一种基于自适应RAG的育苗知识库动态更新与精准推送方法

摘要: 本发明涉及智慧农业信息处理,特别是涉及一种基于自适应rag的育苗知识库动态更新与精准推送方法。背景技术:1、育苗是农业生产过程中的重要环节,育苗期间的环境调控、...
一种基于自适应RAG的育苗知识库动态更新与精准推送方法

本发明涉及智慧农业信息处理,特别是涉及一种基于自适应rag的育苗知识库动态更新与精准推送方法。

背景技术:

1、育苗是农业生产过程中的重要环节,育苗期间的环境调控、苗情管理、病虫害防治及水肥管理直接影响苗株成活和后续生产。随着农业信息化程度提高,育苗技术资料已由传统技术手册和专家经验扩展至农业科研论文、技术指导文件、教学视频、苗情图像及用户实际育苗记录等多种数据形式。不同来源的数据在内容结构、表达形式和更新周期方面存在差异,并且育苗知识与作物类型、育苗阶段、地域条件、环境参数及病虫害状态具有较强关联。同一管理措施在不同作物或者不同育苗阶段下可能具有不同的适用条件,因此,仅依靠固定知识库或者关键词检索难以持续提供与当前育苗场景相匹配的知识内容。

2、检索增强生成技术通过在语言模型生成答案之前检索外部知识,可以利用知识库内容对生成过程进行约束,目前已经被应用于农业知识问答和知识推荐。现有公开方案中,cn121614587a涉及基于知识图谱与增强生成的农业智能问答,cn119226454a涉及检索增强生成和大模型农业知识问答,cn117370506a涉及多模态、多轮对话农业智能问答,cn117540026b涉及结合用户属性和历史行为的农业知识推荐;此外,cn121390297a涉及时空知识图谱和分层提示生成,cn119782476a涉及农业问答流程及回答结果评价,cn122287922a涉及农田多模态数据融合和决策归因。上述技术已经能够分别利用知识图谱、向量知识库、多模态数据、语言模型、用户属性或者反馈评价完成农业知识检索、问答生成或知识推荐,为农业知识服务提供了相应的技术基础。

3、但是,育苗知识不仅具有较强的场景依赖性,还会随育苗阶段推进、环境条件变化、新知识加入及实际应用反馈发生变化。现有农业知识问答或者推荐方法在获得候选知识后,通常主要依据语义相似程度、知识图谱关系或者用户偏好进行筛选,难以同时反映候选知识与用户长期育苗特征的匹配程度、与当前育苗场景的适配程度、知识发布时间及维护状态、知识来源可靠程度以及历史应用反馈的可信程度。当语义相似的知识对应不同作物、不同育苗阶段、不同环境参数范围或者不同病虫害状态时,仅依据语义相关程度容易使已经过时或者不适用于当前场景的知识进入生成上下文或取得较高推荐优先级。

4、另一方面,现有知识库更新通常侧重知识内容增加、权重调整或者周期性索引重建,用户反馈也多被用于更新用户偏好或评价回答结果。对于用户采纳推荐内容后形成的成活率、产量、病虫害发生率变化及环境参数达标情况等实际应用结果,尚缺少与知识可信状态、场景冲突状态及索引维护过程相结合的处理方式。当某项知识在不同用户或者不同育苗场景下持续表现出应用效果偏差时,如果仅降低推荐权重而未同步调整知识置信度、跨模态关联关系以及对应向量索引,该知识仍可能在后续检索过程中重复进入候选集合;若每次知识变化均重新构建全部向量索引,又会增加知识库持续维护过程中的计算量。

5、因此,现有技术仍有必要解决育苗知识检索、反馈验证和知识库更新彼此相对独立的问题,使候选知识的筛选能够同时结合用户状态、当前育苗场景、知识时效状态、知识来源和历史反馈,识别与当前场景存在冲突或者可信程度较低的知识,并使实际应用反馈能够进一步参与知识状态及相关索引的更新,从而适应育苗阶段持续变化条件下的知识检索和主动推送需求。

技术实现思路

1、本发明的目的是提供一种基于自适应rag的育苗知识库动态更新与精准推送方法,可解决现有育苗知识服务中知识片段筛选依据单一、场景冲突知识缺少抑制、用户反馈难以反映实际应用效果以及知识更新难以联动向量索引刷新的问题,实现面向动态用户画像和当前育苗场景的可信检索、反馈驱动知识更新以及精准推送,提高育苗知识服务的适配性和可靠性。

2、为实现上述目的,本发明提供了如下方案:

3、一种基于自适应rag的育苗知识库动态更新与精准推送方法,包括:

4、基于育苗知识库构建多层级向量索引库;

5、基于用户的历史育苗数据、查询记录和行为偏好构建动态用户画像,并形成用户画像向量;

6、根据用户当前育苗作物、育苗时间和环境参数形成场景上下文;场景上下文包括根据当前育苗作物和育苗时间确定的当前育苗阶段;

7、融合由用户查询形成的查询向量和用户画像向量,在多层级向量索引库中检索相关知识片段;

8、确定相关知识片段与动态用户画像之间的门控融合相似度、相关知识片段与场景上下文之间的场景相关性、相关知识片段的知识新鲜度和来源权威度、相关知识片段对应的反馈可信度以及相关知识片段相对于场景上下文的冲突惩罚因子,形成综合推荐得分,并按照综合推荐得分对相关知识片段进行重排序;

9、基于重排序后的相关知识片段构建结构化上下文信息,将用户查询和结构化上下文信息输入领域适配语言模型,生成答案;

10、采集用户反馈和采用答案后的实际应用效果,更新用于构建结构化上下文信息的相关知识片段对应的反馈可信度,并确定应用效果偏差,根据更新后的反馈可信度、应用效果偏差、冲突惩罚因子以及对应知识的发布时间与当前时间之间的时间差形成知识更新触发值;

11、当知识更新触发值满足预设更新条件时,更新用于构建结构化上下文信息的相关知识片段对应的知识权重和知识置信度,对受更新影响的知识执行增量向量重算并刷新对应层级索引;

12、基于更新后的育苗知识库、动态用户画像和当前育苗阶段形成个性化知识推荐列表,并推送个性化知识推荐列表中的推荐内容。

13、优选地,基于育苗知识库构建多层级向量索引库,包括:

14、获取育苗知识库中的文本知识、视频知识和图像知识;

15、基于作物类型、育苗阶段、病虫害类型和环境参数建立文本知识、视频知识和图像知识之间的跨模态关联关系,形成统一的多源知识表示;

16、将文本知识、视频知识和图像知识分别转换为对应的向量表示;

17、按照领域、作物类型、育苗阶段和知识类型设置层级索引节点;

18、根据统一的多源知识表示对应的领域、作物类型、育苗阶段和知识类型,将向量表示写入对应的层级索引节点,形成多层级向量索引库。

19、优选地,融合由用户查询形成的查询向量和用户画像向量,在多层级向量索引库中检索相关知识片段,包括:

20、根据动态用户画像、场景上下文以及育苗知识的发布时间和更新频率,确定多层级向量索引库中的检索范围;

21、融合查询向量和用户画像向量,形成个性化查询表示;

22、基于个性化查询表示,在检索范围内进行向量检索,得到相关知识片段。

23、优选地,确定相关知识片段与动态用户画像之间的门控融合相似度、相关知识片段与场景上下文之间的场景相关性、相关知识片段的知识新鲜度和来源权威度、相关知识片段对应的反馈可信度以及相关知识片段相对于场景上下文的冲突惩罚因子,形成综合推荐得分,并按照综合推荐得分对相关知识片段进行重排序,包括:

24、分别确定每一相关知识片段对应的门控融合相似度、场景相关性、知识新鲜度、来源权威度、反馈可信度和冲突惩罚因子;

25、分别对门控融合相似度、场景相关性、知识新鲜度、来源权威度和反馈可信度进行加权,将加权后的冲突惩罚因子作为扣减项,形成综合评价结果;

26、对综合评价结果进行归一化处理,形成综合推荐得分;

27、按照综合推荐得分对相关知识片段进行重排序。

28、优选地,门控融合相似度的确定,包括:

29、获取相关知识片段和动态用户画像在各画像特征维度上的归一化取值;

30、根据相关知识片段和动态用户画像在对应画像特征维度上的归一化取值以及对应画像特征维度的权重,确定加权方向相似度;

31、根据相关知识片段和动态用户画像在对应画像特征维度上的差异以及对应画像特征维度的差异衰减系数,确定画像特征差异衰减项;

32、根据各画像特征维度上相关知识片段的归一化取值与动态用户画像的归一化取值之间的交互关系,确定门控系数;

33、利用门控系数调节加权方向相似度和画像特征差异衰减项在相似度计算中的占比,形成门控融合相似度。

34、优选地,场景相关性、知识新鲜度和来源权威度的确定,包括:

35、根据相关知识片段与场景上下文在育苗时间、地域、育苗阶段、环境参数和病虫害状态对应场景维度上的差异以及各场景维度的权重,确定场景相关性;

