本发明涉及石墨烯，尤其涉及一种基于大模型的石墨烯产品检索方法及系统。
背景技术：
1、石墨烯作为一种新型材料，以其优异的物理、化学和机械性能在多个领域内得到了广泛关注和应用。然而，随着石墨烯相关研究和产品的迅猛发展，如何高效地检索和筛选出相关的高质量信息，成为了一个重要且亟待解决的问题。现有的石墨烯产品检索方法主要依赖于传统的关键词匹配和简单的文本处理技术，这些方法在面对复杂查询时，往往无法准确理解用户的搜索意图，导致检索结果的相关性和精确性较低。此外，石墨烯应用领域的广泛性和数据的多样性使得信息整合和处理变得更加复杂和耗时。
2、传统的石墨烯产品检索系统存在以下几个主要缺陷：
3、现有检索方法通常依赖于简单的关键词匹配技术，这种方法无法处理复杂的自然语言查询，特别是在涉及多义词、同义词或上下文依赖的情况下，容易导致检索结果的相关性和准确性大幅降低。
4、传统方法在解析用户查询的语义方面能力有限，无法深入理解用户的实际搜索意图。这导致系统在处理涉及细微差别或上下文关系的查询时，难以提供准确的检索结果。
5、石墨烯相关的信息通常分布在多个数据源中，如科研文献、产品目录和专利库等。这些数据源在格式和结构上存在显著差异，导致信息整合和处理变得非常复杂，现有方法在面对多源数据时效率低下，难以提供快速且精确的检索结果。
6、石墨烯产品的特性和类别往往需要通过显微图像和宏观图像进行识别和分析。传统检索系统在图像数据处理方面的能力有限，难以充分利用图像识别技术来细化产品属性和类别的识别，影响了检索结果的准确性和全面性。
7、因此，如何提供一种基于大模型的石墨烯产品检索方法及系统是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的一个目的在于提出一种基于大模型的石墨烯产品检索方法及系统，本发明通过变分自编码器和transformer网络解析用户输入的自然语言查询，识别查询中的关键概念和意图，深入理解用户的搜索需求，提供高度相关和精确的检索结果。
2、根据本发明实施例的一种基于大模型的石墨烯产品检索方法，包括如下步骤：
3、s1、接收用户输入的石墨烯相关查询；
4、s2、利用变分自编码器和transformer网络解析查询中的自然语言，识别查询中的关键概念和意图；
5、s3、根据解析结果，从多个数据源中提取石墨烯产品相关信息，数据源包括科研文献、产品目录及专利库；
6、s4、应用图像识别技术对石墨烯产品的图像数据进行分析，细化产品属性和类别的识别；
7、s5、将自然语言的处理结果与图像识别的结果结合，使用数据挖掘技术进行信息的分类和聚合；
8、s6、使用机器学习模型分析用户的搜索意图与聚合信息的匹配度，动态优化搜索结果的相关性和精确性；
9、s7、输出与用户查询高度相关的石墨烯产品信息。
10、可选的，所述s1包括以下步骤：
11、s11、提供用户输入界面，所述用户输入界面包括文本输入框和语音输入模块，允许用户通过自然语言文本或语音输入查询；
12、s12、对用户输入的文本或语音数据进行预处理，所述预处理步骤包括：
13、对文本数据进行分词处理，使用自然语言处理工具将输入的自然语言查询拆分为独立的词或词组；
14、对语音数据进行语音识别处理，将语音信号转换为文本，并进行分词处理；
15、去除查询中的停用词，包括无意义词汇；
16、进行同义词替换，使用同义词词典将查询中的同义词替换为标准术语；
17、s13、将预处理后的查询文本转换为词向量，所述词向量通过词嵌入模型生成，使用以下公式计算每个词的向量表示：
18、v(wi)＝embedding(wi)；
19、其中，wi表示查询中的每个词，embedding(wi)表示词嵌入模型生成的词向量；
20、s14、对词向量进行聚合，生成查询向量q，所述查询向量通过如下公式计算：
21、
