Page 300 - 《软件学报》2026年第4期

王骞玥 等: 大语言模型驱动的可信政务问答技术 1741

module. When generating answers, the large language model references the consulting analysis results provided by the analysis guidance
module and the domain knowledge offered by the domain knowledge base module to produce answers that are accurate and consistent
with the facts. The reference information during answer generation serves as a foundation to enhance the interpretability of the answers. A
comprehensive dataset, containing multi-level and multi-granularity government public information, is collected and organized to construct
the modules involved in the method and to test their effectiveness. This dataset includes 1 901 documents and 10 503 question-answer
pairs. Finally, experiments verify that the prototype system, implemented based on the proposed method, can generate accurate and
interpretable answers for user inquiries in multiple service scenarios, proving the effectiveness of each module in the system.
Key words: intelligent government; government Q&A system; large language model (LLM); knowledge enhancement; intention recognition
随着政务服务网络化和数字政府建设, 我国在线政务服务咨询呈现出用户数量增大、咨询话题增广、咨询内
容复杂化的趋势. 2023 年, 全国政务咨询超 6.2 万条 (https://doi.org/10.28655/n.cnki.nrmrb.2024.015440). 政务问答
系统能提供全时段、全面且实时的政务咨询服务, 能在便利企业及群众办事的同时减轻人工咨询服务压力, 因此
其在改善政务咨询服务中具有价值和潜力.
政务问答系统作为政府机构重要的信息发布窗口, 要求其回答可信. 然而, 相较于其他知识更新周期长, 使用
人群相对固定的可信问答系统, 如医疗问答系统 [1] 和客服问答系统 [2] , 政务问答系统在政策、案例和规则上均有
独特规律和可用性要求 (如 GB/T 44230-2024 政务信息基本要求). 具体来说, 政策更新快要求政务问答系统的回
答有时效性; 用户核心咨询意图模糊要求政务问答系统能有效理解非政务语言组织规范的用户咨询; 政务咨询回
答有特定规则, 要求政务问答系统产生的回答内容规范严谨.
目前政务问答系统的构建方法主要有两类. 一类基于专家预设的问答库 [3] 提供咨询回答. 此类方法从问答库
中匹配与咨询最接近的问题并将问题对应的回答作为系统对咨询的回答. 此类问答系统给出的回答虽然内容组织
规范, 但其针对性受限于咨询语言组织的规范性和预设问答对的完备性. 因此, 这类问答系统在面对非规范咨询时
常有“答非所问”情况 [4] , 如图 1 的左侧模块示例, 面对用户提出的非规范咨询时, 系统未能提供教育资金补贴的内
容. 另一类政务问答系统基于规模有限的语言模型 [5] . 此类方法能针对用户咨询生成对应回答, 提升回答的针对性.
但此类系统生成回答的过程是黑盒的, 且缺乏依据, 导致回答内容的准确性和可解释性不足. 如图 1 中间模块示
例, 系统虽能针对咨询生成回答, 但内容无据可依, 表述正确性无法验证, 导致回答可信度降低, 且此类系统在多服
务场景下对咨询的理解受限于咨询语言组织的规范性 [5] . 因此, 政务问答系统在多服务场景下针对用户咨询生成
准确且可解释的可信回答的能力仍有待提升.
针对前述问题, 本文提出一种基于大语言模型的可信政务问答技术, 如图 1 右侧模块示例. 本文方法将政务大
语言模型作为系统核心的内容理解和生成模块, 其具备理解简单规范政务咨询和生成表述符合政务咨询规范的回
答的能力. 本文方法有效解决前人方法对非规范化咨询理解不足的问题, 加强大语言模型在多服务场景下对咨询
内容和咨询意图的有效理解, 保障多场景适应能力. 同时, 方法中包含可低成本更新的领域知识库, 其能根据前述
对咨询的分析结果提供咨询相关领域知识. 保障多服务场景下领域知识检索的有效性. 政务大语言模型生成回答
时综合参考分析结果和提供的咨询相关领域知识, 确保在有效理解多服务场景中用户咨询的前提下, 针对用户咨
询生成表述与事实一致的准确回答. 同时, 参考信息可作为回答依据, 提升回答的可解释性. 通过上述分析和生成
过程, 方法实现了多服务场景下针对用户咨询生成准确且可解释的可信咨询回答 [4] . 相较前人提出的政务问答方
法, 本文方法兼顾回答的针对性和表述的正确性. 同时, 本文方法通过不同模块的协同合作, 实现在多服务场景下
生成准确且可解释的可信回答. 本文的主要贡献如下.
(1) 针对当前政务问答系统生成回答可信度不足的问题, 本文提出了基于政务大语言模型的可信政务问答技
术. 该方法通过加强政务大语言模型在多服务场景中对咨询的理解并在生成过程中提供咨询相关领域知识, 实现
在多服务场景中对用户咨询生成表述准确规范且可解释的可信回答.
(2) 针对政务公开信息数据集缺乏问题, 本文从多源官方信息公开平台上收集并整理了一个包含多层次多粒
度政务公开信息的综合性数据集 (https://doi.org/10.57760/sciencedb.24847). 该数据集包含 1 901 篇文档和 10 503
条问答对, 用于微调政务大语言模型和构建领域知识库.
(3) 多服务场景下的方法对比实验结果和生成案例分析证明, 基于本文方法构建的原型系统能在不同服务场