Page 137 - 2025年第56卷第1期

图 １ 基于大语言模型的灌浆工程知识服务系统框架
指令数据， 可以在小规模数据集上获得优质的领域 ＬＬＭ， 从而大幅节省计算时间 ［１９］ 。 为构建优质的
［２０］ 作为基础数据
灌浆指令数据集， 本文使用《水工建筑物水泥灌浆施工技术规范》（ＤＬ∕Ｔ ５１４８—２０２１）
源。 这本规范在《水工建筑物水泥灌浆施工技术规范》（ＤＬ∕Ｔ ５１４８—２０１２） ［２１］ 的基础上， 总结了近十年
来水电、 水利、 水泥灌浆工程的实践经验， 以及开发应用的新工艺、 新技术、 新材料和新设备， 是典
型的通用指导性文本语料。 基于混合策略的灌浆指令数据集构建流程分为语料数据预处理、 双策略数

据生成和反馈策略修正三个阶段， 构建步骤如图 ２ 所示。

图 ２ 基于混合策略的灌浆指令数据集构建流程

３．２ 语料数据预处理 目前， 可获取的规范文件主要为纸质文件与图像化的 ＰＤＦ 文档， 没有直接可
［２２］ （ Ｏｐｔｉｃａｌ Ｃｈａｒａｃｔｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ） 对图像化
用的规范文本。 因此， 在语料数据处理阶段， 使用 ＯＣＲ
ＰＤＦ 文档进行文字识别， 获取所需的文本语料。 语料数据预处理包含三个步骤： ＰＤＦ 文件离散化、
ＯＣＲ 文字识别和数据整理与清洗。 前两步通过调用现有接口自动化获取所需的基础文本， 但生成结果
中包含大量换行符号与部分识别错误， 会产生文本失真、 语义不连贯问题。 因此， 在自动化流程结束

后， 仍需对文本进行数据整理与清洗。
３．３ 双策略数据生成 在通用领域， 采用 Ｓｅｌｆ－Ｉｎｓｔｒｕｃｔ 方法可以实现高效的数据自动生成， 以提供微
调所需的指令数据 ［２３］ 。 然而， 由于掣肘于大模型基本能力与幻觉现象， 自动化生成的指令数据存在低
质量现象 ［２４］ ， 通过引入筛选机制可以一定程度缓解这一现象 ［２５］ 。 此外， 为避免直接使用 ＬＬＭ 生成灌

— １ ３ ２ —