本發(fā)明涉及自然語言處理，尤其涉及一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法。

背景技術(shù)：

1、在信息技術(shù)快速發(fā)展的背景下，企業(yè)與組織在日常運(yùn)營(yíng)中需要接收和處理大量結(jié)構(gòu)化或非結(jié)構(gòu)化的函件文本，如業(yè)務(wù)往來郵件、項(xiàng)目報(bào)告、審批記錄、投訴建議等。這些函件內(nèi)容來源廣泛、格式多樣，其語義層次復(fù)雜、結(jié)構(gòu)松散，往往包含多段、跨句甚至跨段落的信息關(guān)聯(lián)，且隨業(yè)務(wù)需求快速變化。

2、傳統(tǒng)的文本分析方法多依賴統(tǒng)計(jì)學(xué)習(xí)或基于規(guī)則的自然語言處理技術(shù)，通常采用關(guān)鍵詞匹配、主題模型或淺層情感分析等方式。這些方法在處理單一句子或標(biāo)準(zhǔn)格式文本時(shí)尚可適用，但在面對(duì)復(fù)雜語篇結(jié)構(gòu)、上下文依賴強(qiáng)、語言風(fēng)格不規(guī)范、表達(dá)方式靈活的實(shí)際函件時(shí)，往往難以準(zhǔn)確捕捉深層語義關(guān)系，尤其缺乏對(duì)上下文、時(shí)序、語境之間隱含關(guān)聯(lián)的建模能力，導(dǎo)致信息提取碎片化、響應(yīng)不連貫、擴(kuò)展能力差。

3、近年來，如bert、gpt等預(yù)訓(xùn)練大語言模型在自然語言處理任務(wù)中取得顯著進(jìn)展，具備強(qiáng)大的上下文理解能力和生成能力。但如何將其高效應(yīng)用于結(jié)構(gòu)松散、篇幅較長(zhǎng)的函件文本中，仍面臨以下關(guān)鍵挑戰(zhàn)：

4、1）文本結(jié)構(gòu)不清、信息密度不均，直接輸入大模型會(huì)造成“冗余+缺失”并存。

5、2）上下文之間存在語義橋接關(guān)系，但缺乏結(jié)構(gòu)化表達(dá)。

6、3）難以實(shí)現(xiàn)基于查詢的一次性檢索與集中響應(yīng)。

7、因此，提出一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有技術(shù)狀況，提出了本申請(qǐng)。本申請(qǐng)的實(shí)施例提供了一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，具有高效捕捉復(fù)雜語義關(guān)聯(lián)、提升上下文理解連貫性、實(shí)現(xiàn)動(dòng)態(tài)信息聚合的優(yōu)點(diǎn)。

2、根據(jù)本申請(qǐng)的一個(gè)方面，提供了一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，包括：獲取多格式函件數(shù)據(jù)并轉(zhuǎn)換為帶時(shí)間戳的文本序列；對(duì)所述文本序列進(jìn)行語義分析和結(jié)構(gòu)處理，生成包含時(shí)序與上下文的文本塊集合；對(duì)所述文本塊進(jìn)行多任務(wù)訓(xùn)練與主題融合，生成綜合語義向量；基于所述綜合語義向量構(gòu)建動(dòng)態(tài)橋接圖，所述橋接圖通過語義與時(shí)序關(guān)聯(lián)性激活關(guān)聯(lián)文本塊；響應(yīng)用戶查詢，將激活的文本塊內(nèi)容拼接為上下文prompt并輸入大語言模型，獲取一次性生成的回答；接收新函件數(shù)據(jù)，根據(jù)所述新函件數(shù)據(jù)更新所述橋接圖。

3、與現(xiàn)有技術(shù)相比，采用根據(jù)本申請(qǐng)實(shí)施例的一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，可以通過動(dòng)態(tài)橋接圖關(guān)聯(lián)語義與時(shí)序信息，并基于上下文prompt實(shí)現(xiàn)大語言模型的精準(zhǔn)響應(yīng)，具有高效捕捉復(fù)雜語義關(guān)聯(lián)、提升上下文理解連貫性、實(shí)現(xiàn)動(dòng)態(tài)信息聚合的優(yōu)點(diǎn)。

技術(shù)特征：

1.一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，其特征在于，所述獲取多格式函件數(shù)據(jù)并轉(zhuǎn)換為帶時(shí)間戳的文本序列包括：

3.根據(jù)權(quán)利要求1所述的一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，其特征在于，所述對(duì)所述文本序列進(jìn)行語義分析和結(jié)構(gòu)處理，生成包含時(shí)序與上下文的文本塊集合包括：

4.根據(jù)權(quán)利要求3所述的一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，其特征在于，所述對(duì)所述候選句合并或拆分前還包括：

5.根據(jù)權(quán)利要求4所述的一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，其特征在于，所述語義增強(qiáng)處理包括：

6.根據(jù)權(quán)利要求5所述的一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，其特征在于，所述合并或拆分包括：

7.根據(jù)權(quán)利要求6所述的一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，其特征在于，所述多任務(wù)訓(xùn)練與主題融合包括：

8.根據(jù)權(quán)利要求1所述的一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，其特征在于，所述構(gòu)建動(dòng)態(tài)橋接圖包括：

9.根據(jù)權(quán)利要求1所述的一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，其特征在于，所述響應(yīng)用戶查詢，將激活的文本塊內(nèi)容拼接為上下文prompt輸入大語言模型，獲取一次性生成的回答包括：

10.根據(jù)權(quán)利要求1所述的一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，其特征在于，所述更新所述橋接圖包括：

技術(shù)總結(jié)
本發(fā)明公開了一種多層動(dòng)態(tài)聚合的大語言模型驅(qū)動(dòng)的函件文本分析方法，涉及自然語言處理技術(shù)領(lǐng)域，包括獲取多格式函件數(shù)據(jù)并轉(zhuǎn)換為帶時(shí)間戳的文本序列，對(duì)文本序列進(jìn)行語義分析和結(jié)構(gòu)處理，生成文本塊集合，對(duì)文本塊集合進(jìn)行多任務(wù)訓(xùn)練與主題融合，生成綜合語義向量，基于綜合語義向量構(gòu)建動(dòng)態(tài)橋接圖，橋接圖通過語義與時(shí)序關(guān)聯(lián)性激活關(guān)聯(lián)文本塊，響應(yīng)用戶查詢，將激活的文本塊內(nèi)容拼接為上下文Prompt并輸入大語言模型，獲取一次性生成的回答；其有益效果為：通過動(dòng)態(tài)橋接圖關(guān)聯(lián)語義與時(shí)序信息，并基于上下文Prompt實(shí)現(xiàn)大語言模型的精準(zhǔn)響應(yīng)，具有高效捕捉復(fù)雜語義關(guān)聯(lián)、提升上下文理解連貫性、實(shí)現(xiàn)動(dòng)態(tài)信息聚合的優(yōu)點(diǎn)。

技術(shù)研發(fā)人員：汪敏,朱傳瑞
受保護(hù)的技術(shù)使用者：安徽深核信息技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/7/28