1. 背景

应项目需求，本qiang~这两周全身心投入了进去.

项目是关于一个博物馆知识图谱，上层做KBQA应用。实现要求是将传统KBQA中的部分模块，如NLU、指代消解、实体对齐等任务，完全由LLM实现，本qiang~针对该任务还是灰常感兴趣的，遂开展了项目研发工作.

注意，此篇是纯纯的干货篇，除了源码没有提供外，整体核心组件均展示了出来。也是这两周工作的整体总结，欢迎大家查阅以及加关注(不强求哈~) 。

2. 整体框架

  。

  。

整体思想还是遵循RAG策略，从图谱召回候选背景知识，让LLM进行润色回答.

具体的流程如下:

(1) 用户提问：已发现的体重最大的肉食性恐龙是什么 。

(2) 对齐模块.

对齐模块的主要作用是针对问题与知识图谱中的实体、概念、关系、属性进行对齐.

其中候选概念、候选属性、候选关系在图谱中的数量是少量有限的，而实体的数量可多可少，因此候选概念、候选属性、候选关系可以在查询hugegraph后，直接拼到对齐prompt中(对齐的prompt预留了占位符)，而实体则需要进行预筛选，筛选的方式是通过问题query与实体名进行语义相似度比较，通过语义相似度引擎实现，比如simbert, bge, gte等开源模型，预筛选后的少量实体可以拼接到对齐prompt.

对齐的prompt增加要求和few-shot示例，可以解决常见对齐问题，比如实体、概念、属性、关系存在缺字、多字、相似字等情况.

(3) 对齐模块经过LLM进行对齐，输出对齐结果.

本示例的对齐结果为：(属性-等于-体重)且(属性值-等于-最大); (属性-等于-食性)且(属性值-等于-肉食性);(概念-等于-恐龙).

(4) 对齐校准模块.

对齐校准模块主要针对LLM对齐结果进行二次校对，解决的问题如下:

1) 一些LLM将概念与实体混淆的情况,

2) 与图谱中的实体、概念、属性、关系进行对齐匹配,

3) 实体名和概念名重复时，二者均进行召回等 。

(5) 解析及溯源模块 。

解析模块:

针对校准后的对齐结果，执行解析模块，解析模块会基于对齐结果进行判断，该执行如下哪种解析，候选的解析列表有：纯实体解析、纯概念解析、实体-属性解析、概念-属性解析、属性-属性值解析、属性-属性值-概念解析等.

(Ps: 候选解析列表是分析了大量数据之后，抽象出来的解析列表，常见的问答基本就涵盖在这些列表中) 。

每个解析模块会有不同的解析逻辑，例如:

1) 纯实体解析：会将查询hugegraph得到的实体作为背景知识提供给LLM，如介绍下霸王龙 。

2) 纯概念解析：会查询概念下有哪些实体，且仅列出实体名称作为背景知识提供给LLM，如恐龙都有哪些?

3) 实体-属性解析：会查询实体对应的属性或关系，并作为背景知识，如霸王龙有多重多高?

4) 概念-属性解析：会查询概念下实体的属性信息作为背景知识，如恐龙目下动物的体重分别是多少?

5) 属性-属性值解析：会查询属性对应属性值的信息，并作为背景知识，如肉食性的动物有?

溯源模块：主要功能就是从图谱中查询的结果，需要返回图谱对应的实体id、概念id、属性等 。

6) 问答模块 。

通过将解析后的背景知识以及用户的问题，经过问答prompt，然后调用LLM进行润色回答.

PS:

对齐prompt调用大模型是非流式输出，因为对齐结果不需要实时同步给用户； 。

问答prompt调用大模型是流式输出，因为问答结果需要实时同步给用户 。

3. 优缺点

(1) 优点 。

1) 整体架构简单，仅需要2个prompt，与LLM仅交互2次 。

2) 解析模块基于多数据集进行抽象，可覆盖多数查询场景 。

3) 针对未覆盖的场景，解析模块可支持快速扩展适配 。

4) 迁移新图谱时，业务只需要更改prompt即可，对业务相对友好 。

(2) 缺点 。

1) 首字响应时间主要耗时在对齐prompt与LLM的交互中，因为需要对齐完整输出结果 。

2) 概念、属性、实体对齐集中在1个prompt中，所以prompt的长度较长 。

4. 多轮问答实现

实现的思路如下:

1) 缓存历史问题以及缓存历史对齐的实体或概念，如可以缓存最近10轮的用户问题以及对齐结果 。

2) 针对指代消解、语义对齐prompt调优，且多轮问答的prompt也集成在对齐prompt中(因此，对齐prompt任务十分繁重) 。

具体示例如下(从对齐prompt截取了部分，第一次输入参考为空):

历史输入信息: ``` 。 输入：盐都龙喜欢吃什么 。 参考: 输入：喜欢生活在什么地方 。 参考：盐都龙 。 输入：三角龙是植食还是肉食 。 参考：盐都龙 。 输入：有什么本事 。 参考：三角龙 。 输入：普尔塔龙多重 。 参考：三角龙 。 ``` 。   。 现在请回答: 输入: 吃什么 。 参考: 普尔塔龙 。 输出

具体的效果可以查阅下面章节中的效果示例.

