CN117076650B - 一种基于大语言模型的智能对话方法、装置、介质及设备 - Google Patents
一种基于大语言模型的智能对话方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN117076650B CN117076650B CN202311328288.0A CN202311328288A CN117076650B CN 117076650 B CN117076650 B CN 117076650B CN 202311328288 A CN202311328288 A CN 202311328288A CN 117076650 B CN117076650 B CN 117076650B
- Authority
- CN
- China
- Prior art keywords
- text
- language model
- user
- local
- result
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012795 verification Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
在本说明书提供的基于大语言模型的智能对话方法,根据用户输入的第一文本的分类结果,确定不同的对话方法,当用户输入的第一文本为非知识类文本时,将第一文本输入第三方大语言模型确定返回用户的目标文本。当用户输入的第一文本为知识类文本时,对第一文本进行本地搜索和线上搜索,再将第一文本和所有的搜索结果输入本地大语言模型,确定返回用户的目标文本,若不存在关联度大于预设值的检索结果,则将第一文本输入第三方大语言模型,将第三方大语言模型的输出结果作为返回用户的目标文本。通过在系统中融合若干个本地模型,减少了对第三方大语言模型的调用,降低了智能对话系统的使用成本的同时,也降低了智能对话过程的时延。
Description
技术领域
本说明书涉及自然语言处理领域,尤其涉及一种基于大语言模型的智能对话方法、装置、介质及设备。
背景技术
随着自然语言处理技术的发展,智能对话系统由于可以通过理解用户的意图并返回相应的答案,从而帮助用户解决问题,因此常常被广泛应用与智能客服、车载对话系统、智能音箱、情感安抚等场景。
现有技术在设计智能对话系统时,常采用大语言模型,实现智能对话。但是由于大语言系统训练成本极高,训练时也需要大量的计算资源。因此现有技术在设计智能对话系统时,会购买已经训练好的大语言系统的接口。
但是,通过第三方接口构建大语言系统实现智能对话系统,会因为大语言模型参数较多,计算量较高,网络延迟较高等问题,导致在调用量大的场景下,通过接口调用大语言模型获取智能对话系统输出答案所需的时间过长,无法满足用户的低时延需求。同时,大量调用第三方接口会产生高额费用。基于此,本说明书提供一种基于大语言模型的智能对话方法、装置、介质及设备。
发明内容
本说明书提供一种基于大语言模型的智能对话方法、装置、介质及设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种基于大语言模型的智能对话方法、装置、介质及设备,包括:
接收用户输入的第一文本;
将所述第一文本输入训练完成的文本分类模型,确定所述第一文本的分类结果;
当所述分类结果不是知识类文本时,将所述第一文本发送至所述第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回;
当所述分类结果为知识类文本时,在本地数据库中搜索所述第一文本,确定本地搜索结果,以及将所述第一文本输入第三方搜索引擎,确定线上搜索结果;
将所述本地搜索结果以及所述线上搜索结果,作为检索结果,将所述检索结果和所述第一文本输入训练完成的本地大语言模型,根据所述本地大语言模型输出的关联结果,判断所述检索结果与所述第一文本是否关联;
若是,则根据所述检索结果确定返回所述用户的目标文本,并返回;
若否,则将所述第一文本发送至所述第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回。
可选地,将所述第一文本输入训练完成的文本分类模型,确定所述第一文本的分类结果,具体包括:
根据所述第一文本,在本地数据库中存储的若干单轮对话数据中,确定所述第一文本分别与各单轮对话数据中第二文本的相似度;
当存在相似度大于预设阈值的第二文本时,根据所述大于预设阈值的第二文本所属的单轮对话数据的其他文本,确定输出结果并返回;
当不存在相似度大于预设阈值的第二文本时,将所述第一文本输入训练完成的文本分类模型,确定所述第一文本的分类结果。
可选地,在本地数据库中搜索所述第一文本,确定本地搜索结果,具体包括:
识别所述第一文本中的实体,并确定本地数据库中存储的知识图谱中的实体;
计算所述第一本中的实体与本地数据库中存储的知识图谱中各实体的相似度;
输出预设数量相似度大于预设值的知识图谱中的实体作为本地搜索结果。
可选地,在本地数据库中搜索所述第一文本,确定本地搜索结果,具体包括:
将本地数据库中文档进行分段,确定文档段,将各文档段分别输入训练完成的语义编码模型,确定各文档段分别对应的文档段编码;
根据各文档段的内容,生成各文档段分别对应文本问题,将各文本问题输入训练完成的语义编码模型,确定各文本问题分别对应的文本问题编码;
将所述第一文本输入训练完成的语义编码模型,确定所述第一文本对应的第一文本编码;
计算所述第一文本编码分别与各文档段编码的相似度,以及所述第一文本编码分别与各文本问题编码的相似度;
按照确定出的相似度从大到小的顺序,确定预设数量的文档段编码和/或文本问题编码;
将确定的所述文档段编码对应的文档段和/或确定的所述文本问题编码对应的文档段,作为本地搜索结果。
