CN117076719B - 一种基于大语言模型的数据库联合查询方法、装置和设备 - Google Patents
一种基于大语言模型的数据库联合查询方法、装置和设备 Download PDFInfo
- Publication number
- CN117076719B CN117076719B CN202311314850.4A CN202311314850A CN117076719B CN 117076719 B CN117076719 B CN 117076719B CN 202311314850 A CN202311314850 A CN 202311314850A CN 117076719 B CN117076719 B CN 117076719B
- Authority
- CN
- China
- Prior art keywords
- database
- function
- user
- question
- language model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006870 function Effects 0.000 claims abstract description 168
- 238000005215 recombination Methods 0.000 claims abstract description 9
- 230000006798 recombination Effects 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 230000008521 reorganization Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000012634 fragment Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于大语言模型的数据库联合查询方法、装置和设备。该方法包括:确定用户问题与数据库中数据是否相关;所述数据库包括图数据库和向量数据库;若所述用户问题与所述数据库中数据相关,则将所述用户问题和能力函数提示信息输入大语言模型,并获取所述大语言模型输出的联合查询计划;执行所述联合查询计划从所述数据库中获取联合查询结果;对所述联合查询结果进行语言重组得到问题友好回答,并向用户回复所述问题友好回答;其中,所述能力函数包括图数据库能力函数和向量数据库能力函数,所述联合查询计划包括图数据库能力函数的调用语句和/或向量数据库能力函数的调用语句。本发明实施例可以对用户问题给出准确的回答。
Description
技术领域
本发明涉及数据查询技术领域,尤其涉及一种基于大语言模型的数据库联合查询方法、装置和设备。
背景技术
由于大语言模型只具有通用泛化的知识,这些问答***需要访问企业的内部知识库以提供具有企业自身特色的服务。基于图数据库和向量数据库具有的独特优势,企业经常会同时使用两者来存储其内部知识库的不同信息。在图数据库中存储知识图谱信息和文档结构信息,而在向量知识库中存储文档内容的切片信息,因而在图和向量数据库中存储了互相关联但又不相同的数据信息。
为了准确地回答用户的问题,问答***需要决定如何联合查询图数据库和向量数据库,比如是否需要查询图或向量数据库,以及用什么语句来查询图或向量数据库等等。如何正确地实现这个联合查询是问答***必须解决的技术问题。
对于这个技术问题,目前业界相关的技术方案主要是思维链/思维树(Chain OfThoughts/Tree Of Thoughts)等提示工程(Prompt Engineering)方法即问答***把具有一定设计的对话提示依次发送给大语言模型,大语言模型生成一系列的推理步骤,问答***理解这些步骤的描述然后去查询图和向量数据库以得到结果。
由于图数据库和向量数据库具有不同的特性而又存储各自不同的数据,从而对这两个数据库的单一查询必须限制在其各自存储的数据范围内,同时要限制在其单次查询所能支持的能力范围内。而现有的思维链或思维树的方法仅适合普通的文本推理,但无法清晰地理解图和向量数据库独特的查询限制和能力,从而无法产生正确的推理步骤,无法导出正确的回答,进而容易产生常见的大语言模型的幻觉问题。
发明内容
本发明提供了一种基于大语言模型的数据库联合查询方法、装置和设备,以对用户问题给出准确的回答。
根据本发明的一方面,提供了一种基于大语言模型的数据库联合查询方法,包括:
确定用户问题与数据库中数据是否相关;所述数据库包括图数据库和向量数据库;
