基于大语言模型的客户智能推荐方法、系统、设备及介质与流程

1.本发明涉及计算机技术领域，具体涉及一种基于大语言模型的客户智能推荐方法、系统、设备及介质。


背景技术：

2.随着人工智能和大数据技术的发展，销售领域的业务服务由toc端的客户推荐扩增至tob端的客户推荐服务，然而tob端的客户推荐服务面临多细分行业维度的问题，目前国内二级行业分为97类，四级行业分类高达1382类，且各细分行业间的客户画像、获客因素以及商业逻辑均存在较大差异，数据量庞大，客户推荐逻辑复杂。
3.现有技术通过采集到的各行业客户行为数据建立客户推荐模型，基于行为数据分析客户企业的多维度相似特征，对客户行业进行分类从而完成客户推荐的目的，然而现有技术的缺点在于，客户行为数据无法表征行业产业链上下游间的关联信息，且生成模型所推荐的目标客户画像存在较多的白噪声，推荐模型的鲁棒性和准确性较低。
4.目前，亟需一种基于大语言模型的客户智能推荐方法，以解决上述tob端客户推荐服务准确率较低的问题。


技术实现要素：

5.针对现有技术的不足，本发明提出一种基于大语言模型的客户智能推荐方法、系统、设备及介质。
6.本发明第一方面公开了一种基于大语言模型的客户智能推荐方法，包括：
7.s1:构建企业知识图谱，分别定义所述企业的业务主体及所述业务主体关联的广义相关关系；
8.s2：根据所述广义相关关系构建用于分类所述业务主体的标签分类模型，通过所述业务主体与所述广义相关关系的关联映射，输出带有分类标签的所述业务主体；
9.s3：预设置包括头实体、第一关系分类及尾实体的第一关系三元组，基于所述带分类标签的业务主体及广义相关关系构建用于实例化查询所述尾实体的第一prompt指令，将所述第一prompt指令输入所述大语言模型获得多个所述尾实体的查询结果；
10.s4：根据所述查询结果生成多组包括所述尾实体、第二关系分类及头实体的第二关系三元组，构建用于实例化校验所述第二关系分类的第二prompt指令，将所述第二prompt指令输入所述大语言模型获得所述第二关系分类的校验结果，并通过所述校验结果确认所述第二关系三元组中所述头实体与尾实体相匹配的广义相关关系；
11.s5：将校验后的所述尾实体匹配所述企业知识图谱中的所述业务主体，并根据所述企业知识图谱中业务主体与企业间的映射关系确定目标推荐客户。
12.在一个可选的实施例中，所述业务主体为企业对应的主营业务，所述主营业务包括产品及服务，所述广义相关关系为所述主营业务在产业链中的定位信息。
13.在一个可选的实施例中，所述第一关系三元组中所述头实体为实例化输入的业务
主体，所述第一关系分类为实例化输入的广义相关关系，所述尾实体为实例化输出的所述业务主体，所述第二关系分类为输出的多个所述尾实体匹配单个所述头实体的多个不同的所述广义相关关系，通过所述第二关系分类确认头实体对应的所述业务主体相关联的其他业务主体，进而确认所述业务主体关联的企业目标推荐客户。
14.在一个可选的实施例中，所述基于所述带分类标签的业务主体及广义相关关系构建用于实例化查询所述尾实体的第一prompt指令包括：
15.将确定分类的业务主体输入为所述第一关系三元组的头实体，并根据实例化查询需求输入作为查询条件的所述广义相关关系作为第一关系三元组的第一关系分类，通过本文特征提取获得表示查询所述业务主体匹配所述查询条件的第一语义向量，根据所述第一语义向量表征生成用于输入所述大语言模型进行查验的第一prompt指令。
16.在一个可选的实施例中，所述根据查询结果生成多组包括所述尾实体、第二关系分类及头实体的第二关系三元组，构建用于实例化校验所述第二关系分类的第二prompt指令包括：
17.由查询结果获得多个匹配所述头实体对应业务主体的多个所述尾实体，将多个所述尾实体对应的业务主体和所述头实体对应的业务主体以及两业务主体相匹配的多个广义相关关系构建为多个第二关系三元组，通过本文特征提取获得表示校验所述广义相关关系匹配所述校验条件的第二语义向量，根据所述第二语义向量表征生成用于输入所述大语言模型进行校验的第二prompt指令，以获得所述头实体对应业务主体产业链中关联其他业务主体的关联信息。
18.在一个可选的实施例中，所述定位信息为所述业务主体经多个广义相关关系构建的产业链网络中业务主体位于所述产业链上下游的位置以及同产业链下不同所述业务主体对应的所述主营业务间的关联信息。
19.在一个可选的实施例中，所述大语言模型为gpt模型、mpt模型、bloom模型或ernie模型中的一种。
