CN116483982B - 知识问答方法、装置、电子设备及可读存储介质 - Google Patents
知识问答方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116483982B CN116483982B CN202310745142.XA CN202310745142A CN116483982B CN 116483982 B CN116483982 B CN 116483982B CN 202310745142 A CN202310745142 A CN 202310745142A CN 116483982 B CN116483982 B CN 116483982B
- Authority
- CN
- China
- Prior art keywords
- domain
- target
- knowledge
- question
- 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 55
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 57
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种知识问答方法、装置、电子设备及可读存储介质，属于人工智能技术领域。本申请实施例中的知识问答方法包括：获取目标领域问题；利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句，并根据所述查询语句，从相应的领域知识库中提取目标知识；将所述目标领域问题和所述目标知识融入到prompt模板中，获得prompt数据；将所述prompt数据输入到所述领域大模型中，生成所述目标领域问题的问题答案。由此，可以灵活且准确地获得领域问题答案。
Description
技术领域
本申请属于人工智能技术领域，具体涉及一种知识问答方法、装置、电子设备及可读存储介质。
背景技术
现有问答系统在回答领域问题，比如回答金融、医学或通信等领域的问题时，通常是依靠对问题的识别能力和预先配置的问答流程，从相应领域知识库中获得对应答案。但是，这种问答模式严重依赖预先配置的问答流程，从而造成无法灵活地获得问题答案。
发明内容
本申请实施例的目的是提供一种知识问答方法、装置、电子设备及可读存储介质，以解决目前在回答领域问题时无法灵活地获得问题答案的问题。
为了解决上述技术问题，本申请是这样实现的：
第一方面，提供了一种知识问答方法，应用于电子设备，包括：
获取目标领域问题；
利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句，并根据所述查询语句，从相应的领域知识库中提取目标知识；
将所述目标领域问题和所述目标知识融入到prompt模板中，获得prompt数据；
将所述prompt数据输入到所述领域大模型中，生成所述目标领域问题的问题答案。
可选的，所述利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句包括：
利用所述领域大模型对所述目标领域问题进行拆解，获得多个领域子问题；
利用所述领域大模型，生成所述多个领域子问题对应的多个查询语句。
可选的，所述获取目标领域问题之前，所述方法还包括：
获取目标领域的问答数据集；
根据所述问答数据集对预先构建的prompt模板进行处理，获得多个prompt训练数据；
利用所述多个prompt训练数据对初始大模型进行训练，获得所述领域大模型；其中，所述初始大模型为初始训练得到的已注入所述目标领域中的领域知识的大模型。
可选的，所述利用所述多个prompt训练数据对初始大模型进行训练之前，所述方法还包括：
获取所述目标领域中的领域训练数据；
利用所述领域训练数据对基础大模型进行自回归模式的微调，获得所述初始大模型。
可选的，所述查询语句包括以下至少一项：
结构化查询语言SQL语句、Cypher语句、ES检索语句。
第二方面，提供了一种知识问答装置，应用于电子设备，包括：
第一获取模块，用于获取目标领域问题；
第一处理模块，用于利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句，并根据所述查询语句，从相应的领域知识库中提取目标知识；
融入模块，用于将所述目标领域问题和所述目标知识融入到prompt模板中，获得prompt数据；
生成模块，用于将所述prompt数据输入到所述领域大模型中，生成所述目标领域问题的问题答案。
可选的，所述第一处理模块包括：
拆解单元，用于利用所述领域大模型对所述目标领域问题进行拆解，获得多个领域子问题；
生成单元，用于利用所述领域大模型，生成所述多个领域子问题对应的多个查询语句。
可选的，所述装置还包括：
第二获取模块，用于获取目标领域的问答数据集；
第二处理模块，用于根据所述问答数据集对预先构建的prompt模板进行处理，获得多个prompt训练数据；
第一训练模块，用于利用所述多个prompt训练数据对初始大模型进行训练，获得所述领域大模型；其中，所述初始大模型为初始训练得到的已注入所述目标领域中的领域知识的大模型。
第三方面，提供了一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
