知识增强大模型问答方法、系统、设备及存储介质与流程
本发明涉及人工智能和知识处理,尤其涉及一种知识增强大模型问答方法、系统、设备及存储介质。
背景技术:
1、检索增强生成技术已广泛用于企业知识问答、研发辅助、设备运维和风险解释等场景。现有系统通常根据关键词、向量相似度或图谱邻接关系召回文档片段,再输入大语言模型生成答案。该方式对事实问答有一定效果,但在因果型问题中仍存在不足。
2、首先,现有方法容易把共同出现、统计相关或经验描述误作为因果依据,使模型输出过度确定的结论。其次,普通知识图谱检索主要扩展实体邻居或语义路径,缺少对候选因果路径删除、遮蔽或置换后的反事实差异计算,不能判断某条路径是否真正影响目标结论。再次,若将全部候选证据输入模型,会造成上下文冗余、推理成本增加,并可能让关键混杂变量或反证路径被噪声淹没。此外,因果问答需要同时考虑处理变量、目标变量、上下文条件、混杂闭包、证据来源和反证约束。现有方案缺少面向这些因素的最小充分证据选择机制。现有答案校验多停留在生成后的事实核对,不能在证据进入模型前完成路径贡献筛选,也不能说明哪些证据是支持结论所必需、哪些证据只是背景噪声。
3、因此,需要一种能够从候选因果路径中计算证据贡献,并在满足各类约束的前提下,选择最小充分因果证据子图的知识增强大模型问答方法。
4、有鉴于此,特提出本发明。
技术实现思路
1、本发明的目的是提供一种知识增强大模型问答方法、系统、设备及存储介质,能够对候选路径执行反事实遮蔽评分,并在满足各类约束的前提下,选择最小充分因果证据子图,最终对大语言模型的输出答案执行一致性校验,从而提升因果问答的可解释性和可追溯性。
2、本发明的目的是通过以下技术方案实现的:
3、一种知识增强大模型问答方法,包括:
4、利用多源数据构建带有方向、时窗、条件和证据来源的因果知识图谱,并构建配套的证据库;其中,通过证据来源将因果知识图谱中的因果边与证据库关联;
5、对用户问题进行解析,识别出因果查询要素;
6、基于所述因果查询要素在因果知识图谱中召回与用户问题相关的候选因果路径;
7、对召回的每一候选因果路径执行删除、遮蔽或置换测试干预,计算出每一候选因果路径的贡献;
8、结合每一候选因果路径的贡献,在预设的约束条件下选择一条或一条以上的候选因果路径,组成最小充分因果证据子图;
9、将所述最小充分因果证据子图转换为因果证据校验记录并输入大语言模型,引导大语言模型在因果证据校验记录的约束下生成答案;
10、对大语言模型生成的答案进行一致性校验,若通过校验,则将所述大语言模型生成的答案作为问答结果;其中,所述大语言模型生成的答案包含结论、依据、前提条件和不确定性说明。
11、一种知识增强大模型问答系统,用于实现前述的方法,包括:
12、因果知识图谱与证据库构建模块,利用多源数据构建带有方向、时窗、条件和证据来源的因果知识图谱,并构建配套的证据库;其中,通过证据来源将因果知识图谱中的因果边与证据库关联;
13、因果查询解析模块,用于对用户问题进行解析,识别出因果查询要素;
14、候选因果路径召回模块,用于基于所述因果查询要素在因果知识图谱中召回与用户问题相关的候选因果路径;
15、反事实影响评分模块,对召回的每一候选因果路径执行删除、遮蔽或置换测试干预,计算出每一候选因果路径的贡献;
16、最小充分因果证据子图优化模块,结合每一候选因果路径的贡献,在预设的约束条件下选择一条或一条以上的候选因果路径,组成最小充分因果证据子图;
17、生成约束模块,用于将所述最小充分因果证据子图转换为因果证据校验记录并输入大语言模型,引导大语言模型在因果证据校验记录的约束下生成答案;
18、一致性校验模块,用于对大语言模型生成的答案进行一致性校验,若通过校验,则将所述大语言模型生成的答案作为问答结果;其中,所述大语言模型生成的答案包含结论、依据、前提条件和不确定性说明。
19、一种处理设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;
20、其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现前述的方法。
21、一种可读存储介质,存储有计算机程序,当计算机程序被处理器执行时实现前述的方法。
22、由上述本发明提供的技术方案可以看出:1)在答案生成之前对候选因果路径逐条执行反事实遮蔽评分,能够区分真正影响目标结论的证据路径和仅具有语义相关性的冗余路径;2)通过各类约束联合选择证据子图,可以在压缩输入长度的同时保留影响结论所必需的关键因素;3)通过因果证据校验记录,可以在生成前对大语言模型的回答范围进行约束,降低因果方向错误和绝对化表述的发生概率;4)通过生成后的一致性校验和失败重生成机制,可以使问答结果与证据子图保持一致,便于人工复核、过程审计和后续参数调整;5)可以部署在现有知识图谱、规则库、日志库和大语言模型服务之上,工程实现路径清晰,便于在设备运维、企业知识服务和风险问答场景中实施。
1.一种知识增强大模型问答方法,其特征在于,包括:
2.根据权利要求1所述的一种知识增强大模型问答方法,其特征在于,所述利用多源数据构建带有方向、时窗、条件和证据来源的因果知识图谱包括:
3.根据权利要求1所述的一种知识增强大模型问答方法,其特征在于,所述召回与用户问题相关的候选因果路径包括:召回支持路径、混杂路径、中介路径和反证路径;
4.根据权利要求1所述的一种知识增强大模型问答方法,其特征在于,所述对召回的每一候选因果路径执行删除、遮蔽或置换测试干预,计算出每一候选因果路径的贡献包括:
5.根据权利要求1所述的一种知识增强大模型问答方法,其特征在于,所述结合每一候选因果路径的贡献,在预设的约束条件下选择一条或一条以上的候选因果路径,组成最小充分因果证据子图包括:
6.根据权利要求1所述的一种知识增强大模型问答方法,其特征在于,将所述最小充分因果证据子图转换为因果证据校验记录包括:
7.根据权利要求1所述的一种知识增强大模型问答方法,其特征在于,所述一致性校验包含三类检查:检查答案是否使用了因果证据校验记录中不存在的关键因果边;检查答案是否忽略了高置信反证路径或混杂因素;检查答案是否将条件性结论改写为绝对结论;其中,高置信反证路径是指最小充分因果证据子图中置信度高于预设的反证保留阈值,且属于反证路径的候选因果路径;
8.一种知识增强大模型问答系统,其特征在于,用于实现权利要求1~7任一项所述的方法,包括:
9.一种处理设备,其特征在于,包括:一个或多个处理器;存储器,用于存储一个或多个程序;
10.一种可读存储介质,存储有计算机程序,其特征在于,当计算机程序被处理器执行时实现如权利要求1~7任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com