1.基于大语言模型与知识图谱的智能客服问答方法，其特征在于，所述方法包括：构建目标领域的知识图谱；基于所述目标领域的知识图谱，对预设大语言模型进行LoRA微调，包括：在所述目标领域的知识图谱中抽取出训练数据集；将所述预设大语言模型中的注意力机制层和/或前馈网络层作为目标层，并应用LoRA；初始化LoRA的权重并确定LoRA的秩；确定目标损失函数，并以所述训练数据集对所述预设大语言模型的目标层进行训练；当满足预设训练要求时，保存最新的神经网络参数，并将最新的神经网络参数对应的预设大语言模型作为LoRA微调后的预设大语言模型，其中，目标损失函数的公式，包括：其中， 和 均为预设权重， 为训练数据集中的样本数量， 为样本类别， 为第 个样本属于第 类样本类别的真实标签，其中，真实标签包括0或1， 为第 个样本属于第 类样本类别的概率， 为预设正则化系数， 为预设大语言模型中的权重参数， 为对抗损失；获取目标用户的目标问题，并将所述目标问题输入所述预设大语言模型中用以提取所述目标问题对应的关键词集，其中，所述关键词集中包含若干关键词；根据所述关键词集构建若干查询语句；在所述目标领域的知识图谱中根据若干查询语句进行检索，获取填充内容；将所述填充内容与所述目标用户的目标问题进行结合，构建所述目标用户的问题文本；将所述目标用户的问题文本输入所述预设大语言模型中，用以获取所述目标问题的目标答复。
2.如权利要求1所述的基于大语言模型与知识图谱的智能客服问答方法，其特征在于，对抗损失，包括：其中， 为预设权重， 为判别器， 为生成器， 为输入的第 个样本。
3.如权利要求1所述的基于大语言模型与知识图谱的智能客服问答方法，其特征在于，构建目标领域的知识图谱，包括：根据所述目标领域，从数据源中进行数据抽取，包括：实体识别、关系抽取以及属性抽取；确定目标领域的知识图谱的框架；将抽取得到的若干实体映射到框架中的实体类型，并为每个实体赋予对应的属性值；将若干实体之间的关系均映射到框架中的关系类型，并为每个关系赋予对应的属性值。
4.如权利要求1所述的基于大语言模型与知识图谱的智能客服问答方法，其特征在于，满足预设训练要求，包括：达到最大训练次数且所述预设大语言模型的输出的正确率高于预设阈值。
5.如权利要求4所述的基于大语言模型与知识图谱的智能客服问答方法，其特征在于，预设大语言模型的输出的正确率的公式，包括：其中， 为大语言模型的输出的正确率， 为正确回答问题的样本的数量， 为错误回答问题的样本的数量， 为未回答问题的样本的数量。
6.基于大语言模型与知识图谱的智能客服问答装置，其特征在于，应用于权利要求1-5中任一项所述的基于大语言模型与知识图谱的智能客服问答方法，所述装置包括：图谱构建模块，用于构建目标领域的知识图谱；微调模块，用于基于所述目标领域的知识图谱，对预设大语言模型进行LoRA微调；词集构建模块，用于获取目标用户的目标问题，并将所述目标问题输入所述预设大语言模型中用以提取所述目标问题对应的关键词集，其中，所述关键词集中包含若干关键词；语句构建模块，用于根据所述关键词集构建若干查询语句；填充模块，用于在所述目标领域的知识图谱中根据若干查询语句进行检索，获取填充内容；文本生成模块，用于将所述填充内容与所述目标用户的目标问题进行结合，构建所述目标用户的问题文本；答复模块，用于将所述目标用户的问题文本输入所述预设大语言模型中，用以获取所述目标问题的目标答复。
7.一种电子设备，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行以实现如权利要求1至5中任一项所述的基于大语言模型与知识图谱的智能客服问答方法。
8.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如权利要求1至5中任一项所述的基于大语言模型与知识图谱的智能客服问答方法。
