CN117312535A - 基于人工智能的问题数据处理方法、装置、设备及介质 - Google Patents

基于人工智能的问题数据处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN117312535A
CN117312535A CN202311596952.XA CN202311596952A CN117312535A CN 117312535 A CN117312535 A CN 117312535A CN 202311596952 A CN202311596952 A CN 202311596952A CN 117312535 A CN117312535 A CN 117312535A
Authority
CN
China
Prior art keywords
data
target
sentence
artificial intelligence
keywords
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.)
Granted
Application number
CN202311596952.XA
Other languages
English (en)
Other versions
CN117312535B (zh
Inventor
刘纹石
陈当阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202311596952.XA priority Critical patent/CN117312535B/zh
Publication of CN117312535A publication Critical patent/CN117312535A/zh
Application granted granted Critical
Publication of CN117312535B publication Critical patent/CN117312535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • 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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3343—Query execution using phonetics
    • 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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • 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
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • 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 Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请属于人工智能领域与金融科技领域，涉及基于人工智能的问题数据处理方法，包括：获取输入的问题数据的上下文数据，对问题数据与上下文数据进行关键词提取得到目标行业关键词；从知识图谱检索得到目标行业关键词的检索结果；将问题数据与检索结果转换为词嵌入，并将词嵌入映射至向量数据库内得到句子数据；基于向量数据库与交叉编码器筛选出与句子数据对应的目标文档；使用大语言模型对目标文档与句子数据进行推理，生成问题数据的问题结果。本申请还提供基于人工智能的问题数据处理装置、计算机设备及存储介质。此外，本申请的问题结果可存储于区块链中。本申请可应用于金融领域的问题处理场景，保证了生成的问题结果的精确度。

Description

基于人工智能的问题数据处理方法、装置、设备及介质
技术领域
本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及基于人工智能的问题数据处理方法、装置、计算机设备及存储介质。
背景技术
近几年，大语言模型发展十分迅速，语言能力超过传统算法。大语言模型能根据对话上下文生成流畅通顺，并且具有一定逻辑性的语言文字。在金融保险领域中，许多保险公司也使用了大语言模型来进行与客户之间的对话场景的反馈处理，例如在客户查询保险保费的对话场景，客户咨询车险详情内容的对话场景，客户提出的林业险的理赔咨询的对话场景等多种业务场景中来使用大语言模型完成对于客户的问题反馈处理。然而，现有的大语言模型都是依靠神经网络中的参数学习、储存知识，往往会存在如下缺陷，首先是无法获取最新信息，导致反馈的答案中往往有许多事实谬误；其次是推理计算能力不足，难以给出准确的预测推断和建立潜在的关联，因而，当前保险公司使用大语言模型来进行与客户之间的对话场景的反馈处理会存在反馈的问题结果的精确度较低的问题，从而容易导致客户的满意度不高。
发明内容
本申请实施例的目的在于提出一种基于人工智能的问题数据处理方法、装置、计算机设备及存储介质，以解决现有的保险公司使用大语言模型来进行与客户之间的对话场景的反馈处理会存在反馈的问题结果的精确度较低的情况，从而容易导致客户的满意度不高的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于人工智能的问题数据处理方法，采用了如下所述的技术方案：
接收用户在对话过程中输入的问题数据；
获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词；
将所述目标行业关键词输入至与预设的大语言模型对应的知识图谱内，并获取从所述知识图谱中检索得到的与所述目标行业关键词对应的检索结果；
将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据；
从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档；
基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档；
使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果。
进一步的，所述获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词的步骤，具体包括：