可选地,根据所述检索结果确定返回所述用户的目标文本,具体包括:
根据所述本地大语言模型确定的所述检索结果与所述第一文本的关联度,对所述检索结果进行排序;
按照所述排序,选择预设数量的检索结果,作为所述用户的目标文本。
可选地,所述方法还包括:
向用户发送所述输出结果和所述第一文本是否关联的校验请求;
响应于所述用户的校验结果,当用户校验结果为关联时,将所述第一文本作为样本数据,将所述输出结果作为所述样本数据的标注,确定标注的训练样本;
存储所述标注的训练样本,用于更新训练所述本地大语言模型。
可选地,向用户发送所述输出结果,具体包括:
向用户发送所述输出结果,以及所述输出结果和所述第一文本是否关联的校验请求;
响应于所述用户的校验请求,当用户校验结果为关联时,将所述第一文本作为单轮对话数据中的第二文本,所述输出结果作为单轮对话数据中的其他文本,构建单轮对话数据;
根据构建的单轮对话数据,更新所述本地数据存储的单轮对话数据。
可选地,将所述第一文本发送至所述第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回,具体包括:
将所述第一文本发送至所述第三方大语言模型;
当所述第三方大语言模型调用成功时,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回;
当第三方大语言模型调用失败时,向用户返回预设文本,并记录调用失败;
当调用失败在预设时间内达到预设次数时,发出异常警告。
本说明书提供了一种基于大语言模型的智能对话装置,包括:
所述装置包括接收模块、问题类型判别模块、知识检索模块、本地问答模块、调用模块,其中:
所述接收模块,用于接收用户输入的第一文本;
所述问题类型判别模块,用于将所述第一文本输入训练完成的文本分类模型,确定所述第一文本的分类结果;当所述分类结果不是知识类文本时,将所述第一文本输入所述调用模块;当所述分类结果是知识类文本时,将所述第一文本输入所述知识检索模块;
所述知识检索模块,用于在本地数据库中搜索所述第一文本,确定本地搜索结果,以及将所述第一文本输入第三方搜索引擎,确定线上搜索结果;将所述本地搜索以及所述线上搜索结果,作为检索结果,和所述第一文本一同输入所述本地知识问答模块;
所述本地知识问答模块,用于将所述本地搜索结果以及所述线上搜索结果,作为检索结果,将所述检索结果和所述第一文本输入训练完成的本地大语言模型,根据所述本地大语言模型输出的关联结果,判断所述检索结果与所述第一文本是否关联;若是,则根据所述检索结果确定返回所述用户的目标文本,并返回;若否,则将所述第一文本发送至调用模块;
所调用模块,用于将所述第一文本发送至第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于大语言模型的智能对话方法。
本说明书提供了一种电子设备,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,所述处理器执行所述程序时实现上述基于大语言模型的智能对话方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的基于大语言模型的智能对话方法,根据用户输入的第一文本的分类结果,确定不同的对话方法,当用户输入的第一文本为非知识类文本时,将第一文本输入第三方大语言模型确定返回用户的目标文本。当用户输入的第一文本为知识类文本时,对第一文本进行本地搜索和线上搜索,再将第一文本和所有的搜索结果输入本地大语言模型,确定搜索结果中关联度大于预设值的检索结果作为返回用户的目标文本,若不存在关联度大于预设值的检索结果,则将第一文本输入第三方大语言模型,将第三方大语言模型的输出结果作为返回用户的目标文本。
从上述方法可以看出,本说明书提供的基于大语言模型的智能对话方法,减少了对第三方大语言模型的调用,降低了智能对话系统的使用成本的同时,也降低了智能对话的时延。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的一种基于大语言模型的智能对话方法的流程示意图;
图2为本说明书实施例提供的一种基于大语言模型的智能对话方法的流程的示意图;
图3为本说明书提供的一种基于大语言模型的智能对话装置的示意图;
图4为本说明书提供的智能对话装置在计算机中的部署方案的示意图;
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做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。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种基于大语言模型的智能对话方法的流程示意图,包括以下步骤:
S100:接收用户输入的第一文本。
在本说明书一个或多个实施例中,不限制具体由何种设备执行该智能对话方法,例如,个人电脑、移动终端以及服务器等。但由于后续步骤涉及到接口调用、模型调用等操作,而这种对计算资源的要求较高的操作一般都由服务器来执行,因此本说明书后续也以服务器执行该智能对话方法为例,进行描述。其中,该服务器可以是单独的一台设备,或者由多台设备组成,例如,分布式服务器,本说明书对此不做限制。
具体的,该服务器获取用户输入的第一文本,该文本为文本形式的自然语言,可以是几个文字,也可以是一段话,可以是常用语,例如“你好”、“谢谢”等。也可以是一个问题,如“2023年的国家自然科学基金什么时候开始申请?”,还可以是一段话。在本说明书一个或多个实施例中,不限制用户输入的第一文本的具体内容,也不限制用输入的第一文本的长度。
S102:将所述第一文本输入训练完成的文本分类模型,确定所述第一文本的分类结果。
