CN119202195A - 基于大语言模型的提问处理方法、装置、设备及介质 - Google Patents

基于大语言模型的提问处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN119202195A
CN119202195A CN202411382408.XA CN202411382408A CN119202195A CN 119202195 A CN119202195 A CN 119202195A CN 202411382408 A CN202411382408 A CN 202411382408A CN 119202195 A CN119202195 A CN 119202195A
Authority
CN
China
Prior art keywords
processing
target
answer
question
client
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202411382408.XA
Other languages
English (en)
Inventor
张镛
王健宗
程宁
李瀚璋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202411382408.XA priority Critical patent/CN119202195A/zh
Publication of CN119202195A publication Critical patent/CN119202195A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation
    • 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
    • G06F16/3332—Query translation
    • G06F16/3338—Query expansion
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Human Computer Interaction (AREA)
  • Accounting & Taxation (AREA)
  • Machine Translation (AREA)

Abstract

本申请属于人工智能技术领域，涉及一种基于大语言模型的提问处理方法、装置、计算机设备及存储介质，包括：对客户输入的提问文本进行分词处理得到分词；使用分词对提问文本进行业务领域识别处理得到应的目标业务领域；获取与目标业务领域对应的指定示例，以及获取与指定示例对应的指定回答；基于指定示例、指定回答以及提问文本生成第一输入序列；获取与目标业务领域对应的目标指令；基于第一输入序列与目标指令生成第二输入序列；基于目标大语言模型对第二输入序列进行处理得到预测回答；基于预测回答对客户进行回复处理。此外，预测回答可存储于区块链中。本申请提高了提问处理的处理效率与处理准确性，降低了提问处理的处理成本。

Description

基于大语言模型的提问处理方法、装置、设备及介质
技术领域
本申请涉及人工智能开发技术领域，尤其涉及基于大语言模型的提问处理方法、装置、计算机设备及存储介质。
背景技术
随着信息技术的高速发展，智能客服系统已成为金融企业提升客户服务质量的重要工具。在与智能客服互动中，客户可能会提出各种问题，这些问题可能会涉及到不同的领域，例如不同的分类问题或者生成问题。为了提供精准的回答，在智能客服系统通常会部署用于在不同领域中进行不同的任务的多种大语言模型。从而增强智能客服的针对性服务，提升用户体验，进而增加用户的黏性。
然后，传统的智能客服的提问处理方式，需要针对不同类型的提问使用不同的大语言模型，并且需要人工介入来手动选择相应的示例集合用于辅助模型生成回答。这种通过人工判别和选择的方式不仅效率低下，而且容易引入主观偏差，影响回答的准确性。
发明内容
本申请实施例的目的在于提出一种基于大语言模型的提问处理方法、装置、计算机设备及存储介质，以解决现有的智能客服的提问处理方式，需要针对不同类型的提问使用不同的大语言模型，并且需要人工介入来手动选择相应的示例集合用于辅助模型生成回答。这种通过人工判别和选择的方式不仅效率低下，而且容易引入主观偏差，影响回答的准确性的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于大语言模型的提问处理方法，采用了如下所述的技术方案：
接收客户输入的提问文本，并对所述提问文本进行分词处理得到对应的分词；
基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域；
获取与所述目标业务领域对应的指定示例，以及获取与所述指定示例对应的指定回答；
基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列；
获取与所述目标业务领域对应的目标指令；
基于所述第一输入序列与所述目标指令生成对应的第二输入序列；
基于预设的目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答；
基于所述预测回答对所述客户进行回复处理。
进一步的，所述基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域的步骤，具体包括：
从预先构建的各个业务领域的示例集合中分别抽取出与目标数量对应的示例；
计算各个所述分词在各个所述示例集合所对应的示例中的词频；
基于所有所述示例集合，计算出各个所述分词的逆文档频率；
基于预设的计算公式对所述词频与所述逆文档频率进行计算，得到各个所述业务领域的领域得分；
从所有所述业务领域中筛选出领域得分最高的指定业务领域；
将所述指定业务领域作为所述目标业务领域。
进一步的，所述基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列的步骤，具体包括：
获取预设的分隔符；
基于所述分隔符对所述指定示例与所述指定回答进行对应的拼接处理，得到第一拼接序列；
将所述提问文本添加至所述第一拼接序列中的指定位置内，得到对应的第二拼接序列；
将所述第二拼接序列作为所述第一输入序列。