22、其中，n表示查询中的词数量，v(wi)表示每个词的词向量；
23、s15、将查询向量q输入到变分自编码器中进行降维处理，生成低维潜在向量z；
24、s16、将低维潜在向量z输入到transformer网络中，进行深度语义解析，识别查询中的关键概念和意图，生成解析结果r，所述解析结果通过如下公式计算：
25、r＝transformer(z)；
26、其中，transformer(z)表示transformer网络的输出结果；
27、s17、将解析结果r存储在临时查询库中。
28、可选的，所述s2包括以下步骤：
29、s21、将预处理后的查询向量q输入到结合知识图谱的变分自编码器中进行编码，生成潜在向量z：
30、μ(q)＝wμq+bμ；
31、logσ2(q)＝wσq+bσ；
32、
33、其中，wμ和wσ表示权重矩阵，bμ和bσ表示偏置向量，∈表示从标准正态分布n(0,i)中采样的噪声向量；
34、s22、将潜在向量z输入到物理化学特性嵌入模块，生成增强的潜在向量z'：
35、z′＝z+physchem(q)；
36、其中，physchem(q)表示基于查询的物理化学特性嵌入；
37、s23、将增强的潜在向量z′输入到多模态数据处理模块中的transformer网络中，进行深度语义解析，解析过程中使用多头自注意力机制和领域特定的优化项，识别查询中的关键概念和意图，解析结果r通过如下公式计算：
38、q＝wq·z′；
39、k＝wk·z′；
40、v＝wv·z′；
41、
42、r＝concat(head1,head2,…,headh)wo；
43、其中，domainopt(z′)表示基于石墨烯领域特定优化项，dk表示键向量的维度，wq,wk,wv表示查询、键和值的权重矩阵，headi表示第i个头的注意力机制结果，wo表示输出权重矩阵；
44、s24、应用位置编码和石墨烯领域特定的知识图谱增强transformer网络的解析能力，位置编码通过如下公式计算：
45、
46、其中，pos表示位置，i表示维度索引，dmodel表示模型的维度大小；
47、s25、通过复杂网络分析模块，对潜在向量z'进行迭代处理，进一步细化查询意图的识别，多层transformer的计算过程如下：
48、h(l+1)＝layernorm(h(l)+dropout(feedforward(multihead(h(l),h(l),h(l))))+complexnet(z′))；
49、其中，h(l)表示第l层的隐藏状态，dropout表示丢弃正则化，feedforward表示前馈神经网络，layernorm表示层归一化操作，complexnet(z′)表示基于复杂网络分析的优化项；
50、s26、通过自适应学习机制，将深度语义解析的结果r和用户反馈进行结合，动态调整和优化检索算法和结果；
51、s27、将最终优化的解析结果r′输出。
52、可选的，所述s3包括以下步骤：
53、s31、根据解析结果r′生成查询模板，所述查询模板包括关键词、短语及主题概念；
54、s32、将查询模板输入到多个数据源接口中执行分布式查询，所述数据源接口包括科研文献数据库、产品目录数据库及专利库；
55、s33、对各数据源返回的查询结果进行预处理，去除冗余数据、格式统一化及初步去噪处理；
56、s34、将预处理后的数据结果进行索引化处理，生成索引向量ii，每个索引向量ii通过如下公式计算：
57、
58、其中，dij表示每个数据结果的属性值，表示对应属性的权重系数，αj、βj和γj分别表示与解析结果f相关的调节参数，ψ(dij)表示属性变换函数，ωj表示频率参数，t表示积分上限，m表示属性的数量；
59、s35、对索引向量ii进行自然语言处理和图像识别技术，生成特征向量fi，特征向量fi通过如下公式计算：
60、
