基于慢波与异相睡眠模拟的人工智能记忆双阶段巩固方法及系统与流程

本发明属于知识图谱，具体涉及基于慢波与异相睡眠模拟的人工智能记忆双阶段巩固方法及系统。

背景技术：

1、近年来，人工智能系统在持续交互场景中面临的核心挑战之一，是如何有效管理不断累积的情景记忆，使其在长期运行中既能保持对历史经验的稳定表征，又能为新知识的整合预留充足的表征空间。受神经科学中记忆巩固理论的启发，该理论揭示了记忆表征从海马体向新皮层的逐步迁移主要发生在睡眠期间，尤其是慢波睡眠阶段海马体与新皮层之间的协同对话对记忆的长期保留至关重要。现有研究围绕睡眠范式展开，允许模型将短期脆弱的记忆提取为稳定的长期知识；部分工作进一步提出了rem-sleep协议，利用离线睡眠阶段的噪声重放与突触稳态机制来稳定记忆表征。在技术实现路径上，知识图谱因其结构化表征能力，已被广泛用作记忆存储与推理的基础载体；基于认知特征的优先级评估机制亦被引入记忆调度与巩固流程，以期实现存储资源在时间维度上的最优配置。然而，如何在统一的系统架构中将睡眠启发的双阶段巩固机制、知识图谱的动态演化与多维度记忆优先级评估进行有机融合，仍是亟待解决的技术难题。

2、例如，专利申请cn122509260a公开了一种基于双阶段睡眠启发巩固的持续学习方法和系统，在连续任务间隙依次执行慢波睡眠（sws）巩固阶段和快速眼动（rem）巩固阶段：sws阶段根据预测损失计算优先回放概率并进行采样，联合锚定正则化对网络参数进行更新；rem阶段计算参数混合重要性分数，执行突触全局缩放与参数软剪枝。该技术方案有效缓解了灾难性遗忘，但巩固对象仅限于神经网络参数，未涉及情景记忆内容本身的结构化处理与语义化转化，未能实现从情景记忆向语义知识的实质性跃迁。

3、另外，专利申请cn121957921a公开了基于知识图谱与认知特征的记忆巩固方法及系统，通过获取已学知识集构建初始知识图谱，基于交互耗时与纠错频次获取基础认知阻力，融合留白时间与巩固频次获取动态认知阻力，计算巩固迫切度并生成调度队列。该技术方案实现了资源的精准均衡调度，但知识图谱构建为一次性提取，缺乏对新知识注入后持续演化与关联推断的支持机制；且优先级评估未引入情绪强度维度和未来有用性的前瞻性预测。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例，在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明解决的技术问题是：现有记忆管理缺乏睡眠启发的双阶段巩固与知识图谱动态演化相融合的系统架构，无法实现情景记忆向语义知识的高效转化与长期巩固。

4、为解决上述技术问题，一方面，本发明提供如下技术方案：

5、基于慢波与异相睡眠模拟的人工智能记忆双阶段巩固方法，包括：在系统低负载时段，获取未转化为语义知识的情景记忆，依据归一化的情绪强度、未来有用性、奖励价值和检索频次的加权和计算巩固优先级得分，选取得分满足预设条件的所述情景记忆作为待巩固候选集；

6、批量处理所述待巩固候选集，从每条所述情景记忆中提取多种类型的模式，获得模式集合；将所述模式集合更新至记忆存储中，所述记忆存储至少包括知识图谱；在更新后的所述知识图谱中，选取近期新增节点作为种子节点，寻找距离在预设范围内的远距离节点对，依据共同邻居数量、共现jaccard相似度、共现次数和路径多样性的加权和计算连接价值，将所述连接价值超过预设价值阈值的远距离节点对之间创建标记为推断的新边；对所述待巩固候选集中长度超过预设长度的情景记忆生成紧凑摘要，将原始对话内容归档至冷存储，以所述紧凑摘要替换所述情景记忆中的原始内容，并在替换后的所述情景记忆中保留情绪强度元数据及命名实体标签。

7、作为本发明所述的一种优选方案，其中：所述情绪强度的权重大于所述未来有用性的权重，所述未来有用性的权重大于所述奖励价值的权重，所述奖励价值的权重大于所述检索频次的权重；所述预设条件为选取待评估记忆集合中所述巩固优先级得分位于预设排名比例范围内的记忆作为所述待巩固候选集；所述未来有用性通过预测模型获得，所述预测模型基于所述情景记忆的多个特征维度预测未来被检索概率并乘以时间衰减因子；所述预测模型的输入特征经编码转换为数值向量；所述奖励价值通过累加所述情景记忆在多个效用维度上的分值并截断至预设上限得到；所述检索频次以当前待评估记忆集合中的最大检索次数为分母进行归一化。

8、作为本发明所述的一种优选方案，其中：所述多种类型的模式包括实体-关系模式、时序模式、因果模式和用户偏好模式；提取所述实体-关系模式时，从所述情景记忆中识别命名实体，对实体对进行关系分类并依据置信度筛选；提取所述时序模式时，从所述情景记忆中提取动作单元并按时间顺序生成动作序列；提取所述因果模式时，从所述情景记忆中通过依存句法分析识别事件间的因果关系并提取因果对；提取所述用户偏好模式时，从所述情景记忆中识别偏好表达并提取偏好对象、偏好极性及强度值。

