關(guān)鍵詞：高校知識(shí)服務(wù)；智能問(wèn)答系統(tǒng)；檢索增強(qiáng)生成；機(jī)器學(xué)習(xí)

0 引言

隨著信息技術(shù)的迅猛發(fā)展和高校知識(shí)服務(wù)需求的日益增長(zhǎng)，傳統(tǒng)的知識(shí)檢索方式已難以滿足用戶需求。在此背景下，智能問(wèn)答系統(tǒng)憑借其高效、精準(zhǔn)、便捷等優(yōu)勢(shì)，成為提升高校知識(shí)服務(wù)水平的重要途徑[1]。然而，將這些先進(jìn)技術(shù)應(yīng)用于高校知識(shí)庫(kù)智能問(wèn)答系統(tǒng)仍面臨諸多挑戰(zhàn)，例如高校知識(shí)的復(fù)雜性、用戶查詢的多樣性以及系統(tǒng)性能的保障等。

為了解決上述挑戰(zhàn)，本文提出了一種基于大語(yǔ)言模型（Large Language Models， LLM） 和檢索增強(qiáng)生成（Retrieval-Augmented Generation， RAG） 技術(shù)的高校知識(shí)庫(kù)智能問(wèn)答系統(tǒng)。該系統(tǒng)旨在為高校師生提供高效、準(zhǔn)確、個(gè)性化的知識(shí)服務(wù)。本文首先對(duì)相關(guān)技術(shù)進(jìn)行分析，然后介紹系統(tǒng)的架構(gòu)設(shè)計(jì)和功能模塊，最后通過(guò)實(shí)驗(yàn)評(píng)估系統(tǒng)性能，并探討未來(lái)的研究方向。

1 相關(guān)工作

本研究的相關(guān)研究工作分為知識(shí)源構(gòu)建、智能問(wèn)答技術(shù)和高校信息服務(wù)三個(gè)部分。

1.1 高校智能問(wèn)答知識(shí)源構(gòu)建

高校智能問(wèn)答系統(tǒng)的核心在于其豐富、準(zhǔn)確且結(jié)構(gòu)化的知識(shí)源。知識(shí)源的構(gòu)建過(guò)程，包括數(shù)據(jù)收集、文檔處理、內(nèi)容提取和知識(shí)組織等關(guān)鍵步驟。

1.1.1 知識(shí)源數(shù)據(jù)收集

高校智能問(wèn)答知識(shí)源主要來(lái)源包括但不限于以下幾個(gè)方面：

1） 教學(xué)資料：課程大綱、教學(xué)計(jì)劃、講義、試卷等。

2） 科研文獻(xiàn)：學(xué)術(shù)論文、研究報(bào)告、專利文檔等。3） 管理文件：規(guī)章制度、通知公告、會(huì)議紀(jì)要等。4） 學(xué)生服務(wù)：學(xué)生手冊(cè)、就業(yè)指南、心理健康資料等。5） 校園生活：校歷、活動(dòng)安排、設(shè)施使用說(shuō)明等。這些來(lái)源文件可能以多種格式存在，如純文本（. txt）、PDF文件（.pdf）、Word文檔（.doc/.docx）、HTML網(wǎng)頁(yè)及圖片等。

1.1.2 文檔預(yù)處理

文檔預(yù)處理是構(gòu)建高質(zhì)量知識(shí)源的關(guān)鍵步驟，主要包括以下幾個(gè)方面：1） 文本清洗：使用正則表達(dá)式和自定義規(guī)則去除無(wú)關(guān)的標(biāo)記、特殊字符和冗余信息。2） 格式標(biāo)準(zhǔn)化：將不同來(lái)源的文檔轉(zhuǎn)換為統(tǒng)一的UTF-8編碼，便于后續(xù)處理。3） 元數(shù)據(jù)提?。簭奈臋n中提取標(biāo)題、作者、日期等元信息，用于后續(xù)的知識(shí)組織和檢索。