36、根据相关知识片段的发布时间与当前时间之间的时间差以及相关知识片段的更新频率,确定知识新鲜度;

37、根据相关知识片段的知识来源类型、发布主体资质、专家审核状态和历史反馈稳定性,确定来源权威度。

38、优选地,反馈可信度和冲突惩罚因子的确定,包括:

39、获取相关知识片段对应的满意度评分、采纳标记和实际应用效果达标值;

40、对满意度评分、采纳标记和实际应用效果达标值进行加权和归一化处理,确定反馈可信度;

41、根据相关知识片段与场景上下文在作物类型、育苗阶段、环境参数和病虫害状态上的冲突程度,确定冲突风险值;

42、当冲突风险值超过预设冲突起算阈值时,根据冲突风险值超过预设冲突起算阈值的程度确定冲突惩罚因子;

43、当冲突风险值未超过预设冲突起算阈值时,将冲突惩罚因子确定为零。

44、优选地,采集用户反馈和采用答案后的实际应用效果,更新用于构建结构化上下文信息的相关知识片段对应的反馈可信度,并确定应用效果偏差,根据更新后的反馈可信度、应用效果偏差、冲突惩罚因子以及对应知识的发布时间与当前时间之间的时间差形成知识更新触发值,包括:

45、采集满意度反馈、采纳反馈和追问反馈,形成用户反馈;

46、采集用户采用答案后的成活率、产量、病虫害发生率变化和环境参数达标情况中的至少一种,形成实际应用效果;

47、根据用户反馈和实际应用效果,更新用于构建结构化上下文信息的相关知识片段对应的反馈可信度;

48、根据答案对应的预期应用结果与实际应用效果之间的差异,确定应用效果偏差;

49、确定用于构建结构化上下文信息的相关知识片段对应知识的发布时间与当前时间之间的时间差;

50、分别将更新后的反馈可信度、应用效果偏差、冲突惩罚因子和时间差与对应的预设触发阈值进行比较;

51、根据满足对应触发条件的数量形成知识更新触发值。

52、优选地,当知识更新触发值满足预设更新条件时,更新用于构建结构化上下文信息的相关知识片段对应的知识权重和知识置信度,对受更新影响的知识执行增量向量重算并刷新对应层级索引,包括:

53、根据更新后的反馈可信度和应用效果偏差,调整相关知识片段对应的知识权重和知识置信度;

54、根据知识验证结果更新相关知识片段对应知识之间的跨模态关联关系;

55、将知识权重、知识置信度或跨模态关联关系发生变化的知识确定为受更新影响的知识;

56、确定与受更新影响的知识存在关联关系的相邻知识;

57、对受更新影响的知识和相邻知识执行增量向量重算;

58、根据增量向量重算后的向量表示,刷新受更新影响的知识和相邻知识所在的领域、作物类型、育苗阶段和知识类型对应的层级索引;

59、保持未受更新影响的层级索引不变。

60、优选地,基于更新后的育苗知识库、动态用户画像和当前育苗阶段形成个性化知识推荐列表,并推送个性化知识推荐列表中的推荐内容,包括:

61、从更新后的育苗知识库中匹配与当前育苗阶段对应的相关知识、技术要点和注意事项;

62、确定匹配得到的相关知识对应的门控融合相似度、场景相关性、知识新鲜度、来源权威度、反馈可信度和冲突惩罚因子,并形成对应的综合推荐得分;

63、基于动态用户画像和综合推荐得分,对匹配得到的相关知识、技术要点和注意事项进行个性化排序,形成个性化知识推荐列表;

64、推送个性化知识推荐列表中的推荐内容。

65、本发明公开了以下有益效果:

66、(1)本发明并非仅将检索增强生成技术应用于育苗知识服务,而是围绕育苗场景中知识适用条件随作物类型、育苗阶段、环境参数及实际应用结果持续变化的特点,将动态用户画像、场景上下文、可信重排序、反馈验证和知识更新建立连续的数据处理关系。用户查询形成的查询向量与用户画像向量融合后进入多层级向量索引库完成知识检索,使检索过程同时受到用户长期育苗特征和当前育苗需求的约束,减少仅依据单次查询语义进行知识匹配造成的检索偏差。

67、(2)本发明针对检索得到的相关知识片段,综合确定门控融合相似度、场景相关性、知识新鲜度、来源权威度、反馈可信度和冲突惩罚因子,并形成综合推荐得分。门控融合相似度用于评价相关知识片段与动态用户画像之间的匹配程度,场景相关性用于评价相关知识片段与当前场景上下文之间的适配程度,知识新鲜度用于反映知识的时间状态和维护状态,来源权威度用于反映知识来源的可靠程度,反馈可信度用于反映历史反馈及实际应用结果对知识的支持程度,冲突惩罚因子用于抑制与当前育苗场景不一致的知识。上述评价因素共同参与相关知识片段的重排序,能够降低仅凭较高语义相似度而将过时、低可信或者与当前育苗阶段、环境条件不匹配的知识排入高优先级结果的概率。

