CN117131179A - 一种对话处理方法、装置、存储介质及电子设备 - Google Patents
一种对话处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117131179A CN117131179A CN202311102635.8A CN202311102635A CN117131179A CN 117131179 A CN117131179 A CN 117131179A CN 202311102635 A CN202311102635 A CN 202311102635A CN 117131179 A CN117131179 A CN 117131179A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- content
- data
- target
- language model
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 107
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims description 30
- 238000012986 modification Methods 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000013519 translation 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种对话处理方法、装置、存储介质及电子设备,其中,方法包括:获取客户端针对知识问答对象服务输入的咨询问题数据,采用目标大语言模型在知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容,控制知识问答对象服务基于目标知识内容向客户端进行对话回复处理。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种对话处理方法、装置、存储介质及电子设备。
背景技术
随着计算机技术的发展,电子设备快速普及,各种提供生活便利服务的应用程序、网页端程序也层出不穷,为用户的吃穿住行提供服务(例如出行服务、外卖服务、消费金融服务等),而在服务平台上为用户提供这些服务的服务商,会涉及到遇到服务使用疑问或服务使用问题,就会涉及到咨询问题的情形。
发明内容
本说明书提供了一种对话处理方法、装置、存储介质及电子设备,所述技术方案如下:
第一方面,本说明书提供了一种对话处理方法,所述方法包括:
获取客户端针对知识问答对象服务输入的咨询问题数据;
采用目标大语言模型在所述知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容;
控制所述知识问答对象服务基于所述目标知识内容向客户端进行对话回复处理。
第二方面,本说明书提供了一种对话处理装置,所述装置包括:
数据获取模块,用于获取客户端针对知识问答对象服务输入的咨询问题数据;
内容确定模块,用于采用目标大语言模型在所述知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容;
对话回复模块,用于控制所述知识问答对象服务基于所述目标知识内容向客户端进行对话回复处理。
第三方面,本说明书提供一种计算机存储介质,所述计算机存储介质存储有至少一条指令,所述指令适于由处理器加载并执行本说明书一个或多个实施例的方法步骤。
第四方面,本说明书提供一种计算机程序产品,所述计算机程序产品存储有至少一条指令,所述指令适于由处理器加载并执行本说明书一个或多个实施例的方法步骤。
第五方面,本说明书提供一种电子设备,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行本说明书一个或多个实施例的方法步骤。
本说明书一些实施例提供的技术方案带来的有益效果至少包括:
在本说明书一个或多个实施例中,通过获取客户端针对知识问答对象服务输入的咨询问题数据,采用目标大语言模型在知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容,控制知识问答对象服务基于目标知识内容向客户端进行对话回复处理,可以有效提高对话处理效率,基于目标大语言模型可以实现基于知识库提升最终输出知识内容的质量,优化了对话处理的流程,提升了对话处理的智能化程度。。
附图说明
为了更清楚地说明本说明书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说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书提供的一种对话处理系统的场景示意图;
图2是本说明书提供的一种对话处理方法的流程示意图;
图3是本说明书提供的一种对话处理方法的流程示意图;
图4是本说明书提供的一种知识库存储维护的流程示意图;
图5是本说明书提供的一种对话处理装置的结构示意图;
图6是本说明书提供的另一种对话处理装置的结构示意图;
图7是本说明书提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本说明书中的附图,对本说明书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,都属于本说明书保护的范围。
在本说明书的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本说明书的描述中,需要说明的是,除非另有明确的规定和限定,“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。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说明书中的具体含义。此外,在本说明书的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在相关技术中,服务平台上为用户提供这些服务的服务商,会涉及到遇到服务使用疑问或服务使用问题,就会涉及到咨询问题的情形,通常服务商会花费大量的时间以及精力向服务平台的客服系统采用对话的形式去咨询问题,可见相关技术中对话处理的方式存在一定的局限。
