基于本体关系图谱的技能检索方法及装置与流程

摘要: 本发明属于人工智能知识图谱与通信运维自动化,具体涉及一种基于本体关系图谱、具备依赖感知与多场景适配能力的结构化技能检索方法及系统,主要应用于通信运营商oss运营...
基于本体关系图谱的技能检索方法及装置与流程

本发明属于人工智能知识图谱与通信运维自动化,具体涉及一种基于本体关系图谱、具备依赖感知与多场景适配能力的结构化技能检索方法及系统,主要应用于通信运营商oss运营支撑系统的传输网管故障定位、资源数据查询、自动化运维作业等核心场景,可适配多厂商通信设备的智能化运维技能调度需求。

背景技术:

1、随着ai智能体(agent)技术在通信运维领域的深度落地,智能化运维系统需调用海量、多样化的运维技能包完成复杂运维任务,所述技能包包含查询光功率api、路由分析脚本、告警关联规则、资源查询sql模板等各类可执行运维工具。现有运维技能检索技术难以适配复杂、多步骤、多厂商的现网运维场景,存在诸多技术缺陷,具体如下:

2、1. 纯向量语义检索存在语义孤岛与参数断层问题

3、当前主流的vector skills检索方案采用单一纯向量语义匹配逻辑,仅依据用户指令与技能文本的语义相似度完成技能召回。在传输网管运维场景中,复杂运维任务需多步骤、多技能协同完成,各技能之间存在严格的参数传递与执行前置关系。现有技术仅能召回语义匹配的核心业务技能,无法识别核心技能执行所需的前置运维步骤与前置技能,导致核心技能因输入参数缺失无法正常执行,形成语义匹配成功、实际执行失败的技术断层,无法满足真实运维作业需求。

4、2. 全量技能加载方案存在上下文过载与模型幻觉问题

5、传统vanilla skills方案为解决技能依赖缺失问题,将全量技能说明文本加载至大模型上下文窗口进行检索匹配。该方式一方面极大增加token计算成本,资源消耗高、检索效率低;另一方面海量冗余信息会引发大模型信息过载,诱发模型幻觉,导致技能检索准确率、匹配精准度大幅下降,稳定性极差。

6、3. 缺乏多厂商适配能力,技能执行完备性不足

7、通信运营商现网环境普遍部署华为、中兴、烽火等多厂商通信设备,不同厂商的同类运维功能对应完全不同的api接口、脚本指令与执行逻辑。现有检索技术无设备厂商适配机制,无法根据现网设备类型自动匹配适配技能,也无法识别、填补运维任务的前置条件缺口,召回的技能集合不具备完整的现场可执行性,难以落地应用。

8、4. 无运维流程适配机制,不符合实际作业习惯

9、现有技能检索仅聚焦当前运维任务的技能匹配,未挖掘历史运维作业的固定流程、高频操作链路,无法预判当前任务对应的后续运维步骤,难以形成闭环运维作业,与运维人员的实际操作习惯不符,运维智能化、自动化程度低。

10、本发明的目的在于针对现有技术中运维技能检索参数断层、检索准确率低、多厂商适配性差、技能可执行性不足、无法适配运维流程的缺陷,提供一种基于本体关系图谱的技能检索方法及系统。

技术实现思路

1、针对现有技术中的问题,本技术提供一种基于本体关系图谱的技能检索方法及装置,能够输出高相关、高适配、可完整执行的运维技能集合,有效提升通信运维场景下智能体技能调度的成功率与运维效率。

2、为了解决上述问题中的至少一个,本技术提供以下技术方案:

3、第一方面,本技术提供一种基于本体关系图谱的技能检索方法,包括:

4、从原始运维技能数据中提取运维技能作为技能节点,并定义技能节点的核心属性;根据技能节点构建关联边;根据技能节点和关联边构建技能本体关系图谱存入图数据库中;所述关联边包括依赖边和工作流边;

