一种基于大模型的企业知识生成推荐方法、设备及介质与流程

本技术涉及工业互联网，尤其涉及一种基于大模型的企业知识生成推荐方法、设备及介质。

背景技术：

1、目前，随着信息技术的日新月异，大数据与人工智能已经逐渐变为推动企业进步的核心力量。在这一进程中，大模型作为现代机器学习技术的前沿代表，凭借其庞大的参数规模和精密的计算架构，在众多领域均显示出其卓越的性能。这些大模型，通常由深度神经网络构建而成，包含了数十亿甚至更多的参数，通过训练巨量的数据来洞察其中的深层规律和特征，因此在处理高度复杂的任务时，这些模型展现出了非凡的能力。

2、尽管如此，在将视线转向企业环境，特别是在知识管理和信息检索的应用场景时，仍然可以看到一系列待解决的问题。目前，虽然企业知识生成推荐技术已经融合了多种尖端技术，但在实际运用中，其仍然面临数据质量、知识碎片化、隐性知识挖掘、推荐算法选择以及用户反馈收集等多方面的挑战。

3、数据质量问题尤为突出，不准确、缺失或过时的数据会显著降低推荐结果的精准度和可信度，进而影响用户对系统的信任。同时，企业内部知识的分散性，也即知识碎片化，增加了信息整合与分享的难度，对推荐系统的设计与实施构成了额外的复杂性。

4、此外，如何挖掘和利用隐藏在员工个人经验和技能中的隐性知识，是另一个需要攻克的难题。这些知识通常难以直接文档化，但它们对于企业的价值却是无法估量的。

5、在构建知识生成推荐系统时，推荐算法的选择也显得尤为重要。算法的选择需根据数据的性质、系统的具体需求以及可用资源来进行，选择合适的算法能显著提升推荐的质量。

6、最后，用户反馈对于推荐系统的持续改进至关重要。然而，由于用户的使用习惯和提供反馈的意愿存在显著差异，如何高效收集并利用这些反馈信息，成为了提升推荐系统性能的关键环节。

技术实现思路

1、本技术实施例提供了一种基于大模型的企业知识生成推荐方法、设备及介质，用以解决现有的企业知识生成推荐技术在数据质量、知识碎片化、隐性知识挖掘、推荐算法选择以及用户反馈收集等方面存在问题，导致推荐系统的准确性和效率受限的技术问题。