下面结合具体的实施例对本说明书进行详细说明。
请参见图1,为本说明书提供的一种对话处理系统的场景示意图。如图1所示,所述对话处理系统至少可以包括客户端集群和服务平台100。
所述客户端集群可以包括至少一个客户端,如图1所示,具体包括用户1对应的客户端1、用户2对应的客户端2、…、用户n对应的客户端n,n为大于0的整数。
客户端集群中的各客户端可以是具备通信功能的电子设备,该电子设备包括但不限于:可穿戴设备、手持设备、个人电脑、平板电脑、车载设备、智能手机、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中电子设备可以叫做不同的名称,例如:用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant,PDA)、5G网络或未来演进网络中的电子设备等。
所述服务平台100可以是单独的服务器设备,例如:机架式、刀片、塔式、或者机柜式的服务器设备,或采用工作站、大型计算机等具备较强计算能力硬件设备;也可以是采用多个服务器组成的服务器集群,所述服务集群中的各服务器可以是以对称方式组成的,其中每台服务器在事务链路中功能等价、地位等价,各服务器均可单独对外提供服务,所述单独提供服务可以理解为无需另外的服务器的辅助。
在本说明书的一个或多个实施例中,服务平台100与客户端集群中的至少一个客户端可建立通信连接,基于该通信连接完成对话处理过程中数据的交互。
需要说明的是,服务平台100与客户端集群中的至少一个客户端通过网络建立通信连接进行交互通信,其中,网络可以是无线网络,也可以是有线网络,无线网络包括但不限于蜂窝网络、无线局域网、红外网络或蓝牙网络,有线网络包括但不限于以太网、通用串行总线(universal serial bus,USB)或控制器局域网络。在说明书一个或多个实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(Extensible Markup Language,XML)等的技术和/或格式来代表通过网络交换的数据(如目标压缩包)。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(Internet Protocol Security,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
本说明书所提供的对话处理系统实施例与一个或多个实施例中的所述对话处理方法属于同一构思,在说明书一个或多个实施例涉及的所述对话处理方法对应的执行主体可以是上述服务平台100;在说明书一个或多个实施例涉及的所述对话处理方法对应的执行主体也可以是客户端所对应的电子设备,具体基于实际应用环境确定。对话处理系统实施例其体现实现过程可详见下述的方法实施例,这里不再赘述。
基于图1所示的场景示意图,下面对本说明书一个或多个实施例提供的对话处理方法进行详细介绍。
请参见图2,为本说明书一个或多个实施例提供了一种对话处理方法的流程示意图,该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的对话处理装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。所述对话处理装置可以为服务平台。
具体的,该对话处理方法包括:
S102:获取客户端针对知识问答对象服务输入的咨询问题数据;
在本说明书中,对话处理的所涉及的场景可以是:以知识问答对象服务为智能客服对象服务为例,智能客服对象服务以完成客户端用户的问题为目标,当用户通过客户端向智能客服对象服务提出问题时,智能客服对象服务根据客户端的问题生成相应的目标知识内容作为问题答案,并将问题答案输出给客户端用户。
例如,知识问答对象服务可以是设置的对话问答机器客服。
所述咨询问题数据是客户端在实际场景中基于服务使用疑问或服务使用问题所产生的咨询问题。
示例性的,服务平台可以对外提供生活服务,包括餐饮服务、零售服务、快消服务、电商服务、美业服务、酒旅服务、租赁服务等,服务平台上汇聚了大量的服务商对应的客户端,这些服务商对应的客户端是生活服务的实际提供者。服务商可以使用服务平台进行相关运营服务管理事务,诸如事务签约、商户拓展、商户运营、数据查看等运营服务管理事务。然而,服务商在运营服务管理事务的任何一个环节都可能遇到问题和疑问,基于此,服务商会通过客户端触发服务平台的知识问答对象服务,向知识问答对象服务输入咨询问题数据。
S104:采用目标大语言模型在所述知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容;
知识库是指多个参考知识数据构成的集合,参考知识数据由参考知识标准问题数据和(参考知识标准问题数据对应的)参考知识内容组成。
例如,知识库中某参考知识标准问题数据可以是“xxx小程序的营销是什么?”,其对应的参考知识内容可以是“xxx小程序的营销是指在符合相应标准和条件下,xxx小程序有机会在xxx客户端的首页、搜索、营销活动会场、服务提醒等渠道进行透出,获得更多展示机会。为了帮助xxx小程序开发者更加清晰地理解并遵守xxx营销事务规则,维护良好生态环境,保障广大用户的合法权益,作为xxx技术平台的运营主体,xxx技术有限公司特制定本规范”;
在本说明书中,可以使用目标大语言模型来配置知识问答对象服务对应的知识库,目标大语言模型可以提高知识库中参考知识数据的质量以及知识库维护的效率。
示意性的,可以将咨询问题数据输入目标大语言模型,控制目标大语言模型基于知识问答对象服务对应的知识库对咨询问题数据进行知识匹配处理得到目标知识内容,并向知识问答对象服务输出目标知识内容。
知识问答对象服务在从客户端接收到咨询问题数据时,可以将咨询问题数据提供给目标大语言模型,也即输入目标大语言模型中,目标大语言模型可以通过检索知识库来对咨询问题数据进行知识匹配处理得到目标知识内容,并向知识问答对象服务输出目标知识内容。
例如,目标大语言模型在知识库中检索到与咨询问题数据相似度高的已有参考知识标准问题数据,则目标大语言模型可以基于已有参考知识标准问题数据和针对该已有参考知识标准问题数据的参考知识内容,目标大语言模型来生成相应的目标知识内容,然目标大语言模型后将目标知识内容输出至知识问答对象服务。