进一步的，所述获取与所述目标业务领域对应的目标指令的步骤，具体包括：
获取与所述目标业务领域对应的任务目标；
获取预设的指令编写策略；
基于所述指定编写策略与所述任务目标进行对应的指令编写处理，得到对应的初始指令；
对所述初始指令进行歧义验证；
若所述初始指令通过歧义验证，则将所述初始指令作为与所述目标业务领域对应的目标指令。
进一步的，所述基于所述第一输入序列与所述目标指令生成对应的第二输入序列的步骤，具体包括：
获取预设的拼接策略；
基于所述拼接策略对所述第一输入序列与所述目标指令进行拼接处理，得到对应的第三拼接序列；
将所述第三拼接序列作为所述第二输入序列。
进一步的，所述基于所述预测回答对所述客户进行回复处理的步骤，具体包括：
对所述预测回答进行精确性验证；
若所述预测回答通过精确性验证，则对所述预测回答进行清晰度提升处理，得到对应的第一回答；
对所述第一回答进行格式化优化处理，得到对应的第二回答；
基于所述第二回答对所述客户进行回复处理。
进一步的，所述基于所述第二回答对所述客户进行回复处理的步骤，具体包括：
获取所述客户的客户数据；
对所述客户数据进行数据分析，得到对应的客户需求信息；
基于所述客户需求信息对所述第二回答进行对应的个性化调整处理，得到目标回答；
获取预设的目标通信方式；
基于所述目标通信方式，将所述目标回答返回给所述客户。
为了解决上述技术问题，本申请实施例还提供一种基于大语言模型的提问处理装置，采用了如下所述的技术方案：
接收模块，用于接收客户输入的提问文本，并对所述提问文本进行分词处理得到对应的分词；
识别模块，用于基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域；
第一获取模块，用于获取与所述目标业务领域对应的指定示例，以及获取与所述指定示例对应的指定回答；
第一生成模块，用于基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列；
第二获取模块，用于获取与所述目标业务领域对应的目标指令；
第二生成模块，用于基于所述第一输入序列与所述目标指令生成对应的第二输入序列；
处理模块，用于基于预设的目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答；
回复模块，用于基于所述预测回答对所述客户进行回复处理。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
接收客户输入的提问文本，并对所述提问文本进行分词处理得到对应的分词；
基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域；
获取与所述目标业务领域对应的指定示例，以及获取与所述指定示例对应的指定回答；
基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列；
获取与所述目标业务领域对应的目标指令；
基于所述第一输入序列与所述目标指令生成对应的第二输入序列；
基于预设的目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答；
基于所述预测回答对所述客户进行回复处理。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
接收客户输入的提问文本，并对所述提问文本进行分词处理得到对应的分词；
基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域；
获取与所述目标业务领域对应的指定示例，以及获取与所述指定示例对应的指定回答；
基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列；
获取与所述目标业务领域对应的目标指令；
基于所述第一输入序列与所述目标指令生成对应的第二输入序列；
基于预设的目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答；
基于所述预测回答对所述客户进行回复处理。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请首先接收客户输入的提问文本，并对所述提问文本进行分词处理得到对应的分词；然后基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域；之后获取与所述目标业务领域对应的指定示例，以及获取与所述指定示例对应的指定回答；并基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列；后续获取与所述目标业务领域对应的目标指令，并基于所述第一输入序列与所述目标指令生成对应的第二输入序列；进一步基于预设的目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答；最后基于所述预测回答对所述客户进行回复处理。本申请在接收到客户输入的提问文本后，基于业务领域识别策略的使用能够自动识别提问文本的所属业务领域，并能够自动调用与目标业务领域对应的指定示例，以及会进一步获取预先编写的与所述目标业务领域对应的目标指令，进而使用目标大语言模型对基于提问文本、指定示例以及目标指令生成的输入序列进行处理以生成对应的预测回答，从而能够更好的发挥目标大语言模型的推理能力，提高了生成的预测回答的准确性。另外，能够有效避免了人工手动的判别领域和选择示例，进而提高了提问处理的处理效率，并且不需要为每个任务类型单独构造一套大语言模型，有效地降低了提问处理的处理成本和复杂性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于大语言模型的提问处理方法的一个实施例的流程图；
图3是根据本申请的基于大语言模型的提问处理装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、网络102和服务器103，终端设备101可以是笔记本电脑1011、平板电脑1012或手机1013。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101可以是具有显示屏并且支持网页浏览的各种电子设备，除了笔记本电脑1011、平板电脑1012或手机1013以外，终端设备101还可以是电子书阅读器、MP3播放器(Mov i ng P i cture Experts G roup Aud i o Layer I I I，动态影像专家压缩标准音频层面I I I)、MP4(Mov i ng P i cture Experts Group Aud i o Layer I V，动态影像专家压缩标准音频层面I V)播放器、膝上型便携计算机和台式计算机等等。
