交互式问答处理方法、装置、电子设备和存储介质

技术领域

本申请涉及计算机领域，具体涉及一种交互式问答处理方法、装置、电子设备和存储介质。

背景技术

大语言模型(Large Language Model，LLM)指的是具有大规模参数和学习能力的语言模型，它可以通过深度学习方法对大量的文本数据进行训练，以学习其中的语言规律、词汇知识和语义关联。通过训练后的LLM可以回答用户输入的查询文本，并生成流畅的答案文本。

然而，LLM生成的答案文本与用户输入的查询文本有关，查询文本的详细程度决定了LLM对问题理解的深入和广度，如果查询文本提供的信息有限或不够详细，LLM可能无法准确理解用户的意图，如此，难以满足用户的查询需求。

发明内容

本申请实施例提供一种交互式问答处理方法、装置、电子设备和存储介质，可以提升查询文本的查询范围，以便满足用户的查询需求。

本申请实施例提供一种交互式问答处理方法，包括：

获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词；

基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系；

基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件用于约束文本在生成时的语义范围；

根据文本约束条件和文本元素，生成查询文本关联的扩充文本，文本元素包括待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系；

对扩充文本与查询文本进行拼接处理，得到扩展查询文本，以获取扩展查询文本对应的答案。

本申请实施例还提供一种交互式问答处理装置，包括：

获取单元，用于获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词；

匹配单元，用于基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系；

查询单元，用于基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件用于约束文本在生成时的语义范围；

扩充单元，用于根据文本约束条件和文本元素，生成查询文本关联的扩充文本，文本元素包括待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系；

拼接单元，用于对扩充文本与查询文本进行拼接处理，得到扩展查询文本，以获取扩展查询文本对应的答案。

在一些实施例中，根据文本约束条件和文本元素，生成查询文本关联的扩充文本，包括：

根据文本约束条件和文本元素，生成待查询关键词关联的候选文本；

计算候选文本集合中每个候选文本与查询文本之间的关联度，候选文本集合包括查询文本中每个待查询关键词关联的候选文本；

基于候选文本与查询文本之间的关联度，从候选文本集合中确定查询文本关联的扩充文本。

在一些实施例中，计算候选文本集合中每个候选文本与查询文本之间的关联度，包括：

计算待查询关键词在候选文本集合中的重要程度；

获取待查询关键词在目标候选文本中的词频，目标候选文本为候选文本集合中的任意一个候选文本；

基于候选文本集合中每个候选文本的文本长度，确定文本平均长度；

基于重要程度、词频、文本平均长度以及目标候选文本的文本长度，确定待查询关键词与目标候选文本之间的关联度；

将所有待查询关键词与目标候选文本之间的关联度相加，得到目标候选文本与查询文本之间的关联度。

在一些实施例中，基于重要程度、词频、文本平均长度以及目标候选文本的文本长度，确定待查询关键词与目标候选文本之间的关联度，包括：

采用第一预设权重，对词频进行加权处理，得到加权词频；

将加权词频和词频相加，得到调整后的词频；

计算目标候选文本的文本长度相对于文本平均长度的长度比值；

采用第一预设权重和第二预设权重，对长度比值进行加权处理，得到加权长度比值；

将第一预设权重和第二预设权重相乘，得到权重乘积；

将词频、第一预设权重和加权长度比值相加，得到综合权重；

将综合权重减去权重乘积，得到调整后的综合权重；

将调整后的词频除以调整后的综合权重，得到待查询关键词与目标候选文本之间的初始关联度；

将重要程度乘以初始关联度，得到待查询关键词与目标候选文本之间的关联度。

在一些实施例中，基于候选文本与查询文本之间的关联度，从候选文本集合中确定查询文本关联的扩充文本，包括：

基于候选文本与查询文本之间的关联度，从候选文本集合中筛选出多个目标文本，目标文本与查询文本之间的关联度满足预设条件；

根据待查询关键词和目标关键词，对多个目标文本进行去重处理，得到查询文本关联的扩充文本。

在一些实施例中，候选文本集合包括第一候选文本和第二候选文本，第一候选文本为目标关键词与待查询关键词之间的关联关系为连接关系时，生成的候选文本，第二候选文本为目标关键词与待查询关键词之间的关联关系为属性关系时，生成的候选文本，计算候选文本集合中每个候选文本与查询文本之间的关联度，包括：

计算第一候选文本与查询文本之间的关联度；

基于候选文本与查询文本之间的关联度，从候选文本集合中筛选出多个目标文本，包括：

基于第一候选文本与查询文本之间的关联度，从多个第一候选文本中筛选出多个目标文本；

根据待查询关键词和目标关键词，对多个目标文本进行去重处理，得到查询文本关联的扩充文本，包括：

根据待查询关键词和目标关键词，对多个目标文本和第二候选文本进行去重处理，得到查询文本关联的扩充文本。

在一些实施例中，在根据文本约束条件和文本元素，生成待查询关键词关联的扩充文本之后，还包括：

基于多个预设关键词之间的关联关系和目标关键词，从多个预设关键词中确定候选关键词，候选关键词为除待查询关键词以外，与目标关键词之间具有关联关系的预设关键词；

基于目标关键词、候选关键词和目标关键词与候选关键词之间的关联关系，生成查询文本关联的待补充文本；

根据目标关键词和候选关键词，对查询文本关联的待补充文本进行去重处理，得到查询文本关联的扩充文本。

在一些实施例中，对扩充文本与查询文本进行拼接处理，得到扩展查询文本，包括：

获取扩充文本的文本数量；

若文本数量在预设范围内时，采用第一拼接策略，对扩充文本与查询文本进行拼接处理，得到扩展查询文本；

若文本数量超过预设范围时，采用第二拼接策略，对扩充文本与查询文本进行拼接处理，得到扩展查询文本。

在一些实施例中，基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，包括：

获取第一约束条件和第二约束条件，第一约束条件为与连接关系关联的约束条件，第二约束条件为与属性关系关联的约束条件；

根据目标关键词与待查询关键词之间的关联关系，从第一约束条件和第二约束条件中确文本约束条件。

在一些实施例中，文本约束条件包括预设文本元素，预设文本元素与文本元素之间存在对应关系，根据文本约束条件和文本元素，生成查询文本关联的扩充文本，包括：

基于预设文本元素与文本元素之间的对应关系，采用文本元素替换文本约束条件中的预设文本元素，得到文本元素对应的约束条件；

对文本元素对应的约束条件进行解析处理，得到查询文本关联的扩充文本。

在一些实施例中，在对扩充文本与查询文本进行拼接处理，得到扩展查询文本之后，还包括：

将扩展查询文本发送至查询对话框；

识别查询对话框中的扩展查询文本，得到答案文本；

在查询对话框中显示答案文本。

本申请实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行本申请实施例所提供的任一种交互式问答处理方法中的步骤。

本申请实施例还提供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多条指令，所述指令适于处理器进行加载，以执行本申请实施例所提供的任一种交互式问答处理方法中的步骤。

本申请实施例还提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现本申请实施例所提供的任一种交互式问答处理方法中的步骤。

本申请实施例可以获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词；基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系；基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件用于约束文本在生成时的语义范围；根据文本约束条件和文本元素，生成查询文本关联的扩充文本，文本元素包括待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系；对扩充文本与查询文本进行拼接处理，得到扩展查询文本，以获取扩展查询文本对应的答案。

在本申请中，通过多个预设关键词之间的关联关系，可以查询到与待查询关键词之间具有关联关系的目标关键词，待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系可以构成文本元素，文本约束条件可以约束通过文本元素生成的文本，以得到查询文本关联的扩充文本，将扩充文本与查询文本拼接，从而可以补充查询文本。由此，提升了查询文本的查询范围，以便满足用户的查询需求。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a是本申请实施例提供的交互式问答处理方法的场景示意图；

