,语言功能水平、认知功能水平和适应行为水平均映射至0~3分;感觉处理特征映射至[0,1]区间,感觉处理特征至少包含过度反应、寻求、回避和低反应感觉处理模式维度的量化值。
9、步骤s1中计算术语之间的先决条件强度值的操作为:
10、从多源异构数据中提取孤独症儿童技能习得纵向追踪数据,纵向追踪数据包含各技能术语在不同时间点的掌握状态时间戳;对任意两个技能术语组成的技能对,计算两技能的掌握状态时间戳之差,仅在时保留该技能对作为有效样本,表示从掌握第一个技能到第二个技能所历经的天数;
11、再依据儿童典型发展里程对照表读取两个技能的发展阶段编号,计算该技能对的发展阶段差异值;根据发展阶段差异值对全部有效样本技能对的时间间隔进行分组,将相同发展阶段差异值的划分到同一组,按从小到大排序,再为每组单独设定阈值,将小于阈值的技能对标记为强先决关系,其它技能对标记为弱先决关系;全部技能对的标签构成先决条件依赖关系强度数据集;
12、以先决条件依赖关系强度数据集的标签为预测目标,以表型功能画像向量、发展阶段差异值、技能对中两个技能的孤独症习得延迟系数为输入特征,以交叉熵损失最小为目标训练逻辑回归模型,获得权重参数和偏置参数;训练完成后,对每对技能对计算先决条件强度值;
13、设定先决条件强度值阈值,对任意技能对,每个技能术语为术语图谱中的一个节点,当时,在术语图谱中添加从节点到节点的有向边并将作为该有向边的边权值;当时,不生成有向边或生成边权值为0的有向边。
14、步骤s1中多种语义关系度量值包括:
15、从多源异构数据中提取的术语之间的层级关系度量值、策略循证有效性度量值、情境适用覆盖度度量值;
16、将语义关系度量值与先决条件强度值共同作为边权值写入术语图谱,表示技能术语节点集合,表示有向边集合,表示边权值集合。
17、步骤s2中生成多维社会认知专域循证探针集的操作为:
18、以术语图谱中的节点和边权值为结构化知识锚点,设置探针模板,其中表示术语图谱中任一技能术语节点,用于表示探针所对应的目标技能,表示情境类型词表中任一情境类别标识,用于表示探针所设定的训练场景类型,表示情境时空参数向量,包括训练场景中的人员数量、感觉刺激负荷、社会认知复杂度和社交伙伴熟悉度分量,各分量取值均归一化至[0,1]区间;探针模板包含以下维度:
19、(a)孤独症特征标注维度:存储从术语图谱的节点属性中读取的dsm-5 孤独症核心障碍类型标记编码;
20、(b)发展里程碑语义增强维度:存储从术语图谱的节点属性中读取的目标技能的标准发展阶段编码、孤独症特有发展里程碑指标编码和习得延迟系数;
21、(c)先决技能与教学策略维度:存储从术语图谱的有向边中,按先决条件强度值满足预设强先决阈值条件筛选得到的先决技能术语标识集合,以及按策略循证有效性度量值满足预设有效阈值条件筛选得到的循证教学策略标识集合;
22、(d)情境时空参数维度:存储干预情境类型编码、社会认知复杂度编码、社交伙伴类型编码和感觉刺激负荷数值;
23、以术语图谱的全部节点集合作为枚举范围,确定技能术语枚举轴;以干预情境类型词表中的每一情境类型为基础,结合情境时空参数向量中各分量的等距采样点,枚举生成全部候选情境参数组合,确定情境参数枚举轴;按表型功能画像向量的功能水平分层设定的多个代表性剖面,确定表型功能画像枚举轴,其中,对应底功能剖面、中低功能剖面、中功能剖面、高功能剖面,用表示第个代表性孤独症表型功能画像剖面;
24、通过技能术语枚举轴、情境参数枚举轴和表型功能画像枚举轴进行三维枚举,对每个枚举组合按探针模板逐项填充数据生成探针实例,经可行性过滤后,将所有探针实例以结构化文本格式存储于计算机可读存储介质中,得到循证探针集pb。
25、步骤s2中以根据术语图谱生成的注意力掩码矩阵引导注意力权重的操作为:
26、构造附着于预训练大语言模型的注意力掩码生成子网络,注意力掩码生成子网络读取预训练大语言模型的嵌入层输出序列表示和术语图谱中的专业特征;其中,表示输入序列的token长度,表示预训练大语言模型的隐藏层维度;
27、注意力掩码生成子网络对每个序列位置计算术语重要性得分:
28、,
29、其中,表示第个位置的多源特征拼接向量,表示可学习线性投影矩阵,表示可学习偏置,表示sigmoid激活函数;
30、将所有位置的术语重要性得分组成注意力掩码权重向量,进而计算注意力掩码矩阵:
31、,
32、其中,,以加性偏置形式叠加至预训练大语言模型的多头自注意力计算的缩放点积得分上,计算公式如下:
33、,
34、其中,、、分别表示查询矩阵、键矩阵和值矩阵,表示键向量的维度。
35、步骤s2中对神经元激活响应矩阵进行聚类并根据聚类结果识别孤独症特异性神经元簇的操作为:
36、通过注册前向钩子采集预训练大语言模型各层前馈网络在循证探针集pb各探针输入下的激活张量,经序列维度最大池化和逐元素截零后纵向拼接,构建神经元激活响应矩阵,其中为全部层神经元总数,为探针总数;
37、提取神经元激活响应矩阵中每个神经元的时域特征和空域特征,加权融合为综合特征向量:以综合特征向量为输入,执行ward层次聚类,以轮廓系数最大化确定聚类簇的最优数量,输出个聚类簇;
38、计算神经元激活响应矩阵的全局均值和全局标准差,对于每个聚类簇,按下式计算激活聚焦度:
39、,
40、其中,表示第个聚类簇,的取值范围为1至;表示示性函数,当括号内条件成立时取值为1,否则为0;表示神经元在探针上的激活响应值,表示循证探针集 pb 内探针总数,表示聚类簇内的神经元数量,表示聚类簇的激活聚焦度;
41、设置激活聚焦度阈值,将的聚类簇识别为孤独症特异性神经元簇予以保留,将不满足该条件的聚类簇作为通用语言模式簇予以丢弃。
42、步骤s3中将孤独症特异性神经元簇转译为结构化格式的专域知识单元集的操作为:
43、孤独症特异性神经元簇表示为,的取值范围为1至,表示被识别为孤独症特异性神经元簇的数量,,表示聚类簇的最优数量;对每个孤独症特异性神经元簇,从神经元激活响应矩阵中提取该簇的簇-探针激活向量,,其中,,表示所有神经元在探针上激活响应值求和;
44、以簇-探针激活向量为权重对所有技能术语依次计算加权激活得分,取得分最高的技能术语作为主技能概念,并计算概念聚焦度置信度,计算如下:
45、,
46、其中,表示技能术语集合中的技能术语,同和,;
47、设置概念聚焦度置信度阈值,当时,将该簇标记为混合概念簇并丢弃;
48、设置强激活探针判定条件:,表示比例系数;
49、将满足上述条件的孤独症特异性神经元簇定义强激活探针集合,取该强激活探针集合中所有探针携带的孤独症发展阶段编码的众数作为发展阶段编码;
50、对于情境类型词表s中的每个情境类型s计算情境激活强度,以最大情境激活强度为基准归一化,取归一化值不低于预设的情境激活强度阈值的情境类型词表作为孤独症特异性神经元簇的情境适用范围编码;
51、孤独症特异性神经元簇在情境上的激活强度表示为:
52、,
53、其中,表示遍历所有满足条件“探针术语情境类型s”的探针;
54、以主技能概念为键查询术语图谱获取教学策略标识集合;
55、根据教学策略标识集合对应的循证有效性值和文献证据数量确定循证证据等级编码;
56、聚合上述主技能概念、发展阶段编码、情境适用范围编码、推荐教学策略集合和循证证据等级编码,生成结构化知识单元记录,经过滤后将全部知识单元记录以表格形式存储于计算机可读存储介质中,得到专域知识单元集ku。
57、步骤s4具体操作为:
58、以术语图谱中的情境节点和干预条件参数维度词表为基础,生成干预条件多维特征向量;其中,干预条件参数维度词表源于干预手册及临床实践指南,经术语提取与专家校准构建而成;
59、干预条件多维特征向量,其中为特征维度总数,干预条件多维特征向量的维度至少包括干预情境类型、刺激材料类别、社交伙伴类型、指令形式类别、反应形式类别、社会认知复杂度及感觉刺激负荷;由全部有效参数组合枚举干预条件集合,为干预条件总数;
