CN116777568A - 金融市场交易事前智能对话下单方法、装置及存储介质 - Google Patents

金融市场交易事前智能对话下单方法、装置及存储介质 Download PDF

Info

Publication number
CN116777568A
CN116777568A CN202311037287.0A CN202311037287A CN116777568A CN 116777568 A CN116777568 A CN 116777568A CN 202311037287 A CN202311037287 A CN 202311037287A CN 116777568 A CN116777568 A CN 116777568A
Authority
CN
China
Prior art keywords
transaction
session
model
parameters
private
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311037287.0A
Other languages
English (en)
Inventor
汪冬
吴捷
韩晓燕
周波
吴敬争
王洁咪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Insigma Hengtian Software Ltd
Original Assignee
Insigma Hengtian Software Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Insigma Hengtian Software Ltd filed Critical Insigma Hengtian Software Ltd
Priority to CN202311037287.0A priority Critical patent/CN116777568A/zh
Publication of CN116777568A publication Critical patent/CN116777568A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种金融市场交易事前智能对话下单方法、装置及存储介质，利用人工智能技术进行数据挖掘分析，有效提高金融市场交易的智能性及可拓展性。该方法包括获取原始交易请求、搭建模型并进行模型训练、模型评估和部署，完成要素提炼以及场景识别、前置数据处理、调度上下文模型进入会话流程引擎以及后置数据处理等步骤。使用对话拓扑设计思维理念以及流程引擎技术借鉴的设计方式，实现非业务侵入式支持单轮和多轮复杂对话任务的会话引擎技术创新；使用语言理解模型，联合意图识别和槽位填充任务，提高对客户意图的理解能力和槽位实体的抽取能力，整体提升交易效率，降低人工消耗，提升工作质量，并能够有效降低对外部交易终端的依赖性。

Description

金融市场交易事前智能对话下单方法、装置及存储介质
技术领域
本发明涉及智能对话领域，尤其涉及一种金融市场交易事前智能对话下单方法、装置及存储介质。
背景技术
近年来，在数字经济不断推进的大背景下，人工智能发展迅速。金融行业是人工智能应用最具潜力和最为活跃的领域之一，一方面是因为近年来金融机构的盈利空间持续压缩，行业同质化竞争严重，通过大数据和AI打造创新产品和差异化服务已成为金融机构的重要选择；另一方面，金融业的信息化程度最高，银行等金融机构沉淀了海量的业务数据，率先进行基于金融大数据的智能化转型水到渠成。
面对业务模式的多元变化和日益攀升的人力成本，金融机构正不断探索人工智能技术在各业务领域下的应用，以提高传统作业效率及运营水平。
“人工智能+金融”已成为重要发展趋势，各大金融机构也在大力投入人工智能在交易、风控、客户服务等领域的研发与应用。利用人工智能技术实现自动化、智能化的交易下单，让日常工作更加高效与准确，实现数字化升级转型，将科技创新与细分场景深度结合，极大的满足了金融机构的精细化业务诉求。
在现有技术中，由于人工智能技术的复杂性，对话型AI可能会出现错误或提供不准确的答案，单纯依赖AI算法来与客户进行交流容易给用户带来一些困扰和误导；另一方面，在金融市场的各类交易过程中，交易品种的多样性势必会影响风险控制过程与校验方法变得越来越繁杂，容易造成客户交易请求多次被驳回的情况，在该种情形下，市面上较多被使用的单轮会话技术会导致用户体验和对话质量大幅度降低，同时代码中风险控制与校验相关模块也会随着交易品种的增加而变得庞大冗杂。
发明内容
针对现有技术的不足，本申请提供一种金融市场交易事前智能对话下单方法、装置及存储介质，主要解决在近年来金融市场业务模式多元变化以及人力成本日益攀升的问题，利用人工智能技术针对金融市场领域进行数据挖掘分析创新性实践，能够有效提高金融市场交易的智能性及可拓展性，提高系统解决用户问题的能力。
为解决上述技术问题，第一方面，本发明提供一种金融市场交易事前智能对话下单方法，包括如下步骤：
（1）基于当前对手方原始交易请求，对所述交易请求中的原始聊天话语进行半自动化数据标注；搭建模型实现意图识别和槽位填充，并对模型进行训练；基于训练后的模型从原始聊天话语中获得意图信息和槽位标签，得到交易信息的封装公共参数和封装私有参数；
（2）根据封装公共参数和封装私有参数中的交易场景构建交易会话模型，进而构建包含当前会话场景参数、会话状态机以及交易会话模型的上下文模型；所述会话状态机用于控制交易事前智能对话下单流程走向；
（3）调度所述上下文模型进入会话流程引擎；会话状态机内每一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验，根据结果进行状态流转，所述会话流程引擎控制交易事前智能对话下单过程直至结束。
进一步地，步骤（1）中，基于数据标注平台，通过人工或主动学习算法进行标注少量样例 L-example，对于不同的槽位类型，收集或创建若干槽位实体值，作为槽位实体的候选列表L-slot；此处收集或创建原则，应满足两个原则：
a、收集或创建的槽位值应尽量与业务所需的槽位值保持一致；
b、同一类型的槽位值应保证尽可能多样化；
遍历已标注的L-example，将其中的槽位值用槽位类型名称进行替代，获取一系列槽位模板 L-template并保存；将槽位模板L-template使用槽位候选列表L-slot进行替换槽位类型名称，从而获取更多的满足业务需求的已标注样例，完成半自动化标注任务。