若所述用户问题与所述数据库中数据相关,则将所述用户问题和能力函数提示信息输入大语言模型,并获取所述大语言模型输出的联合查询计划;
执行所述联合查询计划从所述数据库中获取联合查询结果;
对所述联合查询结果进行语言重组得到问题友好回答,并向用户回复所述问题友好回答;
其中,所述能力函数包括图数据库能力函数和向量数据库能力函数,所述联合查询计划包括图数据库能力函数的调用语句和/或向量数据库能力函数的调用语句。
根据本发明的另一方面,提供了一种基于大语言模型的数据库联合查询装置,包括:
数据库相关判断模块,用于确定用户问题与数据库中数据是否相关;所述数据库包括图数据库和向量数据库;
查询计划获取模块,用于若所述用户问题与所述数据库中数据相关,则将所述用户问题和能力函数提示信息输入大语言模型,并获取所述大语言模型输出的联合查询计划;
查询计划执行模块,用于执行所述联合查询计划从所述数据库中获取联合查询结果;
用户问题回复模块,用于对所述联合查询结果进行语言重组得到问题友好回答,并向用户回复所述问题友好回答;
其中,所述能力函数包括图数据库能力函数和向量数据库能力函数,所述联合查询计划包括图数据库能力函数的调用语句和/或向量数据库能力函数的调用语句。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的基于大语言模型的数据库联合查询方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于大语言模型的数据库联合查询方法。
本发明实施例通过把图数据库和向量数据库能力函数的提示信息发送给大语言模型,利用大语言模型的代码生成能力产生能够回答用户问题的软件代码序列, 此代码序列主要调用了各能力函数并链接函数之间的输入和输出,执行此动态生成的代码序列,就完成了图和向量数据库的联合查询,得到数据库查询结果,实现对用户问题的准确回答。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明一实施例提供的一种基于大语言模型的数据库联合查询方法的流程图;
图2是根据本发明又一实施例提供的一种基于大语言模型的数据库联合查询方法的流程图;
图3是根据本发明又一实施例提供的一种基于大语言模型的数据库联合查询装置的结构示意图;
图4是实现本发明实施例的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明一实施例提供的一种基于大语言模型的数据库联合查询方法的流程图,本实施例可适用于大语言模型以生成软件代码的方式来回答用户问题,同时限制生成的代码可调用的函数范围为这些数据库的能力函数的情况,该方法可以由基于大语言模型的数据库联合查询装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于具备相应数据处理能力的电子设备中,如智能问***。如图1所示,该方法包括:
S110、确定用户问题与数据库中数据是否相关;所述数据库包括图数据库和向量数据库。
具体的,用户问题先经过查询分类器分类,如果是图和向量数据库中数据相关的查询,就发送到查询执行器进行处理,否则就发送到数据无关查询处理模块进行处理。
S120、若所述用户问题与所述数据库中数据相关,则将所述用户问题和能力函数提示信息输入大语言模型,并获取所述大语言模型输出的联合查询计划。
其中,所述能力函数包括图数据库能力函数和向量数据库能力函数,所述联合查询计划包括图数据库能力函数的调用语句和/或向量数据库能力函数的调用语句。图数据库能力函数和向量数据库能力函数是一组函数,分别表明了图数据库或向量数据库的数据范围和单次查询所能支持的能力范围,每次的函数调用对应于图或向量数据库的单次查询。可以使用python语言来描述能力函数和查询计划,因为python语言目前在人工智能领域占有垄断地位;也可以使用其他支持运行动态生成的代码的语言来实现,比如Javascript,Lua等。
具体的,查询执行器基于大语言模型的代码生成能力,将用户问题以及包含图数据库能力函数和向量数据库能力函数描述的提示信息发送到大语言模型,大语言模型将输出并返回代码序列形式的联合查询计划,代码序列主要由数据库能力函数的调用语句组成,并连接各个语句间的输入和输出。让大语言模型以生成软件代码的方式来回答用户问题,同时限制其生成的代码可调用的函数范围为这些数据库的能力函数,避免执行代码时超出查询限制和能力,生成的软件代码序列就是图和向量数据库的联合查询计划,从而使得大语言模型能清晰地理解图和向量数据库的查询能力,从而生成正确的联合查询计划。