在一种可行的实施方式中,目标大语言模型可以是直接使用基础大语言模型。
在一种可行的实施方式中,目标大语言模型可以是基于基础大语言模型针对对话处理场景进行模型训练后得到的,基础大语言模型(Large Language Model,LLM)是一种人工智能内容生成模型,旨在理解和生成人类语言。基础大语言模型在大量的数据上进行训练,可以执行广泛的任务,包括文本总结、翻译、情感分析等等。
可选的,基础大语言模型可以是公网开源的AIGC模型;
可选的,可以获取已经训练好的基础大语言模型,将基础大语言模型适配到基于知识库的对话生成场景中,通常直接应用基础大语言模型进行对话生成场景下的对话回复,难以适配新的对话生成场景,基于此,先获取基础大语言模型来关联知识问答对象服务对应的知识库以此来创建初始目标大语言模型,并获取新的对话生成场景下的样本数据,该样本数据是对话生成场景下的样本咨询问题数据,使用样本咨询问题数据对初始目标大语言模型进行模型微调训练,在模型微调训练结束后得到适配对话生成场景下的目标大语言模型。
S106:控制所述知识问答对象服务基于所述目标知识内容向客户端进行对话回复处理。
可以理解的,在由目标大语言模型确定了目标知识内容后,服务平台可以控制知识问答对象服务将该目标知识内容发送至客户端,以完成本轮对话回复处理。
在本说明书一个或多个实施例中,通过获取客户端针对知识问答对象服务输入的咨询问题数据,采用目标大语言模型在知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容,控制知识问答对象服务基于目标知识内容向客户端进行对话回复处理,可以有效提高对话处理效率,基于目标大语言模型可以实现基于知识库提升最终输出知识内容的质量,优化了对话处理的流程,提升了对话处理的智能化程度。
请参见图3,图3是本说明书一个或多个实施例提出的一种对话处理方法的另一种实施例的流程示意图。具体的:
S202:获取客户端针对知识问答对象服务输入的咨询问题数据,将所述咨询问题数据输入目标大语言模型;
具体可参考本说明书其他实施例方法步骤,此处不再赘述。
S204:控制所述目标大语言模型调用所述知识问答对象服务对应的包含多个参考知识数据的知识库,所述参考知识数据由参考知识标准问题数据和参考知识内容组成;
在一些实施例中,可以设置一个或多个类别的知识库,多个类别可以与事务类别对应,例如可以包括商品事务相关的知识库、出行事务相关的知识库、外卖事务相关的知识库等多个类别的知识库,每个类别的知识库中包括相同类别的多个参考知识数据的知识库,参考知识数据由参考知识标准问题数据和参考知识内容组成;
目标大语言模型在完成对话处理场景的适配之后,可以基于该知识库来获取针对本次咨询问题数据的相应参考知识内容,然后基于这些参考知识内容来进行人工智能内容生成,生成目标知识内容,可以理解的是,知识库中所匹配出的参考知识内容作为目标大语言模型的内容生成数据源,基于内容生成数据源进行AIGC处理,以生成目标知识内容。
S206:控制所述目标大语言模型从参考知识标准问题数据确定与所述咨询问题数据相匹配的目标知识标准问题数据,从所述参考知识数据中确定所述目标知识标准问题数据对应的目标知识内容;
示意性的,控制目标大语言模型在知识库中匹配与咨询问题数据的相似知识标准问题,也即得到一个或多个目标知识标准问题数据,在一些实施例中,控制目标大语言模型可以计算咨询问题数据与参考知识标准问题数据的相似度,并基于相似度筛选出一个或多个目标知识标准问题数据,然后从参考知识数据中获取每个目标知识标准问题数据对应的知识内容,基于该知识内容确定目标知识内容。
在一些实施例中,控制目标大语言模型可以通过tf-idf算法、计算数据间的向量距离(距离可以包括但不限于余弦距离、欧式距离、曼哈顿距离、马氏距离或闵可夫斯基距离等)等数据相似度算法计算咨询问题数据与参考知识标准问题数据的相似度。
在一些实施例中,控制目标大语言模型从参考知识数据中获取每个目标知识标准问题数据对应的知识内容后,对知识内容进行知识点特征提取,基于所有知识点特征进行特征聚合生成知识点综合特征,然后基于该知识点综合特征来生成目标知识内容;
可选的,控制目标大语言模型确定一个或多个目标知识标准问题数据后,若存在相似度大于第一相似度阈值的第一知识标准问题数据,此时通常相似度高目标知识标准问题数据对应的知识内容可满足预期,基于此直接获取第一知识标准问题数据对应的第一知识内容作为目标知识内容;
若不存在相似度大于第一相似度阈值的第一知识标准问题数据,获取多个目标知识标准问题数据的知识内容后,对知识内容进行知识点特征提取,基于所有知识点特征进行特征聚合生成知识点综合特征,然后基于该知识点综合特征来生成目标知识内容;
在一种可行的实施方式中,所述确定所述目标知识标准问题数据对应的目标知识内容之后,还包括:
控制目标大语言模型对目标知识内容进行内容质量检测得到质量检测结果,基于所述质量检测结果对所述目标知识内容进行内容调整处理,得到内容调整处理后的所述目标知识内容。
示例性的,内容质量检测可以是内容风格检测、内容描述准确检测(如是否描述清晰、错别字等)、敏感内容检测(是否涉黄、涉政、涉暴等)等内容检测维度中的一种或多种;
示例性的,质量检测结果包括内容检测维度的检测详细信息和内容检测维度分。
控制目标大语言模型基于质量检测结果参照质量检测结果对目标知识内容进行内容调整处理,得到内容调整处理后的所述目标知识内容。
例如,针对内容风格检测,控制目标大语言模型基于咨询问题数据确定问题风格(如投诉风格类、表扬风格类等),检测目标知识内容与问题风格对应的内容回复风格的风格检测维度分和风格检测详细信息,基于该风格检测维度分对目标知识内容进行内容风格强化处理,由目标大语言模型以目标知识内容为参考进行人工智能生成内容生成(AIGC生成)处理,生成契合内容回复风格的目标知识内容。
例如,针对内容描述准确检测,控制目标大语言模型对目标知识内容进行内容描述准确维度检测得到内容描述准确维度分,然后基于内容描述准确维度分结合检测详细信息进行内容调整,如修正错别字、补充描述内容,得到内容调整后的目标知识内容;
例如,针对敏感内容检测,控制目标大语言模型对目标知识内容进行敏感内容维度检测得到敏感内容维度分和敏感内容详细信息,然后基于敏感内容维度分结合敏感内容详细信息,对目标知识内容进行内容脱敏处理,得到内容脱敏处理后的目标知识内容;