1.1.3 內(nèi)容提取與分段

由于大語(yǔ)言模型（如Chat-GPT、BERT、文心一言等）通常有輸入長(zhǎng)度限制，需要對(duì)較長(zhǎng)文檔進(jìn)行切分處理。目前幾種主流開(kāi)源框架（如LangChain、Lla? maIndex、Haystack等）都提供了文本分割器。以目前使用率最高的LangChain框架為例[2]，基本的文檔分割器包括：1） 基于字符數(shù)的分割器：CharacterTextSplit? tSeprl；it2te） r遞；3歸） 基字于符令文牌本數(shù)分進(jìn)割行器分：割R器ec：uTrsoikveenCTheaxratScptelirtTteerx。

基于這些基本文檔分割器構(gòu)建的系統(tǒng)往往還達(dá)不到實(shí)際應(yīng)用的需要，LangChain還提供了進(jìn)階文檔分割器，如：1） 多維向量檢索器：MultiVectorRetriever；2） 基于上下文壓縮檢索器：Contextual compression；3） 自查詢檢索器：Self-querying；4） 混合檢索器：En? semble Retriever。

1.1.4 方法比較與分析

為了找到適合構(gòu)建高校智能問(wèn)答系統(tǒng)的文檔分割器，研究設(shè)計(jì)了一組評(píng)估指標(biāo)并進(jìn)行了實(shí)驗(yàn)。評(píng)估指標(biāo)包括：1） 保持語(yǔ)義完整性的能力；2） 適應(yīng)不同類型文檔的能力；3） 處理大量文檔的效率；4） API的友好程度和使用難度。

實(shí)驗(yàn)結(jié)果如表1所示。

LangChain 的RecursiveCharacterTextSplitter 在保持語(yǔ)義完整性和靈活性方面表現(xiàn)出色，但在處理大量文檔時(shí)速度相對(duì)較慢。相對(duì)而言，LlamaIndex 的SimpleNodeParser 則以處理速度快和易于使用而著稱，但在面對(duì)復(fù)雜文檔結(jié)構(gòu)時(shí)可能缺乏足夠的靈活性[3]。Haystack的PreProcessor提供了豐富的預(yù)處理選項(xiàng)，適合處理多樣化文檔，但其配置過(guò)程相對(duì)復(fù)雜[4]。本文使用的LangChain Ensemble Retriever在分割質(zhì)量和易用性方面表現(xiàn)最佳，盡管其實(shí)現(xiàn)復(fù)雜度較高且處理速度處于中等水平。

Ensemble Retriever可以集成多個(gè)檢索器，結(jié)合稀疏檢索器（如BM25檢索器）與密集檢索器（如FAISS 檢索器）。BM25檢索器在根據(jù)關(guān)鍵詞查找相關(guān)文檔方面表現(xiàn)優(yōu)異，而FAISS檢索器則在基于語(yǔ)義相似度查找相關(guān)文檔方面更加突出。算法會(huì)對(duì)檢索到的多個(gè)文檔進(jìn)行排名，并結(jié)合兩種算法的權(quán)重設(shè)置，以找到最相關(guān)的文檔，從而為用戶提供準(zhǔn)確的答案。

在實(shí)際的實(shí)現(xiàn)與優(yōu)化過(guò)程中，還需要根據(jù)實(shí)時(shí)反饋調(diào)整分割參數(shù)（如chunk_size和overlap參數(shù)），并進(jìn)行質(zhì)量控制，以實(shí)現(xiàn)基于語(yǔ)義相似度的檢查，確保文檔切分不會(huì)破壞關(guān)鍵語(yǔ)義單元。通過(guò)上述策略和優(yōu)化措施，我們?cè)趯?shí)驗(yàn)中實(shí)現(xiàn)了比單一方法高近15%的F1分?jǐn)?shù)，同時(shí)保持了可接受的處理速度。這為后續(xù)的知識(shí)提取和問(wèn)答系統(tǒng)奠定了堅(jiān)實(shí)的基礎(chǔ)。

