CN117592489A - 一种利用大语言模型实现电商商品信息交互的方法及系统 - Google Patents
一种利用大语言模型实现电商商品信息交互的方法及系统 Download PDFInfo
- Publication number
- CN117592489A CN117592489A CN202311622132.3A CN202311622132A CN117592489A CN 117592489 A CN117592489 A CN 117592489A CN 202311622132 A CN202311622132 A CN 202311622132A CN 117592489 A CN117592489 A CN 117592489A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- language model
- commodities
- answer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000003993 interaction Effects 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000012163 sequencing technique Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 84
- 230000008569 process Effects 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 20
- 230000007547 defect Effects 0.000 claims description 14
- 230000009193 crawling Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000003058 natural language processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- INFDPOAKFNIJBF-UHFFFAOYSA-N paraquat Chemical compound C1=C[N+](C)=CC=C1C1=CC=[N+](C)C=C1 INFDPOAKFNIJBF-UHFFFAOYSA-N 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation 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
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- 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]
- G06Q30/0631—Item recommendations
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种利用大语言模型实现电商商品信息交互的方法及系统,方法包含:电商平台提供的原始商品数据,通过接口调用、网页爬虫和文档解析不同方式获取原始商品数据,并进行处理和转换得到基础数据和结构化的商品信息,并存入数据库;根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选及提示构建;将提示输入大语言模型获取最终结果,根据商品ID会最终在回答用户的时候推荐商品卡片;大语言模型结果评估:当前答案是否解决了用户问题;将最终答复回复给用户并且提供对应的商品卡片,以满足用户商品相关需求;系统包含:数据获取模块、数据处理模块及结果输出模块。本发明有效推广和销售商品,提升用户购买转化率。
Description
技术领域
本发明涉及机器人对话技术领域,特别涉及一种利用大语言模型实现电商商品信息交互的方法及系统。
背景技术
大语言模型(Large Language Model,缩写LLM),也称大型语言模型,是一种人工智能模型,旨在理解和生成人类语言;它们在大量的文本数据上进行训练,可以执行广泛的任务,包括文本总结、翻译及情感分析等等。大语言模型LLM的特点是规模庞大,包含数十亿的参数,帮助它们学习语言数据中的复杂模式。通常基于深度学习架构,如转化器,这有助于它们在各种NLP任务上取得令人印象深刻的表现。目前较为流行的大语言模型为ChatGPT、文心一言及星火等大语言模型,在这些大语言模型出现之前,通用的对话流程尝尝需要构建不同的深度学习模型,例如语义理解、相似问机器人及闲聊机器人等。深度学习模型的构建也需要企业准备不同的高质量的数据用于训练和评估模型效果。同时,业务领域不同,也需要训练针对该垂直领域的模型。大语言模型LLM如今的广泛应用一方面降低了对话机器人的门槛,也提高了用户体验。
同时,虽然大语言模型LLM得以广泛应用,但是其实际效果对提供的知识,模型的输入依赖度也很高,要实现好的对话或者业务效果,需要对如何结合业务、如何找到知识、提供什么知识给大语言模型LLM等进行专门的适配和优化。目前LLM的应用主要基于RAG、Plugins、Agent几种方式。RAG的方式:将知识存入向量数据库,用户对话时候从向量数据库中搜索语义相关的知识,构建提示利用LLM实现对话;Plugins的方式:调用LLM决定调用什么API,传入什么参数,以实现对应业务逻辑;Agent的方式:一到多次调用LLM,并根据期结果判断调用工具或者下一步做什么直至得到最终结果。以上应用存在的问题:都是点的应用,没有完整的电商导购对话解决方案;RAG的方式只能减少一部分LLM模型幻觉(乱回答)的情况;不同电商企业、不同场景的业务处理不一样,需要考虑对不同的业务场景实现深度定制。
现有技术一,申请号:202110855285.7公开了一种基于大数据的电商服务需求处理方法及电子商务AI系统,在生成目标对话服务页面的目标对话需求关注点网络时,采用了为每个对话关键需求数据创建对话需求关注点,且采用根据每个对话需求关注点中包含的对话关键需求数据的数量来确定关键对话需求关注点的方式,来创建每个对话关键需求数据的目标对话需求关注点网络,可提高对目标对话服务页面的目标对话需求关注点网络的实际业务匹配度,由此,当获得在线电商需求处理应用对应目标对话服务页面的电商服务需求处理指令时,虽然能够有效实现该目标对话服务页面对应的待处理电商服务需求的处理,提高目标对话服务页面的电商服务需求处理的有效性;但是无法为不同企业或不同场景实现聊天业务深度定制,导致用户体验感较差。
现有技术二,申请号:202211075511.0公开了一种基于跨境电商平台的信息交互管理方法及系统,方法包括,接收商家的登录信息;绑定商家的跨境电商平台店铺;生成与所述跨境电商平台店铺相对应的电子邮箱账户;将电子邮箱账户与跨境电商平台店铺进行绑定;生成信息对话框;接收商家输入的信息,根据信息内容匹配生成第一电子邮件。虽然通过上述方法实现对商家电子邮件的综合管理,方便商家及时获取到来自跨境电商平台的第二电子邮件的电子邮件内容;但是无法提供完整的用户与电商平台的完整对话,也不能实现电商场景的商品推荐,功能较为单一。
现有技术三,申请号:202210091152.1公开了一种用于电商直播场景的小样本多轮对话的生成模型,包括:使用一元语言模型构建包含字和词的中文词表,用jieba参照该词表对输入文本进行分词,用分词后得到的字和词对输入进行表征;字或词,角色,轮数和位置嵌入的和作为嵌入的表征输入到模型;模型一共包含12个Transformer块,每个块中将解码器和编码器融合在一起,实现上下文理解和生成回复能够实现参数共享;在每个块中使用两种自注意掩码的方式来控制当前词对上下文词的访问;处于上下文位置的词,能够看到所有的上下文的词,处于回复位置的词,只能看到其之前的词;在最后的一层输出每个字对应的隐状态。虽然使用电商直播过程中的真实场景的对话,采用prompt的方式,在基于少量样本的数据集上,实现对话系统;但是存在部分的大语言模型幻觉的情况,无法及时有效的回答用户问题,导致大语言模型的推理能力较差。
目前现有技术一、现有技术二及现有技术三存在无法提供完整的用户与电商平台的完整对话,也不能实现电商场景的商品推荐,功能较为单一;无法为不同企业或不同场景实现聊天业务深度定制,导致用户体验感较差的问题;本发明提供一种利用大语言模型实现电商商品信息交互的方法及系统,采用商品训练阶段即用户对话阶段,实现电商平台与用户的信息交互,提高了电商平台对话机器人的交互效率,进一步提升用户网购体验感。
发明内容
为了解决上述技术问题,本发明提供了一种利用大语言模型实现电商商品信息交互的方法,包含以下步骤:
电商平台提供的原始商品数据,建立与电商平台API接口的连接,通过接口调用、网页爬虫和文档解析不同方式获取原始商品数据,并进行处理和转换得到基础数据和结构化的商品信息,并存入数据库;
根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选及提示构建;
将提示输入大语言模型获取最终结果,结果包含:大预言模型答案基于的商品ID,根据商品ID会最终在回答用户的时候推荐商品卡片;大语言模型结果评估:当前答案是否解决了用户问题;最终答复,将最终答复回复给用户并且提供对应的商品卡片,以满足用户的商品相关需求。
可选的,进行处理和转换得到基础数据和结构化的商品信息的过程,包含以下步骤:
获取电商API接口的信息,建立与电商API接口的连接,采用网页爬虫获取包含用户手册、兼容性、通用政策及常用问答的信息;
对用户手册、兼容性、通用政策及常用问答的信息进行分类,得到包含文本、图片及语音的信息;将图片及语音转换为文本,并存储图片URL;
将信息均转换为文本化后,从文本中提取商品相关的目标特征,目标特征即基础数据的商品信息。
可选的,商品相关的目标特征包含:商品名称、商品属性、商品不同货币对应的价格、是否属于热卖商品及商品库存;商品名称包含:商品描述、商品标签及系列;商品属性包含:颜色、尺寸及规格。
可选的,商品信息存入数据库的过程,包含以下步骤:
获取商品相关的目标特征,将商品相关的目标特征输入到关键词抽取模型中,提取关键词;将商品描述信息输入到问答对抽取模型中,提取商品描述中的问题和答案;
将关键词作为键,对应的问题和答案作为值,构成一个字典形式的结构化的商品信息;
创建一个弹形搜索数据库,用于存储商品关键词和商品搜索条件;在弹形搜索数据库中创建一个索引,定义商品ID、商品关键词及商品搜索条件;对于商品描述和问答对,进行语义嵌入的计算,通过连续词袋模型将文本表示为稠密向量,选择连续词袋模型并进行训练,将商品描述和问答对转化为语义向量;
创建一个向量数据库,用于存储商品描述及问答对的语义向量以及对应的搜索条件,使用开源的向量数据库,在向量数据库中创建一个集合,并定义向量维度;将商品描述、问答对的语义向量以及对应的搜索条件存入向量数据库,将商品描述和问答对的语义向量与对应的商品ID进行关联,将商品ID、语义向量和商品搜索条件一起存入向量数据库中的集合中。
可选的,商品名称:从关键词中选择最相关的词作为商品名称;商品属性:从关键词中提取具体的属性词,颜色、尺寸级规格;商品价格:如果商品描述中包含价格信息,提取出来;如果没有,则通过在线商城或电商平台、实体店铺或第三方价格比较网站获取商品价格;热卖商品:根据问答对中的问题和答案判断商品是否属于热卖商品;商品库存:根据问答对中的问题和答案获取商品的库存信息;商品关键词:包括名称、抽取的关键词及商品属性;商品搜索条件:货币及价格、是否热卖及库存。
可选的,知识召回、排序、筛选及提示构建的过程,包含以下步骤:
判断预设预置流程是否触发流程机器人或相似问机器人,流程机器人或相似问机器人直接将回答返回给用户;
对用户当前对话内容进行预处理,预处理的内容包含:图片转文本、语音转文本、网址内容爬取、文本多轮对话转为单轮对话、文本语义理解、文本主题识别、文本实体识别及文本语言识别;
根据预处理后的对话内容,判断用户的意图是否为商品相关问题;如果不是商品相关问题,将流程转入咨询客服或闲聊,如果用户意图是咨询客服问题,则将对话流程转入客服对话逻辑;如果用户意图是进行闲聊,则将对话流程转入闲聊对话逻辑;
根据用户的意图,从预先构建的知识库中检索相关的商品信息;使用检索算法进行知识召回,找到相关商品;对召回的商品信息进行排序,根据综合评分或销量将商品进行排列;根据用户的具体需求,按照价格及颜色属性对排序后的商品进行筛选;根据筛选后的商品,构建大语言模型LLM提示信息,包括前N个商品的名称、价格及特点重要信息;同时,设置参数TopN和差值阈值diff_thresh控制提示的数量和差异度的阈值。
可选的,对意图的处理过程,包含:
通过语义+商品关键词搜索知识,商品搜索条件为当前对话企业、热卖、价格符合要求及有库存的商品;如果没有搜索到知识,去掉热卖要求再重新搜索一遍;对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;获取精排后知识中分最高的一个热卖商品,获取其他商品中得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制商品推销员角色,并让其为用户推荐给定商品;
语义+商品关键词搜索知识,搜索条件为当前对话企业、价格符合要求及有库存的商品;对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排,获取得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为LLM定制商品推销员角色,并让其为用户推荐给定商品。
可选的,对意图的处理过程,包含:
对每个商品名字进行语义+商品关键词搜索知识,对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;对每个商品名字召回的知识,获取得分最高的TopN个商品;如果某两个相邻商品精排得分超过diff_thresh,得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制专业商品销售的角色,让其为用户对比商品异同;
通过语义+商品关键词搜索知识,对知识调用大预言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;获取得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制专业商品销售的角色,让其为用户解答商品问题。
可选的,将提示输入大语言模型获取最终结果的过程,包含以下步骤:
提示用户输入问题或需求,使用大语言模型生成回答;将用户输入的问题和需求作为上下文,调用大语言模型生成回答;同时记录下生成回答所基于的商品ID;对大语言模型生成的回答进行评估,根据用户的问题和需求,判断大语言模型生成的回答是否解决了用户的问题;
根据评估结果给出最终答复,如果大语言模型的回答解决了用户问题,则将回答作为最终答复;如果大语言模型的回答未能解决用户问题,则给出相应的说明或补充答案;回复用户并提供商品卡片;将最终答复回复给用户,并根据记录的商品ID,在回答中添加相关的商品卡片,以满足用户的商品需求;
处理缺陷;如果发现大语言模型的回答存在缺陷或不满足用户需求,调整大语言模型的输入、重新训练大语言模型或收集用户反馈和需求,不断改进和优化系统,以满足用户的商品相关需求。
本发明提供的一种利用大语言模型实现电商商品信息交互的系统,包含:
数据获取模块,负责电商平台提供的原始商品数据,建立与电商API接口的连接,通过接口调用、网页爬虫和文档解析不同方式获取原始商品数据,并进行处理和转换得到基础数据和结构化的商品信息,并存入数据库;
数据处理模块,负责根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选及提示构建;
结果输出模块,负责将提示输入大语言模型获取最终结果,结果包含:大预言模型答案基于的商品ID,根据商品ID会最终在回答用户的时候推荐商品卡片;大语言模型结果评估:当前答案是否解决了用户问题;最终答复;将最终答复回复给用户并且提供对应的商品卡片,以满足用户的商品相关需求。
本发明首先电商平台提供的原始商品数据,建立与电商API接口的连接,通过接口调用、网页爬虫和文档解析不同方式获取原始商品数据,并进行处理和转换得到基础数据和结构化的商品信息,并存入数据库;其次根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选及提示构建;最后将提示输入大语言模型获取最终结果,结果包含:大预言模型答案基于的商品ID,根据商品ID会最终在回答用户的时候推荐商品卡片;大语言模型结果评估:当前答案是否解决了用户问题;最终答复;将最终答复回复给用户并且提供对应的商品卡片,以满足用户的商品相关需求(具体原理参考附图2);上述方案通过结合电商平台的原始商品数据和大语言模型的能力,实现了一个智能化的商品推荐系统;该系统可以根据用户的意图和对话内容,通过预处理和识别,提供个性化的商品推荐和解决用户问题的答复;通过该系统,用户可以更方便地获取到符合其需求的商品信息,提高购物体验和满足用户的商品相关需求。同时,本实施例也为电商平台提供了一种更有效的方式来推广和销售商品,提升用户的购买转化率。
本实施例包含商品训练阶段,通过不同方式获取原始数据,并进行处理和转换得到基础数据和结构化的商品信息;在用户对话阶段,根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选和提示构建。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中利用大语言模型实现电商商品信息交互的方法流程图;
图2为本发明实施例1中利用大语言模型实现电商商品信息交互的方法原理图;
图3为本发明实施例2中进行处理和转换得到基础数据和结构化的商品信息的过程图;
图4为本发明实施例3中商品信息存入数据库的过程图;
图5为本发明实施例4中知识召回、排序、筛选及提示构建的过程图;
图6为本发明实施例5中对意图的处理过程图;
图7为本发明实施例6中将提示输入大语言模型获取最终结果的过程图;
图8为本发明实施例7中利用大语言模型实现电商商品信息交互的系统框图;
图9为本发明实施例8中数据获取模块框图;
图10为本发明实施例9中数据处理模块框图;
图11为本发明实施例10中结果输出模块框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包含多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
实施例1:如图1所示,本发明实施例提供了一种利用大语言模型实现电商商品信息交互的方法,包含以下步骤:
S100:电商平台提供的原始商品数据,建立与电商平台API接口的连接,通过接口调用、网页爬虫和文档解析不同方式获取原始商品数据,并进行处理和转换得到基础数据和结构化的商品信息,并存入数据库;