61、其中，iik表示每个索引向量中的自然语言特征，k(iik)表示自然语言特征变换函数，iik表示每个索引向量中的图像特征，ω(iil)表示图像特征变换函数，θk和λl分别表示自然语言和图像特征的权重系数，ξl、δl、∈l和ζl分别表示与解析结果r′相关的调节参数，σ表示整体特征聚合函数，χl表示频率相关系数，ωl表示频率参数，t表示积分上限，p和q分别表示自然语言和图像特征的数量；
62、s36、将提取的特征向量fi输入到聚合模块中，根据解析结果r'进行信息的分类和聚合，生成聚合向量a，聚合过程如下：
63、
64、其中，αi、δj和ξk分别表示特征向量和解析结果的权重系数，β(fi)和ζ(fj,r′)分别表示基于解析结果r′的特征向量变换函数和特征-解析结果交互函数，分别表示与特征向量和解析结果r′相关的调节参数，η表示整体聚合函数，λk表示频率相关系数，ωk表示频率参数，t表示积分上限，n、m和p分别表示特征向量和解析结果的数量；
65、s37、将聚合向量a输入到数据库中存储。
66、可选的，所述s4包括以下步骤：
67、s41、接收石墨烯产品的图像数据，所述图像数据包括显微图像和宏观图像；
68、s42、对接收的图像数据进行图像去噪、对比度增强和边缘检测，得到预处理后的图像数据ipre；
69、s43、使用卷积神经网络对预处理后的图像数据进行特征提取，生成图像特征向量fimg；
70、s44、对图像特征向量fimg进行分类处理，识别石墨烯产品的属性和类别，所述分类处理通过如下公式计算：
71、
72、其中，classifier(fimg)表示分类器对图像特征向量的处理函数，wi和vi表示权重矩阵，bi表示偏置向量，σ表示激活函数，∈i、αi、βi、γi表示调节参数，relu表示修正线性单元函数，tanh表示双曲正切函数；
73、s45、将分类结果c与自然语言处理结果r′进行融合，生成细化的产品属性和类别信息，融合过程如下：
74、
75、其中，α和β表示权重系数，δi、θi、λi、μi、vi表示调节参数，表示融合函数，wi和vi表示融合过程中的权重矩阵，bi表示偏置向量，afusion表示融合后的产品属性和类别信息；
76、s46、将融合后的产品属性和类别信息afusion存储在临时数据库中。
77、可选的，所述s5包括以下步骤：
78、s51、接收自然语言处理结果r′和融合后的产品属性和类别信息afusion；
79、s52、将自然语言处理结果r′和融合后的产品属性和类别信息afusion转换为统一的数据格式，生成联合特征向量u；
80、s53、对联合特征向量u使用数据挖掘技术进行特征提取，生成特征矩阵m；
81、s54、对特征矩阵m进行分类处理，将提取的特征进行聚类和分类，生成分类结果cfinal；
82、s55、将分类结果cfinal输入到聚合模块中，根据数据挖掘技术对信息进行聚合，生成最终聚合结果afinal：
83、
84、其中，αi表示权重系数，k表示分类结果的数量，cfinal,i表示每个分类结果；
85、s56、将最终聚合结果afinal存储在数据库中。
86、可选的，所述s6包括以下步骤：
87、s61、接收用户的搜索意图数据和聚合信息afinal；
88、s62、将用户的搜索意图数据和聚合信息afinal转换为统一的数据格式，生成用户意图特征向量uintent和聚合信息特征向量uagg；
89、s63、使用匹配度分析模型计算用户意图特征向量uintent与聚合信息特征向量uagg的匹配度，匹配度通过如下公式计算：
90、
91、其中，cos表示余弦相似度函数，·表示向量点积，||·||表示向量的模；
92、s64、根据匹配度结果，对搜索结果进行动态优化，优化步骤包括调整搜索结果的排序权重和筛选不相关的信息，优化后的搜索结果ropt通过如下公式计算：
