CN117194730B - 一种意图识别和问答方法、装置、电子设备及存储介质 - Google Patents
一种意图识别和问答方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117194730B CN117194730B CN202311460493.2A CN202311460493A CN117194730B CN 117194730 B CN117194730 B CN 117194730B CN 202311460493 A CN202311460493 A CN 202311460493A CN 117194730 B CN117194730 B CN 117194730B
- Authority
- CN
- China
- Prior art keywords
- sub
- chain
- answered
- questions
- question
- 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 67
- 238000000547 structure data Methods 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 238000009411 base construction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims 1
- 239000013598 vector Substances 0.000 abstract description 24
- 230000008569 process Effects 0.000 abstract description 22
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 8
- 230000003340 mental effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 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
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects 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
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种意图识别和问答方法、装置、电子设备及存储介质,包括:基于待回答问题对应的本地知识生成图结构数据,基于图结构数据构建本地知识库,并生成本地知识库的图结构信息;根据图结构信息,通过大语言模型构建待回答问题对应的思维链;基于思维链在本地知识库中执行图查询,得到待回答问题的回答结果。本发明实施例的技术方案,解决了现有的知识问答***,当用户问题格式多样时,向量召回准确率下降的问题;在用户提出跨主题问题,召回内容与问题不匹配的问题;以及,复杂问题大模型推理过程与推理结论不匹配的问题,实现了减少用户提问方式的限制,提高知识问答***的鲁棒性,以及对复杂问题的理解与推理总结准确率。
Description
技术领域
本发明涉及自然语言处理技术领域,尤其涉及一种意图识别和问答方法、装置、电子设备及存储介质。
背景技术
目前存在以大语言模型(Large Language Model,LLM)为基础的知识问答***,其中一类方法尝试首先利用LLM对已有信息提取抽象特征生成向量表达,并存入数据库;之后利用LLM对用户问题提取特征生成向量表达,通过向量召回的方式搜索数据库中与问题匹配的内容最后利用LLM处理问题和搜索结果得到相应答案。
该方案存在以下问题:使用场景中用户问题格式多样,向量召回准确率下降;使用场景中用户提出跨主题问题,该方案召回内容与问题不匹配;复杂问题大模型推理过程与推理结论不匹配。
因此,如何提高复杂问题的回答准确率是目前亟待解决的技术问题。
发明内容
本发明提供了一种意图识别和问答方法、装置、电子设备及存储介质,以实现对复杂问题的准确回答,减少用户提问方式的限制,提高问答***的鲁棒性。
根据本发明的一方面,提供了一种意图识别和问答方法,包括:
基于待回答问题对应的本地知识生成图结构数据,基于所述图结构数据构建本地知识库,并生成所述本地知识库的图结构信息;
根据所述图结构信息,通过大语言模型构建所述待回答问题对应的思维链;
基于所述思维链在所述本地知识库中执行图查询,得到所述待回答问题的回答结果。
根据本发明的另一方面,提供了一种意图识别和问答装置,包括:
知识库构建模块,用于基于待回答问题对应的本地知识生成图结构数据,基于所述图结构数据构建本地知识库,并生成所述本地知识库的图结构信息;
思维链确定模块,用于根据所述图结构信息,通过大语言模型构建所述待回答问题对应的思维链;
图查询模块,用于基于所述思维链在所述本地知识库中执行图查询,得到所述待回答问题的回答结果。