图1b是本申请实施例提供的交互式问答处理方法的流程示意图；

图2a是本申请实施例提供的生成答案文本的场景示意图；

图2b是本申请实施例提供的生成候选文本的场景示意图；

图2c是本申请实施例提供的交互式问答的第一种场景示意图；

图2d是本申请实施例提供的交互式问答的第二种场景示意图；

图3a是本申请实施例提供的候选文本的生成示意图；

图3b是本申请实施例提供的查询文本的检索示意图；

图4是本申请实施例提供的交互式问答处理装置的结构示意图；

图5是本申请实施例提供的服务器的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

可以理解的是，在本申请的具体实施方式中，涉及到查询文本等相关的数据，当本申请实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本申请实施例提供一种交互式问答处理方法、装置、电子设备和存储介质。

其中，该交互式问答处理装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。

在一些实施例中，该交互式问答处理装置还可以集成在多个电子设备中，比如，交互式问答处理装置可以集成在多个服务器中，由多个服务器来实现本申请的交互式问答处理方法。

在一些实施例中，服务器也可以以终端的形式来实现。

例如，参考图1a，该电子设备A可以获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词；基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系；基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件用于约束文本在生成时的语义范围；根据文本约束条件和文本元素，生成查询文本关联的扩充文本，文本元素包括待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系；对扩充文本与查询文本进行拼接处理，得到扩展查询文本，以获取扩展查询文本对应的答案。

其中，通过多个预设关键词之间的关联关系，可以查询到与待查询关键词之间具有关联关系的目标关键词，待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系可以构成文本元素，文本约束条件可以约束通过文本元素生成的文本，以得到查询文本关联的扩充文本，将扩充文本与查询文本拼接，从而可以补充查询文本。由此，提升了查询文本的查询范围，以便满足用户的查询需求。

以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。

人工智能(Artificial Intelligence，AI)是一种利用数字计算机来模拟人类感知环境、获取知识并使用知识的技术，该技术可以使机器具有类似于人类的感知、推理与决策的功能。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。

自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

在本实施例中，提供了一种涉及人工智能的基于自然语言处理的交互式问答处理方法，如图1b所示，该交互式问答处理方法的具体流程可以如下：

110、获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词。

其中，查询文本为检索信息时输入的文本。

比如，查询文本可以是用户的语音查询对应的文本，以使用户在驾驶汽车等时可以实现查询功能，查询文本还可以是用户输入的文本，等等。其中，查询文本与用户的需求有关，查询文本可以是检索道路信息输入的文本，查询文本可以是检索医疗信息输入的文本，还可以是检索专业词汇输入的文本，还可以是检索工作原理输入的文本，等等。

多个预设关键词之间的关联关系中具有关联关系的两个预设关键词，在获知具有关联关系的两个预设关键词中的其中一个预设关键词时，可以通过该预设关键词具有的关联关系，推断出另外一个预设关键词。

比如，多个预设关键词之间的关联关系可以包括连接关系、属性关系等，其中，连接关系具体可以是语义关系、父子关系、同义关系、属于关系、上下文关系，等等。

多个预设关键词之间的关联关系包括但不限于：

(1)、知识图谱中的“边”，“边”用于将知识图谱中具有“连接”关联关系的两个节点(预设关键词)连接；

比如，知识图谱中存在多个节点，具有关联关系的两个节点通过“边”连接。

(2)、知识图谱中的“属性”，知识图谱中的每个节点具有各自对应的“属性”，以及“属性”对应的属性内容，预设关键词可以是节点和属性内容，节点和属性内容之间的关联关系为“属性”；

(3)、数据库中的映射关系，“映射关系”用于将数据库中具有关联关系(可以是语义关联、上位关系、下位关系等)的两个数据(预设关键词)连接，当两个数据在表中分别对应表头1和表头2，若表头1和表头2之间存在语义关联、上位关系、下位关系等关系时，则可以确定两个数据之间的映射关系；

(4)、数据库中表格的属性关系，可以依据两个数据在表中分别对应的表头1和表头2，当表头2为表头1的属性时，确定两个数据之间的关联关系为属性关系。

待查询关键词为查询文本中需要检索的主要内容。

比如，用户输入的查询文本可以是“服用药物X应该注意些什么？”，待查询关键词为药物X，可以通过查询文本获知药物X的药物安全信息、药物用法指导等。

比如，用户输入的查询文本还可以是“专业词汇Y是什么？”，待查询关键词为专业词汇Y，可以通过查询文本获知专业词汇Y的相关技术内容。

比如，用户输入的查询文本还可以是“Z的工作原理是什么？”，待查询关键词为Z，可以通过查询文本获知Z的工作原理。

在一些实施例中，为了可以从查询文本中获取待查询关键词，获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词，包括：

获取查询文本，以及多个预设关键词之间的关联关系；

对查询文本进行分词处理，得到查询文本中的多个分词；

确定分词与预设关键词之间的相似度；

基于相似度，从分词中确定待查询关键词。

其中，分词为构成查询文本的词语。

比如，若查询文本为“服用药物X应该注意些什么？”，则查询文本中的多个分词包括““服用”、“药物X”、“应该”、“注意”、“什么””。

对查询文本进行分词处理的方法包括但不限于：

(1)、基于规则的分词：基于人工设定的规则进行分词，比如以字典为依据，通过匹配词典中的词语来进行分词，不同的分词工具和算法可以根据自定义规则进行分词操作；

(2)、基于统计的分词：基于大规模文本语料库(知识图谱、数据库等)的统计信息进行分词。常用的算法包括最大匹配法(Maximum Matching)、最小匹配法(MinimumMatching)等。这种方法通过统计分析词语在语料库中的频次和概率，来确定较好的分词结果。

(3)、基于机器学习的分词：利用机器学习模型来实现分词任务，常见的方法有条件随机场(Conditional Random Field，CRF)、隐马尔可夫模型(Hidden Markov Model，HMM)等，这种方法通过训练模型来识别文本中的词语边界，从而实现分词。

相似度用于衡量分词与预设关键词之间的相似程度的度量指标。比如，相似度可以是余弦相似度、编辑距离、accard相似度、词向量相似度等。

比如，若分词与知识图谱中的预设关键词之间的相似度满足预设相似度时，可以将该分词作为待查询关键词。

120、基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系。

其中，目标关键词为多个预设关键词中，与待查询关键词之间具有关联关系的预设关键词。

比如，多个预设关键词中存在待查询关键词，通过多个预设关键词之间的关联关系，可以从多个预设关键词中得到与待查询关键词存在关联关系的目标关键词，一个待查询关键词可以对应多个目标关键词，待查询关键词与多个目标关键词之间的关联关系可以包括连接关系、属性关系等。

比如，若待查询关键词为药物时，待查询关键词与目标关键词之间的关联关系为连接关系时，连接关系可以是别名、禁忌症等，目标关键词可以是别名和禁忌症等分别对应的预设关键词。

比如，待查询关键词与目标关键词之间的关联关系为属性时，属性可以是拼音、剂型、批注文号、性状、医保类型、是否处方药、实体类型等，目标关键词可以是拼音、剂型、批注文号、性状、医保类型、是否处方药和实体类型等分别对应的预设关键词。

130、基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件用于约束文本在生成时的语义范围。

其中，文本约束条件可以匹配目标关键词与待查询关键词之间的关联关系，用于约束文本在生成时的语义范围。比如，文本约束条件可以是包括语义约束的约束文本、约束模版等。

由于目标关键词与待查询关键词之间的关联关系可以是连接关系、属性关系等，当目标关键词与待查询关键词之间的关联关系为属性关系时，目标关键词与待查询关键词之间的相关性较高，当目标关键词与待查询关键词之间的关联关系为连接关系时，目标关键词与待查询关键词之间的相关性较低，为了减小相关性对文本生成的影响，使生成的文本可以符合目标关键词与待查询关键词之间的关联关系，可以获取匹配目标关键词与待查询关键词之间的关联关系的文本约束条件。

基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件的方法包括但不限于：

(1)、基于目标关键词与待查询关键词之间的关联关系，构建文本约束条件。

比如，当目标关键词与待查询关键词之间的关联关系为连接关系时，可以通过连接关系，将待查询关键词和目标关键词两个独立的预设关键词连接，通过构建与连接关系关联的文本约束条件，要求生成的文本必须包含相关描述(目标关键词与待查询关键词之间的关联关系)或满足特定的语法结构。