进一步地，步骤（2）中，根据所述封装公共参数和封装私有参数中的交易场景进行包装分类，构建相对应的交易会话模型；将所述交易会话模型投入场景路由器来判断当前交易请求是否需要构建或重构上下文模型；引入链式处理机制对所述交易请求对应的封装私有参数进行数据处理。
进一步地，所述将所述交易会话模型投入场景路由器来判断当前交易请求是否需要构建或重构上下文模型，包括：
将所述交易会话模型投入场景路由器来判断当前交易请求是否存在上下文模型，若无上下文模型，则构建一个上下文模型，并存储所述交易会话模型；若存在上下文模型，则进一步判断所述交易会话模型所属的场景与上下文模型中存储的交易会话模型所属的场景是否一致，若一致，则不做处理；若不一致，则根据业务需求判断是否允许切换场景，若允许，则基于预先存储的所述会话状态机对应的构建规则，结合当前会话场景参数重新构建会话状态机，将新的会话场景参数以及所述会话状态机存储于上下文模型中；所述会话场景参数由所述封装公共参数和封装私有参数提供，所述场景是指在金融领域各个业务线上存在的业务场景；若不允许切换，则通过模板渲染器渲染回复模板提示对手方当前不支持切换操作，将回复话术自动回复发送至对手方。
进一步地，所述引入链式处理机制对所述交易请求对应的封装私有参数进行数据处理，包括：
构建会话处理链；
基于当前交易会话模型，判断其参数中是否包含取消意图，若包含取消意图，则终止流程；若不包含取消意图，则进入会话处理链的下一环；
基于当前交易会话模型以及上下文模型，判断当前交易会话模型中的交易要素与上下文模型中的交易会话模型中的交易要素是否有差异；
若交易要素有差异，则进一步地判断该交易要素是否支持修改：
若该交易要素不支持修改，则通过模板渲染器渲染回复模板来提示对手方当前交易请求无法被满足，将回复话术自动回复发送至对手方；
若该交易要素支持修改，则将当前交易会话模型中的意向参数存储至上下文模型中的交易会话模型中，并根据业务需要重置会话状态机，并将重置后的会话状态机存储至上下文模型中，重新流转会话状态；
若交易要素无差异，则进入会话处理链的下一环；
在会话处理链尾链，基于所述当前交易会话模型以及上下文模型，将上下文模型中存储的交易会话模型中的除交易要素外的其他要素拷贝给所述当前交易会话模型，并将当前交易会话模型存储于上下文模型中。
进一步地，所述会话状态机内每一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验，根据结果进行状态流转，包括：
获取处理所述会话状态机内某一状态对交易会话模型内部公共参数和私有参数进行风险控制与校验所需要的服务类；
构造一个结果哈希表，所述结果哈希表用于存储所述会话状态机内某一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验后可能会产生的所有结果；
构造另一个参数哈希表，所述参数哈希表将用于存储回复模板中动态变化的参数及其标识名称；
基于所述上下文模型以及上下文模型中的交易会话模型，所述会话状态机内某一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验；
基于所述风险控制与校验结果，对所述交易会话模型内的私有参数和公共参数进行修改，并存储于交易会话模型中。
进一步地，所述基于所述风险控制与校验结果，对所述交易会话模型内的私有参数和公共参数进行修改，并存储于交易会话模型中，包括：
若会话状态机内当前状态节点对所述交易会话模型内部公共参数和私有参数的风险控制与校验结果为继续流转，则由会话状态机中的状态选择表达式计算下一个状态，会话状态机继续流转至下一个状态；
若会话状态机内当前状态节点对所述交易会话模型内部公共参数和私有参数的风险控制与校验结果为暂停流转，则会话状态机停留至当前状态；缓存当前所有产生的交易会话模型的私有参数和公共参数，以及会话状态机的当前状态；待对手方应答时，若没有进行内部流程回调操作，所述会话流程引擎将会直接进入等待状态节点，对上一次会话的交易会话模型中未通过校验的私有参数或公有参数重新进行风险控制与校验。
进一步地，基于对手方交易请求成功完成智能交易下单后，将得到的交易事前订单数据封装为公共区报文封装单元和私有区报文封装单元，与金融市场外部接口进行交互；对所述公共区报文进行解析，得到交易信息的封装公共参数；对私有区报文进行解析，得到所述交易信息的封装私有参数。
第二方面，本发明提供了一种金融市场交易事前智能对话下单装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的一种金融市场交易事前智能对话下单方法。
第三方面，本发明提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现所述的一种金融市场交易事前智能对话下单方法。
本发明的有益效果主要体现在：为人工智能技术赋能金融业务提供了可行性的方案，使用算法引擎和会话引擎相互结合，构建了系统的核心架构；利用对话拓扑设计思维理念以及流程引擎技术借鉴的设计方式，研发非业务侵入式支持单轮和多轮复杂对话任务的会话引擎技术创新；使用语言理解模型，联合意图识别和槽位填充任务，进一步提高对客户意图的理解能力和槽位实体的抽取能力，整体提升交易效率，降低人工消耗，提升工作质量，并能够有效降低对外部交易终端的依赖性。采用统一的交互形式，具有良好的扩展性。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例。
图1为本发明的金融市场交易事前智能对话下单方法的流程示意图。
图2为本发明的金融市场交易事前智能对话下单方法的模型训练流程示意图。
图3为本发明的金融市场交易事前智能对话下单方法的模型架构示意图。
图4为本发明的金融市场交易事前智能对话下单方法的预测服务流程示意图。
图5为本发明的金融市场交易事前智能对话下单方法的链式处理机制示意图。
图6为本发明的金融市场交易事前智能对话下单方法中的后置数据处理流程示意图。
图7为本发明的一种金融市场交易事前智能对话下单装置结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请提供一种金融市场交易事前智能对话下单方法，通过基于当前获取对手方原始交易请求得到对应的公共区报文和私有区报文；根据所述交易请求所属的金融场景，通过服务调度对所述公共区报文和私有区报文进行不同的标准格式转化，分别得到交易信息的封装公共参数和封装私有参数；应用所述封装公共参数和封装私有参数对所述交易请求进行智能交易下单，能够有效提高金融市场交易的智能性及可拓展性，提高解决用户问题的能力，并能够有效降低对外部交易终端的依赖性。
以下结合附图，详细说明本发明解决其技术问题所提供的技术方案：
