CN120087470A 一种用于智能化评估的多因果关系抽取方法及系统 （中国人民解放军军事航天部队航天工程大学）

(19)国家知识产权局一号(72)发明人丰松江程子俊务所(普通合伙)11576一种用于智能化评估的多因果关系抽取方训练过程中采用低秩适配技术对大语言模型进构建思维链提示词，结合原始语料生成微调构建思维链提示词，结合原始语料生成微调语料库训练大语言模型并继续微调模型参数，得到因果关系抽取模型将待抽取因果关系的语料输入至因果关系抽取模型中,输出因果关系提取结果评估指标体系和构建策略知识库，生成综合评估结果21.一种用于智能化评估的多因果关系抽取方法，其特征在于，该方法包括：构建用于生成分步推理的因果分析提示模板作为思维链提示词，结合原始语料生成微调语料库；其中，所述思维链提示词包含文本预处理、要素提取和关系判定的多阶段引导指将所述微调语料库作为输入数据输入至大语言模型中，针对因果关系进行训练，在训练过程中采用低秩适配技术对大语言模型进行微调训练，得到因果关系抽取模型；将待抽取因果关系的语料输入至因果关系抽取模型中，输出因果关系提取结果；基于所述因果关系提取结果，结合预构建的领域事件评估指标体系和构建策略知识库，生成综合评估结果和决策建议。2.根据权利要求1所述的一种用于智能化评估的多因果关系抽取方法，其特征在于，所步骤A1,对原始语料进行分句处理和分词分析，识别句子中的因果标志词，获得具有因果标记的独立语句集合；步骤A2,基于所述因果标志词定位因果链节点，分别提取原因部分和结果部分的核心步骤A3,通过分析因果链节点的关联路径，确定因果关系属于直接因果关系或包含中间事件的间接因果关系；步骤A4,将所述原因部分和结果部分分别归类至预设事件类别，所述事件类别包括军备与军备中的至少一种；步骤A5,根据所述核心要素、因果关系类型及事件类别，生成符合预定格式的结构化数据，所述格式包含因果关系类型字段、原因要素集合字段和结果要素集合字段；步骤A6,通过多轮验证机制对所述结构化数据进行完整性校验，并基于文本特征动态调整分词规则和事件分类模型参数，得到思维链提示词。3.根据权利要求1所述的一种用于智能化评估的多因果关系抽取方法，其特征在于，在训练过程中采用低秩适配技术对所述因果关系抽取模型进行微调，其方法为：步骤B1,将所述微调语料库划分为训练集、验证集和测试集；步骤B2,加载预训练的大语言模型作为因果关系抽取模型的基座模型，在所述基座模型的神经网络层中注入低秩适配矩阵，形成可微调的参数子空间；步骤B3,通过所述训练集对注入低秩适配矩阵的基座模型进行多轮迭代训练，结合验证集进行超参数优化，获得适配多因果关系抽取的任务型模型；步骤B4,采用所述测试集评估模型性能，根据评估结果动态调整低秩矩阵的秩参数和提示词嵌入策略。4.根据权利要求1所述的一种用于智能化评估的多因果关系抽取方法，其特征在于，综构建领域事件评估指标体系并进行知识向量化处理；其中，指标体系至少包含威胁等级、影响范围和风险因子，且通过知识嵌入技术将指标体系转换为向量形式存入评估知识根据因果关系提取结果，通过语义相似性计算在评估知识库中动态检索匹配的评估指3以复杂推理大模型为基座，融合因果关系提取结果与事件专项评价体系进行多层级推理，生成包含风险因素、影响范围及优先级的综合评估结果。5.根据权利要求4所述的一种用于智能化评估的多因果关系抽取方法，其特征在于，构获取领域事件的公开标准文件、权威资料及行业研究成果，提取定性与定量评估标准，作为领域事件评估指标体系。6.根据权利要求4所述的一种用于智能化评估的多因果关系抽取方法，其特征在于，所构建策略知识库，包括收集与领域事件相关的策略方法集，所述策略方法集包括解决方案、应对策略及优化方案；对所述策略方法集进行知识向量化处理，转化为大模型可调用将综合评估结果作为输入，通过知识库检索器动态检索所述策略知识库，利用语义匹配提取与当前事件关联的策略信息；以复杂推理大模型为基座，整合所述综合评估结果与提取的策略信息，生成包含具体行动方案、优先级及时效性的决策建议，并通过多轮推理优化建议的可行性与适用性，并以图表或文本报告形式输出。