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意图识别和问答方法。
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意图识别和问答方法。
本发明实施例的技术方案,通过待回答问题对应的本地知识生成图结构数据,基于图结构数据构建本地知识库,并生成本地知识库的图结构信息;根据图结构信息,通过大语言模型构建待回答问题对应的思维链;基于思维链在本地知识库中执行图查询,得到待回答问题的回答结果。解决了现有的知识问答***,当用户问题格式多样时,向量召回准确率下降的问题;在用户提出跨主题问题,召回内容与问题不匹配的问题;以及,复杂问题大模型推理过程与推理结论不匹配的问题,实现了减少用户提问方式的限制,提高知识问答***的鲁棒性,以及对复杂问题的理解与推理总结准确率。
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为本发明实施例提供了一种意图识别和问答方法的流程图;
图2为本发明又一实施例提供的一种意图识别和问答方法的流程图;
图3为本发明又一实施例提供的一种问答流程图;
图4为本发明实施例提供的一种意图识别和问答装置的结构示意图;
图5为实施本发明的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。
为进一步明确本发明的技术效果,在引入具体实施例之前,对现有技术进一步做如下说明:
目前存在以LLM为基础的知识问答***,该***首先利用LLM对已有信息提取抽象特征生成向量表达,并存入数据库;之后利用LLM对用户问题提取特征生成向量表达,通过向量召回的方式搜索数据库中与问题匹配的内容;最后利用LLM处理问题和搜索结果,得到相应答案。该方案存在以下问题:
使用场景中用户问题格式多样,向量召回准确率下降。例如,当用户问题为:一周前买了马拉松跑鞋,收到货之后发现存在质量问题,怀疑是假货;和商家沟通后,商家认为买家掉包了,该怎么办。LLM基于用户问题文本进行特征提取生成向量表达式,在数据库中查找匹配的相似特征向量以及将相似特征向量对应的文本作为搜索结果;进而将用户问题和搜索结果作为LLM的输入,得到与用户问题对应的答案。然而,在提取特征向量的过程中,由于提取的是整个问题文本对应的向量特征,实际上仅需提取“遇到假货该怎么办”这一文本的向量特征;也即,用户问题对应的特征向量中存在干扰信息,进而导致向量召回准确率下降。
使用场景中用户提出跨主题的问题时,该方案召回内容与问题不匹配。例如,用户问题为:迟到了6分钟应该罚款多少?用户问题涉及考勤制度和惩罚奖励两部分知识,导致召回结果与问题匹配度低。
复杂问题大模型推理过程与推理结论不匹配。例如,用户问题为:小明计划卖掉玩具买游戏。他有13套乐高,每套100元。他买了8套游戏,每套60元,最终还剩下20元,他还剩下多少套乐高?答:他开始拥有13套乐高。每套100元,所以他可以卖出13x100=1300元。他用这笔钱买了8套游戏,每套60元。这意味着他在游戏上花了8x60=480元。他还剩下20元,所以他总共必须有480元+20元=500元。问题答案是0。
针对上述问题,本发明实施例的方案,基于本地知识库的图结构信息对用户问题进行问题拆解和符号化表达,得到思维链,基于思维链进行知识查询和大模型推理,最终完成复杂问题回答:
a.用户提出复杂问题(比如跨主题,存在推理链条时),意味着知识库中的单条知识不足以回答该问题,此时不适宜直接通过向量召回得到问题答案;本方案将复杂问题解构为多个简单子问题,然后将子问题转换为多条查询链,基于图查询可以精准获取知识库中的多条知识。
b.本方案将子问题间关系符号化表达,避免出现大模型推理过程正确,推理结果错误的情况,帮助大模型将子问题回答组织起来,完成原始复杂问题的回答。
图1为本发明实施例提供了一种意图识别和问答方法的流程图,本实施例可适用于对用户问题进行回答的情况,该方法可以由意图识别和问答装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于问答***中等。
如图1所示,该方法包括:
S110、基于待回答问题对应的本地知识生成图结构数据,基于所述图结构数据构建本地知识库,并生成所述本地知识库的图结构信息。
其中,待回答问题可理解为用户输入的问题,待回答问题可以为任意格式的问题,如不同句式的问题或者包含了冗余信息的问题;待回答问题还可以是复杂问题,即包含了推理链的问题。本地知识包括但不限于本地文档、音视频等,例如,构建某项业务领域对应的问答***时,即可将该项业务领域相关的文档、音视频等作为本地知识。
图结构数据指的是以节点、边为结构的数据,图结构信息指的是本地知识库中所含的节点、节点之间的关系以及节点的属性信息等。
在本发明实施例中,预先获取与待回答问题对应的本地知识,通过相应的数据处理方式,将本地知识转换为图结构数据,并存储图结构数据以形成本地知识库。在形成本地知识库以后,生成与本地知识库对应的图结构信息,图结构信息可理解为本地知识库的概要信息,能够表示本地知识库的结构和内容,通过图结构信息能够更好地对本地知识库进行各种操作,例如,图查询操作。
