1.用于大语言模型问答的自适应多跳检索知识图谱构造方法,其特征在于,包括:数据提取,提取输入的问题和语料库的三元组;
自适应多跳检索匹配,从所述语料库中检索与问题实体Eq和答案实体Ea相关的数据,即,通过使用知识库中提取的三元组Td来量化语料库与问题q之间的匹配信息,具体包括:使用预先训练的语言模型PLM结构化提取的语料库三元组,采用序列模型BART作为编码器编码问题实体Eq和语料库三元组Td,并对其进行标记化,具体如下:问题实体Eq,将问题实体Eq标记为标记向量vq={w1,w2,…,wn},然后添加分类标记“[CLS]”和分离标记“[SEP]”分别标记序列的开头和分割句子或段落;
语料库三元组Td,将每个三元组ti∈Td展平为序列s,然后以与问题三元组Tq类似的编码将s标记为vs∈R{m×n};
编码后,根据相关性得分选择语料库三元组Td中与问题编码vq相似度最大的实体作为下一次迭代的基础;相关性得分和相似性得分定义如下:R(vq,Td)=max(Sm) (2)
Sm={s1,s2,...,sm} (3)
si=cos(vq,ti),ti∈Td (4)
式中,R(vq,Td)表示相关性得分,si表示相似性得分,ti是三元组中的实体编码;
知识图谱构建,利用自适应多跳检索匹配过程中的问题与语料库三元组构建知识图谱;
答案预测器模型,包括:节点嵌入、消息传递和选择性过滤,节点嵌入用于对问题和知识图谱进行编码;基于编码后的问题和知识图谱基于图卷积网络进行消息传递;选择性过滤用于过滤所述知识图谱的冗余信息。
2.根据权利要求1所述的用于大语言模型问答的自适应多跳检索知识图谱构造方法,其特征在于,对所述提取的三元组进行去噪,如下式:式中,Tq,Td分别表示提取的问题实体三元组和语料库实体三元组,q和d表示问题和语料库。
3.根据权利要求1所述的用于大语言模型问答的自适应多跳检索知识图谱构造方法,其特征在于,所述提取的三元组进行去冗余信息,所述冗余信息处理包括:设三元组T1中的实体和关系包含在三元组T2中,即T1∈T2,则用三元组T1中来代替三元组T2;
若两个三元组并行,则将两个三元组进行串联。
4.根据权利要求1所述的用于大语言模型问答的自适应多跳检索知识图谱构造方法,其特征在于,所述知识图谱构建具体包括:利用问题实体Eq和语料库三元组Td来构建知识图G;对于每一跳i,选择实体作为节点并将边的构造分为初始边和动态边;
初始边,对于第一跳检索,将问题实体Eq与作为初始边检索的问题实体Ed连接;
动态边,对于下一跳检索i(i≠1),使用前一跳的问题实体和检索到的最相似的知识库实体来更新查询,将检索到的知识库实体与连接作为动态边。
5.根据权利要求1所述的用于大语言模型问答的自适应多跳检索知识图谱构造方法,其特征在于,所述答案预测器模型中节点嵌入包括:使用图卷积网络GCN进行消息传递更新邻域内的节点编码之前,需要使用编码器初始化节点编码,具体为:问题编码,对于原始问题q,向问题q加特定标志“[CLS]”和“[SEP]”,并使用句子级模型BART生成编码知识图谱编码,对于知识图中的每个实体,使用字级编码器将实体编码为
6.根据权利要求5所述的用于大语言模型问答的自适应多跳检索知识图谱构造方法,其特征在于,所述消息传递包括:利用GCN加速信息聚合,具体如下式:
V*=Wr(AVWg)+V (5)
式中,V是邻接矩阵,A是实体节点矩阵,Wr和Wg是可学习的模型网络参数。
7.根据权利要求1所述的用于大语言模型问答的自适应多跳检索知识图谱构造方法,其特征在于,所述选择性过滤具体通过基于Graphbased Mamba模块进行选择过滤。