此外,在输入能力函数的提示信息之外,还可将辅助函数的提示信息一并输入大模型,进一步提高代码序列的查询能力。
需要说明的是,向大模型输入的提示信息包括所有能力函数的提示信息,但回答用户问题具体需要从何数据库获取数据,是大模型自行确定的。如果大模型认为只从图数据库获取数据就能回答用户问题,则其输出的联合查询计划中不存在向量数据库能力函数的调用语句;如果大模型认为只从图数据库获取数据就能回答用户问题,则其输出的联合查询计划中不存在向量数据库能力函数的调用语句;如果大模型认为同时需要从向量数据库和图数据均获取数据才能回答用户问题,则其输出的联合查询计划中同时包含向量数据库能力函数的调用语句和图数据库能力函数的调用语句。
示例性的,各函数的定义说明和实现方法如下:
图数据库能力函数:
GDBQuery(query_str: str) -> str
函数说明:输入的query_str为用户问题,这个函数将查询图数据库,返回回答这个问题的结果,
实现方法:基于大语言模型将query_str转换为图数据库支持的查询语句(如opencypher语言查询语句),让图数据库执行产生的查询语句,并返回数据库查询结果。
向量数据库能力函数,包括文档ID能力函数和文档切片能力函数。
文档ID能力函数:
VecGetDocIDs(query_str: str, k: int) -> list[str]
函数说明:对于输入的query_str,这个函数将搜索向量数据库,找到最匹配其内容的前K个文档切片,并返回这些切片对应的有序的文档ID列表(最匹配的在列表前面)。
实现方法:调用向量数据库接口,找到最匹配query_str的前K个文档切片,分别得到各切片元数据中的文档ID,组装成list返回。
文档切片能力函数:
VecGetDocContentSlices(query_str: str, k: int) -> list[str]
函数说明:对于输入的query_str,这个函数将搜索向量数据库,找到最匹配其内容的前K个文档切片,并返回这些切片内容的有序的列表(最匹配的在列表前面)。
实现方法:调用向量数据库接口,找到最匹配query_str的前K个文档切片,把各切片内容组装成list返回。
辅助函数:
SetResult(result: str)
函数说明:设置此查询计划的最终结果为result,这个函数一般只在联合查询计划的代码序列末尾调用一次,
实现方法:设置全局变量来存储联合查询计划的联合查询结果。
S130、执行所述联合查询计划从所述数据库中获取联合查询结果。
S140、对所述联合查询结果进行语言重组得到问题友好回答,并向用户回复所述问题友好回答。
具体的,查询执行器调用python的exec()函数来执行生成的联合查询计划,来从图数据库和/或向量数据库中获取联合查询计划所指向的数据,作为联合查询结果。由于联合查询结果多以知识点的形式存在,无法直接作为用户问题的回答。因此在向用户返回回答之前,答案生成器根据用户问题对联合查询结果进行语言重组,并将语言重组之后的问题友好回答返回给用户。
本发明实施例通过把图数据库和向量数据库能力函数的提示信息发送给大语言模型,利用大语言模型的代码生成能力产生能够回答用户问题的软件代码序列,此代码序列主要调用了各能力函数并链接函数之间的输入和输出,执行此动态生成的代码序列,就完成了图和向量数据库的联合查询,得到数据库查询结果,实现对用户问题的准确回答。
可选的,所述确定用户问题与数据库中数据是否相关之后,还包括:
若所述用户问题与所述数据库中数据无关,则调用大语言模型确定所述用户问题的直接回答。
具体的,在用户问题与所述数据库中数据无关时,数据无关处理模块将用户问题发送给大语言模型,大语言模型将依据其内在知识返回用户问题的直接回答,由问答***通过用户界面(比如网页形式)展现给最终用户。
图2为本发明又一实施例提供的一种基于大语言模型的数据库联合查询方法的流程图,本实施例在上述实施例的基础上进行了优化改进。如图2所示,该方法包括:
S210、将用户问题和分类提示信息输入大语言模型,并获取所述大语言模型输出的分类结果;根据所述分类结果确定所述用户问题与数据库中数据是否相关;
其中,所述分类提示信息包括类别描述和分类样例。
具体的,将用户问题和包含类别描述和分类样例的提示信息发给大语言模型,大语言模型将对用户问题的查询进行分类并返回分类结果,问答***就能根据分类结果判断该用户查询为数据库相关的查询或数据库无关的查询。
S220、若所述用户问题与所述数据库中数据相关,则获取问答样例和能力函数的说明信息;
S230、根据所述问答样例和所述说明信息生成能力函数提示信息;将用户问题和所述提示信息输入大语言模型,获取所述大语言模型输出的联合查询计划。
