基于知识工程技术映射的大语言模型隐性知识提取方法、装置、设备及介质与流程

本发明涉及自然语言处理，尤其涉及一种基于知识工程技术映射的大语言模型隐性知识提取方法、装置、设备及介质。

背景技术：

1、大语言模型在医疗诊断、法律推理、教育辅导等高风险领域的应用日益广泛。大语言模型的训练语料中包含大量源自人类专家的隐性知识（tacit knowledge），例如程序性知识、评估性知识、分类性知识、边界条件知识和因果知识。然而，大语言模型在默认状态下倾向于输出表层事实性内容，上述隐性知识难以通过单次问答自发激活。为此，研究者提出了多种追问策略，通过多轮交互引导模型输出更深层的知识内容。

2、现有技术包括以下两种方案：

3、方案一：基于bloom认知分类法的层级追问方法。按照bloom认知分类法的六个层级（记忆、理解、应用、分析、评估、创造）依次设计追问提示词，对大语言模型进行六轮顺序追问。该方法的实现过程为：首先向模型提出原始问题获取初始回答，随后按照记忆层、理解层、应用层、分析层、评估层、创造层的固定顺序逐层生成追问提示词并提交模型，每轮追问以上一轮回答为上下文，最终汇总六轮回答作为知识提取结果。该方法通过认知层级的递进引导模型从事实复述逐步过渡至综合创造。

4、方案二：基于深度层级的结构化追问方法。将追问过程划分为三个深度层级：d1事实层、d2程序层、d3战略层，按d1至d3的顺序依次向模型提出追问。该方法的实现过程为：以原始问题触发d1层回答后，通过d2追问提示词要求模型解释底层机制，再通过d3追问提示词要求模型揭示隐性规则，共执行三轮追问。该方法通过深度层级的递进结构引导模型输出更深层的推理内容。

5、然而，上述现有技术方案均存在以下缺陷：两类方案均对所有输入问题采用统一的固定追问序列，未区分不同知识类型的激活机制差异，导致特定类型的隐性知识无法被有效激活，知识提取深度不足。此外，方案一按bloom六层框架强制执行全部轮次，其中记忆层、理解层、应用层三个浅层级对深层隐性知识的激活贡献极低，造成计算资源的系统性浪费。

技术实现思路

1、本发明提供了一种基于知识工程技术映射的大语言模型隐性知识提取方法、装置、设备及介质，以实现对大语言模型中隐性知识的差异化、深度化提取。

2、根据本发明的一方面，提供了一种基于知识工程技术映射的大语言模型隐性知识提取方法，包括：

3、接收输入问题；

4、对所述输入问题进行知识类型识别，得到所述输入问题对应的知识类型，所述知识类型包括程序性知识、评估性知识、分类性知识、边界条件知识和因果性知识中的一种；

5、根据所述知识类型，从预设的多个知识工程追问策略中确定与所述知识类型对应的目标追问策略，所述知识工程追问策略包括出声思维法、关键事件技术、对比案例法、例外探测法和向上阶梯法；

6、根据所述目标追问策略对所述输入问题执行多轮追问，得到隐性知识提取结果，其中，每一轮追问的输入包括前序轮次的问题和回答所形成的对话上下文。

7、根据本发明的另一方面，提供了一种基于知识工程技术映射的大语言模型隐性知识提取装置，包括：

8、问题接收模块，用于接收输入问题；

9、知识类型识别模块，用于对所述输入问题进行知识类型识别，得到所述输入问题对应的知识类型，所述知识类型包括程序性知识、评估性知识、分类性知识、边界条件知识和因果性知识中的一种；

10、策略匹配模块，用于根据所述知识类型，从预设的多个知识工程追问策略中确定与所述知识类型对应的目标追问策略，所述知识工程追问策略包括出声思维法、关键事件技术、对比案例法、例外探测法和向上阶梯法；

11、隐性知识提取模块，用于根据所述目标追问策略对所述输入问题执行多轮追问，得到隐性知识提取结果，其中，每一轮追问的输入包括前序轮次的问题和回答所形成的对话上下文。

12、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

13、至少一个处理器；

14、以及与所述至少一个处理器通信连接的存储器；

15、其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于知识工程技术映射的大语言模型隐性知识提取方法。

16、根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于知识工程技术映射的大语言模型隐性知识提取方法。

17、本发明实施例的技术方案，通过将输入问题按照知识类型进行分类，并根据分类结果路由至对应的知识工程追问策略，使追问策略能够针对不同隐性知识的激活机制施加差异化引导，解决了现有技术中对所有问题采用统一追问序列的缺陷。同时，通过将各轮追问提示词逐条追加至对话消息队列末尾并保留完整对话上下文，使后一轮追问能够基于前一轮已显式化的知识继续深化，有效提升了隐性知识提取的深度。

18、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其他特征将通过以下的说明书而变得容易理解。

1.一种基于知识工程技术映射的大语言模型隐性知识提取方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述输入问题进行知识类型识别，包括：

3.根据权利要求2所述的方法，其特征在于，所述对所述输入问题进行知识类型识别，还包括：

4.根据权利要求1所述的方法，其特征在于，所述根据所述知识类型，从预设的多个知识工程追问策略中确定与所述知识类型对应的目标追问策略，包括：

5.根据权利要求1所述的方法，其特征在于，所述根据所述目标追问策略对所述输入问题执行多轮追问，包括：

6.根据权利要求5所述的方法，其特征在于，所述分析层、所述评估层和所述创造层分别为布鲁姆认知分类法中的l4分析层级、l5评估层级和l6创造层级，且所述多轮追问跳过所述布鲁姆认知分类法中的l1记忆层级、l2理解层级和l3应用层级。

7.根据权利要求1所述的方法，其特征在于，还包括：

8.一种基于知识工程技术映射的大语言模型隐性知识提取装置，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于知识工程技术映射的大语言模型隐性知识提取方法。