获取与所述问题数据对应的所述上下文数据；
调用预设的分词工具；其中，所述分词工具内配置有预设的行业关键词；
通过所述分词工具对所述问题数据与所述上下文数据进行分词处理，得到对应的分词数据；
通过所述分词工具中配置的所述行业关键词对所述分词数据进行关键词提取，得到所述目标行业关键词。
进一步的，所述从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档的步骤，具体包括：
调用预设的目标相似度算法；
基于所述目标相似度算法分别计算所述句子数据与所述向量数据库中包含的各个文档之间的相似度；
从所有所述相似度中筛选出数值大于预设的相似度阈值的指定相似度；
从所有所述文档中获取与所述指定相似度对应的指定文档；
将所述指定文档作为所述候选文档。
进一步的，所述基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档的步骤，具体包括：
调用所述交叉编码器；
通过所述交叉编码器分别对所述句子数据与各所述候选文档进行拼接处理，得到对应的多个拼接数据；
对所有所述拼接数据进行分类处理，得到与各所述拼接数据分别对应的分类结果值；
从所有所述分类结果值中筛选出数值最高的指定分类结果值；
获取与所述指定分类结果值对应的指定拼接数据，并将与所述指定拼接数据关联的指定候选文档作为所述目标文档。
进一步的，在所述将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据的步骤之前，还包括：
从目标网络资源中对预设时间周期内的行业数据进行爬取；
对所述行业数据进行预处理，得到处理后的指定行业数据；
基于所述指定行业数据构建对应的向量数据库；
存储所述向量数据库。
进一步的，在所述将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据的步骤之前，还包括：
调用所述知识图谱；
调用所述向量数据库；
基于所述知识图谱与所述向量数据库构建所述大语言模型的知识库。
进一步的，在所述使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果的步骤之后，还包括：
生成与所述问题结果对应的语音数据；
调用预设的智能机器人；
将所述语音数据传输给所述智能机器人，以通过所述智能机器人使用所述语音数据对所述用户进行反馈处理。
为了解决上述技术问题，本申请实施例还提供一种基于人工智能的问题数据处理装置，采用了如下所述的技术方案：
接收模块，用于接收用户在对话过程中输入的问题数据；
提取模块，用于获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词；
获取模块，用于将所述目标行业关键词输入至与预设的大语言模型对应的知识图谱内，并获取从所述知识图谱中检索得到的与所述目标行业关键词对应的检索结果；
转换模块，用于将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据；
第一筛选模块，用于从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档；
第二筛选模块，用于基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档；
第一生成模块，用于使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
接收用户在对话过程中输入的问题数据；
获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词；
将所述目标行业关键词输入至与预设的大语言模型对应的知识图谱内，并获取从所述知识图谱中检索得到的与所述目标行业关键词对应的检索结果；
将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据；
从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档；
基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档；
使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
接收用户在对话过程中输入的问题数据；
获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词；
将所述目标行业关键词输入至与预设的大语言模型对应的知识图谱内，并获取从所述知识图谱中检索得到的与所述目标行业关键词对应的检索结果；
将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据；
从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档；
基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档；
使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例在接收到用户在对话过程中输入的问题数据后，会先对该问题数据以及相关的上下文数据进行关键词提取以得到目标行业关键词，进而使用与预设的大语言模型对应的知识图谱对目标行业关键词进行检索得到检索结果，然后使用与所述大语言模型对应的向量数据库对由所述问题数据与所述检索结果进行转换得到的句子数据进行筛选得到匹配的多个候选文档，后续基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档，最后使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，以实现自动地生成与所述问题数据对应的问题结果。本申请通过基于预先构建的与大语言模型对应的知识图谱、向量数据库、交叉编码器以及大语言模型对用户在对话过程中输入的问题数据进行处理，可以实现速准确地生成与所述问题数据对应的问题结果，保证了生成的问题结果的精确度，进而后续使用该问题结果来向用户进行反馈能够有利于提高用户的满意度。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于人工智能的问题数据处理方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的问题数据处理装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于人工智能的问题数据处理方法一般由服务器/终端设备执行，相应地，基于人工智能的问题数据处理装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于人工智能的问题数据处理方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于人工智能的问题数据处理方法能够应用于任意一种需要进行问题解答的场景中，则该基于人工智能的问题数据处理方法能够应用于这些场景的产品中，例如，金融保险领域中的问题结果生成。所述的基于人工智能的问题数据处理方法，包括以下步骤：