7.根据权利要求6所述的一种用于智能化评估的多因果关系抽取方法，其特征在于，生成决策建议的具体过程为：根据事件背景、风险因素及策略信息，自动生成短期行动计划和长期优化方案；通过上下文调整优化建议的适用性，确保与评估结果的风险等级匹配。8.根据权利要求6所述的一种用于智能化评估的多因果关系抽取方法，其特征在于，所述多轮推理过程包括对策略可行性、资源消耗及执行时效性的迭代验证。9.根据权利要求6所述的一种用于智能化评估的多因果关系抽取方法，其特征在于，所述决策建议的优先级安排基于威胁紧迫性、策略实施成本及风险缓解效果综合判定。10.一种用于智能化评估的多因果关系抽取系统，基于权利要求1-9任一项所述的一种用于智能化评估的多因果关系抽取方法，其特征在于，该系统包括：数据库构建模块，其配置为构建用于生成分步推理的因果分析提示模板作为思维链提示词，结合原始语料生成微调语料库；其中，所述思维链提示词包含文本预处理、要素提取和关系判定的多阶段引导指令；训练模块，其配置为将所述微调语料库作为输入数据输入至大语言模型中，针对因果关系进行训练，在训练过程中采用低秩适配技术对大语言模型进行微调训练，得到因果关系抽取模型；因果关系提取模块，其配置为将待抽取因果关系的语料输入至因果关系抽取模型中，输出因果关系提取结果；评估及建议模块，其配置为基于所述因果关系提取结果，结合预构建的领域事件评估指标体系和构建策略知识库，生成综合评估结果和决策建议。4技术领域[0001]本发明属于语言处理领域，具体涉及了一种用于智能化评估的多因果关系抽取方法及系统。背景技术[0002]在当前的技术框架中，处理复杂因果关系的解决方案通常依赖于一系列分步骤的方法，包括但不限于事件要素抽取、因果关系识别以及因果类型分类等。然而，这些方法往往依赖于多个独立模型来完成各自的任务，这导致了几个关键问题：性能瓶颈：由于各独立模型的能力和准确性参差不齐，整个系统的性能往往会受[0003]适应性不足：特别是在处理如太空领域这样数据量巨大且复杂的场景时，传统的基于规则或单一模型的方法显得力不从心。它们难以高效地处理超大规模的数据集，同时在面对不同类型的因果关系时缺乏必要的灵活性和适应性。[0004]集成挑战：将多个独立模型整合为一个有效的系统也是一个挑战。不同模型之间的接口设计、数据格式转换等问题都需要额外的开发和维护成本，增加了系统的复杂性和潜在故障点。[0005]基于此，本发明提出了一种用于智能化评估的多因果关系抽取方法及系统。发明内容[0006]为了解决现有技术中的上述问题，即在处理复杂因果关系时，由于依赖多个独立模型导致性能瓶颈、“木桶效应”显著,并且在面对超大规模数据时适而影响整体任务表现和效率的问题，本发明提供了一种用于智能化评估的多因果关系抽取方法及系统。[0007]本发明第一方面，提供了一种用于智能化评估的多因果关系抽取方法，该方法包构建用于生成分步推理的因果分析提示模板作为思维链提示词，结合原始语料生成微调语料库；其中，所述思维链提示词包含文本预处理、要素提取和关系判定的多阶段引导指令；将所述微调语料库作为输入数据输入至大语言模型中，针对因果关系进行训练，在训练过程中采用低秩适配技术对大语言模型进行微调训练，得到因果关系抽取模型；将待抽取因果关系的语料输入至因果关系抽取模型中，输出因果关系提取结果；基于所述因果关系提取结果，结合预构建的领域事件评估指标体系和构建策略知步骤A1,对原始语料进行分句处理和分词分析，识别句子中的因果标志词，获得具有因果标记的独立语句集合；5步骤A2,基于所述因果标志词定位因果链节点，分别提取原因部分和结果部分的步骤A3,通过分析因果链节点的关联路径，确定因果关系属于直接因果关系或包含中间事件的间接因果关系；步骤A4,将所述原因部分和结果部分分别归类至预设事件类别，所述事件类别包步骤A5,根据所述核心要素、因果关系类型及事件类别，生成符合预定格式的结构化数据，所述格式包含因果关系类型字段、原因要素集合字段和结果要素集合字段；步骤A6,通过多轮验证机制对所述结构化数据进行完整性校验，并基于文本特征动态调整分词规则和事件分类模型参数，得到思维链提示词。