20.本发明第二方面公开了一种基于大语言模型的客户智能推荐系统，所述系统包括：
21.预设模块,用于构建企业知识图谱，分别定义所述企业的业务主体及所述业务主体关联的广义相关关系；
22.分类模块，用于根据所述广义相关关系构建用于分类所述业务主体的标签分类模型，通过所述业务主体与所述广义相关关系的关联映射，输出带有分类标签的所述业务主体；
23.查询模块，用于预设置包括头实体、第一关系分类及尾实体的第一关系三元组，基于所述带分类标签的业务主体及广义相关关系构建用于实例化查询所述尾实体的第一prompt指令，将所述第一prompt指令输入所述大语言模型获得多个所述尾实体的查询结果；
24.校验模块，用于根据所述查询结果生成多组包括所述尾实体、第二关系分类及头实体的第二关系三元组，构建用于实例化校验所述第二关系分类的第二prompt指令，将所述第二prompt指令输入所述大语言模型获得所述第二关系分类的校验结果，并通过所述校验结果确认所述第二关系三元组中所述头实体与尾实体相匹配的广义相关关系；
25.输出模块，用于将校验后的所述尾实体匹配所述企业知识图谱中的所述业务主体，并根据所述企业知识图谱中业务主体与企业间的映射关系确定目标推荐客户。
26.在一个可选的实施例中，所述查询模块包括：
27.第一指令生成模块，用于将确定分类的业务主体输入为所述第一关系三元组的头实体，并根据实例化查询需求输入作为查询条件的所述广义相关关系作为第一关系三元组的第一关系分类，通过本文特征提取获得表示查询所述业务主体匹配所述查询条件的第一语义向量，根据所述第一语义向量表征生成用于输入所述大语言模型进行查验的第一prompt指令。
28.在一个可选的实施例中，所述校验模块包括：
29.第二指令生成模块，用于由查询结果获得多个匹配所述头实体对应业务主体的多个所述尾实体，将多个所述尾实体对应的业务主体和所述头实体对应的业务主体以及两业务主体相匹配的多个广义相关关系构建为多个第二关系三元组，通过本文特征提取获得表示校验所述广义相关关系匹配所述校验条件的第二语义向量，根据所述第二语义向量表征生成用于输入所述大语言模型进行校验的第二prompt指令，以获得所述头实体对应业务主体产业链中关联其他业务主体的关联信息。
30.本发明第三方面公开了一种基于大语言模型的客户智能推荐设备，包括：
31.至少一个处理器，以及，
32.与所述至少一个处理器通信连接的存储器；其中，
33.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明第一方面公开的任一项所述的基于大语言模型的客户智能推荐方法。
34.本发明第四方面公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本发明第一方面公开的任一项所述的基于大语言模型的客户智能推荐方法。
35.与现有技术相比，本发明具有以下优点：
36.(1)本发明通过预先定义企业知识图谱中企业的主营业务信息以及业务主体在产业链中广义相关关系的定位信息，再通过与构建的标签分类模型完成所要查询产业链关联信息的输入内容预分类，完成前期数据处理过程，避免大量的数据处理过程，提高查询推荐客户的效率；
37.(2)本发明通过将企业业务主体实例化输入为第一关系三元组的头实体，再结合作为查询条件的第一关系分类以及想要查询的头实体对应所属产业链中关联的尾实体，通过预设置生成可以更好的表达查询问题的语义向量prompt指令输入大语言模型中，利用大语言模型蕴含大量语料、行业知识的特点，从中抽取相关的知识，构建产业链上下游关系，输出头实体匹配可选的多个尾实体，从而初步确定作为查询输入的企业业务主体相关联的业务主体，再经第二关系三元组生成prompt指令输入大语言模型中，对第二关系三元组进行推理和校验，提高查询的鲁棒性和准确性且获得产业链上下游业务主体之间的关系描述，确保输入的业务主体能够查询到产业链中相关联的其他所有业务主体，解决现有中生成模型所推荐的目标客户画像存在较多的白噪声，推荐模型的鲁棒性和准确性较低的问题。
38.(3)本发明通过查询结果中输入业务主体获得的其他相关业务主体，结合企业知识图谱中业务主体与企业间的映射关系，获得推荐客户列表，实现由产业链上下游全链相关业务匹配对应的企业，精准获取目标客户，具有较强的实用性。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