图1为本申请中提出的一种金融市场交易事前智能对话下单方法的流程示意图，参见图1，本实施例提供的一种金融市场交易事前智能对话下单方法具体可以包括如下步骤：
步骤(1)获取文本形式的对手方原始交易请求。
首先接收取得授权的任意来源的交易请求，当自动回复方开启自动回复后，将实时接收到任意来源的交易请求，可以接收多个交易请求，也可以对多个交易请求进行处理，以进一步提高事前智能交易下单的效率。
所述交易请求包含对手方的原始聊天话语、对手方的信息以及进行自动回复方的信息。
步骤(2)对所述交易请求中的原始聊天话语进行数据标注，以及搭建模型并训练、评估和部署。
使用自然语言理解语言（NLU）完成对交易请求的处理，主要完成意图识别和槽位填充两个子任务。
按照过程划分，主要分为模型训练阶段和模型预测阶段。此处需要注意的是，模型训练阶段可以先于交易请求获取或并行于交易请求获取；模型预测阶段必须晚于交易请求获取。参见图2，具体应用下述步骤实现：
其中，所述模型训练阶段具体应用下述步骤实现：
步骤(2.1)进行半自动化数据标注。
足量的标注数据是模型训练的前提，考虑到金融交易领域缺乏已标注的数据或人工标注困难问题，同时鉴于本领域意图和槽位信息比较固定，语义理解的要求并不高的特点，本申请提出了基于半自动化标注方法。根据模型训练所需数据格式进行标注，可选的为意图识别和槽位填充任务分离的数据格式标注，或意图识别和槽位填充联合的数据格式标注，本发明均可适用，但偏重于两个任务联合的数据标注。具体步骤如下：
步骤(2.1.1) 基于人工进行标注少量样例 L-example。对于所需标注样例的选择，可以通过人工选择，也可以通过主动学习算法实现。 具体标注结果如下代码所示：
{
"text": "3d0.1Yi",
"intent": "other",
"slot": [
{"value": "3d","label": "cr_term","start_pos": 0,"end_pos": 1},
{"value": "0.1Yi","label": "qty","start_pos": 2,"end_pos": 6}
]
}
步骤(2.1.2)对于不同的槽位类型，收集或创建一定量的槽位实体值，作为槽位实体的候选列表L-slot。此处收集原则，应满足两个原则：a、收集或创建的槽位值应尽量与业务所需的槽位值保持一致；b、同一类型的槽位值应保证尽可能多样化。
步骤(2.1.3)遍历已标注的L-example，将其中的槽位值用槽位类型名称进行替代，获取一系列槽位模板 L-template，并保存。
步骤(2.1.4)将槽位模板L-template使用槽位候选列表L-slot进行替换槽位类型名称，从而获取大量的已标注的样例。
步骤(2.1.5)对槽位标签转化为序列标签，使用BIO形式进行表示。B表示一个实体的开始标签，I表示一个实体中间标签，O表示非实体标签。例如“我想要0.1Yi”语句，其中0.1Yi为一个期限，对应的序列标签为[O,O,O,B-期限,I-期限,I-期限,I-期限,I-期限]。
步骤(2.1.6)将数据集划分为训练集、验证集和测试集。训练集进行训练，验证集主要辅助人工调整模型超参数。测试集进行评价以下模型的最终性能。
随着模型的不断迭代，人工标注新的样例或人工完成新的槽位模板方式，不断丰富模板列表L-template，进而不断丰富模型训练所需的数据集。
步骤(2.2)意图模型和槽位模型的搭建。
语言理解模型主要完成意图识别和槽位填充两个任务，基于此，本发明的模型架构按照任务主要由意图识别层和槽位填充层组成，可选的，此模型架构可以是联合的，也可以是分离的。本发明使用联合方式实现。
如图3所示，对于整体模型架构，按照时序层次可以分为编码层，下游任务层两部分：
其中，所述编码层由预训练层和mean_pooling模块（池化层）组成。对于预训练层，本模型使用的预训练模型是开源的预训练模型ERNIE，该预训练模型对中文的理解能力更加强大。使用该预训练模型将文本转化为向量表示，其中语句的长度为T，/>的维度为768。mean_pooling模块主要完成对句向量特征进行池化操作，去除句向量中无关的成分，压缩句向量。主要用于意图识别任务，将预训练模型输出的句向量X转化为语义向量S。具体方案为设置一个大小为（seq_len,emb_dim）窗口，emb_dim的大小为768，按照步长为1，滑动窗口，遍历整个句向量，将窗口内的值按行求均值，获得batch_size个长度为768的向量，组合得到S。
其中，下游任务层由意图识别层和槽位填充层组成，意图识别层，本质上是基于意图分类器实现多分类任务，由一个线性层组成。槽位填充层，本申请视为一个序列标注任务，由一个线性层（序列标签分类器）和一个条件随机场（CRF模块）组成。线性层主要获取发射矩阵，条件随机场主要获取转移矩阵。
步骤(2.3)构建模型训练过程。
本阶段主要描述模型的训练过程，具体应用下述步骤实现：
步骤(2.3.1)将训练集的文本进行分词然后转化为数字映射编码token-id，以小批量的方式放入预训练模型层，获得句向量X，X经过mean_pooling层，获得语义向量S。
步骤(2.3.2)将语义向量S放入意图识别层，经过线性层获得数据分布logits，将logits与源标签放入多分类交叉熵损失函数中，获取损失值，通过优化器进行梯度更新，通过降低损失值的方式，提高模型的识别能力。
步骤(2.3.3)将句向量X放入槽位填充层，经过线性层获取logits，即发射矩阵E，使用条件随机场(CRF模块)获得转移矩阵T，通过E和T获得所有路径总得分score。此处定义正确的序列标签所得分数占所有路径总得分的比例p，p越大，表示模型序列标注能力越强，因此损失函数定义可以为-log(p)，具体如下：
其中k表示标签提供的正确路径的索引，yk 表示正确的标签，N表示序列的所有路径个数。n表示随机一条序列的长度。Ei,yi表示第i个正确标签对应的发射得分。
步骤(2.3.4)可选的，将意图识别的损失值和槽位填充损失值/>相加，进行联合的梯度更新。表示为/>。其中/>为超参数，用来调整意图识别任务和槽位填充任务损失值的权重比。
步骤(2.3.5)分别为意图识别任务和槽位填充任务构建评价指标，本申请使用常用的准确率，召回率和F1-score作为评价指标；鉴于本领域要求对召回率和准确率的要求都很高，可选的将验证集的F1-score的阈值设为0.95，通过调整超参数或更换能力更强的模型，以达到阈值要求。此处需要说明的是，阈值的选择取决于实际业务场景，通过经验获得的。
步骤(2.4) 模型评估与部署过程。