比如，当目标关键词与待查询关键词之间的关联关系为属性关系时，可以通过属性关系，采用目标关键词描述待查询关键词的性质，通过构建与属性关系关联的文本约束条件，要求生成的文本必须包含相关描述(目标关键词与待查询关键词之间的关联关系)或满足特定的语法结构。

(2)、可以预先设置文本约束条件，使文本约束条件与预设关联关系关联，预设关联关系可以是连接关系或属性关系等，可以基于目标关键词与待查询关键词之间的关联关系，以及预设连接关系，获取文本约束条件。

在一些实施例中，考虑到目标关键词与待查询关键词之间的关联关系为连接关系时，目标关键词与待查询关键词是两个独立的个体，目标关键词与待查询关键词之间的关联关系为属性关系时，目标关键词为描述待查询关键词自身的信息，为了在文本生成时，可以精准约束文本在生成时的语义范围，基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，包括：

获取第一约束条件和第二约束条件，第一约束条件为与连接关系关联的约束条件，第二约束条件为与属性关系关联的约束条件；

根据目标关键词与待查询关键词之间的关联关系，从第一约束条件和第二约束条件中确文本约束条件。

其中，第一约束条件为预先设置的与连接关系关联的约束条件。

比如，当目标关键词与待查询关键词之间的关联关系为连接关系时，第一约束条件可以是“已知“待查询关键词”“待查询关键词与目标关键词之间的关联关系”“目标关键词”为一组关系三元组，请用自然语言改写这个三元组，注意描述不要超出该条三元组定义的范围并且尽量简短”。

第二约束条件为预设设置的与属性关系关联的约束条件。

比如，当目标关键词与待查询关键词之间的关联关系为属性关系时，文本约束条件可以是“已知“待查询关键词”的属性“待查询关键词与目标关键词之间的关联关系”是“目标关键词”，请用自然语言改写这条属性信息，注意描述不要超出该条三元组定义的范围并且尽量简短”。

比如，当目标关键词与待查询关键词之间的关联关系为连接关系时，将第一约束条件作为文本约束条件。当目标关键词与待查询关键词之间的关联关系为属性关系时，将第二约束条件作为文本约束条件。

140、根据文本约束条件和文本元素，生成查询文本关联的扩充文本，文本元素包括待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系。

其中，文本元素为参与文本生成时所需的元素，包括待查询关键词、目标关键词，以及待查询关键词与目标关键词之间的关联关系。

扩充文本为在文本约束条件的约束下，通过自然语言改写文本元素生成的文本，其未超出文本元素定义的范围，可以扩充查询文本的查询范围。

比如，待查询关键词为药物X，待查询关键词与目标关键词之间的关联关系为连接关系(禁忌症)，目标关键词为禁忌症1，在文本约束条件的约束下，通过文本元素生成的扩充文本可以是“药物X不适宜适用于禁忌症1，因其可能存在禁忌症”，或是“药物X的禁忌症是禁忌症1”，等等。

比如，待查询关键词为药物X，待查询关键词与目标关键词之间的关联关系为属性关系(医保类型)，目标关键词可以是非医保，则生成的扩充文本可以是“药物X未被纳入医保范围”，或是“药物X属于非医保的药物”，等等。

在一些实施例中，扩充文本的生成可以采用训练后的自回归语言模型(Autoregressive Language Models)、自编码器语言模型(Autoencoder LanguageModels)、预训练-微调模型(Pretraining-Finetuning Models)等，依据输入的文本约束条件和文本元素，生成查询文本关联的扩充文本。

在一些实施例中，考虑到在文本约束条件的约束下，通过文本元素生成的文本可以是多个，为了从多个生成的文本中选择出可以与查询文本匹配的文本，以便对查询文本进行扩充，根据文本约束条件和文本元素，生成查询文本关联的扩充文本，包括：

根据文本约束条件和文本元素，生成待查询关键词关联的候选文本；

计算候选文本集合中每个候选文本与查询文本之间的关联度，候选文本集合包括查询文本中每个待查询关键词关联的候选文本；

基于候选文本与查询文本之间的关联度，从候选文本集合中确定查询文本关联的扩充文本。

其中，候选文本是在文本约束条件的约束下，通过文本元素生成的至少一个文本，至少一个文本中存在符合预期的文本，以及不符合预期的文本。

比如，文本元素包括待查询关键词为药物X、待查询关键词与目标关键词之间的关联关系为禁忌症，目标关键词为禁忌症1，在文本约束条件的约束下，生成待查询关键词关联的候选文本可以包括““药物X”不适宜使用于禁忌症1患者，因其可能存在禁忌症”、““药物X”的禁忌症是禁忌症1”、“由于禁忌症1的患者可能存在对药物X的不适应情况，因此建议避免禁忌症1患者使用药物X”，等等。

候选文本集合包括查询文本中每个待查询关键词关联的候选文本。比如，查询文本中包括至少一个待查询关键词，每个待查询关键词关联多个候选文本，则候选文本集合包括每个待查询集合关联的候选文本。

比如，查询文本可以包括多个待查询关键词，具体可以是“药物X和药物Y可以一起服用吗？”，即查询文本的待查询关键词包括药物X和药物Y。

候选文本与查询文本之间的关联度是指候选文本与查询文本之间的相关程度，用于评估候选文本是否与查询文本相关。

比如，当候选文本与查询文本之间的关联度指示候选文本与查询文本相关时，可以将该候选文本作为查询文本的扩充文本，以使查询文本在检索时，可以参考扩充文本提供的信息。

在一些实施例中，考虑到待查询关键词为查询文本中的主要检索内容，为了依据待查询关键词，计算候选文本与查询文本之间的关联度，计算候选文本集合中每个候选文本与查询文本之间的关联度，包括：

计算待查询关键词在候选文本集合中的重要程度；

获取待查询关键词在目标候选文本中的词频，目标候选文本为候选文本集合中的任意一个候选文本；

基于候选文本集合中每个候选文本的文本长度，确定文本平均长度；

基于重要程度、词频、文本平均长度以及目标候选文本的文本长度，确定待查询关键词与目标候选文本之间的关联度；

将所有目标关键词与目标候选文本之间的关联度相加，得到目标候选文本与查询文本之间的关联度。

其中，重要程度用于评估待查询关键词在候选文本集合中的重要性或稀缺性的度量指标。当待查询关键词在候选文本集合中出现较多时，重要程度较低，当待查询关键词在候选文本集合中出现较少时，重要程度较高。

重要程度

目标候选文本为候选文本集合中的任意一个候选文本。

词频为待查询关键词在目标候选文本中出现的次数。

文本平均长度为候选文本集合中所有候选文本的文本长度之和，除以候选文本集合中候选文本的总数，所得到的平均文本长度，其中，候选文本的文本长度可以是字符数量、词语数量等。

待查询关键词与目标候选文本之间的关联度用于评估目标候选文本是否与查询文本中的待查询关键词相关。

比如，由于查询文本主要用于检索待查询关键词，查询文本中的待查询关键词包括关键词1和关键词2，可以计算关键词1和关键词2分别与目标候选文本之间的关联度，通过将关键词1与目标候选文本之间的关联度，以及关键词2与目标候选文本之间的关联度相加，可以得到目标候选文本与查询文本之间的关联度。

在一些实施例中，为了可以计算待查询关键词与目标候选文本之间的关联度，基于重要程度、词频、文本平均长度以及目标候选文本的文本长度，确定待查询关键词与目标候选文本之间的关联度，包括：