S208:控制所述目标大语言模型向所述知识问答对象服务输出所述目标知识内容,控制所述知识问答对象服务基于所述目标知识内容向客户端进行对话回复处理。
具体可参考本说明书其他实施例的方法步骤。
根据一些实施例中,可以获取已经训练好的基础大语言模型,将基础大语言模型适配到基于知识库的对话生成场景中得到目标大语言模型,通常直接应用基础大语言模型进行对话生成场景下的对话回复,难以适配新的对话生成场景,基于此,先获取基础大语言模型来关联知识问答对象服务对应的知识库以此来创建初始目标大语言模型,并获取新的对话生成场景下的样本数据,该样本数据是对话生成场景下的诸如样本咨询问题数据等样本数据,由于基础大语言模型通常是已经训练好的开源AIGC模型,具备内容生成能力,基于此,本说明书中仅需对其进行对话生成场景的适配,具体而言可使用样本数据对初始目标大语言模型进行模型微调训练,在模型微调训练结束后得到适配对话生成场景下的目标大语言模型。
模型创建:获取基础大语言模型,创建针对对话生成场景的初始对话场景插件模型,基于基础大语言模型和初始对话场景插件模型组成初始目标大语言模型;
样本数据获取:获取新的对话生成场景下的样本数据,该样本数据是对话生成场景下的基于对话生成需求的数据,如样本咨询问题数据、样本知识内容概要等,然后在样本咨询问题数据的基础上添加知识库指引信息,以生成样本数据。知识库指引信息也即用于指示模型可从知识库中获取知识数据源,以知识数据源为参考进行人工智能生成内容的引导描述。
样本数据标注:基于对话生成场景的对话生成需求(如内容质量检测需求、多知识内容融合需求)标注对应的样本生成内容标签。
模型训练过程:将样本数据输入初始目标大语言模型进行至少一轮模型训练,得到预测知识内容,基于预测样本生成内容(如基于知识内容生成需求的预测知识内容、基于知识数据维护需求的预测参考知识数据)和样本数据标签采用模型损失函数确定模型损失值,基于该模型损失值对初始目标大语言模型中的初始对话场景插件模型进行模型参数调整,可保持基础大语言模型的模型结构不变,直至满足模型训练结束条件得到基础大语言模型和对话场景插件模型,完成基础大语言模型与对话场景插件模型的模型融合,得到训练好的目标大语言模型。
示意性的,初始对话场景插件模型可基于机器学习模型创建。
基础大语言模型与对话场景插件模型的模型融合:是将对话场景插件模型的模型结构层权重和基础大语言模型进行权重融合,通过确定模型结构层权重在基础大语言模型中对应的目标模型结构层,将该目标模型结构层的模型结构层参数与模型结构层权重进行参数融合,对话场景插件模型的模型结构层权重可以仅在基础大语言模型中所有模型结构层中部分对应存在模型结构层权重,通过对这部分目标模型结构层完成基于模型结构层权重对模型结构层的参数更新,以此类推完成对所有模型结构层权重的参考更新过程,从而得到目标大语言模型。
可选的,模型的模型结束训练条件可以包括诸如损失函数的取值小于或等于预设的损失函数阈值,迭代次数达到预设的次数阈值等。具体模型结束训练条件可基于实际情况确定,此处不作具体限定。
需要说明的是,本说明书一个或多个实施例所涉及的机器学习模型包括但不限于卷积神经网络(Convolutional Neural Network,CNN)模型,深度神经网络(Deep NeuralNetwork,DNN)模型、循环神经网络(Recurrent Neural Networks,RNN)、模型、嵌入(embedding)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、逻辑回归(Logistic Regression,LR)模型等机器学习模型中的一种或多种的拟合。
在本说明书一个或多个实施例中,在新的对话处理场景中可以达到比较好的模型处理性能,新的对话处理场景不需要对基础大语言模型进行重训练,节省了时间,提升了效率,提升了新场景下的模型适配效率,以及基于新的对话处理场景下的目标大语言模型可以有效提高对话处理效率,基于目标大语言模型可以实现基于知识库提升最终输出知识内容的质量,优化了对话处理的流程,提升了对话处理的智能化程度。
请参见图4,图4是本说明书一个或多个实施例提出的一种知识库存储维护的流程示意图。具体的:
S302:确定针对知识问答对象服务对应的知识库,获取针对所述知识库输入的知识录入数据;
示意性的,对知识问答对象服务维护并更新知识库,服务平台的运营端会针对知识库输入知识录入数据,知识录入数据可以涉及到知识标准问题和其对应的指示内容。
为了节省知识库存储维护成本,提高效率,本说明书可以引入目标大语言模型进行知识库中参考知识数据的生成,也即服务平台的运营端可以不输入完全符合参考知识数据组成规范的数据,不需要进一步总结录入知识和考虑知识内容质量。基于目标大语言模型来基于知识录入数据进行二次深度加工进行人工智能内容生成,生成满足参考指示数据组成规范的参考知识数据。
示意性的,可以采用目标大语言模型对所述知识录入数据进行知识样例处理,得到参考知识数据,所述参考知识数据由参考知识标准问题数据和参考知识内容组成;
S304:确定所述知识录入数据包括知识标准问题和知识内容概要;
服务平台的运营端可以简单整理知识确定知识内容概要,组成知识标准问题和指示内容概要的知识录入数据,此时,可采用目标大语言模型来对知识内容概要进行人工智能内容生成,也即生成参考知识内容。
S306:将所述知识录入数据输入至目标大语言模型,控制所述目标大语言模型基于所述知识标准问题对所述知识内容概要进行内容修饰处理得到参考知识内容,输出包含所述知识标准问题和所述参考知识内容的参考知识数据。
在目标大语言模型的模型训练阶段,即从知识数据维护需求的角度对样本数据进行标签标注。样本数据标注:基于对话生成场景的知识数据维护需求对样本数据标注对应的样本生成内容标签,此时该样本生成内容标签也即知识内容标签,样本数据是样本知识内容概要。训练得到的目标大语言模型具备基于知识标准问题对知识内容概要进行内容扩充进一步内容修饰处理的能力。
服务平台将包括知识标准问题和知识内容概要的知识录入数据输入至目标大语言模型,控制目标大语言模型自动基于知识标准问题对知识内容概要进行内容修饰处理得到参考知识内容,然后将参考知识内容和知识标准问题进行组合,输出包含知识标准问题和参考知识内容的参考知识数据。
例如,基于目标大语言模型的参考知识数据的数据样例可以参考如下:
知识标准问题:xxx小程序的营销是什么?