9、作为本发明所述的一种优选方案，其中：将所述模式集合更新至记忆存储中时：将所述实体-关系模式转化为所述知识图谱的节点与边，依据时间衰减和当前证据强度更新已有边的权重；将所述时序模式注册至程序记忆库；将所述因果模式以因果关系边的形式写入所述知识图谱中，并对知识图谱内当轮新写入的因果边执行单步传递性推理，将推理产生的新因果边一并存入所述知识图谱；所述单步传递性推理的深度限制为1层，新生成的推断因果边不参与当轮的再次推理；将所述用户偏好模式写入用户画像，并对同一偏好对象的多个记录进行归并。

10、作为本发明所述的一种优选方案，其中：所述紧凑摘要通过语言模型对所述情景记忆进行事实性压缩；压缩后保留关键实体和用户意图；摘要长度不超过预设字数阈值；所述原始对话内容以时间戳为索引归档至所述冷存储。

11、作为本发明所述的一种优选方案，其中：所述种子节点为创建时间位于当前巩固周期启动日期前推预设天数内且度不小于预设度数阈值的节点，所述预设度数阈值为正整数；所述预设范围为图距离等于两跳的节点对；所述连接价值中各分量分别经归一化后加权求和。

12、作为本发明所述的一种优选方案，其中：创建标记为推断的新边时，检查种子节点与远距离节点之间是否已存在直接边，若存在则跳过；依据两者共同邻居所连接的关系类型组合，按照预设的映射规则确定推断关系类型；若出现多个并列最高频的候选关系类型，则比较各并列候选组合对所对应的共同邻居的总连接权重之和，选取连接权重之和最大者所对应的组合对作为最终映射依据；以所述推断关系类型创建所述新边，并将所述新边的推断置信度作为权重属性存储；创建后，依据用户后续交互中的验证反馈对所述新边进行状态升级或淘汰；所述验证反馈包括正反馈和负反馈；所述正反馈为用户后续输入的对话内容中同时出现所述新边两端节点的标准名称或规范化后的等效指称；所述负反馈的检测方式为对用户后续输入的对话内容进行依存句法分析，当检测到用户输入中同时出现所述新边两端节点的标准名称或规范化后的等效指称以及预设否定触发词集合中的任一否定词时判定为负反馈。

13、作为本发明所述的一种优选方案，其中：在创建标记为推断的新边之后，还包括后处理步骤：筛选所述待巩固候选集中携带情绪强度元数据的情景记忆条目，对所述情绪强度元数据中存储的原始幅值进行衰减调整，衰减后的原始幅值存储于记忆记录中，用于下一次巩固优先级得分计算，直至满足预设终止条件。

14、作为本发明所述的一种优选方案，其中：所述推断置信度为所述种子节点与所述远距离节点之间路径上各边权重的乘积。

15、本发明还提供基于慢波与异相睡眠模拟的人工智能记忆双阶段巩固系统，包括：优先级计算模块，用于在系统低负载时段，获取未转化为语义知识的情景记忆，依据归一化的情绪强度、未来有用性、奖励价值和检索频次的加权和计算巩固优先级得分，选取得分满足预设条件的所述情景记忆作为待巩固候选集；

16、模式提取模块，用于批量处理所述待巩固候选集，从每条所述情景记忆中提取多种类型的模式，获得模式集合；

17、记忆更新模块，用于将所述模式集合更新至记忆存储中，所述记忆存储至少包括知识图谱；

18、推断建边模块，用于在更新后的所述知识图谱中，选取近期新增节点作为种子节点，寻找距离在预设范围内的远距离节点对，依据共同邻居数量、共现jaccard相似度、共现次数和路径多样性的加权和计算连接价值，将所述连接价值超过预设价值阈值的远距离节点对之间创建标记为推断的新边；

19、摘要压缩模块，用于对所述待巩固候选集中长度超过预设长度的情景记忆生成紧凑摘要，将原始对话内容归档至冷存储，以所述紧凑摘要替换所述情景记忆中的原始内容，并在替换后的所述情景记忆中保留情绪强度元数据及命名实体标签。

20、本发明的有益效果在于，与现有技术相比，本发明的技术效果如下：本发明通过模拟慢波睡眠与异相睡眠的双阶段巩固机制，构建了从情景记忆优先级筛选、多模式提取、知识图谱更新到推断建边与摘要压缩的完整技术闭环。与现有技术相比，本发明首次将睡眠启发的双阶段巩固架构与知识图谱动态演化深度融合，在多维度优先级评估中引入情绪强度、未来有用性等前瞻性指标，解决了传统方案仅依赖单一维度评估的局限性；同时通过知识图谱的远距离推断建边机制实现了知识关联的主动挖掘与动态扩展，配合长文本摘要压缩与冷热存储分层归档，显著提升了系统的长期可扩展性与知识表征效率。