在智能对话领域中,用户输入的文本可分为两种,一种是知识类文本,即可根据获取知识和信息进行客观回复的文本,例如“绍兴县中医院院长是谁?”。另一种是非知识类文本,即需根据语境等信息进行主观回复的文本,例如“你对中国足球怎么看?”。
由于,对于非知识类文本的回复和对知识类文本的回复,分析处理的时采用的方法是不同的。例如,当用户输入的文本为非知识类的文本时,服务器可基于用户上轮对话中的信息,基于预设规则进行答复,但是,当用户输入的文本为知识类时,服务器需要额外的知识和信息作为支撑,才能对用户进行答复。
因此在本说明书一个或多个实施例中,该服务器可将第一文本输入训练完成的文本分类模型,接收训练完成的文本分类模型输出的第一文本的分类结果,该分类结果包括:知识类文本以及非知识类文本。因此该文本分类模型具体可为二分类模型。则后续步骤该服务器可根据确定出的分类结果,确定不同的处理操作。
需要说明的是,在训练上述的文本分类模型时,可通过收集可客观回复的文本作为“知识类”文本训练样本,收集需要进行主观回复的文本作为“非知识类”文本训练样本进行分类模型训练。本说明书不对该文本分类模型的准确度、时延以及模型类型进行限制,保证可实现文本类型判别即可,准确率和时延可以根据具体对话场景选择。
S104:当所述分类结果不是知识类文本时,将所述第一文本发送至所述第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回。
由于用户输入的第一文本为非知识类的文本时,为实现对用户的输入进行精确的答复,需通过训练完成的大语言模型捕捉语言的上下文和语义信息,生成连贯的语句对用户进行答复,但是该训练完成的大语言模型,训练难度高,需要的算力也非常用设备可支持的。
因此,在本说明书一个或多个实施例中,服务器通过接口调用训练完成的第三方大语言模型,再通过接口获取第三方大语言模型的调用结果,作为返回用户的目标文本。从而实现在本地服务器算力不足的情况下实现智能对话。
需要说明的是,上述第三方大语言模型是训练完成的大语言模型,可通过接口进行调用,不同的第三方大语言模型的使用成本和模型对话效果差异较大,在实际应用时可根据需要选取,本说明书不对此进行限定,也就是说,知识类文本和非知识类文本在通过调用第三方大语言模型确定返回用户的目标文本时,调用的第三方大语言模型可为不同类型的第三方大语言模型。在进行调用时,可根据智能对话系统实际的对话方向或用户输入的第一文本中的关键词,设置提示词,从而提高第三方大语言模型生成的返回用户的目标文本的精确度。
进一步的,在调用第三方大语言模型时,可先向用户返回预设话术,如“这个问题有点难,让我想想”等。
S106:当所述分类结果为知识类文本时,在本地数据库中搜索所述第一文本,确定本地搜索结果,以及将所述第一文本输入第三方搜索引擎,确定线上搜索结果。
当用户输入的第一文本为知识类文本时,服务器需要额外的知识和信息作为支撑,再对用户输入的第一文本进行回复。于是,在本说明书一个或多个实施例中,服务器根据用户输入的知识类的第一文本,在本地文档和线上分别确定搜索结果,再通过后续步骤S108确定返回用户的目标文本。
具体的,该服务器可根据该第一文本,在本地数据库存储的文档中进行搜索,根据各本地文档的内容与该第一文本的相似度的大小,确定预设数量的本地文档,作为本地的搜索结果。
需要说明的是,再对本地文档进行搜索时,由于可能会出现文档较长,该文档仅有部分内容与第一文本相关,大部分是无关的,导致在确定的文档与第一文本的相似度时,该文档的相似度较低,从而未作为用户的搜索结果,使得对用户输入的第一文本回复精度较低。因此可以先对文档进行分段,在根据各分段和第一文本计算相似度,确定预设数量相似度大于预设值的文档段作为本地搜索结果。在本说明书一个或多个实施例中,不限制具体的分段方法,可以根据内容对文档进行分段,也可以根据文档的字数进行分段,还可以根据文档内容和字数进行分段。
再将第一文本输入第三方搜索引擎,根据第三方搜索引擎返回的结果,确定预设数量的搜索结果作为线上搜索结果。
S108:将所述本地搜索结果以及所述线上搜索结果,作为检索结果,将所述检索结果和所述第一文本输入训练完成的本地大语言模型,根据所述本地大语言模型输出的关联结果,判断所述检索结果与所述第一文本是否关联,若是,则执行步骤S110,若否,则执行步骤S112。
由于无论是本地搜索结果还是线上搜索结果,都是基于计算第一文本与文档段相似度确定的,因此搜索结果的准确度并不高。于是,该服务器还可从检索结果中确定对于第一文本关联度较高的目标文本,作为返回用户的目标文本。
具体的,在本说明书一个或多个实施例中,该服务器可将该第一文本和各检索结果输入本地的大语言模型,该本地的大语言模型通过分别计算该第一文本和各检索结果之间的关联度,该本地的大语言模型将关联度大于预设值的检索结果,作为关联结果输出。于是,该本地的大语言模型输出的关联结果存在两种情况,一种是各检索结果与该第一文本的关联度均低于预设值,则该本地的大语言模型输出的关联结果为空集,另一种是存在关联度高于预设值的检索结果,则该本地的大语言模型输出的关联结果:为关联度高于预设值的检索结果。
进一步的,本地大语言模型还可以在接收到输入的第一文本和各检索结果后,获取预设轮数的之前的对话数据,计算各检索结果与之前的对话数据的第二关联度,确定第二关联度大于第二预设值的检索结果。将关联度大于预设值且第二关联度大于第二预设值的检索结果作为关联结果输出,否则输出空集。
需要说明的是,本地的大语言模型区别于第三方大语言模型,本地大语言模型是基于开源的大语言模型训练微调得到,部署在本地服务器。无论是精度、训练样本量还是准确率都小于第三方大语言模型,但是本地大语言模型在使用过程中时延远小于调用第三方大语言模型,相较于第三方大语言模型更容易被部署,且不会产生额外成本。