5、接收用户的自然语言指令,并调用大语言模型将用户的自然语言指令转化为queryschema格式数据;提取queryschema格式数据中的核心动词,并基于所述核心动词在技能本体关系图谱中进行相似度搜索获得种子节点;以种子节点为起点,在技能本体关系图谱中沿关联边进行多跳遍历,获得与种子节点关联的技能节点和关联边;

6、将 queryschema格式数据、技能本体关系图谱 schema、种子节点及获得的与种子节点关联的技能节点和关联边转化为伪代码片段,作为提示词组装给大语言模型,生成用于检索技能的目标 cypher 语句;将生成的目标 cypher 语句在图数据库中执行,获得目标技能合集。

7、进一步的,所述技能节点的核心属性包括:技能id、技能名称、技能功能描述、技能执行所需全部入参结构与字段类型、技能执行完成后的出参结构与字段类型、技能适配的设备厂商、技能执行类型、技能对应的可执行内容。

8、进一步的,所述根据技能节点构建关联边的步骤,包括:

9、在图数据库中使用独立的关系类型,共享一套公共属性结构,同时各边类型拥有独立的私有属性字段;

10、所述依赖边的构建方法包括:若技能a的输出字段能够匹配技能b的输入字段要求,则建立前置技能a与后置技能b的依赖边,表征技能a为技能b的必备执行前置条件;

11、所述依赖边的独有属性包括:参数映射关系、触发条件、依赖链跳数;

12、所述工作流边的构建方法包括;基于ai会话的技能调用日志,统计一个技能调用后,后续出现另一个相同技能的次数,人工分析并梳理成固定的工作流场景,构建有向工作流边,表征运维作业的常规执行顺序,适配人工运维操作习惯;

13、所述工作流边的独有属性包括:历史发生频率、适用场景标签、历史会话次数;

14、所述关联边还包括替代边;所述替代边的构建方法包括:针对实现同一运维功能但适配不同厂商设备的技能节点,构建双向无向的替代边,明确技能间的替换关系;

15、所述替代边的独有属性包括:功能兼容度、优选优先级、厂商约束条件;

16、所述关联边还包括语义边;所述语义边的构建方法包括:基于技能功能描述文本的向量相似度计算结果为功能相近的技能节点构建无向语义边;

17、所述语义边的独有属性包括:相似度得分、计算算法、向量模型版本号;

18、所述根据技能节点构建关联边的步骤,还包括:所述关联边的公共属性包括置信度;所述关联边根据置信度确定是否构建及留存;

19、所述根据技能节点构建关联边的步骤,还包括:统一cypher建边语句;所述统一cypher建边语句的方法包括:在图数据库中创建不同类型关联边的语句模板,构建关联边时,根据边的类型选择对应的语句模板,并填充具体参数;

20、所述根据技能节点构建关联边的步骤,还包括:统一遍历查询模板;所述统一遍历查询模板的方法包括:在图数据库中创建不同的查询模板,从图数据库中查询技能节点的关联边时,可根据需求选择不同的查询模板。

21、进一步的,所述调用大语言模型将用户的自然语言指令转化为 queryschema格式数据的步骤,包括:

22、构建queryschema格式数据的输出格式;所述queryschema格式数据包括查询意图、目标对象、核心动词、参数;所述目标对象包括其类型、设备名称、厂商;所述参数包括限制条件和涉及到的关联构件;

23、设置大语言模型提示词,使大模型按照queryschema格式数据的输出格式将用户的自然语言指令转化为 queryschema格式数据;

24、还包括:模糊指令处理;所述模糊指令处理的方法包括:

25、通过自然语言处理技术检测用户输入的自然语言指令中是否存在歧义;

26、若存在歧义,则触发消歧对话,通过消歧对话询问用户的真实意图,并根据用户的回答完善queryschema格式数据。

27、进一步的,所述关键词为queryschema格式数据中属性为 action的字段;

28、所述基于所述核心动词在技能本体关系图谱中进行相似度搜索获得种子节点的步骤,包括:

29、将queryschema格式数据中的核心动词向量化;将技能节点中的技能描述转换为向量并存储到其embedding属性中;所述技能描述包括技能节点核心属性中的技能名称、技能功能描述;

