CN117273018A - 信息处理方法、信息处理装置、计算机设备及存储介质 - Google Patents
信息处理方法、信息处理装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117273018A CN117273018A CN202311221910.8A CN202311221910A CN117273018A CN 117273018 A CN117273018 A CN 117273018A CN 202311221910 A CN202311221910 A CN 202311221910A CN 117273018 A CN117273018 A CN 117273018A
- Authority
- CN
- China
- Prior art keywords
- processing path
- candidate
- processing
- path
- request
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 125
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 405
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000001960 triggered effect Effects 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000003321 amplification Effects 0.000 claims description 12
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 92
- 238000004590 computer program Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 244000309464 bull Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- 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)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种信息处理方法、信息处理装置、计算机设备及存储介质。该方法包括:获取用户账户触发的信息处理请求;信息处理请求中携带有用户账户的对话语句和账户信息;对话语句表征信息处理请求的请求意图;基于对话语句和账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;将信息处理请求与参考处理路径输入预训练的大语言模型,得到大语言模型输出的针对于请求意图的预测处理路径;执行预测处理路径所对应工作流程的任务节点,得到针对信息处理请求的处理结果。采用本方法能够提高预测处理路径的合理性,缩小最终处理结果与用户实际请求意图之间的偏差。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种信息处理方法、信息处理装置、计算机设备及计算机可读存储介质。
背景技术
大型语言模型(LLM,Large Language Model,其为一种生成式模型),如ChatGPT(Chat Generative Pre-trained Transformer,是OpenAI机构研发的聊天机器人程序),能够为用户提供的信息处理请求(即需求任务)而生成并执行许多的下游任务(例如面向用户的节假日出行的需求任务,生成并执行一系列的任务节点)。
然而,在目前将LLM应用于现实世界中进行任务节点的生成和执行的方法还不太成熟,导致生成的任务节点与用户的实际需求不太相符,进而后续执行任务节点所得到的处理结果与用户的实际需求偏差较大。
发明内容
基于此,有必要针对上述技术问题,提供一种信息处理方法、信息处理装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种信息处理方法。所述方法包括:
获取用户账户触发的信息处理请求;所述信息处理请求中携带有所述用户账户的对话语句和账户信息;所述对话语句表征所述信息处理请求的请求意图;
基于所述对话语句和所述账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;所述候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;
将所述信息处理请求与所述参考处理路径输入预训练的大语言模型,得到所述大语言模型输出的针对于所述请求意图的预测处理路径;
执行所述预测处理路径所对应工作流程的任务节点,得到针对所述信息处理请求的处理结果。
在其中一个实施例中,所述基于所述对话语句和所述账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径,包括:
基于所述对话语句所对应的请求意图与各所述候选处理路径所对应的处理意图之间的匹配程度,确定针对各所述候选处理路径的第一参考程度;以及
基于所述账户信息与各所述候选处理路径所对应的作者信息之间的关联程度,确定各所述候选处理路径的第二参考程度;所述作者信息表征候选处理路径所对应的创作者或者应用者的账户信息;
基于所述第一参考程度和所述第二参考程度,从各所述候选处理路径中确定出参考处理路径。
在其中一个实施例中,在所述确定针对各所述候选处理路径的第一参考程度之前,还包括:
将所述对话语句与预设的第一路由表中存储的多个标准语句进行匹配,确定出与所述对话语句相匹配的目标标准语句;
在预设的第二路由表中确定出关联于所述目标标准语句的目标意图,并将所述目标意图作为针对于所述对话语句的请求意图。
在其中一个实施例中,所述基于所述对话语句所对应的请求意图与各所述候选处理路径所对应的处理意图之间的匹配程度,确定针对各所述候选处理路径的第一参考程度,包括:
将所述请求意图转换为目标空间向量,以及获取各所述候选处理路径所对应处理意图的候选空间向量;
确定各所述候选空间向量分别与所述目标空间向量之间的相似度,并将所述相似度作为各所述候选空间向量对应的所述候选处理路径的第一参考程度。
在其中一个实施例中,所述基于所述账户信息与各所述候选处理路径所对应的作者信息之间的关联程度,确定各所述候选处理路径的第二参考程度,包括:
基于所述账户信息所对应的本端用户账户与各所述候选处理路径的作者信息所对应的对端用户账户之间的关联程度,确定各所述候选处理路径的置信分数;所述置信分数表征本端用户账户选取候选处理路径作为参考处理路径的可靠程度;
将各所述候选处理路径的置信分数分别输入预设的放大函数中进行放大处理,得到针对各所述候选处理路径的第二参考程度。
在其中一个实施例中,所述关联程度基于权重系数表征;
所述基于所述账户信息所对应的本端用户账户与各所述候选处理路径的作者信息所对应的对端用户账户之间的关联程度,确定各所述候选处理路径的置信分数,包括:
