一种基于大语言模型的文本生成方法及相关产品与流程

本申请涉及人工智能，尤其涉及一种基于大语言模型的文本生成方法及相关产品。

背景技术：

1、当前的智能客服系统所收到的用户问题多呈现出多样性和口语化等特点，这对传统的、基于文本匹配的自动回复系统带来很大的挑战。而大语言模型等相关技术的快速发展为解决这一难题带来了曙光，但为了节约大模型使用的成本以及避免人工智能在处理一些与职责不相关的问题时所产生的误导情况，需要对用户提出的一些不在服务范围内的问题进行过滤。传统的问题过滤方法主要是基于预设的过滤规则或关键词进行问题文本过滤，这些方法虽然能一定程度上起到一定的过滤作用，但无法穷举所有需要拒绝回复的关键词，因此，过滤精度和效率难以满足当前使用场景的需求。

技术实现思路

1、本申请的主要目的在于提供一种基于大语言模型的文本生成方法及相关产品，至少能够解决相关技术中无效问题文本的过滤效率及精度较低的问题。

2、为实现上述目的，本申请第一方面提供了一种基于大语言模型的文本生成方法，该方法包括：响应于输入的问题文本，调用预设大语言模型识别所述问题文本的问题类型为目标问题或非目标问题；当所述问题文本为所述非目标问题时，输出预设固定答复文本；当所述问题文本为所述目标问题时，分别计算所述问题文本与预设接受问题库、预设拒绝问题库中参考问题文本的相似度，得到第一平均相似度及第二平均相似度；其中，所述预设接受问题库包括与所述目标问题对应的问题文本，所述预设拒绝问题库包括与所述非目标问题对应的问题文本；根据所述第一平均相似度与所述第二平均相似度的比较结果，输出参考答复文本。

3、本申请第二方面提供了一种智能问答系统，包括：终端设备，用于输入问题文本；服务器，用于响应于用户输入的问题文本并根据本申请第一方面提供的基于大语言模型的文本生成方法对问题文本进行处理，得到问题文本的参考答复文本。

4、本申请第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现上述本申请第一方面提供的基于大语言模型的文本生成方法中的各步骤。

5、本申请通过大语言模型识别输入的问题文本的问题类型为目标问题或非目标问题，当问题文本为非目标问题时，输出预设固定答复文本，当问题文本为目标问题时，分别计算问题文本与预设接受问题库、预设拒绝问题库中参考问题文本的相似度，得到第一平均相似度及第二平均相似度，最后根据第一平均相似度与第二平均相似度的比较结果，输出参考答复文本，可有效提升无效问题文本的过滤精度及效率，从而节省大模型的使用成本。

1.一种基于大语言模型的文本生成方法，其特征在于，包括：

2.根据权利要求1所述的文本生成方法，其特征在于，所述预设接受问题库、预设拒绝问题库中参考问题文本以向量形式存储，所述分别计算所述问题文本与预设接受问题库及预设拒绝问题库中参考问题文本的相似度，得到第一平均相似度及第二平均相似度，包括：

3.根据权利要求1所述的文本生成方法，其特征在于，所述参考答复文本包括与所述目标问题对应的目标答复文本或与所述非目标问题对应的预设固定答复文本；所述根据所述第一平均相似度与所述第二平均相似度的比较结果，输出参考答复文本，包括：

4.根据权利要求3所述的文本生成方法，其特征在于，所述从预设答复库中获取所述问题文本的答复文本块，包括：

5.根据权利要求4所述的文本生成方法，其特征在于，所述答复文本向量包括知识文本对应的知识文本向量及所述知识文本对应的所述假设问题文本向量，所述将前n个所述答复文本向量对应的答复文本确定为所述问题文本的答复文本块，包括：

6.根据权利要求3所述的文本生成方法，其特征在于，所述根据所述多个第一相似度对应的最高相似度与所述多个第二相似度对应的最高相似度的比较结果，输出目标答复文本，包括：

7.根据权利要求3至6任一项所述的文本生成方法，其特征在于，所述目标答复文本包括含答案的答复文本和/或无答案的固定答复文本，所述根据关联度输出相应的所述问题文本对应的目标答复文本，包括：

8.根据权利要求7所述的文本生成方法，其特征在于，所述获取所述含答案的答复文本的真实性得分与有效性得分之前，还包括：

9.一种智能问答系统，其特征在于，包括：

10.一种计算机可读存储介质，其上存储有计算机程序，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8中的任意一项所述基于大语言模型的文本生成方法中的步骤。