一种基于林麝疾病知识图谱的问答方法
本技术涉及畜牧信息数据处理,具体地,涉及一种基于林麝疾病知识图谱的问答方法。
背景技术:
1、目前,在珍稀动物林麝的疾病诊疗领域,智能化知识服务通常采用检索增强生成或知识图谱问答技术。然而,现有技术在实际应用中仍面临显著挑战:一方面,生成式模型在进行图谱导航推理时,容易脱离图谱真实存储的数据边界,自由生成不存在的实体或关系,导致回答中出现事实性幻觉;另一方面,在利用强化学习训练导航策略模型时,单一的奖励规则往往难以全面评价路径质量,模型容易通过生成格式有效但与答案无关的路径、过短路径或重复循环路径来获取奖励,产生奖励投机现象,或者过度拟合单一标准路径而丧失对等效正确推理路径的泛化能力,导致复杂多跳问答的准确性与可解释性不足。
技术实现思路
1、本技术提供一种基于林麝疾病知识图谱的问答方法,在训练阶段利用包含基础奖励、结构约束、多样性及效率奖励的多目标函数优化策略进行模型优化,在推理阶段利用真实候选边约束限制导航动作空间,可以在保证回答准确性的同时提升模型的可解释性与泛化能力。
2、本技术提供的一种基于林麝疾病知识图谱的问答方法,包括:
3、根据自然语言查询、标准答案实体和林麝疾病知识图谱构造标准推理路径;从所述标准推理路径相关节点扩展得到候选动作集合;以所述自然查询语言为输入所述标准推理路径为标签对基础语言模型进行监督微调,得到初始策略模型;对同一所述自然语言查询:通过所述初始策略模型在所述候选动作集合约束下采样多条预测路径;基于多目标奖励函数计算各所述预测路径的奖励值,所述多目标奖励函数包括基础奖励、路径结构约束奖励、组内相对多样性奖励以及最短等效路径奖励;基于各所述预测路径的奖励值更新所述初始策略模型的参数,得到导航策略模型;
4、响应于接收到自然语言查询,提取查询实体并将所述查询实体链接至林麝疾病知识图谱中的起始节点;以所述起始节点为当前前沿节点,从林麝疾病知识图谱获取候选三元组,并基于预设关系类型集合对所述候选三元组进行过滤,获得真实候选边约束;将所述自然语言查询和所述真实候选边约束输入所述导航策略模型,在所述真实候选边约束下执行路径决策,输出从所述起始节点到答案节点的目标路径;基于所述目标路径提取图谱路径证据,并基于所述自然语言确定文本检索证据,融合所述图谱路径证据与所述文本检索证据生成问答结果。
5、可选地,所述基于预设关系类型集合对所述候选三元组进行过滤,获得真实候选边约束,包括:
6、从所述当前前沿节点获取一跳候选三元组集合;
7、提取所述一跳候选三元组集合中的候选关系;
8、将所述候选关系与所述预设关系类型集合进行匹配,保留属于所述预设关系类型集合的候选关系对应的三元组,形成所述真实候选边约束,所述预设关系类型集合为所述林麝疾病知识图谱中预定义的有效关系集合。
9、可选地,所述在所述真实候选边约束下执行路径决策,输出从所述起始节点到答案节点的目标路径,包括:
10、在每轮迭代中,所述导航策略模型从所述真实候选边约束中选择导航动作,所述导航动作包括选择候选关系、选择下一跳实体或输出停止标记;
11、响应于所述导航动作为选择下一跳实体,将所述下一跳实体更新为所述当前前沿节点;
12、对所述导航动作生成的预测路径中的每条边与所述真实候选边约束进行一致性校验,丢弃不存在于所述真实候选边约束中的边;
13、响应于满足预设终止条件,终止迭代并将校验后的预测路径作为所述目标路径,所述预设终止条件包括输出所述停止标记、所述当前前沿节点耗尽、达到迭代上限或达到三元组数量上限中的至少一种。
14、可选地,所述融合所述图谱路径证据与所述文本检索证据生成问答结果,包括:
15、将所述目标路径中的结构化三元组序列作为所述图谱路径证据;
16、基于所述目标路径中的关键实体或所述自然语言查询,从向量索引中检索相关文本块作为所述文本检索证据;
17、将所述图谱路径证据与所述文本检索证据进行格式化拼接,得到融合上下文;