服务器103可以是提供各种服务的服务器，例如对终端设备101上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于大语言模型的提问处理方法一般由服务器/终端设备执行，相应地，基于大语言模型的提问处理装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于大语言模型的提问处理方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于大语言模型的提问处理方法能够应用于任意一种需要进行提问处理的场景中，则该基于大语言模型的提问处理方法能够应用于这些场景的产品中，例如，金融保险领域中的提问处理。所述的基于大语言模型的提问处理方法，包括以下步骤：
步骤S201，接收客户输入的提问文本，并对所述提问文本进行分词处理得到对应的分词。
在本实施例中，基于大语言模型的提问处理方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取提问文本。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、W i F i连接、蓝牙连接、Wi MAX连接、Z i gbee连接、UWB(u l t ra w i deband)连接、以及其他现在已知或将来开发的无线连接方式。本申请的执行主体可为提问处理系统，或简称为系统。上述提问文本为客户在与提问处理系统进行交互的过程中提出的各种问题。这些问题可能会涉及到不同的领域，例如不同的分类问题或者生成问题。示例性的，在金融保险的智能问答的业务场景下，上述提问文本可包括保险咨询问题、理财产品推荐问题，等等。另外，可采用通用的分词工具对所述提问文本进行分词处理得到对应的分词。分词的数量包括多个。还可以对分词进行提用词过滤以及词形还原，以提高得到的分词的准确性与规范性。
步骤S202，基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域。
在本实施例中，上述基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S203，获取与所述目标业务领域对应的指定示例，以及获取与所述指定示例对应的指定回答。
在本实施例中，可通过调用与所述目标业务领域对应的目标示例集合，进而从该目标示例集合中随机抽取出一定数量的示例作为上述指定示例，并获取与抽取的各个示例中的问题/查询对应的答案，以得到与所述指定示例对应的指定回答。其中，对于上述一定数量的数值选取不做具体限定，可根据实际的使用需求进行设置，例如可设为与上述目标数量一致。
步骤S204，基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列。
在本实施例中，上述基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S205，获取与所述目标业务领域对应的目标指令。
在本实施例中，上述获取与所述目标业务领域对应的目标指令的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S206，基于所述第一输入序列与所述目标指令生成对应的第二输入序列。
在本实施例中，上述基于所述第一输入序列与所述目标指令生成对应的第二输入序列的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S207，基于预设的目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答。
在本实施例中，上述目标大语言模型可选用任意一种大型语言模型(LLM)。通过将第二输入序列输入至目标大语言模型内，该目标大语言模型会在内部对该第二输入序列进行推理处理并生成相应的预测回答。该预测回答是目标大语言模型基于第二输入序列生成的，符合预先定义的与目标业务领域对应的领域特点和任务目标。
步骤S208，基于所述预测回答对所述客户进行回复处理。
在本实施例中，上述基于所述预测回答对所述客户进行回复处理的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请首先接收客户输入的提问文本，并对所述提问文本进行分词处理得到对应的分词；然后基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域；之后获取与所述目标业务领域对应的指定示例，以及获取与所述指定示例对应的指定回答；并基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列；后续获取与所述目标业务领域对应的目标指令，并基于所述第一输入序列与所述目标指令生成对应的第二输入序列；进一步基于预设的目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答；最后基于所述预测回答对所述客户进行回复处理。本申请在接收到客户输入的提问文本后，基于业务领域识别策略的使用能够自动识别提问文本的所属业务领域，并能够自动调用与目标业务领域对应的指定示例，以及会进一步获取预先编写的与所述目标业务领域对应的目标指令，进而使用目标大语言模型对基于提问文本、指定示例以及目标指令生成的输入序列进行处理以生成对应的预测回答，从而能够更好的发挥目标大语言模型的推理能力，提高了生成的预测回答的准确性。另外，能够有效避免了人工手动的判别领域和选择示例，进而提高了提问处理的处理效率，并且不需要为每个任务类型单独构造一套大语言模型，有效地降低了提问处理的处理成本和复杂性。
在一些可选的实现方式中，步骤S202包括以下步骤：
从预先构建的各个业务领域的示例集合中分别抽取出与目标数量对应的示例。