在本申请实施例中，在获取目标领域问题之后，可以利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句，并根据所述查询语句，从相应的领域知识库中提取目标知识，将所述目标领域问题和所述目标知识融入到prompt模板中，获得prompt数据，并将所述prompt数据输入到所述领域大模型中，生成所述目标领域问题的问题答案。由此，可以将领域知识和大模型能力进行解耦合，即利用大模型的语义理解能力、多步推理能力和思维链能力等对目标领域问题进行分析理解和处理，并结合从领域知识库提取的目标知识获得对应的问题答案，从而灵活且准确地获得领域问题答案。
附图说明
图1是本申请实施例提供的一种知识问答方法的流程图；
图2是本申请实施例中领域知识问答过程的流程示意图；
图3是本申请实施例提供的一种知识问答装置的结构示意图；
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不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，以便本申请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，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
为了解决目前在回答领域问题时无法灵活地获得问题答案的问题，本申请实施例提出了利用大模型进行领域知识问答，并将领域知识和大模型的能力进行解耦合，即利用大模型的语义理解能力、多步推理能力和思维链能力等，对领域问题进行分析理解和处理，并结合从领域知识库提取的目标知识获得对应的问题答案，从而灵活且准确地获得问题答案。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的知识问答方法、装置、电子设备及可读存储介质进行详细地说明。
请参见图1，图1是本申请实施例提供的一种知识问答方法的流程图，该方法应用于电子设备，如图1所示，该方法包括如下步骤：
步骤11：获取目标领域问题；
步骤12：利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句，并根据所述查询语句，从相应的领域知识库中提取目标知识；
步骤13：将所述目标领域问题和所述目标知识融入到prompt模板中，获得prompt数据；
步骤14：将所述prompt数据输入到所述领域大模型中，生成所述目标领域问题的问题答案。
这里，所述目标领域问题对应的目标领域可选为金融、医学或通信等领域，对此不作限定。所述领域大模型可以是利用开源的大模型例如ChatGLM、BELLE模型等预先训练得到，且其已注入相应领域的知识。
所述领域大模型是预先训练得到的，具体的训练方式可以基于模型结构、实际需求等选择，对此不作限定。
所述prompt模板与目标领域对应，不同领域的prompt模板是不同的。所述prompt模板可以是业务专家结合目标领域的问答数据集和目标领域中问题/答案的特点预先构建/创建的。所述prompt模板是为目标领域中的任务（比如包含多种任务）构建/创建的一种输入形式或输入模板，它能够帮助预训练的领域大模型回忆起自己在预训练时学习到的领域知识，从而在进行知识问答时准确获得对应的问题答案。
一些实施例中，所述查询语句可以包括但不限于以下至少一项：结构化查询语言（Structured Query Language，SQL）语句、Cypher语句、ES检索语句等。也就是说，本实施例中的领域大模型具有生成不同查询语句的能力，比如可以生成SQL语句、Cypher语句和/或ES检索语句等。
一些实施例中，所述领域知识库中可以包括但不限于以下至少一项：结构化数据、知识图谱、非结构化数据等。
本申请实施例中的知识问答方法，在获取目标领域问题之后，可以利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句，并根据所述查询语句，从相应的领域知识库中提取目标知识，将所述目标领域问题和所述目标知识融入到prompt模板中，获得prompt数据，并将所述prompt数据输入到所述领域大模型中，生成所述目标领域问题的问题答案。由此，可以将领域知识和大模型能力进行解耦合，即利用大模型的语义理解能力、多步推理能力和思维链能力等对目标领域问题进行分析理解和处理，并结合从领域知识库提取的目标知识获得对应的问题答案，从而灵活且准确地获得领域问题答案，提升所获得的领域问题答案的可靠性。
此外，将领域知识和大模型能力进行解耦合时，可以便于领域知识的快速更新，提升大模型对少量新知识学习的敏感性。
可选的，上述利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句的过程可以包括：首先，利用预训练的领域大模型对目标领域问题进行拆解，获得多个领域子问题；然后，利用所述领域大模型，生成所述多个领域子问题对应的多个查询语句。之后，可以根据所述多个查询语句，从相应的领域知识库中提取目标知识，并将所述目标领域问题和所述目标知识融入到prompt模板中，获得prompt数据，并将所述prompt数据输入到所述领域大模型中，生成所述目标领域问题的问题答案。
这样，借助赋予给领域大模型的问题拆解能力，可以实现对获取的复杂领域问题进行拆解，并基于拆解后的子问题对应的领域知识准确获得最终的问题答案。
本申请实施例中，可以预先训练得到领域大模型。上述获取目标领域问题之前，所述知识问答方法还可以包括：
获取目标领域的问答数据集；比如，可以收集由不同且多样的领域问题构成的问答数据集；