18、将所述融合上下文和所述自然语言查询输入回答生成模型,生成附带证据来源的所述问答结果。
19、可选地,所述基于所述目标路径中的关键实体或所述自然语言查询,从向量索引中检索相关文本块作为所述文本检索证据,包括:
20、利用嵌入模型将所述自然语言查询编码为查询向量;
21、在所述向量索引中执行相似度检索,获取与所述查询向量相似度最高的预设数量的文本块;
22、执行基于检索意图的规则图检索,得到规则图检索结果,所述检索意图基于所述自然语言查询中的实体类型和关系需求确定;
23、将所述规则图检索结果、所述目标路径以及召回的所述文本块按实体标识及三元组键进行去重,形成统一证据集作为所述融合上下文。
24、可选地,所述提取查询实体并将所述查询实体链接至林麝疾病知识图谱中的起始节点,包括:
25、对所述自然语言查询进行归一化处理,所述归一化处理包括去除冗余字符、主体词清理和口语别名映射;
26、通过上游关键词匹配、语言模型实体抽取、图谱节点名称匹配和启发式句式抽取中的至少两种方式获得初始实体;
27、将所述初始实体按照首次出现顺序去重并截取预设数量,得到所述查询实体;
28、将所述查询实体链接至所述林麝疾病知识图谱中的真实节点,作为所述起始节点。
29、可选地,所述以所述自然查询语言为输入所述标准推理路径为标签对基础语言模型进行监督微调,得到初始策略模型,包括:
30、以所述自然语言查询为输入、所述标准推理路径为标签,构造监督微调训练样本;
31、通过监督微调使基础因果语言模型学习结构化路径输出格式,所述监督微调的损失函数为预测路径与标准推理路径的交叉熵损失;
32、将监督微调后的基础因果语言模型作为所述初始策略模型。
33、可选地,所述基础奖励用于评价路径格式合规性、终点实体匹配度、标准路径匹配度以及有效边比例;
34、所述组内相对多样性奖励用于在所述预测路径命中所述标准答案实体时,基于当前预测路径与同组其他预测路径的三元组集合相似度进行正向评价;
35、所述最短等效路径奖励用于在所述预测路径命中所述标准答案实体且路径长度不超过标准推理路径长度时给予正向评价。
36、可选地,所述路径结构约束奖励包括长度惩罚、链式连贯性约束、重复惩罚和致命拦截;
37、所述长度惩罚基于预测路径长度与标准推理路径长度的差值绝对值进行负向评价;
38、所述链式连贯性约束用于在相邻两个三元组的尾实体与头实体不一致时给予负向评价;
39、所述重复惩罚基于预测路径中的重复边数量和重复节点数量进行负向评价;
40、所述致命拦截用于在所述预测路径既未命中所述标准答案实体又未匹配所述标准推理路径时,给予预设的负向奖励值。
41、可选地,所述基于各所述预测路径的奖励值更新所述初始策略模型的参数,得到导航策略模型,包括:
42、将所述初始策略模型复制为参考模型;
43、根据各所述预测路径的奖励值计算相对于组内奖励均值的优势;基于所述优势更新所述初始策略模型的低秩适配参数,并通过裁剪项限制单步更新幅度,同时通过相对于所述参考模型的kl散度约束防止策略过度偏离,得到所述导航策略模型。
44、如上所述,本技术提供的一种基于林麝疾病知识图谱的问答方法,具有以下有益效果:
45、本技术中的一种基于林麝疾病知识图谱的问答方法,通过在训练阶段使用基于融合基础奖励、路径结构约束奖励、组内相对多样性奖励及最短等效路径奖励构建的多目标奖励函数,使奖励值基于预测路径是否命中标准答案实体确定,能够解决强化学习中的奖励投机问题。通过在推理阶段基于林麝疾病知识图谱获取候选三元组并按预设关系类型集合进行过滤,构建真实候选边约束,将导航策略模型的选择限制在林麝疾病知识图谱真实存储的范围内,能够消除大语言模型自由生成图谱元素导致的事实幻觉,保证问答结果的事实边界清晰可控。
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