1.2 基于RAG 的智能問(wèn)答技術(shù)

智能問(wèn)答技術(shù)的發(fā)展經(jīng)歷了基于規(guī)則、基于檢索及基于神經(jīng)網(wǎng)絡(luò)多個(gè)階段。隨著大規(guī)模預(yù)訓(xùn)練語(yǔ)言模型的快速發(fā)展，智能問(wèn)答系統(tǒng)的性能得到了顯著提升。ChatGPT、Claude等模型展現(xiàn)了驚人的自然語(yǔ)言理解和生成能力，為問(wèn)答系統(tǒng)帶來(lái)了新的可能性。但這些系統(tǒng)仍然面臨著知識(shí)時(shí)效性、事實(shí)準(zhǔn)確性和計(jì)算資源消耗等挑戰(zhàn)。

為了解決這些問(wèn)題，RAG技術(shù)應(yīng)運(yùn)而生。RAG模型不僅通過(guò)結(jié)合外部知識(shí)檢索和語(yǔ)言生成，顯著提高了回答的準(zhǔn)確性和可靠性，還通過(guò)在解碼階段融合多個(gè)檢索結(jié)果，進(jìn)一步提升了問(wèn)答質(zhì)量。

1.2.1 RAG 問(wèn)答架構(gòu)基本思路

RAG問(wèn)答架構(gòu)的核心思想是將外部知識(shí)庫(kù)與生成模型相結(jié)合，以提高問(wèn)答系統(tǒng)的準(zhǔn)確性和可解釋性。其基本流程如圖1所示，主要包括以下步驟：1） 向量化用戶問(wèn)題：對(duì)用戶輸入的問(wèn)題進(jìn)行向量化，以便系統(tǒng)能理解語(yǔ)義和識(shí)別意圖。2） 相似度檢索：通過(guò)對(duì)問(wèn)題的向量化表示，從預(yù)先構(gòu)建的知識(shí)庫(kù)中檢索相關(guān)信息。3） 上下文融合：將檢索到的信息與原始問(wèn)題進(jìn)行融合，形成增強(qiáng)的上下文。4） 答案生成：利用大規(guī)模語(yǔ)言模型，基于增強(qiáng)上下文生成最終答案。

上述流程通過(guò)結(jié)合檢索與生成的優(yōu)勢(shì)，不僅提高了智能問(wèn)答的準(zhǔn)確性，也提升了系統(tǒng)的整體性能和用戶體驗(yàn)。

1.2.2 RAG 問(wèn)答架構(gòu)優(yōu)勢(shì)

相比于傳統(tǒng)的問(wèn)答方法和純生成模型，RAG架構(gòu)在知識(shí)時(shí)效性、事實(shí)準(zhǔn)確性、可解釋性、領(lǐng)域適應(yīng)性、計(jì)算效率、隱私保護(hù)以及持續(xù)學(xué)習(xí)能力等方面具有顯著優(yōu)勢(shì)，從而為智能問(wèn)答技術(shù)的發(fā)展開(kāi)辟了新的方向。RAG技術(shù)結(jié)合了大語(yǔ)言模型（LLM） 的生成能力和知識(shí)庫(kù)的專業(yè)性，能夠有效解決LLM在特定領(lǐng)域知識(shí)不足的問(wèn)題，因此近年來(lái)被廣泛應(yīng)用于智能客服、醫(yī)療診斷、教育輔助等領(lǐng)域。

1.3 高校信息服務(wù)

高校信息服務(wù)的智能化是近年來(lái)的研究熱點(diǎn)。Li 等[5]設(shè)計(jì)了一個(gè)基于知識(shí)圖譜的高校教務(wù)咨詢系統(tǒng)，通過(guò)語(yǔ)義分析提高了查詢的準(zhǔn)確率。Zhao等[6]則探索了個(gè)性化學(xué)習(xí)助手的構(gòu)建，利用強(qiáng)化學(xué)習(xí)技術(shù)優(yōu)化了對(duì)話策略，從而提升了用戶體驗(yàn)。然而，現(xiàn)有研究多聚焦于特定領(lǐng)域或單一功能，缺乏對(duì)高校全局知識(shí)的綜合考慮。此外，如何有效整合最新的LLM和RAG技術(shù)以適應(yīng)高校場(chǎng)景，仍是一個(gè)亟待解決的問(wèn)題。