根据所述问答数据集对预先构建的prompt模板进行处理，获得多个prompt训练数据；比如，可以由业务专家结合所述问答数据集，创建需要查询领域知识库的问题集合，并根据所述问题集合，构建/创建prompt模板，其中可包含任务指令、信息抽取、问题拆解、查询语句等要素；在对prompt模板进行处理，可以将所述问答数据集中的问答数据输入至prompt模板中的对应位置，从而获得大量的prompt训练数据；
利用所述多个prompt训练数据对初始大模型进行训练（比如模型参数调整），获得所述领域大模型；其中，所述初始大模型为初始训练得到的已注入所述目标领域中的领域知识的大模型。
可选的，所述初始大模型可以是基于通用/基础大模型比如ChatGLM、BELLE模型等开源的大模型，预先训练得到。上述利用所述多个prompt训练数据对初始大模型进行训练之前，所述知识问答方法还可以包括：
获取目标领域中的领域训练数据；
利用所述领域训练数据对基础大模型进行自回归模式的微调（fine-tune），获得所述初始大模型。
这里，上述获取目标领域中的领域训练数据可包括：收集目标领域中的领域训练数据。所获取/收集的领域训练数据可以包括但不限于领域文档、宣传材料、行业规范、论文、代码、会话数据等文本类型的数据。所述自回归模式的微调可以将领域数据中隐含的领域知识注入到大模型中。
下面结合图2对本申请中的知识问答过程进行说明。
如图2所示，具体的知识问答过程包括：
S1：利用通用大模型训练得到领域大模型；具体训练过程如上所述，在此不再赘述。
S2至S4：将获得的领域问题输入到S1中训练得到的领域大模型进行分析和拆分，获得多个领域子问题，并生成所述多个领域子问题对应的多个查询语句；其中图2以生成3个领域子问题为例，但不以此为限；该3个领域子问题对应的3个查询语句，即SQL语句、Cypher语句和ES检索语句。
S5：根据生成的查询语句，从相应的领域知识库中提取领域知识；如：根据SQL语句从相应领域知识库的结构化数据中提取领域知识、根据Cypher语句从相应领域知识库的知识图谱中提取领域知识，以及根据ES检索语句从相应领域知识库的非结构化数据中提取领域知识。
S6：将所述领域问题以及领域知识融入到相应领域的prompt模板中，获得prompt数据。
S7-S8：将S6中获得的prompt数据输入到S1中训练得到的领域大模型中，生成所述领域问题的问题答案。
需要说明的是，本申请实施例提供的知识问答方法，执行主体可以为知识问答装置，或者该知识问答装置中的用于执行知识问答方法的控制模块。本申请实施例中以知识问答装置执行知识问答方法为例，说明本申请实施例提供的知识问答装置。
请参见图3，图3是本申请实施例提供的一种知识问答装置的结构示意图，该装置应用于电子设备，如图3所示，知识问答装置30包括：
第一获取模块31，用于获取目标领域问题；
第一处理模块32，用于利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句，并根据所述查询语句，从相应的领域知识库中提取目标知识；
融入模块33，用于将所述目标领域问题和所述目标知识融入到prompt模板中，获得prompt数据；
生成模块34，用于将所述prompt数据输入到所述领域大模型中，生成所述目标领域问题的问题答案。
可选的，所述第一处理模块32包括：
拆解单元，用于利用所述领域大模型对所述目标领域问题进行拆解，获得多个领域子问题；
生成单元，用于利用所述领域大模型，生成所述多个领域子问题对应的多个查询语句。
可选的，知识问答装置30还包括：
第二获取模块，用于获取目标领域的问答数据集；
第二处理模块，用于根据所述问答数据集对预先构建的prompt模板进行处理，获得多个prompt训练数据；
第一训练模块，用于利用所述多个prompt训练数据对初始大模型进行训练，获得所述领域大模型；其中，所述初始大模型为初始训练得到的已注入所述目标领域中的领域知识的大模型。
可选的，知识问答装置30还包括：
第二获取模块，用于获取所述目标领域中的领域训练数据；
第二训练模块，用于利用所述领域训练数据对基础大模型进行自回归模式的微调，获得所述初始大模型。
可选的，所述查询语句包括以下至少一项：
结构化查询语言SQL语句、Cypher语句、ES检索语句。
本申请实施例的知识问答装置30，可以实现上述知识问答方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
可选的，如图4所示，本申请实施例还提供一种电子设备40，包括处理器41，存储器42，存储在存储器42上并可在所述处理器41上运行的程序或指令，该程序或指令被处理器41执行时实现上述知识问答方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供了一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时可实现上述知识问答方法实施例的各个过程且能达到相同的技术效果，为避免重复，这里不再赘述。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 （PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体（transitory media），如调制的数据信号和载波。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台服务分类设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (5)
1.一种知识问答方法，应用于电子设备，其特征在于，包括：
获取目标领域问题；
利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句，并根据所述查询语句，从相应的领域知识库中提取目标知识；
将所述目标领域问题和所述目标知识融入到prompt模板中，获得prompt数据；
将所述prompt数据输入到所述领域大模型中，生成所述目标领域问题的问题答案；
其中，所述利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句，包括：
利用所述领域大模型对所述目标领域问题进行拆解，获得多个领域子问题；
利用所述领域大模型，生成所述多个领域子问题对应的多个查询语句；
其中，所述获取目标领域问题之前，所述方法还包括：
获取目标领域的问答数据集；
根据所述问答数据集对预先构建的prompt模板进行处理，获得多个prompt训练数据；
利用所述多个prompt训练数据对初始大模型进行训练，获得所述领域大模型；其中，所述初始大模型为初始训练得到的已注入所述目标领域中的领域知识的大模型；
其中，所述利用所述多个prompt训练数据对初始大模型进行训练之前，所述方法还包括：
获取所述目标领域中的领域训练数据；
利用所述领域训练数据对基础大模型进行自回归模式的微调，获得所述初始大模型。
2.根据权利要求1所述的方法，其特征在于，所述查询语句包括以下至少一项：
结构化查询语言SQL语句、Cypher语句、ES检索语句。
3.一种知识问答装置，其特征在于，应用于电子设备，包括：
第一获取模块，用于获取目标领域问题；
第一处理模块，用于利用预训练的领域大模型对所述目标领域问题进行处理，获得查询语句，并根据所述查询语句，从相应的领域知识库中提取目标知识；
融入模块，用于将所述目标领域问题和所述目标知识融入到prompt模板中，获得prompt数据；
生成模块，用于将所述prompt数据输入到所述领域大模型中，生成所述目标领域问题的问题答案；
其中，所述第一处理模块包括：
拆解单元，用于利用所述领域大模型对所述目标领域问题进行拆解，获得多个领域子问题；
生成单元，用于利用所述领域大模型，生成所述多个领域子问题对应的多个查询语句；
其中，所述装置还包括：
第二获取模块，用于获取目标领域的问答数据集；
第二处理模块，用于根据所述问答数据集对预先构建的prompt模板进行处理，获得多个prompt训练数据；
第一训练模块，用于利用所述多个prompt训练数据对初始大模型进行训练，获得所述领域大模型；其中，所述初始大模型为初始训练得到的已注入所述目标领域中的领域知识的大模型；
其中，所述第二获取模块还用于：获取所述目标领域中的领域训练数据；
所述装置还包括：
第二训练模块，用于利用所述领域训练数据对基础大模型进行自回归模式的微调，获得所述初始大模型。
4.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1或2所述的知识问答方法的步骤。
5.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1或2所述的知识问答方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310745142.XA CN116483982B (zh) | 2023-06-25 | 2023-06-25 | 知识问答方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310745142.XA CN116483982B (zh) | 2023-06-25 | 2023-06-25 | 知识问答方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116483982A CN116483982A (zh) | 2023-07-25 |
| CN116483982B true CN116483982B (zh) | 2023-10-13 |
Family
ID=87212336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310745142.XA Active CN116483982B (zh) | 2023-06-25 | 2023-06-25 | 知识问答方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116483982B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171309A (zh) * | 2023-07-28 | 2023-12-05 | 至本医疗科技（上海）有限公司 | 针对医学问询提供应答信息的方法、设备和介质 |
| CN116737912B (zh) * | 2023-08-15 | 2023-10-20 | 北京中关村科金技术有限公司 | 复杂问题处理方法、装置、设备及介质 |
| CN117235220B (zh) * | 2023-09-15 | 2024-03-15 | 之江实验室 | 基于图数据库知识增强的可扩展大语言模型调用装置 |
| CN117271741A (zh) * | 2023-10-11 | 2023-12-22 | 北京邮电大学 | 一种基于大模型驱动的高校专业信息推荐系统及方法 |
| CN117076653B (zh) * | 2023-10-17 | 2024-01-02 | 安徽农业大学 | 基于思维链及可视化提升上下文学习知识库问答方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021012519A1 (zh) * | 2019-07-19 | 2021-01-28 | 平安科技（深圳）有限公司 | 基于人工智能的问答方法、装置、计算机设备及存储介质 |
| CN113127617A (zh) * | 2021-04-09 | 2021-07-16 | 厦门渊亭信息科技有限公司 | 通用领域知识图谱的知识问答方法、终端设备及存储介质 |
| WO2022041728A1 (zh) * | 2020-08-28 | 2022-03-03 | 康键信息技术（深圳）有限公司 | 医学领域意图识别方法、装置、设备及存储介质 |
| CN114911910A (zh) * | 2021-02-07 | 2022-08-16 | 阿里巴巴集团控股有限公司 | 问答系统、方法、电子设备及存储介质 |
| CN115146050A (zh) * | 2022-09-05 | 2022-10-04 | 苏州浪潮智能科技有限公司 | 一种文本生成方法、装置、设备及可读存储介质 |
| CN115599901A (zh) * | 2022-12-14 | 2023-01-13 | 中国人民解放军国防科技大学（Cn） | 基于语义提示的机器问答方法、装置、设备及存储介质 |
| CN115688920A (zh) * | 2022-11-22 | 2023-02-03 | 百度国际科技（深圳）有限公司 | 知识抽取方法、模型的训练方法、装置、设备和介质 |
| CN116303537A (zh) * | 2023-03-10 | 2023-06-23 | 京东科技信息技术有限公司 | 数据查询方法及装置、电子设备、存储介质 |
-
2023
- 2023-06-25 CN CN202310745142.XA patent/CN116483982B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021012519A1 (zh) * | 2019-07-19 | 2021-01-28 | 平安科技（深圳）有限公司 | 基于人工智能的问答方法、装置、计算机设备及存储介质 |
| WO2022041728A1 (zh) * | 2020-08-28 | 2022-03-03 | 康键信息技术（深圳）有限公司 | 医学领域意图识别方法、装置、设备及存储介质 |
| CN114911910A (zh) * | 2021-02-07 | 2022-08-16 | 阿里巴巴集团控股有限公司 | 问答系统、方法、电子设备及存储介质 |
| CN113127617A (zh) * | 2021-04-09 | 2021-07-16 | 厦门渊亭信息科技有限公司 | 通用领域知识图谱的知识问答方法、终端设备及存储介质 |
| CN115146050A (zh) * | 2022-09-05 | 2022-10-04 | 苏州浪潮智能科技有限公司 | 一种文本生成方法、装置、设备及可读存储介质 |
| CN115688920A (zh) * | 2022-11-22 | 2023-02-03 | 百度国际科技（深圳）有限公司 | 知识抽取方法、模型的训练方法、装置、设备和介质 |
| CN115599901A (zh) * | 2022-12-14 | 2023-01-13 | 中国人民解放军国防科技大学（Cn） | 基于语义提示的机器问答方法、装置、设备及存储介质 |
| CN116303537A (zh) * | 2023-03-10 | 2023-06-23 | 京东科技信息技术有限公司 | 数据查询方法及装置、电子设备、存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Interactive and Visual Prompt Engineering for Ad-hoc Task Adaptation with Large Language Models;Hendrik Strobelt 等;《IEEE Transactions on Visualization and Computer Graphics》;第第29卷卷(第第1期期);全文 * |
| 知识指导的预训练语言模型;韩旭 等;《中兴通讯技术》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116483982A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116483982B (zh) | 知识问答方法、装置、电子设备及可读存储介质 | |
| Li et al. | Natural language generation using deep learning to support MOOC learners | |
| KR102259390B1 (ko) | 앙상블 질의 응답을 위한 시스템 및 방법 | |