所述模型评估与部署过程将步骤(2.3)训练好的模型使用测试集进行评估，确保测试集的F1-score达到人工指定的阈值，如上文的0.95。与此同时使用业务上易错的交易请求语句进行测试模型性能。如果模型未能满足上述两个条件，则需要进一步的新增语料和调整超参数以优化模型。将评估好的模型，可选的进行将模型由动态图模型转化为静态图模型，加速后续模型推理；在模型过大的情况下，可选的进行模型量化或蒸馏。并保存最后的模型M-best。
步骤(3)将步骤(2)获得的模型进行服务化和实现线上预测能力。该步骤可分为模型服务化过程和实际预测过程两个过程描述，参见图4，具体应用下述步骤实现：
步骤(3.1) 模型服务化过程，为降低模型层与具体业务层的耦合度，本申请使用web服务方式部署模型，封装模型预测接口，可选的使用Flask等web框架加速服务搭建。针对预测过程后加入必要的后置过程，主要包括对部分实体的规范化处理，比如期限，需要将“1个月”转化为“1M”的形式，保证交互的正常运行。
步骤(3.2) 针对步骤(3.1)中的预测过程，具体应用下述步骤实现：
步骤(3.2.1)将步骤(1)获得交易请求中的原始聊天话语，进行文本清洗，比如去除多余的无意义字符，获得清洗后的语句。
步骤(3.2.2)将清洗后的语句进行分词，并映射为token-ids，以此作为模型的输入input；
步骤(3.2.3)将输入input放入编码层，获取相应的句向量X和语义向量S。
步骤(3.2.4)将获得的语义向量S，放入意图识别下游任务层，根据已经学习好的线性层模型，获得S的概率分布，通过获取最大值的索引，获得对应的意图。
步骤(3.2.5)将获得的句向量X，放入槽位填充的下游任务层，通过转移矩阵T和发射矩阵E，即可获得所有路径的得分score,score最大的路径为最佳路径，本申请为加速获得最佳的路径，即最佳的序列，本申请使用维特比算法进行解码。假设最佳路径在t时刻经过/>，那么/>到/>的/>一定是从/>到/>结点所有路径中最佳的。基于这个设想，从逆向获取最佳路径上的所有结点/>，从而获得序列标签，进而获得语句所包含的所有槽位实体。
步骤(4)根据步骤(2)和步骤(3)中的模型服务调度对所述原始交易请求的原始聊天话语进行要素提炼以及场景识别，分别得到交易信息的封装公共参数和封装私有参数。
基于模型服务化和预测过程，获得意图信息和槽位标签，并进行后置处理，得到交易信息的封装公共参数和封装私有参数，比如针对期限实体“一个月“需要转化为对应的标准格式“1M”，以及对多个请求意图进行拆分处理等，最终结果以json文本格式输出。
其中，交易请求根据其报价方式等的不同原因会使得其对应的消息内容之间存在区别，有些可以被认为是公共参数，有些可以被认为是私有参数，因此，为了能够对任意品种的交易请求均进行智能交易下单且不会因为发送交易请求的交易终端的系统升级等原因造成无法直接对交易请求进行智能交易下单，本申请先接受任意品种的交易请求，通过前述的参数格式转化，使得任意品种的交易请求均能够符合适用于本地交易处理的统一的标准格式。
其中，交易信息需要封装成公共参数和私有参数。原因是不同市场，例如同业存单和现券买卖，有不同的交易要素，它们即有公共的地方也有不同的地方，比如同业存单包含对手方提供的白名单要素，而现券买卖无需该要素，所以需要把他们公共的地方抽取出来，隔离变化，私有参数放置不同的信息。
步骤(5)应用所述封装公共参数和封装私有参数对所述交易请求进行前置数据处理，具体应用下述步骤实现：
步骤(5.1)将所述公共参数和私有参数根据其中的交易场景来进行包装分类，构建相对应的具体交易会话模型；若所述公共参数和私有参数中无法体现具体交易品种或交易场景，构建基础交易会话模型。所述基础交易会话模型用于存储步骤(4)中所述公共参数，以及在整体会话流转过程中所有交易品种或交易场景共同需要的参数。进一步地，所述具体交易会话模型以基础交易会话模型为基础，在该模型上根据交易场景以及业务需求添加对应交易品种或交易场景单独需要的参数。
步骤(5.2)将交易会话模型投入场景路由器来判断当前交易请求是否存在上下文模型，若无上下文模型，则构建一个上下文模型，并存储所述交易会话模型；若存在上下文模型，则进一步地判断所述交易会话模型所属的场景与上下文模型中存储的交易会话模型所属的场景是否一致，若一致，则不做处理；若不一致，则根据业务需求判断是否允许切换场景，若允许，则重新构建会话状态机，将新的场景参数以及所述会话状态机存储于上下文模型中；若不允许切换，则通过模板渲染器渲染回复模板来提示对手方当前不支持该操作，将回复话术由步骤(1)所述自动回复方发送至对手方。
其中，所述模板渲染器可理解为话术资源模板渲染器，基于固定模板的基础上，加入需要动态变化的数据，并生成最终的回复话术。
其中，上下文模型由当前会话场景参数、会话状态机以及交易会话模型构成，所述会话状态机用于存储对手方上一次交易请求的会话流转情况，所述交易会话模型用于存储对手方上一次交易请求解析出的所有交易要素以及业务执行产生的所有相关要素信息。交易要素包括交易金额、交易期限等要素；业务执行产生的相关要素包括会话流转过程中计算得出的回购利率、系统生成的意向编号等要素。
其中，所述会话场景参数由步骤(4)得到的封装公共参数和封装私有参数所提供，所述场景是指，在金融领域各个业务线上存在的业务场景。
应用预先存储的所述会话状态机对应的构建规则，进一步地结合当前会话场景参数来构建会话状态机，所述会话状态机用于控制智能交易下单流程走向。
其中，所述会话状态机对应的构建规则可以包含有如下配置项：
(1)sc_type：会话场景字段，必输项；
(2)node_no：状态编号，必输项；
(3)sub_node_no：注册状态编号，选输项；
(4)biz_no：业务编号，与状态编号相对应，必输项；
(5)node_express：状态选择表达式，由该表达式结合所述交易请求可计算得出当前状态结束后的下一个状态，必输项；
每一状态都代表相应的金融市场的某一业务处理。
步骤(5.3)为了提高所述封装公共参数和封装私有参数对所述交易请求进行前置数据处理的可靠性及可拓展性，引入链式处理机制对所述交易请求对应的封装私有参数进行前置数据处理与评估，参见图5，具体应用下述步骤实现：
步骤(5.3.1)构建会话处理链。会话处理链由各节点链和上下文context组成。各节点链相互独立又相互关联，相互独立指各节点链分别处理不同的业务功能；相互关联指每一节点链处理其业务功能通过后即进入下一节点链，直至尾节点链处理完毕。上下文context则贯穿整个会话处理链，用于存储过程中所需的参数以及产生的结果。
步骤(5.3.2)进入会话处理链，基于所述当前交易会话模型，判断其参数中是否包含取消意图，若包含取消意图，则终止流程；若不包含取消意图，则进入会话处理链的下一环。
