基于大语言模型的工程技术咨询智能问答方法与流程

本发明涉及工程技术咨询相关。更具体地说，本发明涉及一种基于大语言模型的工程技术咨询智能问答方法。

背景技术：

1、随着大语言模型的应用，工程技术咨询问答系统逐步转向自动回答。公开号为cn118536950a的中国专利文献公开了一种基于bim和大模型的铁路工程咨询系统及咨询方法，其构建管理单元知识图谱，并对咨询文档执行语义理解与智能查询。该方案侧重于文档检索，用户问题被直接送入大语言模型生成回答，工程对象、目标参数、工况条件以及隐性安全约束未被结构化解析，规范条文与物理公式未作为生成约束纳入回答过程，生成的回答未经物理公式反算校验，也未与具体规范条文建立对应关系，工程人员难以核对依据来源。

2、公开号为cn119150972a的中国专利文献公开了一种融合大模型与知识图谱技术的分析方法及系统，其构建知识图谱定位信息节点并借助大语言模型生成回答文本。该方案对知识库执行整体检索，回答采用单次生成方式，未经过物理方程反算复核与边界工况压力测试，回答中的参数与规范条文之间缺乏关联映射，存在与工程规范不符且难以追溯的问题。

3、综上，现有工程技术咨询问答方法直接在大语言模型的开放生成空间内生成回答，回答未经过规范约束与数值验证，缺乏可追溯的条文依据，为提升可靠性而扩大检索并多次重新生成，则计算量增大、响应时延增长。

4、因此，有必要设计一种能够克服上述缺陷的技术方案。

技术实现思路

1、本发明的一个目的是提供一种基于大语言模型的工程技术咨询智能问答方法，旨在克服现有技术中工程咨询回答未经规范验证的缺陷。

2、为了实现本发明的这些目的和其它优点，根据本发明的一个方面，本发明提供了一种基于大语言模型的工程技术咨询智能问答方法，包括：s1：获取自然语言工程问题并解构为工程对象、目标参数、工况条件以及隐性安全约束；s2：根据工程对象在工程知识图谱中匹配子领域，得到子领域标识，根据目标参数以及工况条件对规范条文库进行语义向量检索；s3：根据子领域标识以及语义向量检索结果读取规范条文、物理公式以及历史案例，拼接为问答上下文；s4：将自然语言工程问题、问答上下文以及隐性安全约束输入大语言模型，生成初始回答；s5：需求澄清智能体对自然语言工程问题执行歧义识别并输出澄清问题，方案设计智能体根据澄清问题修正初始回答得到候选方案，校核智能体根据物理公式反算校验候选方案，安全审查智能体根据冗余系数对候选方案执行压力测试；s6：将候选方案输入辩论式图神经网络，依据辩论式图神经网络生成的质疑信号以及修正信号更新候选方案，重复反算校验以及压力测试，直至反算校验的校验结果以及压力测试的审查结果满足预设置信度条件，并将候选方案与规范条文关联映射后输出。

3、进一步地，在s1中，通过轻量化语义解析器对自然语言工程问题执行槽位填充以及依存分析，将自然语言工程问题解构为工程对象、目标参数、工况条件以及隐性安全约束；将工程对象与工程知识图谱中的实体名称执行规范化匹配，得到标准化实体标识；对目标参数执行数值、单位以及参数名称的分离抽取；对工况条件执行环境量、时间量以及边界量的分类提取；将工程对象所属专业领域对应的规范条文库中的强制性条文与目标参数以及工况条件执行规则匹配，将与目标参数以及工况条件匹配的强制性条文中的约束项识别为隐性安全约束；将工程对象、目标参数、工况条件以及隐性安全约束拼接为结构化查询元组，并将结构化查询元组作为工程知识图谱匹配以及语义向量检索的输入。