40.图1为本发明基于大语言模型的客户智能推荐方法的流程图；
41.图2为本发明基于大语言模型的客户智能推荐系统的示意图。
具体实施方式
42.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
44.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
45.实施例1
46.参见图1，本发明实施方式公开了一种基于大语言模型的客户智能推荐方法，包括：
47.s1:构建企业知识图谱，分别定义所述企业的业务主体及所述业务主体关联的广义相关关系；
48.s2：根据所述广义相关关系构建用于分类所述业务主体的标签分类模型，通过所述业务主体与所述广义相关关系的关联映射，输出带有分类标签的所述业务主体；
49.s3：预设置包括头实体、第一关系分类及尾实体的第一关系三元组，基于所述带分类标签的业务主体及广义相关关系构建用于实例化查询所述尾实体的第一prompt指令，将所述第一prompt指令输入所述大语言模型获得多个所述尾实体的查询结果；
50.s4：根据所述查询结果生成多组包括所述尾实体、第二关系分类及头实体的第二关系三元组，构建用于实例化校验所述第二关系分类的第二prompt指令，将所述第二
prompt指令输入所述大语言模型获得所述第二关系分类的校验结果，并通过所述校验结果确认所述第二关系三元组中所述头实体与尾实体相匹配的广义相关关系；
51.s5：将校验后的所述尾实体匹配所述企业知识图谱中的所述业务主体，并根据所述企业知识图谱中业务主体与企业间的映射关系确定目标推荐客户。
52.在一个可选的实施例中，所述业务主体为企业对应的主营业务，所述主营业务包括产品及服务，所述广义相关关系为所述主营业务在产业链中的定位信息。
53.需要说明的是，业务主体可以产品或服务，例如需要查询的产品为光敏电阻，则业务主体为光敏电阻，光敏电阻的分类标签为零部件，光敏电阻的广义相关关系里包括的其他关系分类为原材料、生产设备、生产耗材、零部件以及包装材料等，将作为业务主体的光敏电阻输入为第一关系三元组的头实体，则第一关系分类可以分别输入为原材料、生产设备、生产耗材、零部件以及包装材料，构建出5个第一关系三元组，分别生成查询语句如(光敏电阻的原材料包括哪些)，再查询语句由prompt指令输入大语言模型中，结合大语言模型蕴含大量语料、行业知识的特点，从中抽取相关的知识，输出每一个光敏电阻与不同第一关系分类相匹配的多个尾实体，如光敏电阻的原材料包括硫化镉、硒、硫化铝、硫化铅以及硫化铋，其中硫化镉、硒、硫化铝、硫化铅以及硫化铋为第一关系三元组匹配大语言模型后输出的多个尾实体对应的业务主体，再通过查询结果输出的尾实体构建多个用于校验的第二关系三元组，并通过表达检验语句(如硫化镉是光敏电阻的原材料)的prompt指令输入大语言模型中，结合大语言模型蕴含大量语料、行业知识的特点，从中抽取相关的知识，校验查询结果的准确性，在结束校验后通过企业知识图谱结合输出的尾实体，确认光敏电阻的关联企业里包括了产业链上游的产品为硫化镉的企业，进而获得准确的目标推荐客户企业信息，本领域的技术人员容易知晓的是，在实际的查询过程中，第一关系三元组和第二关系三元组中的头实体和第一、第二分类关系是可以根据实际情况设置的，其作用在于能确保查询结果符合预期。
54.在一个可选的实施例中，所述第一关系三元组中所述头实体为实例化输入的业务主体，所述第一关系分类为实例化输入的广义相关关系，所述尾实体为实例化输出的所述业务主体，所述第二关系分类为输出的多个所述尾实体匹配单个所述头实体的多个不同的所述广义相关关系，通过所述第二关系分类确认头实体对应的所述业务主体相关联的其他业务主体，进而确认所述业务主体关联的企业目标推荐客户。
55.在一个可选的实施例中，所述基于所述带分类标签的业务主体及广义相关关系构建用于实例化查询所述尾实体的第一prompt指令包括：
56.将确定分类的业务主体输入为所述第一关系三元组的头实体，并根据实例化查询需求输入作为查询条件的所述广义相关关系作为第一关系三元组的第一关系分类，通过本文特征提取获得表示查询所述业务主体匹配所述查询条件的第一语义向量，根据所述第一语义向量表征生成用于输入所述大语言模型进行查验的第一prompt指令。
57.在一个可选的实施例中，所述根据查询结果生成多组包括所述尾实体、第二关系分类及头实体的第二关系三元组，构建用于实例化校验所述第二关系分类的第二prompt指令包括：