在本实施例中，对于每个不同的业务领域，预先为每个业务领域构建了相应的示例集合，且每个示例集合中会包含有多个示例。其中，对于上述目标数量的数值选取不做具体限定，可根据实际的业务需求进行设置。另外，可通过采用随机抽取的方式从各个业务领域的示例集合中分别抽取出与目标数量对应的示例。
上述业务领域识别策略为基于TF-IDF(Term Frequency-I nver se Document Frequency)算法的处理策略。TF-IDF算法是一种经典的信息检索算法，它考虑了词频(TermFrequency)和逆文档频率(I nver se Document Frequency)。词频表示词在文档中的出现次数。逆文档频率表示词在整个文档集合中的普遍程度。具体的，TF-IDF得分计算公式是一种用于衡量词语在文档集合中重要性的指标。其计算公式如下：TF-IDF＝TF*IDF。其中，TF(Term Frequency)表示词语在文档中的频率，可以通过以下第一公式计算：TF＝(词语在文档中出现的次数)/(文档中总词语数)。IDF(I nve r se Document Frequency)表示逆文档频率，可以通过以下第二公式计算：IDF＝l og((文档集合中文档总数)/(包含词语的文档数))。TF-IDF得分越高，表示词语在文档集合中越重要。它的核心思想是：当一个词语在某个文档中频繁出现(高TF值)，同时在其他文档中较少出现(高IDF值)时，该词语对于该文档的重要性较高。
计算各个所述分词在各个所述示例集合所对应的示例中的词频。
在本实施例中，可基于上述与TF(Term Frequency)对应的第一公式来计算出各个所述分词在各个所述示例集合所对应的示例中的词频。
基于所有所述示例集合，计算出各个所述分词的逆文档频率。
在本实施例中，可劲儿基于上述与IDF(I nver se Document Frequency)对应的第二公式计算出各个所述分词的逆文档频率。
基于预设的计算公式对所述词频与所述逆文档频率进行计算，得到各个所述业务领域的领域得分。
在本实施例中，上述计算公式具体为上述TF-IDF得分计算公式。可根据该TF-IDF得分计算公式，对所述词频与所述逆文档频率进行计算，从而得到各个所述业务领域的领域得分。
从所有所述业务领域中筛选出领域得分最高的指定业务领域。
在本实施例中，可通过对所有业务领域的领域得分进行数值比较，以从所有所述业务领域中筛选出领域得分最高的指定业务领域。
将所述指定业务领域作为所述目标业务领域。
本申请通过从预先构建的各个业务领域的示例集合中分别抽取出与目标数量对应的示例；然后计算各个所述分词在各个所述示例集合所对应的示例中的词频；之后基于所有所述示例集合，计算出各个所述分词的逆文档频率；后续基于预设的计算公式对所述词频与所述逆文档频率进行计算，得到各个所述业务领域的领域得分；进一步从所有所述业务领域中筛选出领域得分最高的指定业务领域；最后将所述指定业务领域作为所述目标业务领域。本申请通过从预先构建的各个业务领域的示例集合中分别抽取出与目标数量对应的示例，进而通过基于计算公式的使用对分词、示例以及示例集合进行相应的计算处理以得到各个所述业务领域的领域得分，后续从所有所述业务领域中筛选出领域得分最高的指定业务领域并作为最终的目标业务领域，从而实现快速准确地完成对于提问文本的业务领域识别处理，提高了业务领域识别处理的处理效率与处理准确性，保证了得到的目标业务领域的数据准确性。
在本实施例的一些可选的实现方式中，步骤S204包括以下步骤：
获取预设的分隔符。
在本实施例中，分隔符可采用换行符或特殊标记。
基于所述分隔符对所述指定示例与所述指定回答进行对应的拼接处理，得到第一拼接序列。
在本实施例中，通过先将每条指定示例和对应的指定回答拼接起来，并在它们之间以及各个示例之间添加上述分隔符，从而得到相应的第一拼接序列。通过将示例和回答以分隔符分开，可以有效确保整个序列保持清晰的结构，并转换成适合大模型处理的格式。
将所述提问文本添加至所述第一拼接序列中的指定位置内，得到对应的第二拼接序列。
在本实施例中，上述指定位置具体可为序列尾部。可通过将所述提问文本添加至所述第一拼接序列中的序列尾部，从而得到相应的第二拼接序列。
将所述第二拼接序列作为所述第一输入序列。
本申请通过获取预设的分隔符；然后基于所述分隔符对所述指定示例与所述指定回答进行对应的拼接处理，得到第一拼接序列；之后将所述提问文本添加至所述第一拼接序列中的指定位置内，得到对应的第二拼接序列；后续将所述第二拼接序列作为所述第一输入序列。本申请通过基于分隔符的使用对所述指定示例与所述指定回答进行对应的拼接处理，得到第一拼接序列，进而将所述提问文本添加至所述第一拼接序列中的指定位置内，从而可以实现快速准确地生成具有适合大模型处理的格式的第一输入序列，保证了得到的第一输入序列的准确性与规范性。
在一些可选的实现方式中，步骤S205包括以下步骤：
获取与所述目标业务领域对应的任务目标。
在本实施例中，可通过获取与上述目标业务领域对应的领域特点，例如包括常见的任务类型、用户可能提出的问题类型、以及期望的回答格式等信息。进而基于领域特点确定出该目标业务领域下目标大语言模型需要执行的具体任务，从而得到相应的任务目标。示例性的，如果目标业务领域为保险咨询领域，则对应的任务可能是对险种进行分类并解释，或者是对保险政策进行解读等。
获取预设的指令编写策略。
在本实施例中，上述指令编写策略可根据实际的业务需求进行构建。具体的，指令编写策略的策略内容可包括：根据任务目标，编写一段清晰、简明的指令I nst r uct ion。指令应该明确指出问题的领域归属、任务类型以及期望的回答方式。例如：“请注意，以下问题属于保险咨询领域。您的任务是仔细阅读并理解客户的问题，然后对其提问的险种进行分类，并给出详细的解释。”。
基于所述指定编写策略与所述任务目标进行对应的指令编写处理，得到对应的初始指令。
在本实施例中，可根据上述指定编写策略的策略内容进行指令编写处理，生成与所述任务目标进行对应的初始指令。示例性的，如果目标业务领域为保险咨询领域，则生成的初始指令可包括：“该问题属于保险咨询问题，对客户提问的险种进行分类并解释”，或者还可包括：“请注意，以下问题属于保险咨询领域。你的任务是仔细阅读并理解客户的问题，然后对其提问的险种进行分类，并给出详细的解释”，等等。
对所述初始指令进行歧义验证。
在本实施例中，上述歧义验证是指审核生成的初始指令是否存在歧义的验证处理。
