CN117332070A - 基于知识图谱和大模型的水利工程巡检智能问答方法 - Google Patents
基于知识图谱和大模型的水利工程巡检智能问答方法 Download PDFInfo
- Publication number
- CN117332070A CN117332070A CN202311554022.8A CN202311554022A CN117332070A CN 117332070 A CN117332070 A CN 117332070A CN 202311554022 A CN202311554022 A CN 202311554022A CN 117332070 A CN117332070 A CN 117332070A
- Authority
- CN
- China
- Prior art keywords
- clarification
- inspection
- questions
- optimal
- knowledge graph
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005352 clarification Methods 0.000 claims abstract description 71
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 24
- 238000011084 recovery Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于知识图谱和大模型的水利工程巡检智能问答方法，包括以下步骤：收集多个相关水利工程巡检问题，将其带入到水利巡检知识图谱中找寻答案，该问题和找寻答案所经过的实体关系以及对应的澄清问题一同组合成最优澄清路径；然后让大型语言模型通过对最优澄清路径进行学习，了解相关水利工程巡检领域知识，使大型语言模型的回复和水利巡检领域密不可分。本发明缓解了水利巡检知识图谱数据有限的问题和澄清语句死板问题以及大型语言模型噪声和随机性问题，为水利巡检人员提供全面、高效的回答，且本发明研究的最优澄清路径和五个AI单元还大大提高了澄清过程效率和回复答案的正确性。
Description
技术领域
本发明属于水利工程巡检领域，具体地说涉及一种基于知识图谱和大型语言模型相结合的水利工程巡检智能问答方法。
背景技术
水利工程巡检领域积累了大量多源异构信息，导致巡检人员很难迅速、准确地获取历史风险信息与借鉴历史应急经验，大大降低了有效信息的使用效率。因此，设计一个高效的智能问答为巡检人员提供准确的信息支持，提高巡检人员解决工程安全问题的效率至关重要。现有基于知识图谱的水利问答系统主要利用知识图谱将实体和实体间关系整合为三元组形式，使无结构化文本和半结构化文本数据变成结构化数据，提高了数据质量，以此为巡检人员提供较为规整的结构化领域知识，但由于面对的是垂直领域，受到文本数量的限制，当查询语句所含实体超出范围时，基于水利巡检知识图谱的问答系统就会发生词汇超出（Out Of Vocabulary，OOV）现象，当巡检人员询问意图不明显时，还需要对其问题进行澄清，比如，“你是不是想询问XX的相关情况”，这种话语通常都是预先设计好的模板，较为死板。而现在随着人工智能技术的快速发展，学者们又开始借助最为火爆的大型语言模型（例如文心一言，GPT等）去完成特定任务的问答，大型语言模型是通过大量数据训练出来的模型，具有两大特点：一是具有海量先验知识；二是具有强大的语义理解和上下文学习能力，在处理通用领域问题时，可以获得很好的效果。然而由于其噪声和随机性问题，大模型被用于解决垂直领域相关问答任务时，效果并不理想。
综上所述，现在较为流行的水利巡检问答系统分为两种：一种是基于水利巡检知识图谱的问答系统；一种是直接利用大型语言模型（例如，文心一言，chatgpt等）进行相关水利巡检问题的回答。
基于水利巡检知识图谱的问答系统的缺点是数据有限，无法为巡检人员提供全面的回答，并且利用设计好的模板对水利巡检人员问题进行澄清，较为死板。
直接利用大型语言模型进行相关水利巡检问题的回答的缺点：大型语言模型含有海量知识，扩大水利巡检知识范围的同时，也带来噪声和随机性问题。由于大型语言模型涉猎的知识太多，导致大型语言模型在回答问题时，常常会回复一些和水利巡检人员问题无关的回答，大大降低了答案的准确性。