4、进一步地，在s2中，将工程对象与工程知识图谱中的实体节点执行实体链接，当实体链接得到多个候选实体节点时，选取与工程对象的名称相似度最高的候选实体节点作为实体节点，以实体节点为起点，沿工程知识图谱中的关系边执行多跳路径扩展，多跳路径扩展的跳数不超过预设跳数上限，将路径终点节点的分类标签作为子领域标识；将目标参数、工况条件以及隐性安全约束拼接为检索查询文本，对检索查询文本执行语义向量编码，在规范条文库对应的语义向量索引中执行相似度计算，按相似度降序排列后截取前n条规范条文，将前n条规范条文作为候选条文集；n为预设检索数量上限；将子领域标识以及候选条文集共同作为读取规范条文、物理公式以及历史案例的依据。

5、进一步地，在s3中，从规范条文库中读取与语义向量检索结果对应的规范条文，从物理公式库中读取与子领域标识对应的物理公式，从历史案例库中读取与目标参数以及工况条件对应的历史案例；对每条规范条文执行条文编号、条款内容以及效力状态的切分，对每条物理公式执行公式编号、变量符号、变量单位以及适用范围的提取，对每个历史案例执行案例标识、工况条件标签以及结论数值的标注；将切分后的规范条文、提取后的物理公式以及标注后的历史案例按照预设上下文模板拼接为问答上下文；预设上下文模板依次设置规范条文区段、物理公式区段以及历史案例区段；对问答上下文执行截断，使问答上下文的总字符数不超过预设上下文长度上限，并将截断后的问答上下文作为大语言模型的输入。

6、进一步地，在s4中，将自然语言工程问题、问答上下文以及隐性安全约束按照预设提示词模板拼接为生成提示文本；预设提示词模板将问答上下文置于生成提示文本的前部区段，将隐性安全约束置于生成提示文本的后部区段，并对隐性安全约束采用禁止性指令句式表述；将生成提示文本输入大语言模型，将大语言模型的温度参数设置为预设温度值，将大语言模型的最大生成长度设置为预设长度上限；当目标参数数值未包含于自然语言工程问题时，生成提示文本包含缺失参数标记，大语言模型根据生成提示文本生成初始回答，初始回答中与缺失参数标记对应的位置填入预设占位符；初始回答包含目标参数数值、目标参数单位以及依据条文编号，依据条文编号为初始回答中引用规范条文时携带的规范条文的条文编号。

7、进一步地，在s5中，需求澄清智能体对自然语言工程问题执行歧义识别，计算自然语言工程问题中目标参数以及工况条件的语义置信度；当语义置信度低于预设歧义阈值时，需求澄清智能体生成澄清问题，并将澄清问题发送给方案设计智能体；方案设计智能体根据问答上下文以及澄清问题修正初始回答，得到包含候选参数数值以及候选条文编号的候选方案；校核智能体将候选参数数值代入物理公式执行反算校验，计算得到反算数值，将反算数值与目标参数对应的数值执行差值比较，得到校验结果；安全审查智能体将工况条件取值于边界值，边界值为工况条件对应的预设上限值以及预设下限值，在边界值条件下将候选参数数值再次代入物理公式执行反算校验，得到审查结果；将校验结果以及审查结果作为辩论式图神经网络的输入。

8、进一步地，在s6中，将候选方案、校验结果以及审查结果分别映射为辩论式图神经网络的候选方案节点、校验节点以及审查节点，将质疑信号映射为校验节点以及审查节点指向候选方案节点的第一有向边，将修正信号映射为候选方案节点指向方案设计智能体的第二有向边，候选方案节点在映射前完成文本向量化，维度与状态向量一致，两条有向边的方向构成信息的循环回路；辩论式图神经网络通过图注意力层对候选方案节点执行特征聚合，特征聚合根据第一有向边以及第二有向边的方向计算注意力权重，方向编码在节点映射阶段生成并保持不变，并将校验节点以及审查节点的节点特征按照注意力权重加权求和，得到更新后的候选方案节点特征；每完成一轮特征聚合，方案设计智能体根据修正信号更新候选方案，并重新执行反算校验以及压力测试，更新后的候选方案重新进入校核与审查环节，产生新一轮校验结果与审查结果，迭代轮数由计数器累加并参与收敛判定；当校验结果以及审查结果满足预设置信度条件时，停止特征聚合，将候选方案与规范条文执行关联映射，并输出关联映射后的候选方案。

