知識增強型AI模型問世 大幅提升多輪對話精準度

中國西安電子科技大學研究團隊近期提出一種新型人工智慧模型，命名為「主題語意關係知識模型」（TSR），旨在大幅提升對話式AI系統在多輪對話中的準確性與上下文理解能力。該模型透過將結構化主題知識整合到推理過程中，有效解決了AI在複雜對話中容易喪失語境、導致語意模糊的問題。

傳統對話式AI系統在處理連續追問時，常因缺乏關鍵實體資訊而表現不佳。TSR 模型的核心機制，是重建對話的「主題骨幹」，並以此為基礎來檢索及應用外部知識。具體而言，TSR 模型會根據當前對話的語意，回溯並篩選出與主題相關的歷史對話內容，以避免引入雜訊或分散注意力。這些主題相關的歷史資訊會與當前對話結合，形成精簡的「主題語意資訊」，作為當前對話主題的簡潔代表。

隨後，這份主題語意資訊會被用於與外部知識資源進行語意比對，強化系統對用戶查詢的推理能力，進而提供更準確的答案。TSR 模型執行的是兩階段的知識連結過程：首先將對話與自身的歷史記錄連結，然後再將富含歷史資訊的查詢與世界知識進行連結。此架構的獨特組件是「全域知識注意力層」（Global Knowledge Attention Layer, GKA），透過多層特徵融合來獲取更豐富的知識表示，確保模型能夠整合多層次的知識訊號，避免過度偏重單一知識片段。

該模型已在 QuAC、CoQA 和 DoQA 等三個專為測試複雜對話情境下對話問答能力的基準測試集上進行評估。結果顯示，TSR 模型在 F1 分數和「對話層次人類等效分數」（HEQ-D）兩項指標上，均達到目前最先進的表現。HEQ-D 旨在衡量系統在每個對話回合中，其答案與人類答案達到相同水準的對話比例，反映出系統持續的可靠性。

這項研究成果由國家自然科學基金委員會資助，由李凱、Xinyao Guo、Shuquan Zhang 及 Jietao Liu 等研究人員共同提出。研究團隊指出，TSR 模型藉由根據對話主題引導知識檢索與比對，精進了現有的檢索增強生成（RAG）技術，有望應用於生產對話系統、虛擬助理及客服代理等領域，為開發更可靠的對話式AI奠定基礎。