步骤S201，接收用户在对话过程中输入的问题数据。
在本实施例中，基于人工智能的问题数据处理方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取用户在对话过程中输入的问题数据。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB( ultra wideband )连接、以及其他现在已知或将来开发的无线连接方式。在金融保险领域的业务场景下，用户提出问题数据的对话场景可包括查询保险保费的对话场景，咨询车险投保的详情内容的对话场景，养殖险的理赔咨询的对话场景，等等。
步骤S202，获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词。
在本实施例中，上述获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S203，将所述目标行业关键词输入至与预设的大语言模型对应的知识图谱内，并获取从所述知识图谱中检索得到的与所述目标行业关键词对应的检索结果。
在本实施例中，在使用所述知识图谱对所述目标行业关键词进行检索时，还可进一步设置一个最高检索深度，进而基于该最高检索深度来进行对于目标行业关键词的检索处理，并得到与所述目标行业关键词对应的检索结果，从而可以避免出现过度检索的情况，提高了知识图谱的检索处理的处理效率与处理智能性，降低了知识图谱的检索处理的工作量。其中，对于上述最高检索深度的数据设置不做具体限定，可根据实际的检索业务使用需求进行设置。另外，预先通过将所述知识图谱与所述向量数据库进行结合以共同构建出所述大语言模型的知识库。对于所述大语言模型的选取不做具体限定，例如可采用ChatGPT等模型。
步骤S204，将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据。
在本实施例中，可通过使用Transformer模型将所述问题数据与所述检索结果转换为对应的词嵌入，进而将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据。
步骤S205，从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档。
在本实施例中，上述从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S206，基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档。
在本实施例中，上述基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S207，使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果。
在本实施例中，可通过将所述目标文档嵌入至所述大语言模型内，进而使用经过数据嵌入后的大语言模型对所述句子数据进行推理处理，以生成与所述问题数据对应的问题结果。其中，通过将所述目标文档嵌入至所述大语言模型内，从而可以实现从所述大语言模型的知识库中获取知识。
本申请在接收用户在对话过程中输入的问题数据后，首先获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词；然后将所述目标行业关键词输入至与预设的大语言模型对应的知识图谱内，并获取从所述知识图谱中检索得到的与所述目标行业关键词对应的检索结果；之后将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据；后续从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档；进一步基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档；最后使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果。本申请在接收到用户在对话过程中输入的问题数据后，会先对该问题数据以及相关的上下文数据进行关键词提取以得到目标行业关键词，进而使用与预设的大语言模型对应的知识图谱对目标行业关键词进行检索得到检索结果，然后使用与所述大语言模型对应的向量数据库对由所述问题数据与所述检索结果进行转换得到的句子数据进行筛选得到匹配的多个候选文档，后续基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档，最后使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，以实现自动地生成与所述问题数据对应的问题结果。本申请通过基于预先构建的与大语言模型对应的知识图谱、向量数据库、交叉编码器以及大语言模型对用户在对话过程中输入的问题数据进行处理，可以实现速准确地生成与所述问题数据对应的问题结果，保证了生成的问题结果的精确度，进而后续使用该问题结果来向用户进行反馈能够有利于提高用户的满意度。
在一些可选的实现方式中，步骤S202包括以下步骤：
获取与所述问题数据对应的所述上下文数据。
在本实施例中，上述上下文数据是指用户输入的问题数据所对应的对话上下文。在金融保险领域的业务场景下，用户提出问题数据的对话场景可包括查询保险保费的对话场景，咨询车险详情内容的对话场景，林业险的理赔咨询的对话场景，等等。
调用预设的分词工具；其中，所述分词工具内配置有预设的行业关键词。
在本实施例中，对于上述分词工具的选取不做限定，可采用通用的分词工具中的任意一种即可，例如可使用jieba分词工具。在分词工具中预先配置有行业关键词，以根据该行业关键词可以实现对所述问题数据与所述上下文数据进行行业关键词的提取处理。