其中，所述终止流程包括通过模板渲染器渲染回复模板来提示对手方当前流程已终止，将回复话术由步骤(1)所述自动回复方发送至对手方，并移除当前交易会话模型。
步骤(5.3.3)基于所述当前交易会话模型以及上下文模型，判断当前交易会话模型中的交易要素与上下文模型中的交易会话模型中的交易要素是否有差异，若交易要素有差异，则进一步地判断该交易要素是否支持修改，若该交易要素不支持修改，则通过模板渲染器渲染回复模板来提示对手方当前交易请求无法被满足，将回复话术由步骤(1)所述自动回复方发送至对手方；若该交易要素支持修改，则将当前交易会话模型中的意向参数存储至上下文模型中的交易会话模型中，并根据业务需要重置会话状态机，并将重置后的会话状态机存储至上下文模型中，重新流转会话状态；若交易要素无差异，则进入会话处理链的下一环。
步骤(5.3.4)基于所述当前交易会话模型以及上下文模型，对当前交易会话模型中的特殊数据进行处理，处理完毕后进入会话处理链的下一环，若处理失败，则通过模板渲染器渲染回复模板来提示对手方当前交易请求无法被满足，将回复话术由步骤(1)所述自动回复方发送至对手方。
其中，所述对当前交易会话模型中的特殊数据进行处理，包括根据对手方给的数字序号映射到具体交易意向单号。
步骤(5.3.5)进入会话处理链尾链，基于所述当前交易会话模型以及上下文模型，将上下文模型中存储的交易会话模型中的除交易要素外的其他要素（比如存储一些交易状态）拷贝给所述当前交易会话模型，并将当前交易会话模型存储于上下文模型中。
步骤(6)调度所述上下文模型进入会话流程引擎。
其中，所述会话流程引擎控制所述智能交易下单过程直至结束，其中包括整个上下文模型以及上下文模型中的交易会话模型在会话状态机中的流转、整个上下文模型以及上下文模型中的交易会话模型在会话状态机中的存储、将模板渲染器生成的回复话术由步骤(1)所述自动回复方发送至对手方、进行一些当会话结束后需要额外处理的业务，其中，所述需要额外处理的业务包括查看主动报价后是否还有待发送的消息，查看调价后是否还有待确认的意向，若有，需要继续处理。
其中，所述整个上下文模型以及上下文模型中的交易会话模型在会话状态机中的流转，由所述会话状态机中的状态选择表达式来控制。所述会话状态机中的状态选择表达式将会计算得到下一状态，若得到下一状态与当前状态不一致，则认为当前会话流程需要继续进行流转，即控制整个上下文模型以及上下文模型中的交易会话模型流转至所述下一状态；若得到下一状态与当前状态一致，则视当前状态为结束状态，即终止会话流程；若所述的会话状态机已到达对应配置项中设定的最终状态，即认为当前状态为收尾状态，可认为当前会话状态机成功流转完毕。
步骤(7)应用所述会话流程引擎对所述交易会话模型进行后置数据处理。
所述会话状态机内每一状态分别代表相应金融市场的某一业务处理，各状态会对所述交易会话模型内部公共参数和私有参数进行风险控制与校验，并根据结果进行状态流转。
其中，各状态会对所述交易会话模型内部公有参数和私有参数进行风险控制与校验的方法，参见图6，具体应用下述步骤实现：
步骤(7.1)获取处理所述会话状态机内某一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验所需要的服务类。
步骤(7.2)构造一个结果哈希表，所述结果哈希表用于存储所述会话状态机内某一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验后可能会产生的所有结果，包括结果名称、结果描述、会话状态机流转状态坐标、是否执行下一次状态流转标识、状态循环标识、若产生回复需要的回复模板编号，进一步地，可以应用预先存储的回复模板及其编号；回复模板的内容可使用特定语法来根据需要改变某处或整体的文本内容。
步骤(7.3)构造另一个参数哈希表，所述参数哈希表将用于存储回复模板中动态变化的参数及其标识名称。
步骤(7.4)基于所述上下文模型以及上下文模型中的交易会话模型，所述会话状态机内某一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验，判断当前对手方交易请求在状态节点内的结果哈希表中对应的风险控制与校验结果。
步骤(7.5)基于所述风险控制与校验结果，对所述交易会话模型内的私有参数和公共参数进行修改，该修改结果是基于所述会话状态机内该状态对应的金融市场的具体业务进行处理，并存储于交易会话模型中。
进一步可选地，若当前风险控制与校验结果需要产生回复话术，且所述回复话术内包含动态变化的参数，则将所述交易会话模型中的某一个或某几个参数存储于所述参数哈希表。
步骤(7.6)基于步骤(7.1)-步骤(7.5)的所有步骤的处理结果，若当前状态节点对所述交易会话模型内部公共参数和私有参数的风险控制与校验结果为继续流转，则由所述会话状态机中的状态选择表达式计算下一个状态，会话状态机继续流转至下一个状态；若当前状态节点对所述交易会话模型内部公共参数和私有参数的风险控制与校验结果为暂停流转，则会话状态机停留至当前状态。
进一步地，若所述结果需要产生回复模板，由模板渲染器对回复模板进行渲染，结合句式模板库获取回复句式，并生成回复话术由步骤(1)所述自动回复方发送至对手方，等待对手方应答。
其中，若所述会话状态机停留至当前状态，则将会缓存当前所有产生的交易会话模型的私有参数和公共参数，以及会话状态机的当前状态。待对手方应答时，若通过上述七个步骤且没有进行内部流程回调等操作，所述会话流程引擎将会直接进入等待状态节点，对上一次会话中交易会话模型中未通过校验的私有参数或公共参数重新进行风险控制与校验。
步骤(8)将针对对手方交易请求成功完成智能交易下单的交易事前订单数据封装为公共区报文封装单元和私有区报文封装单元，与所属的金融市场外部接口进行交互。
其中，所述公共区报文封装单元和私有区报文封装单元与所述的金融市场外部接口进行交互形式，与本发明中金融市场交易事前智能对话下单的交易请求交互形式一致，两者都是通过http来收发传递的消息。其具体可以由下述内容组成：
公共区报文封装单元，用于对所述公共区报文进行解析，得到所述交易信息的封装公共参数。
其中，所述公共区报文封装单元具体用于执行下述内容：用于区分所述公共区报文封装单元和私有区报文封装单元与所述的金融市场外部接口进行交互形式，以及金融市场交易事前智能对话下单的交易请求交互形式，不同类型的私有区报文封装单元内的参数形式将会有所区别。
私有区报文封装单元，用于对所述私有区报文进行解析，得到所述交易信息的封装私有参数。