可选地,本地大语言模型在要求低时延的情况下,也可以用文本抽取模型实现,但是在要求精度较高的情况下,本地大语言模型的效果要高于文本片段抽取模型。更进一步的,也可将本地大语言模型以及文本片段抽取模型串联使用。
S110:根据所述检索结果确定返回所述用户的目标文本,并返回。
当该服务器确定本地大语言模型的输出为检索结果时,将各检索结果作为目标文本返回用户。
需要说明的是,由于检索结果都为文本段落,但是文本段落中,可能仅有部分内容为用户需要的内容,若将检索结果都发送给用户,可能会造成用户会接收到大量无关内容,基于此也可以根据预设数量之前轮数的对话数据和本轮对话中用户输入的第一文本,确定检索结果中的内容与第一文本关联度最高的部分内容,返回给用户。
S112:将所述第一文本发送至所述第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回。
该服务器可在检测到该本地大语言模型输出为空时,确定各检索结果与该第一文本不关联,然后将用户输入的第一文本输入训练完成的第三方大语言模型,将第三方大语言模型的输出结果作为返回用户的目标文本。
基于图1所示的智能对话方法,通过对用户输入的第一文本的类型进行分类,确定不同的对话方法。当用户输入的第一文本为知识类时,通过本地搜索和线上搜索确定搜索结果,再通过本地大语言模型确定关联度大于预设值的搜索结果为返回用户的目标文本。仅当不存在关联度大于预设值的检索结果或用户输入的第一文本为非知识类时,再通过第三方大语言模型确定返回用户的目标文本,减少了对第三方大语言模型的调用,降低了智能对话系统的使用成本的同时,也降低了智能对话的时延。
进一步的,为减少用户对第三方大语言模型的调用,还可以通过将第三方大语言模型的输出结果存储在本地的数据库中,在接收到用户输入的第一文本,先在本地数据库中搜索,判断是否有相似的对话数据。若有,可根据本地数据库中存储的对话数据确定返回用户的目标文本。
具体的,获取第三方大语言模型的输出结果,将第一文本作为第二文本,第一文本对应的输出结果为其他文本,建立第二文本-其他文本结构,作为单轮对话数据存储在本地数据库。先确定第一文本是否为常用语或,如“你好”、“谢谢”、“再见”等,若是,则根据常用语的回复规则返回用户对应的文本。
若否,将第一文本向量化,同时向量化本地数据库中的第二文本向量化,确定第一文本和第二文本的向量相似度,根据向量相似的大小,当存在向量相似度大于预设值的第二文本时,向用户返回相似度最大的第二文本对应的其他文本。
进一步的,构建第一文本-第二文本匹配,第一文本-其他文本匹配的联合评分模型。先根据第一文本和第二文本的向量相似度的大小,确定预设数量的单轮对话数据,再将各单轮对话数据分别输入联合评分模型,确定联合评分,当存在联合评分大于预设值的单轮对话数据时,将联合评分最大的单轮对话数据中的其他文本返回用户。
当本地数据库不存在相似的对话数据时,执行步骤S100~步骤S112。
更进一步的,为增加智能对话过程中,返回用户的目标文本的精度,还可在获取第三方大语言模型的输出结果后,向用户发送输出结果和第一文本是否关联的校验请求,当用户校验结果为关联时,将第一文本和输出结果存储至本地数据库。当用户校验结果为不关联时,将输出结果丢弃。需要说明的是,上述的用户可以为智能对话系统的使用用户,也可以是智能对话系统的运维人员。
更进一步的,当用户校验结果为不关联时,也可以将校验结果为不关联的第一文本和其对应的输出结果发送至运维,对该输出结果进行修改,将第一文本和修改后的输出结果作为单轮对话数据保存至本地数据库。
需要说明的是,针对本地数据库中存储的单轮对话数据,若该单轮对话数据中的第二文本为知识类文本,则该单轮对话数据中第一文本可作为样本数据,其他文本可作为样本数据的标注,确定标注的训练样本,用于训练步骤S108中的本地大语言模型。
在步骤S106中,所述的本地检索还可以包括本地知识图谱检索,具体的,识别第一文本中的实体,并确定本地数据库中存储的知识图谱中的实体。计算第一本中的实体与本地数据库中存储的知识图谱中各实体的相似度,输出预设数量相似度大于预设值的知识图谱中的实体作为本地搜索结果。
进一步的,在进行本地知识图谱检索时,还可以先将知识图谱中的实体以三元组的形式存储,然后确定第一文本中的实体,根据第一文本中的实体对知识图谱中的实体进行检索,确定预设数量的相关三元组。再利用训练完成的文本语义模型对第一文本中的实体和确定的三元组中的实体分别进行编码,然后分别计算第一文本实体的编码与各三元组中实体的编码的相似度,根据相似度的大小确定预设数量的三元组作为本地搜索结果。
在步骤S106中,所述的本地检索还可以包括本地非结构化文本检索。具体的,将本地数据库中文档进行分段,确定文档段,将各文档段分别输入训练完成的语义编码模型,确定各文档段分别对应的文档段编码。根据各文档段的内容,生成各文档段分别对应文本问题,将各文本问题输入训练完成的语义编码模型,确定各文本问题分别对应的文本问题编码。将第一文本输入训练完成的语义编码模型,确定第一文本对应的第一文本编码。计算第一文本编码分别与各文档段编码的相似度,以及第一文本编码分别与各文本问题编码的相似度。按照确定出的相似度从大到小的顺序,确定预设数量的文档段编码和/或文本问题编码。将确定的文档段编码对应的文档段和/或确定的文本问题编码对应的文档段,作为本地搜索结果。
需要说明的是,可以对第一文本编码分别与各文档段编码的相似度和第一文本编码分别与各文本问题编码的相似度,进行排序,根据相似度由大到小的顺序确定预设数量的文本段作为本地搜索结果。也可以对第一文本编码分别与各文档段编码的相似度进行排序,根据相似由大到小的顺序确定预设数量的文本段,再对第一文本编码分别与各文本问题编码的相似度,根据相似由大到小的顺序确定预设数量的文本段,将上述确定出的文本段一同作为本地搜索结果。
进一步的,可以将根据本地知识图谱检索确定的本地搜索结果和根据本地非结构化文本检索确定的本地搜索结果一同作为本地搜索结果输入本地大语言模型。