58.由查询结果获得多个匹配所述头实体对应业务主体的多个所述尾实体，将多个所述尾实体对应的业务主体和所述头实体对应的业务主体以及两业务主体相匹配的多个广
义相关关系构建为多个第二关系三元组，通过本文特征提取获得表示校验所述广义相关关系匹配所述校验条件的第二语义向量，根据所述第二语义向量表征生成用于输入所述大语言模型进行校验的第二prompt指令，以获得所述头实体对应业务主体产业链中关联其他业务主体的关联信息。
59.在一个可选的实施例中，所述定位信息为所述业务主体经多个广义相关关系构建的产业链网络中业务主体位于所述产业链上下游的位置以及同产业链下不同所述业务主体对应的所述主营业务间的关联信息。
60.在一个可选的实施例中，所述大语言模型为gpt模型、mpt模型、bloom模型或ernie模型中的一种。
61.本发明通过预先定义企业知识图谱中企业的主营业务信息以及业务主体在产业链中广义相关关系的定位信息，再通过与构建的标签分类模型完成所要查询产业链关联信息的输入内容预分类，完成前期数据处理过程，避免大量的数据处理过程，提高查询推荐客户的效率；
62.本发明通过将企业业务主体实例化输入为第一关系三元组的头实体，再结合作为查询条件的第一关系分类以及想要查询的头实体对应所属产业链中关联的尾实体，通过预设置生成可以更好的表达查询问题的语义向量prompt指令输入大语言模型中，利用大语言模型蕴含大量语料、行业知识的特点，从中抽取相关的知识，构建产业链上下游关系，输出头实体匹配可选的多个尾实体，从而初步确定作为查询输入的企业业务主体相关联的业务主体，再经第二关系三元组生成prompt指令输入大语言模型中，对第二关系三元组进行推理和校验，提高查询的鲁棒性和准确性且获得产业链上下游业务主体之间的关系描述，确保输入的业务主体能够查询到产业链中相关联的其他所有业务主体，解决现有中生成模型所推荐的目标客户画像存在较多的白噪声，推荐模型的鲁棒性和准确性较低的问题。
63.本发明通过查询结果中输入业务主体获得的其他相关业务主体，结合企业知识图谱中业务主体与企业间的映射关系，获得推荐客户列表，实现由产业链上下游全链相关业务匹配对应的企业，精准获取目标客户，具有较强的实用性。
64.实施例2
65.如图2所示，本发明实施例2公开了一种基于大语言模型的客户智能推荐系统，所述系统包括：
66.预设模块,用于构建企业知识图谱，分别定义所述企业的业务主体及所述业务主体关联的广义相关关系；
67.分类模块，用于根据所述广义相关关系构建用于分类所述业务主体的标签分类模型，通过所述业务主体与所述广义相关关系的关联映射，输出带有分类标签的所述业务主体；
68.查询模块，用于预设置包括头实体、第一关系分类及尾实体的第一关系三元组，基于所述带分类标签的业务主体及广义相关关系构建用于实例化查询所述尾实体的第一prompt指令，将所述第一prompt指令输入所述大语言模型获得多个所述尾实体的查询结果；
69.校验模块，用于根据所述查询结果生成多组包括所述尾实体、第二关系分类及头实体的第二关系三元组，构建用于实例化校验所述第二关系分类的第二prompt指令，将所
述第二prompt指令输入所述大语言模型获得所述第二关系分类的校验结果，并通过所述校验结果确认所述第二关系三元组中所述头实体与尾实体相匹配的广义相关关系；
70.输出模块，用于将校验后的所述尾实体匹配所述企业知识图谱中的所述业务主体，并根据所述企业知识图谱中业务主体与企业间的映射关系确定目标推荐客户。
71.在一个可选的实施例中，所述查询模块包括：
72.第一指令生成模块，用于将确定分类的业务主体输入为所述第一关系三元组的头实体，并根据实例化查询需求输入作为查询条件的所述广义相关关系作为第一关系三元组的第一关系分类，通过本文特征提取获得表示查询所述业务主体匹配所述查询条件的第一语义向量，根据所述第一语义向量表征生成用于输入所述大语言模型进行查验的第一prompt指令。
73.在一个可选的实施例中，所述校验模块包括：
74.第二指令生成模块，用于由查询结果获得多个匹配所述头实体对应业务主体的多个所述尾实体，将多个所述尾实体对应的业务主体和所述头实体对应的业务主体以及两业务主体相匹配的多个广义相关关系构建为多个第二关系三元组，通过本文特征提取获得表示校验所述广义相关关系匹配所述校验条件的第二语义向量，根据所述第二语义向量表征生成用于输入所述大语言模型进行校验的第二prompt指令，以获得所述头实体对应业务主体产业链中关联其他业务主体的关联信息。