其中,所述问答样例包括问题样例和所述问题样例的联合查询计划样例。说明信息为人工给出的能力函数的说明定义,用于帮助大语言模型理解能力函数并明确其使用方法。
具体的,除能力函数的说明信息之外,为便于大模型可以更准确地理解能力函数,从而输出准确有效的代码序列。提示信息中除能力函数的说明信息之外,还应包括问答样例,以便大模型同时结合说明信息和问答样例来推理用户问题对应的联合查询计划。
可选的,所述图数据库能力函数的说明信息包括图数据库能力函数的函数说明、支持的输入问题和支持的输出结果;
所述向量数据库能力函数包括文档ID能力函数和文档切片能力函数;
相应的;
所述文档ID能力函数的说明信息包括:对于输入的用户问题,文档ID能力函数搜索向量数据库,找到最匹配用户问题的前K个文档切片,所返回的前K个文档切片对应文档ID的有序列表;
所述文档切片能力函数的说明信息包括:对于输入的用户问题,文档切片能力函数搜索向量数据库,找到最匹配用户问题的前K个文档切片,所返回的前K个文档切片的有序列表。
具体的,基于向量数据中数据的数据形式,可以为向量数据库定义两种函数,以分别从向量数据库中查询得到文档切片或文档ID,具体调用哪个向量数据能力函数,获取哪种形式,同样由大语言模型自行理解确定。
示例性的,能力函数的提示信息内容如下:
任务:请写出python代码片段从给定的信息***提取信息以回答用户问题。该代码片段需要调用上下文环境中提供的函数。
上下文环境:
${信息***的简短描述}
以下函数可以供调用:
GDBQuery(query_str: str) -> str
函数说明:对于输入的query_str用户问题,这个函数将查询图数据库,返回能够回答这个问题的结果,
${图数据库能力的简短说明:图数据库支持的输入问题和输出结果描述的列表}
VecGetDocIDs(query_str: str, k:int) -> list[str]
函数说明:对于输入的query_str,返回最匹配其内容的前K个文档切片所对应的文档ID的有序列表,
VecGetDocContentSlices(query_str: str, k:int) -> list[str]
函数说明:对于输入的query_str,返回最匹配其内容的前K个文档切片的内容的有序列表。
SetResult(result: str)
函数说明:设置此序列查询的最终结果为result,这个函数一般只在代码序列末尾调用一次,
请分析用户的输入问题,并通过以适当的参数来调用以上函数来回答用户问题。
一些样例如下:
${用户问题及其代码片段的样例列表}
S240、执行所述联合查询计划从所述数据库中获取联合查询结果,
S250、将所述用户问题、联合查询结果和友好回答提示信息输入大语言模型,并获取所述大语言模型输出的语言重组结果;将所述语言重组结果确定为问题友好回答。
具体的,答案生成器将用户问题和联合查询结果通过友好回答提示信息发到大语言模型,大语言模型根据友好回答提示信息和用户问题,对于联合查询结果进行语言重组,并将输出重组结果给答案生成器。答案生成器将语言重组结果作为语言重组结果,并通过用户界面(比如网页形式)展现给最终用户。
本发明实施例通过调用大语言模型对用户问题进行分类,对联合查询结果进行重组,进一步提高了查询效率。
图3为本发明又一实施例提供的一种基于大语言模型的数据库联合查询装置的结构示意图。如图3所示,该装置包括:
数据库相关判断模块310,用于确定用户问题与数据库中数据是否相关;所述数据库包括图数据库和向量数据库;
查询计划获取模块320,用于若所述用户问题与所述数据库中数据相关,则将所述用户问题和能力函数提示信息输入大语言模型,并获取所述大语言模型输出的联合查询计划;
查询计划执行模块330,用于执行所述联合查询计划从所述数据库中获取联合查询结果;
用户问题回复模块340,用于对所述联合查询结果进行语言重组得到问题友好回答,并向用户回复所述问题友好回答;
其中,所述能力函数包括图数据库能力函数和向量数据库能力函数,所述联合查询计划包括图数据库能力函数的调用语句和/或向量数据库能力函数的调用语句。
本发明实施例所提供的基于大语言模型的数据库联合查询装置可执行本发明任意实施例所提供的基于大语言模型的数据库联合查询方法,具备执行方法相应的功能模块和有益效果。
可选的,查询计划获取模块320包括:
原始信息获取单元,用于获取问答样例和能力函数的说明信息;所述问答样例包括问题样例和所述问题样例的联合查询计划样例;
提示信息生成单元,用于根据所述问答样例和所述说明信息生成能力函数提示信息;