5. 效果

图谱三元组总量3000+，测试样例共计385条，其中单轮问答340条，多轮问答45条.

         (1) 单轮问答效果，准确率93%+ 。

一阶问答 。	华阳龙的头骨化石是在哪里发现的 。	华阳龙的头骨化石是在中国四川省发现的.
判断问答 。	恐爪龙有4米长吗 。	恐爪龙的身长是3.5米左右，没有4米.
对比问答 。	三角龙和姜氏巴克龙谁更重 。	三角龙更重.
条件问答 。	化石在四川发现的恐龙有哪些 。	最大体型的长羽毛恐龙是二连巨盗龙.
组合问答 。	单爪龙身长体重多少?	单爪龙的身长是1~1.2米，体重约3.5千克.

         (2) 多轮问答效果，准确率93%+ 。

1) 示例1：缺字情况 。

问：普尔塔多重 。

答：普尔塔龙的体重是75吨.

问：吃什么 。

答：普尔塔龙是植食性的 。

2) 示例2：错字情况 。

问：河堤列龙生活在什么地方 。

答：河堤猎龙生活在英国的怀特岛和奇尔顿岭.

问：它是什么时候的恐龙 。

答：河堤猎龙是早白垩世，巴雷姆期的恐龙.

3) 示例3：较困难的指代消解 。

问：三角龙是植食还是肉食 。

答：三角龙是植食性的.

问：有啥本事 。

答：三角龙的能力是快速奔跑.

问：和肿头龙比，谁更长一些?

答：三角龙的身长为8米，而肿头龙的身长为4~6米。因此，三角龙更长一些.

问：那它的体重是多少?

答：三角龙的体重是6.1~12吨.

6. 答疑解惑

(1) 候选实体、候选概念、候选属性如何动态加载至prompt?

解：prompt预留占位符，代码解析时进行格式化 。

(2) 概念、属性数量有限，可以全部写在prompt，但如果实体有1W个呢?

解：基于sim进行候选实体召回策略 。

(3) 如何实现流式输出?

解：基于tornado的websocket框架，结合异步框架asyncio以及python的yield、next等方法实现 。

(4) 非流式调用LLM出现网络不稳定导致超时，如何解决?

解：增加重试机制 。

(5) 对齐结果如何进一步保障?

解：增加对齐校准模块 。

(6) 如何减少频繁调用hugegraph 。

解：预先加载图谱至内存，然后使用python的lru_cache缓存机制 。

(7) 如何提高属性、概念、实体对齐的准确率，比如多字、缺字、相近字等?

解：对齐prompt增加要求以及few-shot 。

(8) 如何解决实体文字完全不一致，但指的同一个实体的情况，比如霸王龙和雷克斯暴龙?

解：通过图谱的别名维护，且当前别名与正式名地位相同 。

(9) 溯源是如何实现的?

解：在每个解析分支中，基于解析结果增加对应图谱的信息 。

(10) 如何实现最大、最小之类的查询，如体重最大的植食性恐龙是哪个?

解：对齐结果：(属性-等于-体重)且(属性值-等于-最大)且(概念-等于-恐龙) 。

解析逻辑：筛选恐龙概念下实体 -> 食性为植食性的实体 -> 其中体重最大的 。

(11) 如何实现关系的推理，比如鱼石螈演进关系的演进关系是?

解：原始图谱关系：鱼石螈 -> 演进关系 ->蜥螈 -> 演进关系 -> 异齿龙 。

对齐结果：(实体-等于-鱼石螈)且(属性-等于-演进关系);(属性-等于-演进关系) 。

答案：鱼石螈的演进关系是蜥螈，而蜥螈的演进关系是异齿龙.

(12) 为什么说解析模块便于快速扩展?

解：实体、概念、属性查询接口均封装为独立方法.

(13) 对比类、判断类的问题回答如何更加口语化?

解：问答prompt调优 。

(14) 如何快速定位问题?

解：增加debug机制，即接口调用时，debug机制会将每个阶段的处理结果均记录下来，并返回.

(15) 目前支持多少轮问答?

解：理论上支持N多轮，且N支持配置 。

(16) 如何提高指代消解的准确率?

解：对齐prompt增加历史的参考实体或概念 。

7. 遗留的问题

(1) 基于属性值查实体未实现，分析部分badcase，属于此类情况 。

(2) 路径查询未实现，因为当前图谱关系数量极少 。

8. 总结

一句话足矣~ 。

本文主要是KBQA方案基于LLM实现，主要模块包括对齐、解析、润色、多轮问答等内容，而且基于业务测试集效果相对较好.

纯纯的干货篇！！ 。

  。

---

  。

原创声明，禁止转载！ 。

  。

最后此篇关于LLM应用实战：当KBQA集成LLM的文章就讲到这里了,如果你想了解更多关于LLM应用实战：当KBQA集成LLM的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。