在本发明实施例中,所述基于待回答问题对应的本地知识生成图结构数据,基于所述图结构数据构建本地知识库,包括:获取待回答问题对应的本地文档,将所述本地文档解析得到图结构数据,并将所述图结构数据存储到图数据库中,以得到所述本地知识库。
其中,待回答问题与本地文档的领域相对应,如待回答问题为业务领域A对应的问题,相应的本地文档即为业务领域A相关联的文档,本地文档可以是文本、图像、音频等存储在本地的文档。
具体的,可以运用自然语言处理技术,如命名实体识别、关系抽取等,从本地文档中提取出有用的信息,并以图的形式表示。对于图像或音频等非文本数据,也可以通过类似的方式提取出其中的信息,转化为图结构数据。比如,对于图像可以使用计算机视觉技术识别出其中的物体和它们的相互关系。对于音频,可以转化成文本形式,再进行处理。将得到的图结构数据存储到本地,形成本地知识库。
S120、根据所述图结构信息,通过大语言模型构建所述待回答问题对应的思维链。
在本发明实施例中,思维链可理解为与待回答问题的意图对应的信息链,思维链是通过符号和图结构信息中部分信息表示待回答问题的意图。大语言模型可按照图结构信息,构建与待回答问题对应的思维链,通过该思维链表达待回答问题的意图。
示例性的,当待回答问题为:A大学有多少学生?思维链可标表示为(symbol:p,studyAt,A)&edge&(person,studyAt,university)#(symbol:p,count,symbol:n)&logic&count。其中,(symbol:p,studyAt,A)代表在学校A学习的用户p,&代表与的关系,edge代表边关系,(person,studyAt,university)代表边关系为:用户-学习-大学,#用于连接不同的子步骤,(symbol:p,count,symbol:n)&logic&count代表计算用户p的总数n。logic&count代表计算逻辑。
S130、基于所述思维链在所述本地知识库中执行图查询,得到所述待回答问题的回答结果。
可以理解的是,思维链中包含了图结构信息中的部分信息,如节点属性、边关系等;思维链中还包含用于表示节点属性、边关系之间逻辑关系的特殊符号,如&、edge和#等,edge代表边关系,#用户连接不同的子步骤,logic代表执行逻辑。因此,可以依据思维链在本地知识库中执行图查询,得到待回答问题对应的回答结果。
本发明实施例的技术方案,通过待回答问题对应的本地知识生成图结构数据,基于图结构数据构建本地知识库,并生成本地知识库的图结构信息;根据图结构信息,通过大语言模型构建待回答问题对应的思维链;基于思维链在本地知识库中执行图查询,得到待回答问题的回答结果。解决了现有的知识问答***,当用户问题格式多样时,向量召回准确率下降的问题;在用户提出跨主题问题,召回内容与问题不匹配的问题;以及,复杂问题大模型推理过程与推理结论不匹配的问题,实现了减少用户提问方式的限制,提高知识问答***的鲁棒性,以及对复杂问题的理解与推理总结准确率。
图2为本发明又一实施例提供的一种意图识别和问答方法的流程图,本实施例为上述实施例的优选实施例。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。如图2所示,该方法包括:
S210、基于待回答问题对应的本地知识生成图结构数据,基于所述图结构数据构建本地知识库,并生成所述本地知识库的图结构信息。
S220、根据所述图结构信息,通过大语言模型将所述待回答问题拆分为多个子问题。
具体的,按照图结构信息,通过大语言模型将待回答问题拆分为多个子问题,多个子问题对应的意图与待回答问题的意图相匹配。例如当待回答问题为:A大学男生占多少百分比;将待回答问题拆分为多个子问题分别为:A大学有多少名学生、A大学有多少名男生、男生占学生的百分比是多少。
在本发明实施例中,所述根据所述图结构信息,通过大语言模型将所述待回答问题拆分为多个子问题,包括:基于引导工程中的问题拆分引导信息,引导所述大语言模型,按照所述图结构信息,将所述待回答问题拆分成为多个所述子问题。
其中,引导工程用于引导大语言模型执行问题拆分过程,问题拆分引导信息可以是问题拆分的例子;例如,用户可以预先设置一个问题,将该问题拆分为多个子问题,进而把该问题以及该问题对应的子问题作为例子,也即作为问题拆分引导信息。
具体的,大语言模型不能像其他编程语言一样被直接控制,但可以通过引导提示工程来引导其思考和执行过程,引导提示工程是一种引导LLM按照某种格式和逻辑完成推理的控制方法,本实施例的引导工程能够基于问题拆分引导信息,引导大语言模型执行问题拆分的过程。也即,使大语言模型能够具备对问题拆分的能力,实现根据图结构信息,对待回答问题进行拆分,得到待回答问题对应的多个子问题。
还需要说明的是,本实施例中执行对待回答问题拆分的过程中,是依据图结构信息中包含的节点、节点之间的关系以及节点的属性信息等进行问题拆分的,子问题能够正确表达待回答问题在相应领域的意图,进而提高回答结果的准确性。
S230、针对每个所述子问题,根据所述图结构信息,通过大语言模型生成所述子问题对应的思维子链。