因此，本发明将水利巡检知识图谱和大型语言模型结合起来，用彼此的优点去弥补彼此的缺点，借助大模型的特点充分扩展水利领域知识范围，根据巡检人员查询问题生成流畅、适当的澄清问题；借助水利知识图谱所含结构化水利领域知识和实体关系路径，为大型语言模型提供较为规整的巡检领域信息，缓解潜在噪声和随机性问题。此外，为了提高问答准确性，本发明还利用任务分解和提示链思想对根任务拆分并设计对应的自然语言提示，按照特定结构将其组合形成提示链，从而帮助大模型解决内生知识不充分，数据不闭环的问题，使其能够返回和水利巡检领域紧密相关的回答，实现符合水利巡检人员意图的智能问答，以提高决策质量和效率，为巡检人员快速、高效的获取相关知识做好铺垫。
发明内容
本发明所要解决的技术问题是提供一种基于知识图谱和大模型的水利工程巡检智能问答方法，缓解水利巡检知识图谱和直接利用大型语言模型回答水利巡检问题的缺点，本发明将水利巡检知识图谱和大型语言模型相结合做成智能问答，用彼此的优势去弥补彼此的缺点。
本发明的目的是以下述方式实现的：
一种基于知识图谱和大模型的水利工程巡检智能问答方法，包括以下步骤：
a. 收集多个相关水利工程巡检问题，将其带入到水利巡检知识图谱中找寻答案，该问题和找寻答案所经过的实体关系以及对应的澄清问题一同组合成最优澄清路径;
b. 然后让大型语言模型通过对最优澄清路径进行学习，了解相关水利工程巡检领域知识，使大型语言模型的回复和水利巡检领域密不可分。
上述基于知识图谱和大模型的水利工程巡检智能问答方法，所述步骤a收集多个相关水利工程巡检问题，对水利巡检问题中未指明的部分进行澄清，并设置澄清方向为存在风险，发生部位，根据这两澄清方向进入水利巡检知识图谱找寻问题答案，找到最终答案后把巡检问题和找寻答案经过的结构化实体关系路径组合成最优澄清路径。
上述基于知识图谱和大模型的水利工程巡检智能问答方法，所述最优澄清路径具体如下：水利巡检问题、第一轮澄清方向、第一轮选项、第二轮澄清方向、第二轮选项......最终答案。
上述基于知识图谱和大模型的水利工程巡检智能问答方法，所述第一轮选项具体为：根据澄清方向，也就是知识图谱中的关系，找到的实体。
上述基于知识图谱和大模型的水利工程巡检智能问答方法，所述步骤b，把多个最优澄清路径转换成向量，让大语言模型进行学习，然后将用户输入的查询问题也转为向量去和这些最优澄清路径进行匹配，找到最相似的前10%的数据，以确保检索到的最优澄清路径和巡检人员的初始查询语句相似，然后大语言模型通过最佳澄清单元，根据匹配得到的最优澄清路径中的澄清方向进行判断，看用户查询语句从哪个方向进行澄清比较好，然后大语言模型根据澄清问题生成单元生成对应的澄清问题，备选方案生成单元针对澄清问题按照匹配得到的最优澄清路径中的选项生成多个合适的选项，用户进行选择或者自行输入答案，查询扩展单元把上述得到的澄清问题以及巡检人员所选或所提供的答案添加到初始查询语句进行扩展，知识回答单元根据所扩展的查询语句给出最终答案。
相对于现有技术，本发明有以下技术效果：
本发明不针对查询问题中已存在的实体进行抽取，而是让大模型利用五个单元对查询问题中缺失的部分进行人机交互，确定缺失的实体并将其添加到查询问题中进行扩充，进而回复答案。主要利用任务分解和提示链思想对整个问答过程进行拆分，并采取人机交互的方式，更好的了解水利巡检人员查询目的，大大提高了整体查询澄清的效率和正确率。
基于知识图谱和大型语言模型的水利工程巡检智能问答缓解了水利巡检知识图谱数据有限的问题和澄清语句死板问题，还缓解了大型语言模型噪声和随机性问题，可以为水利巡检人员提供全面、高效的回答，并且本发明研究的最优澄清路径和五个AI单元还大大提高了澄清过程效率和回复答案的正确性。
附图说明
图1为本发明的流程示意图；
图2为本发明最佳澄清方向单元的任务提示流程图；
图3为本发明澄清问题生成单元的任务提示流程图；
图4为本发明备选方案生成单元的任务提示流程图；
图5为本发明查询扩展单元的任务提示流程图；
图6为本发明知识回复单元的任务提示流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图1-6具体详细地说明本发明的结构及工作过程。
一种基于知识图谱和大模型的水利工程巡检智能问答方法，包括以下步骤：
a. 收集多个相关水利工程巡检问题，将其带入到水利巡检知识图谱中找寻答案，该问题和找寻答案所经过的实体关系以及对应的澄清问题一同组合成最优澄清路径;
b. 然后让大型语言模型通过对最优澄清路径进行学习，了解相关水利工程巡检领域知识，使大型语言模型的回复和水利巡检领域密不可分。
本发明所述的基于知识图谱和大模型的水利工程巡检智能问答方法，所述步骤a收集多个相关水利工程巡检问题，对水利巡检问题中未指明的部分进行澄清，并设置澄清方向为存在风险，发生部位，根据这两澄清方向进入水利巡检知识图谱找寻问题答案，找到最终答案后把巡检问题和找寻答案经过的结构化实体关系路径组合成最优澄清路径。
本发明所述的基于知识图谱和大模型的水利工程巡检智能问答方法，所述最优澄清路径具体如下：水利巡检问题、第一轮澄清方向、第一轮选项、第二轮澄清方向、第二轮选项...... 最终答案。
本发明所述的基于知识图谱和大模型的水利工程巡检智能问答方法，所述第一轮选项具体为：根据澄清方向，也就是知识图谱中的关系，找到的实体。
本发明所述的基于知识图谱和大模型的水利工程巡检智能问答方法，所述步骤b，把多个最优澄清路径转换成向量，让大语言模型进行学习，然后将用户输入的查询问题也转为向量去和这些最优澄清路径进行匹配，找到最相似的前10%的数据，以确保检索到的最优澄清路径和巡检人员的初始查询语句相似，然后大语言模型通过最佳澄清单元，根据匹配得到的最优澄清路径中的澄清方向进行判断，看用户查询语句从哪个方向进行澄清比较好，然后大语言模型根据澄清问题生成单元生成对应的澄清问题，备选方案生成单元针对澄清问题按照匹配得到的最优澄清路径中的选项生成多个合适的选项，用户进行选择或者自行输入答案，查询扩展单元把上述得到的澄清问题以及巡检人员所选或所提供的答案添加到初始查询语句进行扩展，知识回答单元根据所扩展的查询语句给出最终答案。
本发明中的最佳澄清单元、澄清问题生成单元、备选方案生成单元、查询扩展单元和知识回答单元对查询问题中缺失的部分进行逐步澄清，并采取人机交互的方式更好的了解到巡检人员查询对象以此确定缺失的实体并将其添加到查询问题中进行扩充，进而回复答案。
本发明是让大模型学习知识图谱的内容，然后根据五个AI单元对用户问题语句中缺失的部分进行判断，判断从哪个方向进行澄清比较好，进而生成澄清问题，并根据学习的内容为生成的澄清问题生成相应的选项，如果生成的选项实在不符合用户要求，用户还可以根据生成的选项格式知道如何输入自己的回答让大模型对查询问题进行扩充，然后让大模型进行问题的回复，本做法让大模型先学习领域知识，再去询问，不仅可以引导用户更好的回答问题，还使得整体的澄清过程和人机交互过程都紧紧围绕着水利领域，最大程度上缓解了大模型回答问题时带来的噪声和回答随机性问题。
本发明智能问答方法的使用：巡检人员输入水利巡检问题后，首先通过匹配机制，找寻和巡检人员问题最相关的前10%的最优澄清路径，让大型语言模型通过匹配到的最优澄清路径进行问题澄清，有助于提高澄清效率，然后将问题送入到最佳澄清方向单元，先根据初始查询语句中未指明的部分确定一个最佳澄清方向，澄清问题生成单元再根据得到的最佳澄清方向生成一个相关澄清问题，由于提前学习过最优澄清路径，因此备选方案生成单元针对澄清问题可以生成合适的候选选项并按照与初始查询语句的相关性进行排序，巡检人员进行选择后使得大型语言模型了解到未指定部分的具体对象，查询扩展单元再把上述得到的澄清问题以及巡检人员所选答案添加到初始查询语句进行扩展，使得语义信息更加具体，最后知识回答单元根据所扩展的具有明确语义信息的查询语句给出最终答案并按照与初始查询语句的相关性进行排序，把最优答案排在首行以完成整个问答过程。此外，为了更好地发挥这五个AI单元的功能，本发明还为每个单元都设置了对应的任务提示，整体流程和每个单元的任务提示如附图所示，值得注意的是，附图中所包含的历史回答和历史答案是针对巡检人员问题中包含多个未指明部分而需要进行多轮问答创建的，当巡检人员问题经过一轮的问答后依旧得不到有效回答，巡检人员可以选择继续进行澄清问答，此时，第一轮巡检人员所选选项和大型语言模型给出的回答就会存储在系统中，便于第二轮的澄清问答。
具体在水利工程领域，用户初始查询问题：水轮机发生故障，该怎么办？用本发明的流程如下：