30、根据向量化的核心动词,在技能本体关系图谱中使用相似度搜索embedding属性中与之存在相似向量的技能节点;

31、还包括:对获得的存在相似向量的技能节点进行属性过滤;所述属性过滤的条件包括queryschema格式数据中的目标对象的类型、设备名称、厂商。

32、进一步的,所述以种子节点为起点,在技能本体关系图谱中沿关联边进行多跳遍历,获得与种子节点关联的技能节点和关联边的步骤,包括:

33、沿依赖边逆向遍历寻找前置技能节点;沿工作流边顺向遍历寻找后置技能节点;沿替代边平行遍历寻找备选技能节点;沿语义边扩展遍历寻找相似技能节点;

34、还包括:获取各关联边的置信度;排除可信度不足预设阈值的关联边;当多条路径的网络节点数量相同时,优先选用置信度更高的边。

35、进一步的,所述将 queryschema格式数据、技能本体关系图谱 schema、种子节点及获得的与种子节点关联的技能节点和关联边转化为伪代码片段,作为提示词组装给大语言模型,生成用于检索技能的目标 cypher 语句的步骤,包括:

36、构建目标 cypher 语句的输出格式;所述目标 cypher 语句包括目标技能节点、关联边的定义及遍历方向;

37、设置大语言模型提示词,使大模型按照目标 cypher 语句的输出格式将用户的自然语言指令转化为目标 cypher 语句;

38、还包括:目标cypher 语句后处理校验;所述目标cypher 语句后处理校验包括:语法校验、参数占位符校验、边类型校验、危险操作校验;

39、还包括:对于复杂查询,多次生成cypher 语句,并选取出现次数最多的cypher 语句作为目标cypher 语句;

40、所述将生成的目标 cypher 语句在图数据库中执行,获得目标技能合集的步骤,包括:将生成的目标 cypher 语句在图数据库中执行,返回技能调用链路的结构化数据;对返回的结构化数据进行规范化处理,得到目标技能合集;所述规范化处理包括去重、裁剪、排序。

41、第二方面,本技术提供一种基于本体关系图谱的技能检索装置,包括:

42、图谱构建模块,用于从原始运维技能数据中提取运维技能作为技能节点,并定义技能节点的核心属性;根据技能节点构建关联边;根据技能节点和关联边构建技能本体关系图谱存入图数据库中;所述关联边包括依赖边和工作流边;

43、第一检索模块,用于接收用户的自然语言指令,并调用大语言模型将用户的自然语言指令转化为 queryschema格式数据;提取queryschema格式数据中的核心动词,并基于所述核心动词在技能本体关系图谱中进行相似度搜索获得种子节点;以种子节点为起点,在技能本体关系图谱中沿关联边进行多跳遍历,获得与种子节点关联的技能节点和关联边;

44、第二检索模块,用于将 queryschema格式数据、技能本体关系图谱 schema、种子节点及获得的与种子节点关联的技能节点和关联边转化为伪代码片段,作为提示词组装给大语言模型,生成用于检索技能的目标 cypher 语句;将生成的目标 cypher 语句在图数据库中执行,获得目标技能合集。

45、第三方面,本技术提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于本体关系图谱的技能检索方法的步骤。

46、第四方面,本技术提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的基于本体关系图谱的技能检索方法的步骤。

47、第五方面,本技术提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述的基于本体关系图谱的技能检索方法的步骤。

48、由上述技术方案可知,本技术提供一种基于本体关系图谱的技能检索方法及装置,通过构建包含技能节点及多类型关联关系的结构化技能本体关系图谱,形成结构化、可关联、可追溯的技能本体关系图谱,并依托构建的技能本体关系图谱,融合图多跳推理、大模型动态查询生成、检索上下文增强生成能力,实现复杂运维问题的精准解析及复杂运维任务所需的前置技能与参数传递链路的自动补全,能够在有限的模型上下文预算内,输出高相关、高适配、可完整执行的运维技能集合,有效提升通信运维场景下智能体技能调度的成功率与运维效率。