在本发明实施例中,所述针对每个所述子问题,根据所述图结构信息,通过大语言模型生成所述子问题对应的思维子链,包括:基于所述引导工程中的思维链生成引导信息,引导所述大语言模型,按照所述图结构信息,生成与所述子问题对应的思维子链。
其中,思维链生成引导信息用于引导大语言模型执行思维子链的生成操作,思维子链指的是与子问题对应的思维链,每子问题均对应一个思维子链。
具体的,用户可以预先编辑思维子链的生成例子作为思维链生成引导信息,大语言模型可依据该思维链生成引导信息,执行思维子链的生成操作,得到每个子问题对应的思维子链。
还需要说明的是,执行思维子链的生成过程和问题拆分过程,可分开执行也可合并在一起同时执行。如果分开执行,则需要通过问题拆分引导信息引导大语言模型执行拆分过程,通过思维链生成引导信息引导大语言模型执行思维子链生成过程。如果合并执行,则可以将某个问题对应的拆分引导信息和思维链生成引导信息作为整体,引导大语言模型执行上述拆分和生成过程。
在上述实施例的基础上,所述引导所述大语言模型,按照所述图结构信息,生成与所述子问题对应的思维子链,包括:根据所述图结构信息,引导所述大语言模型确定所述子问题对应的属性信息、边信息和逻辑信息;基于预设符号和所述属性信息、所述边信息和所述逻辑信息,生成所述思维子链。
在本实施例中,预设符号指的是预先设定好其含义的符号,例如,符号&代表“与”的关系,edge代表边,logic代表运算逻辑,count代表执行计数,#用于连接子步骤。
具体的,当确定子问题以后,可根据子问题中包含的文本,文本之间的关系,在图结构信息中查找对应的属性信息、边信息等,通过相应的预设符号表达属性信息和边信息之间的逻辑关系,以及需要执行的运算逻辑等。例如,当子问题为A大学有多少名学生,思维子链为:(symbol:p,studyAt,Pennsylvania)&edge&(person,studyAt,university)#(symbol:p,count,symbol:n)&logic&count。
S240、基于预设规则将多个所述思维子链转换为图查询语言,以在所述本地知识库中执行查询操作,得到所待回答问题的回答结果。
在本发明实施例中,预设规则指的思维子链转换为图查询语言的规则,即通过预设规则将多个思维子链转换为图查询语言执行查询操作,得到回答结果。
在一优选的实施例中,执行如下问答流程,参考图3,图3为本发明又一实施例提供的一种问答流程图;
a:输入问题,
b:将问题拆解为子问题基于图schema(即图结构信息)将子问题及之间关系重构为思维链,
c:根据重构后的思维链,查询知识库并完成回答,
d:根据规则将符号化语言转化为图查询和python脚本,处理结果并返回。
本发明实施例的技术方案,通过待回答问题对应的本地知识生成图结构数据,基于图结构数据构建本地知识库,并生成本地知识库的图结构信息;根据图结构信息,通过大语言模型构建待回答问题对应的思维链;基于思维链在本地知识库中执行图查询,得到待回答问题的回答结果。解决了现有的知识问答***,当用户问题格式多样时,向量召回准确率下降的问题;在用户提出跨主题问题,召回内容与问题不匹配的问题;以及,复杂问题大模型推理过程与推理结论不匹配的问题,实现了减少用户提问方式的限制,提高知识问答***的鲁棒性,以及对复杂问题的理解与推理总结准确率。
本发明实施例的技术方案,基于本地图结构知识库的结构信息即图模式(点边类型连接关系、属性信息等),利用LLM对原始问题做意图识别,避免用户问题中冗余信息的干扰。将用户问题转化为图查询,相比向量召回,对本地知识的利用更加精准可靠。将复杂问题拆解为子问题,并符号化表达子问题结果与原问题间关系,使用规则而不是大模型完成复杂推理。
图4为本发明实施例提供的一种意图识别和问答装置的结构示意图。如图4所示,该装置包括:
知识库构建模块310,用于基于待回答问题对应的本地知识生成图结构数据,基于所述图结构数据构建本地知识库,并生成所述本地知识库的图结构信息;
思维链确定模块320,用于根据所述图结构信息,通过大语言模型构建所述待回答问题对应的思维链;
图查询模块330,用于基于所述思维链在所述本地知识库中执行图查询,得到所述待回答问题的回答结果。
本发明实施例的技术方案,通过待回答问题对应的本地知识生成图结构数据,基于图结构数据构建本地知识库,并生成本地知识库的图结构信息;根据图结构信息,通过大语言模型构建待回答问题对应的思维链;基于思维链在本地知识库中执行图查询,得到待回答问题的回答结果。解决了现有的知识问答***,当用户问题格式多样时,向量召回准确率下降的问题;在用户提出跨主题问题,召回内容与问题不匹配的问题;以及,复杂问题大模型推理过程与推理结论不匹配的问题,实现了减少用户提问方式的限制,提高知识问答***的鲁棒性,以及对复杂问题的理解与推理总结准确率。
在上述实施例的基础上,所述知识库构建模块310,包括:
本地知识库构建子模块,用于获取待回答问题对应的本地文档,将所述本地文档解析得到图结构数据,并将所述图结构数据存储到图数据库中,以得到所述本地知识库;
其中,所述待回答问题与所述本地文档的领域相对应。
在上述实施例的基础上,所述思维链确定模块320,包括:
问题拆分子模块,用于根据所述图结构信息,通过大语言模型将所述待回答问题拆分为多个子问题;
思维链生成子模块,用于针对每个所述子问题,根据所述图结构信息,通过大语言模型生成所述子问题对应的思维子链。
在上述实施例的基础上,所述问题拆分子模块,包括:
问题拆分单元,用于基于引导工程中的问题拆分引导信息,引导所述大语言模型,按照所述图结构信息,将所述待回答问题拆分成为多个所述子问题;
其中,所述待回答问题的意图和多个所述子问题的意图一致。
在上述实施例的基础上,所述思维链生成子模块,包括:
思维子链生成单元,用于基于所述引导工程中的思维链生成引导信息,引导所述大语言模型,按照所述图结构信息,生成与所述子问题对应的思维子链。
在上述实施例的基础上,所述思维链生成单元,具体用于:
根据所述图结构信息,引导所述大语言模型确定所述子问题对应的属性信息、边信息和逻辑信息;
基于预设符号和所述属性信息、所述边信息和所述逻辑信息,生成所述思维子链。
在上述实施例的基础上,所述图查询模块330,包括:
图查询子模块,用于基于预设规则将多个所述思维子链转换为图查询语言,以在所述本地知识库中执行查询操作,得到所待回答问题的回答结果。
本发明实施例所提供的意图识别和问答装置可执行本发明任意实施例所提供的意图识别和问答方法,具备执行方法相应的功能模块和有益效果。
图5为实施本发明的实施例的电子设备的结构示意图。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5所示,电子设备50包括至少一个处理器51,以及与至少一个处理器51通信连接的存储器,如只读存储器(ROM)52、随机访问存储器(RAM)53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51可以根据存储在只读存储器(ROM)52中的计算机程序或者从存储单元58加载到随机访问存储器(RAM)53中的计算机程序,来执行各种适当的动作和处理。在RAM 53中,还可存储电子设备50操作所需的各种程序和数据。处理器51、ROM 52以及RAM 53通过总线54彼此相连。输入/输出(I/O)接口55也连接至总线54。
电子设备50中的多个部件连接至I/O接口55,包括:输入单元56,例如键盘、鼠标等;输出单元57,例如各种类型的显示器、扬声器等;存储单元58,例如磁盘、光盘等;以及通信单元59,例如网卡、调制解调器、无线通信收发机等。通信单元59允许电子设备50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51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51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51执行上文所描述的各个方法和处理,例如意图识别和问答方法。
在一些实施例中,意图识别和问答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58。在一些实施例中,计算机程序的部分或者全部可以经由ROM 52和/或通信单元59而被载入和/或安装到电子设备50上。当计算机程序加载到RAM 53并由处理器51执行时,可以执行上文描述的意图识别和问答方法的一个或多个步骤。备选地,在其他实施例中,处理器51可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行意图识别和问答方法。
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 (6)
1.一种意图识别和问答方法,其特征在于,包括:
基于待回答问题对应的本地知识生成图结构数据,基于所述图结构数据构建本地知识库,并生成所述本地知识库的图结构信息;
根据所述图结构信息,通过大语言模型构建所述待回答问题对应的思维链;其中,所述思维链是与待回答问题的意图对应的信息链,所述思维链是通过符号和图结构信息中部分信息表示所述待回答问题的意图;
基于所述思维链在所述本地知识库中执行图查询,得到所述待回答问题的回答结果;
所述根据所述图结构信息,通过大语言模型构建所述待回答问题对应的思维链,包括:
根据所述图结构信息,通过大语言模型将所述待回答问题拆分为多个子问题;针对每个所述子问题,根据所述图结构信息,通过大语言模型生成所述子问题对应的思维子链;
所述根据所述图结构信息,通过大语言模型将所述待回答问题拆分为多个子问题,包括:基于引导工程中的问题拆分引导信息,引导所述大语言模型,按照所述图结构信息,将所述待回答问题拆分成为多个所述子问题;其中,所述待回答问题的意图和多个所述子问题的意图一致;
所述针对每个所述子问题,根据所述图结构信息,通过大语言模型生成所述子问题对应的思维子链,包括:基于所述引导工程中的思维链生成引导信息,引导所述大语言模型,按照所述图结构信息,生成与所述子问题对应的思维子链;
所述引导所述大语言模型,按照所述图结构信息,生成与所述子问题对应的思维子链,包括:根据所述图结构信息,引导所述大语言模型确定所述子问题对应的属性信息、边信息和逻辑信息;基于预设符号和所述属性信息、所述边信息和所述逻辑信息,生成所述思维子链。