由于在第三方大语言模型调用过程中,会由于网络传输不畅、调用接口的额度用完等原因,导致服务器无法向用户返回目标文本。因此,在本说明书一个或多个实施例中,记录第三方大语言模型调用结果,当预设时间内出现预设次数的调用失败时,发出警告。需要说明的是,不同原因导致的调用失败需要设置的预设时间和预设次数是不同的。例如,由于接口调用额度用完导致失败时,应在第一次调用失败时,就发出警告。由于网络传输不畅导致调用失败时,可设置较短的预设时间。
在出现调用失败时,可向用户返回预设的话术,如“实在抱歉,这个问题我无法回答”等。
如图2所示,图2为本说明书实施例提供的一种智能对话方法过程。
响应于用户输入的第一文本,先确定本地数据库中是否存在相似的单轮对话数据,若存在,则将该单轮对话数据中的其他文本作为目标文本返回用户。若不存在则判断该第一文本的类型。
若该第一文本为非知识类的文本,先向用户返回预设的话术,然后调用第三方大语言模型,获取第三方大语言模型的输出结果,将该输出结果返回用户。同时对该输出结果和第一文本进行校验,将校验结果为关联的输出结果和第一文本存储至本地数据库,并用于本地大语言模型的训练。校验结果为不关联的输出结果丢弃。
若该文本为知识类文本,对该知识类的第一文本进行本地检索和线上检索,其中本地检索分为本地文档检索和知识图谱检索。然后将本地检索结果和线上检索结果以及第一文本输入本地大语言模型。当存在目标文本时,将目标文本返回用户,若不存在则通过第三方大语言模型,确定目标文本,将目标文本返回用户并进行校验,将校验结果为关联的目标文本和第一文本存储至本地数据库。当第三方大语言模型预设时间内调用失败次数达到预设值时,发出警告表示出现异常。
以上为本说明书的一个或多个实施例提供的基于大语言模型的智能对话方法,基于同样的思路,本说明书还提供了相应的智能对话装置,如图3所示。
接收模块300,用于接收用户输入的第一文本。
问题类型判别模块301,用于将所述第一文本输入训练完成的文本分类模型,确定所述第一文本的分类结果;当所述分类结果不是知识类文本时,将所述第一文本输入所述调用模块304;当所述分类结果是知识类文本时,将所述第一文本输入所述知识检索模块302。
知识检索模块302,用于在本地数据库中搜索所述第一文本,确定本地搜索结果,以及将所述第一文本输入第三方搜索引擎,确定线上搜索结果,将所述本地搜索以及所述线上搜索结果,作为检索结果,和所述第一文本一同输入所述本地知识问答模块303。
本地知识问答模块303,用于将所述本地搜索结果以及所述线上搜索结果,作为检索结果,将所述检索结果和所述第一文本输入训练完成的本地大语言模型,根据所述本地大语言模型输出的关联结果,判断所述检索结果与所述第一文本是否关联;若是,则根据所述检索结果确定返回所述用户的目标文本,并返回;若否,则将所述第一文本发送至调用模块304。
调用模块304,用于将所述第一文本发送至第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回。
可选地,所述装置还包括常见回复模块305,所述常见回复模块305,用于在所述问题类型判别模块301,确定所述第一文本的分类结果之前,根据所述第一文本,在本地数据库中存储的若干单轮对话数据中,确定所述第一文本分别与各单轮对话数据中第二文本的相似度,当存在相似度大于预设阈值的第二文本时,根据所述大于预设阈值的第二文本所属的单轮对话数据的其他文本,确定输出结果并返回,当不存在相似度大于预设阈值的第二文本时,确定所述本地数据库不存在所述第一文本对应目标文本,将所述第一文本输入所述问题类型判别模块301。
可选地,所述装置还包括数据采集模块306,所述数据采集模块,用于存储所述本地数据库;用于获取所述调用模块304返回的所述第一文本和所述输出结果,并将结果返回所述校验模块。
可选地,所述装置还包括校验模块,所述校验模块307,用于当所述第一文本为知识类文本时,向用户发送所述输出结果和所述第一文本是否关联的校验请求,响应于所述用户的校验结果,当用户校验结果为关联时,将所述第一文本作为样本数据,将所述输出结果作为所述样本数据的标注,确定标注的训练样本,存储所述标注的训练样本,用于更新训练所述本地大语言模型。
可选地,所述校验模块307,还用于当所述第一文本为非知识类文本时,向用户发送所述输出结果,以及所述输出结果和所述第一文本是否关联的校验请求。响应于所述用户的校验请求,当用户校验结果为关联时,将所述第一文本作为单轮对话数据中的第二文本,所述输出结果作为单轮对话数据中的其他文本,构建单轮对话数据。根据构建的单轮对话数据,更新所述本地数据存储的单轮对话数据。
可选地,所述知识检索模块302,还用于识别所述第一文本中的实体,并确定本地数据库中存储的知识图谱中的实体,计算所述第一本中的实体与本地数据库中存储的知识图谱中各实体的相似度,输出预设数量相似度大于预设值的知识图谱中的实体作为本地搜索结果。
可选地,所述知识检索模块302,还用于将本地数据库中文档进行分段,确定文档段,将各文档段分别输入训练完成的语义编码模型,确定各文档段分别对应的文档段编码。根据各文档段的内容,生成各文档段分别对应文本问题,将各文本问题输入训练完成的语义编码模型,确定各文本问题分别对应的文本问题编码,将所述第一文本输入训练完成的语义编码模型,确定所述第一文本对应的第一文本编码。计算所述第一文本编码分别与各文档段编码的相似度,以及所述第一文本编码分别与各文本问题编码的相似度,按照确定出的相似度从大到小的顺序,确定预设数量的文档段编码和/或文本问题编码,将确定的所述文档段编码对应的文档段和/或确定的所述文本问题编码对应的文档段,作为本地搜索结果。
可选地,所述本地知识问答模块303,还用于根据所述本地大语言模型确定的所述检索结果与所述第一文本的关联度,对所述检索结果进行排序,按照所述排序,选择预设数量的检索结果,作为所述用户的目标文本。