通过所述分词工具对所述问题数据与所述上下文数据进行分词处理，得到对应的分词数据。
通过所述分词工具中配置的所述行业关键词对所述分词数据进行关键词提取，得到所述目标行业关键词。
在本实施例中，上述目标行业关键词可指分词数据中包含的与分词工具中配置的行业关键词具有匹配关系的词语。
本申请通过获取与所述问题数据对应的所述上下文数据；然后调用预设的分词工具；之后通过所述分词工具对所述问题数据与所述上下文数据进行分词处理，得到对应的分词数据；后续通过所述分词工具中配置的所述行业关键词对所述分词数据进行关键词提取，得到所述目标行业关键词。本申请通过基于分词工具的使用对对所述问题数据与所述上下文数据进行分词处理，并对得到的分词数据进行关键词提取，可以实现快速准确地提取出所需的目标行业关键词，提高了目标行业关键词的获取效率，保证了生成的目标行业关键词的准确性。
在本实施例的一些可选的实现方式中，步骤S205包括以下步骤：
调用预设的目标相似度算法。
在本实施例中，上述目标相似度算法可采用欧式距离、杰卡德相似度、余弦相似度、皮尔逊相似度算法中的任意一种算法，优选可采用余弦相似度。
基于所述目标相似度算法分别计算所述句子数据与所述向量数据库中包含的各个文档之间的相似度。
在本实施例中，通过使用所述目标相似度算法分别计算所述句子数据与所述向量数据库中包含的各个文档之间的相似度，进而可以根据得到的相似度的数值大小来衡量出所述句子数据与所述向量数据库中包含的各个文档之间的相似性。
从所有所述相似度中筛选出数值大于预设的相似度阈值的指定相似度。
在本实施例中，对于上述相似度阈值的取值不做具体限定，可根据实际的相似判别的业务需求进行设置。
从所有所述文档中获取与所述指定相似度对应的指定文档。
在本实施例中，上述指定文档为所有所述文档中与所述指定相似度具有匹配关系的文档。
将所述指定文档作为所述候选文档。
本申请通过调用预设的目标相似度算法；然后基于所述目标相似度算法分别计算所述句子数据与所述向量数据库中包含的各个文档之间的相似度；之后从所有所述相似度中筛选出数值大于预设的相似度阈值的指定相似度；后续从所有所述文档中获取与所述指定相似度对应的指定文档，并将所述指定文档作为所述候选文档。本申请通过使用目标相似度算法分别计算所述句子数据与所述向量数据库中包含的各个文档之间的相似度，然后通过将得到的相似度与预设的相似度阈值进行数据比较，进而可以根据得到的数据比较结果实现快速准确地从向量数据库中包含的所有文档中筛选出与所述句子数据匹配的多个候选文档，提高了候选文档的获取效率，保证了得到的候选文档的准确性。
在一些可选的实现方式中，步骤S206包括以下步骤：
调用所述交叉编码器。
在本实施例中，交叉编码器可以使用线性映射层来更改每个不同的特征之间的维度以使它们保持一致，通过借助交叉注意力融合了不同模态的特征信息，并产生了最终的精确输出。
通过所述交叉编码器分别对所述句子数据与各所述候选文档进行拼接处理，得到对应的多个拼接数据。
对所有所述拼接数据进行分类处理，得到与各所述拼接数据分别对应的分类结果值。
在本实施例中，在得到了多个拼接数据后，通过上述交叉编码器对所有所述拼接数据进行二分类处理，从而输出与各所述拼接数据分别对应的分类结果值。其中，分类结果值为0~1之间的值。
从所有所述分类结果值中筛选出数值最高的指定分类结果值。
获取与所述指定分类结果值对应的指定拼接数据，并将与所述指定拼接数据关联的指定候选文档作为所述目标文档。
在本实施例中，上述指定拼接数据为与所述指定分类结果值具有匹配关系的拼接数据。
本申请通过调用所述交叉编码器；然后通过所述交叉编码器分别对所述句子数据与各所述候选文档进行拼接处理，得到对应的多个拼接数据；之后对所有所述拼接数据进行分类处理，得到与各所述拼接数据分别对应的分类结果值；后续从所有所述分类结果值中筛选出数值最高的指定分类结果值；最后获取与所述指定分类结果值对应的指定拼接数据，并将与所述指定拼接数据关联的指定候选文档作为所述目标文档。本申请在从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档后，会智能地使用交叉编码器对所述句子数据进行精确搜索，以实现从所有所述候选文档中筛选出分类结果值最高的指定拼接数据所对应的指定候选文档，来用作最终的与所述句子数据对应的目标文档，有效地完成对对于候选文档的精确筛选，保证了得到的目标文档的准确性，有利于后续通过使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，从而能够有效提高生成的与所述问题数据对应的问题结果的准确性。
在一些可选的实现方式中，在步骤S204之前，上述电子设备还可以执行以下步骤：
从目标网络资源中对预设时间周期内的行业数据进行爬取。
在本实施例中，上述目标网络资源具体可指互联网。对于金融保险的业务场景，上述行业数据可指金融保险行业的行业新闻，论文，图片，视频等数据。其中，可以使用爬虫技术定期从目标网络资源中对预设时间周期内的行业数据进行爬取。另外，对于上述预设时间周期的数值设置不做具体限定，可根据实际的业务使用需求进行确定。
对所述行业数据进行预处理，得到处理后的指定行业数据。
在本实施例中，上述预处理可包括数据清洗、数据插补、数据标准化等处理。通过对所述行业数据进行预处理，可以有效提高行业数据的数据准确性与数据规范性。
基于所述指定行业数据构建对应的向量数据库。
在本实施例中，可通过将所述指定行业数据转换为能够在大语言模型中使用的向量形式并储存至预设的数据库，以完成上述向量数据库的构建，后续可以通过访问向量数据库来获得强时效性、多模态的行业知识。
存储所述向量数据库。
在本实施例中，对于上述向量数据库的存储方式不做限定，例如可采用区块链存储、云盘存储等方式。
本申请通过从目标网络资源中对预设时间周期内的行业数据进行爬取；然后对所述行业数据进行预处理，得到处理后的指定行业数据；之后基于所述指定行业数据构建对应的向量数据库；后续存储所述向量数据库。本申请从目标网络资源中对预设时间周期内的行业数据进行爬取，进而可以使用派取得到的行业数据来实现快速地完成向量数据库的构建，提高了向量数据库的构建效率与构建智能性。另外，还会对构建得到的向量数据库进行存储，以确保得到的向量数据库的安全性与稳定性。
在本实施例的一些可选的实现方式中，在步骤S204之前，上述电子设备还可以执行以下步骤：
调用所述知识图谱。
