基于元语言建模与AIAgent驱动的知识赋能系统的制作方法
本发明涉及人工智能,具体为基于元语言建模与ai agent驱动的知识赋能系统。
背景技术:
1、现有知识图谱构建与查询方案主要包括三类:(一)人工建模方式,依赖领域专家在图数据库管理系统中通过其内置数据定义语言固化模式约束;(二)规则或机器学习抽取方式,通过预定义模板或命名实体识别/关系抽取模型从非结构化文本中抽取三元组并直接写入图数据库;(三)大语言模型问答方式,将自然语言查询通过提示词模板交由大语言模型直接翻译为图数据库的原生查询语句执行。
2、然而,在实际应用过程中,存在以下缺陷:
3、(1)模式约束语义贫弱:图数据库自身的模式约束机制只能描述单实体的属性类型、唯一性等浅约束,难以描述「跨实体语义谓词」与「图级拓扑约束」,例如某关系仅在两端实体的属性满足某种映射关系时才允许成立、或全图不允许出现某种环路,导致复杂业务规则只能下沉到应用代码中,模式演进时改动面大。
4、(2)ai抽取缺乏结构化约束反馈:现有方案在大语言模型输出三元组后仅做朴素去重,缺少与模式定义的双向校验和置信度回流,存在ai幻觉,导致图谱质量不可控。
5、(3)自然语言到原生查询语言的可靠性差:大语言模型直接生成原生查询语句易出现:语法错误;路径死循环,无深度限制的可变长路径;意图偏移,用字符串模糊匹配代替向量召回造成漏检,。在内部测试集上,先进的通用大语言模型直接生成原生查询语句的可执行率约62%、语义准确率约48%。
6、(4)多源融合冲突缺乏裁决依据:当来自不同业务系统的同名实体属性值不一致时,现有方案缺乏统一的优先级与合并算法,常出现属性覆盖错误。
7、基于上述情况,本发明提出了基于元语言建模与ai agent驱动的知识赋能系统。
技术实现思路
1、本发明旨在克服上述缺陷,提供一种基于元语言建模与智能体驱动的知识赋能系统及方法,通过元语言蓝图、智能体维护、查询语言解耦三层技术路线,构建从底层建模到上层应用的技术闭环。
2、为实现以上目的,本发明通过以下技术方案予以实现:
3、基于元语言建模与ai agent驱动的知识赋能系统,包括:
4、元语言解析器、知识元图谱存储层、管理智能体模块、查询智能体模块、ir执行引擎和图存储;
5、所述元语言解析器包含:m1,元语言表达式机制,以可计算表达式描述「跨实体语义谓词」与「图级拓扑约束」,并将该表达式编译为常驻内存、可被维护与查询过程同时引用的运行时元图谱对象;
6、所述管理智能体模块包含:m2,三态校验—闭环维护机制,以接受、暂缓、拒绝三态对每条候选三元组进行基于运行时元图谱对象的合法性判定,形成可追溯、可幂重放的知识维护闭环;
7、所述查询智能体模块包含:m3,dsl中间表示与受元图谱预校验的逐子句生成机制,对dsl中间表示与逐子句生成、预校验、编译进行描述;
8、所述ir执行引擎将查询智能体输出的中间表示编译为原生图查询语言并下发至所述图存储。
9、优选的,m1,元语言表达式机制,包括元语言描述的运行时元图谱对象构建方法:
10、s101,接收一份元语言定义文档,所述元语言定义文档以结构化数据形式描述实体类型、关系类型与图级拓扑规则,所述实体类型至少包含属性集合、属性类型、必填性、主键与属性级约束表达式,所述关系类型至少包含起止实体类型、基数、方向与跨实体语义谓词表达式,所述图级拓扑规则至少包含以量词承载的图模式布尔表达式;
11、s102,对所述元语言定义文档中的属性级约束表达式、跨实体语义谓词表达式与图模式布尔表达式分别编译为可在运行时求值的语法树,所述语法树包含字段引用节点、内置函数节点、布尔逻辑节点和量词节点;
12、s103,将编译产物组装为包含实体索引、关系起点索引、关系终点索引、拓扑规则表达式列表与版本元数据的运行时元图谱对象;
13、s104,将所述运行时元图谱对象暴露给后续维护过程与查询过程作为合法性判定与语义对齐的统一参照。
14、优选的,所述s102中的语法树支持的内置函数包括集合运算、字符串运算、数值比较、量词与图模式断言;所述图模式断言至少包含可达性判定与环路判定;
15、所述s103包括将所述运行时元图谱对象以版本化方式持久化,每个版本以父版本号与字段级差量记录,并在新版本提交时执行向后兼容性校验,所述向后兼容性校验至少包括:禁止删除已存在的必填属性;禁止反转已存在的关系方向。