知识内容概要:遵守营销事务规则,维护良好的生态环境...
参考知识内容:为了帮助xxx小程序开发者更好地理解并遵守小程序营销事务规则,维护良好的生态环境,保障广大用户的合法权益,作为小程序技术平台的运营主体,xxx制定了本规范。该规范详细说明了小程序营销的标准和条件,以及小程序开发者应该如何进行展示和推广。如果您有任何关于小程序营销的问题,请随时联系我们的客服团队,我们将尽快为您解答。谢谢!
S308:确定所述知识录入数据包括知识标准问题和知识内容链接;
服务平台的运营端可以提供知识内容源(如知识文章、知识详细介绍)的知识内容链接,组成知识标准问题和知识内容链接的知识录入数据,此时,可采用目标大语言模型来获取知识内容链接对应的源内容数据,对知识点提炼并进行人工智能内容生成,也即生成参考知识内容。
S310:将所述知识录入数据输入至目标大语言模型,控制所述目标大语言模型基于所述知识标准问题获取所述知识内容链接对应的源内容数据,基于所述源内容数据进行知识样例处理得到参考知识内容,输出包含知识标准问题和所述参考知识内容的参考知识数据。
在目标大语言模型的模型训练阶段,即从知识数据维护需求的角度对样本数据进行标签标注。样本数据标注:基于对话生成场景的知识数据维护需求对样本数据标注对应的样本生成内容标签,此时该样本生成内容标签也即知识内容标签,样本数据是样本知识内容链接对应的样本源内容数据。训练得到的目标大语言模型具备基于知识标准问题对源内容数据进行指示点提炼并进行内容扩充进一步内容修饰处理的能力。
服务平台将包括知识标准问题和知识内容链接的知识录入数据输入至目标大语言模型,控制目标大语言模型自动基于知识标准问题对知识内容链接对应的源内容数据进行知识点提炼得到知识点信息,然后对其进行内容修饰处理得到参考知识内容,然后将参考知识内容和知识标准问题进行组合,输出包含知识标准问题和参考知识内容的参考知识数据。
示意性的,服务平台控制目标大语言模型获取所述知识内容链接对应的源内容数据,基于知识标准问题从所述源内容数据中提取参考知识点信息,基于参考知识点信息进行内容修饰处理得到参考知识内容。
S312:将所述参考知识数据存储至所述知识库。
示意性的,服务平台然后将参考知识数据存储在知识库中。
在本说明书一个或多个实施例中,示出了一种基于目标大语言模型优化的高质量知识问答方案,提高了对话问答的知识质量性。借助大模型,运营在录入知识阶段可以借助目标大语言模型对录入的数据进行润色提升,提升了知识内容的质量;以及,提供了整篇文档的知识录入方式,目标大语言模型学习后会直接对知识内容链接对应的源内容数据自动进行知识提取,减少了知识录入人员的知识维护成本,提高了效率。
下面将结合图5,对本说明书提供的对话处理装置进行详细介绍。需要说明的是,图5所示的对话处理装置,用于执行本说明书图1~图4所示实施例的方法,为了便于说明,仅示出了与本说明书相关的部分,具体技术细节未揭示的,请参照本说明书图1~图4所示的实施例。
请参见图5,其示出本说明书的对话处理装置的结构示意图。该对话处理装置1可以通过软件、硬件或者两者的结合实现成为设备的全部或一部分。根据一些实施例,该对话处理装置1包括对话处理模块11、对话处理模块12和对话处理模块13,具体用于:
数据获取模块11,用于获取客户端针对知识问答对象服务输入的咨询问题数据;
内容确定模块12,用于采用目标大语言模型在所述知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容;
对话回复模块13,用于控制所述知识问答对象服务基于所述目标知识内容向客户端进行对话回复处理。
可选的,所述内容确定模块12,用于:
将所述咨询问题数据输入目标大语言模型;
控制所述目标大语言模型基于所述知识问答对象服务对应的知识库对所述咨询问题数据进行知识匹配处理得到目标知识内容,并向所述知识问答对象服务输出所述目标知识内容。
可选的,所述内容确定模块12,用于:
控制所述目标大语言模型调用所述知识问答对象服务对应的包含多个参考知识数据的知识库,所述参考知识数据由参考知识标准问题数据和参考知识内容组成;
控制所述目标大语言模型从参考知识标准问题数据确定与所述咨询问题数据相匹配的目标知识标准问题数据,从所述参考知识数据中确定所述目标知识标准问题数据对应的目标知识内容;
控制所述目标大语言模型向所述知识问答对象服务输出所述目标知识内容。
可选的,所述内容确定模块12,用于:
对所述目标知识内容进行内容质量检测得到质量检测结果,基于所述质量检测结果对所述目标知识内容进行内容调整处理,得到内容调整处理后的所述目标知识内容。
可选的,如图6所示,所述装置1,包括:
数据维护模块14,用于确定针对知识问答对象服务对应的知识库,获取针对所述知识库输入的知识录入数据;
所述数据维护模块14,用于采用目标大语言模型对所述知识录入数据进行知识样例处理,得到参考知识数据,所述参考知识数据由参考知识标准问题数据和参考知识内容组成;
所述数据维护模块14,用于将所述参考知识数据存储至所述知识库。
可选的,所述数据维护模块14,用于:
确定所述知识录入数据包括知识标准问题和知识内容概要;
将所述知识录入数据输入至目标大语言模型,控制所述目标大语言模型基于所述知识标准问题对所述知识内容概要进行内容修饰处理得到参考知识内容,输出包含所述知识标准问题和所述参考知识内容的参考知识数据。
可选的,所述数据维护模块14,用于:
确定所述知识录入数据包括知识标准问题和知识内容链接;
将所述知识录入数据输入至目标大语言模型,控制所述目标大语言模型基于所述知识标准问题获取所述知识内容链接对应的源内容数据,基于所述源内容数据进行知识样例处理得到参考知识内容,输出包含知识标准问题和所述参考知识内容的参考知识数据。
可选的,所述数据维护模块14,用于:
控制所述目标大语言模型获取所述知识内容链接对应的源内容数据,基于所述知识标准问题从所述源内容数据中提取参考知识点信息,基于所述参考知识点信息进行内容修饰处理得到参考知识内容。