提示信息输入单元,用于将用户问题和所述提示信息输入大语言模型。
可选的,所述图数据库能力函数的说明信息包括图数据库能力函数的函数说明、支持的输入问题和支持的输出结果;
所述向量数据库能力函数包括文档ID能力函数和文档切片能力函数;
相应的;
所述文档ID能力函数的说明信息包括:对于输入的用户问题,文档ID能力函数搜索向量数据库,找到最匹配用户问题的前K个文档切片,所返回的前K个文档切片对应文档ID的有序列表;
所述文档切片能力函数的说明信息包括:对于输入的用户问题,文档切片能力函数搜索向量数据库,找到最匹配用户问题的前K个文档切片,所返回的前K个文档切片的有序列表。
可选的,所述数据库相关判断模块310包括:
分类结果获取单元,用于将用户问题和分类提示信息输入大语言模型,并获取所述大语言模型输出的分类结果;
数据库相关判断单元,用于根据所述分类结果确定所述用户问题与数据库中数据是否相关;
其中,所述分类提示信息包括类别描述和分类样例。
可选的,所述用户问题回复模块340包括:
重组结果获取单元,用于将所述用户问题、联合查询结果和友好回答提示信息输入大语言模型,并获取所述大语言模型输出的语言重组结果;
用户问题回复单元,用于将所述语言重组结果确定为问题友好回答。
可选的,所述装置还包括:
用户问题直接回答模块,用于若所述用户问题与所述数据库中数据无关,则调用大语言模型确定所述用户问题的直接回答。
进一步说明的基于大语言模型的数据库联合查询装置也可执行本发明任意实施例所提供的基于大语言模型的数据库联合查询方法,具备执行方法相应的功能模块和有益效果。
图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理,例如基于大语言模型的数据库联合查询方法。
在一些实施例中,基于大语言模型的数据库联合查询方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的基于大语言模型的数据库联合查询方法的一个或多个步骤。备选地,在其他实施例中,处理器41可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于大语言模型的数据库联合查询方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (7)
1.一种基于大语言模型的数据库联合查询方法,其特征在于,所述方法包括:
确定用户问题与数据库中数据是否相关;所述数据库包括图数据库和向量数据库;
若所述用户问题与所述数据库中数据相关,则将所述用户问题和能力函数提示信息输入大语言模型,并获取所述大语言模型输出的联合查询计划;所述联合查询计划的代码序列可调用的函数范围被限制为数据库能力函数,所述代码序列由数据库能力函数的调用语句和连接各个调用语句间的输入和输出的代码语句组成;
执行所述联合查询计划从所述数据库中获取联合查询结果;
对所述联合查询结果进行语言重组得到问题友好回答,并向用户回复所述问题友好回答;
其中,所述能力函数包括图数据库能力函数和向量数据库能力函数,所述联合查询计划包括图数据库能力函数的调用语句和/或向量数据库能力函数的调用语句;所述图数据库能力函数和所述向量数据库能力函数均是一组函数,分别表明所述图数据库或所述向量数据库的数据范围和单次查询所能支持的能力范围,每次的函数调用对应于所述图数据库或所述向量数据库的单次查询;所述图数据库能力函数的每次调用均会调用大语言模型以生成图数据库的查询语句;
其中,所述将所述用户问题和能力函数提示信息输入大语言模型包括:
获取问答样例和能力函数的说明信息;所述问答样例包括问题样例和所述问题样例的联合查询计划样例;
根据所述问答样例和所述说明信息生成能力函数提示信息;
将用户问题和所述提示信息输入大语言模型;
所述图数据库能力函数的说明信息包括图数据库能力函数的函数说明、支持的输入问题和支持的输出结果;
所述向量数据库能力函数包括文档ID能力函数和文档切片能力函数;
相应的;
所述文档ID能力函数的说明信息包括:对于输入的用户问题,文档ID能力函数搜索向量数据库,找到最匹配用户问题的前K个文档切片,所返回的前K个文档切片对应文档ID的有序列表;
所述文档切片能力函数的说明信息包括:对于输入的用户问题,文档切片能力函数搜索向量数据库,找到最匹配用户问题的前K个文档切片,所返回的前K个文档切片的有序列表。
2.根据权利要求1所述的方法,其特征在于,所述确定用户问题与数据库中数据是否相关包括:
将用户问题和分类提示信息输入大语言模型,并获取所述大语言模型输出的分类结果;
根据所述分类结果确定所述用户问题与数据库中数据是否相关;
