一种高准确率AI智能组合搭配方法及系统与流程

本发明属于人工智能、大语言模型和深度学习，具体涉及一种高准确率ai 智能组合搭配方法及系统。

背景技术：

1、随着人工智能技术的快速发展，智能导购与决策辅助系统在电子商务、健康管理、内容推荐等诸多领域发挥着越来越重要的作用。传统的主流智能系统通常基于预设的问答对或规则引擎实现，通过关键词匹配技术来检索用户问题并提供答案。这种方法虽然实现简单，但在面对海量的商品信息、复杂的业务规则以及多样化的用户个性化需求时，显得力不从心，其固有的局限性严重制约了系统的服务质量和用户体验。

2、首先，基于关键词匹配的检索方法缺乏深度的语义理解能力。此类系统无法有效处理用户查询中的同义词、近义词、口语化表达或依赖上下文隐含的语义信息。例如，用户搜索“清淡的晚餐”时，系统可能无法准确关联到“低盐”、“低脂”、“清蒸蔬菜”等具体概念，导致检索结果与用户真实意图存在偏差，准确率难以保证。这种机械式的匹配方式难以应对自然语言固有的灵活性和多样性。

3、其次，现有系统往往局限于处理单一维度或单一来源的数据，难以实现跨多个维度的智能检索与信息融合。在实际应用场景中，一个优质的推荐或搭配方案往往需要综合考虑用户属性（如年龄、口味偏好）、项目属性（如营养成分、价格）以及外部规则约束（如膳食指南、安全标准）等多个维度的信息。传统架构难以将这些异构数据源进行有效关联与协同推理，从而限制了输出结果的全面性、合理性与个性化程度。

4、更为严峻的挑战来自于近年来兴起的自然语言大模型（large language models,llms）。尽管以gpt-4为代表的大模型在开放域对话和文本生成上展现出强大能力，但将其直接应用于专业领域时，由于自身专业领域知识不足、知识更新滞后以及无法直接访问私有的、结构化的行业数据库，极易产生“幻觉”现象，生成看似合理但实则不准确、不专业甚至不合规的内容。这在健康、金融、法律等要求内容绝对准确与合规的领域，构成了技术落地应用的根本性障碍。

5、为了克服大模型的幻觉问题并增强其专业性，业界开始探索将其与外部知识库结合。例如，公开专利cn117009492a提出了一种基于本地知识库与自然语言大模型的图查询方法，通过结合知识库文档和图谱结构来生成更准确的查询指令。然而，该方法在复杂逻辑推理和精准查询生成方面的准确性仍有不足，尤其当涉及多表关联、复杂约束条件组合时，大模型生成的查询命令可能仍然存在错误，难以满足高可靠性的工业级应用需求。

6、此外，知识库的构建质量直接影响检索效果。如公开专利cn119646201a所述，通过构建多粒度知识库来提升检索相关性。但是，现有技术在知识库的构建过程中，往往缺乏对知识单元的精细化、结构化梳理与增强描述。例如，数据库中的字段名（如pro_cnt）若缺乏清晰的业务含义注释，将直接影响大模型对数据结构的理解，进而导致生成的查询或推理逻辑出现偏差，难以实现高度精确的语义匹配和基于深层规则的组合计算。

7、综上所述，现有技术存在一个相互关联的挑战闭环：单一关键词匹配缺乏语义理解；多维度信息融合困难；大模型直接应用易产生幻觉；结合知识库的查询方法在复杂场景下准确性不足；而底层知识的结构化与精细化程度又制约了前者的性能。因此，亟需一种能够深度融合结构化数据、非结构化规则与大模型推理能力，并能实现持续自我优化与精准控制的系统性解决方案，以在专业领域内提供高准确率、高可靠性的智能组合搭配服务。

