基于主体语言模型的电力业务 AI 问答语义检索算法

吉林大学学报(信息科学版) ›› 2026, Vol. 44 ›› Issue (2): 467-474.

基于主体语言模型的电力业务 AI 问答语义检索算法

林巍, 李思韬, 林灶钢, 叶俊敏

福建理工大学计算机科学与数学学院, 福州 350118

收稿日期:2023-11-24 出版日期:2026-04-14 发布日期:2026-04-15
作者简介:林巍(1991— )，男，福州人，福建理工大学工程师, 主要从事自然语言处理、语音识别、信息安全等研究, ( Tel)86-17720757182(E-mail)wlin@fzu.edu.cn。
基金资助:
福建理工大学科研启动基金资助项目(GY-Z220209)

Semantic Retrieval Algorithm for AI Questions and Answers in Power Business Based on Subject Language Model

LIN Wei, LI Sitao, LIN Zaogang, YE Junmin

Department of Computer Science and Math, Fujian University of Technology, Fuzhou 350118, China

Received:2023-11-24 Online:2026-04-14 Published:2026-04-15

摘要/Abstract

摘要：

由于电力业务涉及广泛而复杂的领域知识, 通常以非结构化形式存在, 包括电力系统运营、能源管理、电网规划等, 使电力业务智能化服务效率较低。为提高服务质量, 提出基于主体语言模型的电力业务 AI(Artificial Intelligence)问答语义检索算法。利用知识图谱建立电力业务知识库, 提供丰富的语义信息和知识存储; 采用基于词频-逆向文件频率(TF-IDF: Term Frequency-Inverse Document Frequency), 匹配电力业务 AI 问答语义, 在语义匹配的基础上建立主体语言模型(RWT-BERT: Retrieval-Augmented WaveNet Transformers), 利用该模型实现更加精确的电力业务 AI 问答的语义检索功能。实验结果表明, 所提方法的检全率与检准率在 96% 以上, 平均倒数排名(MRR: Mean Reciprocal Rank)值最高达 94% , 具有较高的检索精度和效率。

关键词:

主体语言模型, 语义检索, 知识图谱, TF-IDF 方法, 向量空间模型

Abstract:

The power business involves a wide range of complex domain knowledge, usually existing in an unstructured form, including power system operation, energy management, power grid planning, etc. , which reduces the efficiency of intelligent services for power business. In order to improve service quality, a semantic retrieval algorithm for power business AI(Artificial Intelligence) Q&A based on the subject language model is proposed. A knowledge base for power business is established using a knowledge graph, providing rich semantic information and knowledge storage. Using TF-IDF(Term Frequency Inverse Document Frequency) to match the semantics of power business AI Q&A, a RWT BERT(Retrieval Augmented WaveNet Transformers) model is established based on semantic matching. This model is used to achieve more accurate semantic retrieval function for power business AI Q&A. The experimental results show that the proposed method has a recall and accuracy rate of over 96% , with an MRR(Mean Reciprocal Rank) value of up to 94% , indicating high retrieval accuracy and efficiency.

Key words:

subjective language model, semantic retrieval, knowledge graph, term frequency inverse document frequency(TF-IDF) method, vector space model

中图分类号:

TP311

林巍, 李思韬, 林灶钢, 叶俊敏.

基于主体语言模型的电力业务 AI 问答语义检索算法

[J]. 吉林大学学报(信息科学版), 2026, 44(2): 467-474.

LIN Wei, LI Sitao, LIN Zaogang, YE Junmin.

Semantic Retrieval Algorithm for AI Questions and Answers in Power Business Based on Subject Language Model

[J]. Journal of Jilin University (Information Science Edition), 2026, 44(2): 467-474.

[1]	陈斌, 顾珑. 基于知识图谱的设备电子信息资源精准推荐算法 [J]. 吉林大学学报(信息科学版), 2025, 43(6): 1388-1396.
[2]	王哲, 刘欢, 梁培玮. 学术文本关键词文库知识图谱实体关系抽取算法[J]. 吉林大学学报(信息科学版), 2025, 43(5): 1119-1127.
[3]	康冰, 段纪鲁, 卢辉遒. 慢性疾病健康问答系统的构建方法[J]. 吉林大学学报(信息科学版), 2025, 43(4): 801-806.
[4]	袁满, 赵兴雨, 袁靖舒, 马茁然. 多特征融合的油气勘探领域命名实体识别与应用[J]. 吉林大学学报(信息科学版), 2025, 43(2): 401-411.
[5]	陈正非, 席皛, 李志勇, 杨航, 张啸成, 张永刚. 基于多源数据融合的电建知识图谱构建研究[J]. 吉林大学学报(信息科学版), 2024, 42(5): 921-929.
[6]	高巍, 江运龙. 融合多算法评估中英文知识图谱外延简洁性新方法[J]. 吉林大学学报(信息科学版), 2024, 42(2): 348-355.
[7]	曹捷, 阙小生, 李慎兴, 范永学, 李兴, 宋文志. 基于知识图谱技术的配电站房智能运检[J]. 吉林大学学报(信息科学版), 2023, 41(3): 474-483.
[8]	贾晨晓 , 欧阳丹彤. 多重语义融合的关系分类模型[J]. 吉林大学学报(信息科学版), 2023, 41(1): 50-56.
[9]	刘玲玲, 陈晓玲, 李贺南, 李雪. 电子支付领域的研究热点分析[J]. 吉林大学学报(信息科学版), 2022, 40(6): 1045-1049.
[10]	李子恒, 叶育鑫, 曹玲玲, 刘思培. 基于映射规则的数据产品自动生成方法及系统[J]. 吉林大学学报(信息科学版), 2021, 39(4): 403-408.
[11]	袁满, 李盛锐, 刘小野. 地质知识图谱标准化模型研究[J]. 吉林大学学报(信息科学版), 2021, 39(2): 215-222.
[12]	刘思培, 蔡一凡, 曹玲玲, 侯海婷, 鲍家坤, 袁鸯. 基于知识图谱的查询语句重写机制及方法[J]. 吉林大学学报(信息科学版), 2021, 39(1): 87-93.
[13]	袁满, 褚冰, 肖垚. 基于叙词表的油藏构造知识图谱[J]. 吉林大学学报(信息科学版), 2020, 38(1): 72-78.
[14]	袁满, 仇婷婷, 胡超. 细粒度课程知识元组织模型及知识图谱实现[J]. 吉林大学学报(信息科学版), 2019, 37(5): 526-532.
[15]	陈晓玲, 全志薇, 张慧, 武晓敏, 岑丹. 基于科学知识图谱的辽宁省区域研究热点分析[J]. 吉林大学学报(信息科学版), 2018, 36(6): 666-673.