[0009]进一步的，在训练过程中采用低秩适配技术对所述因果关系抽取模型进行微调，其方法为：步骤B1,将所述微调语料库划分为训练集、验证集和测试集；步骤B2,加载预训练的大语言模型作为因果关系抽取模型的基座模型，在所述基座模型的神经网络层中注入低秩适配矩阵，形成可微调的参数子空间；步骤B3,通过所述训练集对注入低秩适配矩阵的基座模型进行多轮迭代训练，结合验证集进行超参数优化，获得适配多因果关系抽取的任务型模型；步骤B4,采用所述测试集评估模型性能，根据评估结果动态调整低秩矩阵的秩参数和提示词嵌入策略。构建领域事件评估指标体系并进行知识向量化处理；其中，指标体系至少包含威胁等级、影响范围和风险因子，且通过知识嵌入技术将指标体系转换为向量形式存入评估知识库；根据因果关系提取结果，通过语义相似性计算在评估知识库中动态检索匹配的评以复杂推理大模型为基座，融合因果关系提取结果与事件专项评价体系进行多层级推理，生成包含风险因素、影响范围及优先级的综合评估结果。获取领域事件的公开标准文件、权威资料及行业研究成果，提取定性与定量评估构建策略知识库，包括收集与领域事件相关的策略方法集，所述策略方法集包括解决方案、应对策略及优化方案；对所述策略方法集进行知识向量化处理，转化为大模型可调用的向量化数据并存储，形成结构化、可检索的策略知识库；将综合评估结果作为输入，通过知识库检索器动态检索所述策略知识库，利用语义匹配提取与当前事件关联的策略信息；以复杂推理大模型为基座，整合所述综合评估结果与提取的策略信息，生成包含具体行动方案、优先级及时效性的决策建议，并通过多轮推理优化建议的可行性与适用性，6并以图表或文本报告形式输出。根据事件背景、风险因素及策略信息，自动生成短期行动计划和长期优化方案；通过上下文调整优化建议的适用性，确保与评估结果的风险等级匹配。[0014]进一步的，所述多轮推理过程包括对策略可行性、资源消耗及执行时效性的迭代验证。[0015]进一步的，所述决策建议的优先级安排基于威胁紧迫性、策略实施成本及风险缓解效果综合判定。[0016]本发明第二方面，提出了一种用于智能化评估的多因果关系抽取系统，基于一种用于智能化评估的多因果关系抽取方法，该系统包括：数据库构建模块，其配置为构建用于生成分步推理的因果分析提示模板作为思维链提示词，结合原始语料生成微调语料库；其中，所述思维链提示词包含文本预处理、要素提取和关系判定的多阶段引导指令；训练模块，其配置为将所述微调语料库作为输入数据输入至大语言模型中，针对因果关系进行训练，在训练过程中采用低秩适配技术对大语言模型进行微调训练，得到因果关系抽取模型；因果关系提取模块，其配置为将待抽取因果关系的语料输入至因果关系抽取模型评估及建议模块，其配置为基于所述因果关系提取结果，结合预构建的领域事件评估指标体系和构建策略知识库，生成综合评估结果和决策建议。提高评估效率和质量：通过使用大模型及其微调技术，特别是低秩适配(LoRA)技术，本方法能够高效处理领域事件中的多因果关系抽取任务。这不仅减少了人力参与，降低了人为错误的发生概率，还确保了评估结果的透明性和可解释性。[0018]大模型输出完整的评估推理过程，使得每一个步骤都清晰可见，从而提高了评估结果的可信度。