一种政务咨询自动问答方法与系统技术方案

本发明专利技术涉及一种政务咨询自动问答方法与系统，方法包括以下步骤：构建政务服务权力目录向量集合

【技术实现步骤摘要】
一种政务咨询自动问答方法与系统


[0001]本专利技术涉及政务咨询系统领域，尤其涉及一种政务咨询自动问答方法与系统
。

技术介绍

[0002]政务咨询是指由市民提供案件描述，随后由政务工作人员参照办事指南出具咨询意见
。
政务服务的权力目录是指各政务服务部门的权责目录及其主管的事项名称，例如“基本医疗保险参保人员异地就医备案（异地就医直接结算）”、“基本医疗保险参保登记和变更登记”、“医疗救助对象待遇核准支付”等
。
权力目录仅列出事项的名称，不规定具体的实施细则，例如
A
市
B
区医疗保障局
、A
市
D
区医疗保障局等都可以具备同一条权力目录
。
办理事项是隶属于某一政务部门下某一条权力目录的具体办事准则，不同政务部门之间同一权力目录的办理事项的办理流程
、
受理窗口可能不同，具有地域性
。
[0003]现有的政务咨询服务多以人工为主，由于政务知识专业性较强，且具有政策地域性差异，因此一般需要多次转接直到相关专员才能得到有效处理，这使得办事效率大打折扣，常常出现坐席忙难以接通现象
。
某些地市出台了在线机器人问答服务以缓解坐席压力，但这些机器人普遍灵活性较低，难以应对复杂的问答情境
。
[0004]现有的知识问答技术方案大致可分为三类：基于知识图谱的问答方法
、
基于知识库的问答方法
、
基于生成式预训练大语言模型的问答方法
。
[0005]基于知识图谱的问答方法发展历程相对较长，技术成熟度较高，形成了基于传统模板的方法
、
基于语义解析的方法以及基于信息提取的方法和基于语义模型的细分方法
。
尽管随着技术的发展，基于知识图谱的问答方法能够对指向性较强的问句作出良好的反馈，并在多跳推理方面具备优势，但难以应对需要融合多条知识作出综合性回答的问句
。
[0006]基于知识库的问答方法，首先需要构建一个“问题
‑
答案”数据库，然后比较输入的问句与数据库中“问题”的语义相似度，输出相似度较高的“问题”对应的“答案”。
这类方法要求输入的问句具备较强的规范性，否则匹配答案的准确度较低
。
且此方法同样难以应对需要融合多条知识作出综合性回答的问句
。
[0007]基于生成式预训练大语言模型的问答方法，是将问题直接输入到生成式预训练大语言模型（
LLM
），输出模型的推理结果
。
而大语言模型容易得出已经失效的错误回答，且在专业性较强的领域，直接使用大语言模型的方法，准确性较低
。
[0008]针对上文所描述的技术短板，出现了结合大语言模型与知识库问答或知识图谱的方法
。
[0009]这类方法是先根据问句从知识图谱获得候选子图或三元组并将其转换为候选回答文本，或从知识库获得候选回答文本，然后将这些候选文本输入生成式预训练大语言模型，最终得到回答
。
[0010]这类方法通过额外的知识图谱或知识库为大语言模型补充了专业性较强的事实知识，从而提升大语言模型问答的准确性
。
[0011]由于政务咨询案件描述表述方式格式各异，用语不规范，且各项政策地域性较强，直接从知识图谱或知识库中难以获得可靠的候选回答文本，因而无法保障问答的准确性
。

技术实现思路

[0012]针对现有技术中政务咨询案件系统回答不准确的技术问题，本专利技术提供了一种政务咨询自动问答方法与系统，该方法包括以下步骤：
S1、
构建政务服务权力目录向量集合
C
和政务服务知识图谱
G
；
S2、
输入案件描述
s
，提取地址信息
l
与案件描述关键信息
k
；
S3、
从政务服务权利目录向量集合
C
中获得与案件描述关键信息
k
相似度最高的权力目录
q
；
S4、
根据地址信息
l
获得区域信息
region
，并使用区域信息
region
和权力目录
q
，从政务服务知识图谱
G
中获得部门
d
与办理事项
t
，根据
t
获得办事指南信息集合
I
；
S5、
将办事指南信息集合
I
和案件描述
s
根据预设的模板拼接为指令
prompt
；将
prompt
输入生成式预训练的大语言模型
LLM
获得回答，并输出回答
。
[0013]进一步地，步骤
S1
具体如下：
S11、
获取政务服务数据集合
D
；
S12、
对政务服务数据集合中的权力目录实体做文本嵌入，获得权力目录向量，并依据权力目录向量构建政务服务权力目录向量集合
C
；
S13、
使用政务服务数据集合
D
构建政务服务知识图谱
G。
[0014]进一步地，步骤
S2
具体通过预训练的大语言模型
LLM
提取案件描述
s
的地址信息
l
与案件描述关键信息
k。
[0015]进一步地，步骤
S3
具体如下：
S31、
获取案件描述关键信息
k
的特征向量
V
k
；
S32、
在政务服务权力目录向量集合
C
中检索与特征向量
V
k
欧式距离最近的向量及其对应的权力目录
q。
[0016]进一步地，步骤
S4
具体如下：
S41、
根据地址信息
l
获得区域名称
region
和区域层级
level
；
S42、
在政务服务图知识图谱
G
中根据区域名称
region
和权力目录
q
检索，得到部门
d
；
S43、
在政务服务图知识图谱
G
中根据部门
d
和权力目录
q
检索获得办理事项
t
；
S44、
检索与办理事项
t
具有办事子项所属办理事项关系
R
<Task,Transact>...

【技术保护点】

【技术特征摘要】
1.
一种政务咨询自动问答方法，其特征在于：包括以下步骤：
S1、
构建政务服务权力目录向量集合
C
和政务服务知识图谱
G
；
S2、
输入案件描述
s
，提取地址信息
l
与案件描述关键信息
k
；
S3、
从政务服务权利目录向量集合
C
中获得与案件描述关键信息
k
相似度最高的权力目录
q
；
S4、
根据地址信息
l
获得区域信息
region
，并使用区域信息
region
和权力目录
q
，从政务服务知识图谱
G
中获得部门
d
与办理事项
t
，根据
t
获得办事指南信息集合
I
；
S5、
将办事指南信息集合
I
和案件描述
s
根据预设的模板拼接为指令
prompt
；将
prompt
输入生成式预训练的大语言模型
LLM
获得回答，并输出回答；所述预设的模板为
prompt
模板；
prompt
模板包括：办理条件
、
办事大厅名称
、
办理地点
、
办理窗口
、
办公电话和问题
。2.
如权利要求1所述的一种政务咨询自动问答方法，其特征在于：步骤
S1
具体如下：
S11、
获取政务服务数据集合
D
；
S12、
对政务服务数据集合中的权力目录实体做文本嵌入，获得权力目录向量，并依据权力目录向量构建政务服务权力目录向量集合
C
；
S13、
使用政务服务数据集合
D
构建政务服务知识图谱
G
；所述政务服务知识图谱
G={Reg,Dept,Cat,Task,Transact,R
<Reg,Dept>
,R
<Dept,Task>
,R
<Dept,Cat>
,R
<Cat,Task>
,R
<Task,Transact>
}
；其中
Reg
表示区域实体，区域实体包括省
、
市
、
区
、
街道
、
社区地理层级实体；
Dept
表示部门实体，
Cat
表示权力目录实体，
Task
表示办理事项实体，
Transact
表示办事子项实体，
R
<Reg,Dept>
表示部门所属区域关系，
R
<Dept,Task>
表示办理事项所属部门，
R
<Dept,Cat>
表示权力目录所属部门关系，
R
<Cat,Task>
表示办理事项所属权力目录关系，
R
<Task,Transact>
表示办事子项所属办理事项关系
。3.
如权利要求1所述的一种政务咨询自动问答方法，其特征在于：步骤
S2
具体通过预训练的大语言模型
LLM
提取案件描述
s
的地址信息
l
与案件描述关键信息
k。4.
如权利要求1所述的一种政务咨询自动问答方法，其特征在于：步骤
S3
具体如下：
S31、
获取案件描述关键信息
k
的特征向量
V
k
；
S32、
在政务服务权力目录向量集合
C
中检索与特征向量
V
k
欧式距离最近的向量及其对应的权力目录
q。5.
如权利要求1所述的一种政务咨询自动问答方法，其特征在于：步骤
S4
具体如下：
S41、
根据地址信息
l
获得区域名称
region
和区域层级
level
；步骤
S41
具体如下：
S411、
对地址信息
l
进行分词处理获得分词集合
A
，对
A
中的第
i
个词记作
A(i)
；设区域名称
region=
预设的初始区域
region(0)
，设区域层级
level=
预设的初始区域
region(0)
对应的层级
level0
；
S412.
对于
A(i)
，获得政务服务数据集合
D
中的“区域”实体集合中文本相似度最高的区域名称记作
A(i)
region
，
A(i)
region
对应的区域层级记作
A(i)
level
、A(i)
与
A(i)
region
的语义相似度记作
A(i)
sim
；
S413.
遍历地址集合
A
，如果
A(i)
sim
大于预设的阈值，且
A(i)
level
大于
level
，则赋值
region=A(i)
region
，
level=A(i)
level
；
S414.
输出区域名称
region
及区域层级
level
；
S42、
在政务服务图知识图谱
G
中根据区域名称
region
和权力目录
q
检索，得到部门
d
；
S43、
在政务服务图知识图谱
G
中根据部门
d
和权力目录
q
检索获得办理事项
t
；
...

【专利技术属性】
技术研发人员：李颖，龚维铭，王鹏，陈胜鹏，刘高，雷振，许继伟，王敬佩，付卓，韩小乐，夏帷，王锋，
申请(专利权)人：吉奥时空信息技术股份有限公司，
类型：发明
国别省市：