CN119475217A 一种基于大模型的关键情报需求意图理解方法和系统 （中国兵器科学研究院）

一种基于大模型的关键情报需求意图理解本发明公开了一种基于大模型的关键情报2S1，构建关键情报需求意图理解大模型；其中多模态情报理解算法；所述关键情报需求意图理解大模型基于联合大模型高效参数微调、检索增强生成和提示词技术的自动化情报分析与S2，基于所述关键情报需求意图理解大模型后续计划。S11，通过初期情报数据对chatglm赋能下的基础军用所述情报指令微调数据集用于军用大语言模型的微调，以增强模型对特务的理解能力和响应准确性，是基于特定的军事情报任务设计和生成高质量的微调数据所述预设的提示词模板库中存储多个为不同类型的情报任务事先设据集利用高效参数微调技术对于所述基础军用大语言模型进行微调形成适配情报领域的关键信息作为所述大模型的训练和决策支持3针对地理空间情报的地理信息系统GIS模型和多维数据模(3)基于构建的所述数据模型预期构建不同类别的数据集；其中所述数据集包括文本所述情报相关数据集包括：情报报告数据集、作战情报需求理(4)基于所述数据集分别构造情报向量数据集和预期情报指令微调数据集，其中情报(5)基于多模态指令微调技术和高效参数微调技术对适配情报领域的军用大模型进行所述多模态指令微调技术用于通过大语言基于提示模板和专家生成情报指令微调数所述高效参数微调技术包括设置模型和分词器以及根据当前微调数据量选择合适的所述微调模型满足不同情报任务的需要包括：针对不同情报任务场景构造所述提示词模所述提示词模板采用泛化的提示词模板作为基础，一个有效的提示包含如下5种元素中的4S121，确定作战情报准备中每个阶段与所述8.一种基于大模型的关键情报需求意图理解系统，用于实施权利要求1_7任一所述的关键情报需求意图理解模块(102)，用于基于所述关键情报需求意图理解大模型对关述处理器用于读取所述指令并执行如权利要求1_7任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存储有多条指5[0002]人工智能从2017年transformer开始逐步进入了大规模预训练模型的时代，BERT果，被业界所关注。GPT采用解码器预测下一个字(nextword)的方式训练模型，特点在于面均取得了不错的应用效果。基于大语言模型的人工智能技术正在逐步应用到科学研究、生产生活的各个环节，这些先进技术使机器能够自主学习和推理，其应用范围从态势感知到决策支持，展现出强大生产力，改变包括军队和政府组织在内各领域的工作方式和研究范式。[0006]大语言模型(LargeLanguageModel,LLM)的工作原理是根据输入文本通过模型6[0007]如图1所示LoRA的技术架构。图中圆角矩形内左侧部分为原始PLM(Pre_trained部署时，可以明确地计算和存储W＝W0+BA，并正常执行推理。当需要切换到另一个单兵7[0020]提示词的目标是从大语言模型获取更优质的答案。其过程简单来讲就是反复尝[0021]MattNight在ChatGPT_Free_Prompt_List上提出了一套较为完备的提示词方法论8推理问题。其中零样本思维连提示词，通过在问题的结尾放一句“让我们一步一步思考”[0032]传统情报处理系统主要依赖于人工操作，使用关键词搜索技术和信息检索算[0042]该技术缺陷在于理解能力有限，传统NLP模型对复杂的上下文和隐含信息的理解9[0043]本发明的目的是针对现有技术的缺陷而构建基于大模型的面向任务决策点的关[0044]本发明的第一方面在于提供一种基于大模型的关键情报需求意图理解方法，包支和后续计划。[0054]所述预设的提示词模板库中存储多个为不同类型的情报调数据集利用高效参数微调技术对于所述基础军用大语言模型进行微调形成适配情报领筛选关键信息作为所述大模型的训练和决策[0061](2)基于筛选后的情报数据整合和每种情报的特性和需求构建多个数据模型；其[0067](3)基于构建的所述数据模型预期构建不同类别的数据集；其中所述数据集包括[0072](4)基于所述数据集分别构造情报向量数据集和预期情报指令微调数据集，其中数据集经由军事专家筛选、把关和补充后以一种符合指令微调规范的数据架构进行存储，[0073](5)基于多模态指令微调技术和高效参数微调技术对适配情报领域的军用大模型[0074]所述多模态指令微调技术用于通过大语言基于提示模板和专家生成情报指令微游任务的指令微调；[0075]所述高效参数微调技术包括设置模型和分词器以及根据当前微调数据量选择合[0096]关键情报需求意图理解模块(102)，用于基于所述关键情报需求意图理解大模型[0101]基于chatglm的大模型微调方法。利用情报指令微调数据集对基础的军用大型语推动任务决策点挖掘和关键情报需求生成。基于ChatGLM技术对军用大语言模型进行高效[0115]图5为根据本发明实施例提供的基于大模型的关键情报需求意图理解方法流程[0116]图6为根据本发明实施例提供的基于大模型的关键情报需求意图理解系统架构便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、[0124](2)其次，现有的情报分析缺乏智能化，无法充分理解和响应复杂的军事任务需[0137]所述预设的提示词模板库中存储多个为不同类型的情报调数据集利用高效参数微调技术对于所述基础军用大语言模型进行微调形成适配情报领[0143]本专利实施例方案采用LoRA等高效参数微调方法在不改变模型内部参数的情况[0154](2)基于筛选后的情报数据整合和每种情报的特性和需求构建多个数据模型；其[0163](4)基于上述4类共9个数据集分别构造情报向量数据集和预期情报指令微调数据[0164](5)基于多模态指令微调技术和高效参数微调技术对适配情报领域的军用大模型进行微调进行模型微调；[0166]多模态指令微调技术：大语言基于提示模板和专家生成其中包含种子指令集以及相应的输入和输出实例集生成大量新的指令数据和相应的输入数指定的文件格式。从JSON或JSONLines文件(由data_path参数指定为文件路径)加载数语言模型能够综合理解战场环境如气象因素种作战环境,也不管行动实施过程中可能会遭遇多少变数,在行动初期一些关键事件的发件设置预期决策点,并且对这些确定要发生的关键事件和预期决策点进行详尽的分析和推演,以便在行动实施进展到决策点时,指挥官及其参谋团队能够确保行动兵力及资源的同传统方法通过行动方案兵棋推演发现潜在决策点。对行动方案进行兵棋推演,能够使各级指挥官及其参谋团队更好地认识和理解己方行动方案和方案中可能出现的威胁,以便科学是在利用提示词工程来挖掘准确决策点信息方面。本专利设计传统方法与LLM的提示词技模型设计针对性的提示词，我们可以引导模型识别和分析那些过去被视为关键事件的案助决策者在复杂和动态的军事环境中做出更加精情报支持和规划内容需要裁剪以适应作战计划。分析师快速生成与特定决策点相关的关键信息需求。通过自然语言处理和深度学习技术，[0225]作为优选的实施方式，对于所述决策点牵引的分支及后计划。[0251]关键情报需求意图理解模块102，用于基于所述关键情报需求意图理解大模型对关键情报需求进行意图理解；其中所述基于情报的决策包括关联指挥官关键信息需求生