本發(fā)明涉及人工智能和自然語言處理領(lǐng)域，尤其涉及一種融合多粒度知識圖譜及自適應(yīng)智能體的問答方法及系統(tǒng)。

背景技術(shù)：

1、隨著人工智能技術(shù)的飛速發(fā)展，問答系統(tǒng)已經(jīng)成為自然語言處理領(lǐng)域的重要應(yīng)用之一。問答系統(tǒng)能夠理解用戶提出的自然語言問題，并給出相應(yīng)的答案，在各個領(lǐng)域都發(fā)揮著重要的作用，包括但不限于智能客服、信息檢索、教育輔助、醫(yī)療咨詢等場景。問答系統(tǒng)的實現(xiàn)方法可以分為四個大類，分別是傳統(tǒng)問答系統(tǒng)方法、基于知識圖譜的問答系統(tǒng)、基于深度學(xué)習(xí)的問答系統(tǒng)、基于大語言模型的問答系統(tǒng)。

2、傳統(tǒng)問答系統(tǒng)主要基于語言學(xué)或統(tǒng)計語言學(xué)的理論和方法?；谥R庫的方法是將知識庫中的信息進行結(jié)構(gòu)化處理，并根據(jù)用戶的提問檢索相關(guān)知識，生成答案?；谀０迤ヅ涞姆椒ㄊ菍⒂脩舻奶釂柵c預(yù)先定義好的模板進行匹配，并根據(jù)模板中的信息生成答案。基于槽的方法則是將用戶的提問分解為多個槽位，每個槽位對應(yīng)一個特定的問題類型，并根據(jù)槽位信息進行答案檢索和生成。

3、基于知識圖譜的問答系統(tǒng)是通過知識圖譜將實體、概念和關(guān)系以圖結(jié)構(gòu)的形式進行表示，然后利用知識圖譜中的豐富信息，進行語義推理和知識問答。例如可將用戶提問中的實體和關(guān)系抽取后在知識圖譜中尋找匹配對應(yīng)的路徑，匹配到的就是對應(yīng)的答案。

4、基于深度學(xué)習(xí)的方法是將問答看作是一個序列到序列的生成任務(wù)，常采用編碼器、解碼器的網(wǎng)絡(luò)結(jié)構(gòu)，其中編碼器負責(zé)將用戶提問編碼為向量表示，解碼器根據(jù)上下文信息生成答案，從而實現(xiàn)問答的效果。通常編解碼器的具體網(wǎng)絡(luò)實現(xiàn)可以是循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)、長短期記憶網(wǎng)絡(luò)(lstm)、transformer等。transformer是一種基于自注意力機制的深度神經(jīng)網(wǎng)絡(luò)模型，它能夠有效地捕捉文本中的長距離依賴關(guān)系，使得整體生成答案的準(zhǔn)確率更高。

5、基于大語言模型的問答方法在近年來取得了顯著的進展，并逐漸成為問答系統(tǒng)領(lǐng)域的主流方法。這類方法的核心思想是將問答看作是一個序列到序列的生成任務(wù)，利用深度學(xué)習(xí)模型，特別是transformer模型，來理解和生成自然語言。大語言模型通常在大量的語料數(shù)據(jù)上進行預(yù)訓(xùn)練，學(xué)習(xí)到豐富的語言知識和語義表示，能夠更好地處理各種類型的問答任務(wù)。當(dāng)需要適應(yīng)特定的下游問答任務(wù)時，可以對預(yù)訓(xùn)練模型進行微調(diào)，例如，在特定領(lǐng)域的語料數(shù)據(jù)上進行訓(xùn)練，使其更好地理解該領(lǐng)域的知識。

6、雖然大語言模型在問答方面的能力比較突出，但是其幻覺現(xiàn)象(生成一些看起來合理但實際上是錯誤的答案)同樣突出，與此同時大語言模型對于特定領(lǐng)域的知識了解有限，難以勝任專業(yè)領(lǐng)域的問答任務(wù)。為了解決這些問題，現(xiàn)有技術(shù)方案是嘗試借助外部知識增強問答系統(tǒng)的準(zhǔn)確性。

7、1、采用檢索增強生成(retrieval-augmented?generation,rag)的技術(shù)路線，將外部知識構(gòu)建存儲于向量數(shù)據(jù)庫中，通過將問題和知識進行向量相似度比對的方式尋找答案的支撐點，進而大語言模型總結(jié)生成答案。