采用第一预设权重，对词频进行加权处理，得到加权词频；

将加权词频和词频相加，得到调整后的词频；

计算目标候选文本的文本长度相对于文本平均长度的长度比值；

采用第一预设权重和第二预设权重，对长度比值进行加权处理，得到加权长度比值；

将第一预设权重和第二预设权重相乘，得到权重乘积；

将词频、第一预设权重和加权长度比值相加，得到综合权重；

将综合权重减去权重乘积，得到调整后的综合权重；

将调整后的词频除以调整后的综合权重，得到待查询关键词与目标候选文本之间的初始关联度；

将重要程度乘以初始关联度，得到待查询关键词与目标候选文本之间的关联度。

其中，第一预设权重用于调整词频，对计算待查询关键词与目标候选文本之间的关联度的影响，较大的第一预设权重会增加词频的影响，较小的第一预设权重会减小词频的影响。

加权词频为词频在通过第一预设权重加权后，所得到词频，可以平衡(突出或减小)词频，对计算待查询关键词与目标候选文本之间的关联度的影响。

调整后的词频为通过加权词频调整词频后，所得到的词频，等于加权词频和词频之和，可以平衡词频，对计算待查询关键词与目标候选文本之间的关联度的影响。

长度比值等于目标候选文本的文本长度除以文本平均长度所得到的值，其中，目标候选文本的文本长度和文本平均长度可以用字符数量或词语数量等表示。

第二预设权重用于调整长度比值，对计算待查询关键词与目标候选文本之间的关联度的影响，第二预设权重的取值范围可以在0到1之间，当b＝0时，文档比值不会产生影响，当b＝1时，文档比值的影响最大。

加权长度比值为第一预设权重乘以第二预设权重乘以长度比值，所得到的值，用于调节长度比值，对计算待查询关键词与目标候选文本之间的关联度的影响。

权重乘积用于平衡词频和长度比值，对计算待查询关键词与目标候选文本之间的关联度的影响。

综合权重用于在计算待查询关键词与目标候选文本之间的关联度时，同时考虑词频和长度比值的影响。

调整后的综合权重用于在计算待查询关键词与目标候选文本之间的关联度时，综合考虑词频以及长度比值的影响。

比如，通过调整后的综合权重可知，当词频越高，以及目标候选文本的文本长度接近文本平均长度时，意味着待查询关键词与目标候选文本之间的关联度的计算，更加依赖词频，而非长度比值。当词频较小、目标候选文本的文本长度偏离平均长度时，意味着待查询关键词与目标候选文本之间的关联度的计算，更加依赖长度比值，而非词频。

初始关联度为未参考待查询关键词的重要程度，计算得到的待查询关键词与目标候选文本之间的关联度。

待查询关键词与目标候选文本之间的关联度为在待查询关键词的重要程度的调节下，计算得到的待查询关键词与目标候选文本之间的关联度。

采用BM25算法，计算待查询关键词与目标候选文本之间的关联度

在一些实施例中，考虑到候选文本集合中可能存在多个相同或相似的候选文本，为了避免重复查询多个相同或相似的候选文本，基于候选文本与查询文本之间的关联度，从候选文本集合中确定查询文本关联的扩充文本，包括：

基于候选文本与查询文本之间的关联度，从候选文本集合中筛选出多个目标文本，目标文本与查询文本之间的关联度满足预设条件；

根据待查询关键词和目标关键词，对多个目标文本进行去重处理，得到查询文本关联的扩充文本。

其中，目标文本为与查询文本之间的关联度满足预设条件的候选文本。

预设条件为预设设置的用于衡量候选文本与查询文本之间的匹配程度。

比如，候选文本集合包括待查询关键词关联的多个候选文本，计算每个候选文本与查询文本之间的关联度，当候选文本与查询文本之间的关联度大于预设条件后，将候选文本作为目标文本，待查询关键词可以关联多个目标文本，多个目标文本中可能包括待查询关键词与同一目标关键词构成的多个目标文本，通过待查询关键词和目标关键词，可以对多个目标文本进行去重处理，以使查询文本关联的扩充文本仅保留待查询关键词与同一目标关键词构成的一个目标文本。

在一些实施例中，考虑到目标关键词与待查询关键词之间的关联关系为属性关系时，目标关键词与待查询关键词的相关性较高，可能使生成的多个候选文本的描述类似，导致候选文本的冗余度较高，为了便于筛选出用于扩充查询文本的候选文本，候选文本集合包括第一候选文本和第二候选文本，第一候选文本为目标关键词与待查询关键词之间的关联关系为连接关系时，生成的候选文本，第二候选文本为目标关键词与待查询关键词之间的关联关系为属性关系时，生成的候选文本，计算候选文本集合中每个候选文本与查询文本之间的关联度，包括：

计算第一候选文本与查询文本之间的关联度；

基于候选文本与查询文本之间的关联度，从候选文本集合中筛选出多个目标文本，包括：

基于第一候选文本与查询文本之间的关联度，从多个第一候选文本中筛选出多个目标文本；

根据待查询关键词和目标关键词，对多个目标文本进行去重处理，得到查询文本关联的扩充文本，包括：

根据待查询关键词和目标关键词，对多个目标文本和第二候选文本进行去重处理，得到查询文本关联的扩充文本。

其中，第一候选文本为文本元素中，目标关键词与待查询关键词之间的关联关系为连接关系时，生成的候选文本。

第二候选文本为文本元素中，目标关键词与待查询关键词之间的关联关系为属性关系时，生成的候选文本。

比如，连接关系可以使两个独立的预设关键词之间存在逻辑关系，如此，在文本元素s1中目标关键词与待查询关键词之间的关联关系为连接关系时，通过文本元素s1生成的多个第一候选文本可能不同，通过计算第一候选文本与查询文本之间的关联度，可以从多个第一候选文本中初步筛选出至少一个目标文本，再依据文本元素s1中的待查询关键词和目标关键词，可以从至少一个目标文本中筛选出一个扩充文本，以排除多个语义重叠的目标文本全部作为扩充文本。

同时，因属性关系使两个预设关键词之间的相关性较高，如此，在文本元素s2中目标关键词与待查询关键词之间的关联关系为属性关系时，依据文本元素s2构成多个第二候选文本的描述相似，如此，可以直接使用文本元素s2中的待查询关键词和目标关键词，可以从多个第二候选文本中筛选出一个扩充文本，以排除多个描述相似(即语义重叠)的第二候选文本全部作为扩充文本。

在一些实施例中，为了可以进一步提升查询文本的查询范围，在根据文本约束条件和文本元素，生成待查询关键词关联的扩充文本之后，还包括：

基于多个预设关键词之间的关联关系和目标关键词，从多个预设关键词中确定候选关键词，候选关键词为除待查询关键词以外，与目标关键词之间具有关联关系的预设关键词；

基于目标关键词、候选关键词和目标关键词与候选关键词之间的关联关系，生成查询文本关联的待补充文本；

根据目标关键词和候选关键词，对查询文本关联的待补充文本进行去重处理，得到查询文本关联的扩充文本。

其中，候选关键词为除待查询关键词以外，与目标关键词之间具有关联关系的预设关键词，其中，候选关键词与待查询关键词之间的关联关系可以是连接关系或属性关系。

待补充文本为依据目标关键词、候选关键词和目标关键词与候选关键词之间的关联关系，生成的用于扩充目标关键词的文本。

比如，依据目标关键词、候选关键词和目标关键词与候选关键词之间的关联关系，可以生成多个待补充文本，可以依据目标关键词和候选关键词，从多个待补充文本中筛选出一个扩充文本，以排除多个语义重叠的待补充文本全部作为扩充文本。

在一些实施例中，为了可以生成查询文本关联的待补充文本，基于目标关键词、候选关键词和目标关键词与候选关键词之间的关联关系，生成查询文本关联的待补充文本，包括：

根据目标关键词与候选关键词之间的关联关系，从第一约束条件和第二约束条件中确文新本约束条件；

根据新文本约束条件和新文本元素，生成查询文本关联的待补充文本，新文本元素包括目标关键词、候选关键词和目标关键词与候选关键词之间的关联关系。

其中，新文本约束条件可以匹配目标关键词与候选关键词之间的关联关系，用于约束文本在生成时的语义范围。

新文本元素为扩充目标关键词所需的元素，通过新文本元素可以生成扩充目标关键词的文本，包括目标关键词、候选关键词和目标关键词与候选关键词之间的关联关系。

在一些实施例中，为了使文本约束条件，可以约束文本元素生成的文本，文本约束条件包括预设文本元素，预设文本元素与文本元素之间存在对应关系，根据文本约束条件和文本元素，生成查询文本关联的扩充文本，包括：