2.根据权利要求1所述的方法,其特征在于,所述基于待回答问题对应的本地知识生成图结构数据,基于所述图结构数据构建本地知识库,包括:
获取待回答问题对应的本地文档,将所述本地文档解析得到图结构数据,并将所述图结构数据存储到图数据库中,以得到所述本地知识库;
其中,所述待回答问题与所述本地文档的领域相对应。
3.根据权利要求1所述的方法,其特征在于,所述基于所述思维链在所述本地知识库中执行图查询,得到所述待回答问题的回答结果,包括:
基于预设规则将多个所述思维子链转换为图查询语言,以在所述本地知识库中执行查询操作,得到所待回答问题的回答结果。
4.一种意图识别和问答装置,其特征在于,包括:
知识库构建模块,用于基于待回答问题对应的本地知识生成图结构数据,基于所述图结构数据构建本地知识库,并生成所述本地知识库的图结构信息;
思维链确定模块,用于根据所述图结构信息,通过大语言模型构建所述待回答问题对应的思维链;其中,所述思维链是与待回答问题的意图对应的信息链,所述思维链是通过符号和图结构信息中部分信息表示所述待回答问题的意图;
图查询模块,用于基于所述思维链在所述本地知识库中执行图查询,得到所述待回答问题的回答结果;
所述思维链确定模块,包括:问题拆分子模块,用于根据所述图结构信息,通过大语言模型将所述待回答问题拆分为多个子问题;思维链生成子模块,用于针对每个所述子问题,根据所述图结构信息,通过大语言模型生成所述子问题对应的思维子链;
所述问题拆分子模块,包括:问题拆分单元,用于基于引导工程中的问题拆分引导信息,引导所述大语言模型,按照所述图结构信息,将所述待回答问题拆分成为多个所述子问题;其中,所述待回答问题的意图和多个所述子问题的意图一致;
所述思维链生成子模块,包括:思维子链生成单元,用于基于所述引导工程中的思维链生成引导信息,引导所述大语言模型,按照所述图结构信息,生成与所述子问题对应的思维子链;
所述思维链生成单元,具体用于:根据所述图结构信息,引导所述大语言模型确定所述子问题对应的属性信息、边信息和逻辑信息;基于预设符号和所述属性信息、所述边信息和所述逻辑信息,生成所述思维子链。
5.一种电子设备,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1-3中任一项所述的意图识别和问答方法。
6.一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1-3中任一项所述的意图识别和问答方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311460493.2A CN117194730B (zh) | 2023-11-06 | 2023-11-06 | 一种意图识别和问答方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311460493.2A CN117194730B (zh) | 2023-11-06 | 2023-11-06 | 一种意图识别和问答方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117194730A CN117194730A (zh) | 2023-12-08 |
CN117194730B true CN117194730B (zh) | 2024-02-20 |
Family
ID=89003748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311460493.2A Active CN117194730B (zh) | 2023-11-06 | 2023-11-06 | 一种意图识别和问答方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117194730B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725190B (zh) * | 2024-02-18 | 2024-06-04 | 粤港澳大湾区数字经济研究院(福田) | 基于大语言模型的多轮问答方法、***、终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116561278A (zh) * | 2023-05-05 | 2023-08-08 | 科大讯飞股份有限公司 | 知识问答方法、装置、设备及存储介质 |
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 |
CN116662522A (zh) * | 2023-07-28 | 2023-08-29 | 阿里巴巴达摩院(杭州)科技有限公司 | 问题答案推荐方法、存储介质和电子设备 |
