CN119474279A 一种从教育知识图中检索问题答案的方法 （中国人民解放军国防科技大学）

育知识图中检索问题答案的方法，包括以下步指令将第一教育问题集中的语言风格和认知表2通过大语言模型的指令将第一教育问题集中的语言风格和认知表征进将第一教育问题集和指令输入到大语言模型中进行标准风格转换，所对比转换前后的问题，检查是否询问相同的信息或概念，确保没有从教育知识图谱中提取关系，指导大语言模型基于初始问题从第二问题集中提取关系，制作单跳和多跳认知表达核心模板，并多跳认知表达核心模板作为外部知识库，提取与问题相关的单跳和多跳认知表达核心模多跳认知表达核心模板作为外部知识库，提取与问题相关的单跳和多跳认知表达核心模的模板和第二问题集中的每个问题通过嵌入模型和投影矩阵转为嵌入模板向量和嵌入问3计算认知表达核心模板与第二问题集中每个问题的点积相个问题的点积相似度最高的前K个认知表达模板将作为备选模板输入大大语言模型为第二问题集中每个问题从备选模板中选择模板，将主题实体集与教育知识图谱中的实体集对齐；利用嵌入模型取与主题实体集中的主题实体相似度最高的教育知将数据集按初始问题模板类型分为若干份，使用属于初始问题模板的数据集训练特该跳查询键作为注意力键与每个单词的隐藏向量计算注意力分数4得到最终扩展模板，每个模板都有一个相应的执行过程，教育知识5[0006]具体来说，MOOCQA包含65K个教育问题，每个问题都至少有一个知识实体作为答世界的问题中很常见。6多跳认知表达核心模板中的模板和第二问题集中的每个问题通过嵌入模型和投影矩阵转大语言模型为第二问题集中每个问题从备选模板中选择模板，将其与问题跳数、7取与主题实体集中的主题实体相似度最高的教育知识图谱中的实体集的主题实计算其它跳的行向量，每一跳行向量由上一跳行向量和该跳的关系得分相乘得将数据集按初始问题模板类型分为若干份，使用属于初始问题模板的数据集训8[0029]自然语言处理(NatureLanguageProcessing，NLP)是计算机科学领域与人工智9[0030]本申请实施例提供的技术方案，涉及人工智能的机器学习和自然语言处理等技格统一模块来捕获复杂问题的精确语义，从而得到简化和模板化的问题。由于在传统的LLM基于16个初始问题模板预构建单跳和多跳认知表达核心模板Tpl。随后再次利用LLM从地，首先将每个模板TieTpl和问题neQ通过嵌入模型和投影矩阵wrw、W,转为嵌入向量;板分类器zc（Initialquestiontemplateclassifier使之能准确识别q.所属的初始问;;;usuallycontain?;;;括但不限于卷积神经网络（CNN）、循环神经网络（RNN）、长短Transformer等深度神经网络以及预训练模型应用于实体抽取任务。这些模型能够捕捉文但不限于BERT和GPT，通过在大规模文本语料库上进行预训练，有效地捕捉丰富的语言特;割为独立的语义单元"谁发明了电灯"和"在接下来，系统分析这些语义单元之间的关系。通过基于Transformer的依存分析根据选定的知识图谱路径，系统使用GPT或T5模型为路径上的每个关键节点生成选定模板后，系统使用条件随机场模型和指针网络来提取原始问题中的关键信基于提取的特征，使用Transformer解码器生成新的问题序列。通过集束搜索策;;;;;为rs=(rsslk=1,…,b,r:sre{1,2,…,IPI}}，b为该对实体之间相应的最大关系数;化学习过程,通过奖励机制指导路径选择。步骤包括：使用马尔可夫决策过程建模;的问题，以提高数据质量。最终，本申请保留来自i_Learning的19,988个问题、来自[0084]对于标签不一致的样本，检查是否可以通过同时考虑两种注释类型来达到一致;[0092]表3学习者的认知表达问题类型，这些类型根据学习者的认知表达水平（从低到[0093]6.学习者的语言风格问题。学习者的语言风格也是多种多样的，这是以往的分分别显示了EDUCEQ_V1和EDUCEQ_V2从认知表达扩展模板到最样本大型语言模型（这里全部使用ChatGPT）来直接回答这些问题的方法；5)Few_ShotZero_ShotLLM和Few_ShotLLM，可以发现检索KG相关子[0105]其次，通过比较TransferNet与其他非大语言模型的效果，还可以看到，尽管TransferNet并没有额外进行教育认知表达问题的理解，但通过逐步聚焦问题的不同部分方案。如表5所示，LLMCEQA在学习者认知表达和不同语言风格分类方面的表现优于;行