68、(3)本发明采用门控融合相似度评价相关知识片段与动态用户画像之间的匹配关系,相较于仅使用单一向量相似度进行排序,可以同时反映知识特征与用户画像特征之间的方向一致程度以及关键特征差异产生的衰减作用,并根据知识特征与用户画像特征之间的交互关系调节不同评价部分的影响程度。当相关知识片段与用户在作物偏好、育苗阶段或者关注重点等方面存在明显差异时,可以降低对应知识片段的匹配程度,从而提高相关知识片段与用户实际育苗需求之间的适配性。

69、(4)本发明将重排序后的相关知识片段构建为结构化上下文信息,并将用户查询和结构化上下文信息共同输入领域适配语言模型,使答案生成受到经过可信评价和场景筛选后的育苗知识约束。与直接利用语言模型生成答案或者仅依据语义相似度检索知识的方式相比,进入答案生成环节的知识已经经过用户匹配、场景匹配、时效评价、来源评价、反馈评价和冲突抑制,可以减少与当前育苗问题无关或者不适用的知识对答案生成过程产生干扰,提高答案与当前育苗场景之间的一致性。

70、(5)本发明在答案被用户采用后继续采集用户反馈和实际应用效果,并根据用户反馈和实际应用效果更新相关知识片段对应的反馈可信度,同时确定预期应用结果与实际应用结果之间的应用效果偏差。由此,知识评价不再停留于用户是否满意、是否点击或者是否采纳等交互行为,而能够结合成活率、产量、病虫害发生率变化、环境参数达标情况等实际育苗结果对知识适用性进行验证。对于用户评价较高但实际应用结果未达到预期的知识,可以避免仅依据主观评价持续提高推荐优先级,从而提高反馈信息参与知识维护时的可靠性。

71、(6)本发明进一步根据更新后的反馈可信度、应用效果偏差、冲突惩罚因子以及对应知识的发布时间与当前时间之间的时间差形成知识更新触发值,并利用知识更新触发值控制知识维护过程。当知识更新触发值满足预设更新条件时,对相关知识片段对应的知识权重和知识置信度进行更新,使反馈可信程度、实际应用偏差、当前场景冲突以及知识时间状态能够共同影响知识在后续检索和推荐中的使用状态。相较于仅根据单次用户反馈调整推荐权重或者按照固定周期统一更新知识库的方式,可以减少低可信、应用效果偏差较大、场景不适配或者时效性降低的知识长期保持原有推荐状态。

72、(7)本发明在满足预设更新条件后,对受更新影响的知识执行增量向量重算并刷新对应层级索引,使知识评价结果能够进一步作用于后续向量检索过程。知识状态发生变化后,无需对全部知识执行无差别向量重算和索引重建,而是针对受更新影响的知识及相应层级索引完成更新,可以减少知识库持续维护过程中不必要的重复计算,同时使更新后的知识权重和知识置信度及时反映到后续知识检索结果中,实现知识状态更新与检索基础更新之间的联动。

73、(8)本发明在完成知识状态和对应层级索引更新后,结合更新后的育苗知识库、动态用户画像和当前育苗阶段形成个性化知识推荐列表。推荐内容不再仅由用户历史行为或者静态知识匹配结果确定,而是建立在前述知识检索、可信重排序、答案应用、实际效果验证和知识更新结果的基础上,并随当前育苗阶段变化进行调整,从而使育苗知识服务由单次被动问答扩展为面向育苗过程的持续精准推送。

74、综上,本发明以门控融合相似度、场景相关性、知识新鲜度、来源权威度、反馈可信度和冲突惩罚因子构建相关知识片段的可信重排序机制,以用户反馈和实际应用效果进一步修正知识评价状态,并通过知识更新触发值联动知识权重、知识置信度、增量向量重算和对应层级索引刷新,最终将更新后的知识状态用于当前育苗阶段下的个性化知识推荐。由此形成从知识检索、可信评价、答案生成、实际应用验证、知识状态更新、索引刷新至后续推荐的闭环处理过程,能够降低过时、低可信或者与当前育苗场景冲突的知识持续进入高优先级检索结果和推荐结果的概率,提高育苗知识动态更新与精准推送的适配性和可靠性。