在本实施例中，知识图谱指的是一种用于描述知识的形式化语义图，以实体和概念为节点，以关系为边，表示现实世界中的实体和概念之间的各种关系和属性。知识图谱通过三元组储存知识（即头实体、关系、尾实体），与图网络建立起知识体系，结构清晰，查询简单，将知识和利用知识的方式解耦。便于更新、修改知识，有助于归因溯源，提高模型行为的可解释性。知识图谱能够指导大语言模型对行业进行精准的认知，提高其理解推理决策的能力。其中，上述知识图谱为由相应的行业专家构建的特定领域的知识图谱，该知识图谱具备提供精确可靠的特定领域知识的能力，示例性的，对于金融保险领域的业务场景，则上述特定领域为金融保险领域，上述行业专家则为金融保险领域的行业专家。
调用所述向量数据库。
在本实施例中，上述向量数据库为存储有强时效性、多模态的向量形式的行业知识的数据库，且该向量数据库的生成过程可参照前述的向量数据库的构建内容，在此不做过多赘述。其中，向量数据库内的向量数据的来源是大语言模型中对文本、图像、声音、视频等多模态数据的嵌入表示。查询两个向量是否相似，需要计算其之间的距离。向量数据库作为外挂知识库可以直接将知识文档，如：txt、pdf、ppt、doc或者图片、视频数据转换为在大语言模型中使用的向量形式储存下来。在使用大语言模型进行推理之前，先将输入参数转化的向量与向量数据库中的向量进行比较，若向量直接距离相近，则将向量数据库中的向量数据嵌入进大语言模型的输入中，以实现从知识库中获取知识。
基于所述知识图谱与所述向量数据库构建所述大语言模型的知识库。
在本实施例中，可通过将所述知识图谱与所述向量数据库进行结合以共同构建出所述大语言模型的知识库。
本申请通过调用所述知识图谱；以及调用所述向量数据库；后续基于所述知识图谱与所述向量数据库构建所述大语言模型的知识库。本申请通过结合知识图谱与向量数据库的使用来构建出所述大语言模型的知识库，可以实现在保留结构化知识数据的同时，加强泛化能力，从而能够有效地解决了大语言模型知识库的限制，并且不需要额外的训练成本。
在本实施例的一些可选的实现方式中，在步骤S207之后，上述电子设备还可以执行以下步骤：
生成与所述问题结果对应的语音数据。
在本实施例中，可通过使用通用的文本转语音工具对所述问题结果进行转化处理，从而生成与所述问题结果对应的语音数据。
调用预设的智能机器人。
在本实施例中，上述智能机器人为预先构建的用于与用户进行语音对话交流的机器人。
将所述语音数据传输给所述智能机器人，以通过所述智能机器人使用所述语音数据对所述用户进行反馈处理。
在本实施例中，可通过将所述语音数据传输给所述智能机器人，并控制所述智能机器人使用所述语音数据对所述用户进行反馈处理，从而进行与用户之间的对话流程。
本申请通过生成与所述问题结果对应的语音数据；然后调用预设的智能机器人；后续将所述语音数据传输给所述智能机器人，以通过所述智能机器人使用所述语音数据对所述用户进行反馈处理。本申请在使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果后，还会智能地生成与所述问题结果对应的语音数据并传输给所述智能机器人，以通过所述智能机器人使用所述语音数据对所述用户进行反馈处理，从而可以基于智能机器人与所述语音数据来实现自动准确地完成对于用户提出的问题数据的解答处理，有利于提高用户的使用体验。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要强调的是，为进一步保证上述问题结果的私密和安全性，上述问题结果还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的问题数据处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于人工智能的问题数据处理装置300包括：接收模块301、提取模块302、获取模块303、转换模块304、第一筛选模块305、第二筛选模块306以及第一生成模块307。其中：
接收模块301，用于接收用户在对话过程中输入的问题数据；
提取模块302，用于获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词；
获取模块303，用于将所述目标行业关键词输入至与预设的大语言模型对应的知识图谱内，并获取从所述知识图谱中检索得到的与所述目标行业关键词对应的检索结果；
转换模块304，用于将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据；
第一筛选模块305，用于从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档；
第二筛选模块306，用于基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档；
第一生成模块307，用于使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的问题数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，提取模块302包括：
第一获取子模块，用于获取与所述问题数据对应的所述上下文数据；
第一调用子模块，用于调用预设的分词工具；其中，所述分词工具内配置有预设的行业关键词；
分词子模块，用于通过所述分词工具对所述问题数据与所述上下文数据进行分词处理，得到对应的分词数据；
提取子模块，用于通过所述分词工具中配置的所述行业关键词对所述分词数据进行关键词提取，得到所述目标行业关键词。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的问题数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中, 第一筛选模块305包括：
第二调用子模块，用于调用预设的目标相似度算法；
计算子模块，用于基于所述目标相似度算法分别计算所述句子数据与所述向量数据库中包含的各个文档之间的相似度；
第一筛选子模块，用于从所有所述相似度中筛选出数值大于预设的相似度阈值的指定相似度；
第二获取子模块，用于从所有所述文档中获取与所述指定相似度对应的指定文档；
第一确定子模块，用于将所述指定文档作为所述候选文档。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的问题数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二筛选模块306包括：
第三调用子模块，用于调用所述交叉编码器；
处理子模块，用于通过所述交叉编码器分别对所述句子数据与各所述候选文档进行拼接处理，得到对应的多个拼接数据；
分类子模块，用于对所有所述拼接数据进行分类处理，得到与各所述拼接数据分别对应的分类结果值；