9、进一步地，在s2中，规范条文库中的每条规范条文按条文编号切分为条文单元，将每个条文单元编码为条文语义向量，并将全部条文语义向量构建为语义向量索引；将检索查询文本编码为查询语义向量，计算查询语义向量与每个条文语义向量的余弦相似度，按余弦相似度降序排列后取前k个条文单元作为初选条文集；当余弦相似度计算结果低于预设相似度阈值时，将对应条文单元从初选条文集中剔除；将初选条文集中的每个条文单元与检索查询文本执行交叉编码器重排序，交叉编码器将检索查询文本与条文单元拼接为输入序列并输出重排序分数，按重排序分数降序排列后取前m个条文单元作为候选条文集；k大于m，n等于m，k以及m为预设数量。

10、进一步地，在s5中，反算校验为将候选参数数值代入物理公式，计算得到反算数值，并将反算数值与目标参数对应的数值以及规范条文中记载的限值分别执行差值比较，分别计算对应的偏差率；当各偏差率均小于或等于冗余系数对应的允许偏差上限时，校验结果的状态为通过状态；当任一偏差率大于允许偏差上限时，校验结果的状态为失败状态，并将失败状态作为辩论式图神经网络生成质疑信号的依据；压力测试为将工况条件中的温度、压力以及荷载分别取值于预设上限值以及预设下限值，组合得到边界工况集合，在边界工况集合中的每个边界工况组合下重复执行反算校验，当任一边界工况组合下的任一偏差率大于允许偏差上限时，审查结果的状态为失败状态，当全部边界工况组合下的各偏差率均小于或等于允许偏差上限时，审查结果的状态为通过状态。

11、进一步地，在s6中，候选方案节点、校验节点以及审查节点分别以候选方案对应的文本向量、校验结果对应的状态向量以及审查结果对应的状态向量作为节点特征，三个节点特征维度一致，在同一向量空间内参与聚合；图注意力层包含预设数量的注意力头，注意力头数量取值为4至8，每个注意力头根据第一有向边以及第二有向边的方向计算注意力权重，将各注意力头得到的注意力权重执行加权平均，得到聚合权重；根据聚合权重对校验节点以及审查节点的节点特征执行加权求和，得到更新后的候选方案节点特征，加权求和中通过状态对应的特征获得正向贡献，失败状态对应的特征获得负向贡献，根据更新后的候选方案节点特征生成修正信号，并沿第二有向边将修正信号发送给方案设计智能体；校验结果的状态以及审查结果的状态均包含通过状态以及失败状态；预设置信度条件为校验结果的状态为通过状态且审查结果的状态为通过状态，或者迭代轮数达到预设迭代上限，预设迭代上限取值为5轮至10轮；当校验结果以及审查结果满足预设置信度条件时，停止特征聚合，停止后将当前候选方案节点对应的候选方案提取为输出对象；将候选方案中的候选条文编号与规范条文的条文编号建立一一对应关系，一一对应关系以映射表形式记录每个参数所依据的条文编号，并将一一对应关系作为关联映射，输出关联映射后的候选方案。

12、本发明至少包括以下有益效果：

13、第一，本发明将自然语言工程问题解构为工程对象、目标参数、工况条件以及隐性安全约束，隐性安全约束贯穿生成全过程，初始回答始终处于规范条文划定的安全边界之内，降低违反强制性条文的可能。

14、第二，工程知识图谱子领域匹配与规范条文库语义向量检索构成双通道检索，子领域标识与检索结果共同限定读取范围，避免全量检索，控制计算开销。

15、第三，校核智能体根据物理公式对候选方案执行反算校验，安全审查智能体在边界工况下执行压力测试，候选方案经数值验证与极端工况复核，提高回答与工程实际的相符程度。

16、第四，辩论式图神经网络依据质疑信号以及修正信号更新候选方案，以校验结果与审查结果满足预设置信度条件作为收敛判据，迭代在可判定条件下终止，计算量可预期。

17、第五，候选方案与规范条文关联映射后输出，回答中的参数可追溯至具体规范条文编号，工程人员无需自行重算即可引用，减少人工核对与重复计算的工作量。

18、本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。