75.实施例3
76.本发明实施例3公开了一种基于大语言模型的客户智能推荐设备，包括：
77.至少一个处理器，以及，
78.与所述至少一个处理器通信连接的存储器；其中，
79.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明第一方面公开的任一项所述的基于大语言模型的客户智能推荐方法。
80.该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于大语言模型的客户智能推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
81.实施例4
82.本发明实施例4公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本发明第一方面公开的任一项所述的基于大语言模型的客户智能推荐方法。
83.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取
存储介质中，该计算机程序在执行时，可包括如上述各通过基于大语言模型的客户智能推荐方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
84.或者，本发明上述模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ram、rom、磁碟或者光盘等各种可以存储程序代码的介质。
85.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于大语言模型的客户智能推荐方法，其特征在于，所述方法包括：s1:构建企业知识图谱，分别定义所述企业的业务主体及所述业务主体关联的广义相关关系；s2：根据所述广义相关关系构建用于分类所述业务主体的标签分类模型，通过所述业务主体与所述广义相关关系的关联映射，输出带有分类标签的所述业务主体；s3：预设置包括头实体、第一关系分类及尾实体的第一关系三元组，基于所述带分类标签的业务主体及广义相关关系构建用于实例化查询所述尾实体的第一prompt指令，将所述第一prompt指令输入所述大语言模型获得多个所述尾实体的查询结果；s4：根据所述查询结果生成多组包括所述尾实体、第二关系分类及头实体的第二关系三元组，构建用于实例化校验所述第二关系分类的第二prompt指令，将所述第二prompt指令输入所述大语言模型获得所述第二关系分类的校验结果，并通过所述校验结果确认所述第二关系三元组中所述头实体与尾实体相匹配的广义相关关系；s5：将校验后的所述尾实体匹配所述企业知识图谱中的所述业务主体，并根据所述企业知识图谱中业务主体与企业间的映射关系确定目标推荐客户。2.根据权利要求1所述的基于大语言模型的客户智能推荐方法，其特征在于，所述业务主体为企业对应的主营业务，所述主营业务包括产品及服务，所述广义相关关系为所述主营业务在产业链中的定位信息。3.根据权利要求2所述的基于大语言模型的客户智能推荐方法，其特征在于，所述第一关系三元组中所述头实体为实例化输入的业务主体，所述第一关系分类为实例化输入的广义相关关系，所述尾实体为实例化输出的所述业务主体，所述第二关系分类为输出的多个所述尾实体匹配单个所述头实体的多个不同的所述广义相关关系，通过所述第二关系分类确认头实体对应的所述业务主体相关联的其他业务主体，进而确认所述业务主体关联的企业目标推荐客户。4.根据权利要求3所述的基于大语言模型的客户智能推荐方法，其特征在于，所述基于所述带分类标签的业务主体及广义相关关系构建用于实例化查询所述尾实体的第一prompt指令包括：将确定分类的业务主体输入为所述第一关系三元组的头实体，并根据实例化查询需求输入作为查询条件的所述广义相关关系作为第一关系三元组的第一关系分类，通过本文特征提取获得表示查询所述业务主体匹配所述查询条件的第一语义向量，根据所述第一语义向量表征生成用于输入所述大语言模型进行查验的第一prompt指令。5.根据权利要求3所述的基于大语言模型的客户智能推荐方法，其特征在于，所述根据查询结果生成多组包括所述尾实体、第二关系分类及头实体的第二关系三元组，构建用于实例化校验所述第二关系分类的第二prompt指令包括：由查询结果获得多个匹配所述头实体对应业务主体的多个所述尾实体，将多个所述尾实体对应的业务主体和所述头实体对应的业务主体以及两业务主体相匹配的多个广义相关关系构建为多个第二关系三元组，通过本文特征提取获得表示校验所述广义相关关系匹配所述校验条件的第二语义向量，根据所述第二语义向量表征生成用于输入所述大语言模型进行校验的第二prompt指令，以获得所述头实体对应业务主体产业链中关联其他业务主体的关联信息。