2、一方面，本技术实施例提供了一种基于大模型的企业知识生成推荐方法，包括：

3、根据用户需求，并通过多数据源获取企业知识数据，以对所述企业知识数据进行预处理，得到企业知识数据库；其中，所述预处理包括结构化处理、分词处理以及向量处理；

4、构建企业知识生成模型，并根据所述企业知识数据库中的样本企业知识数据，对所述企业知识生成模型进行训练和优化；

5、根据采集的用户行为数据，构建用户静态画像，以基于所述用户行为数据对应的上下文信息，并结合时间序列分析技术，确定用户偏好变化趋势；

6、将预处理后的企业知识数据输入至训练和优化后的企业知识生成模型中，并结合所述用户偏好变化趋势，生成对应的企业知识推荐列表。

7、在本技术的一种实现方式中，所述根据用户需求，并通过多数据源获取企业知识数据，具体包括：

8、获取用户需求，以根据所述用户需求，通过多数据源获取企业知识数据，并确定所述企业知识数据对应的数据类型；

9、其中，所述多数据源对应的数据源类型包括企业内部数据源和企业外部数据源，所述数据类型至少包括：产品手册、内部报告、行业报告和专利文件；

10、基于所述数据类型，并按照不同数据维度，对多个所述企业知识数据进行分类；其中，所述数据维度包括：数据内容、数据来源以及数据用途。

11、在本技术的一种实现方式中，所述基于所述数据类型，并按照不同数据维度，对多个所述企业知识数据进行分类之后，所述方法还包括：

12、确定分类后的企业知识数据是否为敏感信息，并针对每种敏感信息，对所述敏感信息对应的企业知识数据进行风险评估；

13、根据风险评估结果，确定所述企业知识数据对应的敏感等级，并按照所述敏感等级由高到低的顺序，依次对所述企业知识数据进行加密；

14、接收用户的访问请求，并根据所述访问请求，对所述用户进行身份验证，以确定所述用户是否具有所述访问请求中请求信息对应敏感等级的访问权限；

15、若是，则允许所述用户访问所述敏感等级的企业知识数据，并根据所述请求信息，向所述用户返回访问结果。

16、在本技术的一种实现方式中，所述对所述企业知识数据进行预处理，得到企业知识数据库，具体包括：

17、将分类后的多维企业知识数据统一为结构化数据，并对统一后的所述多维企业知识数据进行数据清洗；

18、将统一且清洗后的所述多维企业知识数据划分为若干个关键词，并对所述若干个关键词进行向量转化，以得到对应的词向量；

19、将所述企业知识数据对应的词向量存储至预先构建的企业知识数据库中，并基于不同企业知识数据对应的重要程度，对所述企业知识数据库中重要程度大于预设阈值的企业知识数据进行备份。

20、在本技术的一种实现方式中，所述根据所述企业知识数据库中的样本企业知识数据，对所述企业知识生成模型进行训练和优化，具体包括：

21、在所述企业知识数据库中获取若干个样本企业知识数据，并确定所述若干个样本企业知识数据对应的样本企业知识推荐列表；其中，所述若干个样本企业知识数据中包括：训练样本、验证集和测试集；

22、将所述训练样本输入至所述企业知识生成模型中，以提取所述训练样本中的关键特征，并根据所述关键特征生成对应的企业知识信息，直至所生成的企业知识信息与所述样本企业知识推荐列表相匹配，完成对所述企业知识生成模型的训练；

23、通过验证集和测试集对所述企业知识生成模型进行验证和测试，以得到目标企业知识生成模型。

24、在本技术的一种实现方式中，所述根据采集的用户行为数据，构建用户静态画像，具体包括：

25、确定出具有企业知识推荐待生成需求的用户，并通过企业内部数据源，获取所述用户对应的用户行为数据；其中，所述用户行为数据包括：搜索历史、阅读历史、偏好设置以及反馈信息；

26、根据所述用户行为数据，构建对应的用户静态画像，并获取所述用户静态画像对应的上下文信息；其中，所述用户静态画像包括：用户兴趣点、职位信息、技能水平和工作需求，所述上下文信息包括：用户所使用设备的设备类型、地理位置信息、当前时刻、所处工作流程以及所属任务。

27、在本技术的一种实现方式中，所述基于所述用户行为数据对应的上下文信息，并结合时间序列分析技术，确定用户偏好变化趋势，具体包括：

28、对所述用户行为数据进行分析，确定用户对应的偏好知识数据维度以及偏好知识数据类型；其中，所述用户行为数据包括：点击率、阅读时长、内容分享以及内容评论；

29、将所述偏好知识数据维度、所述偏好知识数据类型与所述上下文信息进行结合，并基于时间序列分析技术，确定出用户偏好变化趋势。

30、在本技术的一种实现方式中，所述将预处理后的企业知识数据输入至训练和优化后的企业知识生成模型中，并结合所述用户偏好变化趋势，生成对应的企业知识推荐列表，具体包括：

31、将预处理后企业知识数据对应的词向量输入至目标企业知识生成模型中，以通过所述目标企业知识生成模型，输出所述词向量对应的企业知识推荐列表；

32、根据所述用户偏好变化趋势，确定用户的下一偏好知识数据维度和下一偏好知识数据类型，并基于所述下一偏好知识数据维度和所述下一偏好知识数据类型，对所述企业知识推荐列表进行调整，以得到目标企业知识推荐列表。