其中,所述分类提示信息包括类别描述和分类样例。
3.根据权利要求1所述的方法,其特征在于,所述对所述联合查询结果进行语言重组得到问题友好回答包括:
将所述用户问题、联合查询结果和友好回答提示信息输入大语言模型,并获取所述大语言模型输出的语言重组结果;
将所述语言重组结果确定为问题友好回答。
4.根据权利要求1所述的方法,其特征在于,所述确定用户问题与数据库中数据是否相关之后,还包括:
若所述用户问题与所述数据库中数据无关,则调用大语言模型确定所述用户问题的直接回答。
5.一种基于大语言模型的数据库联合查询装置,其特征在于,所述装置包括:
数据库相关判断模块,用于确定用户问题与数据库中数据是否相关;所述数据库包括图数据库和向量数据库;
查询计划获取模块,用于若所述用户问题与所述数据库中数据相关,则将所述用户问题和能力函数提示信息输入大语言模型,并获取所述大语言模型输出的联合查询计划;所述联合查询计划的代码序列可调用的函数范围被限制为数据库能力函数,所述代码序列由数据库能力函数的调用语句和连接各个调用语句间的输入和输出的代码语句组成;
查询计划执行模块,用于执行所述联合查询计划从所述数据库中获取联合查询结果;
用户问题回复模块,用于对所述联合查询结果进行语言重组得到问题友好回答,并向用户回复所述问题友好回答;
其中,所述能力函数包括图数据库能力函数和向量数据库能力函数,所述联合查询计划包括图数据库能力函数的调用语句和/或向量数据库能力函数的调用语句;所述图数据库能力函数和所述向量数据库能力函数均是一组函数,分别表明所述图数据库或所述向量数据库的数据范围和单次查询所能支持的能力范围,每次的函数调用对应于所述图数据库或所述向量数据库的单次查询;所述图数据库能力函数的每次调用均会调用大语言模型以生成图数据库的查询语句;
其中,所述查询计划获取模块包括:
原始信息获取单元,用于获取问答样例和能力函数的说明信息;所述问答样例包括问题样例和所述问题样例的联合查询计划样例;
提示信息生成单元,用于根据所述问答样例和所述说明信息生成能力函数提示信息;提示信息输入单元,用于将用户问题和所述提示信息输入大语言模型;
其中,所述图数据库能力函数的说明信息包括图数据库能力函数的函数说明、支持的输入问题和支持的输出结果;
所述向量数据库能力函数包括文档ID能力函数和文档切片能力函数;
相应的;
所述文档ID能力函数的说明信息包括:对于输入的用户问题,文档ID能力函数搜索向量数据库,找到最匹配用户问题的前K个文档切片,所返回的前K个文档切片对应文档ID的有序列表;
所述文档切片能力函数的说明信息包括:对于输入的用户问题,文档切片能力函数搜索向量数据库,找到最匹配用户问题的前K个文档切片,所返回的前K个文档切片的有序列表。
6.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的基于大语言模型的数据库联合查询方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的基于大语言模型的数据库联合查询方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311314850.4A CN117076719B (zh) | 2023-10-12 | 2023-10-12 | 一种基于大语言模型的数据库联合查询方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311314850.4A CN117076719B (zh) | 2023-10-12 | 2023-10-12 | 一种基于大语言模型的数据库联合查询方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117076719A CN117076719A (zh) | 2023-11-17 |
CN117076719B true CN117076719B (zh) | 2024-04-19 |
Family
ID=88706387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311314850.4A Active CN117076719B (zh) | 2023-10-12 | 2023-10-12 | 一种基于大语言模型的数据库联合查询方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076719B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271700B (zh) * | 2023-11-23 | 2024-02-06 | 武汉蓝海科创技术有限公司 | 集成智能学习功能的设备使用与维修知识库的构建*** |