第二筛选子模块，用于从所有所述分类结果值中筛选出数值最高的指定分类结果值；
第二确定子模块，用于获取与所述指定分类结果值对应的指定拼接数据，并将与所述指定拼接数据关联的指定候选文档作为所述目标文档。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的问题数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的问题数据处理装置还包括：
爬取模块，用于从目标网络资源中对预设时间周期内的行业数据进行爬取；
预处理模块，用于对所述行业数据进行预处理，得到处理后的指定行业数据；
第一构建模块，用于基于所述指定行业数据构建对应的向量数据库；
存储模块，用于存储所述向量数据库。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的问题数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的问题数据处理装置还包括：
第一调用模块，用于调用所述知识图谱；
第二调用模块，用于调用所述向量数据库；
第二构建模块，用于基于所述知识图谱与所述向量数据库构建所述大语言模型的知识库。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的问题数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的问题数据处理装置还包括：
第二生成模块，用于生成与所述问题结果对应的语音数据；
第三调用模块，用于调用预设的智能机器人；
反馈模块，用于将所述语音数据传输给所述智能机器人，以通过所述智能机器人使用所述语音数据对所述用户进行反馈处理。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的问题数据处理方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的问题数据处理方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的问题数据处理方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，在接收到用户在对话过程中输入的问题数据后，会先对该问题数据以及相关的上下文数据进行关键词提取以得到目标行业关键词，进而使用与预设的大语言模型对应的知识图谱对目标行业关键词进行检索得到检索结果，然后使用与所述大语言模型对应的向量数据库对由所述问题数据与所述检索结果进行转换得到的句子数据进行筛选得到匹配的多个候选文档，后续基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档，最后使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，以实现自动地生成与所述问题数据对应的问题结果。本申请通过基于预先构建的与大语言模型对应的知识图谱、向量数据库、交叉编码器以及大语言模型对用户在对话过程中输入的问题数据进行处理，可以实现速准确地生成与所述问题数据对应的问题结果，保证了生成的问题结果的精确度，进而后续使用该问题结果来向用户进行反馈能够有利于提高用户的满意度。
本申请还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的问题数据处理方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，在接收到用户在对话过程中输入的问题数据后，会先对该问题数据以及相关的上下文数据进行关键词提取以得到目标行业关键词，进而使用与预设的大语言模型对应的知识图谱对目标行业关键词进行检索得到检索结果，然后使用与所述大语言模型对应的向量数据库对由所述问题数据与所述检索结果进行转换得到的句子数据进行筛选得到匹配的多个候选文档，后续基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档，最后使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，以实现自动地生成与所述问题数据对应的问题结果。本申请通过基于预先构建的与大语言模型对应的知识图谱、向量数据库、交叉编码器以及大语言模型对用户在对话过程中输入的问题数据进行处理，可以实现速准确地生成与所述问题数据对应的问题结果，保证了生成的问题结果的精确度，进而后续使用该问题结果来向用户进行反馈能够有利于提高用户的满意度。
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终端设备（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。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于人工智能的问题数据处理方法，其特征在于，包括下述步骤：
接收用户在对话过程中输入的问题数据；
获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词；
将所述目标行业关键词输入至与预设的大语言模型对应的知识图谱内，并获取从所述知识图谱中检索得到的与所述目标行业关键词对应的检索结果；
将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据；
从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档；
基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档；
使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果。
2.根据权利要求1所述的基于人工智能的问题数据处理方法，其特征在于，所述获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词的步骤，具体包括：
获取与所述问题数据对应的所述上下文数据；
调用预设的分词工具；其中，所述分词工具内配置有预设的行业关键词；
通过所述分词工具对所述问题数据与所述上下文数据进行分词处理，得到对应的分词数据；
通过所述分词工具中配置的所述行业关键词对所述分词数据进行关键词提取，得到所述目标行业关键词。