最佳澄清方面：发生部位澄清问题：水轮机哪个位置发生了故障备选选项：1.叶轮，2.伸缩节，3.加热器。。。。。。 /> 用户回答：伸缩节/>扩展语句：水轮机伸缩节发生了故障，该怎么办？/>知识回答：1.重启或复位，2.紧固松动螺丝，3.检查是否渗水，进行防渗处理。。。。。。。
显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式，基于本发明中的实施方式，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方式，都属于本发明保护的范围。
Claims (5)
1.一种基于知识图谱和大模型的水利工程巡检智能问答方法，其特征在于：包括以下步骤：
a. 收集多个相关水利工程巡检问题，将其带入到水利巡检知识图谱中找寻答案，该问题和找寻答案所经过的实体关系以及对应的澄清问题一同组合成最优澄清路径；
b. 然后让大型语言模型通过对最优澄清路径进行学习，了解相关水利工程巡检领域知识，使大型语言模型的回复和水利巡检领域密不可分。
2.根据权利要求1所述的基于知识图谱和大模型的水利工程巡检智能问答方法，其特征在于：所述步骤a收集多个相关水利工程巡检问题，对水利巡检问题中未指明的部分进行澄清，并设置澄清方向为存在风险，发生部位，根据这两澄清方向进入水利巡检知识图谱找寻问题答案，找到最终答案后把巡检问题和找寻答案经过的结构化实体关系路径组合成最优澄清路径。
3.根据权利要求2所述的基于知识图谱和大模型的水利工程巡检智能问答方法，其特征在于：所述最优澄清路径具体如下：水利巡检问题、第一轮澄清方向、第一轮选项、第二轮澄清方向、第二轮选项...... 最终答案。
4.根据权利要求3所述的基于知识图谱和大模型的水利工程巡检智能问答方法，其特征在于：所述第一轮选项具体为：根据澄清方向，也就是知识图谱中的关系，找到的实体。
5.根据权利要求1所述的基于知识图谱和大模型的水利工程巡检智能问答方法，其特征在于：所述步骤b，把多个最优澄清路径转换成向量，让大语言模型进行学习，然后将用户输入的查询问题也转为向量去和这些最优澄清路径进行匹配，找到最相似的前10%的数据，以确保检索到的最优澄清路径和巡检人员的初始查询语句相似，然后大语言模型通过最佳澄清单元，根据匹配得到的最优澄清路径中的澄清方向进行判断，看用户查询语句从哪个方向进行澄清比较好，然后大语言模型根据澄清问题生成单元生成对应的澄清问题，备选方案生成单元针对澄清问题按照匹配得到的最优澄清路径中的选项生成多个合适的选项，用户进行选择或者自行输入答案，查询扩展单元把上述得到的澄清问题以及巡检人员所选或所提供的答案添加到初始查询语句进行扩展，知识回答单元根据所扩展的查询语句给出最终答案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311554022.8A CN117332070A (zh) | 2023-11-21 | 2023-11-21 | 基于知识图谱和大模型的水利工程巡检智能问答方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311554022.8A CN117332070A (zh) | 2023-11-21 | 2023-11-21 | 基于知识图谱和大模型的水利工程巡检智能问答方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117332070A true CN117332070A (zh) | 2024-01-02 |
Family
ID=89277630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311554022.8A Pending CN117332070A (zh) | 2023-11-21 | 2023-11-21 | 基于知识图谱和大模型的水利工程巡检智能问答方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332070A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725188A (zh) * | 2024-02-08 | 2024-03-19 | 亚信科技（中国）有限公司 | 基于人工智能的问答方法、装置、电子设备及存储介质 |
| CN118014072A (zh) * | 2024-04-10 | 2024-05-10 | 中国电建集团昆明勘测设计研究院有限公司 | 水利水电工程用知识图谱的构建方法及系统 |
-
2023
- 2023-11-21 CN CN202311554022.8A patent/CN117332070A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725188A (zh) * | 2024-02-08 | 2024-03-19 | 亚信科技（中国）有限公司 | 基于人工智能的问答方法、装置、电子设备及存储介质 |
| CN118014072A (zh) * | 2024-04-10 | 2024-05-10 | 中国电建集团昆明勘测设计研究院有限公司 | 水利水电工程用知识图谱的构建方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117332070A (zh) | 基于知识图谱和大模型的水利工程巡检智能问答方法 | |
| Bogin et al. | Global reasoning over database structures for text-to-SQL parsing | |
| CN107291687B (zh) | 一种基于依存语义的中文无监督开放式实体关系抽取方法 | |
| CN111930784B (zh) | 一种电网知识图谱构建方法及其系统 | |
| CN110377715A (zh) | 基于法律知识图谱的推理式精准智能问答方法 | |
| CN110888943B (zh) | 基于微模板的法院裁判文书辅助生成的方法和系统 | |
| CN111813802A (zh) | 一种基于自然语言生成结构化查询语句的方法 | |
| CN109325040B (zh) | 一种faq问答库泛化方法、装置及设备 | |
| CN107729493A (zh) | 旅行知识图谱的构建方法、装置及旅行问答方法、装置 | |
| CN104657440A (zh) | 结构化查询语句生成系统及方法 | |
| CN102262634A (zh) | 一种自动问答方法及系统 | |
| MX2023003764A (es) | Método y servidor para sesión inteligente basados en recuperación de datos de tablas. | |
| CN110175585A (zh) | 一种简答题自动批改系统及方法 | |
| CN117370580A (zh) | 一种基于知识图谱增强大语言模型双碳领域服务方法 | |
| CN114065738A (zh) | 基于多任务学习的中文拼写纠错方法 | |
| CN116932776A (zh) | 一种基于知识图谱的大模型知识更新方法和装置 | |
| JP6709812B2 (ja) | 関係性推定モデル学習装置、方法、及びプログラム | |
| CN116776895A (zh) | 一种面向api推荐的知识引导大型语言模型查询澄清方法及系统 | |
| CN113139041A (zh) | 一种模块化的智能问答方法及系统 | |
| CN115730053A (zh) | 风电机组运维辅助智能问答方法及装置 | |
| Dan et al. | Enhancing class understanding via prompt-tuning for zero-shot text classification | |
| CN111831792B (zh) | 一种电力知识库构建方法及系统 | |
| Xie et al. | Research and implementation of automatic question answering system based on ontology | |
| CN116431821A (zh) | 基于常识感知的知识图谱补全方法及问答系统 | |
| CN110309258A (zh) | 一种输入检查方法、服务器和计算机可读存储介质 |
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 |