8、2、利用知識圖譜增強大模型問答。將知識圖譜中的實體、關(guān)系和屬性等信息嵌入到向量空間中，并將其作為輸入提供給大語言模型，從而幫助模型更好地理解問題中的實體和關(guān)系，并從知識庫中檢索相關(guān)知識。

9、3、利用智能體增強大模型回答。將大語言模型與其他智能體進行對話，例如，可以將大語言模型與一個專門用于檢索信息的智能體進行對話，從而獲取更準(zhǔn)確的信息，并將其融合到答案生成過程中。還可以利用多個智能體協(xié)同工作，完成更復(fù)雜的問答任務(wù)，例如多輪對話、多任務(wù)問答等。

10、相應(yīng)地，現(xiàn)有技術(shù)的方案存在以下不足：

11、1、文本內(nèi)容并非孤立存在，而是相互關(guān)聯(lián)的。傳統(tǒng)的rag無法捕獲僅靠語義相似性無法呈現(xiàn)的重要結(jié)構(gòu)化關(guān)系知識。比如，在通過引用關(guān)系連接論文的引用網(wǎng)絡(luò)中，傳統(tǒng)的rag方法側(cè)重于依據(jù)查詢找到相關(guān)論文，卻忽略了論文之間重要的引用關(guān)系。

12、2、現(xiàn)有的知識圖譜嵌入方法大多只關(guān)注實體和關(guān)系的語義表示，而忽略了實體屬性等其他信息，導(dǎo)致模型的語義理解能力有限。知識圖譜的構(gòu)建需要大量的人工標(biāo)注和專家知識，成本高昂，難以擴展到新的領(lǐng)域?，F(xiàn)有的知識圖譜推理方法大多基于簡單的規(guī)則推理，難以處理復(fù)雜的邏輯推理，效率較低。

13、3、智能體的設(shè)計需要考慮對話策略、知識庫管理、推理機制等多個方面，設(shè)計復(fù)雜。智能體的決策過程通常難以解釋，在邏輯推理復(fù)雜的場景下，難以獲得用戶的信任。

技術(shù)實現(xiàn)思路

1、隨著大語言模型的迅猛發(fā)展，越來越的行業(yè)和領(lǐng)域開始將大語言模型用于日常輔助辦公中，或充當(dāng)智能客服的角色，或輔助檢索和撰寫資料。但是大語言模型的幻覺現(xiàn)象非常嚴重，經(jīng)常生成一些看起來正確，但是實際是錯誤的答案。另一方面大語言模型在預(yù)訓(xùn)練階段雖然用到了大量的語料數(shù)據(jù)，但是對于實際應(yīng)用場景下的垂直領(lǐng)域知之甚少。如何將垂直細分領(lǐng)域的知識有效應(yīng)用于大語言模型上，構(gòu)建一套系統(tǒng)性、綜合性的問答系統(tǒng)，使其回答的準(zhǔn)確性得到有效改善是現(xiàn)目前亟待解決的問題。

2、有鑒于此，本發(fā)明提供了一種融合多粒度知識圖譜及自適應(yīng)智能體的問答方法，其包括：

3、步驟1：知識治理與抽取。

4、步驟1.1：數(shù)據(jù)接入。支持多源異構(gòu)數(shù)據(jù)的接入，包括文本、圖像、音頻等，并通過多模態(tài)智能語義模型進行統(tǒng)一處理，將非文本數(shù)據(jù)轉(zhuǎn)換為文本形式。

5、步驟1.2：數(shù)據(jù)清洗。去除噪聲、冗余信息以及可能的錯誤輸入，確保數(shù)據(jù)的一致性和準(zhǔn)確性。

6、步驟1.3：知識表示。將知識按照不同的粒度層次進行劃分和表示，例如文檔、段落、句子等，并使用預(yù)訓(xùn)練模型進行向量化。

7、hi＝f(wi；θ),i＝1,2,…,n

8、wi表示輸入的文本單元(如單詞或句子)，θ表示模型的參數(shù)，f是預(yù)訓(xùn)練模型(例如bert、gpt等)，生成的hi是文本單元在高維向量空間中的表示。

9、步驟1.4：實體抽取。利用命名實體識別技術(shù)，從文本中識別出關(guān)鍵實體。實體識別可以表示為序列標(biāo)注問題。通過條件隨機場(crf)或transformer架構(gòu)，計算每個單詞的實體類別概率：