可选地,所述装置还包括异常处理模块308,所述异常处理模块,用于当第三方大语言模型调用失败时,向用户返回预设文本,并记录调用失败,当调用失败在预设时间内达到预设次数时,发出异常警告。
如图4所示,图4为本说明书实施例提供的智能问答装置中各模块在计算机中的部署方案。
通过计算机的中央处理器(Central Processing Unit,CPU)和图形处理器(Graphics Processing Unit,GPU)实现上述智能对话装置。其中,可以将常见回复模块305、知识检索模块302、调用模块304部署在CPU的服务资源中。也可以将常见回复模块305、问题类型判别模块301、知识检索模块302、本地知识问答模块303以及校验模块307部署在GPU服务资源上。也可以将问题类型判别模块301、本地知识问答模块303以及校验模块307部署在CPU训练资源上,还可以将异常处理模块308、知识检索模块302、数据采集模块306以及校验模块307部署在计算机的索引与数据资源上。以上部署方案为本说明书提供的部分可选方案,在实际部署中可根据现有的资源的大小或根据不同资源的实际用途,选择不同的部署方案。也可以根据GPU以及CPU的实际资源,将同一模块进行拆分,部署在不同设备上。本说明书不对具体的部署方式进行限定。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的基于大语言模型的智能对话方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述,在硬件层面,该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的基于大语言模型的智能对话方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理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权利要求范围之内。
Claims (11)
1.一种基于大语言模型的智能对话方法,其特征在于,包括:
接收用户输入的第一文本;
将所述第一文本输入训练完成的文本分类模型,确定所述第一文本的分类结果;
当所述分类结果不是知识类文本时,将所述第一文本发送至第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回;
当所述分类结果为知识类文本时,在本地数据库中搜索所述第一文本,确定本地搜索结果,以及将所述第一文本输入第三方搜索引擎,确定线上搜索结果;
将所述本地搜索结果以及所述线上搜索结果,作为检索结果,将所述检索结果和所述第一文本输入训练完成的本地大语言模型,根据所述本地大语言模型输出的关联结果,判断所述检索结果与所述第一文本是否关联;
若是,则根据所述检索结果确定返回所述用户的目标文本,并返回;
若否,则将所述第一文本发送至所述第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回。
2.如权利要求1所述方法,其特征在于,将所述第一文本输入训练完成的文本分类模型,确定所述第一文本的分类结果,具体包括:
根据所述第一文本,在本地数据库中存储的若干单轮对话数据中,确定所述第一文本分别与各单轮对话数据中第二文本的相似度;
当存在相似度大于预设阈值的第二文本时,根据所述大于预设阈值的第二文本所属的单轮对话数据的其他文本,确定输出结果并返回;
当不存在相似度大于预设阈值的第二文本时,将所述第一文本输入训练完成的文本分类模型,确定所述第一文本的分类结果。
3.如权利要求1所述方法,其特征在于,在本地数据库中搜索所述第一文本,确定本地搜索结果,具体包括:
识别所述第一文本中的实体,并确定本地数据库中存储的知识图谱中的实体;
计算所述第一文本中的实体与本地数据库中存储的知识图谱中各实体的相似度;
输出预设数量相似度大于预设值的知识图谱中的实体作为本地搜索结果。
4.如权利要求1所述方法,其特征在于,在本地数据库中搜索所述第一文本,确定本地搜索结果,具体包括:
将本地数据库中文档进行分段,确定文档段,将各文档段分别输入训练完成的语义编码模型,确定各文档段分别对应的文档段编码;
根据各文档段的内容,生成各文档段分别对应文本问题,将各文本问题输入训练完成的语义编码模型,确定各文本问题分别对应的文本问题编码;
将所述第一文本输入训练完成的语义编码模型,确定所述第一文本对应的第一文本编码;
计算所述第一文本编码分别与各文档段编码的相似度,以及所述第一文本编码分别与各文本问题编码的相似度;
按照确定出的相似度从大到小的顺序,确定预设数量的文档段编码和/或文本问题编码;
将确定的所述文档段编码对应的文档段和/或确定的所述文本问题编码对应的文档段,作为本地搜索结果。
5.如权利要求1所述方法,其特征在于,根据所述检索结果确定返回所述用户的目标文本,具体包括:
根据所述本地大语言模型确定的所述检索结果与所述第一文本的关联度,对所述检索结果进行排序;
按照所述排序,选择预设数量的检索结果,作为所述用户的目标文本。
6.如权利要求1所述方法,其特征在于,所述方法还包括:
向用户发送所述输出结果和所述第一文本是否关联的校验请求;
响应于所述用户的校验结果,当用户校验结果为关联时,将所述第一文本作为样本数据,将所述输出结果作为所述样本数据的标注,确定标注的训练样本;
存储所述标注的训练样本,用于更新训练所述本地大语言模型。
7.如权利要求2所述方法,其特征在于,向用户发送所述输出结果,具体包括:
向用户发送所述输出结果,以及所述输出结果和所述第一文本是否关联的校验请求;
响应于所述用户的校验请求,当用户校验结果为关联时,将所述第一文本作为单轮对话数据中的第二文本,所述输出结果作为单轮对话数据中的其他文本,构建单轮对话数据;