S200:根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选及提示构建;
S300:将提示输入大语言模型获取最终结果,结果包含:大预言模型答案基于的商品ID,根据商品ID会最终在回答用户的时候推荐商品卡片;大语言模型结果评估:当前答案是否解决了用户问题;最终答复,将最终答复回复给用户并且提供对应的商品卡片,以满足用户的商品相关需求;
上述技术方案的工作原理和有益效果为:本实施例首先电商平台提供的原始商品数据,建立与电商平台API接口的连接,通过接口调用、网页爬虫和文档解析不同方式获取原始商品数据,并进行处理和转换得到基础数据和结构化的商品信息,并存入数据库;其次根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选及提示构建;最后将提示输入大语言模型获取最终结果,结果包含:大预言模型答案基于的商品ID,根据商品ID会最终在回答用户的时候推荐商品卡片;大语言模型结果评估:当前答案是否解决了用户问题;最终答复;将最终答复回复给用户并且提供对应的商品卡片,以满足用户的商品相关需求(具体原理参考附图2);上述方案通过结合电商平台的原始商品数据和大语言模型的能力,实现了一个智能化的商品推荐系统;该系统可以根据用户的意图和对话内容,通过预处理和识别,提供个性化的商品推荐和解决用户问题的答复;通过该系统,用户可以更方便地获取到符合其需求的商品信息,提高购物体验和满足用户的商品相关需求。同时,本实施例也为电商平台提供了一种更有效的方式来推广和销售商品,提升用户的购买转化率。
本实施例包含商品训练阶段,通过不同方式获取原始数据,并进行处理和转换得到基础数据和结构化的商品信息;在用户对话阶段,根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选和提示构建。
实施例2:如图3所示,在实施例1的基础上,本发明实施例提供的进行处理和转换得到基础数据和结构化的商品信息的过程,包含以下步骤:
S101:获取电商API接口的信息,建立与电商API接口的连接,采用网页爬虫获取包含用户手册、兼容性、通用政策及常用问答等的信息;
S102:对用户手册、兼容性、通用政策及常用问答等的信息进行分类,得到包含文本、图片及语音等的信息;将图片及语音转换为文本,并存储图片URL;
S103:将信息均转换为文本化后,从文本中提取商品相关的目标特征,目标特征即基础数据的商品信息;商品相关的目标特征包含:商品名称、商品属性、商品不同货币对应的价格、是否属于热卖商品及商品库存等;商品名称包含:商品描述、商品标签及系列等;商品属性包含:颜色、尺寸及规格等;
上述技术方案的工作原理和有益效果为:本实施例首先获取电商API接口的信息,建立与电商API接口的连接,采用网页爬虫获取包含用户手册、兼容性、通用政策及常用问答等的信息;其次对用户手册、兼容性、通用政策及常用问答等的信息进行分类,得到包含文本、图片及语音等的信息;将图片及语音转换为文本,并存储图片URL;最后将信息均转换为文本化后,从文本中提取商品相关的目标特征,商品相关的目标特征包含:商品名称、商品属性、商品不同货币对应的价格、是否属于热卖商品及商品库存等;商品名称包含:商品描述、商品标签及系列等;商品属性包含:颜色、尺寸及规格等;上述方案过获取电商API接口的信息,并使用网页爬虫技术获取相关信息,实现对电商商品的自动化处理和分析;具体意义包含:自动化信息获取:通过与电商API接口的连接和网页爬虫技术,可以自动获取用户手册、兼容性及通用政策等信息,省去了手动查找和整理的工作量。多媒体信息处理:通过将图片和语音转换为文本,可以更方便地对这些信息进行分类、分析和存储;同时,将图片的URL存储起来,可以方便地在需要时访问相关图片。目标特征提取:通过从文本中提取商品相关的目标特征,如商品名称、属性、价格、热卖情况和库存等,可以更快速地了解商品的基本信息,并进行进一步的分析和处理。提高效率和准确性:自动化处理和分析大量商品信息,可以大幅提高处理效率和准确性,减少人为错误和主观干扰。
本实施例能够提高电商商品信息的获取、处理和分析效率,为电商运营和决策提供有力支持。
实施例3:如图4所示,在实施例1的基础上,本发明实施例提供的商品信息存入数据库的过程,包含以下步骤:
S104:获取商品相关的目标特征,将商品相关的目标特征输入到关键词抽取模型中,提取关键词;将商品描述信息输入到问答对抽取模型中,提取商品描述中的问题和答案;
S105:将关键词作为键,对应的问题和答案作为值,构成一个字典形式的结构化的商品信息;其中,商品名称:从关键词中选择最相关的词作为商品名称;商品属性:从关键词中提取具体的属性词,如颜色、尺寸级规格等;商品价格:如果商品描述中包含价格信息,可以提取出来;如果没有,则通过在线商城或电商平台、实体店铺或第三方价格比较网站等其他方式获取商品价格;热卖商品:根据问答对中的问题和答案判断商品是否属于热卖商品;商品库存:根据问答对中的问题和答案获取商品的库存信息;商品关键词:包括名称、抽取的关键词及商品属性;商品搜索条件:货币及价格、是否热卖及库存等;
S106:创建一个弹形搜索数据库,用于存储商品关键词和商品搜索条件。在弹形搜索数据库中创建一个索引,定义商品ID、商品关键词及商品搜索条件;对于商品描述和问答对,进行语义嵌入的计算,通过连续词袋模型将文本表示为稠密向量,选择连续词袋模型并进行训练,将商品描述和问答对转化为语义向量;
S107:创建一个向量数据库,用于存储商品描述及问答对的语义向量以及对应的搜索条件,使用开源的向量数据库,在向量数据库中创建一个集合,并定义向量维度;将商品描述、问答对的语义向量以及对应的搜索条件存入向量数据库,将商品描述和问答对的语义向量与对应的商品ID进行关联,将商品ID、语义向量和商品搜索条件一起存入向量数据库中的集合中;
上述技术方案的工作原理和有益效果为:本实施例首先获取商品相关的目标特征,将商品相关的目标特征输入到关键词抽取模型中,提取关键词;将商品描述信息输入到问答对抽取模型中,提取商品描述中的问题和答案;其次将关键词作为键,对应的问题和答案作为值,构成一个字典形式的结构化的商品信息;其中,商品名称:从关键词中选择最相关的词作为商品名称;商品属性:从关键词中提取具体的属性词,如颜色、尺寸级规格等;商品价格:如果商品描述中包含价格信息,可以提取出来;如果没有,则通过在线商城或电商平台、实体店铺或第三方价格比较网站等其他方式获取商品价格;热卖商品:根据问答对中的问题和答案判断商品是否属于热卖商品;商品库存:根据问答对中的问题和答案获取商品的库存信息;商品关键词:包括名称、抽取的关键词及商品属性;商品搜索条件:货币及价格、是否热卖及库存等;然后创建一个弹形搜索数据库,用于存储商品关键词和商品搜索条件。在弹形搜索数据库中创建一个索引,定义商品ID、商品关键词及商品搜索条件;对于商品描述和问答对,进行语义嵌入的计算,通过连续词袋模型将文本表示为稠密向量,选择连续词袋模型并进行训练,将商品描述和问答对转化为语义向量;最后创建一个向量数据库,用于存储商品描述及问答对的语义向量以及对应的搜索条件,使用开源的向量数据库,在向量数据库中创建一个集合,并定义向量维度;将商品描述、问答对的语义向量以及对应的搜索条件存入向量数据库,将商品描述和问答对的语义向量与对应的商品ID进行关联,将商品ID、语义向量和商品搜索条件一起存入向量数据库中的集合中;上述方案通过结构化的方式提取商品相关的信息,并将其存储在弹性搜索数据库和向量数据库中,以便于后续的检索和查询。具体的意义包括:提高商品搜索效果:通过关键词抽取模型和问答对抽取模型的应用,可以准确地提取出商品的关键信息,如名称、属性及价格等;将这些信息结构化地存储在数据库中,可以提高商品的搜索效果,使用户能够更快速、准确地找到所需商品。实现语义匹配:通过对商品描述和问答对进行语义嵌入计算,将其表示为稠密向量,可以实现基于语义的商品匹配,当用户输入搜索条件时,可以通过计算用户输入的搜索条件与商品描述和问答对的语义向量的相似度,从而实现更准确的商品匹配。提供个性化推荐:通过对用户的搜索行为和历史数据的分析,可以对用户进行个性化的推荐;例如,可以根据用户的搜索历史和购买记录,为用户推荐与其兴趣相关的商品;通过将用户的特征和商品的特征进行匹配,可以提供更加个性化的推荐结果。支持多维度搜索:通过将商品的关键信息和语义向量存储在数据库中,可以支持多维度的商品搜索。例如,用户可以根据商品的名称、属性、价格、热卖程度及库存等条件进行搜索和筛选,从而得到符合其需求的商品。
本实施例提高商品搜索效果、实现语义匹配、提供个性化推荐和支持多维度搜索,从而提升用户的购物体验和满足感。
实施例4:如图5所示,在实施例1的基础上,本发明实施例提供的知识召回、排序、筛选及提示构建的过程,包含以下步骤:
S201:判断预设预置流程是否触发流程机器人或相似问机器人,流程机器人或相似问机器人直接将回答返回给用户;流程机器人:基于预设的流程或规则,按照预设的逻辑处理用户的问题并提供相应的回答,根据用户的输入进行特定的判断和跳转,引导用户完成特定的任务或流程;相似问机器人:根据用户的输入在预定义的知识库或问题库中进行相似度匹配,找到与用户问题最相似的问题,并给出相应的回答;相似问机器人利用自然语言处理和文本匹配算法,通过比较问题之间的相似度来寻找最合适的答案;
