一种融合领域知识图谱与大语言模型的根因推理方法及装置与流程

摘要: 本发明涉及人工智能,具体涉及一种融合领域知识图谱与大语言模型的根因推理方法及装置。背景技术:1、在复杂的运营系统,如出行平台、电商平台或工业生产系统中,后台系统...
一种融合领域知识图谱与大语言模型的根因推理方法及装置与流程

本发明涉及人工智能,具体涉及一种融合领域知识图谱与大语言模型的根因推理方法及装置。

背景技术:

1、在复杂的运营系统,如出行平台、电商平台或工业生产系统中,后台系统需要实时处理大量的关于异常事件的工单信息,例如订单异常、用户投诉、系统故障等。能够快速且准确地定位这些异常事件的根本原因,是保障系统稳定、提升运营效率和用户体验的前提。

2、目前,主流的根因分析技术方案主要包括以下几种。第一种是直接利用通用大语言模型进行推理,将描述异常事件的工单信息文本直接输入模型,由模型基于其庞大的训练语料进行根因推断。然而,通用模型通常缺乏对特定业务领域的深度理解,尤其是对事件之间隐含的因果关系缺乏认知,导致在处理由多个因素交织引发的复合异常场景时,根因误判率较高。

3、第二种是基于规则引擎的根因匹配方案。该方案通过预先设定大量的“如果-那么”(if-then)规则,将异常现象与已知的根因进行匹配。这种方法的优点是对于已知模式的异常处理速度快、结果稳定。但其缺陷也十分明显:规则库难以覆盖所有可能的异常场景,特别是对于新出现的或多因素叠加的复合异常,往往束手无策;同时,规则的编写和维护需要大量专家投入,成本高昂且响应滞后。

4、第三种是基于统计关联的分析方法。该方法通过计算不同监控指标之间的统计相关性(如皮尔逊相关系数)来发现异常关联。然而,统计上的强相关性并不等同于逻辑上的因果性,该方法容易将一些仅在时间上伴随发生的事件误判为因果关系,缺乏对因果链条的深层语义理解,无法区分“导致”、“影响”等不同性质的关系。

5、因此,现有技术普遍存在一个核心缺陷,即缺乏一种能将特定领域的结构化因果知识与大语言模型强大的自然语言理解和推理能力进行有效融合的手段,导致在面对日益复杂的异常事件时,根因定位的准确性和可靠性难以满足要求。

技术实现思路

1、为了解决现有技术中通用大语言模型缺乏领域知识、规则引擎覆盖场景有限、统计方法无法区分因果与共现等问题,从而导致的根因定位准确率低的不足,本发明提供了一种融合领域知识图谱与大语言模型的根因推理方法及装置。该方案旨在将领域的结构化因果知识有效融入大语言模型的推理过程中,引导模型沿预设的因果链进行多跳推理,从而显著提升异常事件根因定位的准确性。

2、为实现上述目的,本发明提供了一种融合领域知识图谱与大语言模型的根因推理方法,包括:基于接收到的工单信息,在预设的领域知识图谱中识别与所述工单信息对应的一个或多个实体;以识别出的所述实体为起点,在所述领域知识图谱中提取与所述起点在预设关联范围内的结构化知识,形成一个上下文子图;将所述上下文子图中的所述结构化知识转换为自然语言描述;将所述自然语言描述和所述工单信息提供给大语言模型,以使所述大语言模型生成包含至少一个候选根因及对应置信度评分的分析结果;以及基于所述领域知识图谱中与所述候选根因相关的量化指标,对所述大语言模型生成的分析结果进行调整。通过该方法,将领域知识图谱的结构化知识与大语言模型的推理能力相结合,提高了根因分析的准确度。

3、进一步地,所述方法还包括构建所述领域知识图谱的步骤,具体为融合历史工单、监控指标和业务日志中的至少一种,构建所述领域知识图谱;其中,所述领域知识图谱包括实体层和关系层。此举为后续的推理过程提供了坚实、可靠且可持续更新的知识基础。

4、在一种实施方式中,所述领域知识图谱的关系层定义了“导致”、“影响”或“缓解”关系,形成“现象-根因-影响-处置”的四元关系结构。这种精细化的关系定义使得知识图谱能够更准确地刻画事件间的复杂逻辑,为深度因果推理提供了可能。

