Page 315 - 《软件学报》2026年第4期

1756 软件学报 2026 年第 37 卷第 4 期

回答的完备性.
针对具有复杂政务主题关联的咨询, 研究复杂关联解析技术. 受到 Yu 等人 [35] 工作的启发, 我们可以尝试将语
义关系依存解析的步骤引入分析引导模块中, 以提升分析模块对复杂咨询的理解程度. 同时可以使用依存关系指
导领域知识库检索结果中关键信息的整合提炼, 为政务大语言模型提供更凝练聚焦的参考领域知识, 提升方法对
复杂咨询的应对能力.
为实现对包含语法错误或关键信息缺失的咨询进行感知和修正, 避免因错误输入导致分析和检索失效, 从而
生成错误回答, 我们可以构建基于表述流畅度评估的咨询错误分类器, 通过流畅度评估判断咨询是否存在问题. 为
了进一步修正咨询错误以正确回答用户咨询, 受到 Mao 等人 [36] 工作的启发, 我们计划研究基于多轮对话交互的咨
询意图修正技术, 通过多轮问题重写逐步明确用户咨询意图以提升回答的针对性.
为了实现对恶意攻击咨询的拒绝回答, 一种可能的方法是通过设定领域知识库检索时的相似度阈值来判断是
否存在相关内容. 如果所有相似度均低于设定阈值, 则认为知识库中不存在与咨询相关的内容, 此时可以通过分析
引导模块设计的拒绝回答提示模板, 指示政务大语言模型拒绝回答用户的咨询.

7 总 结

为了提升当前政务问答系统生成可信咨询回答的能力, 本文提出基于大语言模型的可信政务问答技术, 通过
加强系统在多服务场景下生成准确且可解释的咨询回答来实现可信咨询. 该方法首先通过分析引导模块将咨询中
的关键信息转述为对应的规范化表达, 从而加强政务大语言模型对多服务场景下的非规范咨询的有效理解. 然后,
领域知识库模块根据分析结果检索咨询相关领域知识, 确保多服务场景下检索效果不受咨询语言组织规范性的影
响, 进而保障检索成功率. 通过上述两个辅助模块的协同, 政务大语言模型在多服务场景下参考咨询分析结果和咨
询相关领域知识, 针对用户咨询生成准确且可解释的可信回答. 为构建领域知识库和微调政务大语言模型, 本文收
集整理了一个包含 1 901 篇政务文档和 10 503 条政务问答对的政务公开信息数据集, 通过实验和生成案例分析验
证了基于本文方法实现的原型系统生成可信回答的能力. 实验结果表明, 原型系统在多种服务场景下均能针对用
户咨询生成准确且可解释的回答, 具备提供可信政务咨询服务的能力. 最后, 本文从系统在两个典型政务服务场景
下的失败案例分析出发, 分析了系统方法的局限性并展望了未来研究方向, 为后续工作提供启发.

References
[1] Li YX, Li ZH, Zhang K, Dan RL, Jiang S, Zhang Y. ChatDoctor: A medical chat model fine-tuned on a large language model meta-AI
(LLaMA) using medical domain knowledge. Cureus, 2023, 15(6): e40895. [doi: 10.7759/cureus.40895]
[2] Vassilakopoulou P, Haug A, Salvesen LM, Pappas IO, Agerfalk P. Developing human/AI interactions for chat-based customer services:
Lessons learned from the norwegian government. European Journal of Information Systems, 2023, 32(1): 10–22. [doi: 10.1080/0960085X.
2022.2096490]
[3] Gao SS, Gao L, Li Q, Xu JJ. Application of large language model in intelligent Q&A of digital government. In: Proc. of the 2nd Int’l
Conf. on Networks, Communications and Information Technology. Qinghai: ACM, 2023. 24–27. [doi: 10.1145/3605801.3605806]
[4] Wang YK, Zhang N, Zhao XJ. Intelligent Q&A robots in government services: Current status, mechanism, and key support. E-
Government, 2020(2): 34–45 (in Chinese). [doi: 10.16582/j.cnki.dzzw.2020.02.004]
[5] Cheng X, Tan TL, Wang MM. Research on government question answering robot based on knowledge graph in PKS system. Application
of Electronic Technique, 2023, 49(4): 128–132 (in Chinese with English abstract). [doi: 10.16157/j.issn.0258-7998.223038]
[6] Fan YF, Zou BW, Xu QT, Li ZF, Hong Y. Survey on commonsense question answering. Ruan Jian Xue Bao/Journal of Software, 2024,
35(1): 236–265 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/6913.htm [doi: 10.13328/j.cnki.jos.006913]
[7] Wang F, Wei ZH, Lian ZX. Developing an evaluation index system and its testing questions for government intelligent Q&A systems.
Document, Informaiton & Knowledge, 2023, 40(6): 98–111 (in Chinese with English abstract). [doi: 10.13366/j.dik.2023.06.098]
[8] Liang DC, Wu YQ, Duan WY. Multiple granularity user intention fairness recognition of intelligent government Q & A system via three-
way decision. Information Sciences, 2023, 631: 305–326. [doi: 10.1016/j.ins.2023.02.070]
[9] Geng YF. Research and implementation of task-oriented dialogue system for government affairs [MS. Thesis]. Changsha: South-central
Minzu University, 2022 (in Chinese with English abstract).