其中，所述私有区报文封装单元具体用于执行下述内容：用于区分所述金融市场内的不同交易行为。当公共区报文封装单元中的参数用于进行所述公共区报文封装单元和私有区报文封装单元与所述的金融市场外部接口交互时，所述私有区报文封装单元用于区分所述金融市场内的不同交易行为；当公共区报文封装单元中的参数用于进行金融市场交易事前智能对话下单的交易请求交互时，所述私有区报文封装单元用于传递对手方的交易请求以及对应的回复模板消息。
步骤(9)所述会话状态机流转完毕后，将产生数据保存。
其中，产生数据包括针对对手方交易请求成功完成智能交易下单的订单数据、针对对手方交易请求完成智能交易下单过程中产生的错误数据、针对对手方交易请求完成智能交易下单过程中对手方要求人工对话时产生的所有数据等。
其中，针对对手方交易请求完成智能交易下单过程中产生的错误数据，包括所述智能交易下单过程中对手方提出的所有意向要素；
产生的错误数据和对手方要求人工对话时产生的所有数据将进行保存，以便于后续人工进行处理与下单。
基于上述内容可知，本申请具体应用实例提供的金融市场交易事前智能对话下单方法，结合现有金融市场事前交易控制的特性，利用人工智能技术针对金融市场领域进行数据挖掘分析创新性实践，对人工智能技术赋能金融业务模式进行了研究，提出了一套基于算法引擎和会话引擎相互结合的通用金融市场事前智能对话下单的方法，对于金融市场业务领域的事前控制具有很好的通用性、扩展性。主要达到了以下效果：
采用统一的交互形式，具有良好的扩展性。
能够实现高可用、负载均衡、流量控制等特性，对外系统的依赖降到最低。
使用语言理解模型，联合意图识别和槽位填充任务，进一步提高对客户意图的理解能力和槽位实体的抽取能力。
利用对话拓扑设计思维理念以及流程引擎技术借鉴的设计方式，实现非业务侵入式支持单轮和多轮复杂对话任务的会话引擎技术创新。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
与前述一种金融市场交易事前智能对话下单方法的实施例相对应，本发明还提供了一种金融市场交易事前智能对话下单装置的实施例。
参见图7，本发明实施例提供的一种金融市场交易事前智能对话下单装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述实施例中的一种金融市场交易事前智能对话下单方法。
本发明提供的一种金融市场交易事前智能对话下单装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图7所示，为本发明提供的一种金融市场交易事前智能对话下单装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种金融市场交易事前智能对话下单方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (10)

1.一种金融市场交易事前智能对话下单方法，其特征在于，包括如下步骤：
（1）基于当前对手方原始交易请求，对所述交易请求中的原始聊天话语进行半自动化数据标注；搭建模型实现意图识别和槽位填充，并对模型进行训练；基于训练后的模型从原始聊天话语中获得意图信息和槽位标签，得到交易信息的封装公共参数和封装私有参数；
（2）根据封装公共参数和封装私有参数中的交易场景构建交易会话模型，进而构建包含当前会话场景参数、会话状态机以及交易会话模型的上下文模型；所述会话状态机用于控制交易事前智能对话下单流程走向；
（3）调度所述上下文模型进入会话流程引擎；会话状态机内每一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验，根据结果进行状态流转，所述会话流程引擎控制交易事前智能对话下单过程直至结束。
2.根据权利要求1所述的金融市场交易事前智能对话下单方法，其特征在于，步骤（1）中，基于数据标注平台，通过人工或主动学习算法进行标注少量样例 L-example，对于不同的槽位类型，收集或创建若干槽位实体值，作为槽位实体的候选列表L-slot；此处收集或创建原则，应满足两个原则：
a、收集或创建的槽位值应尽量与业务所需的槽位值保持一致；
b、同一类型的槽位值应保证尽可能多样化；
遍历已标注的L-example，将其中的槽位值用槽位类型名称进行替代，获取一系列槽位模板 L-template并保存；将槽位模板L-template使用槽位候选列表L-slot进行替换槽位类型名称，从而获取更多的满足业务需求的已标注样例，完成半自动化标注任务。
3.根据权利要求1所述的金融市场交易事前智能对话下单方法，其特征在于，步骤（2）中，根据所述封装公共参数和封装私有参数中的交易场景进行包装分类，构建相对应的交易会话模型；将所述交易会话模型投入场景路由器来判断当前交易请求是否需要构建或重构上下文模型；引入链式处理机制对所述交易请求对应的封装私有参数进行数据处理。
4.根据权利要求3所述的金融市场交易事前智能对话下单方法，其特征在于，所述将所述交易会话模型投入场景路由器来判断当前交易请求是否需要构建或重构上下文模型，包括：
将所述交易会话模型投入场景路由器来判断当前交易请求是否存在上下文模型，若无上下文模型，则构建一个上下文模型，并存储所述交易会话模型；若存在上下文模型，则进一步判断所述交易会话模型所属的场景与上下文模型中存储的交易会话模型所属的场景是否一致，若一致，则不做处理；若不一致，则根据业务需求判断是否允许切换场景，若允许，则基于预先存储的所述会话状态机对应的构建规则，结合当前会话场景参数重新构建会话状态机，将新的会话场景参数以及所述会话状态机存储于上下文模型中；所述会话场景参数由所述封装公共参数和封装私有参数提供，所述场景是指在金融领域各个业务线上存在的业务场景；若不允许切换，则通过模板渲染器渲染回复模板提示对手方当前不支持切换操作，将回复话术自动回复发送至对手方。
5.根据权利要求3所述的金融市场交易事前智能对话下单方法，其特征在于，所述引入链式处理机制对所述交易请求对应的封装私有参数进行数据处理，包括：
构建会话处理链；
基于当前交易会话模型，判断其参数中是否包含取消意图，若包含取消意图，则终止流程；若不包含取消意图，则进入会话处理链的下一环；
基于当前交易会话模型以及上下文模型，判断当前交易会话模型中的交易要素与上下文模型中的交易会话模型中的交易要素是否有差异；
若交易要素有差异，则进一步地判断该交易要素是否支持修改：
若该交易要素不支持修改，则通过模板渲染器渲染回复模板来提示对手方当前交易请求无法被满足，将回复话术自动回复发送至对手方；
若该交易要素支持修改，则将当前交易会话模型中的意向参数存储至上下文模型中的交易会话模型中，并根据业务需要重置会话状态机，并将重置后的会话状态机存储至上下文模型中，重新流转会话状态；