S202:对用户当前对话内容进行预处理,预处理的内容包含:图片转文本、语音转文本、网址内容爬取、文本多轮对话转为单轮对话、文本语义理解、文本主题识别、文本实体识别及文本语言识别;图片转文本:如果是图片,调用图片描述模型实现对图片的描述,是内部能力或者三方接口调用;语音转文本:将语音转换为文本,可以是内部能力或者三方接口调用;网址内容爬取:利用爬虫技术获取该网址对应的核心信息的文本形式,如果网址对应商品数据库中已经存在,使用数据库中的商品信息;文本语义理解:识别用户意图;文本主题识别:识别用户对话的细粒度主题,比意图更细粒度;文本实体识别:识别用户提及的如时间、地点、人名、产品名字及价格等;文本语言识别:识别用户说的语言;
S203:根据预处理后的对话内容,判断用户的意图是否为商品相关问题;如果不是商品相关问题,将流程转入咨询客服或闲聊,如果用户意图是咨询客服问题,则将对话流程转入客服对话逻辑;如果用户意图是进行闲聊,则将对话流程转入闲聊对话逻辑;
S204:根据用户的意图,从预先构建的知识库中检索相关的商品信息;使用检索算法进行知识召回,找到相关商品;对召回的商品信息进行排序,根据综合评分或销量将商品进行排列;根据用户的具体需求,按照价格及颜色等属性对排序后的商品进行筛选;根据筛选后的商品,构建大语言模型LLM提示信息,包括前N个商品的名称、价格、特点等重要信息;同时,设置参数如TopN和差值阈值diff_thresh控制提示的数量和差异度的阈值;
上述技术方案的工作原理和有益效果为:本实施例首先判断预设预置流程是否触发流程机器人或相似问机器人,流程机器人或相似问机器人直接将回答返回给用户;流程机器人:基于预设的流程或规则,按照预设的逻辑处理用户的问题并提供相应的回答,根据用户的输入进行特定的判断和跳转,引导用户完成特定的任务或流程;相似问机器人:根据用户的输入在预定义的知识库或问题库中进行相似度匹配,找到与用户问题最相似的问题,并给出相应的回答;相似问机器人利用自然语言处理和文本匹配算法,通过比较问题之间的相似度来寻找最合适的答案;其次对用户当前对话内容进行预处理,预处理的内容包含:图片转文本、语音转文本、网址内容爬取、文本多轮对话转为单轮对话、文本语义理解、文本主题识别、文本实体识别及文本语言识别;图片转文本:如果是图片,调用图片描述模型实现对图片的描述,是内部能力或者三方接口调用;语音转文本:将语音转换为文本,可以是内部能力或者三方接口调用;网址内容爬取:利用爬虫技术获取该网址对应的核心信息的文本形式,如果网址对应商品数据库中已经存在,使用数据库中的商品信息;文本语义理解:识别用户意图;文本主题识别:识别用户对话的细粒度主题,比意图更细粒度;文本实体识别:识别用户提及的如时间、地点、人名、产品名字及价格等;文本语言识别:识别用户说的语言;然后根据预处理后的对话内容,判断用户的意图是否为商品相关问题;如果不是商品相关问题,将流程转入咨询客服或闲聊,如果用户意图是咨询客服问题,则将对话流程转入客服对话逻辑;如果用户意图是进行闲聊,则将对话流程转入闲聊对话逻辑;最后根据用户的意图,从预先构建的知识库中检索相关的商品信息。使用检索算法进行知识召回,找到相关商品;对召回的商品信息进行排序,根据综合评分或销量将商品进行排列;根据用户的具体需求,按照价格及颜色等属性对排序后的商品进行筛选;根据筛选后的商品,构建大语言模型LLM提示信息,包括前N个商品的名称、价格、特点等重要信息;同时,设置参数如TopN和差值阈值diff_thresh控制提示的数量和差异度的阈值;上述方案通过预设预置流程、流程机器人和相似问机器人等技术手段,对用户的问题进行处理和回答;通过预处理对话内容,判断用户意图是否为商品相关问题,并将流程转入其他对话逻辑进行处理,如咨询客服或闲聊;对于商品相关问题,通过检索算法从知识库中检索相关商品信息,并按照用户需求进行排序和筛选,最终构建提示信息。本实施例提高用户体验,能够快速准确地回答用户的问题,提供相关的商品信息,帮助用户做出购买决策。同时,通过预处理和语义理解等技术手段,提升了对话系统的智能化水平,使得机器人可以更好地理解和应对用户的需求。
实施例5:如图6所示,在实施例4的基础上,本发明实施例提供的对意图的处理过程,包含:
S2041:通过语义+商品关键词搜索知识,商品搜索条件为当前对话企业、热卖、价格符合要求(如果用户有提及价格范围)及有库存的商品;如果没有搜索到知识,去掉热卖要求再重新搜索一遍;对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;获取精排后知识中分最高的一个热卖商品,获取其他商品中得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制商品推销员角色,并让其为用户推荐给定商品;
S2042:语义+商品关键词搜索知识,搜索条件为当前对话企业、价格符合要求(如果用户有提及价格范围)及有库存的商品;对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排,获取得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为LLM定制商品推销员角色,并让其为用户推荐给定商品;
S2043:对每个商品名字进行语义+商品关键词搜索知识,对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;对每个商品名字召回的知识,获取得分最高的TopN个商品;如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制专业商品销售的角色,让其为用户对比商品异同;
S2044:通过语义+商品关键词搜索知识,对知识调用大预言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;获取得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制专业商品销售的角色,让其为用户解答商品问题;
上述技术方案的工作原理和有益效果为:本实施例首先通过语义+商品关键词搜索知识,商品搜索条件为当前对话企业、热卖、价格符合要求(如果用户有提及价格范围)及有库存的商品;如果没有搜索到知识,去掉热卖要求再重新搜索一遍;对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;获取精排后知识中分最高的一个热卖商品,获取其他商品中得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制商品推销员角色,并让其为用户推荐给定商品;其次语义+商品关键词搜索知识,搜索条件为当前对话企业、价格符合要求(如果用户有提及价格范围)及有库存的商品;对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排,获取得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为LLM定制商品推销员角色,并让其为用户推荐给定商品;然后对每个商品名字进行语义+商品关键词搜索知识,对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;对每个商品名字召回的知识,获取得分最高的TopN个商品;如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制专业商品销售的角色,让其为用户对比商品异同;最后通过语义+商品关键词搜索知识,对知识调用大预言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;获取得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制专业商品销售的角色,让其为用户解答商品问题;上述方案通过多层次的搜索和排序方法,提高商品搜索的准确性和个性化推荐的精准度;通过语义+商品关键词搜索知识,可以根据用户的需求和对话进行筛选,确保搜索到的商品符合用户的要求。同时,通过与用户对话相关性打分,可以对搜索结果进行精排,将最相关的商品展示给用户,提高用户体验;定制商品推销员角色和专业商品销售角色,可以进一步增强推荐的个性化和专业性,帮助用户进行商品的比较、选择和解答问题,提供更好的购物指导和服务。整体上,本实施例旨在提供更精准、个性化和专业化的商品推荐和购物体验,提高用户满意度和购买转化率。
本实施例中意图=商品推荐并且用户对话内容未提及商品名字:知识搜索:语义+关键词搜索知识,搜索条件为当前对话企业、热卖、价格符合要求(如果用户有提及价格范围)、有库存的商品;如果没有搜索到知识,去掉热卖要求再重新搜索一遍;知识精排:对知识调用LLM模型或者企业自有模型进行与用户对话相关性打分,从高到底排序;知识过滤:1.获取精排后知识中分最高的一个热卖商品;2.获取其他商品中得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;提示构建:为LLM定制商品推销员角色,并让其为用户推荐给定商品;
本实施例中意图=商品推荐并且用户对话内容提及了商品名字:知识搜索:语义+关键词搜索知识,搜索条件为当前对话企业、价格符合要求(如果用户有提及价格范围)、有库存的商品;知识精排:对知识调用LLM模型或者企业自有模型进行与用户对话相关性打分,从高到底排序;知识过滤:获取得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;提示构建:为LLM定制商品推销员角色,并让其为用户推荐给定商品;
本实施例中意图=商品对比:知识搜索:对每个商品名字进行语义+关键词搜索知识;知识精排:对知识调用LLM模型或者企业自有模型进行与用户对话相关性打分,从高到底排序;知识过滤:对每个商品名字召回的知识,获取得分最高的TopN个商品;如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;提示构建:为LLM定制专业商品销售的角色,让其为用户对比商品异同;
本实施例中意图=商品相关:知识搜索:语义+关键词搜索知识;知识精排:对知识调用LLM模型或者企业自有模型进行与用户对话相关性打分,从高到底排序;知识过滤:获取得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,例如得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;提示构建:为LLM定制专业商品销售的角色,让其为用户解答商品问题。
实施例6:如图7所示,在实施例1的基础上,本发明实施例提供的将提示输入大语言模型获取最终结果的过程,包含以下步骤:
S301:提示用户输入问题或需求,使用大语言模型生成回答;将用户输入的问题和需求作为上下文,调用大语言模型生成回答;同时记录下生成回答所基于的商品ID;对大语言模型生成的回答进行评估,根据用户的问题和需求,判断大语言模型生成的回答是否解决了用户的问题;
S302:根据评估结果给出最终答复,如果大语言模型的回答解决了用户问题,则将回答作为最终答复;如果大语言模型的回答未能解决用户问题,则给出相应的说明或补充答案;回复用户并提供商品卡片;将最终答复回复给用户,并根据记录的商品ID,在回答中添加相关的商品卡片,以满足用户的商品需求;
S303:处理缺陷;如果发现大语言模型的回答存在缺陷或不满足用户需求,调整大语言模型的输入、重新训练大语言模型或收集用户反馈和需求,不断改进和优化系统,以满足用户的商品相关需求;
上述技术方案的工作原理和有益效果为:本实施例首先提示用户输入问题或需求,使用大语言模型生成回答;将用户输入的问题和需求作为上下文,调用大语言模型生成回答;同时记录下生成回答所基于的商品ID;对大语言模型生成的回答进行评估,根据用户的问题和需求,判断大语言模型生成的回答是否解决了用户的问题;其次根据评估结果给出最终答复,如果大语言模型的回答解决了用户问题,则将回答作为最终答复;如果大语言模型的回答未能解决用户问题,则给出相应的说明或补充答案;回复用户并提供商品卡片;将最终答复回复给用户,并根据记录的商品ID,在回答中添加相关的商品卡片,以满足用户的商品需求;最后处理缺陷;如果发现大语言模型的回答存在缺陷或不满足用户需求,调整大语言模型的输入、重新训练大语言模型或收集用户反馈和需求,不断改进和优化系统,以满足用户的商品相关需求;上述方案通过使用大语言模型来回答用户的问题和需求,并根据生成回答的评估结果给出最终答复;可以提高系统对用户问题的解决能力,并根据用户的需求提供相关的商品卡片,满足用户的商品相关需求。同时,方案还包括处理缺陷的步骤,通过调整模型输入、重新训练模型或收集用户反馈和需求等方式,不断改进和优化系统,提供更好的用户体验和服务质量。
实施例7:如图8所示,在实施例1-实施例6的基础上,本发明实施例提供的利用大语言模型实现电商商品信息交互的系统,包含:
数据获取模块,负责电商平台提供的原始商品数据,建立与电商API接口的连接,通过接口调用、网页爬虫和文档解析不同方式获取原始商品数据,并进行处理和转换得到基础数据和结构化的商品信息,并存入数据库;
数据处理模块,负责根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选及提示构建;
结果输出模块,负责将提示输入大语言模型获取最终结果,结果包含:大预言模型答案基于的商品ID,根据商品ID会最终在回答用户的时候推荐商品卡片;大语言模型结果评估:当前答案是否解决了用户问题;最终答复;将最终答复回复给用户并且提供对应的商品卡片,以满足用户的商品相关需求;
上述技术方案的工作原理和有益效果为:本实施例的数据获取模块电商平台提供的原始商品数据,建立与电商API接口的连接,通过接口调用、网页爬虫和文档解析不同方式获取原始商品数据,并进行处理和转换得到基础数据和结构化的商品信息,并存入数据库;数据处理模块根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选及提示构建;结果输出模块将提示输入大语言模型获取最终结果,结果包含:大预言模型答案基于的商品ID,根据商品ID会最终在回答用户的时候推荐商品卡片;大语言模型结果评估:当前答案是否解决了用户问题;最终答复;将最终答复回复给用户并且提供对应的商品卡片,以满足用户的商品相关需求;;上述方案通过结合电商平台的原始商品数据和大语言模型的能力,实现了一个智能化的商品推荐系统;该系统可以根据用户的意图和对话内容,通过预处理和识别,提供个性化的商品推荐和解决用户问题的答复;通过该系统,用户可以更方便地获取到符合其需求的商品信息,提高购物体验和满足用户的商品相关需求。同时,本实施例也为电商平台提供了一种更有效的方式来推广和销售商品,提升用户的购买转化率。
本实施例包含商品训练阶段,通过不同方式获取原始数据,并进行处理和转换得到基础数据和结构化的商品信息;在用户对话阶段,根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选和提示构建。
实施例8:如图9所示,在实施例7的基础上,本发明实施例提供的数据获取模块,包含:
信息获取子模块,负责获取电商API接口的信息,建立与电商API接口的连接,采用网页爬虫获取包含用户手册、兼容性、通用政策及常用问答等的信息;
信息转换子模块,负责对用户手册、兼容性、通用政策及常用问答等的信息进行分类,得到包含文本、图片及语音等的信息;将图片及语音转换为文本,并存储图片URL;
特征提取子模块,负责将信息均转换为文本化后,从文本中提取商品相关的目标特征,目标特征即基础数据的商品信息;商品相关的目标特征包含:商品名称、商品属性、商品不同货币对应的价格、是否属于热卖商品及商品库存等;商品名称包含:商品描述、商品标签及系列等;商品属性包含:颜色、尺寸及规格等;
信息提取子模块,负责获取商品相关的目标特征,将商品相关的目标特征输入到关键词抽取模型中,提取关键词;将商品描述信息输入到问答对抽取模型中,提取商品描述中的问题和答案;
信息构成子模块,负责将关键词作为键,对应的问题和答案作为值,构成一个字典形式的结构化的商品信息;其中,商品名称:从关键词中选择最相关的词作为商品名称;商品属性:从关键词中提取具体的属性词,如颜色、尺寸级规格等;商品价格:如果商品描述中包含价格信息,可以提取出来;如果没有,则通过在线商城或电商平台、实体店铺或第三方价格比较网站等其他方式获取商品价格;热卖商品:根据问答对中的问题和答案判断商品是否属于热卖商品;商品库存:根据问答对中的问题和答案获取商品的库存信息;商品关键词:包括名称、抽取的关键词及商品属性;商品搜索条件:货币及价格、是否热卖及库存等;
向量获取子模块,负责创建一个弹形搜索数据库,用于存储商品关键词和商品搜索条件。在弹形搜索数据库中创建一个索引,定义商品ID、商品关键词及商品搜索条件;对于商品描述和问答对,进行语义嵌入的计算,通过连续词袋模型将文本表示为稠密向量,选择连续词袋模型并进行训练,将商品描述和问答对转化为语义向量;
数据存储模块,负责创建一个向量数据库,用于存储商品描述及问答对的语义向量以及对应的搜索条件,使用开源的向量数据库,在向量数据库中创建一个集合,并定义向量维度;将商品描述、问答对的语义向量以及对应的搜索条件存入向量数据库,将商品描述和问答对的语义向量与对应的商品ID进行关联,将商品ID、语义向量和商品搜索条件一起存入向量数据库中的集合中;
上述技术方案的工作原理和有益效果为:本实施例的信息获取子模块获取电商API接口的信息,建立与电商API接口的连接,采用网页爬虫获取包含用户手册、兼容性、通用政策及常用问答等的信息;信息转换子模块对用户手册、兼容性、通用政策及常用问答等的信息进行分类,得到包含文本、图片及语音等的信息;将图片及语音转换为文本,并存储图片URL;特征提取子模块将信息均转换为文本化后,从文本中提取商品相关的目标特征,目标特征即基础数据的商品信息;商品相关的目标特征包含:商品名称、商品属性、商品不同货币对应的价格、是否属于热卖商品及商品库存等;商品名称包含:商品描述、商品标签及系列等;商品属性包含:颜色、尺寸及规格等;信息提取子模块获取商品相关的目标特征,将商品相关的目标特征输入到关键词抽取模型中,提取关键词;将商品描述信息输入到问答对抽取模型中,提取商品描述中的问题和答案;信息构成子模块将关键词作为键,对应的问题和答案作为值,构成一个字典形式的结构化的商品信息;其中,商品名称:从关键词中选择最相关的词作为商品名称;商品属性:从关键词中提取具体的属性词,如颜色、尺寸级规格等;商品价格:如果商品描述中包含价格信息,可以提取出来;如果没有,则通过在线商城或电商平台、实体店铺或第三方价格比较网站等其他方式获取商品价格;热卖商品:根据问答对中的问题和答案判断商品是否属于热卖商品;商品库存:根据问答对中的问题和答案获取商品的库存信息;商品关键词:包括名称、抽取的关键词及商品属性;商品搜索条件:货币及价格、是否热卖及库存等;向量获取子模块创建一个弹形搜索数据库,用于存储商品关键词和商品搜索条件。在弹形搜索数据库中创建一个索引,定义商品ID、商品关键词及商品搜索条件;对于商品描述和问答对,进行语义嵌入的计算,通过连续词袋模型将文本表示为稠密向量,选择连续词袋模型并进行训练,将商品描述和问答对转化为语义向量;数据存储模块创建一个向量数据库,用于存储商品描述及问答对的语义向量以及对应的搜索条件,使用开源的向量数据库,在向量数据库中创建一个集合,并定义向量维度;将商品描述、问答对的语义向量以及对应的搜索条件存入向量数据库,将商品描述和问答对的语义向量与对应的商品ID进行关联,将商品ID、语义向量和商品搜索条件一起存入向量数据库中的集合中;上述方案过获取电商API接口的信息,并使用网页爬虫技术获取相关信息,实现对电商商品的自动化处理和分析;具体意义包含:自动化信息获取:通过与电商API接口的连接和网页爬虫技术,可以自动获取用户手册、兼容性及通用政策等信息,省去了手动查找和整理的工作量。多媒体信息处理:通过将图片和语音转换为文本,可以更方便地对这些信息进行分类、分析和存储;同时,将图片的URL存储起来,可以方便地在需要时访问相关图片。目标特征提取:通过从文本中提取商品相关的目标特征,如商品名称、属性、价格、热卖情况和库存等,可以更快速地了解商品的基本信息,并进行进一步的分析和处理。提高效率和准确性:自动化处理和分析大量商品信息,可以大幅提高处理效率和准确性,减少人为错误和主观干扰。
本实施例能够提高电商商品信息的获取、处理和分析效率,为电商运营和决策提供有力支持。
上述方案通过结构化的方式提取商品相关的信息,并将其存储在弹性搜索数据库和向量数据库中,以便于后续的检索和查询。具体的意义包括:提高商品搜索效果:通过关键词抽取模型和问答对抽取模型的应用,可以准确地提取出商品的关键信息,如名称、属性及价格等;将这些信息结构化地存储在数据库中,可以提高商品的搜索效果,使用户能够更快速、准确地找到所需商品。实现语义匹配:通过对商品描述和问答对进行语义嵌入计算,将其表示为稠密向量,可以实现基于语义的商品匹配,当用户输入搜索条件时,可以通过计算用户输入的搜索条件与商品描述和问答对的语义向量的相似度,从而实现更准确的商品匹配。提供个性化推荐:通过对用户的搜索行为和历史数据的分析,可以对用户进行个性化的推荐;例如,可以根据用户的搜索历史和购买记录,为用户推荐与其兴趣相关的商品;通过将用户的特征和商品的特征进行匹配,可以提供更加个性化的推荐结果。支持多维度搜索:通过将商品的关键信息和语义向量存储在数据库中,可以支持多维度的商品搜索。例如,用户可以根据商品的名称、属性、价格、热卖程度及库存等条件进行搜索和筛选,从而得到符合其需求的商品。
本实施例提高商品搜索效果、实现语义匹配、提供个性化推荐和支持多维度搜索,从而提升用户的购物体验和满足感。
实施例9:如图10所示,在实施例7的基础上,本发明实施例提供的数据处理模块,包含:
预制流程判断子模块,负责判断预设预置流程是否触发流程机器人或相似问机器人,流程机器人或相似问机器人直接将回答返回给用户;流程机器人:基于预设的流程或规则,按照预设的逻辑处理用户的问题并提供相应的回答,根据用户的输入进行特定的判断和跳转,引导用户完成特定的任务或流程;相似问机器人:根据用户的输入在预定义的知识库或问题库中进行相似度匹配,找到与用户问题最相似的问题,并给出相应的回答;相似问机器人利用自然语言处理和文本匹配算法,通过比较问题之间的相似度来寻找最合适的答案;
文本转换及识别子模块,负责对用户当前对话内容进行预处理,预处理的内容包含:图片转文本、语音转文本、网址内容爬取、文本多轮对话转为单轮对话、文本语义理解、文本主题识别、文本实体识别及文本语言识别;图片转文本:如果是图片,调用图片描述模型实现对图片的描述,是内部能力或者三方接口调用;语音转文本:将语音转换为文本,可以是内部能力或者三方接口调用;网址内容爬取:利用爬虫技术获取该网址对应的核心信息的文本形式,如果网址对应商品数据库中已经存在,使用数据库中的商品信息;文本语义理解:识别用户意图;文本主题识别:识别用户对话的细粒度主题,比意图更细粒度;文本实体识别:识别用户提及的如时间、地点、人名、产品名字及价格等;文本语言识别:识别用户说的语言;
对话判断内容子模块,负责根据预处理后的对话内容,判断用户的意图是否为商品相关问题;如果不是商品相关问题,将流程转入咨询客服或闲聊,如果用户意图是咨询客服问题,则将对话流程转入客服对话逻辑;如果用户意图是进行闲聊,则将对话流程转入闲聊对话逻辑;
用户意图识别子模块,负责根据用户的意图,从预先构建的知识库中检索相关的商品信息;使用检索算法进行知识召回,找到相关商品;对召回的商品信息进行排序,根据综合评分或销量将商品进行排列;根据用户的具体需求,按照价格及颜色等属性对排序后的商品进行筛选;根据筛选后的商品,构建大语言模型LLM提示信息,包括前N个商品的名称、价格、特点等重要信息;同时,设置参数如TopN和差值阈值diff_thresh控制提示的数量和差异度的阈值;
上述技术方案的工作原理和有益效果为:本实施例的预制流程判断子模块判断预设预置流程是否触发流程机器人或相似问机器人,流程机器人或相似问机器人直接将回答返回给用户;流程机器人:基于预设的流程或规则,按照预设的逻辑处理用户的问题并提供相应的回答,根据用户的输入进行特定的判断和跳转,引导用户完成特定的任务或流程;相似问机器人:根据用户的输入在预定义的知识库或问题库中进行相似度匹配,找到与用户问题最相似的问题,并给出相应的回答;相似问机器人利用自然语言处理和文本匹配算法,通过比较问题之间的相似度来寻找最合适的答案;文本转换及识别子模块对用户当前对话内容进行预处理,预处理的内容包含:图片转文本、语音转文本、网址内容爬取、文本多轮对话转为单轮对话、文本语义理解、文本主题识别、文本实体识别及文本语言识别;图片转文本:如果是图片,调用图片描述模型实现对图片的描述,是内部能力或者三方接口调用;语音转文本:将语音转换为文本,可以是内部能力或者三方接口调用;网址内容爬取:利用爬虫技术获取该网址对应的核心信息的文本形式,如果网址对应商品数据库中已经存在,使用数据库中的商品信息;文本语义理解:识别用户意图;文本主题识别:识别用户对话的细粒度主题,比意图更细粒度;文本实体识别:识别用户提及的如时间、地点、人名、产品名字及价格等;文本语言识别:识别用户说的语言;对话判断内容子模块根据预处理后的对话内容,判断用户的意图是否为商品相关问题;如果不是商品相关问题,将流程转入咨询客服或闲聊,如果用户意图是咨询客服问题,则将对话流程转入客服对话逻辑;如果用户意图是进行闲聊,则将对话流程转入闲聊对话逻辑;用户意图识别子模块根据用户的意图,从预先构建的知识库中检索相关的商品信息;使用检索算法进行知识召回,找到相关商品;对召回的商品信息进行排序,根据综合评分或销量将商品进行排列;根据用户的具体需求,按照价格及颜色等属性对排序后的商品进行筛选;根据筛选后的商品,构建大语言模型LLM提示信息,包括前N个商品的名称、价格、特点等重要信息;同时,设置参数如TopN和差值阈值diff_thresh控制提示的数量和差异度的阈值;;上述方案通过预设预置流程、流程机器人和相似问机器人等技术手段,对用户的问题进行处理和回答;通过预处理对话内容,判断用户意图是否为商品相关问题,并将流程转入其他对话逻辑进行处理,如咨询客服或闲聊;对于商品相关问题,通过检索算法从知识库中检索相关商品信息,并按照用户需求进行排序和筛选,最终构建提示信息。本实施例提高用户体验,能够快速准确地回答用户的问题,提供相关的商品信息,帮助用户做出购买决策。同时,通过预处理和语义理解等技术手段,提升了对话系统的智能化水平,使得机器人可以更好地理解和应对用户的需求。
实施例10:如图11所示,在实施例7的基础上,本发明实施例提供的结果输出模块,包含:
回答生成子模块,负责提示用户输入问题或需求,使用大语言模型生成回答;将用户输入的问题和需求作为上下文,调用大语言模型生成回答;同时记录下生成回答所基于的商品ID;对大语言模型生成的回答进行评估,根据用户的问题和需求,判断大语言模型生成的回答是否解决了用户的问题;
最终答复子模块,负责根据评估结果给出最终答复,如果大语言模型的回答解决了用户问题,则将回答作为最终答复;如果大语言模型的回答未能解决用户问题,则给出相应的说明或补充答案;回复用户并提供商品卡片;将最终答复回复给用户,并根据记录的商品ID,在回答中添加相关的商品卡片,以满足用户的商品需求;
缺陷处理子模块,负责处理缺陷;如果发现大语言模型的回答存在缺陷或不满足用户需求,调整大语言模型的输入、重新训练大语言模型或收集用户反馈和需求,不断改进和优化系统,以满足用户的商品相关需求;
上述技术方案的工作原理和有益效果为:本实施例的回答生成子模块提示用户输入问题或需求,使用大语言模型生成回答;将用户输入的问题和需求作为上下文,调用大语言模型生成回答;同时记录下生成回答所基于的商品ID;对大语言模型生成的回答进行评估,根据用户的问题和需求,判断大语言模型生成的回答是否解决了用户的问题;最终答复子模块根据评估结果给出最终答复,如果大语言模型的回答解决了用户问题,则将回答作为最终答复;如果大语言模型的回答未能解决用户问题,则给出相应的说明或补充答案;回复用户并提供商品卡片;将最终答复回复给用户,并根据记录的商品ID,在回答中添加相关的商品卡片,以满足用户的商品需求;缺陷处理子模块处理缺陷;如果发现大语言模型的回答存在缺陷或不满足用户需求,调整大语言模型的输入、重新训练大语言模型或收集用户反馈和需求,不断改进和优化系统,以满足用户的商品相关需求;上述方案通过使用大语言模型来回答用户的问题和需求,并根据生成回答的评估结果给出最终答复;可以提高系统对用户问题的解决能力,并根据用户的需求提供相关的商品卡片,满足用户的商品相关需求。同时,方案还包括处理缺陷的步骤,通过调整模型输入、重新训练模型或收集用户反馈和需求等方式,不断改进和优化系统,提供更好的用户体验和服务质量。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种利用大语言模型实现电商商品信息交互的方法,其特征在于,包含以下步骤:
电商平台提供的原始商品数据,建立与电商平台API接口的连接,通过接口调用、网页爬虫和文档解析不同方式获取原始商品数据,并进行处理和转换得到基础数据和结构化的商品信息,并存入数据库;
根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选及提示构建;
将提示输入大语言模型获取最终结果,结果包含:大预言模型答案基于的商品ID,根据商品ID会最终在回答用户的时候推荐商品卡片;大语言模型结果评估:当前答案是否解决了用户问题;最终答复,将最终答复回复给用户并且提供对应的商品卡片,以满足用户的商品相关需求。
2.如权利要求1所述的利用大语言模型实现电商商品信息交互的方法,其特征在于,进行处理和转换得到基础数据和结构化的商品信息的过程,包含以下步骤:
获取电商API接口的信息,建立与电商API接口的连接,采用网页爬虫获取包含用户手册、兼容性、通用政策及常用问答的信息;
对用户手册、兼容性、通用政策及常用问答的信息进行分类,得到包含文本、图片及语音的信息;将图片及语音转换为文本,并存储图片URL;
将信息均转换为文本化后,从文本中提取商品相关的目标特征,目标特征即基础数据的商品信息。
3.如权利要求2所述的利用大语言模型实现电商商品信息交互的方法,其特征在于,商品相关的目标特征包含:商品名称、商品属性、商品不同货币对应的价格、是否属于热卖商品及商品库存;商品名称包含:商品描述、商品标签及系列;商品属性包含:颜色、尺寸及规格。
4.如权利要求1所述的利用大语言模型实现电商商品信息交互的方法,其特征在于,商品信息存入数据库的过程,包含以下步骤:
获取商品相关的目标特征,将商品相关的目标特征输入到关键词抽取模型中,提取关键词;将商品描述信息输入到问答对抽取模型中,提取商品描述中的问题和答案;
将关键词作为键,对应的问题和答案作为值,构成一个字典形式的结构化的商品信息;
创建一个弹形搜索数据库,用于存储商品关键词和商品搜索条件;在弹形搜索数据库中创建一个索引,定义商品ID、商品关键词及商品搜索条件;对于商品描述和问答对,进行语义嵌入的计算,通过连续词袋模型将文本表示为稠密向量,选择连续词袋模型并进行训练,将商品描述和问答对转化为语义向量;
创建一个向量数据库,用于存储商品描述及问答对的语义向量以及对应的搜索条件,使用开源的向量数据库,在向量数据库中创建一个集合,并定义向量维度;将商品描述、问答对的语义向量以及对应的搜索条件存入向量数据库,将商品描述和问答对的语义向量与对应的商品ID进行关联,将商品ID、语义向量和商品搜索条件一起存入向量数据库中的集合中。
5.如权利要求4所述的利用大语言模型实现电商商品信息交互的方法,其特征在于,商品名称:从关键词中选择最相关的词作为商品名称;商品属性:从关键词中提取具体的属性词,颜色、尺寸级规格;商品价格:如果商品描述中包含价格信息,提取出来;如果没有,则通过在线商城或电商平台、实体店铺或第三方价格比较网站获取商品价格;热卖商品:根据问答对中的问题和答案判断商品是否属于热卖商品;商品库存:根据问答对中的问题和答案获取商品的库存信息;商品关键词:包括名称、抽取的关键词及商品属性;商品搜索条件:货币及价格、是否热卖及库存。
6.如权利要求1所述的利用大语言模型实现电商商品信息交互的方法,其特征在于,知识召回、排序、筛选及提示构建的过程,包含以下步骤:
判断预设预置流程是否触发流程机器人或相似问机器人,流程机器人或相似问机器人直接将回答返回给用户;
对用户当前对话内容进行预处理,预处理的内容包含:图片转文本、语音转文本、网址内容爬取、文本多轮对话转为单轮对话、文本语义理解、文本主题识别、文本实体识别及文本语言识别;
根据预处理后的对话内容,判断用户的意图是否为商品相关问题;如果不是商品相关问题,将流程转入咨询客服或闲聊,如果用户意图是咨询客服问题,则将对话流程转入客服对话逻辑;如果用户意图是进行闲聊,则将对话流程转入闲聊对话逻辑;
根据用户的意图,从预先构建的知识库中检索相关的商品信息;使用检索算法进行知识召回,找到相关商品;对召回的商品信息进行排序,根据综合评分或销量将商品进行排列;根据用户的具体需求,按照价格及颜色属性对排序后的商品进行筛选;根据筛选后的商品,构建大语言模型LLM提示信息,包括前N个商品的名称、价格及特点重要信息;同时,设置参数TopN和差值阈值diff_thresh控制提示的数量和差异度的阈值。
7.如权利要求1所述的利用大语言模型实现电商商品信息交互的方法,其特征在于,对意图的处理过程,包含:
通过语义+商品关键词搜索知识,商品搜索条件为当前对话企业、热卖、价格符合要求及有库存的商品;如果没有搜索到知识,去掉热卖要求再重新搜索一遍;对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;获取精排后知识中分最高的一个热卖商品,获取其他商品中得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制商品推销员角色,并让其为用户推荐给定商品;
语义+商品关键词搜索知识,搜索条件为当前对话企业、价格符合要求及有库存的商品;对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排,获取得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为LLM定制商品推销员角色,并让其为用户推荐给定商品。
8.如权利要求7所述的利用大语言模型实现电商商品信息交互的方法,其特征在于,对意图的处理过程,包含:
对每个商品名字进行语义+商品关键词搜索知识,对知识调用大语言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;对每个商品名字召回的知识,获取得分最高的TopN个商品;如果某两个相邻商品精排得分超过diff_thresh,得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制专业商品销售的角色,让其为用户对比商品异同;
通过语义+商品关键词搜索知识,对知识调用大预言模型LLM或者企业自有模型进行与用户对话相关性打分,从高到底排序,实现知识精排;获取得分最高的TopN个商品,如果某两个相邻商品精排得分超过diff_thresh,得分a1>a2>a3>a4,如果a2和a3是第一个得分差值超过diff_thresh的,去掉a3及a3之后所有的商品;为大预言模型LLM定制专业商品销售的角色,让其为用户解答商品问题。
9.如权利要求1所述的利用大语言模型实现电商商品信息交互的方法,其特征在于,将提示输入大语言模型获取最终结果的过程,包含以下步骤:
提示用户输入问题或需求,使用大语言模型生成回答;将用户输入的问题和需求作为上下文,调用大语言模型生成回答;同时记录下生成回答所基于的商品ID;对大语言模型生成的回答进行评估,根据用户的问题和需求,判断大语言模型生成的回答是否解决了用户的问题;
根据评估结果给出最终答复,如果大语言模型的回答解决了用户问题,则将回答作为最终答复;如果大语言模型的回答未能解决用户问题,则给出相应的说明或补充答案;回复用户并提供商品卡片;将最终答复回复给用户,并根据记录的商品ID,在回答中添加相关的商品卡片,以满足用户的商品需求;
处理缺陷;如果发现大语言模型的回答存在缺陷或不满足用户需求,调整大语言模型的输入、重新训练大语言模型或收集用户反馈和需求,不断改进和优化系统,以满足用户的商品相关需求。
10.一种利用大语言模型实现电商商品信息交互的系统,其特征在于,包含:
数据获取模块,负责电商平台提供的原始商品数据,建立与电商API接口的连接,通过接口调用、网页爬虫和文档解析不同方式获取原始商品数据,并进行处理和转换得到基础数据和结构化的商品信息,并存入数据库;
数据处理模块,负责根据用户意图和对话内容进行预处理和识别,并进行知识召回、排序、筛选及提示构建;
结果输出模块,负责将提示输入大语言模型获取最终结果,结果包含:大预言模型答案基于的商品ID,根据商品ID会最终在回答用户的时候推荐商品卡片;大语言模型结果评估:当前答案是否解决了用户问题;最终答复;将最终答复回复给用户并且提供对应的商品卡片,以满足用户的商品相关需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311622132.3A CN117592489B (zh) | 2023-11-30 | 2023-11-30 | 一种利用大语言模型实现电商商品信息交互的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311622132.3A CN117592489B (zh) | 2023-11-30 | 2023-11-30 | 一种利用大语言模型实现电商商品信息交互的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592489A true CN117592489A (zh) | 2024-02-23 |
CN117592489B CN117592489B (zh) | 2024-05-17 |
Family
ID=89921656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311622132.3A Active CN117592489B (zh) | 2023-11-30 | 2023-11-30 | 一种利用大语言模型实现电商商品信息交互的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592489B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117891927A (zh) * | 2024-03-15 | 2024-04-16 | 中国电子技术标准化研究院 | 基于大语言模型的问答方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010025413A (ko) * | 2000-01-13 | 2001-04-06 | 이재열 | 온라인 퀴즈를 이용한 전자상거래 사업 방법 및 이를수행할 수 있는 컴퓨터용 프로그램이 수록된 기록매체 |
WO2018196684A1 (zh) * | 2017-04-24 | 2018-11-01 | 北京京东尚科信息技术有限公司 | 对话机器人生成方法及装置 |
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 |
US11431660B1 (en) * | 2020-09-25 | 2022-08-30 | Conversation Processing Intelligence Corp. | System and method for collaborative conversational AI |
CN115238101A (zh) * | 2022-09-23 | 2022-10-25 | 中国电子科技集团公司第十研究所 | 一种面向多类型知识库的多引擎智能问答系统 |
CN115714030A (zh) * | 2022-11-09 | 2023-02-24 | 重庆邮电大学 | 一种基于疼痛感知和主动交互的医疗问答系统及方法 |
CN116595148A (zh) * | 2023-05-25 | 2023-08-15 | 北京快牛智营科技有限公司 | 一种利用大型语言模型实现对话流程的方法及系统 |
CN116821308A (zh) * | 2023-08-22 | 2023-09-29 | 浙江口碑网络技术有限公司 | 生成方法、模型的训练方法、设备及存储介质 |
CN116860925A (zh) * | 2023-06-09 | 2023-10-10 | 国网吉林省电力有限公司吉林供电公司 | 基于LLMs提示词优化的电网调度智能问答系统及方法 |
CN116911312A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 一种任务型对话系统及其实现方法 |
CN117056479A (zh) * | 2023-08-07 | 2023-11-14 | 广东电网有限责任公司广州供电局 | 基于语义解析引擎的智能问答交互系统 |
-
2023
- 2023-11-30 CN CN202311622132.3A patent/CN117592489B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010025413A (ko) * | 2000-01-13 | 2001-04-06 | 이재열 | 온라인 퀴즈를 이용한 전자상거래 사업 방법 및 이를수행할 수 있는 컴퓨터용 프로그램이 수록된 기록매체 |
WO2018196684A1 (zh) * | 2017-04-24 | 2018-11-01 | 北京京东尚科信息技术有限公司 | 对话机器人生成方法及装置 |
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 |
US11431660B1 (en) * | 2020-09-25 | 2022-08-30 | Conversation Processing Intelligence Corp. | System and method for collaborative conversational AI |
CN115238101A (zh) * | 2022-09-23 | 2022-10-25 | 中国电子科技集团公司第十研究所 | 一种面向多类型知识库的多引擎智能问答系统 |
CN115714030A (zh) * | 2022-11-09 | 2023-02-24 | 重庆邮电大学 | 一种基于疼痛感知和主动交互的医疗问答系统及方法 |
CN116595148A (zh) * | 2023-05-25 | 2023-08-15 | 北京快牛智营科技有限公司 | 一种利用大型语言模型实现对话流程的方法及系统 |
CN116860925A (zh) * | 2023-06-09 | 2023-10-10 | 国网吉林省电力有限公司吉林供电公司 | 基于LLMs提示词优化的电网调度智能问答系统及方法 |
CN117056479A (zh) * | 2023-08-07 | 2023-11-14 | 广东电网有限责任公司广州供电局 | 基于语义解析引擎的智能问答交互系统 |
CN116821308A (zh) * | 2023-08-22 | 2023-09-29 | 浙江口碑网络技术有限公司 | 生成方法、模型的训练方法、设备及存储介质 |
CN116911312A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 一种任务型对话系统及其实现方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117891927A (zh) * | 2024-03-15 | 2024-04-16 | 中国电子技术标准化研究院 | 基于大语言模型的问答方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117592489B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175227B (zh) | 一种基于组队学习和层级推理的对话辅助系统 | |
CN109885672B (zh) | 一种面向在线教育的问答式智能检索系统及方法 | |
CN109493166B (zh) | 一种针对电子商务导购场景任务型对话系统的构建方法 | |
CN110633373B (zh) | 一种基于知识图谱和深度学习的汽车舆情分析方法 | |
Oraby et al. | " How May I Help You?" Modeling Twitter Customer ServiceConversations Using Fine-Grained Dialogue Acts | |
CN111008278A (zh) | 内容推荐方法及装置 | |
CN117592489B (zh) | 一种利用大语言模型实现电商商品信息交互的方法及系统 | |
CN111062220A (zh) | 一种基于记忆遗忘装置的端到端意图识别系统和方法 | |
CN111339284A (zh) | 产品智能匹配方法、装置、设备及可读存储介质 | |
Earley | There is no AI without IA | |
CN112528031A (zh) | 一种工单智能派发方法和系统 | |
Theosaksomo et al. | Conversational recommender system chatbot based on functional requirement | |
CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
CN115292459A (zh) | 一种基于问答库的信息检索方法、问答系统及计算设备 | |
CN114691838B (zh) | 聊天机器人搜索推荐模型的训练、推荐方法及电子设备 | |
CN109935242A (zh) | 可打断式语音处理系统和方法 | |
CN116757855A (zh) | 一种智能保险服务方法、装置、设备及存储介质 | |
CN116484105A (zh) | 业务处理方法、装置及计算机设备、存储介质、程序产品 | |
CN109712645A (zh) | 自主通话系统和自主通话方法 | |
CN114416914A (zh) | 一种基于图片问答的处理方法 | |
Wang et al. | Construction of a novel production develop decision model based on text mined | |
Du et al. | Recommendation system with aspect-based sentiment analysis | |
CN111967251A (zh) | 客户声音智慧洞察系统 | |
CN110069613A (zh) | 一种回复获取方法及装置 | |
Daniati et al. | TOPSIS in Decision-Making Framework Based on Twitter Sentiment Analysis |
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 |