CN116991996A (zh) * | 2023-07-21 | 2023-11-03 | 杭州师范大学 | 具有认知推理能力的问答交互模型的构建方法及应用 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114610845B (zh) * | 2022-03-02 | 2024-05-14 | 北京百度网讯科技有限公司 | 基于多***的智能问答方法、装置和设备 |
US20230350929A1 (en) * | 2023-07-04 | 2023-11-02 | Asif Hasan | Method and system for generating intent responses through virtual agents |
-
2023
- 2023-11-06 CN CN202311460493.2A patent/CN117194730B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116561278A (zh) * | 2023-05-05 | 2023-08-08 | 科大讯飞股份有限公司 | 知识问答方法、装置、设备及存储介质 |
CN116991996A (zh) * | 2023-07-21 | 2023-11-03 | 杭州师范大学 | 具有认知推理能力的问答交互模型的构建方法及应用 |
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 |
CN116662522A (zh) * | 2023-07-28 | 2023-08-29 | 阿里巴巴达摩院(杭州)科技有限公司 | 问题答案推荐方法、存储介质和电子设备 |
Non-Patent Citations (2)
Title |
---|
基于语义要素组合的知识库问答方法;刘飞龙;郝文宁;余晓晗;陈刚;刘冲;;计算机工程;20181115(第11期);第52-61页 * |
融合知识表示的知识库问答***;安波;韩先培;孙乐;;中国科学:信息科学;20181121(第11期);第59-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117194730A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111625635B (zh) | 问答处理方法、装置、设备及存储介质 | |
CN110019687B (zh) | 一种基于知识图谱的多意图识别***、方法、设备及介质 | |
CN117194730B (zh) | 一种意图识别和问答方法、装置、电子设备及存储介质 | |
CN114090755B (zh) | 基于知识图谱的回复语句确定方法、装置及电子设备 | |
CN112699645B (zh) | 语料标注方法、装置及设备 | |
CN116737908A (zh) | 知识问答方法、装置、设备和存储介质 | |
CN110795544B (zh) | 内容搜索方法、装置、设备和存储介质 | |
CN112784066A (zh) | 基于知识图谱的信息反馈方法、装置、终端和存储介质 | |
CN114116997A (zh) | 知识问答方法、装置、电子设备及存储介质 | |
CN117112754A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN117114063A (zh) | 用于训练生成式大语言模型和用于处理图像任务的方法 | |
CN115374259A (zh) | 一种问答数据挖掘方法、装置及电子设备 | |
CN117807204A (zh) | 工程机械故障问题的问答诊断方法、装置、设备和介质 | |
CN117421403A (zh) | 智能对话方法、装置及电子设备 | |
CN117744664A (zh) | 面向大模型场景的内容评估方法、装置、设备及存储介质 | |
CN113672699A (zh) | 基于知识图谱的nl2sql生成方法 | |
CN117556005A (zh) | 质量评估模型的训练方法、多轮对话质量评估方法和装置 | |
CN114490969B (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN116610784A (zh) | 一种保险业务场景问答推荐方法及其相关设备 | |
CN115510193A (zh) | 查询结果向量化方法、查询结果确定方法及相关装置 | |
CN115640378A (zh) | 工单检索方法、服务器、介质及产品 | |
CN114372478A (zh) | 一种基于知识蒸馏的问答方法、终端设备及存储介质 | |
CN114357964A (zh) | 主观题评分方法、模型的训练方法、计算机设备及存储介质 | |
CN114239583A (zh) | 实体链指模型的训练及实体链指方法、装置、设备及介质 | |
CN114595334A (zh) | 一种基于双图谱融合的语言解析方法、***及终端设备 |
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 |