若交易要素无差异，则进入会话处理链的下一环；
在会话处理链尾链，基于所述当前交易会话模型以及上下文模型，将上下文模型中存储的交易会话模型中的除交易要素外的其他要素拷贝给所述当前交易会话模型，并将当前交易会话模型存储于上下文模型中。
6.根据权利要求1所述的金融市场交易事前智能对话下单方法，其特征在于，所述会话状态机内每一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验，根据结果进行状态流转，包括：
获取处理所述会话状态机内某一状态对交易会话模型内部公共参数和私有参数进行风险控制与校验所需要的服务类；
构造一个结果哈希表，所述结果哈希表用于存储所述会话状态机内某一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验后可能会产生的所有结果；
构造另一个参数哈希表，所述参数哈希表将用于存储回复模板中动态变化的参数及其标识名称；
基于所述上下文模型以及上下文模型中的交易会话模型，所述会话状态机内某一状态对所述交易会话模型内部公共参数和私有参数进行风险控制与校验；
基于所述风险控制与校验结果，对所述交易会话模型内的私有参数和公共参数进行修改，并存储于交易会话模型中。
7.根据权利要求6所述的金融市场交易事前智能对话下单方法，其特征在于，所述基于所述风险控制与校验结果，对所述交易会话模型内的私有参数和公共参数进行修改，并存储于交易会话模型中，包括：
若会话状态机内当前状态节点对所述交易会话模型内部公共参数和私有参数的风险控制与校验结果为继续流转，则由会话状态机中的状态选择表达式计算下一个状态，会话状态机继续流转至下一个状态；
若会话状态机内当前状态节点对所述交易会话模型内部公共参数和私有参数的风险控制与校验结果为暂停流转，则会话状态机停留至当前状态；缓存当前所有产生的交易会话模型的私有参数和公共参数，以及会话状态机的当前状态；待对手方应答时，若没有进行内部流程回调操作，所述会话流程引擎将会直接进入等待状态节点，对上一次会话的交易会话模型中未通过校验的私有参数或公有参数重新进行风险控制与校验。
8.根据权利要求1所述的金融市场交易事前智能对话下单方法，其特征在于，基于对手方交易请求成功完成智能交易下单后，将得到的交易事前订单数据封装为公共区报文封装单元和私有区报文封装单元，与金融市场外部接口进行交互；对所述公共区报文进行解析，得到交易信息的封装公共参数；对私有区报文进行解析，得到所述交易信息的封装私有参数。
9.一种金融市场交易事前智能对话下单装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1-8中任一项所述的一种金融市场交易事前智能对话下单方法。
10.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1-8中任一项所述的一种金融市场交易事前智能对话下单方法。
CN202311037287.0A 2023-08-17 2023-08-17 金融市场交易事前智能对话下单方法、装置及存储介质 Pending CN116777568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311037287.0A CN116777568A (zh) 2023-08-17 2023-08-17 金融市场交易事前智能对话下单方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311037287.0A CN116777568A (zh) 2023-08-17 2023-08-17 金融市场交易事前智能对话下单方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116777568A true CN116777568A (zh) 2023-09-19

Family

ID=87993329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311037287.0A Pending CN116777568A (zh) 2023-08-17 2023-08-17 金融市场交易事前智能对话下单方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116777568A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116974708A (zh) * 2023-09-25 2023-10-31 北京众图识人科技有限公司 业务数据处理系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101512576A (zh) * 2006-09-15 2009-08-19 康法特公司 用于确保电子交易的真实性的方法和计算机系统
CN104408584A (zh) * 2014-12-18 2015-03-11 中国农业银行股份有限公司 一种交易关联性的分析方法及系统
CN110675159A (zh) * 2019-09-29 2020-01-10 中国工商银行股份有限公司 金融市场交易事前风险控制方法、系统及电子设备
US20200135192A1 (en) * 2018-10-31 2020-04-30 Walmart Apollo, Llc System and method for handling multi-turn conversations and context management for voice enabled ecommerce transactions
CN111245939A (zh) * 2020-01-10 2020-06-05 中国建设银行股份有限公司 数据同步方法、装置和系统
CN111639168A (zh) * 2020-05-21 2020-09-08 北京百度网讯科技有限公司 一种多轮对话的处理方法、装置、电子设备及存储介质
CN114138943A (zh) * 2021-12-09 2022-03-04 中国建设银行股份有限公司 对话消息生成方法、装置、电子设备及存储介质
CN114785733A (zh) * 2022-06-20 2022-07-22 中电云数智科技有限公司 一种实现跨vpc网络流量转发中会话溯源的方法
