基于LangChain和ChatGLM的高校财务问答系统研究与实现

首先对高校财务网站上的文档进行了搜集、整理和加工,形成了一个本地知识库。接着,结合该知识库,构建了一个基于LangChain和ChatGLM的高校财务问答系统。为了评估系统的性能,由高校财务工作人员、教师和学生志愿者组成的评测小组对系统进行了详细的测试、评估与分析。测试结果显示,该问答系统在准确性、可解释性和响应速度等方面表现优异,尤其是在科研经费管理、学生业务、工薪劳务等领域的问答已接近实用水平。然而,系统在知识库完备性、问题相关知识检索、基于知识生成有效回答等方面仍存在不足,这些方面是未来研究的重点。相关研究工作为提升高校财务部门的服务能力和水平提供了一种新的解决方案,同时也为大语言模型在数字校园建设方面的研究与应用提供了有益的参考。

大语言模型在汉语写作智能评估中的应用研究

研究旨在评估大语言模型在写作自动评分、智能评语生成两个典型写作智能评估任务中的性能。研究以汉语二语学习者为研究对象,采用了3种不同提示策略验证大语言模型在写作自动评分和自动评语反馈方面的有效性,包括标准提示、思维链提示以及自洽思维链提示。结果显示,尽管大语言模型在写作自动评分任务中表现出一定的潜力,其稳定性和可靠性仍有待提高,但通过不断优化这些提示策略,可以显著增强模型处理写作评分和评语生成的能力。此外,这3种提示语会产生不同的效果,以提示的方式评估大语言模型的性能表现存在主观性,还不能完全替代教师独立开展评估测试,但现阶段可以作为辅助工具提高教师评估作文的效率。本研究的发现为大语言模型在汉语写作智能评估领域的应用提供了有力支持,为未来开发更高效、更精准的汉语写作智能评估系统提供参考。

MedKGGPT:基于知识图谱的医疗大型语言模型设计方法

大型语言模型(Large Language Models,LLM)已经成为现今主流的研究热点,而垂直领域行业大模型则成为落地应用的关键点,以医疗为代表的大型语言模型有着可解释性、可靠性、高安全性等要求。针对这类问题,提出MedKGGPT模型,一个基于ChatGLM的模型,并提出一种面向医疗领域的知识图谱(Knowledge Graphs,KGs)和LLM相结合的框架。框架主要包含两个部分:首先,通过KG三元组中的实体和关系,提出了一种基于KG结构数据的提示工程方法,使得LLM更加具有医学领域的专用知识,提高LLM的可解释性;其次,提出一种利用KG来对齐LLM的方法,将LLM的输出与KG的相关知识进行比较,验证LLM输出结果的一致性和准确性,从而增强了LLM在医疗领域的安全性。实验结果表明,最终生成的MedKGGPT模型能够输出更加具有安全性的结果,说明KG能够有效增强LLM的可解释性,为LLM应用在医疗领域提供了帮助。

大语言模型融合知识图谱的风电运维问答系统研究

风电场运维工作高度依赖现场实践经验,而行业内人员高流动性带来经验传递难题,传统知识库和问答系统日益暴露出其局限性。为提高问答系统在专业领域的适用性和可靠性,设计了一种融合大型语言模型和知识图谱的风电运维问答系统,通过语义理解和关联性分析,整合结构化与非结构化数据,提供全面、准确的专业回答。主、客观评价表明,该专业问答模型的准确性、连贯性及信息量均优于某中文大语言模型及ChatGLM模型,不仅提升了风电运维的效率,也为行业知识传承和更新提供了解决方案。