2 高校知識(shí)庫(kù)智能問(wèn)答系統(tǒng)設(shè)計(jì)、實(shí)現(xiàn)與性能評(píng)估

基于對(duì)RAG架構(gòu)的分析，本文設(shè)計(jì)并實(shí)現(xiàn)了一種高校知識(shí)庫(kù)智能問(wèn)答系統(tǒng)，該系統(tǒng)旨在為高校師生提供高效、準(zhǔn)確的知識(shí)服務(wù)，同時(shí)滿足高校管理的特殊需求。主要模塊包括用戶接口模塊、問(wèn)題解析模塊、知識(shí)檢索模塊、答案生成模塊、知識(shí)庫(kù)管理模塊以及日志與監(jiān)控模塊。

2.1 用戶接口模塊

用戶接口模塊是系統(tǒng)與用戶交互的前端，其設(shè)計(jì)直接影響用戶體驗(yàn)和系統(tǒng)使用效率。該模塊采用響應(yīng)式設(shè)計(jì)，確保在不同設(shè)備上提供一致的體驗(yàn)。主要功能包括：

1） 多模態(tài)輸入：支持文本、語(yǔ)音和圖像等多種輸入方式。

2） 對(duì)話管理：實(shí)現(xiàn)多輪對(duì)話功能，維護(hù)上下文信息。

3） 個(gè)性化界面：根據(jù)用戶角色動(dòng)態(tài)調(diào)整界面和功能權(quán)限。

4） 結(jié)果展示：采用分層結(jié)構(gòu)展示答案，并支持源文檔鏈接和相關(guān)推薦。

實(shí)現(xiàn)方式：本系統(tǒng)采用響應(yīng)式設(shè)計(jì)，使用Streamlit 框架構(gòu)建前端，利用WebSocket實(shí)現(xiàn)實(shí)時(shí)通信，并集成了開(kāi)源引擎edge_tts以支持語(yǔ)音輸入和輸出。

效果：該模塊確保了用戶在不同設(shè)備上的一致性體驗(yàn)，提高了系統(tǒng)的適用性和易用性，并增強(qiáng)了系統(tǒng)的實(shí)時(shí)性能。

2.2 問(wèn)題解析模塊

功能描述： 問(wèn)題解析模塊是智能問(wèn)答系統(tǒng)的關(guān)鍵環(huán)節(jié)，直接影響后續(xù)檢索和生成過(guò)程的質(zhì)量。主要功能包括輸入清洗、分詞和向量編碼。

實(shí)現(xiàn)方式： 采用基于HuggingFace框架的自然語(yǔ)言處理模型，使用基于BERT的多標(biāo)簽分類模型[7]和bge-large-zh模型[8]構(gòu)建多階段、高精度的問(wèn)題解析流程。具體步驟包括：1） 輸入清洗：去除特殊字符、統(tǒng)一標(biāo)點(diǎn)符號(hào)等。2） 分詞：使用jieba分詞器進(jìn)行中文分詞，保留原始詞序信息。3） 向量編碼：使用bge-large- zh模型獲取向量表示。

效果：這種查詢擴(kuò)展方法平均提高了10.5%的召回率，同時(shí)保持了較高的精確度。

2.3 知識(shí)檢索模塊

功能描述： 知識(shí)檢索模塊負(fù)責(zé)從海量知識(shí)庫(kù)中快速、準(zhǔn)確地檢索相關(guān)信息。它采用多階段的混合檢索策略，結(jié)合語(yǔ)義檢索和關(guān)鍵詞檢索的優(yōu)勢(shì)。