33、另一方面，本技术实施例还提供了一种基于大模型的企业知识生成推荐设备，所述设备包括：

34、至少一个处理器；

35、以及，与所述至少一个处理器通信连接的存储器；

36、其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的一种基于大模型的企业知识生成推荐方法。

37、另一方面，本技术实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令被执行时，实现如上述的一种基于大模型的企业知识生成推荐方法。

38、本技术实施例提供了一种基于大模型的企业知识生成推荐方法、设备及介质，至少包括以下有益效果：

39、通过从多个数据源获取企业知识数据，能够更全面地收集信息，提高数据的丰富性和准确性，为后续的企业知识生成提供更坚实的基础；通过结构化处理、分词处理以及向量处理，能够有效地将原始数据转化为计算机更易于理解和处理的形式，进而提升后续数据分析和模型训练的效率和准确性；通过构建并训练企业知识生成模型，使得系统能够自动学习和识别企业知识数据中的模式和趋势，不断优化自身的预测和推荐能力；通过采集用户行为数据构建用户静态画像，并结合时间序列分析技术，能够更准确地捕捉用户偏好的变化趋势，从而实现个性化的企业知识推荐；结合用户偏好变化趋势和训练优化后的企业知识生成模型，能够实时生成符合用户当前需求和兴趣的企业知识推荐列表，提升用户体验。

技术特征：

1.一种基于大模型的企业知识生成推荐方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于大模型的企业知识生成推荐方法，其特征在于，所述根据用户需求，并通过多数据源获取企业知识数据，具体包括：

3.根据权利要求2所述的一种基于大模型的企业知识生成推荐方法，其特征在于，所述基于所述数据类型，并按照不同数据维度，对多个所述企业知识数据进行分类之后，所述方法还包括：

4.根据权利要求2所述的一种基于大模型的企业知识生成推荐方法，其特征在于，所述对所述企业知识数据进行预处理，得到企业知识数据库，具体包括：

5.根据权利要求1所述的一种基于大模型的企业知识生成推荐方法，其特征在于，所述根据所述企业知识数据库中的样本企业知识数据，对所述企业知识生成模型进行训练和优化，具体包括：

6.根据权利要求1所述的一种基于大模型的企业知识生成推荐方法，其特征在于，所述根据采集的用户行为数据，构建用户静态画像，具体包括：

7.根据权利要求1所述的一种基于大模型的企业知识生成推荐方法，其特征在于，所述基于所述用户行为数据对应的上下文信息，并结合时间序列分析技术，确定用户偏好变化趋势，具体包括：

8.根据权利要求1所述的一种基于大模型的企业知识生成推荐方法，其特征在于，所述将预处理后的企业知识数据输入至训练和优化后的企业知识生成模型中，并结合所述用户偏好变化趋势，生成对应的企业知识推荐列表，具体包括：

9.一种基于大模型的企业知识生成推荐设备，其特征在于，所述设备包括：

10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令被执行时，实现如权利要求1-8任一项所述的一种基于大模型的企业知识生成推荐方法。

技术总结
本申请公开了一种基于大模型的企业知识生成推荐方法、设备及介质，用以解决现有的企业知识生成推荐技术的准确性和效率受限的问题。方法包括：根据用户需求，并通过多数据源获取企业知识数据，以对企业知识数据进行预处理，得到企业知识数据库；构建企业知识生成模型，并根据企业知识数据库中的样本企业知识数据，对企业知识生成模型进行训练和优化；根据采集的用户行为数据，构建用户静态画像，以基于用户行为数据对应的上下文信息，并结合时间序列分析技术，确定用户偏好变化趋势；将预处理后的企业知识数据输入至训练和优化后的企业知识生成模型中，并结合用户偏好变化趋势，生成对应的企业知识推荐列表。

技术研发人员：谢五峰,齐光鹏,商广勇,刘品杰
受保护的技术使用者：浪潮云洲工业互联网有限公司
技术研发日：
技术公布日：2024/9/23