若所述初始指令通过歧义验证，则将所述初始指令作为与所述目标业务领域对应的目标指令。
在本实施例中，如果检测出生成的初始指令能够清晰地传达给目标大语言模型关于任务的具体要求和期望，则判定所述初始指令通过歧义验证，进而将所述初始指令作为与所述目标业务领域对应的目标指令。
本申请通过获取与所述目标业务领域对应的任务目标；然后获取预设的指令编写策略；之后基于所述指定编写策略与所述任务目标进行对应的指令编写处理，得到对应的初始指令；后续对所述初始指令进行歧义验证；若所述初始指令通过歧义验证，则将所述初始指令作为与所述目标业务领域对应的目标指令。本申请通过获取与所述目标业务领域对应的任务目标，进而基于预设的指定编写策略与所述任务目标进行对应的指令编写处理得到初始指令，之后还会智能地对所述初始指令进行歧义验证，如果检测出所述初始指令通过歧义验证，则将所述初始指令作为与所述目标业务领域对应的目标指令，以实现智能准确地完成与所述目标业务领域对应的目标指令的生成处理，保证了得到的目标指令的准确性与适配性。
在一些可选的实现方式中，步骤S206包括以下步骤：
获取预设的拼接策略。
在本实施例中，上述拼接策略的策略内容可包括：将编写好的目标指令拼接在之前构建的第一输入序列的前面，以形成完整的输入序列I nput。拼接时，确保指令和序列之间有明显的分隔符，以便大模型能够区分它们。其中，分隔符可包括换行符\n。
基于所述拼接策略对所述第一输入序列与所述目标指令进行拼接处理，得到对应的第三拼接序列。
在本实施例中，可根据上述拼接策略的策略内容，对所述第一输入序列与所述目标指令进行拼接处理以得到对应的第三拼接序列。
将所述第三拼接序列作为所述第二输入序列。
本申请通过获取预设的拼接策略；然后基于所述拼接策略对所述第一输入序列与所述目标指令进行拼接处理，得到对应的第三拼接序列；后续将所述第三拼接序列作为所述第二输入序列。本申请通过基于拼接策略的使用对所述第一输入序列与所述目标指令进行拼接处理，可以实现快速准确地生成具有适合大模型处理的格式的第二输入序列，保证了生成的第一输入序列的准确性与规范性。
在本实施例的一些可选的实现方式中，步骤S208包括以下步骤：
对所述预测回答进行精确性验证。
在本实施例中，上述精确性验证包括事实核查、逻辑连贯性检查以及上下文一致性检查处理。其中，事实核查包括：验证预测回答中的事实性信息是否准确无误，特别是涉及数据、日期、人名、地名等具体信息时的事实性信息验证。逻辑连贯性检查包括：检查回答中的逻辑是否连贯，各个部分之间是否存在自相矛盾的情况。上下文一致性包括：确保预测回答与原始问题或对话的上下文保持一致，没有偏离主题。
若所述预测回答通过精确性验证，则对所述预测回答进行清晰度提升处理，得到对应的第一回答。
在本实施例中，清晰度提升处理包括简化语言处理、分段处理以及高亮处理。具体的，简化语言处理包括：使用简单易懂的语言表达复杂的概念，避免使用过于专业或晦涩难懂的术语，除非客户群体熟悉这些术语。分段处理包括：将长回答拆分成多个段落或列表项，每个部分围绕一个主题展开，以提高可读性。高亮处理包括：使用加粗、斜体或不同颜色等方式高亮回答中的重点信息，帮助客户快速抓住关键内容。
对所述第一回答进行格式化优化处理，得到对应的第二回答。
在本实施例中，上述格式化优化处理具体可包括：如果预测回答包含多个项目或数据点，可以将其整理成列表或表格形式，以便客户快速浏览和比较。另外，可以为列表项或段落添加编号和标题，以便客户能够轻松跟踪和理解信息的层次结构。此外，如果适用，可以添加图片、图表或图形来辅助说明复杂的概念或数据，使回答更加直观易懂。
基于所述第二回答对所述客户进行回复处理。
在本实施例中，上述基于所述第二回答对所述客户进行回复处理的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请通过对所述预测回答进行精确性验证；若所述预测回答通过精确性验证，则对所述预测回答进行清晰度提升处理，得到对应的第一回答；然后对所述第一回答进行格式化优化处理，得到对应的第二回答；后续基于所述第二回答对所述客户进行回复处理。本申请在基于目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答后，会进一步对预测回答进行精确性验证，如果所述预测回答通过精确性验证，则会智能地对所述预测回答进行清晰度提升处理以及对所述预测回答进行清晰度提升处理以得到第二回答，有效地提升了预测回答的准确性和可读性，从而更加符合客户的需求和期望，使得后续基于所述第二回答对所述客户进行回复处理，有利于提高回答的质量和满意度，进而提高客户的使用体验。
在本实施例的一些可选的实现方式中，所述基于所述第二回答对所述客户进行回复处理，包括以下步骤：
获取所述客户的客户数据。
在本实施例中，上述客户数据可包括客户的基本信息、偏好设置以及历史行为等数据。其中，基本信息可包括姓名、年龄、性别、职业等。可通过问卷调查、用户画像构建等方式，收集客户的偏好信息，如喜欢的颜色、风格、品牌、兴趣爱好等。另外，可分析客户的历史行为数据，如购买记录、浏览历史、互动反馈等，以了解客户的消费习惯和需求趋势。
对所述客户数据进行数据分析，得到对应的客户需求信息。
在本实施例中，通过对客户数据进行分析，识别客户的具体需求和潜在需求，例如涉及对产品功能、性能、价格、服务等方面的具体要求，从而得到对应的客户需求信息。
基于所述客户需求信息对所述第二回答进行对应的个性化调整处理，得到目标回答。
在本实施例中，上述个性化调整处理包括内容定制处理、交互优化处理以及情感共鸣处理。具体的，内容定制处理包括：根据客户需求信息，调整预测回答或服务的具体内容，如语言风格、信息呈现方式、推荐商品等。交互优化处理包括：优化与客户的交互流程，使其更加符合客户的使用习惯和期望。例如，根据客户的浏览习惯调整页面布局，或提供个性化的导航建议。情感共鸣处理包括：在预测回答或服务中融入情感元素，通过情感共鸣增强客户对品牌或产品的认同感。
获取预设的目标通信方式。
在本实施例中，对于上述目标通信方式不做具体限定，可根据实际的使用需求进行选取，例如可采用聊天界面、电子邮件、短信或其他客户期望的通信方式。
基于所述目标通信方式，将所述目标回答返回给所述客户。
在本实施例中，可通过使用目标通信方式将所述目标回答返回给所述客户，以完成对于用户输入的提问文本的回复处理。
本申请通过获取所述客户的客户数据；然后对所述客户数据进行数据分析，得到对应的客户需求信息；之后基于所述客户需求信息对所述第二回答进行对应的个性化调整处理，得到目标回答；后续获取预设的目标通信方式，并基于所述目标通信方式，将所述目标回答返回给所述客户。本申请通过对获取的客户数据进行数据分析得到客户需求信息，进而基于所述客户需求信息对所述第二回答进行对应的个性化调整处理得到目标回答，以使得生成的目标回答更加贴近客户的实际情况和偏好，提高了生成的目标回答的适配性。后续通过使用目标通信方式将所述目标回答返回给所述客户，不仅有助于提升客户体验和满意度，还能增强与客户之间的连接和互动。
在一些可选的实现方式中，获取的客户数据征求了客户同意，且符合相关法律和相关政策的规定。
另外，本申请提出的提问处理方式具有极强的迁移能力。它可以与cha i n-of-thought方法相结合，进一步发挥大语言模型的推理能力。这种协同作用使得模型在不同任务之间能够传递和组织信息，从而在各种复杂情境下取得更出色的表现。无论是面对需要生成文本的任务还是需要进行逻辑推理的数学问题，本申请提出的提问处理方式都能够在大语言模型的推理能力方面提供显著的改进。
此外，本申请提出的提问处理方式无需对大语言模型进行领域微调，这一点极大地节约了时间成本和经济成本。传统上，领域微调需要耗费大量的资源和时间，但本申请提出的提问处理方式通过检索领域增强的i n-context l earn i ng(I CL)，不再需要进行这些繁琐的微调步骤。这意味着可以更快速地将LLMs应用于各种任务，提高了模型的适应性，同时降低了实施成本，使得上述提问处理方式变得更具吸引力和可行性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要强调的是，为进一步保证上述预测回答的私密和安全性，上述预测回答还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(B l ockcha i n)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Art i f i c i a l I nte l l i gence，A I)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-On l y Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于大语言模型的提问处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于大语言模型的提问处理装置300包括：接收模块301、识别模块302、第一获取模块303、第一生成模块304、第二获取模块305、第二生成模块306、处理模块307以及回复模块308。其中：
接收模块301，用于接收客户输入的提问文本，并对所述提问文本进行分词处理得到对应的分词；
识别模块302，用于基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域；
第一获取模块303，用于获取与所述目标业务领域对应的指定示例，以及获取与所述指定示例对应的指定回答；
第一生成模块304，用于基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列；
第二获取模块305，用于获取与所述目标业务领域对应的目标指令；
第二生成模块306，用于基于所述第一输入序列与所述目标指令生成对应的第二输入序列；
处理模块307，用于基于预设的目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答；
回复模块308，用于基于所述预测回答对所述客户进行回复处理。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于大语言模型的提问处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，识别模块302包括：
抽取子模块，用于从预先构建的各个业务领域的示例集合中分别抽取出与目标数量对应的示例；
第一计算子模块，用于计算各个所述分词在各个所述示例集合所对应的示例中的词频；
第二计算子模块，用于基于所有所述示例集合，计算出各个所述分词的逆文档频率；
第三计算子模块，用于基于预设的计算公式对所述词频与所述逆文档频率进行计算，得到各个所述业务领域的领域得分；
筛选子模块，用于从所有所述业务领域中筛选出领域得分最高的指定业务领域；
第一确定子模块，用于将所述指定业务领域作为所述目标业务领域。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于大语言模型的提问处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,第一生成模块304包括：
第一获取子模块，用于获取预设的分隔符；
第一拼接子模块，用于基于所述分隔符对所述指定示例与所述指定回答进行对应的拼接处理，得到第一拼接序列；
添加子模块，用于将所述提问文本添加至所述第一拼接序列中的指定位置内，得到对应的第二拼接序列；
第二确定子模块，用于将所述第二拼接序列作为所述第一输入序列。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于大语言模型的提问处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二获取模块305包括：
第二获取子模块，用于获取与所述目标业务领域对应的任务目标；
第三获取子模块，用于获取预设的指令编写策略；
编写子模块，用于基于所述指定编写策略与所述任务目标进行对应的指令编写处理，得到对应的初始指令；
第一验证子模块，用于对所述初始指令进行歧义验证；
第三确定子模块，用于若所述初始指令通过歧义验证，则将所述初始指令作为与所述目标业务领域对应的目标指令。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于大语言模型的提问处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二生成模块306包括：
第四获取子模块，用于获取预设的拼接策略；