實(shí)現(xiàn)方式：

1） 向量索引構(gòu)建：使用bge-large-zh模型對(duì)文檔進(jìn)行編碼，并采用Faiss庫(kù)構(gòu)[9]建向量索引。

2） 語(yǔ)義檢索：采用兩階段檢索策略：①粗檢索：使用HNSW索引快速返回Top-6候選文檔；②精檢索：對(duì)候選文檔進(jìn)行精確的余弦相似度計(jì)算，重新排序并返回Top-2結(jié)果。

效果： 與單階段檢索相比，兩階段策略在保持相近召回率的同時(shí)，將檢索時(shí)間減少了40%。

2.4 答案生成模塊

功能描述： 答案生成模塊負(fù)責(zé)將檢索到的相關(guān)信息轉(zhuǎn)化為連貫、準(zhǔn)確的自然語(yǔ)言回答。

實(shí)現(xiàn)方式： 該模塊采用基于大規(guī)模預(yù)訓(xùn)練語(yǔ)言模型的生成式方法，結(jié)合多文檔摘要和實(shí)體關(guān)聯(lián)技術(shù)。選用qwen：72b-chat[10]作為基礎(chǔ)生成模型，該模型具有720億參數(shù)，并對(duì)中英雙語(yǔ)對(duì)話的支持度較高。

效果： 在系統(tǒng)性能評(píng)估中，答案的準(zhǔn)確率達(dá)到了87.8%。

2.5 知識(shí)庫(kù)管理模塊

功能描述： 知識(shí)庫(kù)管理模塊負(fù)責(zé)知識(shí)的存儲(chǔ)、更新和質(zhì)量控制，以保證系統(tǒng)的長(zhǎng)期有效運(yùn)行。

實(shí)現(xiàn)方式：

1） 存儲(chǔ)結(jié)構(gòu)：采用FAISS向量數(shù)據(jù)庫(kù)存儲(chǔ)結(jié)構(gòu)化數(shù)據(jù)。

2） 知識(shí)抽取與更新：設(shè)計(jì)基于規(guī)則和機(jī)器學(xué)習(xí)的混合知識(shí)抽取管道，包括系統(tǒng)對(duì)接、文本分類和信息抽取。

3） 質(zhì)量控制機(jī)制：實(shí)施多層次質(zhì)量控制，包括自動(dòng)化檢查、眾包標(biāo)注和版本控制[11]。

效果： 通過(guò)上述機(jī)制，問(wèn)答的準(zhǔn)確率從初始的72.3%提升至87.8%。

2.6 日志與監(jiān)控模塊

功能描述： 日志與監(jiān)控模塊負(fù)責(zé)系統(tǒng)運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)控、性能分析和異常檢測(cè)，從而保障系統(tǒng)的穩(wěn)定性和持續(xù)優(yōu)化。

實(shí)現(xiàn)方式： 該模塊設(shè)計(jì)了用戶反饋收集和分析系統(tǒng)，在每次問(wèn)答交互后收集用戶滿意度評(píng)分和文本反饋，并利用機(jī)器學(xué)習(xí)算法持續(xù)優(yōu)化問(wèn)答質(zhì)量。

效果： 用戶滿意度在6個(gè)月內(nèi)從初始的78%提升至91%。

2.7 系統(tǒng)性能評(píng)估

為全面評(píng)估系統(tǒng)性能，研究團(tuán)隊(duì)設(shè)計(jì)了包括準(zhǔn)確性、響應(yīng)時(shí)間和F1分?jǐn)?shù)等在內(nèi)的多維度評(píng)估指標(biāo)。在某高校進(jìn)行的為期3個(gè)月的試點(diǎn)應(yīng)用中，系統(tǒng)展現(xiàn)出優(yōu)異的性能：

1） 準(zhǔn)確性：對(duì)1 000個(gè)隨機(jī)選取的問(wèn)題進(jìn)行系統(tǒng)輸出答案與標(biāo)準(zhǔn)答案的相似度計(jì)算，這是評(píng)估智能問(wèn)答系統(tǒng)準(zhǔn)確性的關(guān)鍵指標(biāo)。測(cè)試使用了Levenshtein 距離計(jì)算生成答案與正確答案之間的相似度，答案的準(zhǔn)確率達(dá)到87.8%。

