本申请实施例涉及智能信息处理技术，尤其涉及一种智能答复方法、装置、电子设备和存储介质。
背景技术：
1、在数字经济时代，运用数据挖掘和深度学习等技术实现人机交互是一种重要的数字化技术。
2、现有技术中，需要大量的语料对智能问答模型进行训练，以保障答复模型的准确率。
3、但是，对于一些专业领域，缺乏足够的训练样本，导致智能答复模型的准确率低。
技术实现思路
1、本申请提供一种智能答复方法、装置、电子设备和存储介质，以在训练样本不充足的情况下，提高智能答复模型的准确率。
2、第一方面，本申请实施例提供了一种智能答复方法，该智能答复方法包括：
3、获取用户输入的用户问题；
4、对用户问题进行向量化处理，得到向量化问题；
5、依据向量化问题，通过知识图谱，确定候选知识向量；
6、依据候选知识向量，通过大模型，确定对用户问题进行答复的目标答案。
7、第二方面，本申请实施例还提供了一种智能答复装置，该智能答复装置包括：
8、用户问题获取模块，用于获取用户输入的用户问题；
9、向量化问题确定模块，用于对用户问题进行向量化处理，得到向量化问题；
10、候选知识向量确定模块，用于依据向量化问题，通过知识图谱，确定候选知识向量；
11、目标答案确定模块，用于依据候选知识向量，通过大模型，确定对用户问题进行答复的目标答案。
12、第三方面，本申请实施例还提供了电子设备，该电子设备包括：
13、一个或多个处理器；
14、存储装置，用于存储一个或多个程序；
15、当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本申请实施例提供的任意一种智能答复方法。
16、第四方面，本申请实施例还提供了一种包括计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如本申请实施例提供的任意一种智能答复方法。
17、本申请通过获取用户输入的用户问题；对用户问题进行向量化处理，得到向量化问题；依据向量化问题，通过知识图谱，确定候选知识向量，能够通过知识图谱学习对应的专业知识；依据候选知识向量，通过大模型，确定对用户问题进行答复的目标答案，利用大模型的可移植性好，不需要大量训练样本的特征，降低对训练样本的依赖，可以基于有限的候选知识向量，保障目标答案的准确率。将知识图谱和大模型技术进行结合，构建了一个专有知识的大模型智能问答方法，不需要大量的训练样本，并且可为用户提供更加专业和更加流畅的交互体检。因此通过本申请的技术方案，解决了对于一些专业领域，缺乏足够的训练样本，导致智能答复模型的准确率低的问题，达到了在训练样本不充足的情况下，提高智能答复模型的准确率的效果。
1.一种智能答复方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述依据所述候选知识向量，通过大模型，确定对所述用户问题进行答复的目标答案，包括：
3.根据权利要求2所述的方法，其特征在于，所述依据所述目标知识向量，通过大模型，确定所述用户问题的目标答案，包括：
4.根据权利要求1所述的方法，其特征在于，所述依据向量化问题，通过知识图谱，确定候选知识向量，包括：
5.根据权利要求1所述的方法，其特征在于，所述对所述用户问题进行向量化处理，得到向量化问题，包括：
6.根据权利要求5所述的方法，其特征在于，所述通过对所述用户问题进行语义分析，得到问题语义，包括：
7.一种智能答复装置，其特征在于，包括：
8.根据权利要求7所述的装置，其特征在于，所述目标答案确定模块，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一所述的智能答复方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一所述的智能答复方法。