技术实现思路

1、本发明的目的在于解决上述现有技术中存在的难题，提供一种高准确率的智能化组合搭配方法。

2、本发明是通过以下技术方案实现的：

3、本发明的第一方面，提供一种通用型ai智能组合搭配方法，其特征在于，所述方法包括以下步骤：

4、步骤1，系统初始化与准备，包括：

5、步骤s101，构建业务领域的专业知识关系型数据库；

6、步骤s102，对所述关系型数据库进行数据建模与知识增强，获得包含补充描述的数据表结构，对表进行人工标注；

7、步骤s103，基于所述数据表结构构建表征表间关联关系的数据图谱；

8、步骤s104，搭建sql语句样本库和组合搭配样本库；

9、步骤s105，将行业标准规范文档通过ocr识别并转换为结构化文本后存入向量数据库，构建规则知识库；

10、步骤2，对用户查询需求进行解析，生成组合搭配方案，包括：

11、步骤s201，获取用户的自然语言需求，进行语义解析；

12、步骤s202，基于语义解析结果，组合搭配大模型学习所召回的规则知识，生成组合搭配方案。

13、进一步，所述步骤s102中的数据建模与知识增强包括：系统自动分析导入的数据库结构后，通过人工干预方式对数据表名和字段名添加自然语言描述。

14、进一步，所述步骤s202包括：

15、步骤s2021，根据用户的自然语言需求和前置条件查询组合搭配原则；

16、步骤s2022，基于所述语义解析结果，利用text2sql模型生成sql查询语句，从所述关系型数据库中检索出基础数据项，从所述向量数据库中语义召回相关的规则知识；

17、步骤s2023，text2sql专用大模型将自然语言需求转化成准确的sql查询语句；

18、步骤s2024，将生成的sql语句提交给关系型数据库执行，检索出符合用户需求的所有基础数据项；

19、步骤s2025，将所述解析结果发送至向量数据库，进行语义检索，召回最相关的规则知识；

20、步骤s2026，组合搭配大模型学习组合搭配原则，生成可执行的组合搭配逻辑。

21、进一步，所述步骤s2026中的组合搭配大模型学习组合搭配原则包括：采用规则知识动态注入与上下文学习，将召回的规则知识与用户需求解析结果及预设的组合搭配提示词模板进行动态融合，构成上下文背景，并输入至所述组合搭配大模型；所述组合搭配大模型生成应用规则时的思维链。

22、进一步，所述思维链包括规则解析、需求对齐、约束条件生成和决策应用。

23、进一步，所述步骤s202还包括对方案进行合理性检查；所述合理性检查包括以下至少一种手段：规则符合性检查、内部一致性检查、可行性及现实性检查。

24、进一步，所述规则符合性检查包括：将规则量化为可计算的约束条件，并在初步方案生成后自动校验各项指标是否满足所有约束。

25、进一步，所述步骤s202还包括接收用户对所述搭配方案的反馈，并根据反馈将成功的查询sql和高赞的组合搭配方案分别存入所述sql语句样本库和组合搭配样本库，用于所述组合搭配大模型优化。

26、本发明的第二方面，提供一种基于大语言模型的高准确率ai智能组合搭配系统，用于实现所述ai智能组合搭配方法，所述系统包括：

27、语义分析模块：用于获取用户自然语言需求，通过多轮对话引导用户明确并补充查询所需的关键字段信息，并对需求语义进行解析与判断；

28、数据检索模块：用于通过数据建模得到并补充描述的表结构、基于表结构生成的数据图谱、以及sql语句样本库；基于所述语义分析模块的输出，利用text2sql专用大模型生成sql查询语句，从关系型数据库中检索基础数据项；

29、组合搭配模块，由多个子模块组成，包括：

30、向量数据库，用于存储结构化的规则知识，并根据用户需求召回相关知识；

31、组合搭配执行模块，用于调用组合搭配大模型，生成组合搭配方案；

32、组合搭配样本库，用于存储用户需求、对应的组合搭配方案及用户评价。

33、进一步，所述组合搭配模块还包括ocr识别转换模块，用于将用户提交的与组合搭配相关的原则文档识别并转换为结构化文本，存入所述向量数据库。

34、本发明的有益效果是：通过结合向量数据库和传统关系型数据库的优势，克服了单一检索方式的局限性，实现了多维度数据的智能检索和融合，显著提升了检索结果的全面性和准确性；本发明建立了优化查询的sql语句后台系统，通过对用户反馈的数据进行分析和优化，有效提高了text2sql的准确率，解决了现有技术中向量数据库特征提取偏差和不同向量模型在数据分割时水平不稳定的问题，确保了系统的运行更加稳定可靠；通过引入大模型多轮对话机制，能够与用户进行智能互动，完善需求信息，使系统能够更准确地理解用户的真实需求，有效克服了现有系统在处理单一维度数据的局限性；采用专业的text2sql模型生成sql查询语句，结合传统关系型数据库的强大查询能力，实现了对复杂查询条件的精确匹配和数据的快速检索，有效解决了现有技术中基于关键词匹配的检索方法缺乏语义理解能力的问题。