2） 響應(yīng)時(shí)間：90%的查詢?cè)?秒內(nèi)完成，滿足實(shí)時(shí)交互需求。

3） F1分?jǐn)?shù)：通過(guò)計(jì)算，平均精確度為81.8%，平均召回率為87.9%，平均F1分?jǐn)?shù)為84.1%。

與傳統(tǒng)基于檢索的問(wèn)答系統(tǒng)相比，本系統(tǒng)在復(fù)雜問(wèn)題處理和知識(shí)推理能力上表現(xiàn)出明顯優(yōu)勢(shì)。然而，我們也發(fā)現(xiàn)系統(tǒng)在處理跨領(lǐng)域問(wèn)題和低頻專業(yè)術(shù)語(yǔ)時(shí)仍有提升空間。

3 總結(jié)與展望

本文圍繞高校智能問(wèn)答系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)展開(kāi)，提出了一種基于大語(yǔ)言模型和RAG技術(shù)的智能問(wèn)答系統(tǒng)。該系統(tǒng)為高校信息服務(wù)提供了新的范式，同時(shí)也為智能問(wèn)答技術(shù)在特定領(lǐng)域的應(yīng)用提供了借鑒。以下總結(jié)了主要研究成果及未來(lái)研究方向。

3.1 主要研究成果

1） 開(kāi)發(fā)了融合向量檢索和關(guān)鍵詞檢索的混合策略，優(yōu)化了知識(shí)檢索效率，檢索時(shí)間減短了40%。

2） 實(shí)現(xiàn)了基于qwen：72b-chat的答案生成模塊，結(jié)合RAG技術(shù)顯著提升了模型性能，問(wèn)答準(zhǔn)確率和用戶滿意度分別提升了15.5和13個(gè)百分點(diǎn)。

3） 構(gòu)建了FAISS向量庫(kù)存儲(chǔ)架構(gòu)，并設(shè)計(jì)了自動(dòng)化與人工審核相結(jié)合的知識(shí)更新流程，使知識(shí)庫(kù)的準(zhǔn)確率提升至97.1%。

4） 設(shè)計(jì)了用戶反饋分析系統(tǒng)，利用機(jī)器學(xué)習(xí)算法持續(xù)優(yōu)化問(wèn)答質(zhì)量。

3.2 研究局限性

盡管本研究取得了一定成果，但仍存在以下局限性：

1） 知識(shí)更新的實(shí)時(shí)性：知識(shí)抽取和更新機(jī)制存在滯后性，難以滿足快速變化信息的即時(shí)更新需求。

2） 多模態(tài)交互：當(dāng)前系統(tǒng)主要基于文本交互，缺乏對(duì)圖像、語(yǔ)音等多模態(tài)信息的處理能力。

3） 跨語(yǔ)言能力：系統(tǒng)主要針對(duì)中英文環(huán)境進(jìn)行優(yōu)化，對(duì)多語(yǔ)言和跨語(yǔ)言問(wèn)答的支持有限。

3.3 未來(lái)研究方向

基于上述局限性以及智能問(wèn)答技術(shù)的發(fā)展趨勢(shì)，提出以下未來(lái)研究方向?yàn)椋?/p>

1） 引入多模態(tài)知識(shí)表示，提升系統(tǒng)對(duì)圖片、視頻等非文本信息的理解能力。

2） 探索基于知識(shí)圖譜的推理機(jī)制，增強(qiáng)系統(tǒng)的邏輯推理能力。

3） 實(shí)現(xiàn)知識(shí)庫(kù)的自動(dòng)更新和質(zhì)量控制機(jī)制，確保知識(shí)的時(shí)效性和準(zhǔn)確性。

4） 研究個(gè)性化問(wèn)答技術(shù)，根據(jù)用戶背景和偏好定制答案生成策略。