CN117312535B (zh) * | 2023-11-28 | 2024-06-28 | 中国平安财产保险股份有限公司 | 基于人工智能的问题数据处理方法、装置、设备及介质 |
CN117473071B (zh) * | 2023-12-27 | 2024-04-05 | 珠海格力电器股份有限公司 | 数据检索方法、装置、设备及计算机可读介质 |
CN118035320B (zh) * | 2024-04-10 | 2024-07-12 | 北京枫清科技有限公司 | 融合数据库的数据查询方法、装置、设备和介质 |
CN118245591A (zh) * | 2024-05-30 | 2024-06-25 | 中国电子科技集团公司第十五研究所 | 基于元数据特征和思维链的多表关联大语言模型问答方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9552412B1 (en) * | 2016-04-07 | 2017-01-24 | Quid, Inc. | Boolean-query composer |
US11216454B1 (en) * | 2011-12-19 | 2022-01-04 | Actian Sub Iii, Inc. | User defined functions for database query languages based on call-back functions |
CN116226350A (zh) * | 2023-03-03 | 2023-06-06 | 北京优特捷信息技术有限公司 | 一种文档查询方法、装置、设备和存储介质 |
WO2023122344A1 (en) * | 2021-12-23 | 2023-06-29 | Comake, Inc. | Methods and systems for shared language framework for composability of software translativity of information |
CN116483962A (zh) * | 2023-03-30 | 2023-07-25 | 深圳派氪司科技有限公司 | 一种问答方法、装置、终端设备及可读存储介质 |
CN116628172A (zh) * | 2023-07-24 | 2023-08-22 | 北京酷维在线科技有限公司 | 基于知识图谱的政务服务领域多策略融合的对话方法 |
CN116737908A (zh) * | 2023-07-19 | 2023-09-12 | 北京百度网讯科技有限公司 | 知识问答方法、装置、设备和存储介质 |
CN116775853A (zh) * | 2023-06-28 | 2023-09-19 | 唯思电子商务(深圳)有限公司 | 一种基于大语言模型的企业内部搜索引擎方法 |
CN116775847A (zh) * | 2023-08-18 | 2023-09-19 | 中国电子科技集团公司第十五研究所 | 一种基于知识图谱和大语言模型的问答方法和*** |
CN116842036A (zh) * | 2023-06-28 | 2023-10-03 | 平安科技(深圳)有限公司 | 数据查询方法、装置、计算机设备及存储介质 |
-
2023
- 2023-10-12 CN CN202311314850.4A patent/CN117076719B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11216454B1 (en) * | 2011-12-19 | 2022-01-04 | Actian Sub Iii, Inc. | User defined functions for database query languages based on call-back functions |
US9552412B1 (en) * | 2016-04-07 | 2017-01-24 | Quid, Inc. | Boolean-query composer |
WO2023122344A1 (en) * | 2021-12-23 | 2023-06-29 | Comake, Inc. | Methods and systems for shared language framework for composability of software translativity of information |
