CN117350825B - 基于大语言模型的导购方法和系统 - Google Patents
基于大语言模型的导购方法和系统 Download PDFInfo
- Publication number
- CN117350825B CN117350825B CN202311654583.5A CN202311654583A CN117350825B CN 117350825 B CN117350825 B CN 117350825B CN 202311654583 A CN202311654583 A CN 202311654583A CN 117350825 B CN117350825 B CN 117350825B
- Authority
- CN
- China
- Prior art keywords
- shopping guide
- information
- requirement
- preset
- target
- 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 90
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000007689 inspection Methods 0.000 claims description 49
- 238000012216 screening Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 35
- 230000003993 interaction Effects 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 45
- 241000209094 Oryza Species 0.000 description 33
- 235000007164 Oryza sativa Nutrition 0.000 description 33
- 235000009566 rice Nutrition 0.000 description 33
- 235000013305 food Nutrition 0.000 description 31
- 239000013598 vector Substances 0.000 description 28
- 235000012149 noodles Nutrition 0.000 description 27
- 230000008569 process Effects 0.000 description 25
- 235000014347 soups Nutrition 0.000 description 21
- 244000269722 Thea sinensis Species 0.000 description 18
- 235000013616 tea Nutrition 0.000 description 16
- 239000008267 milk Substances 0.000 description 13
- 210000004080 milk Anatomy 0.000 description 13
- 235000013336 milk Nutrition 0.000 description 13
- 241000287828 Gallus gallus Species 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 235000009508 confectionery Nutrition 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 235000015220 hamburgers Nutrition 0.000 description 7
- 235000012054 meals Nutrition 0.000 description 7
- 235000015277 pork Nutrition 0.000 description 7
- 235000019640 taste Nutrition 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 235000013372 meat Nutrition 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 235000011888 snacks Nutrition 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 239000004615 ingredient Substances 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 235000021152 breakfast Nutrition 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000006694 eating habits Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000272525 Anas platyrhynchos Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 235000006468 Thea sinensis Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000020279 black tea Nutrition 0.000 description 2
- 235000008429 bread Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000005686 eating Nutrition 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 235000013555 soy sauce Nutrition 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 1
- 244000303258 Annona diversifolia Species 0.000 description 1
- 235000002198 Annona diversifolia Nutrition 0.000 description 1
- 241000238017 Astacoidea Species 0.000 description 1
- 244000304337 Cuminum cyminum Species 0.000 description 1
- 235000007129 Cuminum cyminum Nutrition 0.000 description 1
- 239000004278 EU approved seasoning Substances 0.000 description 1
- 241000283074 Equus asinus Species 0.000 description 1
- 240000000599 Lentinula edodes Species 0.000 description 1
- 235000001715 Lentinula edodes Nutrition 0.000 description 1
- 240000005856 Lyophyllum decastes Species 0.000 description 1
- 235000013194 Lyophyllum decastes Nutrition 0.000 description 1
- 235000005135 Micromeria juliana Nutrition 0.000 description 1
- 240000002114 Satureja hortensis Species 0.000 description 1
- 235000007315 Satureja hortensis Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 235000021168 barbecue Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 235000011850 desserts Nutrition 0.000 description 1
- 235000021186 dishes Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 235000012020 french fries Nutrition 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 241000238565 lobster Species 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000012771 pancakes Nutrition 0.000 description 1
- 235000014594 pastries Nutrition 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000021419 vinegar Nutrition 0.000 description 1
- 239000000052 vinegar Substances 0.000 description 1
- 235000012773 waffles Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于大语言模型的导购方法和系统,该方法应用于人工智能技术领域。该方法包括:获取用户端输入的导购需求和所述导购需求携带的内容增强配置;对所述导购需求进行自然语言理解,得到需求理解结果;基于所述需求理解结果和所述内容增强配置,生成描述所述导购需求的提示词;采用预设大语言模型对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端。该方法既能够节省用户决策时间,还能够为用户端提供更加贴合用户端自然语言的目标导购需求。
Description
技术领域
本申请涉及人工智能技术领域,并且更具体地,涉及人工智能技术领域中一种基于大语言模型的导购方法和系统。
背景技术
在相关技术中,导购下单流程通常有诸多导购入口,同时还存在客服、订单等平台功能入口。用户端在搜索和推荐列表里,需要耗费大量的时间浏览列表本身,用户端在决策过程中,考虑的因素诸多,而在导购承接里,用户端从进场到下单,决策时间很久成本高。
在大部分导购场景中,即使在搜索框中用户端的主动性输入,通常也只是短词为主。如此,向用户端推荐的结果并不准确,而且用户端的主动性表达受限,不贴合用户端日常的自然语言。
发明内容
本申请提供了一种基于大语言模型的导购方法和系统,该方法既能够节省用户决策时间,还能够为用户端提供更加贴合用户端自然语言的目标导购需求。
第一方面,提供了一种基于大语言模型的导购方法,该方法包括:
获取用户端输入的导购需求和所述导购需求携带的内容增强配置;
对所述导购需求进行自然语言理解,得到需求理解结果;
基于所述需求理解结果和所述内容增强配置,生成描述所述导购需求的提示词;
采用预设大语言模型对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端。
上述技术方案中,对于用户端输入的导购需求,获取该导购需求所在系统的内容增强配置,从而能够得到该导购需求在系统中输入时刻、用户标识以及所在地址等内容增强配置。之后,对该导购需求进行自然语言理解,能够实现针对自然语言形式的导购需求进行理解,从而更加准确地得到导购需求的需求理解结果。将需求理解结果和内容增强配置相结合,能够更加合理且精准地生成描述导购需求的提示词。从而将提示词和导购需求共同输入预设大语言模型,能够使得预设大语言模型精准预测满足该导购需求的目标导购信息,并输出给用户端。如此,在整个导购过程中,用户端输入导购需求之后即由后台通过大语言模型为该用户端输出目标导购信息,无需用户端多次交互即可响应用户端输入的自然语言形式的导购需求,既能够节省用户决策时间,还能够为用户端提供更加贴合用户端自然语言的目标导购需求。
结合第一方面,在某些可能的实现方式中,所述采用预设大语言模型对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端,包括:
采用所述预设大语言模型对所述提示词进行语义分析,以确定响应所述导购需求所需的多个应用程序接口;
基于预设数据库对所述多个应用程序接口的返回结果进行筛选总结处理,得到并输出所述目标导购信息至所述用户端。
在上述方案中,通过在预设数据库中查找导购需求匹配的历史关联信息,将提示词和该历史关联信息共同作为预设大语言模型的输入,能够使得预设大语言模型输出的目标导购信息更加贴合用户端的意图。
结合第一方面,在某些可能的实现方式中,所述基于预设数据库对所述多个应用程序接口的返回结果进行筛选总结处理,得到并输出所述目标导购信息至所述用户端,包括:
确定所述多个应用程序接口之间的调用顺序;
按照所述调用顺序,将调用指令发送至所述多个应用程序接口;
基于所述预设数据库中与所述导购需求匹配的历史关联信息,对所述应用程序接口的返回结果进行筛选总结处理,生成并输出所述目标导购信息至所述用户端;其中,所述预设数据库用于存储历史导购需求的历史关联信息,所述历史关联信息包括:所述历史导购需求的历史目标导购信息和所述历史目标导购信息对应的交互信息。
在上述方案中,通过按照多个应用程序接口的调用顺序,分别调用多个应用程序接口,以接收这些应用程序接口的返回结果,之后,通过历史关联信息对返回结果进行优化,使得目标导购信息既不会与历史导购信息重合率太高,还能够符合用户的历史兴趣。
结合第一方面,在某些可能的实现方式中,所述按照所述调用顺序,将调用指令发送至所述多个应用程序接口,包括:
获取所述多个应用程序接口中任一应用程序接口的功能和前一应用程序接口的返回结果;其中,所述前一应用程序接口为所述调用顺序中排列在所述任一应用程序接口之前且与所述任一应用程序接口相邻的应用程序接口;
按照所述任一应用程序接口的功能和所述前一应用程序接口的返回结果,生成所述任一应用程序接口的调用参数;
将携带所述调用参数的调用指令发送至所述任一应用程序接口。
在上述方案中,对于任一个应用程序接口通过该应用程序接口的功能结合前一个应用程序接口的返回结果,能够准确生成该应用程序接口的调用参数,从而便于大语言模型精准调用相应的应用程序接口。
结合第一方面,在某些可能的实现方式中,所述返回结果,包括:响应所述导购需求的多个初始导购对象,所述基于所述预设数据库中与所述导购需求匹配的历史关联信息,对所述应用程序接口的返回结果进行筛选总结处理,生成并输出所述目标导购信息至所述用户端,包括:
若所述返回结果的类型为业务类,按照预设筛选规则和所述历史关联信息对所述多个初始导购对象进行筛选,生成并输出所述目标导购信息至所述用户端。
在上述方案中,针对对象业务类的返回结果,通过预设筛选规则和历史关联信息对返回结果进行过滤,既能够减少呈现给用户的目标导购信息的冗余度,还能够使得目标导购信息更有针对性。
结合第一方面,在某些可能的实现方式中,所述若所述返回结果的类型为业务类,按照预设筛选规则和所述历史关联信息对所述多个初始导购对象进行筛选,生成并输出所述目标导购信息至所述用户端,包括:
若所述返回结果的类型为所述业务类,按照所述预设筛选规则从所述多个初始导购对象筛选出候选导购对象集合;
基于所述历史关联信息和预设数量对所述候选导购对象集合进行过滤并排序,得到小于所述预设数量已排序导购对象;
基于所述已排序导购对象,确定并输出所述目标导购信息至所述用户端。
在上述方案中,针对业务类的返回结果,先通过预设筛选规则对多个初始导购对象进行初步筛选,以筛选出较少数量的候选导购对象集合;再通过历史关联信息过滤掉重合度较高的导购对象,并对过滤后的导购对象进行排序,从而输出已排序导购对象,使得提供给客户端的目标导购对象更精简且准确,能够节省用户浏览目标导购信息的时间,从而提高用户进行决策的效率。
结合第一方面,在某些可能的实现方式中,所述预设筛选规则,包括以下至少之一:
好评度排列在所述多个初始导购对象中各初始导购对象的好评度的前n个;其中,n为小于所述初始导购对象个数的正整数;
销量排列在所述各初始导购对象的销量的前n个;
所在位置与所述导购需求对应的位置之间的距离排列在所述初始导购对象中的后n个;
售卖价格排列在所述初始导购对象的价格的后n个。
在上述方案中,通过设定预设筛选规则,能够快速实现对多个初始导购对象的筛选,从而得到减少返回结果中初始导购对象的冗余性。
结合第一方面,在某些可能的实现方式中,所述基于所述已排序导购对象,确定并输出所述目标导购信息至所述用户端,包括:
确定所述已排序导购对象的描述信息;
将所述描述信息与所述已排序导购对象进行融合,得到并输出所述目标导购信息至所述用户端。
在上述方案中,通过将描述信息和已排序导购对象进行同时输出,能够使得客户端快速了解输出的目标导购信息,从而能够节省决策时间。
结合第一方面,在某些可能的实现方式中,所述方法还包括:
若所述返回结果的类型为内容类,对所述返回结果中的内容进行总结修饰,生成并输出所述目标导购信息至所述用户端。
在上述方案中,通过对内容类的返回结果进行总结修饰,能够使得输出的目标导购信息更加通俗易懂,而且简洁扼要,从而节省用户的理解时长。
结合第一方面,在某些可能的实现方式中,所述对所述导购需求进行自然语言理解,得到需求理解结果,包括:
对所述导购需求进行意图识别,得到所述导购需求的意图类型;
对所述导购需求进行意图理解,得到所述导购需求的意图内容;其中,所述需求理解结果,包括:所述意图类型和意图内容。
上述技术方案中,通过NLU对导购需求进行自然语言的意图识别,能够准确分析出该导购需求的意图类型便于后续匹配出符合该意图类型的提示词模板;而且通过对该导购需求进行自然语言的意图理解,从而准确得到用户端输入的导购需求的具体意图内容,从而便于结合意图类型共同生成输入大语言模型的提示词。
结合第一方面,在某些可能的实现方式中,所述基于所述需求理解结果和所述内容增强配置,生成描述所述导购需求的提示词,包括:
在预设提示词模板库中,查找与所述意图类型相匹配的提示词模板;其中,所述预设提示词模板库用于存储多个预设意图类型匹配的提示词模板;
基于所述内容增强配置对所述意图内容进行修饰增强,生成提示内容;
将所述提示内容嵌入所述提示词模板,得到所述提示词。
在上述方案中,通过先按照意图类型确定提示词模板,再按照内容增强配置和意图内容生成提示内容,能够使得提示内容更加精准,从而使得到的提示词更加契合购物需求的意图。
结合第一方面,在某些可能的实现方式中,所述内容增强配置,至少包括以下之一:
所述导购需求的输入时间;
所述导购需求对应的用户标识;
所述导购需求对应的位置信息;
输入所述导购需求的页面类型;
输入相同的所述导购需求的时长间隔。
在上述方案中,在生成提示词的过程中,通过将内容增强配置考虑进去,能够通过不同的内容增强配置生成不同的提示词,从而使得输入预设大语言模型的提示词更加准确且丰富。
结合第一方面,在某些可能的实现方式中,所述采用预设大语言模型对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端之后,所述方法还包括:
对所述目标导购信息进行质量检测,得到质检结果;
若所述质检结果满足预设质检条件,确定所述目标导购信息中是否存在预设屏蔽信息库中的屏蔽信息;
若所述目标导购信息中不存在所述屏蔽信息,在输入所述导购需求的页面输出所述目标导购信息。
在上述方案中,由于预设大语言模型生成内容不可控,所以对该预设大语言模型输出的目标导购信息进行质量检测,以提高输出给客户端的导购信息的准确性。
结合第一方面,在某些可能的实现方式中,所述方法还包括:
若所述质检结果不满足所述预设质检条件或所述目标导购信息中存在所述屏蔽信息,获取预设导购信息;
在输入所述导购需求的页面,输出所述预设导购信息。
在上述方案中,通过对目标导购信息进行层层把控后,将合理且准确的目标导购信息输出在导购需求的输入页面,这样,输出目标导购信息的页面与输入导购需求的页面为同一页面,用户无需来回切换页面,为用户提供统一感,无需用户操作页面跳转。
结合第一方面,在某些可能的实现方式中,所述采用预设大语言模型对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端,包括:
若所述导购需求为知识问答类需求,采用所述预设大语言模型在所述预设大语言模型的知识库中,确定并输出与所述知识问答类需求匹配的目标导购信息至所述用户端。
在上述方案中,针对知识问答类需求,预设大语言模型通过自身的知识储备直接输出能够解答该导购需求的内容,既能够节省调用应用程序接口所耗费的计算量,还而能够快速为用户端提供精准的解答。
结合第一方面,在某些可能的实现方式中,所述采用预设大语言模型对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端之后,所述方法还包括:
获取所述用户端针对所述目标导购信息的目标交互信息;
将所述目标交互信息和所述目标导购信息,分别与所述导购需求进行绑定,得到绑定结果;
基于所述绑定结果更新预设数据库,得到已更新预设数据库。
在上述方案中,将目标交互信息、目标导购信息以及导购需求绑定后存储到预设数据库,能够使得已更新预设数据库更加丰富,便于后续为输入的最新的导购需求提供的可参考的历史关联信息。
第二方面,提供了一种基于大语言模型的导购系统,所述系统包括:
用户端,用于获取输入的导购需求并输入自然语言理解模块;
所述自然语言理解模块,用于对所述导购需求进行自然语言理解,得到需求理解结果并输出至提示词生成模块;
所述提示词生成模块,用于获取所述导购需求携带的内容增强配置;并基于所述需求理解结果和所述内容增强配置,生成描述所述导购需求的提示词,并将所述提示词输入模型处理模块;
所述模型处理模块,用于对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端。
第三方面,提供了一种服务器,包括存储器和处理器。该存储器用于存储可执行程序代码,该处理器用于从存储器中调用并运行该可执行程序代码,使得该设备执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
第四方面,提供了一种计算机程序产品,该计算机程序产品包括:计算机程序代码,当该计算机程序代码在计算机上运行时,使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
第五方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序代码,当该计算机程序代码在计算机上运行时,使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
附图说明
图1是本申请实施例提供的基于大语言模型的导购方法的应用场景的示意图;
图2是本申请实施例提供的一种基于大语言模型的导购方法的示意性流程图;
图3是本申请实施例提供的一种基于大语言模型的导购方法的另一示意性流程图;
图4是本申请实施例提供的一种基于大语言模型的导购方法的又一示意性流程图;
图5是本申请实施例提供的一种基于大语言模型的导购方法的再一示意性流程图;
图6为本申请实施例提供的基于大语言模型的导购方法的实现流程示意图;
图7是本申请实施例提供的基于大语言模型的导购方法的另一应用场景的示意图;
图8是本申请实施例提供的一种基于大语言模型的导购方法的另一示意性流程图;
图9是本申请实施例提供的一种基于大语言模型的导购系统的结构示意图;
图10是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行清楚、详尽地描述。其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B:文本中的“和/或”仅仅是一种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,另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。
为便于理解本申请实施例,下面对本申请实施例中涉及到的专业术语进行解释:
大语言模型(Large Language Model,LLM):是使用大量文本训练的深度学习模型,可以生成自然语言文本或理解语言文本的含义,从而处理多种自然语言任务,包括对话问答、信息抽取、文本分类等。示例性的,该大语言模型可以是生成型预训练变换模型(ChatGenerative Pre-trained Transformer3.5,ChatGPT3.5)、中英双语千亿对话模型(ChatGLM)、大语言模型人工智能元(Large Language Model Meta AI,LLaMA)等。
提示词(prompt)模型:指输入的文本段落或短语,加在待解决任务文本的前面,一起传递给LLM来实现预期任务,具有指令、提示的含义,通常为问题、对话、描述等形式,prompt的输入使LLM具有适应各种下游应用的能力。
为了便于理解,下面将以手机上安装的预设应用(例如,应用A)为例,结合附图,针对手机安装的预设应用(例如应用A)中为用户显示应用A的运行界面的场景,进行具体阐述。
图1示出了用户运行应用A启动的图形用户界面(Graphical User Interface,GUI)。示例性的,图1中的(a)示出了手机在解锁模式下显示的界面101,该界面101显示了天气时钟组件以及多款应用A程序(Application,App)等。其中,应用A程序可以包括电话、信息、设置和应用A等。
应理解,该界面101还可以包括更多的其他应用程序,本申请实施例对此不作任何限定。
例如,如图1中的(a)所示,手机检测到用户对应用A的图标的点击操作,响应于用户的点击操作,手机显示如图1中的(b)所示应用A的主界面102;主界面102可以显示多个分类菜单、可操作的控件或按钮、图片等界面内容,以满足用户的使用需求。主界面102还可以称为“应用A的首页”。
示例性的,如图1中的(b)所示,在应用A的主界面102上,显示在首页有搜索框11、推荐食物流12、场景卡13、趋势引擎、频道页14、全能超市等诸多导购入口,以及美食外卖、超市、水果、买药、甜品、汉堡、龙虾和烧烤等不同的分类菜单;在推荐食物流12上,显示各个商家的店铺以及食物简介等。
如图1中的(b)所示,手机检测到用户在主界面102上进行点击操作,比如点击主界面102上“我的”,响应于用户的点击操作进入“我的”界面。在该界面用户可以点击“我的订单”,响应于该点击操作,手机显示如图1中的(c)所示的界面103,即历史订单的显示界面;在界面103上显示按照时间的先后顺序显示用户的历史订单;例如,界面103中显示历史订单有店铺、食物以及购买的数量(比如,××驴肉火烧炒饼、价格和数量;××小龙虾、价格和数量;××焖面-胡辣汤、价格和数量)。在“我的”界面,如果用户点击“我的客服”,响应于该点击操作,手机显示如图1中的(d)所示的界面104,在界面104显示平台客服,在该界面用户可以进行问题咨询。其中,问题的输入方式可以是用户手动在对话框处进行语音输入或者文本输入,还可以是通过选择快捷菜单进行输入;比如,点击“订单问题”、“吃货卡”、“红包问题”、“合作问题”或“账户问题”等。还可以是直接点击问题模板进行输入,比如,“怎么催单?”、“订单超时了怎么办?”、“提前点击送达了怎么办?”、“错送漏送餐品怎么办?”、“无骑士接单怎么办?”、“餐品质量有问题怎么办?”或“红包为什么用不了?”等。
图1中这样的导购入口,在应用A上可能多达上百个。用户端在搜索和推荐列表里,有40%以上的时间,是在浏览列表本身;而这样线性一维的列表,表达内容的效率不优,使得用户端在决策过程中,决策时间很久成本高。而且在大部分导购场景里是平台单向给用户端输入,直接给用户端物料列表,或者透出标签让用户端点选;即使在搜索里,用户端的主动性输入,通常也只是短词为主。这样一方面,给用户端推荐的结果并不准确,很难贴心;另一方面,用户端的主动性表达很受限,并不贴合用户端日常的自然语言。
基于此,本申请实施例提供一种导购方法,在本地生活外卖场景下的,端到端一站式的、用户端导购流程,以LLM大模型为智能中心来实现该流程。
下面对本申请实施例提供的技术方案进行介绍,本申请实施例提供一种导购方法,参见图2,图2是本申请实施例提供的一种导购方法的示意性流程图,该方法包括以下步骤:
S201,获取用户端输入的导购需求和导购需求携带的内容增强配置。
其中,用户端可以是应用程序的客户端,安装于电子设备,比如,安装在手机上的应用A。导购需求可以是用户端输入的自然语言文本或者语音,比如,用户端以语音的形式输入的该导购需求,或者用户端通过文本的形式输入导购需求。
示例性的,该导购需求可以是以整句话的形式输入的问题,比如,“哪一家店有三分甜不加珍珠的奶茶”;该导购需求可以是以整句话的形式输入的陈述句,比如“我想吃不加辣且不加孜然的羊肉”。
导购需求对应的内容增强配置为该导购需求所在系统的时间信息、位置信息以及输入该导购需求的页面类型等。其中,该导购需求所在系统的时间信息即为输入该导购需求的时间,位置信息即为该用户端当前所在的位置定位,输入该导购需求的页面类型用于表示该页面所能够完成的功能。
S202,对所述导购需求进行自然语言理解,得到需求理解结果。
其中,通过自然语言理解模型(Natural Language Understanding,NLU)对导购需求进行自然语言理解,得到需求理解结果。该需求理解结果,包括:导购需求的意图类型和意图内容。将NLU模型前置于预设大语言模型,以对输入的导购需求进行意图识别和意图理解,从而得到需求理解结果。这样,对于用户端输入的自然语言格式的导购需求通过NLU能够准确识别到该导购需求的意图类型和意图内容,从而便于生成准确的提示词以输入预设大语模型。
在一些可能的实现方式中,上述步骤202可以通过以下步骤S221和S222(图示未示出)实现:
221,对所述导购需求进行意图识别,得到所述导购需求的意图类型。
这里,通过NLU先将输入的导购需求转化为嵌入向量,然后对该向量进行意图识别,即对该导购需求进行意图类型的分类,从而确定出导购需求所属的意图类型。
示例性的,该意图类型包括:个人兴趣推荐类、寻找特定店铺类、寻找品类商品类、询问生活知识类、历史订单操作类以及询问平台功能类等。
示例性的,如果导购需求为“骑手没送到怎么办?”或“如何查询权益红包?”,那么确定该导购需求的意图类型为询问平台功能类。如果导购需求为“昨天的奶茶再来一杯”,那么确定该导购需求的意图类型为历史订单操作类。如果导购需求为“今天中午不知道吃点啥?”,那么确定该导购需求的意图类型为个人兴趣推荐类等。
222,对所述导购需求进行意图理解,得到所述导购需求的意图内容。
其中,所述需求理解结果,包括:所述意图类型和意图内容。通过对导购需求中的自然语言进行语义理解,以得到该导购需求的意图内容。该意图内容即为导购需求的具体意图,比如,导购需求为“今天中午不知道吃点啥?”,说明用户需要推荐午餐,所以导购需求的意图内容即为用户中午不知道是啥,需要为用户推荐午餐等。
在一些可能的实现方式中,对导购需求进行实体识别、关系抽取等,提取出粗粒度、细粒度的信息,从而得到意图内容。示例性的,如果导购需求为“我要七分甜的奶茶”,通过对该导购需求进行实体识别,得到“奶茶”,进行关系抽取得到“奶茶”的修饰词“七分甜”,即“七分甜”在“奶茶”之前。通过粗粒度提取得到“奶茶”,通过细粒度提取得到“七分甜的奶茶”,从而得到意图内容为“七分甜的奶茶”。如此,通过NLU对导购需求进行自然语言的意图识别,能够准确分析出该导购需求的意图类型便于后续匹配出符合该意图类型的提示词模板;而且通过对该导购需求进行自然语言的意图理解,从而准确得到用户端输入的导购需求的具体意图内容,从而便于结合意图类型共同生成输入大语言模型的提示词。
S203,基于所述需求理解结果和所述内容增强配置,生成描述所述导购需求的提示词。
这里,将需求理解结果和内容增强配置共同输入提示中心,以生成描述导购需求的提示词。先通过意图类型从预设提示词模板库中匹配出提示词模板,再通过内容增强配置和意图内容进行填充,以生成该提示词。这样,在该提示词中充分考虑到了用户输入的导购需求具体意图而且还考虑到了导购需求所在系统的内容增强配置,从而使得生成的提示词更加准确。
在一些可能的实现方式中,在生成提示词的过程中,通过将内容增强配置考虑进去,能够通过不同的内容增强配置生成不同的提示词,从而使得输入预设大语言模型的提示词更加准确且丰富,获取内容增强配置包括以下至少之一:
获取输入所述导购需求的页面类型。
这里,页面类型,包括:订单页面、订单已完成页面、搜索页面等。输入导购需求的页面类型不同,说明输入该导购需求的场景不同,比如,如果用户在订单页面输入导购需求,说明是用户已经下单还未付款时有犹豫,所以又输入了导购需求;如果用户在订单已完成页面输入导购需求,说明用户上一订单并未满足用户需求等。这样,导购需求的页面类型即说明用户的需求也不同,所以针对不同的页面类型,生成的提示词也会不同。
获取所述导购需求的输入时间;
这里,导购需求的输入时间不同,说明用户需要导购的时间不同,显然需要的导购物品也会有差异,所以生成的提示词也会不同。
获取所述导购需求对应的用户标识;
这里,通过用户标识能够获取到该用户的历史兴趣,从而结合该历史兴趣生成提示词。
获取所述导购需求对应的位置信息;
这里,如果导购需求对应的位置信息不同,那么能够选择的店铺也不同,以及该位置的特色食物也会不同,所以可以结合该位置信息生成提示词,以使得该提示词能够表征该位置的特色食品。
获取输入相同的所述导购需求的时长间隔。
这里,按照该时长间隔能够判断用户端提交相同的导购需求的频次,从而生成有针对性的提示词。比如,对于首次出现或者时长间隔较久的导购需求,那么可以按照该导购需求的具体内容生成提示词。如果是时长间隔较小,那么可以在提示词中体现这一信息,以使大语言模型输出的目标导购信息更加贴合用户的意图。
在一些可能的实现方式中,为使得生成的提示词能够更加贴近用户端的导购需求,上述步骤S203可以通过以下步骤S231至233(图示未示出)实现:
S231,在预设提示词模板库中,查找与所述意图类型相匹配的提示词模板。
这里,所述预设提示词模板库用于存储多个预设意图类型匹配的提示词模板。该提示词模板可以理解为是文本框架。由于在预设提示词模板库中存储了与预设意图类型绑定的提示词模板,所以在NLU输出导购需求的意图类型之后,在预设提示词模板库中首先查找与该意图类型相同的预设意图类型,从而将该预设意图类型所绑定的提示词模板作为该导购需求的提示词模板。针对不同的意图类型设定不同的提示词框架。
示例性的,意图类型为个人兴趣推荐类,那么提示词模板可以为:该用户的历史兴趣是××,请针对导购需求××,为用户推荐××。这样,能够为不同意图类型提供合适的提示词模板,从而便于快速生成准确的提示词。
S232,基于所述内容增强配置对所述意图内容进行修饰增强,生成提示内容。
这里,在通过NLU输出导购需求的意图内容之后,为能够更加精准的生成提示内容,将内容增强配置也考虑进去。
在一些可能的实现方式中,通过内容增强配置对意图内容进行修饰增强,以生成提示内容。
示例性的,如果导购需求为“想要一份鲜香的鸡汤米线”,意图类型即为寻找品类商品类,意图内容即为用户需要一份鲜香的鸡汤米线。
针对内容增强配置为用户标识的情况,可以按照该用户标识获得该用户端的历史兴趣,并将该历史兴趣与意图内容相结合,作为提示内容。
针对内容增强配置为导购需求的输入时间的情况,可以通过该输入时间判断是早餐、中餐或晚餐,从而将该输入时间对应的餐点与意图内容相结合,作为提示内容。
针对内容增强配置为导购需求对应的位置信息的情况,通过该位置信息能够确定该位置所在区域的特色美食,那么将该特色美食与意图内容相结合,作为提示内容。
针对内容增强配置为输入相同的导购需求的时长间隔的情况,将该时长间隔与意图内容相结合,作为提示内容。
针对内容增强配置为输入导购需求的页面类型的情况,如果内容增强配置中导购需求的页面类型为订单已完成页面,说明用户已经下单过一份食物,那么为能够向用户端提供较好的体验,提示内容为“刚用户已经下完单了现在加购,请你围绕米线再继续给他延伸,推荐更多的东西吧”。所以这时候大语言模型,有可能就不仅仅是再给用户端推荐米线了,会给用户端推荐米线周围的搭配的食物。比如,水果拼盘。这样,由于用户是再次加购食物,通过大语言模型询问“您是刚才点的米线不够量吗,我是否为您推荐一个二到三人套餐米线?”等。通过提示词构建这个不同类型的导购需求的问题。
如果内容增强配置中导购需求的页面类型为搜索页面,说明用户端可能是首次点米线这一食物,那么可以按照意图内容来生成提示内容,比如“请为用户推荐鲜香可口的鸡汤米线”等。
S233,将所述提示内容嵌入所述提示词模板,得到所述提示词。
这里,将该提示内容作为填充内容,填充在提示词模板中,从而得到能够输入到预设大语言模型的提示词。
示例性的,如果输入的导购需求为“想要一份鲜香少盐的鸡汤米线”,那么确定意图类型为寻找品类商品类,该寻找品类商品类所匹配的提示词模板为:请针对导购需求××,为用户推荐××。意图内容即为用户需要一份鲜香少盐的鸡汤米线。如果内容增强配置为导购需求的输入时间以及导购需求对应的位置信息,而且该输入时间为早餐时段,那么可以先按照该位置信息分析该区域内早餐的特色美食(比如,特色美食为灌汤包);再按照该特色美食对意图内容进行增强,以得到提示内容。这样该意图内容为:请搭配灌汤包为用户推荐一份鲜香少盐的鸡汤米线。这样,将意图内容嵌入提示词模板,即可得到提示词为:请针对用户的导购需求:想要一份鲜香少盐的鸡汤米线,搭配灌汤包为用户推荐一份鲜香少盐的鸡汤米线。
或者,如果输入的导购需求为“不知道吃点啥?”,那么确定该导购需求的意图类型为个人兴趣推荐类;意图内容为:用户需要推荐美食。个人兴趣推荐类匹配的提示词模板可以为:该用户的历史兴趣是××,请针对导购需求××,为用户推荐××。如果内容增强配置为导购需求的输入时间以及用户标识,而且该输入时间为晚餐时段,那么按照用户标识分析晚餐时段该用户的饮食习惯。之后按照该饮食习惯,对对意图内容进行增强,以得到提示内容。比如,用户在晚餐的饮食习惯为轻食,那么该提示内容为:晚餐时间,请为用户推荐轻食类美食。这样,将提示内容填充入提示词模板,得到的提示词为:请针对用户的导购需求:不知道吃点啥,由于该用户的历史兴趣是晚餐喜欢轻食,为用户推荐轻食类美食。如此,通过先按照意图类型确定提示词模板,再按照内容增强配置和意图内容生成提示内容,能够使得提示内容更加精准,从而使得到的提示词更加契合购物需求的意图。
S204,采用预设大语言模型对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端。
其中,该目标导购信息可以是输出的符合该导购需求的店铺或者商品,还可以是符合该导购需求的商品的付款界面,还可以是针对该导购需求的询问信息;比如,如果导购需求为“想要一份鲜香的鸡汤米线”,输入导购需求的页面类型是零售页面,应用A的超市便利店,那么预设大语言模型通过该零售页面即可获取用户端在浏览超市的商品,在这个场景下,预设大语言模型可以唤醒AI导购员,这时大语言模型就不会是调用餐饮外卖的API,而是调用零售API,即超市API,向用户端反馈的目标导购信息即为超市卖的自助火锅式的米线,而不是外卖的米线。
在一些可能的实现方式中,将提示词和导购需求相关的历史关联信息均输入到预设大语言模型,该预设大语言模型通过对输入的提示词和历史关联信息进行语义理解之后,即可得到响应该导购需求的实现步骤,从而针对每一实现步骤调用响应的应用程序接口,通过对应用程序接口(Application Programming Interface,API)的返回结果进行优化,即可输出该目标导购信息至所述用户端。
在本申请实施例中,对于用户端输入的导购需求,获取该导购需求所在系统的内容增强配置,从而能够得到该导购需求在系统中输入时刻、用户标识以及所在地址等内容增强配置。之后,对该导购需求进行自然语言理解,能够实现针对自然语言形式的导购需求进行理解,从而更加准确地得到导购需求的需求理解结果。将需求理解结果和内容增强配置相结合,能够更加合理且精准地生成描述导购需求的提示词。从而将提示词和导购需求共同输入预设大语言模型,能够使得预设大语言模型精准预测满足该导购需求的目标导购信息,并输出给用户端。如此,在整个导购过程中,用户端输入导购需求之后即由后台通过大语言模型为该用户端输出目标导购信息,无需用户端多次交互即可响应用户端输入的自然语言形式的导购需求,既能够节省用户决策时间,还能够为用户端提供更加贴合用户端自然语言的目标导购需求。
在一些实施例中,为使得预设大语言模型能够预测更加准确且符合用户意图的目标导购信息,上述步骤S204可以通过图3所示的步骤实现:
S301,采用所述预设大语言模型对所述提示词进行语义分析,以确定响应所述导购需求所需的多个应用程序接口。
这里,预设大语言模型通过对提示词进行语言理解,按照理解的结果编排实现该导购需求的步骤,以及每一步骤对应的功能;这样,按照该每一步骤对应的功能即可确定实现该功能的应用程序接口,从而得到多个应用程序接口。
示例性的,用户的原始问题是:“我想买××米线双人套餐”,LLM编排的实现该导购需求的步骤为:
第一步,调用[店铺搜索]API,参数是“××米线”,选择距离最近的那家;
第二步,调用[店内搜索]API,参数是[第一步.店铺ID],挑选出“米线双人套餐”这个商品,保留订购数量高的那个。
第三步,调用[红包权益]API,参数是[第二步.商品ID],计算出最终价格(Price);
第四步,调用[支付下单]API,参数是[第三步.Price]。
S302,基于预设数据库对所述多个应用程序接口的返回结果进行筛选总结处理,得到并输出所述目标导购信息至所述用户端。
这里,在预设数据库中,确定与所述导购需求匹配的历史关联信息。其中,给预设数据库可以是向量数据库,还可以是SQL(Structured Query Language)数据库等。所述预设数据库用于存储历史导购需求的历史关联信息,所述历史关联信息包括:所述历史导购需求的历史目标导购信息和所述历史目标导购信息对应的交互信息。在每一轮的交互过程中,预设大语言模型输出的目标导购信息以及导购需求进行绑定,并存储在预设数据库中。针对该目标导购信息,获取用户端进行的交互操作即得到交互信息,比如,目标导购信息为2个店铺,用户端点击了这2个店铺中的哪一个;或者,目标导购信息为订单确认页面,用户端是否对订单进行确认等。这样,将历史导购需求的历史目标导购信息,以及,历史目标导购信息对应的交互信息存储在预设数据库中,能够便于预设大语言模型参考该用户端对历史关联信息为用户端本次输入的导购需求提供更加匹配用户意图的目标导购信息。
在本申请实施例中,通过在预设数据库中查找导购需求匹配的历史关联信息,将提示词和该历史关联信息共同作为预设大语言模型的输入,能够使得预设大语言模型输出的目标导购信息更加贴合用户端的意图。
在一些实施例中,预设大语言模型通过分析响应导购需求所需的多个应用程序接口,并对应用程序接口的返回结果进行处理,以生成并输出目标导购信息,即上述步骤S302可以通过图4所示的步骤实现:
S401,确定所述多个应用程序接口之间的调用顺序。
这里,按照导购需求的实现流程,确定调用多个应用程序接口的顺序。导购需求的实现流程即为预设大语言模型编排的实现该导购需求的步骤,步骤执行顺序,即为调用这多个应用程序接口的顺序。
S402,按照所述调用顺序,将调用指令发送至所述多个应用程序接口。
这里,预设大语言模型按照调用多个应用程序接口的顺序,逐层调用应用程序接口;即预设大语言模型按照该调用顺序,先调用第一个应用程序接口,并按照第一个应用程序接口的返回结果,继续调用第二个应用程序接口,如此循环,直到完全调用这多个应用程序接口,以实现对导购需求的响应。
S403,基于所述预设数据库中与所述导购需求匹配的历史关联信息,对所述应用程序接口的返回结果进行筛选总结处理,生成并输出所述目标导购信息至所述用户端。
在一些可能的实现方式中,通过在预设数据库中,查找与导购需求相似度较高的候选历史导购需求;并将候选历史导购需求的历史目标导购信息和对应的交互信息,确定为与导购需求匹配的历史关联信息。
这里,将提示词和历史关联信息共同输入到预设大语言模型中,以使预设大语言模型通过提示词调用不同接口后,再通过该历史关联信息对返回结果进行筛选,从而使得目标导购信息更加精准。预设大语言模型在得到多个应用程序接口的返回结果之后,为使得目标导购信息更加贴合用户意图,通过该历史关联信息对返回结果进行优化;比如,过滤掉与历史关联信息中的历史目标导购信息重合度较高的返回结果,或者,筛选出返回结果中与交互信息中的导购对象相似度较高的返回结果等。
在一些可能的实现方式中,对于任一个应用程序接口通过该应用程序接口的功能结合前一个应用程序接口的返回结果,能够准确生成该应用程序接口的调用参数,从而便于大语言模型精准调用相应的应用程序接口,即上述步骤S402可以通过以下步骤S421至S423(图示未示出)实现:
S421,获取所述多个应用程序接口中任一应用程序接口的功能和前一应用程序接口的返回结果。
其中,所述前一应用程序接口为所述顺序中排列在所述任一应用程序接口之前且与所述任一应用程序接口相邻的应用程序接口。任一应用程序接口的功能即该应用程序接口所实现的功能,比如,店铺搜索、店内搜索、红包权益或支付下单等。前一应用程序接口的返回结果即为该前一应用程序接口执行自身功能后的输出结果,比如,前一应用程序接口的功能是店铺搜索,返回结果为距离最近的店铺。
S422,按照所述任一应用程序接口的功能和所述前一应用程序接口的返回结果,生成所述任一应用程序接口的调用参数。
其中,任一应用程序接口的调用参数即为调用该应用程序接口的参数,能够唯一指示需要调用的应用程序接口。
示例性的,如果任一应用程序接口的功能为店内搜索,前一应用程序接口的返回结果为距离最近的店铺,由于该任一应用程序接口需要在该距离最近的店铺内进行搜索,所以任一应用程序接口的调用参数为[距离最近的店铺的标识(Identity document,ID)]。
S423,将携带所述调用参数的调用指令发送至所述任一应用程序接口。
这里,预设大语言模型将携带该调用参数的调用指令发送至相应的应用程序接口,能够调用该应用程序接口执行相应的功能,从而得到返回结果。这样,以此类推,预设大语言模型通过调用多个应用程序接口得到这多个应用程序接口的返回结果,从而实现对导购需求的响应。
在本申请实施例中,通过按照多个应用程序接口的调用顺序,分别调用多个应用程序接口,以接收这些应用程序接口的返回结果,之后,通过历史关联信息对返回结果进行优化,使得目标导购信息既不会与历史导购信息重合率太高,还能够符合用户的历史兴趣。
在一些可能的实现方式中,针对不同类型的返回结果,预设大语言模型对该返回结果的处理方式不同,即上是步骤403可以通过以下两种方式实现:
方式一,若所述返回结果的类型为业务类,按照预设筛选规则和所述历史关联信息对所述多个初始导购对象进行筛选,生成并输出所述目标导购信息至所述用户端。
这里,业务类可以是外卖业务类,还可以是商品业务类;比如,店铺搜索、商品搜索、店内搜索、个性化推荐、付款下单、查询红包等。如此,针对对象业务类的返回结果,通过预设筛选规则和历史关联信息对返回结果进行过滤,既能够减少呈现给用户的目标导购信息的冗余度,还能够使得目标导购信息更有针对性。
在一些可能的实现方式中,针对业务类的返回结果,先通过预设筛选规则对多个初始导购对象进行初步筛选,以筛选出较少数量的候选导购对象集合;再通过历史关联信息过滤掉重合度较高的导购对象,并对过滤后的导购对象进行排序,从而输出已排序导购对象,使得提供给客户端的目标导购对象更精简且准确,能够节省用户浏览目标导购信息的时间,从而提高用户进行决策的效率;即上述方式一可以通过以下过程实现:
首先,若所述返回结果的类型为所述业务类,按照所述预设筛选规则从所述多个初始导购对象筛选出候选导购对象集合。
这里,所述预设筛选规则,包括以下至少之一:好评度排列在所述初始导购对象集合中各初始导购对象的好评度的前n个;销量排列在所述各初始导购对象的销量的前n个;所在位置与所述导购需求对应的位置之间的距离排列在所述初始导购对象中的后n个;售卖价格排列在所述初始导购对象的价格的后n个。其中,n为小于候选导购对象个数的正整数;示例性的,n可以取值为小于等于2。
这些筛选规则之间可以是相互独立的,还可以是递进的;比如,预设筛选规则为好评度排列在各初始导购对象的好评度的前n个,且,所在位置与导购需求对应的位置之间的距离排列在多个初始导购对象中的前n个等。
示例性的,以n为1为例,从多个初始导购对象筛选出好评度最高的导购对象,销量高的导购对象、距离导购需求对应的位置最近的导购对象以及价格最低的导购对象等。如果导购需求为“我想买××米线双人套餐”,那么多个初始导购对象为多个店铺,从这多个店铺中筛选出距离用户端最近的店铺,米线双人套餐更便宜的店铺,或者虽然店铺内米线双人套餐较贵但是该米线双人套餐在该店铺内销量较高的店铺等,或者,米线双人套餐中添加了有益身体健康的食材的店铺等。
在其他实施例中,针对外卖或者食品类的导购需求,该预设筛选规则,还可以包括:食物的健康程度较高。即从初始导购对象中筛选出健康程度较高的初始导购对象。如此,通过设定预设筛选规则,能够快速实现对多个初始导购对象的筛选,从而得到减少返回结果中初始导购对象的冗余性。
其次,基于所述历史关联信息和预设数量对所述候选导购对象集合进行过滤并排序,得到小于所述预设数量已排序导购对象。
这里,该预设数量可以是自定义设定的,比如,设置预设数量为小于或等于3的值。示例性的,设置预设数量为3,这样,如果初始导购对象为店铺,那么通过历史关联信息对候选导购对象集合进行过滤,得到3个店铺,并按照历史关联信息对这3个店铺进行排序,从而得到已排序导购对象。
由于历史关联信息中包括历史导购需求的历史目标导购信息和交互信息,所以通过该历史目标导购信息和交互信息可以判断出曾经为用户端提供的目标店铺有哪里,以及用户最终选择的店铺是哪些,忽略的店铺是哪些。所以,可以通过参考用户忽略的那些店铺,对候选导购对象集合中与该店铺相似度较高的同类店铺进行过滤;或者,按照用户选择的店铺从候选导购对象集合中筛选出与这些店铺相似度较高的店铺。之后,由于该历史关联信息中的历史目标导购信息和交互信息均携带有时间戳,所以可以看出用户端提出与该导购需求较为类似的历史导购需求时间,如果该时间与当前时刻较近,那么可以将与历史目标导购信息中相同的店铺排列在最后面,对其余两个店铺可以随机排序,以得到已排序导购对象。
最后,基于所述已排序导购对象,确定并输出所述目标导购信息至所述用户端。
这里,通过对已排序导购对象中进行简洁的解释,将解释内容和已排序导购对象共同作为目标导购对象进行输出。
在一些可能的实现方式中,通过首先确定所述已排序导购对象的描述信息;再将描述信息与已排序导购对象进行融合,得到并输出目标导购信息至所述用户端。
其中,已排序导购对象的描述信息即为该已排序导购对象的内容简洁,比如,已排序导购对象为店铺,该描述信息可以是针对店铺售卖的商品的简介,以向客户端输出该店铺的可解释性的描述,便于用户快速了解该店铺。通过将该描述信息赋予已排序导购对象,比如,将描述信息和已排序导购对象进行绑定,并且作为目标导购信息同时输出在显示界面的同一区域。如此,通过将描述信息和已排序导购对象进行同时输出,能够使得客户端快速了解输出的目标导购信息,从而能够节省决策时间。
方式二,若所述返回结果的类型为内容类,对所述返回结果中的内容进行总结修饰,生成所述目标导购信息。
这里,内容类即为问题解答类,如果输入的导购需求为问题咨询类的需求,比如,询问平台功能,或者询问某一店铺的相关介绍,那么返回结果即为针对该问题的解答,所属的类型即为内容类。
在一些可能的实现方式中,如果返回结果中的内容较多且过于详细,那么对返回结果中的内容进行总结修饰,即为对该返回结果进行归纳总结。
示例性的,如果导购需求为“骑手送错怎么办”,客服API返回的结果很可能较为详实、长篇,需要消耗用户较长的阅读时间;所以对该返回结果进行归纳总结,把要点给列出来即可。
如果返回结果中的内容可读性较差或者比较晦涩难懂,那么对返回结果中的内容进行润色修饰,从而使得到的目标导购信息的可读性较好,易于用户理解。如此,通过对内容类的返回结果进行总结修饰,能够使得输出的目标导购信息更加通俗易懂,而且简洁扼要,从而节省用户的理解时长。
因为可能原始的返回结果是比较粗糙的,不适合是展示在用户面前,所以对返回结果进行润色修饰后再输出。比如,图注意力网络模型(Graph Attention Network,GAT)返回的文字,但是基于该文本进行配图,即实现了对该文本进行封装。
在总结修饰的过程中,还会将返回结果的权益信息封装在该返回结果中,以输入携带权益信息的结果。比如,返回结果为美食店铺,其中有满15元减3元的优惠,那么将该权益信息和美食店铺封装后进行输出。
还可能是针对大语言模型内的信息进行封装,在线服务等对该信息进行封装,大语言模型内部的一些输出并不直接向用户展示。示例性的,如果提示词为“请你告诉我这家店哪家店更适合用户”,这样的文本并不适合输出给用户端。当输出给用户端时需要改变文本表达方式,比如“为您发现以下2两家店铺”,这样的文本转换也是对大语言模型内的信息一种封装。
在一些实施例中,由于预设大语言模型生成内容不可控,所以对该预设大语言模型输出的目标导购信息进行质量检测,以提高输出给客户端的导购信息的准确性,即在上述步骤204之后,还包括图5所示的步骤:
S501,对所述目标导购信息进行质量检测,得到质检结果。
这里,采用质检模型对目标导购信息进行二分类质量检测,以判断该目标导购信息的可读性等。这样,该质检结果包括目标导购信息可读的置信度以及该目标导购信息不可读的置信度等。
示例性的,采用质检模型检测该目标导购信息中的文本是否存在多字或者少字以导致语句不通顺的现象,以及图像中是否存在不清晰的现象。
S502,若所述质检结果满足预设质检条件,确定所述目标导购信息中是否存在预设屏蔽信息库中的屏蔽信息。
这里,预设质检条件为检测结果的置信度阈值,比如,设定置信度阈值为0.9。如果检测结果表明目标导购信息可读的置信度大于0.9,那么确定质检结果满足预设质检条件,说明该目标导购置信度是可读性较好。比如,目标导购信息为“我为您发现以下店铺”,该语句通顺且明确,这样,该质检结果中该目标导购信息的可读性的置信度就较高,说明该目标导购信息的质检结果满足预设质检条件。如果标导购信息为“我为您发发发现以下店铺”,该文本中存在多字的现象导致文本不通顺,该质检结果中该目标导购信息的可读性的置信度就较低,说明该目标导购信息的质检结果不满足预设质检条件。
若质检结果满足预设质检条件,进一步判断该目标导购信息中是否存在需要遮蔽的敏感词汇,或者敏感图像等。预设屏蔽信息库用于存储需要遮挡的词汇以及图像。在该预设屏蔽信息库中查找与该目标导购信息中的文本和图像相同的遮蔽信息。
S503,若所述目标导购信息中不存在所述屏蔽信息,在输入所述导购需求的页面输出所述目标导购信息。
这里,如果目标导购信息的质检结果既满足预设质检条件,且该目标导购信息中也不存在敏感词汇和图像,那么直接在输入导购需求的显示页面输出该目标导购信息。
S504,若所述质检结果不满足所述预设质检条件或所述目标导购信息中存在屏蔽信息,获取预设导购信息。
这里,如果质检结果不满足预设质检条件或目标导购信息中存在屏蔽信息,那么屏蔽掉目标导购信息,并获得预设导购信息。该预设导购信息可以是固定内容的文本或图像等。比如,预设导购信息为“暂无法满足您的需求”。
S505,在输入所述导购需求的页面,输出预设导购信息。
这里,将该预设导购信息输出在输入导购需求的页面,无需用户切换页面,即可查看输出的预设导购信息。
在本身申请实施例中,通过对目标导购信息进行层层把控后,将合理且准确的目标导购信息输出在导购需求的输入页面,这样,输出目标导购信息的页面与输入导购需求的页面为同一页面,用户无需来回切换页面,为用户提供统一感,无需用户操作页面跳转。仅需用户在输入页面输入导购需求,即可为用户提供贴合用户意图的目标导购信息,将平台在线的几百个API接口,给屏蔽掉,对用户来说这些API是透明的,用户仅需与预设大语言模型跟对话即可,为用户提供了一站式的导购。
在其他实施例中,如果目标导购信息中存在屏蔽信息,可以在目标导购信息中对屏蔽信息进行隐藏处理,得到已处理导购信息;若已处理导购信息的可读性大于或等于预设可读性阈值,在输入导购需求的页面输出已处理导购信息;若已处理导购信息的可读性小于预设可读性阈值或质检结果不满足预设质检条件,在预设导购信息库中查询与导购需求匹配的预设导购信息。
在一些实施例中,通过将输出的目标导购信息、目标交互信息以及导购需求进行绑定,预设数据库,可以通过以下过程实现:
首先,获取用户端针对所述目标导购信息的目标交互信息。
这里,目标交互信息即为用户端针对目标导购信息的选择操作,比如,通过点击感兴趣的导购对象进行的选择操作,或者,通过语言选择感兴趣的导购对象。
示例性的,以目标导购信息为3个米线餐饮店铺为例,获取用户端对这2个店铺的交互操作,比如,用户端选择了哪个店铺,在该店铺中浏览了哪些美食并且最终选择了哪款美食等。
其次,将所述目标交互信息和所述目标导购信息,分别与所述导购需求进行绑定,得到绑定结果。
这里,将目标交互信息和目标导购信息分别进行向量转换,将转换后的向量与导购需求对应的向量进行绑定,得到该绑定结果。这样,该绑定结果也是向量化的形式。
最后,基于所述绑定结果更新预设数据库,得到已更新预设数据库。
这里,将绑定结果存入预设数据库中,以得到已更新预设数据库。
示例性的,该预设数据库可以是向量数据库,将向量化的目标交互信息、目标导购信息与导购需求绑定之后,存入该向量数据库,从而将该向量数据库中的向量数据输入到预设大语言模型,便于预设大语言模型对输入的向量数据进行语言理解和语言生成等处理。如此,将目标交互信息、目标导购信息以及导购需求绑定后存储到预设数据库,能够使得已更新预设数据库更加丰富,便于后续为输入的最新的导购需求提供的可参考的历史关联信息。
在一些实施例中,针对知识问答类的导购需求,预设大语言模型可直接输出该导购需求匹配的知识,这样,上述步骤S204可以通过以下过程实现:
若所述导购需求为知识问答类需求,采用所述预设大语言模型在所述预设大语言模型的知识库中,确定并输出与所述知识问答类需求匹配的目标导购信息至所述用户端。
这里,知识问答类需求表示该导购需求无需进行对象推荐,需要的是解答或者科普。比如,导购需求为“××城市有哪些特色菜”。预设大语言模型无需调用应用程序接口来实现,由于该预设大语言模型本身具有学习功能,该预设大语言模型中已在一些世界知识,并保存在知识库中。这样,预设大语言模型通过对该导购需求的提示词进行语言理解之后,按照理解的结果在该知识库中进行查找,以查找到提示词所表示的问题的答案,即得到该目标导购信息。
示例性的,该导购需求为“××城市有哪些特色菜”,目标导购信息为:
1.小笼包:××城市的传统点心之一,以其薄皮、鲜汁和香味而闻名。小笼包内部包含着鲜肉馅料和汤汁,非常美味。
2.蟹粉小馄饨:小馄饨是××城市的传统面点之一,蟹粉小馄饨则是其中一种特色品种。这种小馄饨内部填充有鲜蟹肉馅料,配以酱油和醋等调味品,口感鲜美。
3.生煎包:生煎包是××城市的另一种传统点心,外面酥脆,内部多汁。它的馅料通常是猪肉和香菇,配以特制的调味料炸至金黄。
4.红烧狮子头:狮子头是一道传统的××城市菜,由猪肉馅和大肉球组成,红烧狮子头则是将狮子头放入高汤中炖煮而成,肉质鲜嫩,汤汁浓郁。
5.老鸭粉丝汤:这是一道传统的××城市汤品,使用老母鸭熬制出鲜美的汤底,配以粉丝和香菇等配料,口感鲜美,营养丰富。
6.××城市菜脯:这是一种传统的小吃,由鲜猪肉腌制而成,口感嫩滑,味道鲜美。
7.炒年糕:炒年糕是一道常见的早餐或夜宵小吃,将切成片状的年糕与青菜、肉类等配料一起翻炒而成,味道浓郁。这只是××城市特色菜的一小部分,××城市还有许多其他美食值得一试。无论是传统点心还是正餐,××城市都有很多独特的菜品供你品尝。
在本申请实施例中,针对知识问答类需求,预设大语言模型通过自身的知识储备直接输出能够解答该导购需求的内容,既能够节省调用应用程序接口所耗费的计算量,还而能够快速为用户端提供精准的解答。
在相关技术中,搜索导购,包括:搜索和推荐这种链路。这样,用户端的消费者的导购,是一个召回相关性排序最后展现,是一个多环节的链条式的,最后列表式进行展现,然后用户需要滑动浏览。通过货架式导购的方式为用户提供商品展示列表,用户滑动浏览需要消耗大量的时间,决策时间较长。本申请实施例以大语言模型为中心,给你展现并不是货架式的多家店铺,不需要用户再进行滑动浏览,直接向用户端输出满足用户的导购需求的目标导购信息。
在本申请实施例提供的导购方法中,针对细粒度的决策也能出现价值。比如,导购需求为“我想要一个七分甜的奶茶”。这在相关技术中的搜索式导购中是不能输入“七分甜”这种细粒度的词的,只能输入咖啡这种大粒度词,从而只能是先搜咖啡,然后,向用户端返回很多并不是七分甜的奶茶,需要用户端进行逐个挑选,并打开他的详情页,再去看相关介绍,才能知道是不是七分甜的奶茶。在本申请实施例中,用户端可以输入细粒度的“我想要一个七分甜的奶茶”,通过大语言模型能够快速且准确的为用户端输出“七分甜的奶茶”的店铺或者“七分甜的奶茶”的付款订单等。而且在本申请实施例中,通过大语言模型作为中心,然后大语言模通过分析输入的提示词,能够确定实现该提示词的所需要的步骤,并调用实现这些步骤的API,从而在用户端输入导购需求的页面为用户端输出目标导购信息,整个过程用户是无感知的,不需要用户来回切换页面,从而为用户提供一站式的导购。
示例性的,用户在应用A点餐,比如,导购需求为“我想吃昨天的那单”,大语言模型通过调用订单查询接口,能够向用户端输出昨天的历史订单。用户还可以输入“请帮我重新点一份儿我曾经点过的××订单”。那么大语言模型不仅能够找到该订单,还能够执行重新下单的操作,然后向用户端输出付款页面,用户端直接点确认付款即可。
在本申请实施例提供一种导购方法,如图6所示,图6为本申请实施例提供的导购方法的系统实现图,结合图6进行以下说明:
用户端61将当前问题输出至辅助自然语言理解(Natural LanguageUnderstanding,NLU)62,通过提示中心63确定该当前问题的意图类型所匹配的prompt模板,将prompt模板和辅助NLU62输出的当前问题(比如,上述实施例中的导购需求)的用户端意图理解输入LLM 64。同时,将该当前问题存入向量数据库(Database,DB),并对该向量DB进行向量检索65,以检索出于该当前问题相关历史数据,将该历史数据输入LLM 64。LLM 64调用业务应用程序接口(Application Programming Interface,API)66和功能API 67,接收业务API 66和功能API 67的返回结果。LLM 64对返回结果进行总结修饰和推理精选等处理,得到目标导购数据。并将该目标导购数据反馈给用户端,同时将该目标导购数据进行向量化 69,存入向量DB 68。如果用户端输入的当前问题是通用问题,LLM可以不调用API,直接内容生成,并向用户端反馈导购数据。
在图6中,将返回结果和LLM输出的目标信息存储在向量DB中,而且多轮交互时,上下文较长均需要存储;这里的上下文,不仅指的是用户的导购需求,还包括API的返回结果。
这样,站在用户多次互动的一个视角下看问题,如果用户端是第一次输入任一导购需求,比如,第一次输入“鸡汤三鲜米线”;该用户端还可能是第二次输入另一导购需求或者第三次输入其他导购需求。那么由于用户端刚刚已经输入了“鸡汤三鲜米线”,只不过没有下单,而且当前用户端又再找火锅,找新鲜食品等。在当前轮对话时,LLM需要知道用户端过往的上下文信息,即该用户端的相关历史数据。这些相关历史数据即存储在向量DB中。
该向量DB中还存储用户端的交互信息,比如,LLM为用户端输出了3家店铺,用户端点了某一家店铺,该店铺是卖小笼包的,该店铺的标识以及用户端所选择的店铺均存储在向量DB,以便于分析用户的偏好。
该向量DB中还存储LLM向用户端输出的目标导购信息,以便于后续导购过程中为基于已经存储的目标导购信息进行去重,不会重复向用户端推荐同一家店。
将交互信息以及相关历史数据转换为嵌入式(Embedding)向量存入向量DB中,之后,LLM输出的目标导购信息可以转成Embedding,进一步压缩到向量DB中。比如说,用户曾经点过卖小笼包那个店,LLM输出的店铺中如果有3家,其中一家店为卖小笼包那个店,排在第3位,那么可以按照用户的偏好将这家店往前排。
该向量DB中还存储用户端输入的当前问题,通过向量检索返回LLM,就是说并不是在LLM处置结果给用户之前了,是LLM在Thinking的过程中,prompt输入,同时也可以把向量DB中的相关数据检索出来发送给LLM。比如,当前问题是“鸡汤三鲜米线”,那么可以在向量DB中检索出一些米线的店铺以及米线的拓展词,比方说过桥米线,云南米线等。共同输入LLM以使LLM的提示词更加充分,从而输出的目标导购信息更加精准。
在图6中,辅助NLU62针对用户端的输入,进行意图识别、意图理解。其中:
意图识别,用于识别用户端的意图类型,包括:个人兴趣推荐(如今天不知道吃点啥?);寻找特定店铺(如A品牌快餐店等);找品类商品(如近铁附近的奶茶有哪些);询问生活知识(如B城市有哪些特色菜);过往订单、再来一单(如昨天的炒饼再来一份);平台功能(如 骑手没送到怎么办?如何查询权益红包?)等。
识别用户端意图的类型,是为了后面链路针对性的承接;确定意图类型之后,可以去提示中心查找对应的prompt模板。
意图理解,用于对用户端输入,进行多维度、多槽位的理解;包括:实体识别、关系抽取等,提取出粗粒度、细粒度的信号。这些理解结果用于prompt的填充、直接送给大模型作为补充输入或者作为业务API的输入等。
提示中心63,用于确定意图类型所匹配的prompt模板。
prompt模板是大模型LLM的输入。针对不同意图类型,prompt模板不同。这里的prompt模板与用户端意图理解相结合,送入LLM 64。
prompt的存储格式是键值对(key-value)的方式,其中,key为意图类型,value即为prompt的内容。
LLM 64能够进行智能思考(AI Thinking),首先,LLM 64进行计算编排。
这里,外卖平台是一个复杂的业务系统。一次用户端导购交易,实际上是许多的阶段完成度。本申请实施例提供的一站式导购,是以LLM为“决策大脑”,把诸多环节压缩合并到一起,使得用户端无感。所以这中间,LLM的需要进行“计划编排”(planning),即针对输入的prompt,LLM给出一个多阶段的步骤。
在一个具体例子中,用户端的原始问题是:“我想买A品牌的汉堡2人餐”,LLM给出的计划编排是:
第一步:调用[店铺搜索]API,参数是“A品牌”,选择距离最近的那家;
第二步:调用[店内搜索]API,参数是[Step1.店铺ID],挑选出“汉堡2人餐”这个商品,保留订购数量高的那个;
第三步:调用[红包权益]API,参数是[Step2.商品ID],计算出最终价格(Price);
第四步:调用[支付下单]API,参数是[Step3.Price]。
整个流程最终结束。在过程中页面给用户端提示和互动,比如下单前询问用户端,提示用户端进行确认。
LLM 64能够生成调用参数,以通过该参数选择合适的API。
不管是业务API,还是功能工具,是需要输入的参数的,比如:
搜索API,需要关键字(keyword);
推荐API,需要用户端标识(user ID)和其它基于位置服务信号(Location BasedServices,LBS)。
支付下单API,需要Price参数。
这里的输入参数,有几个来源:
1、系统信号是已经存在的,且直接给到API,比如,当前时间、user ID等。
2、经过前置的NLU,意图理解的结果。
3、对于长难句、多轮对话,复杂多维的参数等,需要LLM来理解。
在图6中,LLM调用业务API 66和功能API 67,其中,业务API,包括:店铺搜索、商品搜索、店内搜索、个性化推荐、付款下单、查询红包等外卖业务的接口。功能API,包括:修改收货地址、用户端评论、查询天气等业务无感的平台接口。这些API是外卖系统中的在线接口,可以不进行改造、新增开发等。
不同的API,返回的结果是不同的,那么LLM针对不同API的输出结果进行处理的过程也是不同,包括:
针对API输出的偏内容型的返回结果,LLM需要做总结修饰,返回给用户端;
针对API输出的偏业务型的返回结果,比如店铺、商品等平台物料等,LLM需要做推理精选。如图7所示,用户端在页面71输入的导购需求为“汉堡”,预设大语言模型在输入该导购需求的页面71向用户端2个汉堡店以及各个汉堡店中描述文本和图像。
其中,LLM对API的返回结果做总结修饰包括以下两类:
1)归纳总结,比如,用户端询问“骑手送错怎么办”时,客服API返回的结果很可能较为详实、长篇,用户端有阅读成本;所以LLM需要总结提炼,把要点给用户端列出来。比如,如果骑手送错外卖,可以考虑以下几个步骤:
第一,及时联系骑手:如果骑手送错了外卖,第一时间联系骑手,说明订单号和外卖内容,询问是否愿意退款或重新配送。
第二,要求退款:如果骑手愿意退款,可以要求退款并取消订单。如果骑手不愿意退款或重新配送,可以要求退款并重新下单。
第三,保留证据:在联系骑手之前,可以先保留好外卖订单的证据,包括骑手的联系方式、外卖内容、订单时间等。这些证据有助于在发生类似问题时维护自己的权益。
第四,与骑手协商:如果骑手送错了外卖,可以与骑手协商解决问题。可以要求骑手道歉并重新配送,或者选择接受订单并让骑手将外卖退款。
如果骑手送错外卖,及时联系并保留证据是维护自己权益的关键。与骑手协商也是解决问题的方式之一。
2)润色修饰,比如用户端询问“A品牌怎么样”时,店铺品牌API返回对于该店铺的介绍,如下:“A品牌是一家全球知名的连锁快餐店,以其美味的汉堡、炸鸡和薯条而闻名。这家店怎么样,取决于个人的口味和偏好。肯德基在卫生、食品质量和服务方面都有着严格的标准,并且致力于改善员工福利和环境保护。如果对食品卫生和安全感兴趣,那么肯德基可能是一个不错的选择。”。
LLM对API的返回结果做推理精选的过程如下:
输出给用户端的平台物料通常是店铺、商品,而且是多个。如果直接抛给用户端,那用户端看到的又是的一个多结果列表,这与相关技术中的搜索、推荐的列表决策无异,需要用户浪费决策成本。但是在本申请实施例中LLM直接输出小于三个的店铺或者商品,以及继续给出一些可解释性的理解,比如,××店铺的简洁介绍;这样,能够使得用户快速获取到需要的商品或店铺,节省决策成本。
在一些可能的实现方式中,通过LLM为用户提供一站式的导购,可以通过图8所示的步骤实现:
S801,读取导购需求所在系统的配置信息。
S802,基于配置信息,获取构建的提示词。
S803,对向量数据库的缓存进行初始化。
S804,启动调用API的循环过程。
S805,通过LLM基于输入的提示词和历史关联信息进行计划编排。
这里,LLM基于输入的提示词和历史关联信息,确定实现输入的导购需求的步骤。
S806,通过LLM生成调用命令和调用参数。
S807,通过该调用命令和调用参数,调用相应的API。
S808,将API的返回结果进行缓存。
这里,执行步骤S808之后,再返回步骤S805,依次循环,直至将步骤S805中计划编排的全部步骤均已实现,即得到并输出目标导购信息。
由于LLM生成内容不可控,为了合规和保障用户体验,要有单独的风控过滤模块,细拆成以下流程:
首先,是基于质检模型:单独训练一个模型,检查返回结果的质量,这需要提前标注样本,有监督训练,模型可以是二分类;在线使用时,基于输出的分数,来判断结果的质量。
其次,敏感词屏蔽:通常是黑名单、敏感词,维持一份词表;如果返回结果中,出现任何敏感词,则结果屏蔽掉。
最后,调用风控过滤服务:该服务由风控部门提供,比较专业、全面、权威、实时;对LLM的结果进行合法性判断。
如果,返回结果被中止,将预设导购信息返回给用户,避免空结果。
这里,该预设导购信息可以是预设的文案,还可以是通过对导购需求进行语义理解后,从后台存储的数据库中查找与该需求匹配的多个对象并输出。比如,导购需求为“我需要高端的红茶”,那么可以通过对该需求进行语义理解后,将售卖红茶的店铺输出给用户端。
在本申请实施例中,充分发挥了大语言模型拥有丰富知识、决策推理、任务规划的优势,以预设大语言模型为架构的中心,为用户端提供一站式导购,解决了外卖导购的痛点。而且解决了用户在外卖平台的导购痛点,给用户一站式的导购,即提高了用户体验,还降低了用户的多阶段的决策成本,用户的导购动线形成了闭环。
在本申请实施例中,不是所有的导购需求,都需要调用业务API;大模型通过预训练,已经获得了一些世界知识,可以直接把这些内容返回给用户,如图2“直接内容生成”所示。
本申请实施例提供一种导购装置,图9是本申请实施例提供的一种基于大语言模型的导购系统的结构示意图。示例性的,如图9所示,该基于大语言模型的导购系统包括:
用户端901,用于获取输入的导购需求并输入自然语言理解模块902;
所述自然语言理解模块902,用于对所述导购需求进行自然语言理解,得到需求理解结果并输出至提示词生成模块903;
所述提示词生成模块903,用于获取所述导购需求携带的内容增强配置;并基于所述需求理解结果和所述内容增强配置,生成描述所述导购需求的提示词,并将所述提示词输入模型处理模块904;
所述模型处理模块904,用于对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端901。
在图9中,该系统中的用户端901可以为用户(买家)对应的输入界面。对于任意一个用户端901,该用户端901上可安装线上外送平台对应的买家版应用程序,在该应用程序的显示页面上可以输入用户的导购需求。
用户端901可以是手机、平板电脑、桌面型、膝上型、笔记本电脑、超级移动个人计算机(Ultra-mobile Personal Computer,UMPC)、手持计算机、上网本、个人数字助理(Personal Digital Assistant,PDA)、可穿戴电子设备、虚拟现实设备等。
在该基于大语言模型的导购系统中,用户端901、自然语言理解模块902、提示词生成模块903和模型处理模块904备之间可以通过网络进行通信,网络可以包含提供通信链路的介质,也可以是包含网络设备和传输介质的互联网,不限于此。
可选地,传输介质可以是有线链路(例如但不限于,同轴电缆、光纤和数字用户线路(Digital Subscriber Line,DSL)等)或无线链路(例如但不限于,无线上网(WirelessFidelity,WIFI)、蓝牙和移动设备网络等)。
在一些可能的实现方式中,所述模型处理模块904,包括:预设大语言模型,用于对所述提示词进行语义分析,以确定响应所述导购需求所需的多个应用程序接口;所述多个应用程序接口,用于向所述预设大语言模型发送返回结果;所述预设大语言模型,用于基于预设数据库对所述多个应用程序接口的返回结果进行筛选总结处理,得到并输出所述目标导购信息至所述用户端。
在一些可能的实现方式中,所述系统还包括:预设数据库,用于存储历史导购需求的历史关联信息,所述历史关联信息包括:所述历史导购需求的历史目标导购信息和所述历史目标导购信息对应的交互信息;检索模块,用于在所述预设数据库中,确定与所述导购需求匹配的历史关联信息,并发送至所述预设大语言模型;所述预设大语言模型,还用于确定所述多个应用程序接口之间的调用顺序;并按照所述调用顺序,将调用指令发送至所述多个应用程序接口;所述多个应用程序接口,还用于响应于所述调用指令向所述预设大语言模型发送所述返回结果;所述预设大语言模型,还用于基于所述预设数据库中与所述导购需求匹配的历史关联信息,对所述应用程序接口的返回结果进行筛选总结处理,生成并输出所述目标导购信息至所述用户端。
在一些可能的实现方式中,所述预设大语言模型,还用于获取所述多个应用程序接口中任一应用程序接口的功能和前一应用程序接口的返回结果;其中,所述前一应用程序接口为所述调用顺序中排列在所述任一应用程序接口之前且与所述任一应用程序接口相邻的应用程序接口;按照所述任一应用程序接口的功能和所述前一应用程序接口的返回结果,生成所述任一应用程序接口的调用参数;以及将携带所述调用参数的调用指令发送至所述任一应用程序接口。
在一些可能的实现方式中,所述返回结果,包括:响应所述导购需求的多个初始导购对象,所述预设大语言模型,还用于若所述返回结果的类型为业务类,按照预设筛选规则和所述历史关联信息对所述多个初始导购对象进行筛选,生成并输出所述目标导购信息至所述用户端。
在一些可能的实现方式中,所述预设大语言模型,还用于若所述返回结果的类型为所述业务类,按照所述预设筛选规则从所述多个初始导购对象筛选出候选导购对象集合;基于所述历史关联信息和预设数量对所述候选导购对象集合进行过滤并排序,得到小于所述预设数量已排序导购对象;以及基于所述已排序导购对象,确定并输出所述目标导购信息至所述用户端。
在一些可能的实现方式中,所述预设筛选规则,包括以下至少之一:好评度排列在所述多个初始导购对象中各初始导购对象的好评度的前n个;其中,n为小于所述初始导购对象个数的正整数;销量排列在所述各初始导购对象的销量的前n个;所在位置与所述导购需求对应的位置之间的距离排列在所述初始导购对象中的后n个;售卖价格排列在所述初始导购对象的价格的后n个。
在一些可能的实现方式中,所述预设大语言模型,还用于确定所述已排序导购对象的描述信息;以及将所述描述信息与所述已排序导购对象进行融合,得到并输出所述目标导购信息至所述用户端。
在一些可能的实现方式中,所述预设大语言模型,还用于若所述返回结果的类型为内容类,对所述返回结果中的内容进行总结修饰,生成并输出所述目标导购信息至所述用户端。
在一些可能的实现方式中,所述自然语言理解模块902,还用于对所述导购需求进行意图识别,得到所述导购需求的意图类型;以及对所述导购需求进行意图理解,得到所述导购需求的意图内容;其中,所述需求理解结果,包括:所述意图类型和意图内容。
在一些可能的实现方式中,所述提示词生成模块903,还用于在预设提示词模板库中,查找与所述意图类型相匹配的提示词模板;中,所述预设提示词模板库用于存储多个预设意图类型匹配的提示词模板;基于所述内容增强配置对所述意图内容进行修饰增强,生成提示内容;以及将所述提示内容嵌入所述提示词模板,得到所述提示词,并将所述提示词输入预设大语言模型。
在一些可能的实现方式中,所述内容增强配置,至少包括以下之一:所述导购需求的输入时间;所述导购需求对应的用户标识;所述导购需求对应的位置信息;输入所述导购需求的页面类型;输入相同的所述导购需求的时长间隔。
在一些可能的实现方式中,所述系统还包括:质检模块,用于对所述目标导购信息进行质量检测,得到质检结果;若所述质检结果满足预设质检条件,确定所述目标导购信息中是否存在预设屏蔽信息库中的屏蔽信息;若所述目标导购信息中不存在所述屏蔽信息,将所述目标导购信息输出至所述用户端输入页面。
在一些可能的实现方式中,所述质检模块,还用于若所述质检结果不满足所述预设质检条件或所述目标导购信息中存在所述屏蔽信息,获取预设导购信息;输出所述预设导购信息至所述用户端输入页面。
在一些可能的实现方式中,所述预设大语言模型,还用于若所述导购需求为知识问答类需求,在所述预设大语言模型的知识库中,确定并输出与所述知识问答类需求匹配的目标导购信息至所述用户端输入页面。
在一些可能的实现方式中,所述系统还包括:数据库优化模块,用于获取用户端针对所述目标导购信息的目标交互信息;将所述目标交互信息和所述目标导购信息,分别与所述导购需求进行绑定,得到绑定结果;基于所述绑定结果更新预设数据库,得到已更新预设数据库。
需要说明的是:上述实施例提供的导购装置进行导购时,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,即将计算机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,上述实施例提供的导购装置与导购方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种电子设备,图10是本申请实施例提供的一种电子设备的结构示意图。
示例性的,如图10所示,该电子设备1000包括:存储器1001和处理器1002,其中,存储器1001中存储有可执行程序代码10011,处理器1002用于调用并执行该可执行程序代码10011执行一种导购方法。
此外,本申请实施例还保护一种装置,该装置可以包括存储器和处理器,其中,存储器中存储有可执行程序代码,处理器用于调用并执行该可执行程序代码执行本申请实施例提供的一种导购方法。
本实施例可以根据上述方法示例对该装置进行功能模块的划分,例如,可以对应各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中,上述集成的模块可以采用硬件的形式实现。需要说明的是,本实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个模块的情况下,该装置还可以包括信号上传模块、确定模块和调整模块等。需要说明的是,上述方法实施例涉及的各个步骤的所有相关内容的可以援引到对应功能模块的功能描述,在此不再赘述。
应理解,本实施例提供的装置用于执行上述一种导购方法,因此可以达到与上述实现方法相同的效果。
在采用集成的单元的情况下,该装置可以包括处理模块、存储模块。其中,当该装置应用于设备上时,处理模块可以用于对设备的动作进行控制管理。存储模块可以用于支持设备执行相互程序代码等。
其中,处理模块可以是处理器或控制器,其可以实现或执行结合本申请公开内容所藐视的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包括一个或多个微处理器组合,数字信号处理(Digital Signal Processing,DSP)和微处理器的组合等等,存储模块可以是存储器。
另外,本申请的实施例提供的装置具体可以是芯片、组件或模块,该芯片可包括相连的处理器和存储器;其中,存储器用于存储指令,当处理器调用并执行指令时,可以使芯片执行上述实施例提供的一种导购方法。
本实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序代码,当该计算机程序代码在计算机上运行时,使得计算机执行上述相关方法步骤实现上述实施例提供的一种导购方法。
本实施例还提供了一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述相关步骤,以实现上述实施例提供的一种导购方法。
其中,本实施例提供的装置、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,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,即将装置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。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于大语言模型的导购方法,其特征在于,所述方法包括:
获取用户端输入的导购需求和所述导购需求携带的内容增强配置;其中,所述内容增强配置至少包括:所述导购需求所在系统的时间信息、位置信息、所述导购需求对应的用户标识、输入相同的所述导购需求的时长间隔以及输入所述导购需求的页面类型;
对所述导购需求进行意图识别,得到所述导购需求的意图类型;
对所述导购需求进行意图理解,得到所述导购需求的意图内容;其中,所述导购需求的需求理解结果,包括:所述意图类型和意图内容;
在预设提示词模板库中,查找与所述意图类型相匹配的提示词模板;其中,所述预设提示词模板库用于存储多个预设意图类型匹配的提示词模板;
基于所述内容增强配置对所述意图内容进行修饰增强,生成提示内容;
将所述提示内容嵌入所述提示词模板,得到描述所述导购需求的提示词;
采用预设大语言模型对所述提示词进行语义分析,以确定响应所述导购需求所需的多个应用程序接口;
确定所述多个应用程序接口之间的调用顺序;
获取所述多个应用程序接口中任一应用程序接口的功能和前一应用程序接口的返回结果;其中,所述前一应用程序接口为所述调用顺序中排列在所述任一应用程序接口之前且与所述任一应用程序接口相邻的应用程序接口;所述返回结果,包括:响应所述导购需求的多个初始导购对象;
按照所述任一应用程序接口的功能和所述前一应用程序接口的返回结果,生成所述任一应用程序接口的调用参数;
将携带所述调用参数的调用指令发送至所述任一应用程序接口;
若所述返回结果的类型为业务类,按照预设筛选规则从所述多个初始导购对象筛选出候选导购对象集合;
基于预设数据库中与所述导购需求匹配的历史关联信息和预设数量对所述候选导购对象集合进行过滤并排序,得到小于所述预设数量已排序导购对象;其中,所述预设数据库用于存储历史导购需求的历史关联信息,所述历史关联信息包括:所述历史导购需求的历史目标导购信息和所述历史目标导购信息对应的交互信息;所述预设筛选规则,包括以下至少之一:好评度排列在所述多个初始导购对象中各初始导购对象的好评度的前n个;其中,n为小于所述初始导购对象个数的正整数;销量排列在所述各初始导购对象的销量的前n个;所在位置与所述导购需求对应的位置之间的距离排列在所述初始导购对象中的后n个;售卖价格排列在所述初始导购对象的价格的后n个;
确定所述已排序导购对象的描述信息;
将所述描述信息与所述已排序导购对象进行融合,得到并输出所述目标导购信息至所述用户端;
对所述目标导购信息进行质量检测,得到质检结果;
若所述质检结果满足预设质检条件,确定所述目标导购信息中是否存在预设屏蔽信息库中的屏蔽信息;
若所述目标导购信息中不存在所述屏蔽信息,在输入所述导购需求的页面输出所述目标导购信息;
若所述质检结果不满足所述预设质检条件或所述目标导购信息中存在所述屏蔽信息,获取预设导购信息;
在输入所述导购需求的页面,输出所述预设导购信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述返回结果的类型为内容类,对所述返回结果中的内容进行总结修饰,生成并输出所述目标导购信息至所述用户端。
3.根据权利要求1所述的方法,其特征在于,所述采用预设大语言模型对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端,包括:
若所述导购需求为知识问答类需求,采用所述预设大语言模型在所述预设大语言模型的知识库中,确定并输出与所述知识问答类需求匹配的目标导购信息至所述用户端。
4.根据权利要求1所述的方法,其特征在于,所述采用预设大语言模型对所述提示词进行语言处理,生成并输出所述导购需求对应的目标导购信息至所述用户端之后,所述方法还包括:
获取所述用户端针对所述目标导购信息的目标交互信息;
将所述目标交互信息和所述目标导购信息,分别与所述导购需求进行绑定,得到绑定结果;
基于所述绑定结果更新预设数据库,得到已更新预设数据库。
5.一种基于大语言模型的导购系统,其特征在于,所述系统包括:
用户端,用于获取输入的导购需求并输入自然语言理解模块;
所述自然语言理解模块,用于对所述导购需求进行意图识别,得到所述导购需求的意图类型;对所述导购需求进行意图理解,得到所述导购需求的意图内容;并将所述导购需求的需求理解结果输出至提示词生成模块;其中,所述导购需求的需求理解结果,包括:所述意图类型和意图内容;
所述提示词生成模块,用于获取所述导购需求携带的内容增强配置;并在预设提示词模板库中,查找与所述意图类型相匹配的提示词模板;其中,所述预设提示词模板库用于存储多个预设意图类型匹配的提示词模板;基于所述内容增强配置对所述意图内容进行修饰增强,生成提示内容;将所述提示内容嵌入所述提示词模板,得到描述所述导购需求的提示词,并将所述提示词输入模型处理模块;其中,所述内容增强配置至少包括:所述导购需求所在系统的时间信息、位置信息、所述导购需求对应的用户标识、输入相同的所述导购需求的时长间隔以及输入所述导购需求的页面类型;
所述模型处理模块,用于采用预设大语言模型对所述提示词进行语义分析,以确定响应所述导购需求所需的多个应用程序接口;确定所述多个应用程序接口之间的调用顺序;获取所述多个应用程序接口中任一应用程序接口的功能和前一应用程序接口的返回结果;其中,所述前一应用程序接口为所述调用顺序中排列在所述任一应用程序接口之前且与所述任一应用程序接口相邻的应用程序接口;所述返回结果,包括:响应所述导购需求的多个初始导购对象;按照所述任一应用程序接口的功能和所述前一应用程序接口的返回结果,生成所述任一应用程序接口的调用参数;将携带所述调用参数的调用指令发送至所述任一应用程序接口;若所述返回结果的类型为业务类,按照预设筛选规则从所述多个初始导购对象筛选出候选导购对象集合;基于预设数据库中与所述导购需求匹配的历史关联信息和预设数量对所述候选导购对象集合进行过滤并排序,得到小于所述预设数量已排序导购对象;其中,所述预设数据库用于存储历史导购需求的历史关联信息,所述历史关联信息包括:所述历史导购需求的历史目标导购信息和所述历史目标导购信息对应的交互信息;所述预设筛选规则,包括以下至少之一:好评度排列在所述多个初始导购对象中各初始导购对象的好评度的前n个;其中,n为小于所述初始导购对象个数的正整数;销量排列在所述各初始导购对象的销量的前n个;所在位置与所述导购需求对应的位置之间的距离排列在所述初始导购对象中的后n个;售卖价格排列在所述初始导购对象的价格的后n个;确定所述已排序导购对象的描述信息;将所述描述信息与所述已排序导购对象进行融合,得到并输出所述目标导购信息至所述用户端;
质检模块,用于对所述目标导购信息进行质量检测,得到质检结果;若所述质检结果满足预设质检条件,确定所述目标导购信息中是否存在预设屏蔽信息库中的屏蔽信息;若所述目标导购信息中不存在所述屏蔽信息,在输入所述导购需求的页面输出所述目标导购信息;若所述质检结果不满足所述预设质检条件或所述目标导购信息中存在所述屏蔽信息,获取预设导购信息;在输入所述导购需求的页面,输出所述预设导购信息。
6.根据权利要求5所述的系统,其特征在于,所述模型处理模块,还用于若所述返回结果的类型为内容类,对所述返回结果中的内容进行总结修饰,生成并输出所述目标导购信息至所述用户端。
7.根据权利要求5所述的系统,其特征在于,预设大语言模型,还用于若所述导购需求为知识问答类需求,在所述预设大语言模型的知识库中,确定并输出与所述知识问答类需求匹配的目标导购信息至所述用户端输入页面。
8.根据权利要求5所述的系统,其特征在于,所述系统还包括:
数据库优化模块,用于获取用户端针对所述目标导购信息的目标交互信息;将所述目标交互信息和所述目标导购信息,分别与所述导购需求进行绑定,得到绑定结果;基于所述绑定结果更新预设数据库,得到已更新预设数据库。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410355766.5A CN118247007A (zh) | 2023-12-05 | 2023-12-05 | 基于大语言模型的导购方法和系统 |
CN202311654583.5A CN117350825B (zh) | 2023-12-05 | 2023-12-05 | 基于大语言模型的导购方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311654583.5A CN117350825B (zh) | 2023-12-05 | 2023-12-05 | 基于大语言模型的导购方法和系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410355766.5A Division CN118247007A (zh) | 2023-12-05 | 2023-12-05 | 基于大语言模型的导购方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350825A CN117350825A (zh) | 2024-01-05 |
CN117350825B true CN117350825B (zh) | 2024-03-15 |
Family
ID=89356129
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410355766.5A Pending CN118247007A (zh) | 2023-12-05 | 2023-12-05 | 基于大语言模型的导购方法和系统 |
CN202311654583.5A Active CN117350825B (zh) | 2023-12-05 | 2023-12-05 | 基于大语言模型的导购方法和系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410355766.5A Pending CN118247007A (zh) | 2023-12-05 | 2023-12-05 | 基于大语言模型的导购方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN118247007A (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829297B (zh) * | 2024-01-11 | 2024-08-09 | 北京智谱华章科技有限公司 | 面向应用的大语言模型调用接口系统、方法、设备及介质 |
CN118069795A (zh) * | 2024-01-24 | 2024-05-24 | 深圳市明源云客电子商务有限公司 | 业务数据查询方法、装置、设备及计算机可读存储介质 |
CN117827804B (zh) * | 2024-02-22 | 2024-06-14 | 北京仁科互动网络技术有限公司 | 线索生成方法、装置、设备和存储介质 |
CN117787668B (zh) * | 2024-02-26 | 2024-08-13 | 中国科学院自动化研究所 | 一种基于大语言模型的目标分配方法、装置、电子设备、存储介质和程序产品 |
CN118035387B (zh) * | 2024-04-03 | 2024-09-17 | 浙江口碑网络技术有限公司 | 一种基于大语言模型的数据选取、输出方法和装置 |
CN118070811B (zh) * | 2024-04-16 | 2024-07-02 | 江苏微皓智能科技有限公司 | 基于自然语言理解的信息交互方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493166A (zh) * | 2018-10-23 | 2019-03-19 | 深圳智能思创科技有限公司 | 一种针对电子商务导购场景任务型对话系统的构建方法 |
WO2022156529A1 (zh) * | 2021-01-21 | 2022-07-28 | 北京电解智科技有限公司 | 企业用户的商品推荐方法和装置 |
CN116595150A (zh) * | 2023-06-16 | 2023-08-15 | 上海微盟企业发展有限公司 | 一种对话推荐方法、装置、设备及存储介质 |
CN116805023A (zh) * | 2023-08-25 | 2023-09-26 | 量子数科科技有限公司 | 一种基于大语言模型的外卖推荐方法 |
CN116823387A (zh) * | 2023-05-25 | 2023-09-29 | 支付宝(杭州)信息技术有限公司 | 一种商品推荐方法、装置、存储介质及电子设备 |
CN116976920A (zh) * | 2023-08-01 | 2023-10-31 | 广州商研网络科技有限公司 | 商品导购方法及其装置、设备、介质 |
CN116992006A (zh) * | 2023-09-26 | 2023-11-03 | 武汉益模科技股份有限公司 | 一种大语言模型驱动的链式自然语言交互方法与系统 |
-
2023
- 2023-12-05 CN CN202410355766.5A patent/CN118247007A/zh active Pending
- 2023-12-05 CN CN202311654583.5A patent/CN117350825B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493166A (zh) * | 2018-10-23 | 2019-03-19 | 深圳智能思创科技有限公司 | 一种针对电子商务导购场景任务型对话系统的构建方法 |
WO2022156529A1 (zh) * | 2021-01-21 | 2022-07-28 | 北京电解智科技有限公司 | 企业用户的商品推荐方法和装置 |
CN116823387A (zh) * | 2023-05-25 | 2023-09-29 | 支付宝(杭州)信息技术有限公司 | 一种商品推荐方法、装置、存储介质及电子设备 |
CN116595150A (zh) * | 2023-06-16 | 2023-08-15 | 上海微盟企业发展有限公司 | 一种对话推荐方法、装置、设备及存储介质 |
CN116976920A (zh) * | 2023-08-01 | 2023-10-31 | 广州商研网络科技有限公司 | 商品导购方法及其装置、设备、介质 |
CN116805023A (zh) * | 2023-08-25 | 2023-09-26 | 量子数科科技有限公司 | 一种基于大语言模型的外卖推荐方法 |
CN116992006A (zh) * | 2023-09-26 | 2023-11-03 | 武汉益模科技股份有限公司 | 一种大语言模型驱动的链式自然语言交互方法与系统 |
Non-Patent Citations (1)
Title |
---|
预训练模型下融合注意力机制的多语言文本情感分析方法;胡德敏;褚成伟;胡晨;胡钰媛;;小型微型计算机系统(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN118247007A (zh) | 2024-06-25 |
CN117350825A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117350825B (zh) | 基于大语言模型的导购方法和系统 | |
EP3963598A1 (en) | Method and system for optimized foods using biomarker data and fitting models | |
US8296194B2 (en) | Method, medium, and system for ranking dishes at eating establishments | |
US20210090154A1 (en) | System for personalized recommendations | |
US8682929B2 (en) | User access to item information | |
US20130339163A1 (en) | Food Recommendation Based on Order History | |
KR102227552B1 (ko) | 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템 | |
CN111984837B (zh) | 商品数据的处理方法、装置及设备 | |
CN115292543B (zh) | 基于语音互动小说的数据处理方法及相关产品 | |
CN111259281B (zh) | 商户标签的确定方法、装置及存储介质 | |
CN108648059A (zh) | 订单推荐方法及装置 | |
US11348160B1 (en) | Determining order preferences and item suggestions | |
US11615877B2 (en) | Lifestyle preference management system and method | |
EP2085922A1 (en) | Method and system for aiding consumer in identification of contents and ingredients | |
US11810550B2 (en) | Determining order preferences and item suggestions | |
JP2017134744A (ja) | 情報処理システム、情報処理方法、および情報処理プログラム | |
CN108985882A (zh) | 基于电商平台的食谱应用方法、终端、系统及介质 | |
CN109214956B (zh) | 餐品推送方法及装置 | |
CN108876532A (zh) | 一种信息处理方法及装置、电子设备、可读存储介质 | |
CN117273868A (zh) | 店铺推荐方法、装置、电子设备与存储介质 | |
CN112559732B (zh) | 文本处理方法、装置和系统 | |
Wikström et al. | A clash of modernities: Developing a new value-based framework to understand the mismatch between production and consumption | |
TWM648504U (zh) | 智能營銷系統 | |
CN115935048A (zh) | 一种服务信息推荐方法、装置和电子设备 | |
Jain | SmartGrocer: a context-aware personalized grocery system |
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 |