5、可选地,所述提取与所述起点在预设关联范围内的知识,具体包括:以所述识别出的实体为起点,在所述领域知识图谱中进行广度优先搜索,提取所述起点两跳范围内的所有关联实体和关系。采用两跳范围的提取策略,能够在获取充分因果上下文与避免引入过多无关噪声之间取得良好平衡,有效应对大多数业务场景下的因果链分析需求。

6、进一步地,所述量化指标包括所述领域知识图谱中关系边上标注的语义权重;所述语义权重包括因果强度值和历史发生频率中的至少一种。其中,所述因果强度值可以通过专家根据经验进行0到1的打分来确定,或基于历史数据中该因果关系发生的条件概率来计算;所述历史发生频率可以为单位时间周期内该因果关系发生的统计次数。引入量化指标,为根因的筛选提供了客观的数据支持。

7、优选地,所述调整具体包括:获取所述分析结果中每个候选根因对应的置信度评分;将所述语义权重与所述置信度评分进行融合计算,得到综合评分;并根据所述综合评分对所述候选根因进行重排序。例如,可以通过一个加权公式来计算综合评分。该重排序过程能够利用结构化的领域知识修正大语言模型可能存在的推理偏差,使最终结果更贴近业务实际。

8、在一种实施方式中,所述将所述上下文子图中的所述结构化知识转换为自然语言描述,具体包括:将所述上下文子图中的每一个三元组,依据预设的自然语言模板转换为自然语言描述句子。这种转换方式使得机器内部的结构化知识能够以大语言模型易于理解的形式呈现,有效降低了模型理解领域知识的门槛。

9、进一步地,所述将所述自然语言描述和所述工单信息提供给大语言模型,具体包括:将所述自然语言描述作为系统提示注入所述大语言模型;以及将所述工单信息作为用户输入提供给所述大语言模型。通过系统提示注入背景知识,能够有效地引导模型的注意力,使其在特定知识框架内进行推理。

10、可选地,所述工单信息为结构化工单,包含时间、位置和异常指标中的至少一种。使用结构化的工单信息,有利于快速、准确地完成初始的实体识别与匹配步骤,提高了整个流程的自动化程度和效率。

11、本发明还提供了一种融合领域知识图谱与大语言模型的根因推理装置,包括:识别模块,用于基于接收到的工单信息,在预设的领域知识图谱中识别与所述工单信息对应的一个或多个实体;提取模块,用于以识别出的所述实体为起点,在所述领域知识图谱中提取与所述起点在预设关联范围内的结构化知识,形成一个上下文子图;转换模块,用于将所述上下文子图中的所述结构化知识转换为自然语言描述;推理模块,用于将所述自然语言描述和所述工单信息提供给大语言模型,以使所述大语言模型生成包含至少一个候选根因及对应置信度评分的分析结果;以及调整模块,用于基于所述领域知识图谱中与所述候选根因相关的量化指标,对所述大语言模型生成的分析结果进行调整。

12、与现有技术相比,本发明具有以下有益效果:

13、1.根因定位准确率显著提升。由于本发明将领域知识图谱中经过验证的因果链作为结构化领域知识注入大语言模型,使模型能够沿确切的因果路径进行多跳推理,有效避免了通用模型因缺乏领域知识而产生的幻觉或误判,尤其在多因素复合异常场景下效果显著。

14、2.推理过程可解释性强。相较于大语言模型本身的“黑箱”推理,本发明通过提取并转换上下文子图,使得推理所依据的因果链条变得清晰可见、可追溯。这不仅便于运营人员理解和审核分析结果,也为决策提供了更可靠的依据。

15、3.知识可持续积累和复用。本发明中的领域知识图谱作为一个独立的知识层,可以随着新案例、新数据的不断积累而持续更新和扩充。这种知识的迭代无需重新训练大语言模型,即可提升整个系统的推理能力,极大地降低了模型迭代的成本和周期。

16、4.适配多因素复合异常场景。本发明采用的子图提取策略能够同时捕获与异常事件相关的多条因果路径,从而有效应对由多个因素共同作用导致的复杂异常场景,克服了传统规则引擎单因素匹配的局限性。