CN116226350A (zh) * | 2023-03-03 | 2023-06-06 | 北京优特捷信息技术有限公司 | 一种文档查询方法、装置、设备和存储介质 |
CN116483962A (zh) * | 2023-03-30 | 2023-07-25 | 深圳派氪司科技有限公司 | 一种问答方法、装置、终端设备及可读存储介质 |
CN116775853A (zh) * | 2023-06-28 | 2023-09-19 | 唯思电子商务(深圳)有限公司 | 一种基于大语言模型的企业内部搜索引擎方法 |
CN116842036A (zh) * | 2023-06-28 | 2023-10-03 | 平安科技(深圳)有限公司 | 数据查询方法、装置、计算机设备及存储介质 |
CN116737908A (zh) * | 2023-07-19 | 2023-09-12 | 北京百度网讯科技有限公司 | 知识问答方法、装置、设备和存储介质 |
CN116628172A (zh) * | 2023-07-24 | 2023-08-22 | 北京酷维在线科技有限公司 | 基于知识图谱的政务服务领域多策略融合的对话方法 |
CN116775847A (zh) * | 2023-08-18 | 2023-09-19 | 中国电子科技集团公司第十五研究所 | 一种基于知识图谱和大语言模型的问答方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN117076719A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117076719B (zh) | 一种基于大语言模型的数据库联合查询方法、装置和设备 | |
CN114610845B (zh) | 基于多***的智能问答方法、装置和设备 | |
CN114816578B (zh) | 基于配置表的程序配置文件生成方法、装置及设备 | |
CN115481227A (zh) | 人机交互对话方法、装置以及设备 | |
CN116611411A (zh) | 一种业务***报表生成方法、装置、设备及存储介质 | |
CN117112595A (zh) | 一种信息查询方法、装置、电子设备及存储介质 | |
CN113220710B (zh) | 数据查询方法、装置、电子设备以及存储介质 | |
CN117909560A (zh) | 搜索方法、模型的训练方法、装置、设备、介质及程序产品 | |
CN114036397B (zh) | 数据推荐方法、装置、电子设备和介质 | |
CN116303013A (zh) | 源码分析方法、装置、电子设备及存储介质 | |
CN116166814A (zh) | 事件检测方法、装置、设备以及存储介质 | |
CN113239054A (zh) | 信息生成方法、相关装置及计算机程序产品 | |
CN114996557B (zh) | 服务稳定性确定方法、装置、设备以及存储介质 | |
CN118012936A (zh) | 一种数据抽取方法、装置、设备及存储介质 | |
CN118093805A (zh) | 一种问答方法、装置、电子设备及存储介质 | |
CN115543822A (zh) | 接口变更的影响范围识别方法、装置、设备及介质 | |
CN117971872A (zh) | 一种数据库查询方法、装置、设备及存储介质 | |
CN117669571A (zh) | 一种知识图谱间的实体对齐方法、装置、设备及介质 | |
CN117633194A (zh) | 大模型提示数据处理方法、装置、电子设备及存储介质 | |
CN118193577A (zh) | 数据处理方法和装置、电子设备、计算机可读存储介质 | |
CN117194634A (zh) | 一种人工智能交互方法、装置、电子设备及存储介质 | |
CN116303578A (zh) | 一种查询表达式处理方法、装置、设备及存储介质 | |
CN115658869A (zh) | 一种实体检索方法、装置、电子设备及存储介质 | |
CN118210908A (zh) | 一种检索增强方法、装置、电子设备及存储介质 | |
CN117033776A (zh) | 一种车辆意图识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |