【技术实现步骤摘要】
本申请属于大语言模型，尤其涉及一种大语言模型提示词生成方法、系统、终端设备及介质。
技术介绍
1、大语言模型是指使用大量文本数据训练的深度学习模型，可以生成自然语言文本或理解语言文本的含义，大语言模型可以处理多种自然语言任务，如文本分类、问答、对话等，是通向人工智能的一条重要途径。
2、然而，在与大语言模型进行交互时，用户输入的提示词常常存在不准确性、模糊性、不完整性、缺乏关键信息、含有误导性字词、语法错误、拼写错误、多义词或歧义词等问题。
3、此外，对于特定领域的问题，用户可能未提供相关领域的背景信息或术语，导致模型无法理解或回答相关问题。某些大语言模型还限制用户输入的提示词长度，这导致提示词被截断或缩减，进而导致信息的丢失或不完整。因此，亟需一种能够准确生成提示词的方法。
技术实现思路
1、本申请提供了一种大语言模型提示词生成方法、系统、终端设备及介质，可以提高提示词生成的准确性。
2、第一方面，本申请提供了一种大语言模型提示词生成方法，包括：
3、基于预先采集的用户数据，构建个性化语料库；个性化语料库用于提供更符合特定用户需求和偏好的提示词，从而改善交互体验和提高准确性。
4、获取用户输入的提示词，并对提示词进行分割；其中，提示词被分割成至少一个单位文本；
5、从至少一个单位文本中选择一核心词作为根节点，并根据预先设置的语法关系确定该一核心词与其他单位文本之间的关系；
6、根据根节点和关系，构
7、分别计算每个节点的演化概率和节点深度概率，根据演化概率和节点深度概率，对提示词解析树进行演化，直至演化得到的新提示词解析树满足预设演化终止条件，得到最终提示词解析树；其中，节点深度概率用于计算节点的深度对演化概率的贡献。它的作用是在节点的演化概率中加入深度相关的权重，以考虑节点在提示词结构和上下文依赖性中的重要性。
8、根据最终提示词解析树生成多个新提示词，基于个性化语料库、预先设置的专业领域语料库，计算每个新提示词的综合得分，并向用户输出最高综合得分对应的新提示词。
9、可选的，用户数据用户行为信息、用户画像信息、用户画像信息以及用户反馈信息。
10、可选的，核心词为具有主谓关系的动词；
11、语法关系包括主谓关系、动词宾语关系、间接宾语关系、从属主谓关系、从属补语关系、开放补语关系、被动主谓关系、助动词关系、系动词关系、限定词关系、形容词修饰关系、数量修饰关系、同位语关系、状语关系、复合词关系、标记关系、介词关系、从属关系修饰关系、平行结构关系、标点关系、并列关系以及扁平修饰关系。
12、可选的，演化概率的计算公式为；其中，表示第个节点的演化概率，表示映射函数，表示节点的词性特征，表示第个节点的节点深度概率，表示第个节点的位置深度；
13、节点深度概率的计算公式为；其中，表示第个节点的节点深度概率，表示第个节点的位置深度，表示提示词解析树的最大深度。
14、可选的，综合得分的计算表达式为：
15、
16、其中，表示综合得分，表示大模型打分，所述大模型打分表示大模型对新提示词与原始提示词进行对比给出的基础分数，表示所述个性化语料库，表示所述专业领域语料库，表示单位文本的重要性得分，表示单位文本与个性化语料库和专业领域语料库之间的余弦相似度得分。
17、可选的，演化终止条件为演化次数大于等于预设最大演化次数。
18、第二方面，本申请提供了一种大语言模型提示词生成系统，包括：
19、语料库构建模块，用于基于预先采集的用户数据，构建个性化语料库；
20、提示词分割模块，用于获取用户输入的提示词，并对提示词进行分割；其中，提示词被分割成至少一个单位文本；
21、关系确定模块，用于从至少一个单位文本中选择一核心词作为根节点，并根据预先设置的语法关系确定该一核心词与其他单位文本之间的关系；
22、解析树构建模块，用于根据根节点和关系，构建提示词解析树；其中，提示词解析树的节点与单位文本一一对应，提示词解析树的边表示各节点之间的关系；
23、解析树演化模块，用于分别计算每个节点的演化概率和节点深度概率，根据演化概率和节点深度概率，对提示词解析树进行演化，直至演化得到的新提示词解析树满足预设演化终止条件，得到最终提示词解析树；
24、提示词生成模块，用于根据最终提示词解析树生成多个新提示词，基于个性化语料库、预先设置的专业领域语料库，计算每个新提示词的综合得分，并向用户输出最高综合得分对应的新提示词。
25、第三方面，本申请提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的大语言模型提示词生成方法。
26、第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的大语言模型提示词生成方法。
27、本申请的上述方案有如下的有益效果：
28、本申请提供的大语言模型提示词生成方法，根据演化概率和节点深度概率对提示词解析树进行演化，得到最终提示词解析树，能够保留对整体语义影响较大的提示词，提高生成的提示词的准确性；基于个性化语料库、预先设置的专业领域语料库，计算每个新提示词的综合得分，结合了新提示词在个性化语料库和专业领域语料库中的重要性和相关性，根据最高综合得分输出新提示词，能够进一步提高生成的提示词的准确性。
29、本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种大语言模型提示词生成方法，其特征在于，包括：
2.根据权利要求1所述的大语言模型提示词生成方法，其特征在于，所述用户数据包括历史输入数据、历史行为数据、用户个人信息、提示词反馈信息、提示词互动信息、用户偏好信息以及用户画像信息。
3.根据权利要求1所述的大语言模型提示词生成方法，其特征在于，所述核心词为具有主谓关系的动词；
4.根据权利要求1所述的大语言模型提示词生成方法，其特征在于，所述演化概率的计算公式为；其中，表示第个节点的演化概率，表示映射函数，表示节点的词性特征，表示第个节点的节点深度概率，表示第个节点的位置深度；
5.根据权利要求1所述的大语言模型提示词生成方法，其特征在于，所述综合得分的计算表达式为：
6.根据权利要求1所述的大语言模型提示词生成方法，其特征在于，所述演化终止条件为演化次数大于等于预设最大演化次数。
7.一种大语言模型提示词生成系统，其特征在于，包括：
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的大语言模型提示词生成方法。
...【技术特征摘要】
1.一种大语言模型提示词生成方法，其特征在于，包括：
2.根据权利要求1所述的大语言模型提示词生成方法，其特征在于，所述用户数据包括历史输入数据、历史行为数据、用户个人信息、提示词反馈信息、提示词互动信息、用户偏好信息以及用户画像信息。
3.根据权利要求1所述的大语言模型提示词生成方法，其特征在于，所述核心词为具有主谓关系的动词；
4.根据权利要求1所述的大语言模型提示词生成方法，其特征在于，所述演化概率的计算公式为；其中，表示第个节点的演化概率，表示映射函数，表示节点的词性特征，表示第个节点的节点深度概率，表示第个节点的位置深度；
5.根据权利要求1所述的大语言模型提示词生...
【专利技术属性】
技术研发人员：刘星宝，李鑫，刘庆东，李迦迦，张言波，刘利枚，贺勇，
申请(专利权)人：湘江实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。