10、

11、其中x表示輸入序列，yt表示第t個時間步的標(biāo)簽，θ為模型的參數(shù)。

12、步驟1.5：關(guān)系抽取。利用關(guān)系抽取技術(shù)，識別出實體之間的關(guān)系。關(guān)系抽取問題可建模為分類問題，假設(shè)給定實體對(e1,e2)，其關(guān)系通過如下公式預(yù)測：

13、p(r|e1,e2,c；θ)＝softmax(w·g(e1,e2,c；θ)+b)

14、其中r是關(guān)系類別，c是上下文，g是關(guān)系編碼函數(shù)，w和b是分類器參數(shù)。

15、步驟2：知識生成與擴充。

16、步驟2.1：擴充描述性知識。對概念、實體或事件進行詳細描述，提供更多上下文和細節(jié)。

17、步驟2.2：擴充事實性知識。提供客觀存在的事實信息，例如標(biāo)準(zhǔn)、統(tǒng)計數(shù)據(jù)、歷史事件等。

18、步驟2.3：擴充常識性知識。提供人們普遍認同的知識，例如日常生活中的普遍規(guī)律、社會規(guī)范和文化習(xí)俗等。

19、步驟2.4：知識校驗。利用擴充的知識對模型生成的答案進行校驗，確保答案的準(zhǔn)確性。

20、步驟3：知識檢索與管理。

21、步驟3.1：知識檢索。結(jié)合關(guān)鍵詞檢索、語義檢索、智能語義模型問答和檢索增強生成等技術(shù)，實現(xiàn)高效的知識檢索。

22、步驟3.2：知識管理。當(dāng)步驟3.1無法檢索到合適的知識，或檢索到的知識有誤?？梢詫χR進行更新，確保后續(xù)使用正常。

23、步驟4：知識規(guī)律發(fā)掘與自適應(yīng)檢索。

24、步驟4.1：多智能體協(xié)同。利用多個智能體協(xié)同工作，根據(jù)用戶提問的不同意圖，動態(tài)調(diào)整檢索策略和推理過程。假設(shè)系統(tǒng)存在k個智能體a1,a2,…,ak，則它們的協(xié)同工作能夠建模為：

25、

26、其中，wi表示智能體權(quán)重，r(ai)表示智能體ai對具體任務(wù)的貢獻，o表示輸出結(jié)果。

27、步驟4.2：自適應(yīng)檢索策略。根據(jù)用戶提問的不同類型，采用不同的檢索策略，對于簡單且明確的開放域問題，直接利用智能語義模型或智能體的內(nèi)置知識進行回答。對于與本地知識庫相關(guān)的領(lǐng)域問題，啟動檢索增強生成(rag)流程，并結(jié)合知識圖譜進行驗證。在生成最終答案前，進行多次推理和回環(huán)驗證，確保答案的正確性和合理性。

28、此外，本發(fā)明還提供了一種融合多粒度知識圖譜及自適應(yīng)智能體的問答系統(tǒng)，問答系統(tǒng)執(zhí)行前述融合多粒度知識圖譜及自適應(yīng)智能體的問答方法。問答系統(tǒng)包括知識治理與抽取模塊、知識生成與擴充模塊、知識檢索與管理模塊和自適應(yīng)智能體檢索模塊。

29、知識治理與抽取模塊包括數(shù)據(jù)接入單元、數(shù)據(jù)清洗單元、知識表示單元、實體抽取單元和關(guān)系抽取單元；

30、知識生成與擴充模塊包括描述性知識單元、事實性知識單元、常識性知識單元和知識校驗單元；

31、知識檢索與管理模塊包括知識檢索單元和知識管理單元；

32、自適應(yīng)智能體檢索模塊包括多智能體協(xié)同單元和自適應(yīng)檢索單元。

33、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

34、本發(fā)明提出的融合多粒度知識圖譜及自適應(yīng)智能體的問答方法及系統(tǒng)，通過多粒度知識圖譜和自適應(yīng)智能體的協(xié)同，能夠更全面地理解用戶提問，并從知識庫中檢索出更相關(guān)的知識，從而顯著提高問答的準(zhǔn)確率，減少錯誤答案的產(chǎn)生。此外，多粒度知識圖譜可以支持更復(fù)雜的知識應(yīng)用需求，例如推理、預(yù)測等，從而增強問答系統(tǒng)的應(yīng)用能力，使其能夠處理更復(fù)雜的問答任務(wù)，例如多輪對話、多任務(wù)問答等。綜合各方面為用戶帶來更好的使用體驗。