60、对任意两个干预条件,计算各维度特征差异的加权和作为跨条件泛化难度值,并根据表型功能画像向量对跨条件泛化难度值进行个性化缩放,将全部干预条件两两组合的个性化缩放后的跨条件泛化难度值以数值矩阵形式存储,生成跨条件泛化难度矩阵;
61、以术语图谱中的先决条件强度值为边权搜索技能路径,以泛化难度矩阵中的数值为边权搜索泛化路径,将技能路径与泛化路径交叉组合生成二维干预矩阵并持久化为多维泛化索引框架;
62、依据专域知识单元集对二维干预矩阵进行可行域映射,对于二维干预矩阵中任意网格位置,从专域知识单元集ku中查询是否存在知识单元,若二维干预矩阵中任意网格位置对应的技能术语与知识单元的主技能概念匹配,且当前网格位置对应的干预条件属于该知识单元的情境适用范围,则该网格位置有知识支撑,标记为知识覆盖格,并记录该知识单元的标识;其余标记为知识缺口;
63、再将完成可行域映射的二维干预矩阵持久化为多维泛化索引框架,其中每个索引条目存储目标技能标识、干预条件标识、先决技能路径片段、关联知识单元标识及缺口标记、推荐教学策略标识集合及循证证据等级编码;
64、以术语图谱中的节点顺序和边权关系为约束,对多维泛化索引框架中的索引条目执行发展序列一致性校验、路径完整性校验和发展阶段适宜性校验,将通过校验的索引条目存入孤独症社会认知专域知识库。
65、另一方面,本发明还提供了一种基于大语言模型的孤独症社会认知专域知识库构建系统,包括:一个或多个处理器;以及计算机可读存储介质,存储有计算机程序指令,所述计算机程序指令在被所述一个或多个处理器执行时,使所述系统执行一种基于大语言模型的孤独症社会认知专域知识库构建方法。
66、 技术实现要素: 中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案具有如下优点或有益效果:
67、本发明公开了一种基于大语言模型的孤独症社会认知专域知识库构建方法及系统,通过表型功能画像驱动的先决强度量化机制,精准建模孤独症非线性发展偏差;本发明构建包含语言、认知、适应行为和感觉处理维度的表型功能画像向量,并引入asd习得延迟系数和发展阶段差异作为输入特征,通过逻辑回归模型学习得到个体化的先决条件强度值。该值作为连续权重,将孤独症碎片技能现象显式编码至术语图谱的有向边中,使路径规划能够依据学习者实际能力状态自适应调整技能推进序列,克服了通用发展里程碑的统计偏差,提升了知识库输出的方案与实际能力的匹配精度。
68、通过探针引导的神经激活定向聚焦,降低专域知识提取的语义漂移;本发明以术语图谱为唯一知识锚点,构建专域循证探针模板,并通过动态注意力掩码生成子网络为每条探针实时生成注意力偏置矩阵,在模型前向传播中将多头注意力定向聚焦于社会认知技能术语位置。该机制使采集到的神经元激活信号在到达钩子前已完成专域语义富集,后续经层次聚类和聚焦度过滤识别的孤独症特异性神经元簇编码的是社会认知概念而非通用语言模式;最终通过五维映射将激活响应转译为可解释、可追溯的结构化知识单元,从机制上抑制了通用提示词方式的语义漂移,保证了知识库内容的专域相关性和来源可追溯性。
69、通过跨条件泛化难度矩阵,实现训练条件的结构化度量与渐进路径规划;本发明构建涵盖多维度干预条件的特征向量,定义了任意两条件间的泛化难度值,并依据学习者适应行为水平与感觉敏感度进行个性化缩放,进而以泛化能力阈值为硬约束自动规划渐进泛化路径。该机制将泛化路径规划从依赖人工经验提升为可量化计算的结构化过程,使知识库输出的训练条件序列与学习者实际泛化能力相匹配,解决了训练条件选择缺乏量化依据的问题,为渐进式技能迁移提供了结构化的索引支撑。
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