Page 115 - 2023年第54卷第9期

少的案例，就可以使 ＬＬＭ适应新任务 ［２５］ 。此外，一项实验研究 ［２６］ 表明，任务提示和相关案例对语境
学习十分重要。为了使提示设计更加标准，通过一系列研究 ［２７ － ２９］ 的启发开发一个模板，如图 ３所示，
该模板包括任务提示（例如：从输入文本中抽取防汛实体）和相关输入输出案例。其中任务提示用于指
导 ＬＬＭ完成指定任务，输入输出案例则使 ＬＬＭ学习到任务相关语境特征。为了确保 ＦＣＲＫＩ的准确性
不受相同风格句式的影响，以非连续实体、嵌套实体、非常规缩略语、长难句、并列排比句 ５个不同
风格特征为选取标准，选取了 ５个代表性案例以供 ＬＬＭ完成语境学习，５个特征对应的输入输出案例
依次为：（ １）输入：细颗粒被带走，使坝体或地基产生较大沉陷；输出：坝体沉陷、地基沉陷；（２）输
入：坝顶漫溢常因原设计标准偏低或暴雨集中；输出：坝顶、坝顶漫溢；（ ３）输入：当口门溜势稍缓，
即应抓紧推枕抛石盘筑裹头；输出：口门、盘筑裹头；（ ４）输入：设有事故检修闸门门槽而无检修闸
门时，将临时调用的钢（木）叠梁逐条放入门槽；输出：检修闸门门槽、钢（木）叠梁；（ ５）输入：土坝
裂缝包括龟状裂缝、横向裂缝、纵向裂缝；输出：龟状裂缝、横向裂缝、纵向裂缝。这 ５个案例有不
同的文本长度和实体特征。
２．４．１ 防汛实体抽取器中的 ＡＩ单元 Ｅｅｒ包含一个 ＡＩ单元（防汛实体提取）。该单元提供给 ＬＬＭ的任
务提示为 “从输入文本中抽取防汛实体”。具体工作为 ＡＩ单元根据任务提示提取输入文本中的实体并
将其输出，非 ＡＩ单元接收 ＡＩ单元的输出实体作为输入，并根据客观规则和逻辑将其配对。抽取案例
及其对应的输出如图 ３所示。

图 ３ 防汛实体抽取器

２．４．２ 防汛实体知识解析器中的 ＡＩ单元 为每种关系关联的实体设置独立的防汛实体知识解析器
（ＫＰｅｒ）。每个 ＫＰｅｒ都有一个 ＡＩ单元（防汛实体知识挖掘），每个 ＡＩ单元对应一种关系，该 ＡＩ单元的
重点是挖掘防汛抢险实体的相关知识。ＬＬＭ 是拥有世界知识的 ＡＩ知识库，其不局限于有限的现存文
本，可根据有效提示挖掘相关知识并将知识返回。由于使用 ５种关系类型测试，因此设计 ５组有效提
示引导 ＬＬＭ挖掘防汛实体相关知识。提示设计如表 １所示。

表 １ 知识挖掘的提示设计
关系类型 提示设计
存在风险 汛期｛实体＿１｝可能会出现哪些险情？ 汛期哪些工程部位会发生｛实体＿２｝？
连带险情 汛期｛实体＿１｝可能会导致哪些风险同时发生？ 汛期发生｛实体＿２｝可能会导致发生哪些风险？
采取方法 防汛工作中，发生｛实体＿１｝一般采取什么方法抢护？ 防汛工作中，｛实体＿２｝一般用于抢护哪些险情？
功能相似 防汛工作中，｛实体＿１｝主要发挥什么作用？ 防汛工作中，｛实体＿２｝主要发挥什么作用？
功能对比 防汛工作中，使用｛实体＿１｝的效果怎么样？ 防汛工作中，使用｛实体＿２｝的效果怎么样？

ＫＰｅｒ中 ＡＩ单元的任务提示为 “回答实体相关问题”，以 “存在风险” 关系为例，ＡＩ单元根据提
示生成相关知识，随后，非 ＡＩ单元根据规则将知识组合。实例输入及输出如图 ４所示。
２．４．３ 防汛实体间关系决策器中的 ＡＩ单元 为了确保关系推理的可靠性，为每种关系都设置独立的
防汛实体间关系决策器（ ＲＤｅｒ），通过分裂－ 投票 － 合并的方式实现群体智能策略。具体来讲，将 ＲＤｅｒ
分裂出三个子决策，每个子决策设置一个独立 ＡＩ单元，分别是防汛实体间关系决策 １、防汛实体间关

１
— １ ２ ５ —