根据构建的单轮对话数据,更新所述本地数据存储的单轮对话数据。
8.如权利要求1所述方法,其特征在于,将所述第一文本发送至所述第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回,具体包括:
将所述第一文本发送至所述第三方大语言模型;
当所述第三方大语言模型调用成功时,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回;
当第三方大语言模型调用失败时,向用户返回预设文本,并记录调用失败;
当调用失败在预设时间内达到预设次数时,发出异常警告。
9.一种基于大语言模型的智能对话装置,其特征在于,所述装置包括接收模块、问题类型判别模块、知识检索模块、本地知识问答模块、调用模块,其中:
所述接收模块,用于接收用户输入的第一文本;
所述问题类型判别模块,用于将所述第一文本输入训练完成的文本分类模型,确定所述第一文本的分类结果;当所述分类结果不是知识类文本时,将所述第一文本输入所述调用模块;当所述分类结果是知识类文本时,将所述第一文本输入所述知识检索模块;
所述知识检索模块,用于在本地数据库中搜索所述第一文本,确定本地搜索结果,以及将所述第一文本输入第三方搜索引擎,确定线上搜索结果;将所述本地搜索以及所述线上搜索结果,作为检索结果,和所述第一文本一同输入所述本地知识问答模块;
所述本地知识问答模块,用于将所述本地搜索结果以及所述线上搜索结果,作为检索结果,将所述检索结果和所述第一文本输入训练完成的本地大语言模型,根据所述本地大语言模型输出的关联结果,判断所述检索结果与所述第一文本是否关联;若是,则根据所述检索结果确定返回所述用户的目标文本,并返回;若否,则将所述第一文本发送至调用模块;
所调用模块,用于将所述第一文本发送至第三方大语言模型,将所述第三方大语言模型返回的输出结果,作为返回所述用户的目标文本,并返回。
10.一种计算机可读存储介质,其特征在于,该存储介质存储有计算机程序,所述计算机程序产品被处理器执行时实现上述权利要求1~8任一项所述的方法。
11.一种电子设备,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上述权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311328288.0A CN117076650B (zh) | 2023-10-13 | 2023-10-13 | 一种基于大语言模型的智能对话方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311328288.0A CN117076650B (zh) | 2023-10-13 | 2023-10-13 | 一种基于大语言模型的智能对话方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117076650A CN117076650A (zh) | 2023-11-17 |
CN117076650B true CN117076650B (zh) | 2024-02-23 |
Family
ID=88717445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311328288.0A Active CN117076650B (zh) | 2023-10-13 | 2023-10-13 | 一种基于大语言模型的智能对话方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076650B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114416927A (zh) * | 2022-01-24 | 2022-04-29 | 招商银行股份有限公司 | 智能问答方法、装置、设备及存储介质 |
WO2022095385A1 (zh) * | 2020-11-06 | 2022-05-12 | 平安科技(深圳)有限公司 | 文档知识抽取方法、装置、计算机设备及可读存储介质 |
CN115146601A (zh) * | 2022-06-30 | 2022-10-04 | 北京三快在线科技有限公司 | 语言处理任务的执行方法、装置、可读存储介质以及设备 |
CN115952272A (zh) * | 2023-03-10 | 2023-04-11 | 杭州心识宇宙科技有限公司 | 一种生成对话信息的方法、装置、设备及可读存储介质 |
CN116628171A (zh) * | 2023-07-24 | 2023-08-22 | 北京惠每云科技有限公司 | 一种基于预训练语言模型的病历检索方法和系统 |
CN116701431A (zh) * | 2023-05-25 | 2023-09-05 | 东云睿连(武汉)计算技术有限公司 | 一种基于大语言模型的数据检索方法及系统 |
CN116775853A (zh) * | 2023-06-28 | 2023-09-19 | 唯思电子商务(深圳)有限公司 | 一种基于大语言模型的企业内部搜索引擎方法 |
CN116821308A (zh) * | 2023-08-22 | 2023-09-29 | 浙江口碑网络技术有限公司 | 生成方法、模型的训练方法、设备及存储介质 |