[0019]减少“木桶效应”与幻觉问题：思维链指令结合LoRA微调技术，显著减少了大模型在处理复杂因果关系时的幻觉问题，并优化了其指令跟随能力。这使得整个系统在面对海量数据时更加稳定可靠，进一步提高了任务执行的精确性和可靠性。[0020]通过构建包含文本预处理、要素提取及关系判定引导指令的思维链提示词，有效避免了单一环节成为性能瓶颈的问题，增强了系统的整体性能。[0021]增强适应性和灵活性：利用RAG技术结合向量数据库存储的指标体系，采用三维坐标评价法自动检索相关指标体系，深入分析因果关系，完成领域事件的风险等级评估。这种组合方式使得系统能够灵活应对不同类型的数据和任务需求。[0022]知识库的引入为用户提供可靠的辅助决策建议，增强了系统的实用性和用户友好性。[0023]降低人力成本：整个流程高度自动化，减少了对专业人员的依赖，大大降低了人力[0024]提升综合评估结果的科学性和决策建议的有效性：结合预构建的领域事件评估指7标体系和策略知识库，生成综合评估结果和决策建议，确保了评估结果的科学性和决策建议的可行性，为实际应用提供了有力支持。附图说明[0025]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本发明的一种用于智能化评估的多因果关系抽取方法的流程图；图2是本发明的一种用于智能化评估的多因果关系抽取方法中对所述因果关系抽取模型进行微调训练的流程图；图3是本发明的一种用于智能化评估的多因果关系抽取方法中智能化评估流程图4是本发明的一种用于智能化评估的多因果关系抽取方法中策略生成流程图。具体实施方式[0026]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。[0027]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。[0028]本发明提供一种用于智能化评估的多因果关系抽取方法，该方法包括：构建用于生成分步推理的因果分析提示模板作为思维链提示词，结合原始语料生成微调语料库；其中，所述思维链提示词包含文本预处理、要素提取和关系判定的多阶段引导指令；将所述微调语料库作为输入数据输入至大语言模型中，针对因果关系进行训练，在训练过程中采用低秩适配技术对大语言模型进行微调训练，得到因果关系抽取模型；将待抽取因果关系的语料输入至因果关系抽取模型中，输出因果关系提取结果；基于所述因果关系提取结果，结合预构建的领域事件评估指标体系和构建策略知[0029]本发明通过对领域事件的因果关系进行抽取，提取并生成结构化的因果关系数据，为后续的智能化评估提供高质量且可靠的数据基础支撑。接着，将这些结构化的因果关系与知识库中的指标体系相结合，基于大模型开展智能化评估，生成全面且精准的评估结[0030]在此基础上，通过检索策略知识库，模型会生成合理的决策建议，从而为用户提供[0031]为了更清晰地对本发明的一种用于智能化评估的多因果关系抽取方法进行说明，下面结合图1对本发明实施例展开详述，详细描述如下：参见图1和图2,构建用于生成分步推理的因果分析提示模板作为思维链提示词，结合原始语料生成微调语料库；其中，所述思维链提示词包含文本预处理、要素提取和关系判定的多阶段引导指令；8本实施例中，通过设计基于逻辑推理的分步提示词，即思维链提示词，引导模型以逐步推理的方式理解和提取因果关系，从而提高因果关系抽取的准确性和逻辑性。收集与领域事件相关的原始语料，如科学文献、事故报告、技术说明和新闻报道等，这些语料需涵盖单因果、多因果以及复杂因果网络的多种场景，为构建因果关系抽取模型提供全面且高质量的数据支持。[0032]本发明中，所述思维链提示词，其构建过程为：步骤A1,对原始语料进行分句处理和分词分析，识别句子中的因果标志词，获得具有因果标记的独立语句集合；具体来说，分句处理：根据标点符号将输入文本分割成独立句子，以便逐句分析因果关系。[0033]分词分析：对每个句子进行分词，识别动词、名词、介词、连词等关键成分，初步判断可能的因果结构。因果关系的存在。[0035]步骤A2,基于所述因果标志词定位因果链节点，分别提取原因部分和结果部分的核心要素，所述核心要素包括行动主体、行为动作、作用对象、时空特征；具体来说，确定原因和结果：通过分析因果标志词，识别因果链中的“原因”和“结[0036]拆解核心要素：Action(动作):具体行为；Object(对象):相关对象；Time(时间):发生的时间；Location(地点):发生的地点；结果(Effect):[0037]步骤A3,通过分析因果链节点的关联路径，确定因果关系属于直接因果关系或包含中间事件的间接因果关系；本发明中，需要充分理解输入文本中包含的多层因果链，检查事件之间的多层因果关系，理解复杂交互影响。[0038]直接因果关系：识别某事件直接引发另一事件。例如，事件A直接导致事件B。[0039]间接因果关系：识别通过中间事件或条件形成的因果关系。例如，事件A通过一个或多个中介事件(事件C)影响事件B。[0040]步骤A4,将所述原因部分和结果部分分别归类至预设事件类别，所述事件类别包括军事行动、外交活动、安全事件、政治事件、社会事件、科技发展、经济事件、航空航天活动、装备与军备中的至少一种；步骤A5,根据所述核心要素、因果关系类型及事件类别，生成符合预定格式的结构化数据，所述格式包含因果关系类型字段、原因要素集合字段和结果要素集合字段；将提取到的“原因”和“结果”部分按预设的结构化格式输出。格式中需要包含以下信息："causality_type":"因果关系类型",9"class":"事件类别","action":"主体动作","time":"时间信息","location":"地点信息","object":"对象""actor":"行为主体","class":"事件类别","action":"主体动作","time":"时间信息","location":"地点信息","object":"对象"。[0041]步骤A6,通过多轮验证机制对所述结构化数据进行完整性校验，并基于文本特征动态调整分词规则和事件分类模型参数，得到思维链提示词。[0042]针对文本中的多个句子或段落，重复以上步骤，确保没有遗漏重要因果[0043]优化调整：根据具体文本特点，调整分词规则、事件类别，确保输出的因果链条完整且准确。{"causality_list":[{"class":"","action":"","time":"","location":"","oactor":"","class":"","action":"","time":"","locati[0045]具体而言，在原始语料中加入上述逻辑清晰的思维链提示词，引导模型进行逐步推理，从而更精准地理解和提取因果关系。同时，语料库需涵盖多样化的因果关系模式，包括直接因果关系、间接因果关系以及复杂的多因果关系网络，以确保模型的泛化能力。为进一步提升训练质量，对语料中的因果关系进行人工标注或半自动标注，生成结构化的因果关系数据集。标注内容包括因果事件对(如“事件A导致事件B”)以及因果关系的类型和权重(如直接、间接),以提供详尽的训练依据。[0046]将所述微调语料库作为输入数据输入至因果关系抽取模型中进行训练，在训练过程中采用低秩适配技术对所述因果关系抽取模型进行微调；将待抽取因果关系的语料输入至因果关系抽取模型中，输出因果关系提取结果；其中，所述因果关系抽取模型在本实施例中优选为千问Qwen2.5-14B。