| CN117149989B (zh) | 大语言模型训练方法、文本处理方法及装置 | |
| US20090119584A1 (en) | Software Tool for Creating Outlines and Mind Maps that Generates Subtopics Automatically | |
| Joorabchi et al. | Text mining stackoverflow: An insight into challenges and subject-related difficulties faced by computer science learners | |
| Stancheva et al. | A model for generation of test questions | |
| EV et al. | Automated generation of assessment tests from domain ontologies | |
| Isaak et al. | Tackling the winograd schema challenge through machine logical inferences | |
| Capuano et al. | Multi-attribute categorization of MOOC forum posts and applications to conversational agents | |
| Aksonov et al. | Question-Answering Systems Development Based on Big Data Analysis | |
| Kaviya et al. | Artificial intelligence based farmer assistant chatbot | |
| CN115757720A (zh) | 基于知识图谱的项目信息搜索方法、装置、设备和介质 | |
| CN112328812B (zh) | 基于自调参数的领域知识抽取方法与系统、电子设备 | |
| CN114372478A (zh) | 一种基于知识蒸馏的问答方法、终端设备及存储介质 | |
| Schoenenberger et al. | The challenge of model complexity: improving the interpretation of large causal models through variety filters | |
| Ibrahim Teo | Categorized question template generation for ontology-based assessment questions | |
| Jain et al. | Virtually Interactive User Manual for Command and Control Systems Using Rule-Based Chatbot | |
| CN112989001A (zh) | 一种问答处理方法、装置、介质及电子设备 | |
| Abdul-Kader et al. | Automatic Web-Based Question Answer Generation System for Online Feedable New-Born Chatbot | |
| CN117252209B (zh) | 一种理科大题自动评分方法、系统、存储介质及处理终端 | |
| Prajapati et al. | Semantic network based cognitive, NLP powered question answering system for teaching electrical motor concepts | |
| CN117131181B (zh) | 一种异构知识问答模型的构建方法、信息提取方法及系统 | |
| Zabezhailo et al. | “AI:“… It Sails. But Whither Do We Sail?.. | |
| CN118098642A (zh) | 问诊信息处理方法及相关产品 |
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 | ||
| CP03 | Change of name, title or address |
Address after: Room 228, 2nd Floor, No. 5 Guanghua Road, Zhangjiawan Town, Tongzhou District, Beijing, 101113 Patentee after: BEIJING ZHONGGUANCUN KEJIN TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 130, 1st Floor, Building 5, Courtyard 1, Shangdi Fourth Street, Haidian District, Beijing, 100085 Patentee before: BEIJING ZHONGGUANCUN KEJIN TECHNOLOGY Co.,Ltd. Country or region before: China |