基于预设文本元素与文本元素之间的对应关系，采用文本元素替换文本约束条件中的预设文本元素，得到文本元素对应的约束条件；

对文本元素对应的约束条件进行解析处理，得到查询文本关联的扩充文本。

其中，预设文本元素为文本约束条件中预设设置的与文本元素对应的元素。

比如，由于文本元素包括待查询关键词、目标关键词、待查询关键词与目标关键词之间的关联关系，则文本约束条件中包括待查询关键词对应的预设文本元素、目标关键词对应的预设文本元素、待查询关键词与目标关键词之间的关联关系对应的预设文本元素，等等。

文本元素对应的约束条件为可以约束文本元素的条件。

比如，当目标关键词与待查询关键词之间的关联关系为连接关系时，文本约束条件可以是“已知“h1”“r1”“t1”为一组关系三元组，请用自然语言改写这个三元组，注意描述不要超出该条三元组定义的范围并且尽量简短”，其中，“h1”是待查询关键词对应的预设文本元素，“r1”是待查询关键词与目标关键词之间的关联关系为连接关系对应的预设文本元素，“t1”是与待查询关键词之间具有连接关系的目标关键词对应的预设文本元素，采用待查询关键词、待查询关键词与目标关键词之间的关联关系、目标关键词分别替换“h1”“r1”“t1”。

依据预设文本元素与文本元素之间的对应关系，采用待查询关键词、目标关键词以及待查询关键词与目标关键词之间关联关系，替换文本约束条件中的“h1”、“r1”、“t1”，从而得到文本元素对应的约束条件，通过解析文本元素对应的约束条件，可以生成查询文本关联的扩充文本。

当目标关键词与待查询关键词之间的关联关系为属性关系时，文本约束条件可以是“已知“h1”的属性“a1”是“v1”，请用自然语言改写这条属性信息，注意描述不要超出该条三元组定义的范围并且尽量简短”，其中，“h1”是待查询关键词对应的预设文本元素，“a1”是待查询关键词与目标关键词之间的关联关系为属性关系对应的预设文本元素，“v1”是与待查询关键词之间具有属性关系的目标关键词对应的预设文本元素。

采用待查询关键词、目标关键词以及待查询关键词与目标关键词之间关联关系，替换文本约束条件中的预设文本元素，从而得到文本元素对应的约束条件，通过解析文本元素对应的约束条件，可以生成查询文本关联的扩充文本。

依据预设文本元素与文本元素之间的对应关系，采用待查询关键词、目标关键词以及待查询关键词与目标关键词之间关联关系，替换文本约束条件中的“h1”、“a1”、“v1”，从而得到文本元素对应的约束条件，通过解析文本元素对应的约束条件，可以生成查询文本关联的扩充文本。

150、对扩充文本与查询文本进行拼接处理，得到扩展查询文本，以获取扩展查询文本对应的答案。

其中，扩展查询文本为通过扩充文本对查询文本扩展后，所得到的文本，提升了查询文本的查询范围。

对扩充文本与查询文本进行拼接处理包括但不限于：

(1)、可以采用布尔运算符(和(AND)、或(OR)、非(NOT))，对扩充文本与查询文本进行拼接；

(2)、可以将扩充文本和查询文本填充至预设模版中，以对扩充文本与查询文本进行拼接；

(3)、可以采用特殊标记符号拼接扩充文本和查询文本，通过特殊标记符号可以区分扩充文本和查询文本。

在一些实施例中，为了可以拼接扩充文本和查询文本，对扩充文本与查询文本进行拼接处理，得到扩展查询文本，包括：

获取扩充文本的文本数量；

若文本数量在预设范围内时，采用第一拼接策略，对扩充文本与查询文本进行拼接处理，得到扩展查询文本；

若文本数量超过预设范围时，采用第二拼接策略，对扩充文本与查询文本进行拼接处理，得到扩展查询文本。

其中，文本数量为扩充文本的数量。

预设范围用于衡量扩充文本的数量，以可以采用与文本数量匹配的拼接策略。

第一拼接策略为文本数量不大于预设范围时，拼接扩充文本和查询文本所需的拼接策略。

比如，第一拼接策略可以是：“你是一名“XXX(比如，医生、老师、学生等，依据查询用户的不同而更改)””，已知：扩充文本1。并且，扩充文本2。并且，扩充文本3。那么请问：查询文本？”。

第二拼接策略为文本数量超过预设范围时，拼接扩充文本和查询文本所需的拼接策略。

比如，第二拼接策略可以是：“这是一些已知的基本知识：扩充文本1。并且，扩充文本2。…。并且，扩充文本n。注意并不是所有给定知识都有用，请回答以下问题：查询文本？”。

在一些实施例中，为了使用户可以获知扩展查询文本，以遍用户可以理解通过扩展查询文本检索到的答案文本，在对扩充文本与查询文本进行拼接处理，得到扩展查询文本之后，还包括：

将扩展查询文本发送至查询对话框；

识别查询对话框中的扩展查询文本，得到答案文本；

在查询对话框中显示答案文本。

其中，查询对话框是指在信息检索任务中用户与系统之间的交互对话框。在查询对话框中，用户可以提出问题或查询需求，而系统则根据用户的输入提供相关的回答或搜索结果。

查询对话框可以通过自然语言处理技术(大语言模型、预训练语言模型等)识别查询对话框中的扩展查询文本。

答案文本是指在信息检索或问答任务中，系统根据用户的查询或问题，从数据库、知识库或其他数据源中检索到的与扩展查询文本相关的文本结果。

由上可知，本申请实施例可以获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词；基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系；基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件用于约束文本在生成时的语义范围；根据文本约束条件和文本元素，生成查询文本关联的扩充文本，文本元素包括待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系；对扩充文本与查询文本进行拼接处理，得到扩展查询文本，以获取扩展查询文本对应的答案。

由此本方案可以通过多个预设关键词之间的关联关系，查询到与待查询关键词之间具有关联关系的目标关键词，待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系可以构成文本元素，文本约束条件可以约束通过文本元素生成的文本，以得到查询文本关联的扩充文本，将扩充文本与查询文本拼接，从而可以补充查询文本。由此，提升了查询文本的查询范围，以便满足用户的查询需求。

根据上述实施例所描述的方法，以下将作进一步详细说明。

在本实施例中，如图2a所示，将以应用于医疗领域的大语言模型问答产品为例，大语音模型文档产品包括查询对话框，对本申请实施例的方法进行详细说明。

(Ⅰ)、用户在查询对话框中输入查询文本“服用药物X应该注意什么？”，“药物X”为查询文本中的待查询关键词。

(Ⅱ)、知识图谱中包括关系三元组和属性三元组，关系三元组包括多个节点，以及连接两个节点所需的边，属性三元组包括每个节点所对应的属性，从知识图谱的关系三元组和属性三元组中确定与“药物X”的关系三元组以及“药物X”的属性三元组，“药物X”的关系三元组包括与“药物X”存在连接关系的目标关键词，“药物X”的属性三元组包括与“药物X”存在属性关系的目标关键词。

从知识图谱的关系三元组中确定“药物X”位于的核心节点，以及“药物X”位于的核心节点所连接的其他节点(目标关键词)，连接核心节点和其他节点所用“边”(“边”为目标关键词与待查询关键词之间的关联关系)的具体含义可以是“药物X”的禁忌症、“药物X”的别名等，其他节点所包含的信息为“药物X”的禁忌症对应的具体疾病，“药物X”的禁忌症可能有多个，由于得到“药物X”的关系三元组。

比如，如图2a所示，以“药物X”为“肾宝片”为例，“肾宝片”的禁忌症可以包括高血压、糖尿病、脾胃虚弱等，“肾宝片”的别名为“肾宝成方”等，如此，可以得到“药物X”的关系三元组包括(<肾宝片><禁忌症><高血压>)、(<肾宝片><禁忌症><糖尿病>)、(<肾宝片><禁忌症><脾胃虚弱>)。

从知识图谱的“药物X”的属性三元组列表获取“药物X”的多种属性，以及每种属性的属性内容。

如图2b所示，以“药物X”为“肾宝片”为例，肾宝片的属性的属性内容具体可以包括“肾宝片”的拼音：shenbaopian，“肾宝片”的剂型：片剂，“肾宝片”的批注文号：国药准字Z20080627，“肾宝片”的性状：芳香型，“肾宝片”的医保类型：非医保，“肾宝片”是否是处方药：OTC甲类，“肾宝片”的实体类型：药物，如此，可以得到“药物X”的属性三元组包括(<肾宝片><医保类型><非医保>)、<肾宝片><处方药>)，等等。