获取各所述对端用户账户预设的账户等级;所述账户等级表征对端用户账户对应创作或者应用的候选处理路径的合理程度;
基于各所述对端用户账户的账户等级与对应的所述权重系数之间的乘积,确定各所述候选处理路径的置信分数。
在其中一个实施例中,所述第一参考程度基于第一参考分数表征,所述第二参考程度基于第二参考分数表征;
所述基于所述第一参考程度和所述第二参考程度,从各所述候选处理路径中确定出参考处理路径,包括:
获取各所述候选处理路径的时间衰减分数;所述时间衰减分数表征在当前时间将所述候选处理路径应用为所述参考处理路径的合理程度;
基于所述第一参考分数、所述第二参考分数和所述时间衰减分数之间的加权和,确定各所述候选处理路径的综合参考分数;
基于所述综合参考分数,对各所述候选处理路径按照大小顺序进行排序,并选择出对应排序在前预设位次的目标处理路径作为所述参考处理路径。
在其中一个实施例中,所述获取各所述候选处理路径的时间衰减分数,包括:
获取各所述候选处理路径的创作时间或者最近的应用时间;
确定所述当前时间与所述创作时间或者所述应用时间之间的时间距离;
基于预设的时间衰减函数对各所述候选处理路径的时间距离进行衰减评估,得到针对各所述候选处理路径的时间衰减分数;
其中,所述时间衰减分数与所述时间距离负相关。
在其中一个实施例中,在所述得到针对所述信息处理请求的处理结果之后,还包括:
获取所述用户账户对所述预测处理路径的评价分数、所述预测处理路径的创作时间,以及所述用户账户的账户等级;
在所述评价分数大于预设分数的情况下,基于所述预测处理路径对所述信息处理请求的请求意图进行修正,得到新的请求意图;
将所述预测处理路径、所述创作时间、所述新的请求意图和所述账户等级组合为一个存储单元,并将所述存储单元存入所述路径库,以更新所述路径库。
第二方面,本申请还提供了一种信息处理装置。所述装置包括:
请求获取单元,被配置为执行获取用户账户触发的信息处理请求;所述信息处理请求中携带有所述用户账户的对话语句和账户信息;所述对话语句表征所述信息处理请求的请求意图;
路径参考单元,被配置为执行基于所述对话语句和所述账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;所述候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;
路径预测单元,被配置为执行将所述信息处理请求与所述参考处理路径输入预训练的大语言模型,得到所述大语言模型输出的针对于所述请求意图的预测处理路径;
路径执行单元,被配置为执行所述预测处理路径所对应工作流程的任务节点,得到针对所述信息处理请求的处理结果。
第三方面,本申请还提供了一种计算机设备,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令,以实现如上所述的信息处理方法。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质中包括程序数据,当所述程序数据被执行时,实现如上所述的信息处理方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品中包括程序指令,当所述程序指令被执行时,实现如上所述的信息处理方法。
上述信息处理方法、信息处理装置、计算机设备、计算机可读存储介质和计算机程序产品,先通过获取用户账户触发的信息处理请求;信息处理请求中携带有用户账户的对话语句和账户信息;对话语句表征信息处理请求的请求意图;基于对话语句和账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;将信息处理请求与参考处理路径输入预训练的大语言模型,得到大语言模型输出的针对于请求意图的预测处理路径;执行预测处理路径所对应工作流程的任务节点,得到针对信息处理请求的处理结果。这样,一方面,本方案通过用户的对话语句和账户信息来确定出参考的处理路径,从而利于参考的处理路径和预训练的语言模型预测得到预测的处理路径,以按照预测的处理路径来执行工作流程,得到处理结果,从而优化了信息处理的流程,有效提高了预测的处理路径的效率,降低了人力和物力的消耗;另一方面,通过区别于现有技术的方式,本方案通过用户触发的信息处理请求和预训练的语言模型,预测得到针对用户请求意图的预测处理路径,以按照预测处理路径执行工作流程,得到处理结果,从而优化了处理路径的预测方式,有效提高了预测的处理路径的合理性,从而缩小了最终处理结果与用户实际的请求意图之间偏差,使得用户具有更好的应用体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种信息处理方法的应用环境图。
图2是根据一示例性实施例示出的一种信息处理方法的流程图。
图3是根据一示例性实施例示出的一种确定对话语句的请求意图步骤的流程图。
图4是根据一示例性实施例示出的一种确定候选处理路径的置信分数步骤的流程图。
图5是根据一示例性实施例示出的一种从候选处理路径中确定出参考处理路径步骤的流程图。
图6是根据一示例性实施例示出的一种更新路径库步骤的流程图。
图7是根据另一示例性实施例示出的一种信息处理方法的流程图。
图8是根据另一示例性实施例示出的一种信息处理方法的模块图。
图9是根据一示例性实施例示出的一种信息处理装置框图。
图10是根据一示例性实施例示出的一种用于信息处理的计算机设备的框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的信息处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中,参考图1,首先,服务器104获取用户账户触发的信息处理请求;其中,信息处理请求中携带有用户账户的对话语句和账户信息;对话语句表征信息处理请求的请求意图;然后,服务器104再基于对话语句和账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;其中,候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;最后,服务器104将信息处理请求与参考处理路径输入预训练的大语言模型,得到大语言模型输出的针对于请求意图的预测处理路径;再执行预测处理路径所对应工作流程的任务节点,得到针对信息处理请求的处理结果。
在一个实施例中,如图2所示,提供了一种信息处理方法,以该方法应用于图1中的服务器为例进行说明,具体包括以下步骤:
步骤S11:获取用户账户触发的信息处理请求。
在一些实施例中,信息处理请求为由服务器响应于用户账户在终端应用针对于目标处理意图所执行的对话操作触发的。
在一实施例中,信息处理请求中携带有用户账户的对话语句和账户信息。其中,对话语句表征信息处理请求的请求意图。
在一些实施例中,对话语句为用户账户向用户终端输入的自然对话语言语句,请求意图为自然对话语言语句中表达用户账户期望实现的处理内容。
作为示例,用户账户向用户终端输入的对话语句为“安排一次XX月XX日从广州到北京的旅游活动”,则其请求意图可以包括规划出行路线、出行方式、购买交通运输订单、预订酒店房间、景区推荐、购买景区门票等等。
在一些实施例中,信息处理请求还可以包括用户账户的多种信息。例如,包括用户账户当前的定位信息、用户账户的名称、当前日期信息等。
步骤S12:基于对话语句和账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径。
在一实施例中,候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程。
例如,候选处理路径A1为一个关于“饮食”类型的工作流程,其任务节点依次包括“目标餐厅推荐”、“目标餐厅的空位查询”、“目标餐厅的空位预订”、“目标餐厅的菜品推荐”、“目标餐厅的菜品预订”;候选处理路径A2为一个关于“旅行”类型的工作流程,其任务节点依次包括“出行地点推荐”、“出行方式查询”、“购买交通运输订单”、“预订酒店房间”、“景区推荐”、“购买景区门票”。
在一实施例中,服务器从预设路径库所存储的多个候选处理路径中确定出参考处理路径,包括以下步骤:
步骤一:基于对话语句所对应的请求意图与各候选处理路径所对应的处理意图之间的匹配程度,确定针对各候选处理路径的第一参考程度。
在一些实施例中,服务器确定针对各候选处理路径的第一参考程度,可以包括:首先将请求意图转换为目标空间向量,以及获取各候选处理路径所对应处理意图的候选空间向量;然后再确定各候选空间向量分别与目标空间向量之间的相似度,最后将相似度作为各候选空间向量对应的候选处理路径的第一参考程度。
其中,各候选处理路径都具有其对应的处理意图,即对应工作流程的工作目的。
在一实施例中,对话语句请求意图和候选处理路径的处理意图均可以基于对应的关键词表征,且各关键词都预先转换有对应的空间向量。
例如,请求意图X1的关键词为“规划出行路线”,则其具有对应空间向量P1、处理意图X2的关键词为“预订酒店房间”,则其具有对应空间向量P2、请求意图X3的关键词为“景区推荐”,则其具有对应空间向量P3。
步骤二:基于账户信息与各候选处理路径所对应的作者信息之间的关联程度,确定各候选处理路径的第二参考程度;其中,作者信息表征候选处理路径所对应的创作者或者应用者的账户信息;
在一实施例中,账户信息与各候选处理路径所对应的作者信息之间的关联程度可以理解为本端用户账户与对端用户账户之间的关联程度,该关联程度可以通过预设的权重系数或者关联分数表征。
作为示例,若候选处理路径所属的对端用户账户就是本端用户账户,表明本端用户账户与对端用户账户之间的关联程度为完全关联,则其预设的权重系数为1(或者关联分数为100分);若候选处理路径所属的对端用户账户为本端用户账户的关联账户(如亲属账户、子账户等),表明本端用户账户与对端用户账户之间的关联程度非常高,则其预设的权重系数为0.8(或者关联分数为80分);若候选处理路径所属的对端用户账户为本端用户账户的收藏/订阅账户,表明本端用户账户与对端用户账户之间的关联程度比较高,则其预设的权重系数为0.6(或者关联分数为60分);若候选处理路径所属的对端用户账户与本端用户账户未产生过账户互动,表明本端用户账户与对端用户账户之间的关联程度非常低,则其预设的权重系数为0.1(或者关联分数为10分)。
在一些实施例中,服务器确定针对各候选处理路径的第二参考程度,可以包括:首先基于账户信息所对应的本端用户账户与各候选处理路径的作者信息所对应的对端用户账户之间的关联程度,确定各候选处理路径的置信分数;然后再将各候选处理路径的置信分数分别输入预设的放大函数中进行放大处理,得到针对各候选处理路径的第二参考程度。
其中,置信分数表征本端用户账户选取候选处理路径作为参考处理路径的可靠程度,且置信分数与参考处理路径的可靠程度正相关。
在一实施例中,服务器可以直接将本端用户账户与对端用户账户之间的权重系数或者关联分数作为对应候选处理路径的置信分数,然后再将各候选处理路径的置信分数分别输入预设的放大函数中进行放大处理。
步骤三:基于第一参考程度和第二参考程度,从各候选处理路径中确定出参考处理路径。
在一实施例中,第一参考程度基于第一参考分数表征,第二参考程度基于第二参考分数表征。服务器将各个候选处理路径各自的第一参考分数和第二参考分数进行加权和计算,得到各个候选处理路径各自对应的综合参考分数,最后从各候选处理路径中筛选出对应综合参考分数较高的目标处理路径作为参考处理路径。
步骤S13:将信息处理请求与参考处理路径输入预训练的大语言模型,得到大语言模型输出的针对于请求意图的预测处理路径。
在一些实施例中,大语言模型根据用户账户的请求意图和账户信息,参考输入的参考处理路径中的各项任务节点来执行对处理路径的预测行为,从而得到针对于请求意图的预测处理路径。
其中,大语言模型可以为预训练的生成式模型,如ChatGPT(Chat GenerativePre-trained Transformer,是OpenAI机构研发的聊天机器人程序)模型,其能够为许多下游任务(例如面向任务的对话和问题解答)生成类似人类的流畅响应。
步骤S14:执行预测处理路径所对应工作流程的任务节点,得到针对信息处理请求的处理结果。
在一实施例中,服务器将预测处理路径发送至一经过预训练的执行模型(Executing LLM)执行对应工作流程中的各项任务节点。
其中,执行模型支持各种数据检索插件、脚本生成插件、脚本执行插件和数据分析插件等扩展执行插件,以利用扩展执行插件完成各项任务节点。
作为示例,一预测处理路径包括:任务节点1“查询XX月XX日从广州到北京的飞机票”、任务节点2“购买XX月XX日广州到北京的飞机票”、任务节点3“预订XX月XX日北京的某酒店房间”和任务节点4“分析XX月XX日北京的推荐旅游景点”,则执行模型通过搭载的各种扩展执行插件首先查询到“飞机票X1”,再购买“飞机票X1”,再预订“酒店房间X2”,最后分析得到“旅行推荐报告X3”。
在一实施例中,在服务器将预测处理路径发送至执行模型之前,还可以先将预测处理路径发送至用户账户所在的客户端进行展示,以使用户可以对预测处理路径依次进行修改、编辑和确认,并在用户对预测处理路径触发确认操作之后,再将预测处理路径发送至执行模型。
上述的信息处理过程中,服务器获取用户账户触发的信息处理请求;信息处理请求中携带有用户账户的对话语句和账户信息;对话语句表征信息处理请求的请求意图;基于对话语句和账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;将信息处理请求与参考处理路径输入预训练的大语言模型,得到大语言模型输出的针对于请求意图的预测处理路径;执行预测处理路径所对应工作流程的任务节点,得到针对信息处理请求的处理结果。这样,一方面,本方案通过用户的对话语句和账户信息来确定出参考的处理路径,从而利于参考的处理路径和预训练的语言模型预测得到预测的处理路径,以按照预测的处理路径来执行工作流程,得到处理结果,从而优化了信息处理的流程,有效提高了预测的处理路径的效率,降低了人力和物力的消耗;另一方面,通过区别于现有技术的方式,本方案通过用户触发的信息处理请求和预训练的语言模型,预测得到针对用户请求意图的预测处理路径,以按照预测处理路径执行工作流程,得到处理结果,从而优化了处理路径的预测方式,有效提高了预测的处理路径的合理性,从而缩小了最终处理结果与用户实际的请求意图之间偏差,使得用户具有更好的应用体验。
本领域技术人员可以理解地,在具体实施方式的上述方法中,所揭露的方法可以通过更为具体的方式以实现。例如,以上所描述的服务器执行预测处理路径所对应工作流程的任务节点,得到针对信息处理请求的处理结果的实施方式仅仅是示意性的。
示例性地,服务器从预设路径库所存储的多个候选处理路径中确定出参考处理路径的方式;或者,服务器通过大语言模型输出的针对于请求意图的预测处理路径的方式等等,其仅仅为一种集合的方式,实际实现时可以有另外的划分方式,例如参考处理路径、预测处理路径之间可以结合或者可以集合到另一个系统中,或一些特征可以忽略,或不执行。
在一示例性实施例中,参阅图3,图3为本申请中确定对话语句的请求意图一实施例的流程示意图。即在确定针对各候选处理路径的第一参考程度之前,服务器还可以执行以下方式:
步骤a1,将对话语句与预设的第一路由表中存储的多个标准语句进行匹配,确定出与对话语句相匹配的目标标准语句。
在一些实施例中,预设的路由表中存储有多个标准语句的索引信息,即通过预设的路由表可以提取出各标准语句。其中,该标准语句为设计工程师配置的多种常规的用户意图语句。
在一些实施例中,对话语句基于第一语句向量表征,各标准语句基于对应的第二语句向量表征。
在一实施例中,首先,服务器将对话语句转化为第一语句向量,然后,再将第一语句向量分别与各标准语句所对应的第二语句向量进行相似度计算,以确定对话语句与各标准语句之间的相似程度,最后,将最高相似程度的第二语句向量所对应的标准语句作为与对话语句相匹配的目标标准语句。
在另一些实施例中,服务器也可以从对话语句提取出关键词,然后将关键词转化为第一语句向量,再将第一语句向量分别与各标准语句所对应的第二语句向量进行相似度计算,以减少对话语句中过多的非关键字(即与对话语句的请求意图无关的字词)对转化的第一语句向量的影响程度。
在一种实施例中,若最高相似程度大于预设相似程度,则将最高相似程度所对应的标准语句作为目标标准语句。
其中,若对话语句与某一标准语句之间的相似程度最高且大于预设相似程度,则表明该对话语句所对应的请求意图可以通过该标准语句来表示,即将该标准语句作为相对于对话语句的目标标准语句。
在另一种实施例中,若最高相似程度小于或者等于预设相似程度,则生成针对于信息处理请求的答复信息。
其中,若对话语句与各标准语句之间的相似程度均未达到预设相似程度,则表明各标准语句不能够表达出该对话语句所对应的请求意图,即该对话语句对应的答复信息包括一种情况,即设计工程师还未配置有关于该对话语句所对应的请求意图的标准语句,也未配置有对应于该请求意图的候选处理路径。
因此,服务器生成针对于对话语句的答复信息包括表征对信息处理请求无法处理的答复信息。
步骤a2,在预设的第二路由表中确定出关联于目标标准语句的目标意图,并将目标意图作为针对于对话语句的请求意图。
在一些实施例中,在对应于标准语句的路径库中存储有多个候选处理路径,且在第二路由表中存储有关联绑定于每一候选处理路径对应的一个目标意图。因此,在确定出与对话语句相匹配的目标标准语句之后,服务器直接从第二路由表中索引出绑定于目标标准语句的目标意图,并将目标意图作为针对于对话语句的请求意图。
在一示例性实施例中,参阅图4,图4为本申请中确定候选处理路径的置信分数一实施例的流程示意图。即服务器基于账户信息所对应的本端用户账户与各候选处理路径的作者信息所对应的对端用户账户之间的关联程度,确定各候选处理路径的置信分数的过程,具体可以执行以下方式:
步骤b1,获取各对端用户账户预设的账户等级。
在一实施例中,账户等级表征对端用户账户对应创作或者应用的候选处理路径的合理程度。
其中,设计工程师根据一些先验知识为路径库中的各个候选处理路径对应的对端用户账户配置账户等级。
作为示例,配置的账户等级处于0至10的整数区间,其账户等级越高表征对应用户账户所创作或者应用的候选处理路径的合理程度越高。其中,对于候选处理路径A1,其对应用户账户S1属于相关行业内较为公认的技术“大牛”(即认为用户账户所对应的用户所创作或者应用的候选处理路径的合理程度非常高),则设计工程师配置用户账户S1的账户等级为10级;对于候选处理路径A2,其对应用户账户S2属于相关行业内较为活跃的非专业人士(即认为用户账户所对应的用户所创作或者应用的候选处理路径的合理程度较高),则设计工程师配置用户账户S2的账户等级为8级;对于候选处理路径A3,其对应用户账户S2属于相关行业内的“小白”(即认为用户账户所对应的用户所创作或者应用的候选处理路径的合理程度比较低),则设计工程师配置用户账户S3的账户等级为2级。
步骤b2,基于各对端用户账户的账户等级与对应的权重系数之间的乘积,确定各候选处理路径的置信分数。
作为示例,对端用户账户S1的账户等级为2级,其与本端用户账户S0之间对应的权重系数为0.8,则对应属于对端用户账户S1的候选处理路径的置信分数为2×0.8=1.6;对端用户账户S2的账户等级为5级,其与本端用户账户S0之间对应的权重系数为0.5,则对应属于对端用户账户S2的候选处理路径的置信分数为5×0.5=2.5;对端用户账户S3的账户等级为8级,其与本端用户账户S0之间对应的权重系数为0.1,则对应属于对端用户账户S3的候选处理路径的置信分数为8×0.1=0.8。
在一示例性实施例中,参阅图5,图5为本申请中从候选处理路径中确定出参考处理路径一实施例的流程示意图。即服务器基于第一参考程度和第二参考程度,从各候选处理路径中确定出参考处理路径的过程,具体可以执行以下方式:
步骤c1,获取各候选处理路径的时间衰减分数。
在一实施例中,时间衰减分数表征在当前时间将候选处理路径应用为参考处理路径的合理程度。
其中,服务器确定各候选处理路径的时间衰减分数的过程,具体包括以下步骤:
步骤一:获取各候选处理路径的创作时间或者最近的应用时间。
步骤二:确定当前时间与创作时间或者应用时间之间的时间距离。
步骤三:基于预设的时间衰减函数对各候选处理路径的时间距离进行衰减评估,得到针对各候选处理路径的时间衰减分数其中,时间衰减分数与时间距离负相关。
作为示例,候选处理路径P1的创作时间X1,其与当前时间之间的时间距离为T1;候选处理路径P2的创作时间X2,其与当前时间之间的时间距离为T2;候选处理路径P3的创作时间X3,其与当前时间之间的时间距离为T3。其中,T1>T2>T3,即表明候选处理路径P1的创作时间最大,其对当前的预测处理路径的参考意义最小;选处理路径P3的创作时间最小,其对当前的预测处理路径的参考意义最大。因此,在基于预设的时间衰减函数对候选处理路径P1进行衰减评估得到的时间衰减分数M1最小,基于预设的时间衰减函数对候选处理路径P2进行衰减评估得到的时间衰减分数M2处于中位大小,基于预设的时间衰减函数对候选处理路径P3进行衰减评估得到的时间衰减分数M3最大。
步骤c2,基于第一参考分数、第二参考分数和时间衰减分数之间的加权和,确定各候选处理路径的综合参考分数。
其中,服务器将各个候选处理路径各自的第一参考分数、第二参考分数和时间衰减分数进行加权和计算,得到各个候选处理路径各自对应的综合参考分数。
步骤c3,基于综合参考分数,对各候选处理路径按照大小顺序进行排序,并选择出对应排序在前预设位次的目标处理路径作为参考处理路径。
其中,排序在前预设位次的目标处理路径可以为所有候选处理路径中对应综合参考分数最高的处理路径,也可以对应综合参考分数排在前X位次高的X个处理路径,这里不做具体限定。
在一示例性实施例中,参阅图6,图6为本申请中更新路径库一实施例的流程示意图。即服务器在得到针对信息处理请求的处理结果之后,具体还可以执行以下方式:
步骤d1,获取用户账户对预测处理路径的评价分数、预测处理路径的创作时间,以及用户账户的账户等级。
其中,评价分数为用户账户基于执行预测处理路径的处理结果人为评定的分数。即若用户账户对该预测处理路径的处理结果较为满意,则其评价分数较高,若用户账户对该预测处理路径的处理结果较为不满意,则其评价分数较低。
步骤d2,在评价分数大于预设分数的情况下,基于预测处理路径对信息处理请求的请求意图进行修正,得到新的请求意图。
其中,若评价分数大于预设分数,表明用户账户对预测处理路径的处理结果是较为满意的,从而该预测处理路径可以认为是预测合格且具有一定的参考意义,从而服务器可以对该预测处理路径对应的信息处理请求的请求意图进行修正,得到新的请求意图。
步骤d3,将预测处理路径、创作时间、新的请求意图和账户等级组合为一个存储单元,并将存储单元存入路径库,以更新路径库。
为了更清晰阐明本公开实施例提供的信息处理方法,以下以一个具体的实施例对该信息处理方法进行具体说明。在一示例性实施例中,参考图7和图8,图7为根据一示例性实施例示出的一种信息处理方法的流程图,图8为根据一示例性实施例示出的一种信息处理方法的模块图,该信息处理方法用于服务器中,具体包括如下内容:
步骤S31:获取用户在控制终端输入的需求对话。
步骤S32:根据用户的需求对话进行意图推测,得到推测的用户意图。
其中,意图推测可以基于初始化数据的经典流程得到,具体包括步骤:①查找需要用到的案例库表;②根据用户需求和案例库表,生成用于意图推测的可执行脚本;③运行意图推测的可执行脚本,得到推测的用户意图。
步骤S33:确定案例库表中各个候选案例的相似分数、时间衰减分数和作者专业分数。
其中,候选案例即为预先制作的先验工作流程。
其中,确定候选案例的相似分数包括:将推测的用户意图转化成目标空间向量,并计算目标空间向量与案例库中的各个候选案例的空间向量之间的相似度,得到各个候选案例的相似分数(Relevance score)。
其中,确定候选案例的时间衰减分数包括:获取案例库中各个候选案例的创建时间,并利用创建时间和预设的时间衰减函数计算得到各个候选案例的时间衰减分数。
其中,时间衰减函数采用0.01衰减率进行时间的幂运算,得到时间衰减分(Recency score)。
其中,时间衰减函数就是一个幂指数与一个时间变量T、常量衰减率相乘;如果案例的创建时间越久,则其时间衰减分数越低。
其中,确定候选案例的作者专业分数包括:获取案例库中各个候选案例的作者的专业等级,并利用作者的专业等级和预设的放大函数计算得到各个候选案例的作者专业分数。
其中,专业分(Professional score)就是通过放大函数对作者的专业等级进行放大后得到的作者分数,即为案例的作者的打分分数。
其中,放大函数可以表示为f(X)=(X×10)/(X×10+1)+1/11,X∈(0,10);X指候选案例所属的作者的专业等级,即作者的专业等级从0至10所在的区间。
其中,若作者的专业分数越高,则该候选案例的置信度及参考价值也更高。
其中,作者的专业等级是预设的,例如:案例的作者是用户自己,则作者的专业等级为10级;案例的作者是行业内的大牛,则作者的专业等级为9级;案例的作者是用户收藏的关注作者,则作者的专业等级为8级。
步骤S34:将每个候选案例的各种分数均转化成[0-1]区间的分数值,并计算各个候选案例的综合分数。
其中,各个候选案例的综合分数通过“相似分”+“时间衰减分”+“专业分”三者相加进行表征。
步骤S35:在各个候选案例中选取综合分数由高到低排在前k位次的候选案例做为参考案例,并将该k个参考案例输入至规划模型中,以输出预测工作流。
其中,规划模型(Planning LLM)用于对输入的参考案例(即参考工作流)进行整合和调整,输出预测工作流。
步骤S36:将预测工作流展示给用户,以使用户对预测工作流进行修改和编辑。
步骤S37:响应用户对修改和编辑后的预测工作流的确认操作,将确认的应用工作流发送至执行模型执行,得到应用工作流的执行结果。
其中,执行模型(Executing LLM)支持元数据检索插件、脚本生成插件、脚本执行插件和数据分析插件等扩展执行插件,以利用扩展执行插件完成应用工作流中的各项应用任务。
步骤S38:将应用工作流的执行结果返回至用户查看,并获取用户对应用工作流的评价分数。
步骤S39:在应用工作流的评价分数大于阈值的情况下,将应用工作流导入案例库表中,以更新案例库。
其中,在更新案例库时,在第一方面需要利用用户的需求对话和确认的应用工作流重新进行用户意图的推测,并将重新推测的用户意图转化成对应的空间向量,在第二方面需要根据用户当前的专业等级,计算用户的作者专业分,在第三方面需要将完整的应用工作流(包括重新推测的用户意图及其空间向量、应用工作流及其创建时间、作者信息、作者专业分)导入案例库表中存储。
这样,一方面,本方案通过用户的对话语句和账户信息来确定出参考的处理路径,从而利于参考的处理路径和预训练的语言模型预测得到预测的处理路径,以按照预测的处理路径来执行工作流程,得到处理结果,从而优化了信息处理的流程,有效提高了预测的处理路径的效率,降低了人力和物力的消耗;另一方面,通过区别于现有技术的方式,本方案通过用户触发的信息处理请求和预训练的语言模型,预测得到针对用户请求意图的预测处理路径,以按照预测处理路径执行工作流程,得到处理结果,从而优化了处理路径的预测方式,有效提高了预测的处理路径的合理性,从而缩小了最终处理结果与用户实际的请求意图之间偏差,使得用户具有更好的应用体验。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的信息处理方法所对应的信息处理装置。该信息处理装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个装置实施例中的具体限定可以参见上文中对于用户信息的识别方法和多端用户的交互方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种信息处理装置10,包括:请求获取单元11、路径参考单元12、路径预测单元13和路径执行单元14,其中:
请求获取单元11,被配置为执行获取用户账户触发的信息处理请求;所述信息处理请求中携带有所述用户账户的对话语句和账户信息;所述对话语句表征所述信息处理请求的请求意图;
路径参考单元12,被配置为执行基于所述对话语句和所述账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;所述候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;
路径预测单元13,被配置为执行将所述信息处理请求与所述参考处理路径输入预训练的大语言模型,得到所述大语言模型输出的针对于所述请求意图的预测处理路径;
路径执行单元14,被配置为执行所述预测处理路径所对应工作流程的任务节点,得到针对所述信息处理请求的处理结果。
在一些实施例中,所述基于所述对话语句和所述账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径,包括:
基于所述对话语句所对应的请求意图与各所述候选处理路径所对应的处理意图之间的匹配程度,确定针对各所述候选处理路径的第一参考程度;以及
基于所述账户信息与各所述候选处理路径所对应的作者信息之间的关联程度,确定各所述候选处理路径的第二参考程度;所述作者信息表征候选处理路径所对应的创作者或者应用者的账户信息;
基于所述第一参考程度和所述第二参考程度,从各所述候选处理路径中确定出参考处理路径。
在一些实施例中,在所述确定针对各所述候选处理路径的第一参考程度之前,还包括:
将所述对话语句与预设的第一路由表中存储的多个标准语句进行匹配,确定出与所述对话语句相匹配的目标标准语句;
在预设的第二路由表中确定出关联于所述目标标准语句的目标意图,并将所述目标意图作为针对于所述对话语句的请求意图。
在一些实施例中,所述基于所述对话语句所对应的请求意图与各所述候选处理路径所对应的处理意图之间的匹配程度,确定针对各所述候选处理路径的第一参考程度,包括:
将所述请求意图转换为目标空间向量,以及获取各所述候选处理路径所对应处理意图的候选空间向量;
确定各所述候选空间向量分别与所述目标空间向量之间的相似度,并将所述相似度作为各所述候选空间向量对应的所述候选处理路径的第一参考程度。
在一些实施例中,所述基于所述账户信息与各所述候选处理路径所对应的作者信息之间的关联程度,确定各所述候选处理路径的第二参考程度,包括:
基于所述账户信息所对应的本端用户账户与各所述候选处理路径的作者信息所对应的对端用户账户之间的关联程度,确定各所述候选处理路径的置信分数;所述置信分数表征本端用户账户选取候选处理路径作为参考处理路径的可靠程度;
将各所述候选处理路径的置信分数分别输入预设的放大函数中进行放大处理,得到针对各所述候选处理路径的第二参考程度。
在一些实施例中,所述关联程度基于权重系数表征;
所述基于所述账户信息所对应的本端用户账户与各所述候选处理路径的作者信息所对应的对端用户账户之间的关联程度,确定各所述候选处理路径的置信分数,包括:
获取各所述对端用户账户预设的账户等级;所述账户等级表征对端用户账户对应创作或者应用的候选处理路径的合理程度;
基于各所述对端用户账户的账户等级与对应的所述权重系数之间的乘积,确定各所述候选处理路径的置信分数。
在一些实施例中,所述第一参考程度基于第一参考分数表征,所述第二参考程度基于第二参考分数表征;
所述基于所述第一参考程度和所述第二参考程度,从各所述候选处理路径中确定出参考处理路径,包括:
获取各所述候选处理路径的时间衰减分数;所述时间衰减分数表征在当前时间将所述候选处理路径应用为所述参考处理路径的合理程度;
基于所述第一参考分数、所述第二参考分数和所述时间衰减分数之间的加权和,确定各所述候选处理路径的综合参考分数;
基于所述综合参考分数,对各所述候选处理路径按照大小顺序进行排序,并选择出对应排序在前预设位次的目标处理路径作为所述参考处理路径。
在一些实施例中,所述获取各所述候选处理路径的时间衰减分数,包括:
获取各所述候选处理路径的创作时间或者最近的应用时间;
确定所述当前时间与所述创作时间或者所述应用时间之间的时间距离;
基于预设的时间衰减函数对各所述候选处理路径的时间距离进行衰减评估,得到针对各所述候选处理路径的时间衰减分数;
其中,所述时间衰减分数与所述时间距离负相关。
在一些实施例中,在所述得到针对所述信息处理请求的处理结果之后,还包括:
获取所述用户账户对所述预测处理路径的评价分数、所述预测处理路径的创作时间,以及所述用户账户的账户等级;
在所述评价分数大于预设分数的情况下,基于所述预测处理路径对所述信息处理请求的请求意图进行修正,得到新的请求意图;
将所述预测处理路径、所述创作时间、所述新的请求意图和所述账户等级组合为一个存储单元,并将所述存储单元存入所述路径库,以更新所述路径库。
在一个实施例中,提供了一种计算机设备,该计算机设备根据所要应用的程序逻辑,具体可以是一种电子设备,也可以是一种服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被执行时以实现一种信息处理方法。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。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备(包括服务器和电子设备)的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被执行时实现以下步骤:
获取用户账户触发的信息处理请求;所述信息处理请求中携带有所述用户账户的对话语句和账户信息;所述对话语句表征所述信息处理请求的请求意图;
基于所述对话语句和所述账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;所述候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;
将所述信息处理请求与所述参考处理路径输入预训练的大语言模型,得到所述大语言模型输出的针对于所述请求意图的预测处理路径;
执行所述预测处理路径所对应工作流程的任务节点,得到针对所述信息处理请求的处理结果。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取用户账户触发的信息处理请求;所述信息处理请求中携带有所述用户账户的对话语句和账户信息;所述对话语句表征所述信息处理请求的请求意图;
基于所述对话语句和所述账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;所述候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;
将所述信息处理请求与所述参考处理路径输入预训练的大语言模型,得到所述大语言模型输出的针对于所述请求意图的预测处理路径;
执行所述预测处理路径所对应工作流程的任务节点,得到针对所述信息处理请求的处理结果。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域内的技术人员应明白,本申请的实施例可提供有信息处理方法、信息处理装置、服务器、计算机设备、计算机可读存储介质或计算机程序产品。因此,本申请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,本申请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程序指令(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。
本申请是参照根据本申请实施例中信息处理方法、信息处理装置、服务器、计算机设备、计算机可读存储介质或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产品实现流程图和/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产品到通用计算机、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程序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。
这些计算机程序产品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程序产品中的程序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程序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。
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,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种信息处理方法,其特征在于,所述方法包括:
获取用户账户触发的信息处理请求;所述信息处理请求中携带有所述用户账户的对话语句和账户信息;所述对话语句表征所述信息处理请求的请求意图;
基于所述对话语句和所述账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;所述候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;
将所述信息处理请求与所述参考处理路径输入预训练的大语言模型,得到所述大语言模型输出的针对于所述请求意图的预测处理路径;
执行所述预测处理路径所对应工作流程的任务节点,得到针对所述信息处理请求的处理结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述对话语句和所述账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径,包括:
基于所述对话语句所对应的请求意图与各所述候选处理路径所对应的处理意图之间的匹配程度,确定针对各所述候选处理路径的第一参考程度;以及
基于所述账户信息与各所述候选处理路径所对应的作者信息之间的关联程度,确定各所述候选处理路径的第二参考程度;所述作者信息表征候选处理路径所对应的创作者或者应用者的账户信息;
基于所述第一参考程度和所述第二参考程度,从各所述候选处理路径中确定出参考处理路径。
3.根据权利要求2所述的方法,其特征在于,在所述确定针对各所述候选处理路径的第一参考程度之前,还包括:
将所述对话语句与预设的第一路由表中存储的多个标准语句进行匹配,确定出与所述对话语句相匹配的目标标准语句;
在预设的第二路由表中确定出关联于所述目标标准语句的目标意图,并将所述目标意图作为针对于所述对话语句的请求意图。
4.根据权利要求3所述的方法,其特征在于,所述基于所述对话语句所对应的请求意图与各所述候选处理路径所对应的处理意图之间的匹配程度,确定针对各所述候选处理路径的第一参考程度,包括:
将所述请求意图转换为目标空间向量,以及获取各所述候选处理路径所对应处理意图的候选空间向量;
确定各所述候选空间向量分别与所述目标空间向量之间的相似度,并将所述相似度作为各所述候选空间向量对应的所述候选处理路径的第一参考程度。
5.根据权利要求2所述的方法,其特征在于,所述基于所述账户信息与各所述候选处理路径所对应的作者信息之间的关联程度,确定各所述候选处理路径的第二参考程度,包括:
基于所述账户信息所对应的本端用户账户与各所述候选处理路径的作者信息所对应的对端用户账户之间的关联程度,确定各所述候选处理路径的置信分数;所述置信分数表征本端用户账户选取候选处理路径作为参考处理路径的可靠程度;
将各所述候选处理路径的置信分数分别输入预设的放大函数中进行放大处理,得到针对各所述候选处理路径的第二参考程度。
6.根据权利要求5所述的方法,其特征在于,所述关联程度基于权重系数表征;
所述基于所述账户信息所对应的本端用户账户与各所述候选处理路径的作者信息所对应的对端用户账户之间的关联程度,确定各所述候选处理路径的置信分数,包括:
获取各所述对端用户账户预设的账户等级;所述账户等级表征对端用户账户对应创作或者应用的候选处理路径的合理程度;
基于各所述对端用户账户的账户等级与对应的所述权重系数之间的乘积,确定各所述候选处理路径的置信分数。
7.根据权利要求2所述的方法,其特征在于,所述第一参考程度基于第一参考分数表征,所述第二参考程度基于第二参考分数表征;
所述基于所述第一参考程度和所述第二参考程度,从各所述候选处理路径中确定出参考处理路径,包括:
获取各所述候选处理路径的时间衰减分数;所述时间衰减分数表征在当前时间将所述候选处理路径应用为所述参考处理路径的合理程度;
基于所述第一参考分数、所述第二参考分数和所述时间衰减分数之间的加权和,确定各所述候选处理路径的综合参考分数;
基于所述综合参考分数,对各所述候选处理路径按照大小顺序进行排序,并选择出对应排序在前预设位次的目标处理路径作为所述参考处理路径。
8.根据权利要求7所述的方法,其特征在于,所述获取各所述候选处理路径的时间衰减分数,包括:
获取各所述候选处理路径的创作时间或者最近的应用时间;
确定所述当前时间与所述创作时间或者所述应用时间之间的时间距离;
基于预设的时间衰减函数对各所述候选处理路径的时间距离进行衰减评估,得到针对各所述候选处理路径的时间衰减分数;
其中,所述时间衰减分数与所述时间距离负相关。
9.根据权利要求1所述的方法,其特征在于,在所述得到针对所述信息处理请求的处理结果之后,还包括:
获取所述用户账户对所述预测处理路径的评价分数、所述预测处理路径的创作时间,以及所述用户账户的账户等级;
在所述评价分数大于预设分数的情况下,基于所述预测处理路径对所述信息处理请求的请求意图进行修正,得到新的请求意图;
将所述预测处理路径、所述创作时间、所述新的请求意图和所述账户等级组合为一个存储单元,并将所述存储单元存入所述路径库,以更新所述路径库。
10.一种信息处理装置,其特征在于,包括:
请求获取单元,被配置为执行获取用户账户触发的信息处理请求;所述信息处理请求中携带有所述用户账户的对话语句和账户信息;所述对话语句表征所述信息处理请求的请求意图;
路径参考单元,被配置为执行基于所述对话语句和所述账户信息,从预设路径库所存储的多个候选处理路径中确定出参考处理路径;所述候选处理路径为将多个任务节点按照预设顺序进行连接的工作流程;
路径预测单元,被配置为执行将所述信息处理请求与所述参考处理路径输入预训练的大语言模型,得到所述大语言模型输出的针对于所述请求意图的预测处理路径;
路径执行单元,被配置为执行所述预测处理路径所对应工作流程的任务节点,得到针对所述信息处理请求的处理结果。
11.一种计算机设备,其特征在于,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令,以实现如权利要求1至9中任一项所述的信息处理方法。
12.一种计算机可读存储介质,所述计算机可读存储介质中包括程序数据,其特征在于,当所述程序数据由计算机设备的处理器执行时,使得所述计算机设备能够执行如权利要求1至9中任一项所述的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311221910.8A CN117273018A (zh) | 2023-09-21 | 2023-09-21 | 信息处理方法、信息处理装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311221910.8A CN117273018A (zh) | 2023-09-21 | 2023-09-21 | 信息处理方法、信息处理装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117273018A true CN117273018A (zh) | 2023-12-22 |
Family
ID=89220787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311221910.8A Pending CN117273018A (zh) | 2023-09-21 | 2023-09-21 | 信息处理方法、信息处理装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273018A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556864A (zh) * | 2024-01-12 | 2024-02-13 | 阿里云计算有限公司 | 信息处理方法、电子设备及存储介质 |
-
2023
- 2023-09-21 CN CN202311221910.8A patent/CN117273018A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556864A (zh) * | 2024-01-12 | 2024-02-13 | 阿里云计算有限公司 | 信息处理方法、电子设备及存储介质 |
CN117556864B (zh) * | 2024-01-12 | 2024-04-16 | 阿里云计算有限公司 | 信息处理方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11995112B2 (en) | System and method for information recommendation | |
Kazak et al. | Artificial intelligence in the tourism sphere | |
CN113626719A (zh) | 信息推荐方法、装置、设备、存储介质及计算机程序产品 | |
CN110321413A (zh) | 会话框架 | |
KR102402026B1 (ko) | 가상공간 아카이브를 이용한 가상공간 임대차 서비스 제공 시스템 | |
TW201804400A (zh) | 資料物件推送的方法、裝置及系統 | |
JP7488871B2 (ja) | 対話推薦方法、装置、電子機器、記憶媒体ならびにコンピュータプログラム | |
CN114118192A (zh) | 用户预测模型的训练方法、预测方法、装置及存储介质 | |
CN117273018A (zh) | 信息处理方法、信息处理装置、计算机设备及存储介质 | |
Hsieh | SoLoMo technology: exploring the most critical determinants of SoLoMo technology in the contemporary mobile communication technology era | |
Gao et al. | A user-knowledge crowdsourcing task assignment model and heuristic algorithm for Expert Knowledge Recommendation Systems | |
CN114330704A (zh) | 语句生成模型更新方法、装置、计算机设备和存储介质 | |
CN103425791A (zh) | 一种基于蚁群协同过滤算法的物品推荐方法和装置 | |
CN110827078B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
Huang et al. | KG2Rec: LSH-CF recommendation method based on knowledge graph for cloud services | |
Cao et al. | Personalized music hybrid recommendation algorithms fusing gene features | |
CN111368021A (zh) | 基于知识网络的智能决策方法及装置、终端、存储介质 | |
Proletarsky et al. | Approach to forecasting the development of crisis situations in complex information networks | |
CN116957128A (zh) | 业务指标预测方法、装置、设备和存储介质 | |
US10497068B2 (en) | Advice engine systems | |
Zhang et al. | Hybrid recommendation system with graph neural collaborative filtering and local self-attention mechanism | |
Chang | An efficient approach for the S‐shaped penalty function | |
Shi et al. | Automatic heuristic generation with scatter programming to solve the hybrid flow shop problem | |
KR102574784B1 (ko) | Esg 문서를 자동 완성하는데 적합한 텍스트를 추천하는 방법 및 이를 수행하는 esg 서비스 제공 시스템 | |
KR102639134B1 (ko) | 프로젝트를 수행하는 다수의 작업자들을 위한 협업 서비스 제공시스템 |
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 |