第二拼接子模块，用于基于所述拼接策略对所述第一输入序列与所述目标指令进行拼接处理，得到对应的第三拼接序列；
第四确定子模块，用于将所述第三拼接序列作为所述第二输入序列。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于大语言模型的提问处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，回复模块308包括：
第二验证子模块，用于对所述预测回答进行精确性验证；
第一处理子模块，用于若所述预测回答通过精确性验证，则对所述预测回答进行清晰度提升处理，得到对应的第一回答；
第二处理子模块，用于对所述第一回答进行格式化优化处理，得到对应的第二回答；
回复子模块，用于基于所述第二回答对所述客户进行回复处理。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于大语言模型的提问处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，回复子模块包括：
第一获取单元，用于获取所述客户的客户数据；
分析单元，用于对所述客户数据进行数据分析，得到对应的客户需求信息；
调整单元，用于基于所述客户需求信息对所述第二回答进行对应的个性化调整处理，得到目标回答；
第二获取单元，用于获取预设的目标通信方式；
返回单元，用于基于所述目标通信方式，将所述目标回答返回给所述客户。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于大语言模型的提问处理方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(App l i cat i onSpec i f i c I ntegrated C i rcu i t，AS I C)、可编程门阵列(F i e l d－Programmab l e Gate Ar ray，FPGA)、数字处理器(D i g i ta l S i gna l Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Med i a Card,SMC)，安全数字(Secure D i g i ta l,SD)卡，闪存卡(F l ash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于大语言模型的提问处理方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Centra lProcess i ng Un it，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于大语言模型的提问处理方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于大语言模型的提问处理方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于大语言模型的提问处理方法，其特征在于，包括下述步骤：
接收客户输入的提问文本，并对所述提问文本进行分词处理得到对应的分词；
基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域；
获取与所述目标业务领域对应的指定示例，以及获取与所述指定示例对应的指定回答；
基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列；
获取与所述目标业务领域对应的目标指令；
基于所述第一输入序列与所述目标指令生成对应的第二输入序列；
基于预设的目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答；
基于所述预测回答对所述客户进行回复处理。
2.根据权利要求1所述的基于大语言模型的提问处理方法，其特征在于，所述基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域的步骤，具体包括：
从预先构建的各个业务领域的示例集合中分别抽取出与目标数量对应的示例；
计算各个所述分词在各个所述示例集合所对应的示例中的词频；
基于所有所述示例集合，计算出各个所述分词的逆文档频率；
基于预设的计算公式对所述词频与所述逆文档频率进行计算，得到各个所述业务领域的领域得分；
从所有所述业务领域中筛选出领域得分最高的指定业务领域；
将所述指定业务领域作为所述目标业务领域。
3.根据权利要求1所述的基于大语言模型的提问处理方法，其特征在于，所述基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列的步骤，具体包括：
获取预设的分隔符；
基于所述分隔符对所述指定示例与所述指定回答进行对应的拼接处理，得到第一拼接序列；
将所述提问文本添加至所述第一拼接序列中的指定位置内，得到对应的第二拼接序列；
将所述第二拼接序列作为所述第一输入序列。
4.根据权利要求1所述的基于大语言模型的提问处理方法，其特征在于，所述获取与所述目标业务领域对应的目标指令的步骤，具体包括：
获取与所述目标业务领域对应的任务目标；
获取预设的指令编写策略；
基于所述指定编写策略与所述任务目标进行对应的指令编写处理，得到对应的初始指令；
对所述初始指令进行歧义验证；
若所述初始指令通过歧义验证，则将所述初始指令作为与所述目标业务领域对应的目标指令。
5.根据权利要求1所述的基于大语言模型的提问处理方法，其特征在于，所述基于所述第一输入序列与所述目标指令生成对应的第二输入序列的步骤，具体包括：
获取预设的拼接策略；
基于所述拼接策略对所述第一输入序列与所述目标指令进行拼接处理，得到对应的第三拼接序列；
将所述第三拼接序列作为所述第二输入序列。
6.根据权利要求1所述的基于大语言模型的提问处理方法，其特征在于，所述基于所述预测回答对所述客户进行回复处理的步骤，具体包括：
对所述预测回答进行精确性验证；
若所述预测回答通过精确性验证，则对所述预测回答进行清晰度提升处理，得到对应的第一回答；
对所述第一回答进行格式化优化处理，得到对应的第二回答；
基于所述第二回答对所述客户进行回复处理。
7.根据权利要求6所述的基于大语言模型的提问处理方法，其特征在于，所述基于所述第二回答对所述客户进行回复处理的步骤，具体包括：