93、
94、其中，wi表示第i个搜索结果的权重，ri表示第i个搜索结果，n表示搜索结果的数量；
95、s65、利用强化学习算法对匹配度分析模型进行在线学习和调整，强化学习过程包括以下步骤：
96、定义奖励函数r，奖励函数根据用户的反馈和搜索结果的相关性进行计算；
97、使用强化学习算法更新模型参数，使匹配度分析模型能够自适应调整和优化搜索结果；
98、s66、将优化后的搜索结果ropt输出给用户，并将相关数据存储在数据库中。
99、一种基于大模型的石墨烯产品检索方法的检索系统，包括以下模块：
100、用户输入模块，用于接收用户输入的石墨烯相关查询，所述用户输入模块包括文本输入框和语音输入模块；
101、自然语言处理模块，包括变分自编码器和transformer网络，用于解析用户输入的自然语言查询，识别查询中的关键概念和意图；
102、数据提取模块，用于从多个数据源中提取石墨烯产品相关信息，所述数据源包括科研文献数据库、产品目录数据库及专利库；
103、图像处理模块，用于应用图像识别技术对石墨烯产品的图像数据进行分析，细化产品属性和类别的识别；
104、信息分类和聚合模块，用于将自然语言处理结果与图像识别结果结合，使用数据挖掘技术进行信息的分类和聚合；
105、匹配度分析和优化模块，包括机器学习模型，用于分析用户的搜索意图与聚合信息的匹配度，动态优化搜索结果的相关性和精确性；
106、结果输出模块，用于输出优化后的搜索结果，并将相关数据存储在数据库中。
107、本发明的有益效果是：
108、(1)本发明通过变分自编码器和transformer网络解析用户输入的自然语言查询，识别查询中的关键概念和意图，深入理解用户的搜索需求，提供高度相关和精确的检索结果，克服了传统关键词匹配方法在处理复杂查询时的局限性。
109、(2)本发明数据提取模块能够从多个数据源(科研文献数据库、产品目录数据库及专利库)中提取石墨烯产品相关信息，并进行统一格式化和初步去噪处理，显著提升了信息整合和处理的效率，解决了数据分散和格式差异的问题。
110、(3)本发明通过图像处理模块，应用卷积神经网络对石墨烯产品的显微图像和宏观图像进行分析，生成精确的图像特征向量，并结合自然语言处理结果，细化产品属性和类别的识别，从而提供更全面和准确的检索结果。
111、(4)本发明信息分类和聚合模块将自然语言处理结果与图像识别结果相结合，使用数据挖掘技术对信息进行分类和聚合，生成联合特征向量和特征矩阵，提升了信息处理的精度和效率，使得检索系统能够准确地对大量数据进行分类和聚合。
112、(5)本发明匹配度分析和优化模块通过使用机器学习模型，分析用户的搜索意图与聚合信息的匹配度，动态优化搜索结果的相关性和精确性，并利用强化学习算法进行在线学习和调整，使系统能够根据用户反馈和交互数据自适应优化搜索结果，持续提升用户体验。
1.一种基于大模型的石墨烯产品检索方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于大模型的石墨烯产品检索方法，其特征在于，所述s1包括以下步骤：
3.根据权利要求2所述的一种基于大模型的石墨烯产品检索方法，其特征在于，所述s2包括以下步骤：
4.根据权利要求3所述的一种基于大模型的石墨烯产品检索方法及系统，其特征在于，所述s3包括以下步骤：
5.根据权利要求4所述的一种基于大模型的石墨烯产品检索方法及系统，其特征在于，所述s4包括以下步骤：
6.根据权利要求5所述的一种基于大模型的石墨烯产品检索方法及系统，其特征在于，所述s5包括以下步骤：
7.根据权利要求6所述的一种基于大模型的石墨烯产品检索方法及系统，其特征在于，所述s6包括以下步骤：
8.如权利要求1-7任一项所述的一种基于大模型的石墨烯产品检索方法的检索系统，其特征在于，包括以下模块：