6.根据权利要求2所述的基于大语言模型的客户智能推荐方法，其特征在于，所述定位信息为所述业务主体经多个广义相关关系构建的产业链网络中业务主体位于所述产业链上下游的位置以及同产业链下不同所述业务主体对应的所述主营业务间的关联信息。7.根据权利要求1所述的基于大语言模型的客户智能推荐方法，其特征在于，所述大语言模型为gpt模型、mpt模型、bloom模型或ernie模型中的一种。8.一种基于大语言模型的客户智能推荐系统，其特征在于，所述系统包括：预设模块,用于构建企业知识图谱，分别定义所述企业的业务主体及所述业务主体关联的广义相关关系；分类模块，用于根据所述广义相关关系构建用于分类所述业务主体的标签分类模型，通过所述业务主体与所述广义相关关系的关联映射，输出带有分类标签的所述业务主体；查询模块，用于预设置包括头实体、第一关系分类及尾实体的第一关系三元组，基于所述带分类标签的业务主体及广义相关关系构建用于实例化查询所述尾实体的第一prompt指令，将所述第一prompt指令输入所述大语言模型获得多个所述尾实体的查询结果；校验模块，用于根据所述查询结果生成多组包括所述尾实体、第二关系分类及头实体的第二关系三元组，构建用于实例化校验所述第二关系分类的第二prompt指令，将所述第二prompt指令输入所述大语言模型获得所述第二关系分类的校验结果，并通过所述校验结果确认所述第二关系三元组中所述头实体与尾实体相匹配的广义相关关系；输出模块，用于将校验后的所述尾实体匹配所述企业知识图谱中的所述业务主体，并根据所述企业知识图谱中业务主体与企业间的映射关系确定目标推荐客户。9.根据权利要求8所述的基于大语言模型的客户智能推荐系统，其特征在于，所述查询模块包括：第一指令生成模块，用于将确定分类的业务主体输入为所述第一关系三元组的头实体，并根据实例化查询需求输入作为查询条件的所述广义相关关系作为第一关系三元组的第一关系分类，通过本文特征提取获得表示查询所述业务主体匹配所述查询条件的第一语义向量，根据所述第一语义向量表征生成用于输入所述大语言模型进行查验的第一prompt指令。10.根据权利要求8所述的基于大语言模型的客户智能推荐系统，其特征在于，所述校验模块包括：第二指令生成模块，用于由查询结果获得多个匹配所述头实体对应业务主体的多个所述尾实体，将多个所述尾实体对应的业务主体和所述头实体对应的业务主体以及两业务主体相匹配的多个广义相关关系构建为多个第二关系三元组，通过本文特征提取获得表示校验所述广义相关关系匹配所述校验条件的第二语义向量，根据所述第二语义向量表征生成用于输入所述大语言模型进行校验的第二prompt指令，以获得所述头实体对应业务主体产业链中关联其他业务主体的关联信息。11.一种基于大语言模型的客户智能推荐设备，其特征在于，包括：至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7任一项所述的基于大语言模
型的客户智能推荐方法。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于大语言模型的客户智能推荐方法。

技术总结
本发明提出了一种基于大语言模型的客户智能推荐方法、系统、设备及介质，方法包括：构建企业知识图谱，分别定义业务主体及关联的广义相关关系；构建标签分类模型，通过业务主体与广义相关关系的关联映射，输出带有分类标签的业务主体；预设置第一关系三元组，构建用于实例化查询的第一prompt指令并输入大语言模型获得查询结果；根据查询结果生成第二关系三元组，构建用于实例化校验的第二prompt指令并输入大语言模型获得校验结果，将校验后的尾实体匹配企业知识图谱的业务主体，根据企业知识图谱的映射关系确定目标推荐客户。本发明通过企业知识图谱结合大语言模型，由企业业务产业链间信息确定目标客户，提高客户推荐的鲁棒性和准确性，具有较强的实用性。具有较强的实用性。具有较强的实用性。


技术研发人员：陈开冉 黎展 谢智权
受保护的技术使用者：广州探迹科技有限公司
技术研发日：2023.07.06
技术公布日：2023/10/11