一种面向一致性学习的样本增强与优化方法

本发明公开了一种面向一致性学习的样本增强与优化方法，包括：对非结构化文本中的专业知识资料、专业词汇解读、历史实践数据与专家经验集合分别进行知识抽取，得到原始问答对，得到专业知识库；通过多样化策略处理原始问答对，生成语义一致但形式多样的增强样本问答对，对增强样本问答对进行扩展或简化，得到正样本；在增强样本问答对中引入干扰性表述或事实错误，得到负样本；根据大模型准确率调整正负样本比例；将正样本和负样本作为训练数据，并基于预训练大模型和专业知识库进行参数微调得到专业大模型。本发明提升了大模型在不同场景下的适应性和鲁棒性，降低了无关信息与错误回答的出现概率。