(Ⅲ)、基于约束模版的模型预测方法，分别将关系三元组和属性三元组转换为待查询关键词关联的候选文本。

由于关系三元组指的是核心节点与其他节点之间的连接关系，属性三元组指的是核心节点独有的属性，因此，在采用关系三元组和属性三元组来描述药物X的相关知识，需要采用两种不同的约束模版。

如图2b所示，利用LLM的零样本(zero-shot)能力(即在不给定新任务的样本数据时该LLM也可以在新任务上取得不错的性能)，来实现分别将关系三元组和属性三元组转换为待查询关键词关联的候选文本。

定义关系三元组，按照如下约束模版输入LLM。

约束模版：已知“h1”“r1”“t1”为一组关系三元组，请用自然语言描述其中所包含的知识，注意描述不要超出该条三元组定义的范围。

比如：已知“肾宝片”“禁忌症”“高血压”为一组关系三元组，请用自然语言描述其中所包含的知识，注意描述不要超出该条三元组定义的范围。

输出候选文本：“肾宝片”不适宜使用高血压患者，因其可能存在禁忌症。

相似地，定义某个属性三元组，按照如下模版输入LLM可以得到类似的输出。

由于属性三元组更多的描述医学实体自身的信息，因此需要在约束模版中专门指明属性信息。

提示模版：已知“h1”的属性“a1”是“v1”，请用自然语言描述其中所包含的知识，注意描述不要超出该条三元组定义的范围。

比如：已知“肾宝片”的属性“医保类型”是“非医保”，请用自然语言改写这条属性信息，注意描述不要超出该条三元组定义的范围并且尽量简短。

输出候选文本：“肾宝片”并未被纳入医保范围。

其中，本申请并不限制扩充文本的生成数量，因此，某条关系三元组或属性三元组可以对应生成多条“扩充文本”。

(Ⅳ)、基于查询文本，通过知识图谱生成的若干候选文本中召回至少一条扩充文本，以通过召回的扩充文本协助LLM回答用户提出的查询文本，因此，将扩充文本输入至后续改写模块进行问题改写。

由于实际场景中，知识图谱的规模大多可以达到十万级别，如果每条三元组(关系三元组或属性三元组)对应多条候选文本，则全部扩充文本数量可到百万级别，全部检索召回的时间开销较大，因此，采用BM25算法(Best Match25算法)从多个候选文本中召回扩充文本。

在一些实施例中，基于查询文本，通过知识图谱生成的若干候选文本中召回至少一条扩充文本，包括：

针对关系三元组转换得到的第一候选文本进行BM25算法召回，首轮召回结束后，根据召回的目标文本检索对应的知识图谱中的节点，将对应的知识图谱中的节点对应到的全部目标文本合并去重后，作为扩充文本。

比如，假设供召回d1，d2，…，d10这10条目标文本，其中共对于4个实体，则会将四个实体对应的全部目标文本合并去重后作为扩充文本。

在一些实施例中，依据对应的知识图谱中的节点，各节点在知识图谱上向外遍历1跳的节点，并将所有遍历到的节点对应的候选文本合并去重后作为扩充文本。

在一些实施例中，将对应的知识图谱中的节点对应的全部第二候选文本也补充进行召回。

比如，属性由于其属性值的强依赖性，不适合在首轮就参与召回，会造成大量的误召回，例如“药物X”的剂型：片剂，若用户提问中有“药片”相关表达，知识图谱中所有片剂类型的药物都可能会被召回，带来噪音。

该步骤仍然是以对应的知识图谱中的节点为核心进行扩充文本的召回，其中可能会包含与用户提问相关度不高的扩充文本，该技术方案仍将这些知识单元囊括是为了提升召回阶段的召回率，并最终提升整个问题改写的效果。

(Ⅴ)、采用查询文本和扩充文本作为输入，输出改写后的查询文本，即扩展查询文本。

采用插入扩充文本，这就需要针对性设计拼接模版，将这些扩充文本合并进查询文本。列举2个经过测试有效的拼接模版。其中，第一个拼接模版适合召回基本知识单元较少的情况下(例如少于10个)，第二个拼接模版适合召回基本知识单元较多的情况下(例如多于10个)。

第一拼接模版：你是一名医生，已知：扩充文本#1。并且，扩充文本#2。…并且，扩充文本#n。那么请问：查询文本？

通过第一拼接模版改写查询文本：你是一名医生，已知：“肾宝片”不适宜使用高血压患者，因其可能存在禁忌症。并且，“肾宝片”的禁忌症有糖尿病。并且，“肾宝片”并未被纳入医保范围。那么请问：服用肾宝片应该注意什么？

第二拼接模版：这是一些已知的基本知识：扩充文本#1。并且，扩充文本#2。…并且，扩充文本#n。注意并不是所有给定知识都有用，请回答以下问题：查询文本？

通过第二拼接模版改写查询文本：这是一些已知的基本知识：“肾宝片”不适宜使用高血压患者，因其可能存在禁忌症。并且，“肾宝片”的禁忌症有糖尿病。并且，“肾宝片”并未被纳入医保范围。注意并不是所有给定知识都有用，请回答以下问题：服用肾宝片应该注意什么？

(Ⅵ)、将扩展查询文本发送至查询对话框，并识别查询对话框中的扩展查询文本，得到答案文本，并在查询对话框中显示答案文本。

如图2c所示，通过第一拼接模版改写查询文本,以查询对话框中的“服用肾宝片应该注意什么？为例，在查询对话框中显示扩展查询文本以及答问文本。

如图2d所示，通过第二拼接模版改写查询文本,以查询对话框中的“服用肾宝片应该注意什么？为例，在查询对话框中显示扩展查询文本以及答问文本。

由上可知，用户在使用本申请应用于医疗领域的大语言模型问答产品时，可以直接输入需要查询文本，依靠大语言模型问答产品自动丰富查询文本，可以降低用户使用大语言模型问答产品的难度。根据上述实施例所描述的方法，以下将作进一步详细说明。

在本实施例中，将以检索医疗信息为例，对本申请实施例的方法进行详细说明。

一种交互式问答处理方法具体流程如下：

(一)、获取查询文本，以及知识图谱中的多个预设关键词之间的关联关系，医疗信息查询文本包括待查询关键词。

比如，知识图谱包括关系三元组和属性三元组，关系三元组指示两个预设关键词之间的关联关系为连接关系，属性三元组指示两个预设关键词之间的关联关系为属性关系。

(二)、基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系。

比如，可以依据知识图谱中多个预设关键词之间的关联关系，从多个预设关键词中与待查询关键词匹配的核心关键词。将知识图谱中与核心关键词之间具有关联关系(连接关系、属性关系)的预设关键词作为目标关键词。

(三)、基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件包括预设文本元素，预设文本元素与文本元素之间存在对应关系，文本约束条件用于约束文本在生成时的语义范围。

比如，预先定义第一约束条件和第二约束条件，第一约束条件为与连接关系关联的约束条件，第二约束条件为与属性关系关联的约束条件。

第一约束条件可以定义为：“已知“h1”“r1”“t1”为一组关系三元组，请用自然语言改写这个三元组，注意描述不要超出该条三元组定义的范围并且尽量简短”。

由于属性三元组更多的描述自身的信息，因此需要在提示模版中专门指明属性信息，第二约束条件可以定义为：“已知“h1”的属性“a1”是“v1”，请用自然语言改写这条属性信息，注意描述不要超出该条三元组定义的范围并且尽量简短”。

其中，“h1”是待查询关键词对应的预设文本元素，“r1”是待查询关键词与目标关键词之间的关联关系为连接关系对应的预设文本元素，“t1”是与待查询关键词之间具有连接关系的目标关键词对应的预设文本元素，“a1”是待查询关键词与目标关键词之间的关联关系为属性关系对应的预设文本元素，“v1”是与待查询关键词之间具有属性关系的目标关键词对应的预设文本元素。

当目标关键词与待查询关键词之间的关联关系为连接关系时，将第一约束文本作为文本约束条件。当目标关键词与待查询关键词之间的关联关系为属性关系时，将第二约束文本作为文本约束条件。

(四)、基于预设文本元素与文本元素之间的对应关系，采用文本元素替换文本约束条件中的预设文本元素，得到文本元素对应的约束条件。

(五)、对文本元素对应的约束条件进行解析处理，得到待查询关键词关联的候选文本，待查询关键词关联的候选文本包括第一候选文本和第二候选文本，第一候选文本为目标关键词与待查询关键词之间的关联关系为连接关系时，生成的候选文本，第二候选文本为目标关键词与待查询关键词之间的关联关系为属性关系时，生成的候选文本。

比如，如图3a所示，通过知识图谱，可以得到与查询关键词存在连接关联1的目标关键词1、与查询关键词存在连接关联2的目标关键词2、与查询关键词存在连接关联3的目标关键词3、与查询关键词存在连接关联4的目标关键词4，通过大语言模型，可以生成第一候选文本。同时，通过知识图谱，还可以得到与查询关键词存在属性关联1的目标关键词5、与查询关键词存在属性关联2的目标关键词6、与查询关键词存在属性关联3的目标关键词7，通过大语言模型，可以生成第二候选文本。

(六)、计算候选文本集合中第一候选文本与查询文本之间的关联度，候选文本集合包括查询文本中每个待查询关键词关联的候选文本。

由于实际场景中，知识图谱的规模大多可以达到十万级别，如果每条三元组(待查询关键词、目标关键词、待查询关键词与目标关键词之间的关联关系)对应多条候选文本，则全部候选文本可到百万级别，全部检索召回的时间开销是一个很大的挑战。

比如，若查询文本包括待查询关键词q1，q2，…，qn，第一候选文本与查询文本之间的

(七)、基于候选文本与查询文本之间的关联度，从多个第一候选文本中筛选出多个目标文本。

(八)、根据待查询关键词和目标关键词，对多个目标文本和第二候选文本进行去重处理，得到查询文本关联的扩充文本。

在一些实施例中，在根据待查询关键词和目标关键词，对多个目标文本和第二候选文本进行去重处理，得到查询文本关联的扩充文本之后，还包括：

基于多个预设关键词之间的关联关系，从多个预设关键词中确定候选关键词，候选关键词为除待查询关键词以外，与目标关键词之间具有关联关系的预设关键词；

基于目标关键词、候选关键词和目标关键词与候选关键词之间的关联关系，生成查询文本关联的待补充文本；

根据目标关键词和候选关键词，对查询文本关联的待补充文本进行去重处理，得到查询文本关联的扩充文本。

(九)、对扩充文本与查询文本进行拼接处理，得到扩展查询文本，以获取扩展查询文本对应的答案。

在一些实施例中，对扩充文本与查询文本进行拼接处理，得到扩展查询文本，包括：

获取扩充文本的文本数量；

若文本数量在预设范围内时，采用第一拼接策略，对扩充文本与查询文本进行拼接处理，得到扩展查询文本；

若文本数量超过预设范围时，采用第二拼接策略，对扩充文本与查询文本进行拼接处理，得到扩展查询文本。

比如，采用查询文本(Q)和扩充文本与(S)为输入，输出改写后的扩展查询文本(Q+)。不同于现有技术方案直接将三元组拼接插入到查询文本之前，本发明采用插入扩充文本，这就需要针对性设计提示模版，将这些扩充文本合并进查询文本。如下述2个经过测试有效的拼接策略。其中，第一拼接策略适合扩充文本的文本数量较少的情况，第二拼接策略适合扩充文本的文本数量较多的情况。

若查询文本是检索医疗信息输入的文本，第一拼接策略可以是：““你是一名医生”，已知：扩充文本1。并且，扩充文本2。并且，扩充文本3。那么请问：查询文本？”。

第二拼接策略可以是：“这是一些已知的基本知识：扩充文本1。并且，扩充文本2。…。并且，扩充文本n。注意并不是所有给定知识都有用，请回答以下问题：查询文本？”。

拼接策略有以下注意的点：

(1)、关系扩充文本在拼接模版中插入顺序优先于属性扩充文本。该策略是基于实际场景应用结论：更多的用户提问在于查询知识图谱中的边(关系)，而非节点属性(属性)。同样的关系扩充文本内顺序并不限制，关系扩充文本中待查询关键词与目标关键词之间的关联关系为连接关系，属性扩充文本中待查询关键词与目标关键词之间的关联关系为属性关系。

(2)、在技术方案实际应用中，如果某些查询问题关联扩充问题较多，可以考虑随机下采样来减少融入改写查询文本的扩充文本，以此来避免查询文本过长带来更多模型计算资源要求或更长的计算时间。

在一些实施例中，在对扩充文本与查询文本进行拼接处理，得到扩展查询文本之后，还包括：

将扩展查询文本发送至查询对话框；

识别查询对话框中的扩展查询文本，得到答案文本；

在查询对话框中显示答案文本。

比如，如图3b所示，将查询文本与知识图谱进行匹配，得到查询文本中的待查询关键词，以及与待查询关键词之间具有关联关系的目标关键词。当待查询关键词与目标关键词之间的关联关系为连接关系时，根据文本约束条件和文本元素，生成第一候选文本。当待查询关键词与目标关键词之间的关联关系为属性关系时，根据文本约束条件和文本元素，生成第二候选文本。从第一候选文本和第二候选文本中筛选出扩充文本。再依据拼接模板，将扩充文本和查询文本拼接，得到扩展查询文本。通过大语言模型，生成答案文本。

本申请所提出的技术通过外源知识图谱和问题改写技术，实现扩充文本改写查询文本，以得到扩展查询文本，可以使大语言模型(Large Language Model，LLM)的回答更加准确，更加符合领域知识约束。

由上可知，基于本申请可以实现：

(1)、额外计算资源的避免：本申请不需要对LLM进行重新训练或微调，而是通过改写查询文本的方式，将额外的知识(扩充文本)引入到查询文本中，避免了对LLM重新训练的需求。另外，由于技术方案与LLM解耦，可以扩展到更多不同架构的LLM，减少了技术方案迁移的成本。

(2)、外源知识图谱的即插即用：知识图谱与LLM解耦，其中的关系/属性三元组通过转换为扩充文本融入查询文本中，因此，本申请可以支持频繁更换所依赖的知识图谱，以实现更灵活的领域知识应用。

(3)、注入的知识更方便校验/检查：在该技术方案中，知识校验/检查可以在知识图谱或者扩充文本上进行，这样的校验/检查会比融入LLM之后更加方便，也更容易进行错误知识的修正。

为了更好地实施以上方法，本申请实施例还提供一种交互式问答处理装置，该交互式问答处理装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。

比如，在本实施例中，将以交互式问答处理装置具体集成在服务器为例，对本申请实施例的方法进行详细说明。

例如，如图4所示，该交互式问答处理装置可以包括获取单元410、匹配单元420、查询单元430、扩充单元440以及拼接单元450，如下：

(一)、获取单元410。

获取单元410，用于获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词。

(二)、匹配单元420。

匹配单元420，用于基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系。

(三)、查询单元430。

查询单元430，用于基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件用于约束文本在生成时的语义范围。

在一些实施例中，基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，包括：

获取第一约束条件和第二约束条件，第一约束条件为与连接关系关联的约束条件，第二约束条件为与属性关系关联的约束条件；

根据目标关键词与待查询关键词之间的关联关系，从第一约束条件和第二约束条件中确文本约束条件。

(四)、扩充单元440。

扩充单元440，用于根据文本约束条件和文本元素，生成查询文本关联的扩充文本，文本元素包括待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系。

在一些实施例中，根据文本约束条件和文本元素，生成查询文本关联的扩充文本，包括：

根据文本约束条件和文本元素，生成待查询关键词关联的候选文本；

计算候选文本集合中每个候选文本与查询文本之间的关联度，候选文本集合包括查询文本中每个待查询关键词关联的候选文本；

基于候选文本与查询文本之间的关联度，从候选文本集合中确定查询文本关联的扩充文本。

在一些实施例中，计算候选文本集合中每个候选文本与查询文本之间的关联度，包括：

计算待查询关键词在候选文本集合中的重要程度；

获取待查询关键词在目标候选文本中的词频，目标候选文本为候选文本集合中的任意一个候选文本；

基于候选文本集合中每个候选文本的文本长度，确定文本平均长度；

基于重要程度、词频、文本平均长度以及目标候选文本的文本长度，确定待查询关键词与目标候选文本之间的关联度；

将所有待查询关键词与目标候选文本之间的关联度相加，得到目标候选文本与查询文本之间的关联度。

在一些实施例中，基于重要程度、词频、文本平均长度以及目标候选文本的文本长度，确定待查询关键词与目标候选文本之间的关联度，包括：

采用第一预设权重，对词频进行加权处理，得到加权词频；

将加权词频和词频相加，得到调整后的词频；

计算目标候选文本的文本长度相对于文本平均长度的长度比值；

采用第一预设权重和第二预设权重，对长度比值进行加权处理，得到加权长度比值；

将第一预设权重和第二预设权重相乘，得到权重乘积；

将词频、第一预设权重和加权长度比值相加，得到综合权重；

将综合权重减去权重乘积，得到调整后的综合权重；

将调整后的词频除以调整后的综合权重，得到待查询关键词与目标候选文本之间的初始关联度；

将重要程度乘以初始关联度，得到待查询关键词与目标候选文本之间的关联度。

在一些实施例中，基于候选文本与查询文本之间的关联度，从候选文本集合中确定查询文本关联的扩充文本，包括：

基于候选文本与查询文本之间的关联度，从候选文本集合中筛选出多个目标文本，目标文本与查询文本之间的关联度满足预设条件；

根据待查询关键词和目标关键词，对多个目标文本进行去重处理，得到查询文本关联的扩充文本。

在一些实施例中，候选文本集合包括第一候选文本和第二候选文本，第一候选文本为目标关键词与待查询关键词之间的关联关系为连接关系时，生成的候选文本，第二候选文本为目标关键词与待查询关键词之间的关联关系为属性关系时，生成的候选文本，计算候选文本集合中每个候选文本与查询文本之间的关联度，包括：

计算第一候选文本与查询文本之间的关联度；

基于候选文本与查询文本之间的关联度，从候选文本集合中筛选出多个目标文本，包括：

基于第一候选文本与查询文本之间的关联度，从多个第一候选文本中筛选出多个目标文本；

根据待查询关键词和目标关键词，对多个目标文本进行去重处理，得到查询文本关联的扩充文本，包括：

根据待查询关键词和目标关键词，对多个目标文本和第二候选文本进行去重处理，得到查询文本关联的扩充文本。

在一些实施例中，在根据文本约束条件和文本元素，生成待查询关键词关联的扩充文本之后，还包括：

基于多个预设关键词之间的关联关系和目标关键词，从多个预设关键词中确定候选关键词，候选关键词为除待查询关键词以外，与目标关键词之间具有关联关系的预设关键词；

基于目标关键词、候选关键词和目标关键词与候选关键词之间的关联关系，生成查询文本关联的待补充文本；

根据目标关键词和候选关键词，对查询文本关联的待补充文本进行去重处理，得到查询文本关联的扩充文本。

在一些实施例中，文本约束条件包括预设文本元素，预设文本元素与文本元素之间存在对应关系，根据文本约束条件和文本元素，生成查询文本关联的扩充文本，包括：

基于预设文本元素与文本元素之间的对应关系，采用文本元素替换文本约束条件中的预设文本元素，得到文本元素对应的约束条件；

对文本元素对应的约束条件进行解析处理，得到查询文本关联的扩充文本。

(五)、拼接单元450。

拼接单元450，用于对扩充文本与查询文本进行拼接处理，得到扩展查询文本，以获取扩展查询文本对应的答案。

在一些实施例中，对扩充文本与查询文本进行拼接处理，得到扩展查询文本，包括：

获取扩充文本的文本数量；

若文本数量在预设范围内时，采用第一拼接策略，对扩充文本与查询文本进行拼接处理，得到扩展查询文本；

若文本数量超过预设范围时，采用第二拼接策略，对扩充文本与查询文本进行拼接处理，得到扩展查询文本。

在一些实施例中，在对扩充文本与查询文本进行拼接处理，得到扩展查询文本之后，还包括：

将扩展查询文本发送至查询对话框；

识别查询对话框中的扩展查询文本，得到答案文本；

在查询对话框中显示答案文本。

具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

由上可知，本实施例的交互式问答处理装置由获取单元获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词；由匹配单元基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系；由查询单元基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件用于约束文本在生成时的语义范围；由扩充单元根据文本约束条件和文本元素，生成查询文本关联的扩充文本，文本元素包括待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系；由拼接单元对扩充文本与查询文本进行拼接处理，得到扩展查询文本。

由此，本申请实施例可以提升查询文本的查询范围，以便满足用户的查询需求。

本申请实施例还提供一种电子设备，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑，等等；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，等等。

在一些实施例中，该交互式问答处理装置还可以集成在多个电子设备中，比如，交互式问答处理装置可以集成在多个服务器中，由多个服务器来实现本申请的交互式问答处理方法。

在本实施例中，将以本实施例的电子设备是服务器为例进行详细描述，比如，如图5所示，其示出了本申请实施例所涉及的服务器的结构示意图，具体来讲：

该服务器可以包括一个或者一个以上处理核心的处理器510、一个或一个以上计算机可读存储介质的存储器520、电源530、输入模块540以及通信模块550等部件。本领域技术人员可以理解，图5中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器510是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器520内的软件程序和/或模块，以及调用存储在存储器520内的数据，执行服务器的各种功能和处理数据。在一些实施例中，处理器510可包括一个或多个处理核心；在一些实施例中，处理器510可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器510中。

存储器520可用于存储软件程序以及模块，处理器510通过运行存储在存储器520的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器520还可以包括存储器控制器，以提供处理器510对存储器520的访问。

服务器还包括给各个部件供电的电源530，在一些实施例中，电源530可以通过电源管理系统与处理器510逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源530还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该服务器还可包括输入模块540，该输入模块540可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

该服务器还可包括通信模块550，在一些实施例中通信模块550可以包括无线模块，服务器可以通过该通信模块550的无线模块进行短距离无线传输，从而为用户提供了无线的宽带互联网访问。比如，该通信模块550可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。

尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器510会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器520中，并由处理器510来运行存储在存储器520中的应用程序，从而实现各种功能，如下：

获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词；

基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系；

基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件用于约束文本在生成时的语义范围；

根据文本约束条件和文本元素，生成查询文本关联的扩充文本，文本元素包括待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系；

对扩充文本与查询文本进行拼接处理，得到扩展查询文本，以获取扩展查询文本对应的答案。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

由上可知，通过多个预设关键词之间的关联关系，可以查询到与待查询关键词之间具有关联关系的目标关键词，待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系可以构成文本元素，文本约束条件可以约束通过文本元素生成的文本，以得到查询文本关联的扩充文本，将扩充文本与查询文本拼接，从而可以补充查询文本。由此，提升了查询文本的查询范围，以便满足用户的查询需求。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种交互式问答处理方法中的步骤。例如，该指令可以执行如下步骤：

获取查询文本，以及多个预设关键词之间的关联关系，查询文本包括待查询关键词；

基于多个预设关键词之间的关联关系和待查询关键词，从多个预设关键词中确定目标关键词，目标关键词与待查询关键词之间具有关联关系；

基于目标关键词与待查询关键词之间的关联关系，获取文本约束条件，文本约束条件用于约束文本在生成时的语义范围；

根据文本约束条件和文本元素，生成查询文本关联的扩充文本，文本元素包括待查询关键词、目标关键词和待查询关键词与目标关键词之间的关联关系；

对扩充文本与查询文本进行拼接处理，得到扩展查询文本，以获取扩展查询文本对应的答案。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序/指令，该计算机程序/指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机程序/指令，处理器执行该计算机程序/指令，使得该电子设备执行上述实施例中提供的查询文本扩展方面的各种可选实现方式中提供的方法。

由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种交互式问答处理方法中的步骤，因此，可以实现本申请实施例所提供的任一种交互式问答处理方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种交互式问答处理方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。