16、优选的,m2,三态校验—闭环维护机制中,包括知识库自动化维护方法:
17、s201,从多源数据源接收原始数据并产出候选三元组,其中产出过程将所述运行时元图谱对象中的实体类型、关系类型与谓词以闭集合方式注入大语言模型的提示词上下文;
18、s202,对每条候选三元组按以下顺序执行三态判定:实体类型存在性、关系类型存在性、关系方向、跨实体谓词、属性约束、必填属性存在性,前五项任一不通过输出拒绝态,仅必填属性缺失输出暂缓态,全部通过输出接受态,并在判定结果中附带原因码与定位字段;
19、s203,按所述判定结果分流:接受态的候选三元组进入消歧队列;暂缓态的候选三元组进入补全队列、补全完成后回写候选并触发再校验;拒绝态的候选三元组进入异常审计存储。
20、优选的,所述s203中各队列以候选三元组的头实体主键为分片键进行一致性哈希分片处理,并通过消息中间件支持至少一次重放语义;
21、所述消歧队列中的处理包括:当多源对同一实体的同名属性给出不同值时,按多因子加权分数选取胜出值,所述多因子加权分数至少包含数据源可信度、记录新鲜度、抽取置信度与证据长度;落败值进入影子分支保留追溯链;
22、所述s202包括将判定结果与原因码回写至训练样本池,用于后续抽取过程的提示词样本选择。
23、优选的,知识库自动化维护方法还包括拓扑级巡检步骤:定时遍历所述运行时元图谱对象中的拓扑规则表达式列表,对已落库的图执行表达式求值,命中违规者按优先级路由至修复流程。
24、优选的,m3,dsl中间表示与受元图谱预校验的逐子句生成机制,包括知识查询推理方法:
25、s301,提供一种领域专用查询语言作为中间表示,所述中间表示由目标、过滤、路径、算子、返回、排序与截断七类子句构成,所述七类子句之间存在依赖偏序,所述路径子句中的可变长路径必须显式声明跳数上限,所述算子至少包括语义召回算子与规则过滤算子;
26、s302,查询智能体接收用户自然语言意图并按所述依赖偏序逐子句产出所述中间表示;
27、s303,每产出一个子句即与所述运行时元图谱对象进行合法性预校验,预校验失败时回退至候选生成;
28、s304,将所述中间表示通过编译过程转化为原生图查询语言并执行,所述编译过程至少包括:将规则过滤算子替换为运行时元图谱对象中规则标识对应的表达式;将语义召回算子下推为底层相似度计算;以及在原生查询结果上插入可选的二次重排阶段。
29、优选的,s302中逐子句生成采用具有候选束的搜索过程,所述候选束在某子句预校验失败时被回退至该子句对应的候选集进行替换;
30、s303的合法性预校验至少包括:实体类型在所述运行时元图谱对象中存在;属性在所述实体类型上存在;关系方向与起止实体类型与所述运行时元图谱对象一致;路径模式可由所述运行时元图谱对象的关系索引验证为可达;
31、s301中的领域专用查询语言在语法层面禁止出现无上限的可变长路径表达式。
32、优选的,所述管理智能体模块包括数据接入子模块、知识抽取子模块、蓝图校验子模块、冲突消歧子模块、知识补全子模块和质量巡检子模块;所述查询智能体模块包括意图识别子模块、语义对齐子模块、ir生成子模块和结果整合子模块;蓝图校验子模块、ir生成子模块均与所述元图谱存储层连接以获取所述运行时元图谱对象。
33、本发明提供了基于元语言建模与ai agent驱动的知识赋能系统。具备以下有益效果:
34、本发明通过三个相互关联的不可替代机制:m1元语言表达式机制、m2三态校验—闭环维护机制、m3 dsl中间表示与受元图谱预校验的逐子句生成机制。以可计算表达式承载跨实体语义谓词与图级拓扑约束,并编译为运行时元图谱对象,作为维护与查询过程的统一语义参照;以接受、暂缓、拒绝三态判定函数对候选三元组分流,三态分别驱动消歧、补全回流再校验、异常审计三条队列流转路径,承接大语言模型的不确定输出;在原生图查询语言之上引入领域专用查询语言作为中间表示,强制可变长路径上限并以算子方式承载语义召回与规则引用,查询智能体逐子句生成中间表示并与运行时元图谱对象进行预校验,再编译为原生图查询语言执行。可大幅压制ai幻觉、提升自然语言查询可靠性、并显著降低新业务模式上线工时。
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