CN115525753A (zh) * 2022-10-26 2022-12-27 上海交通大学 面向任务的基于1+n的多轮对话方法及系统
US20230084583A1 (en) * 2020-05-20 2023-03-16 Huawei Technologies Co., Ltd. Response method in human-computer dialogue, dialogue system, and storage medium
CN116304046A (zh) * 2023-03-16 2023-06-23 中国工商银行股份有限公司 对话数据的处理方法、装置、存储介质及电子设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101512576A (zh) * 2006-09-15 2009-08-19 康法特公司 用于确保电子交易的真实性的方法和计算机系统
CN104408584A (zh) * 2014-12-18 2015-03-11 中国农业银行股份有限公司 一种交易关联性的分析方法及系统
US20200135192A1 (en) * 2018-10-31 2020-04-30 Walmart Apollo, Llc System and method for handling multi-turn conversations and context management for voice enabled ecommerce transactions
CN110675159A (zh) * 2019-09-29 2020-01-10 中国工商银行股份有限公司 金融市场交易事前风险控制方法、系统及电子设备
CN111245939A (zh) * 2020-01-10 2020-06-05 中国建设银行股份有限公司 数据同步方法、装置和系统
US20230084583A1 (en) * 2020-05-20 2023-03-16 Huawei Technologies Co., Ltd. Response method in human-computer dialogue, dialogue system, and storage medium
CN111639168A (zh) * 2020-05-21 2020-09-08 北京百度网讯科技有限公司 一种多轮对话的处理方法、装置、电子设备及存储介质
CN114138943A (zh) * 2021-12-09 2022-03-04 中国建设银行股份有限公司 对话消息生成方法、装置、电子设备及存储介质
CN114785733A (zh) * 2022-06-20 2022-07-22 中电云数智科技有限公司 一种实现跨vpc网络流量转发中会话溯源的方法
CN115525753A (zh) * 2022-10-26 2022-12-27 上海交通大学 面向任务的基于1+n的多轮对话方法及系统
CN116304046A (zh) * 2023-03-16 2023-06-23 中国工商银行股份有限公司 对话数据的处理方法、装置、存储介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄毅;冯俊兰;胡珉;吴晓婷;杜晓宇;: "智能对话系统架构及算法", 北京邮电大学学报, no. 06 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116974708A (zh) * 2023-09-25 2023-10-31 北京众图识人科技有限公司 业务数据处理系统

Similar Documents

Publication Publication Date Title
Pfeiffer et al. Adapterfusion: Non-destructive task composition for transfer learning
CN115659281B (zh) 一种自适应加速算子融合的方法及装置
CN108899013A (zh) 语音搜索方法、装置和语音识别系统
CN112463968B (zh) 文本分类方法、装置和电子设备
CN116226334A (zh) 生成式大语言模型训练方法以及基于模型的搜索方法
CN114721833A (zh) 一种基于平台业务类型的智能云端协调方法和装置
US20220100967A1 (en) Lifecycle management for customized natural language processing
CN115114439B (zh) 多任务模型推理、多任务信息处理的方法和装置
CN116777568A (zh) 金融市场交易事前智能对话下单方法、装置及存储介质
WO2024199423A1 (zh) 一种数据处理方法及相关设备
CN116308219B (zh) 一种基于Tranformer的生成式RPA流程推荐方法及系统
CN111144409A (zh) 一种跟单托收审单处理方法及系统
CN116071150A (zh) 数据处理方法、银行产品推广、风控系统、服务器及介质
CN117808481A (zh) 一种云边协同的大语言模型智能客服部署优化方法
CN115512360A (zh) 文本识别方法、装置、设备及存储介质
CN110489730A (zh) 文本处理方法、装置、终端及存储介质
CN113177415B (zh) 语义理解方法、装置、电子设备和存储介质
CN113486174B (zh) 模型训练、阅读理解方法、装置、电子设备及存储介质
CN117034019B (zh) 一种业务处理方法、装置、电子设备和存储介质
CN117708698A (zh) 一种类别确定方法、装置、设备及存储介质
CN113763928A (zh) 音频类别预测方法、装置、存储介质及电子设备
WO2020190745A1 (en) Budgeted neural network architecture search system and method
CN111259673A (zh) 一种基于反馈序列多任务学习的法律判决预测方法及系统
CN116108144A (zh) 信息抽取方法及装置
CN112434143B (zh) 基于gru单元隐藏状态约束的对话方法、存储介质及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20230919

RJ01 Rejection of invention patent application after publication