获取所述客户的客户数据；
对所述客户数据进行数据分析，得到对应的客户需求信息；
基于所述客户需求信息对所述第二回答进行对应的个性化调整处理，得到目标回答；
获取预设的目标通信方式；
基于所述目标通信方式，将所述目标回答返回给所述客户。
8.一种基于大语言模型的提问处理装置，其特征在于，包括：
接收模块，用于接收客户输入的提问文本，并对所述提问文本进行分词处理得到对应的分词；
识别模块，用于基于预设的业务领域识别策略，使用所述分词对所述提问文本进行业务领域识别处理，得到与所述提问文本对应的目标业务领域；
第一获取模块，用于获取与所述目标业务领域对应的指定示例，以及获取与所述指定示例对应的指定回答；
第一生成模块，用于基于所述指定示例、所述指定回答以及所述提问文本生成对应的第一输入序列；
第二获取模块，用于获取与所述目标业务领域对应的目标指令；
第二生成模块，用于基于所述第一输入序列与所述目标指令生成对应的第二输入序列；
处理模块，用于基于预设的目标大语言模型对所述第二输入序列进行处理，得到对应的预测回答；
回复模块，用于基于所述预测回答对所述客户进行回复处理。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于大语言模型的提问处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于大语言模型的提问处理方法的步骤。
CN202411382408.XA 2024-09-27 2024-09-27 基于大语言模型的提问处理方法、装置、设备及介质 Pending CN119202195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411382408.XA CN119202195A (zh) 2024-09-27 2024-09-27 基于大语言模型的提问处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411382408.XA CN119202195A (zh) 2024-09-27 2024-09-27 基于大语言模型的提问处理方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN119202195A true CN119202195A (zh) 2024-12-27

Family

ID=94059672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411382408.XA Pending CN119202195A (zh) 2024-09-27 2024-09-27 基于大语言模型的提问处理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN119202195A (zh)

Similar Documents

Publication Publication Date Title
US20210042866A1 (en) Method and apparatus for the semi-autonomous management, analysis and distribution of intellectual property assets between various entities
CN110825956A (zh) 一种信息流推荐方法、装置、计算机设备及存储介质
Chyrun et al. Content monitoring method for cut formation of person psychological state in social scoring
CN115982376B (zh) 基于文本、多模数据和知识训练模型的方法和装置
EP3961426A2 (en) Method and apparatus for recommending document, electronic device and medium
CN116703515A (zh) 基于人工智能的推荐方法、装置、计算机设备及存储介质
US12124683B1 (en) Content analytics as part of content creation
CN113609833B (zh) 文件的动态生成方法、装置、计算机设备及存储介质
CN119202195A (zh) 基于大语言模型的提问处理方法、装置、设备及介质
CN113535125A (zh) 金融需求项生成方法及装置
CN114528489A (zh) 用户标签的确定方法、装置、电子设备和程序产品
CN112069807A (zh) 文本数据的主题提取方法、装置、计算机设备及存储介质
CN110879868A (zh) 顾问方案生成方法、装置、系统、电子设备及介质
US20200302005A1 (en) Comment-based article augmentation
Wang et al. Interactive Art Design and Color Perception Based on the Sparse Network and the VR System
CN117056628A (zh) 一种数据展示方法、装置、设备及其存储介质
CN119293159A (zh) 基于人工智能的查询处理方法、装置、计算机设备及介质
CN119250062A (zh) 一种句向量的确定方法、装置、设备及介质
CN117271790A (zh) 标注数据的扩充方法、装置、计算机设备及存储介质
CN119397080A (zh) 基于人工智能的数据生成方法、装置、计算机设备及介质
CN119886051A (zh) 一种文档生成方法、装置、电子设备及存储介质
CN119046357A (zh) 数据接口的数据处理方法及装置
CN119691273A (zh) 一种内容推荐方法、装置、设备及介质
CN119671662A (zh) 信息展示方法、装置、计算机设备及存储介质
CN116542779A (zh) 基于人工智能的产品推荐方法、装置、设备及存储介质

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