本技術(shù)涉及人工智能開發(fā)與金融科技領(lǐng)域，尤其涉及基于人工智能的查詢處理方法、裝置、計(jì)算機(jī)設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、在保險(xiǎn)領(lǐng)域，隨著人工智能技術(shù)的快速發(fā)展，特別是自然語言處理(nlp)和問答系統(tǒng)(q&a?systems)的廣泛應(yīng)用，文本切片技術(shù)作為其中的關(guān)鍵環(huán)節(jié)，對于提升保險(xiǎn)問答系統(tǒng)的性能與準(zhǔn)確性起到了至關(guān)重要的作用。文本切片旨在將復(fù)雜的保險(xiǎn)文檔或?qū)υ拑?nèi)容合理地切分為一系列較小、易于處理的文本片段，以便系統(tǒng)能夠更高效地檢索、理解和生成回答。

2、目前，保險(xiǎn)企業(yè)中的保險(xiǎn)問答系統(tǒng)通常采用基于語義的切分方法來進(jìn)行文本切片?；谡Z義的切分方法為利用預(yù)訓(xùn)練模型(如bert)評估段落間相似度以實(shí)現(xiàn)更智能的文本切片。這類方法雖然能在一定程度上改善切片的語義完整性，但仍然受限于其固有的序列依賴性。具體來說，它們通常需要按照文本的線性順序進(jìn)行處理，難以有效處理跨段落或章節(jié)的遠(yuǎn)距離語義關(guān)聯(lián)。這意味著，在面對包含大量不相關(guān)文本內(nèi)容但部分段落間存在重要語義聯(lián)系的文檔時(shí)，基于語義的切分方法同樣可能無法將這些相關(guān)信息整合到同一切片中，進(jìn)而影響問答系統(tǒng)對問題的全面理解和準(zhǔn)確回答。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例的目的在于提出一種基于人工智能的查詢處理方法、裝置、計(jì)算機(jī)設(shè)備及存儲介質(zhì)，以解決現(xiàn)有的保險(xiǎn)企業(yè)中的保險(xiǎn)問答系統(tǒng)采用基于語義的切分方法來進(jìn)行文本切片的方式，存在序列依賴性強(qiáng)且問答系統(tǒng)的回答準(zhǔn)確性較低的技術(shù)問題。

2、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例提供一種基于人工智能的查詢處理方法，采用了如下所述的技術(shù)方案：

3、獲取用戶輸入的查詢信息；

4、從預(yù)設(shè)的知識庫中獲取與所述查詢信息對應(yīng)的原始文本；

5、基于預(yù)設(shè)的關(guān)鍵詞生成模型對所述原始文本進(jìn)行關(guān)鍵詞提取處理，得到對應(yīng)的目標(biāo)關(guān)鍵詞；

6、基于預(yù)設(shè)的知識切分模型對所述原始文本與所述目標(biāo)關(guān)鍵詞進(jìn)行切分處理，得到對應(yīng)的文本句子字典；

7、基于預(yù)設(shè)的知識整合模型對所述目標(biāo)關(guān)鍵詞與所述文本句子字典進(jìn)行整合處理，得到對應(yīng)的目標(biāo)文本切片；

8、基于預(yù)設(shè)的目標(biāo)大語言模型對所述查詢信息與所述目標(biāo)文本切片進(jìn)行推理處理，得到對應(yīng)的答案數(shù)據(jù)；

9、基于所述答案數(shù)據(jù)對所述用戶進(jìn)行回復(fù)處理。

10、進(jìn)一步的，所述從預(yù)設(shè)的知識庫中獲取與所述查詢信息對應(yīng)的原始文本的步驟，具體包括：

11、對所述查詢信息進(jìn)行分詞處理，得到對應(yīng)的分詞；

12、基于所述分詞對所述知識庫進(jìn)行倒排索引查詢，得到所述分詞與所述知識庫中包含的各個(gè)文檔之間的相關(guān)性得分；

13、按照所述相關(guān)性得分從高到低的順序?qū)λ兴鑫臋n進(jìn)行排序，得到相應(yīng)的文檔排序列表；

14、基于所述相關(guān)性得分，從所述文檔排序列表中篩選出目標(biāo)數(shù)量的指定文檔；

15、基于所述指定文檔生成與所述查詢信息對應(yīng)的所述原始文本。

16、進(jìn)一步的，所述基于預(yù)設(shè)的關(guān)鍵詞生成模型對所述原始文本進(jìn)行關(guān)鍵詞提取處理，得到對應(yīng)的目標(biāo)關(guān)鍵詞的步驟，具體包括：

17、獲取與所述關(guān)鍵詞生成模型對應(yīng)的第一提示數(shù)據(jù)；

18、調(diào)用預(yù)先訓(xùn)練好的關(guān)鍵詞生成模型；

19、將所述原始文本與所述第一提示數(shù)據(jù)至所述關(guān)鍵詞生成模型內(nèi)，通過所述關(guān)鍵詞生成模型對所述原始文本與所述第一提示文本進(jìn)行處理，得到對應(yīng)的第一模型輸出；

20、將所述第一模型輸出作為所述目標(biāo)關(guān)鍵詞。

21、進(jìn)一步的，所述基于預(yù)設(shè)的知識切分模型對所述原始文本與所述目標(biāo)關(guān)鍵詞進(jìn)行切分處理，得到對應(yīng)的文本句子字典的步驟，具體包括：

22、獲取與所述知識切分模型對應(yīng)的第二提示數(shù)據(jù)；

23、調(diào)用預(yù)先訓(xùn)練好的知識切分模型；

24、將所述原始文本、所述目標(biāo)關(guān)鍵詞以及所述第二提示數(shù)據(jù)輸入至所述知識切分模型內(nèi)，通過所述知識切分模型對所述原始文本、所述目標(biāo)關(guān)鍵詞以及所述第二提示數(shù)據(jù)進(jìn)行處理，得到對應(yīng)的第二模型輸出；

25、將所述第二模型輸出作為所述文本句子字典。

26、進(jìn)一步的，所述基于預(yù)設(shè)的知識整合模型對所述目標(biāo)關(guān)鍵詞與所述文本句子字典進(jìn)行整合處理，得到對應(yīng)的目標(biāo)文本切片的步驟，具體包括：

27、獲取與所述知識整合模型對應(yīng)的第三提示數(shù)據(jù)；

28、調(diào)用預(yù)先訓(xùn)練好的知識整合模型；

29、將所述目標(biāo)關(guān)鍵詞、所述文本句子字典以及所述第三提示數(shù)據(jù)輸入至所述知識整合模型內(nèi)，通過所述知識整合模型對所述目標(biāo)關(guān)鍵詞、所述文本句子字典以及所述第三提示數(shù)據(jù)進(jìn)行處理，得到對應(yīng)的第三模型輸出；

30、將所述第三模型輸出作為所述目標(biāo)文本切片。

31、進(jìn)一步的，所述基于所述答案數(shù)據(jù)對所述用戶進(jìn)行回復(fù)處理的步驟，具體包括：

32、獲取預(yù)設(shè)的冗余處理策略與語法修正策略；

33、基于所述冗余處理策略對所述答案數(shù)據(jù)進(jìn)行去除冗余處理，得到對應(yīng)的第一答案數(shù)據(jù)；

34、基于所述語法修正策略對所述第一答案數(shù)據(jù)進(jìn)行語法修正處理，得到對應(yīng)的第二答案數(shù)據(jù)；

35、基于所述第二答案數(shù)據(jù)對所述用戶進(jìn)行回復(fù)處理。

36、進(jìn)一步的，在所述基于預(yù)設(shè)的關(guān)鍵詞生成模型對所述原始文本進(jìn)行關(guān)鍵詞提取處理，得到對應(yīng)的目標(biāo)關(guān)鍵詞的步驟之前，還包括：

37、收集保險(xiǎn)領(lǐng)域的文本數(shù)據(jù)；

38、對所述文本數(shù)據(jù)進(jìn)行標(biāo)注處理，得到對應(yīng)的指定文本數(shù)據(jù)；

39、基于預(yù)設(shè)的關(guān)鍵詞生成數(shù)據(jù)格式對所述指定文本數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換，得到對應(yīng)的樣本數(shù)據(jù)；

40、調(diào)用預(yù)訓(xùn)練語言模型；

41、使用所述樣本數(shù)據(jù)與基于低秩適應(yīng)的微調(diào)算法對所述預(yù)訓(xùn)練語言模型進(jìn)行訓(xùn)練與微調(diào)處理，得到符合預(yù)設(shè)構(gòu)建條件的指定語言模型；

42、將所述指定語言模型作為所述關(guān)鍵詞生成模型。

43、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例還提供一種基于人工智能的查詢處理裝置，采用了如下所述的技術(shù)方案：

44、第一獲取模塊，用于獲取用戶輸入的查詢信息；

45、第二獲取模塊，用于從預(yù)設(shè)的知識庫中獲取與所述查詢信息對應(yīng)的原始文本；

46、生成模塊，用于基于預(yù)設(shè)的關(guān)鍵詞生成模型對所述原始文本進(jìn)行關(guān)鍵詞提取處理，得到對應(yīng)的目標(biāo)關(guān)鍵詞；

47、切分模塊，用于基于預(yù)設(shè)的知識切分模型對所述原始文本與所述目標(biāo)關(guān)鍵詞進(jìn)行切分處理，得到對應(yīng)的文本句子字典；

48、整合模塊，用于基于預(yù)設(shè)的知識整合模型對所述目標(biāo)關(guān)鍵詞與所述文本句子字典進(jìn)行整合處理，得到對應(yīng)的目標(biāo)文本切片；

49、推理模塊，用于基于預(yù)設(shè)的目標(biāo)大語言模型對所述查詢信息與所述目標(biāo)文本切片進(jìn)行推理處理，得到對應(yīng)的答案數(shù)據(jù)；

50、回復(fù)模塊，用于基于所述答案數(shù)據(jù)對所述用戶進(jìn)行回復(fù)處理。

51、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例還提供一種計(jì)算機(jī)設(shè)備，采用了如下所述的技術(shù)方案：

52、獲取用戶輸入的查詢信息；

53、從預(yù)設(shè)的知識庫中獲取與所述查詢信息對應(yīng)的原始文本；

54、基于預(yù)設(shè)的關(guān)鍵詞生成模型對所述原始文本進(jìn)行關(guān)鍵詞提取處理，得到對應(yīng)的目標(biāo)關(guān)鍵詞；

55、基于預(yù)設(shè)的知識切分模型對所述原始文本與所述目標(biāo)關(guān)鍵詞進(jìn)行切分處理，得到對應(yīng)的文本句子字典；

56、基于預(yù)設(shè)的知識整合模型對所述目標(biāo)關(guān)鍵詞與所述文本句子字典進(jìn)行整合處理，得到對應(yīng)的目標(biāo)文本切片；

57、基于預(yù)設(shè)的目標(biāo)大語言模型對所述查詢信息與所述目標(biāo)文本切片進(jìn)行推理處理，得到對應(yīng)的答案數(shù)據(jù)；

58、基于所述答案數(shù)據(jù)對所述用戶進(jìn)行回復(fù)處理。

59、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例還提供一種計(jì)算機(jī)可讀存儲介質(zhì)，采用了如下所述的技術(shù)方案：

60、獲取用戶輸入的查詢信息；

61、從預(yù)設(shè)的知識庫中獲取與所述查詢信息對應(yīng)的原始文本；

62、基于預(yù)設(shè)的關(guān)鍵詞生成模型對所述原始文本進(jìn)行關(guān)鍵詞提取處理，得到對應(yīng)的目標(biāo)關(guān)鍵詞；

63、基于預(yù)設(shè)的知識切分模型對所述原始文本與所述目標(biāo)關(guān)鍵詞進(jìn)行切分處理，得到對應(yīng)的文本句子字典；

64、基于預(yù)設(shè)的知識整合模型對所述目標(biāo)關(guān)鍵詞與所述文本句子字典進(jìn)行整合處理，得到對應(yīng)的目標(biāo)文本切片；

65、基于預(yù)設(shè)的目標(biāo)大語言模型對所述查詢信息與所述目標(biāo)文本切片進(jìn)行推理處理，得到對應(yīng)的答案數(shù)據(jù)；

66、基于所述答案數(shù)據(jù)對所述用戶進(jìn)行回復(fù)處理。

67、與現(xiàn)有技術(shù)相比，本技術(shù)實(shí)施例主要有以下有益效果：

68、本技術(shù)首先獲取用戶輸入的查詢信息；并從預(yù)設(shè)的知識庫中獲取與所述查詢信息對應(yīng)的原始文本；然后基于預(yù)設(shè)的關(guān)鍵詞生成模型對所述原始文本進(jìn)行關(guān)鍵詞提取處理，得到對應(yīng)的目標(biāo)關(guān)鍵詞；之后基于預(yù)設(shè)的知識切分模型對所述原始文本與所述目標(biāo)關(guān)鍵詞進(jìn)行切分處理，得到對應(yīng)的文本句子字典；后續(xù)基于預(yù)設(shè)的知識整合模型對所述目標(biāo)關(guān)鍵詞與所述文本句子字典進(jìn)行整合處理，得到對應(yīng)的目標(biāo)文本切片；進(jìn)一步基于預(yù)設(shè)的目標(biāo)大語言模型對所述查詢信息與所述目標(biāo)文本切片進(jìn)行推理處理，得到對應(yīng)的答案數(shù)據(jù)；最后基于所述答案數(shù)據(jù)對所述用戶進(jìn)行回復(fù)處理。本技術(shù)在從知識庫中獲取與用戶輸入的查詢信息對應(yīng)的原始文本后，通過結(jié)合關(guān)鍵詞生成模型、知識切分模型以及知識整合模型的使用突破了傳統(tǒng)的順序切片限制，實(shí)現(xiàn)了對文本內(nèi)容的非線性和多維度解析，具體通過使用關(guān)鍵詞生成模型精準(zhǔn)捕捉文本中的關(guān)鍵信息，然后使用知識切片模型則對文本進(jìn)行深度解析，將信息劃分為獨(dú)立的、可獨(dú)立理解的信息單元，進(jìn)而使用知識整合模型將這些獨(dú)立的信息單元重新組合并形成連貫且富有邏輯性的文本切片，從而有效解決了文本切片過程中存在的序列依賴性問題，提升了文本處理的靈活性和準(zhǔn)確性，同時(shí)優(yōu)化了文本分析的效率，也極大地豐富了文本內(nèi)容的表達(dá)和理解的深度。使得后續(xù)通過使用目標(biāo)大語言模型對所述查詢信息與所述目標(biāo)文本切片進(jìn)行推理處理得到對應(yīng)的答案數(shù)據(jù)，可以有效提高生成的答案數(shù)據(jù)的準(zhǔn)確度。進(jìn)而基于答案數(shù)據(jù)對用戶進(jìn)行回復(fù)處理，在提高問答系統(tǒng)的回答準(zhǔn)確性的同時(shí)，能夠保證用戶的查閱體驗(yàn)感，并提高用戶的查詢滿意度。