CN116860916A (zh) * | 2023-07-10 | 2023-10-10 | 武汉市万睿数字运营有限公司 | 多阶段文本检索方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11853296B2 (en) * | 2021-07-28 | 2023-12-26 | International Business Machines Corporation | Clarification questions selection for conversational search, trained from human-to-human conversations and solution documents |
US20230280985A1 (en) * | 2022-03-07 | 2023-09-07 | Salesforce, Inc. | Systems and methods for a conversational framework of program synthesis |
-
2023
- 2023-10-13 CN CN202311328288.0A patent/CN117076650B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022095385A1 (zh) * | 2020-11-06 | 2022-05-12 | 平安科技(深圳)有限公司 | 文档知识抽取方法、装置、计算机设备及可读存储介质 |
CN114416927A (zh) * | 2022-01-24 | 2022-04-29 | 招商银行股份有限公司 | 智能问答方法、装置、设备及存储介质 |
CN115146601A (zh) * | 2022-06-30 | 2022-10-04 | 北京三快在线科技有限公司 | 语言处理任务的执行方法、装置、可读存储介质以及设备 |
CN115952272A (zh) * | 2023-03-10 | 2023-04-11 | 杭州心识宇宙科技有限公司 | 一种生成对话信息的方法、装置、设备及可读存储介质 |
CN116701431A (zh) * | 2023-05-25 | 2023-09-05 | 东云睿连(武汉)计算技术有限公司 | 一种基于大语言模型的数据检索方法及系统 |
CN116775853A (zh) * | 2023-06-28 | 2023-09-19 | 唯思电子商务(深圳)有限公司 | 一种基于大语言模型的企业内部搜索引擎方法 |
CN116860916A (zh) * | 2023-07-10 | 2023-10-10 | 武汉市万睿数字运营有限公司 | 多阶段文本检索方法、装置、计算机设备及存储介质 |
CN116628171A (zh) * | 2023-07-24 | 2023-08-22 | 北京惠每云科技有限公司 | 一种基于预训练语言模型的病历检索方法和系统 |
CN116821308A (zh) * | 2023-08-22 | 2023-09-29 | 浙江口碑网络技术有限公司 | 生成方法、模型的训练方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117076650A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116227474B (zh) | 一种对抗文本的生成方法、装置、存储介质及电子设备 | |
CN110457578B (zh) | 一种客服服务需求识别方法及装置 | |
CN110032730B (zh) | 一种文本数据的处理方法、装置和设备 | |
CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
CN112672184A (zh) | 一种视频审核及发布方法 | |
CN112417093B (zh) | 一种模型训练的方法及装置 | |
CN115545002B (zh) | 一种模型训练和业务处理的方法、装置、存储介质及设备 | |
CN115203394A (zh) | 一种模型训练的方法、业务执行的方法及装置 | |
CN113887206B (zh) | 一种模型训练及关键词提取方法及装置 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN117076650B (zh) | 一种基于大语言模型的智能对话方法、装置、介质及设备 | |
CN114676257A (zh) | 一种对话主题确定方法及装置 | |
CN115658891B (zh) | 一种意图识别的方法、装置、存储介质及电子设备 | |
CN117035695B (zh) | 一种信息预警的方法、装置、可读存储介质以及电子设备 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN117390293B (zh) | 一种针对纠纷案件的信息推荐方法、装置、介质及设备 | |
CN108804603B (zh) | 人机书面对话方法及系统、服务器、介质 | |
CN115952859B (zh) | 数据处理方法、装置及设备 | |
CN117369783B (zh) | 一种安全代码生成模型的训练方法及装置 | |
CN117252183B (zh) | 一种基于语义的多源表格自动匹配方法、装置及存储介质 | |
CN118069824A (zh) | 一种风险识别的方法、装置、存储介质及电子设备 | |
CN117390163A (zh) | 一种基于人工智能的事实验证方法、装置、介质及设备 | |
CN117592472A (zh) | 一种模型训练和业务执行方法、装置、存储介质及设备 | |
CN117931672A (zh) | 应用于代码变更的查询处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |