买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽农业大学申请的专利基于大模型与数据同化的作物知识图谱问答方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120821803B 。

龙图腾网通过国家知识产权局官网在2026-02-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510934783.9，技术领域涉及：G06F16/3329；该发明授权基于大模型与数据同化的作物知识图谱问答方法及系统是由丁悦;蒋婷婷;王春波;江丹;宋旭婷设计研发完成，并于2025-07-08向国家知识产权局提交的专利申请。

本基于大模型与数据同化的作物知识图谱问答方法及系统在说明书摘要公布了：本申请实施例提供了基于大模型与数据同化的作物知识图谱问答方法及系统，在方法中，基于动态图神经网络生成初始知识图谱；基于动态增量式图谱更新算法对初始知识图谱进行更新；基于大语言模型LLM对用户的问题进行知识抽取和理解，对LLM的输出结果进行处理，生成图谱结构化查询模板；获取LLM构建的Prompt查询模板，将Prompt查询模板与知识图谱进行融合，运用强化学习路径优化方法得到最优信息查询，将各个Prompt查询模板得出的图谱查询结果整合；基于优化调整的LLM融合图谱查询结果进行问答结果生成。本发明通过融合多模态数据，结合历史用户查询问题q生成高精准qa问答对来微调垂直领域大模型，并通过搭建多层Prompt策略提升问答准确率。

本发明授权基于大模型与数据同化的作物知识图谱问答方法及系统在权利要求书中公布了：1.基于大模型与数据同化的作物知识图谱问答方法，其特征在于，包括以下步骤： 获取作物的多模态数据集，多模态数据集包括文本数据和图像数据； 基于图注意力网络GAT模型对不同模态的特征向量进行特征融合，生成统一表征的特征向量，构建多模态数据同化网络； 在同化网络的基础上，基于动态图神经网络生成初始知识图谱，当实时数据到达时，利用基于门控循环单元GRU模型的动态增量式图谱更新算法对初始知识图谱进行更新； 基于动态图神经网络生成初始知识图谱的步骤，包括：基于同化后的数据集，构建作物的生成实体集；其中，每个实体包括多个节点，每个节点包含多个属性，表示为： ； 构建实体集中实体间的关系集，表示为： ； 对每个时间节点的特征进行空间聚合，通过一维空洞卷积捕捉时序依赖；将时空特征进行融合，使用时空图卷积网络ST-GCN对经过多模态同化后的数据集构建初始图谱； 利用基于门控循环单元GRU模型的动态增量式图谱更新算法对初始知识图谱进行更新的步骤，包括：节点状态更新使用门控循环单元GRU模型，结合当前节点状态和邻居节点的信息，更新属性； 基于大语言模型LLM对用户的问题进行知识抽取和理解，对LLM的输出结果进行处理，生成图谱结构化查询模板；获取LLM构建的Prompt查询模板，将Prompt查询模板与知识图谱进行融合，运用强化学习路径优化方法得到最优信息查询，将各个Prompt查询模板得出的图谱查询结果整合，生成图谱路径查询候选集； 基于优化调整的LLM融合图谱查询结果进行问答结果生成；其中，利用注意力机制融合查询问题和图谱路径查询候选集，进行答案置信度的计算，得到答案候选集，通过构建多层Prompt进行多维度的输出，得到最终的问答结果； 优化调整的LLM通过以下步骤得到：离线收集大量不同分布的用户历史搜索的查询问题数据集q；使用构建好的知识图谱，对收集的历史数据集q进行路径遍历，得到与q对应的图谱路径集合；构建Prompt对图谱路径数据进行处理，生成预测结果、管理意见以及回答结果，结合业务规则对回答结果数据进行修正调整；对收集到的qa问答对进行模型输入格式化；对qa问答对，使用LLM模型进行有监督学习，通过最大化目标序列的似然函数，最小化交叉熵损失；通过优化训练的样本和参数，得到验证集上效果最优的微调LLM模型； 通过构建多层Prompt进行多维度的输出，得到最终的问答结果的步骤，包括：同时并行地对问题构建多个Prompt，包括问题解析Prompt、原始构建Prompt和建议Prompt；然后在最外层再套入一个结果整合Prompt；最后将第一层的模型结果输出合并，得到最终的问答结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽农业大学，其通讯地址为：230036 安徽省合肥市蜀山区长江西路130号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。