需要说明的是,上述实施例提供的对话处理装置在执行对话处理方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的对话处理装置与对话处理方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本说明书序号仅仅为了描述,不代表实施例的优劣。
本说明书还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图1~图4所示实施例的所述对话处理方法,具体执行过程可以参见图1~图4所示实施例的具体说明,在此不进行赘述。
本说明书还提供了一种计算机程序产品,该计算机程序产品存储有至少一条指令,所述至少一条指令由所述处理器加载并执行如上述图1~图4所示实施例的所述对话处理方法,具体执行过程可以参见图1~图4所示实施例的具体说明,在此不进行赘述。
请参考图7,为本说明书实施例提供的一种电子设备的结构方框图。本说明书中的电子设备可以包括一个或多个如下部件:处理器110、存储器120、输入装置130、输出装置140和总线150。处理器110、存储器120、输入装置130和输出装置140之间可以通过总线150连接。
处理器110可以包括一个或者多个处理核心。处理器110利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储器120内的指令、程序、代码集或指令集,以及调用存储在存储器120内的数据,执行终端100的各种功能和处理数据。可选地,处理器110可以采用数字信号处理(digital signal processing,DSP)、现场可编程门阵列(field-programmable gate array,FPGA)、可编程逻辑阵列(programmable logicArray,PLA)中的至少一种硬件形式来实现。处理器110可集成中心处理器(centralprocessing unit,CPU)、图像处理器(graphics processing unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器110中,单独通过一块通信芯片进行实现。
存储器120可以包括随机存储器(random Access Memory,RAM),也可以包括只读存储器(read-only memory,ROM)。可选地,该存储器120包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器120可用于存储指令、程序、代码、代码集或指令集。
其中,输入装置130用于接收输入的指令或数据,输入装置130包括但不限于键盘、鼠标、摄像头、麦克风或触控设备。输出装置140用于输出指令或数据,输出装置140包括但不限于显示设备和扬声器等。在本说明书实施例中,输入装置130可以为温度传感器,用于获取终端的运行温度。输出装置140可以为扬声器,用于输出音频信号。
除此之外,本领域技术人员可以理解,上述附图所示出的终端的结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端中还包括射频电路、输入单元、传感器、音频电路、无线保真(wirelessfidelity,WIFI)模块、电源、蓝牙模块等部件,在此不再赘述。
在本说明书实施例中,各步骤的执行主体可以是上文介绍的终端。可选地,各步骤的执行主体为终端的操作系统。操作系统可以是安卓系统,也可以是IOS系统,或者其它操作系统,本说明书实施例对此不作限定。
在图7的电子设备中,处理器110可以用于调用存储器120中存储的程序,并具体执行以下操作:
获取客户端针对知识问答对象服务输入的咨询问题数据;
采用目标大语言模型在所述知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容;
控制所述知识问答对象服务基于所述目标知识内容向客户端进行对话回复处理。
在一个实施例中,所述处理器110在执行所述采用目标大语言模型在所述知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容,可以执行以下步骤:
将所述咨询问题数据输入目标大语言模型;
控制所述目标大语言模型基于所述知识问答对象服务对应的知识库对所述咨询问题数据进行知识匹配处理得到目标知识内容,并向所述知识问答对象服务输出所述目标知识内容。
在一个实施例中,所述处理器110在执行所述控制所述目标大语言模型基于所述知识问答对象服务对应的知识库对所述咨询问题数据进行知识匹配处理得到目标知识内容,并向所述知识问答对象服务输出所述目标知识内容,可以执行以下步骤:
控制所述目标大语言模型调用所述知识问答对象服务对应的包含多个参考知识数据的知识库,所述参考知识数据由参考知识标准问题数据和参考知识内容组成;
控制所述目标大语言模型从参考知识标准问题数据确定与所述咨询问题数据相匹配的目标知识标准问题数据,从所述参考知识数据中确定所述目标知识标准问题数据对应的目标知识内容;
控制所述目标大语言模型向所述知识问答对象服务输出所述目标知识内容。
在一个实施例中,所述处理器110在执行所述确定所述目标知识标准问题数据对应的目标知识内容之后,还可以执行以下步骤:
对所述目标知识内容进行内容质量检测得到质量检测结果,基于所述质量检测结果对所述目标知识内容进行内容调整处理,得到内容调整处理后的所述目标知识内容。
在一个实施例中,所述处理器110在执行所述对话处理方法还可以执行以下步骤:
确定针对知识问答对象服务对应的知识库,获取针对所述知识库输入的知识录入数据;
采用目标大语言模型对所述知识录入数据进行知识样例处理,得到参考知识数据,所述参考知识数据由参考知识标准问题数据和参考知识内容组成;
将所述参考知识数据存储至所述知识库。
在一个实施例中,所述处理器110在执行所述采用目标大语言模型对所述知识录入数据进行知识样例处理,得到参考知识数据,可以执行以下步骤:
确定所述知识录入数据包括知识标准问题和知识内容概要;
将所述知识录入数据输入至目标大语言模型,控制所述目标大语言模型基于所述知识标准问题对所述知识内容概要进行内容修饰处理得到参考知识内容,输出包含所述知识标准问题和所述参考知识内容的参考知识数据。
在一个实施例中,所述处理器110在执行所述采用目标大语言模型对所述知识录入数据进行知识样例处理,得到参考知识数据,可以执行以下步骤:
确定所述知识录入数据包括知识标准问题和知识内容链接;
将所述知识录入数据输入至目标大语言模型,控制所述目标大语言模型基于所述知识标准问题获取所述知识内容链接对应的源内容数据,基于所述源内容数据进行知识样例处理得到参考知识内容,输出包含知识标准问题和所述参考知识内容的参考知识数据。
在一个实施例中,所述处理器110在执行所述控制所述目标大语言模型基于所述知识标准问题获取所述知识内容链接对应的源内容数据,基于所述源内容数据进行知识样例处理得到参考知识内容,可以执行以下步骤:
控制所述目标大语言模型获取所述知识内容链接对应的源内容数据,基于所述知识标准问题从所述源内容数据中提取参考知识点信息,基于所述参考知识点信息进行内容修饰处理得到参考知识内容。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
需要说明的是,本说明书实施例所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号,均为经用户授权或者经过各方充分授权的,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如,本说明书中涉及的咨询问题数据、知识内容等都是在充分授权的情况下获取的。
以上所揭露的仅为本说明书较佳实施例而已,当然不能以此来限定本说明书之权利范围,因此依本说明书权利要求所作的等同变化,仍属本说明书所涵盖的范围。
Claims (12)
1.一种对话处理方法,所述方法包括:
获取客户端针对知识问答对象服务输入的咨询问题数据;
采用目标大语言模型在所述知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容;
控制所述知识问答对象服务基于所述目标知识内容向客户端进行对话回复处理。
2.根据权利要求1所述的方法,所述采用目标大语言模型在所述知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容,包括:
将所述咨询问题数据输入目标大语言模型;
控制所述目标大语言模型基于所述知识问答对象服务对应的知识库对所述咨询问题数据进行知识匹配处理得到目标知识内容,并向所述知识问答对象服务输出所述目标知识内容。
3.根据权利要求2所述的方法,所述控制所述目标大语言模型基于所述知识问答对象服务对应的知识库对所述咨询问题数据进行知识匹配处理得到目标知识内容,并向所述知识问答对象服务输出所述目标知识内容,包括:
控制所述目标大语言模型调用所述知识问答对象服务对应的包含多个参考知识数据的知识库,所述参考知识数据由参考知识标准问题数据和参考知识内容组成;
控制所述目标大语言模型从参考知识标准问题数据确定与所述咨询问题数据相匹配的目标知识标准问题数据,从所述参考知识数据中确定所述目标知识标准问题数据对应的目标知识内容;
控制所述目标大语言模型向所述知识问答对象服务输出所述目标知识内容。
4.根据权利要求3所述的方法,所述确定所述目标知识标准问题数据对应的目标知识内容之后,还包括:
对所述目标知识内容进行内容质量检测得到质量检测结果,基于所述质量检测结果对所述目标知识内容进行内容调整处理,得到内容调整处理后的所述目标知识内容。
5.根据权利要求1所述的方法,所述方法还包括:
确定针对知识问答对象服务对应的知识库,获取针对所述知识库输入的知识录入数据;
采用目标大语言模型对所述知识录入数据进行知识样例处理,得到参考知识数据,所述参考知识数据由参考知识标准问题数据和参考知识内容组成;
将所述参考知识数据存储至所述知识库。
6.根据权利要求5所述的方法,所述采用目标大语言模型对所述知识录入数据进行知识样例处理,得到参考知识数据,包括:
确定所述知识录入数据包括知识标准问题和知识内容概要;
将所述知识录入数据输入至目标大语言模型,控制所述目标大语言模型基于所述知识标准问题对所述知识内容概要进行内容修饰处理得到参考知识内容,输出包含所述知识标准问题和所述参考知识内容的参考知识数据。
7.根据权利要求5所述的方法,所述采用目标大语言模型对所述知识录入数据进行知识样例处理,得到参考知识数据,包括:
确定所述知识录入数据包括知识标准问题和知识内容链接;
将所述知识录入数据输入至目标大语言模型,控制所述目标大语言模型基于所述知识标准问题获取所述知识内容链接对应的源内容数据,基于所述源内容数据进行知识样例处理得到参考知识内容,输出包含知识标准问题和所述参考知识内容的参考知识数据。
8.根据权利要求7所述的方法,所述控制所述目标大语言模型基于所述知识标准问题获取所述知识内容链接对应的源内容数据,基于所述源内容数据进行知识样例处理得到参考知识内容,包括:
控制所述目标大语言模型获取所述知识内容链接对应的源内容数据,基于所述知识标准问题从所述源内容数据中提取参考知识点信息,基于所述参考知识点信息进行内容修饰处理得到参考知识内容。
9.一种对话处理装置,所述装置包括:
数据获取模块,用于获取客户端针对知识问答对象服务输入的咨询问题数据;
内容确定模块,用于采用目标大语言模型在所述知识问答对象服务对应的知识库中,确定咨询问题数据对应的目标知识内容;
对话回复模块,用于控制所述知识问答对象服务基于所述目标知识内容向客户端进行对话回复处理。
10.一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~8任意一项的方法步骤。
11.一种计算机程序产品,该计算机程序产品存储有至少一条指令,所述至少一条指令由处理器加载并执行如权利要求1~8任意一项的方法步骤。