[0047]在训练过程中采用低秩适配技术对所述因果关系抽取模型进行微调，其方法为：步骤B1,将所述微调语料库划分为训练集、验证集和测试集；步骤B2,加载预训练的大语言模型作为因果关系抽取模型的基座模型，在所述基座模型的神经网络层中注入低秩适配矩阵，形成可微调的参数子空间；步骤B3,通过所述训练集对注入低秩适配矩阵的基座模型进行多轮迭代训练，结合验证集进行超参数优化，获得适配多因果关系抽取的任务型模型；步骤B4,采用所述测试集评估模型性能，根据评估结果动态调整低秩矩阵的秩参数和提示词嵌入策略。[0048]具体来说，在因果关系抽取模型的构建中，利用LoRA(低秩适配)技术对基座大模低秩矩阵，显著降低了训练成本，同时提升了模型对因果关系抽取任务的适配性，其优势在于无需修改模型原始权重，即可在资源受限的条件下实现高效优化。在此过程中，首先将收集到的语料库划分为训练集、验证集和测试集，构建高质量的微调语料库，专门用于优化因果关系抽取任务。我们选用Qwen2.5通用预训练模型作为基座模型，通过将微调语料库中的标注数据输入模型，进行多轮训练与验证，并不断调整模型参数，以确保其能够高效识别和提取因果关系。[0049]在训练过程中，模型的输入不仅包括原始语料数据，还融入了思维链提示词，作为增强模型推理能力的辅助信息。具体而言，思维链提示词被嵌入到每个输入样本中的“系统帮助模型在理解原始语料的同时，更好地捕捉因果关系的逻辑。[0050]微调完成后，得到适配领域事件因果关系抽取任务的专用大模型。该模型具有以下特点：(1)能够精准提取文本中的因果关系，包括单因果、多因果和复杂网络因果关系。[0051](2)输出结构化数据(如因果链、因果图谱等),为后续的智能化评估模块提供标准化输入。[0052]应用示例：模型输出因果关系：{{"causality_type":"直接因果关系","actor":"A国","class":"航空航天活动","action":"发射","object":"卫星""class":"航空航天活动","action":"增加",11"object":"太空碎片"}},{"causality_type":"间接因果关系","class":"航空航天活动","action":"增加","object":"太空碎片""class":"航空航天活动","action":"影响","object":"轨道资源争夺"}}]}。[0053]通过以上流程，本方法构建了一个领域适配的因果关系抽取大模型，实现了从语料准备到模型微调的全流程优化。该模型能够高效提取领域事件中的因果关系，为智能化评估和辅助决策提供了坚实的数据基础。[0054]基于所述因果关系提取结果，结合预构建的领域事件评估指标体系和构建策略知构建领域事件评估指标体系并进行知识向量化处理；其中，指标体系至少包含威胁等级、影响范围和风险因子，且通过知识嵌入技术将指标体系转换为向量形式存入评估知识库；基于领域的专业知识(以太空安全为例),首先设计全面的评估指标体系，其中包括威胁等级、影响范围、风险因子等关键指标。随后，将设计好的指标体系进行知识向量化处理，将其转换为大模型可以理解和调用的向量化格式，并存入评估知识库。通过知识向量化，模型能够快速检索高质量的知识支持，从而确保评估过程的全面性和准确性。[0056]构建领域事件评估指标体系并进行知识向量化处理的过程中，将评估指标体系编码为向量态表示，利用分层相似度计算实现超高速知识检索，并开发混合检索架构，在传统知识图谱上叠加向量快速检索关联。步骤C1,对每个评估指标进行特征矩阵分解，提取主特征向量及其对应特征值；步骤C2,通过矩阵秩分析模块计算特征矩阵的近似秩，按公式Q=ceil(log₂(r))+k[0058]步骤C3,采用分段编码技术将主特征向量映射至多维向量空间，并通过时间戳加计算查询向量所属哈希桶，按候选比例γ提取候选集C,其中γ与哈希桶数量 对保留向量计算加权欧氏距离,并转换为最终相似度其中，是基于关系模型(表结构)的数据库管理系统，如MySQL、PostgreSQL、[0068]保证数据的一致性(如ACID特性),适用于需要高可靠性的操作(如更新事件状(ANN,ApproximateNearestNeighbor),例如Faiss、Milvus、Elasticsearch的向量扩展[0070]所述向量引擎层将评估指标、文本语义等非结构化数据编码为向量(如512维的浮点数数组)。其能够快速找到与查询向量最相似的向量集合(如通过余弦相似度或欧氏距[0071]例如在军事事件中，检索与当前战场态势相似的历史案例。[0072]设计动态路由策略，当查询复杂度Qc超过阈值Qt时启动引擎检索，否则使用数据库检索，其中Qc=λ₁因果链深度+λ₂时间窗口数；[0073]其中，在系统空闲时段预加载高频查询模式至内存高速缓存区，并通过分片热度分析动态维持数据活性，缓存刷新间隔△t=t/log₂(Ns),t为数据有效期，Ns为激活分片数。获取领域事件的公开标准文件、权威资料及行业研究成果，提取定性与定量评估标准，作为领域事件评估指标体系。[0075]根据因果关系提取结果，通过语义相似性计算在评估知识库中动态检索匹配的评事件中因果关系是智能化评估的基础，其来源于微调后的因果关系抽取大模型输出的结构化因果关系数据，例如因果链条。这些数据为智能化评估提供了关键的基础信息，确保模型能够基于因果关系网络进行深入分析并生成精准的评估结果。[0076]评估知识库检索与匹配通过知识库检索器实现，系统根据输入的结构化因果关系数据，从知识库中动态提取相关评估指标，构建出最适合当前领域事件的评价体系。例如，估的针对性和精准性。[0077]以复杂推理大模型为基座，融合因果关系提取结果与事件专项评价体系进行多层级推理，生成包含风险因素、影响范围及优先级的综合评估结果。[0078]评估模型以复杂推理大模型(Deepseek-R1)为基座模型，结合因果关系数据和构建的评价指标体系进行推理与综合评估。模型通过分析事件的风险因素、影响范围及优先级，生成全面的评估结果，并采用逻辑清晰的逐步推理链条，确保评估结果的可解释性。为构建该评价体系，首先通过收集公开的标准文件、权威资料和行业研究成果进行全面归纳总结，这些资料为评估标准的构建提供了必要的理论和数据支持。具体过程包括：收集并分析与因果关系抽取任务相关的标准化文件、行业手册及学术研究成果，确保参考资料具备权威性；提炼定性评估标准，如因果关系的明确性和推理路径的合理性，结合专业知识确保评估维度的全面性；通过历史数据和案例建立定量评估标准，包括影响度、概率分布和风险评估，确保评估的客观性和可重复性；将定性与定量评估标准有机结合，形成综合性的评价指标体系，支持因果关系的准确性、可靠性评价，并提供风险管理和决策支持。推理过程采用清晰链条，确保评估结果具有高度客观性、科学性和可解释性。[0079]通过推理之后，即可得到领域事件的评估结果。下面以一个领域事件为例进行说[0080]事件描述：轨道碎片的增加直接威胁卫星运行安全，进而导致军事演习因无法获取可靠数据而受到限制。{"causality_type":"直接因果关系","class":"航空航天活动","action":"增加","location":"轨道","object":"碎片""class":"航空航天活动","action":"威胁","object":"卫星运行安全"}{"causality_type":"间接因果关系","class":"航空航天活动","action":"威胁","object":"卫星运行安全""class":"军事行动","action":"受到限制","object":"军事演习"}}]}。[0082]输出评估结果：风险因素：轨道碎片(外部环境风险)、卫星安全性(技术风险)和军事演习的受限(战略风险)影响范围：轨道碎片直接威胁卫星安全，导致军事能力受限。[0084]通过以上步骤，智能化评估体系实现了从因果关系输入到评估结果输出的全流程自动化。该体系将因果关系网络与领域知识库相结合，基于大模型的推理能力，生成全面、精准、透明的评估结果，为后续辅助决策提供坚实的基础支撑。[0085]如图4所示，所述决策建议，其获取方法为：构建策略知识库，包括收集与领域事件相关的策略方法集，所述策略方法集包括解决方案、应对策略及优化方案；对所述策略方法集进行知识向量化处理，转化为大模型可调用的向量化数据并存储，形成结构化、可检索的策略知识库；构建策略知识库的核心在于整理和收集与领域事件相关的策略方法集，包括解决方案、应对策略和优化方案，如轨道碎片清理技术、卫星轨道调整计划和碎片监测机制等。通过知识向量化处理，将这些策略转化为大模型可理解和调用的向量化数据，并存储至策略知识库中，从而为辅助决策提供结构化、可检索的高质量信息，确保决策建议的科学性和针对性。[0086]将综合评估结果作为输入，通过知识库检索器动态检索所述策略知识库，利用语义匹配提取与当前事件关联的策略信息；略知识库的检索与匹配以智能化评估模块生成的评估结果(如风险等级、影响范围、威胁优先级等)作为输入，为决策模块提供清晰的事件背景和核心评估指标，确保决策建议与评估结果高度相关。知识库检索器根据输入内容动态检索策略知识库，提取与事件最相关的策略信息。例如，当评估结果显示“轨道碎片增加威胁卫星安全”时，检索器会优先调用碎片清理和轨道调整的相关策略。通过语义匹配，检索器从知识库中提取解决当前问题的最佳策略，这些策略信息将作为决策建议生成的关键依据。[0087]以复杂推理大模型(Deepseek-R1)为基座，整合所述综合评估结果与提取的策略信息，生成包含具体行动方案、优先级及时效性的决策建议，并通过多轮推理优化建议的可行性与适用性，并以图表或文本报告形式输出。[0088]生成决策建议的具体过程为：根据事件背景、风险因素及策略信息，自动生成短期行动计划和长期优化方案；通过上下文调整优化建议的适用性，确保与评估结果的风险等级匹配。[0089]所述多轮推理过程包括对策略可行性、资源消耗及执行时效性的迭代验证。[0090]所述决策建议的优先级安排基于威胁紧迫性、策略实施成本及风险缓解效果综合判定。[0091]更具体来说，辅助决策生成通过DeepSeek-R1基座大模型实现，结合评估结果和检索出的策略信息，综合分析事件背景、风险因素和可用策略，生成针对性的决策建议。模型首先将输入数据整合后自动生成具体行动计划和优先级安排，并通过多轮推理和上下文调整优化建议的可行性与适用性。例如，当输入评估结果为“轨道碎片增加→卫星安全受威胁→导致军事演习受限；风险等级：高”时，结合检索出的“碎片清理技术”和“卫星轨道调整方案”,模型输出决策建议包括短期行动：启动碎片清理任务，重期计划：优化卫星轨道设计，建立实时碎片监测机制，降低未来风险。最终生成的辅助决策建议包括具体应对方案、优先级和时效性，并通过图表或文本报告等形式直观呈现，如“高风险”事件的建议方向为实施碎片清理、调整轨道设计及建立监测机制，以提升未来响应效[0092]综上所述，基于智能评估的辅助决策生成流程，通过结合评估结果与策略知识库，在DeepSeek-R1大模型的复杂推理能力支持下，实现了从数据分析到决策建议的全流程自动化。该方法不仅提供科学、针对性强的决策建议，还显著提升了领域事件的处理效率，为复杂任务的战略规划提供了有力支持。[0093]上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之[0094]本发明第二实施例的一种用于智能化评估的多因果关系抽取系统，基于一种用于智能化评估的多因果关系抽取方法，该系统包括：数据库构建模块，其配置为构建用于生成分步推理的因果分析提示模板作为思维链提示词，结合原始语料生成微调语料库；其中，所述思维链提示词包含文本预处理、要素提取和关系判定的多阶段引导指令；训练模块，其配置为将所