3.根据权利要求1所述的基于人工智能的问题数据处理方法，其特征在于，所述从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档的步骤，具体包括：
调用预设的目标相似度算法；
基于所述目标相似度算法分别计算所述句子数据与所述向量数据库中包含的各个文档之间的相似度；
从所有所述相似度中筛选出数值大于预设的相似度阈值的指定相似度；
从所有所述文档中获取与所述指定相似度对应的指定文档；
将所述指定文档作为所述候选文档。
4.根据权利要求1所述的基于人工智能的问题数据处理方法，其特征在于，所述基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档的步骤，具体包括：
调用所述交叉编码器；
通过所述交叉编码器分别对所述句子数据与各所述候选文档进行拼接处理，得到对应的多个拼接数据；
对所有所述拼接数据进行分类处理，得到与各所述拼接数据分别对应的分类结果值；
从所有所述分类结果值中筛选出数值最高的指定分类结果值；
获取与所述指定分类结果值对应的指定拼接数据，并将与所述指定拼接数据关联的指定候选文档作为所述目标文档。
5.根据权利要求1所述的基于人工智能的问题数据处理方法，其特征在于，在所述将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据的步骤之前，还包括：
从目标网络资源中对预设时间周期内的行业数据进行爬取；
对所述行业数据进行预处理，得到处理后的指定行业数据；
基于所述指定行业数据构建对应的向量数据库；
存储所述向量数据库。
6.根据权利要求1所述的基于人工智能的问题数据处理方法，其特征在于，在所述将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据的步骤之前，还包括：
调用所述知识图谱；
调用所述向量数据库；
基于所述知识图谱与所述向量数据库构建所述大语言模型的知识库。
7.根据权利要求1所述的基于人工智能的问题数据处理方法，其特征在于，在所述使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果的步骤之后，还包括：
生成与所述问题结果对应的语音数据；
调用预设的智能机器人；
将所述语音数据传输给所述智能机器人，以通过所述智能机器人使用所述语音数据对所述用户进行反馈处理。
8.一种基于人工智能的问题数据处理装置，其特征在于，包括：
接收模块，用于接收用户在对话过程中输入的问题数据；
提取模块，用于获取与所述问题数据对应的上下文数据，并对所述问题数据与所述上下文数据进行关键词提取，得到对应的目标行业关键词；
获取模块，用于将所述目标行业关键词输入至与预设的大语言模型对应的知识图谱内，并获取从所述知识图谱中检索得到的与所述目标行业关键词对应的检索结果；
转换模块，用于将所述问题数据与所述检索结果转换为对应的词嵌入，并将所述词嵌入映射至与所述大语言模型对应的向量数据库所在的向量空间内，以得到相应的句子数据；
第一筛选模块，用于从所述向量数据库中筛选出与所述句子数据匹配的多个候选文档；
第二筛选模块，用于基于预设的交叉编码器从所有所述候选文档中筛选出与所述句子数据对应的目标文档；
第一生成模块，用于使用所述大语言模型对所述目标文档与所述句子数据进行推理处理，生成与所述问题数据对应的问题结果。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的问题数据处理方法的步骤。
10.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的问题数据处理方法的步骤。
CN202311596952.XA 2023-11-28 2023-11-28 基于人工智能的问题数据处理方法、装置、设备及介质 Active CN117312535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311596952.XA CN117312535B (zh) 2023-11-28 2023-11-28 基于人工智能的问题数据处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311596952.XA CN117312535B (zh) 2023-11-28 2023-11-28 基于人工智能的问题数据处理方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN117312535A true CN117312535A (zh) 2023-12-29
CN117312535B CN117312535B (zh) 2024-06-28

Family

ID=89297588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311596952.XA Active CN117312535B (zh) 2023-11-28 2023-11-28 基于人工智能的问题数据处理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117312535B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117743390A (zh) * 2024-02-20 2024-03-22 证通股份有限公司 针对金融信息的查询方法和系统、存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112527999A (zh) * 2020-12-22 2021-03-19 江苏省农业科学院 引入农业领域知识的抽取式智能问答方法及系统
CN115098668A (zh) * 2022-07-08 2022-09-23 阳光保险集团股份有限公司 一种文档排序方法、排序装置、电子设备和存储介质
CN115618113A (zh) * 2022-11-03 2023-01-17 中国人民解放军国防科技大学 一种基于知识图谱表示学习的搜索召回方法和系统
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
CN116680384A (zh) * 2023-06-08 2023-09-01 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
CN116719899A (zh) * 2023-05-25 2023-09-08 北京中科凡语科技有限公司 一种针对大模型的领域知识更新系统及方法
CN116805001A (zh) * 2023-06-26 2023-09-26 城云科技（中国）有限公司 适用于垂直领域的智能问答系统、方法及其应用
CN116932708A (zh) * 2023-04-18 2023-10-24 清华大学 大语言模型驱动的开放域自然语言推理问答系统及方法
CN117033608A (zh) * 2023-09-28 2023-11-10 中国电子科技集团公司第十研究所 一种基于大语言模型的知识图谱生成式问答方法及系统
CN117056531A (zh) * 2023-08-29 2023-11-14 上海大学 领域知识驱动的大语言模型精调方法、系统、设备及存储介质
CN117076719A (zh) * 2023-10-12 2023-11-17 北京枫清科技有限公司 一种基于大语言模型的数据库联合查询方法、装置和设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112527999A (zh) * 2020-12-22 2021-03-19 江苏省农业科学院 引入农业领域知识的抽取式智能问答方法及系统
CN115098668A (zh) * 2022-07-08 2022-09-23 阳光保险集团股份有限公司 一种文档排序方法、排序装置、电子设备和存储介质
CN115618113A (zh) * 2022-11-03 2023-01-17 中国人民解放军国防科技大学 一种基于知识图谱表示学习的搜索召回方法和系统
CN116932708A (zh) * 2023-04-18 2023-10-24 清华大学 大语言模型驱动的开放域自然语言推理问答系统及方法
CN116719899A (zh) * 2023-05-25 2023-09-08 北京中科凡语科技有限公司 一种针对大模型的领域知识更新系统及方法
CN116680384A (zh) * 2023-06-08 2023-09-01 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
CN116805001A (zh) * 2023-06-26 2023-09-26 城云科技（中国）有限公司 适用于垂直领域的智能问答系统、方法及其应用
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
CN117056531A (zh) * 2023-08-29 2023-11-14 上海大学 领域知识驱动的大语言模型精调方法、系统、设备及存储介质
CN117033608A (zh) * 2023-09-28 2023-11-10 中国电子科技集团公司第十研究所 一种基于大语言模型的知识图谱生成式问答方法及系统
CN117076719A (zh) * 2023-10-12 2023-11-17 北京枫清科技有限公司 一种基于大语言模型的数据库联合查询方法、装置和设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117743390A (zh) * 2024-02-20 2024-03-22 证通股份有限公司 针对金融信息的查询方法和系统、存储介质
CN117743390B (zh) * 2024-02-20 2024-05-28 证通股份有限公司 针对金融信息的查询方法和系统、存储介质

Also Published As

Publication number Publication date
CN117312535B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
CN107679039B (zh) 用于确定语句意图的方法和装置
WO2023134057A1 (zh) 事务信息查询方法、装置、计算机设备及存储介质
CN117312535B (zh) 基于人工智能的问题数据处理方法、装置、设备及介质
CN112836521A (zh) 问答匹配方法、装置、计算机设备及存储介质
US11734602B2 (en) Methods and systems for automated feature generation utilizing formula semantification
CN118070072A (zh) 基于人工智能的问题处理方法、装置、设备及存储介质
CN112199954A (zh) 基于语音语义的疾病实体匹配方法、装置及计算机设备
CN115730597A (zh) 多级语义意图识别方法及其相关设备
JP2023554210A (ja) インテリジェント推奨用のソートモデルトレーニング方法及び装置、インテリジェント推奨方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
US11361031B2 (en) Dynamic linguistic assessment and measurement
CN118035415A (zh) 问答方法、装置、设备以及存储介质
CN117874234A (zh) 基于语义的文本分类方法、装置、计算机设备及存储介质
CN117217684A (zh) 指标数据的处理方法、装置、计算机设备及存储介质
CN117216393A (zh) 信息推荐方法、信息推荐模型的训练方法及装置、设备
CN116755688A (zh) 组件处理方法、装置、计算机设备及存储介质
CN115730603A (zh) 基于人工智能的信息提取方法、装置、设备及存储介质
CN113297367B (zh) 用户对话衔接语生成的方法及相关设备
CN112148902B (zh) 数据处理方法、装置、服务器及存储介质
CN114637831A (zh) 基于语义分析的数据查询方法及其相关设备
CN115238009A (zh) 基于血缘分析的元数据管理方法、装置、设备及存储介质
CN115062136A (zh) 基于图神经网络的事件消歧方法及其相关设备
CN111046146B (zh) 用于生成信息的方法和装置
CN116821298A (zh) 一种应用于投保信息的关键词自动识别方法、及相关设备
CN117076775A (zh) 资讯数据的处理方法、装置、计算机设备及存储介质
CN116452239A (zh) 基于人工智能的数据预测方法、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