12.一种电子设备,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~8任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311102635.8A CN117131179A (zh) | 2023-08-29 | 2023-08-29 | 一种对话处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311102635.8A CN117131179A (zh) | 2023-08-29 | 2023-08-29 | 一种对话处理方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117131179A true CN117131179A (zh) | 2023-11-28 |
Family
ID=88859547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311102635.8A Pending CN117131179A (zh) | 2023-08-29 | 2023-08-29 | 一种对话处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131179A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951211A (zh) * | 2024-03-26 | 2024-04-30 | 宁算(南京)科技有限公司 | 一种用于云服务行业大语言模型私有化部署装置及方法 |
-
2023
- 2023-08-29 CN CN202311102635.8A patent/CN117131179A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951211A (zh) * | 2024-03-26 | 2024-04-30 | 宁算(南京)科技有限公司 | 一种用于云服务行业大语言模型私有化部署装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2745632C1 (ru) | Серверное устройство автоматизированного ответа, оконечное устройство, система ответа, способ ответа и программа | |
US11645517B2 (en) | Information processing method and terminal, and computer storage medium | |
CN105654950B (zh) | 自适应语音反馈方法和装置 | |
CN106777018B (zh) | 一种智能聊天机器人中对输入语句的优化方法及装置 | |
CN109952572A (zh) | 基于消息贴纸的建议响应 | |
CN110178132A (zh) | 使用语言模型对消息中接收到的图像的自动建议响应 | |
US20180075014A1 (en) | Conversational artificial intelligence system and method using advanced language elements | |
US20140193794A1 (en) | Systems and methods for generating adaptive surveys and review prose | |
WO2024099457A1 (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN112183098B (zh) | 会话的处理方法和装置、存储介质、电子装置 | |
CN117131179A (zh) | 一种对话处理方法、装置、存储介质及电子设备 | |
CN109522399B (zh) | 用于生成信息的方法和装置 | |
CN117150130A (zh) | 一种内容生成方法、装置、存储介质及电子设备 | |
CN112989177B (zh) | 信息处理方法、装置、电子设备及计算机存储介质 | |
CN112883725A (zh) | 一种文案生成方法、装置、电子设备、存储介质 | |
CN115658875B (zh) | 基于聊天服务的数据处理方法及相关产品 | |
CN116910201A (zh) | 一种对话数据生成方法及其相关设备 | |
CN111787042A (zh) | 用于推送信息的方法和装置 | |
KR20180042763A (ko) | 채팅형 금융 로봇 및 이를 이용한 금융 서비스 제공방법 | |
WO2022169656A1 (en) | Multi-faceted knowledge-driven pre-training for product representation learning | |
CN112307186A (zh) | 基于情绪识别的问答服务方法、系统、终端设备及介质 | |
CN111782776A (zh) | 一种通过填槽实现意图识别的方法和装置 | |
EP3912058A1 (en) | Profile data store automation via bots | |
CN117171316A (zh) | 一种服务商对话处理方法、装置、存储介质及电子设备 | |
CN117611354A (zh) | 一种事务服务项推荐方法、装置、存储介质及电子设备 |
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 |