一种意图分流的运维问答方法及系统
本发明涉及智能问答与检索增强生成,具体是指一种意图分流的运维问答方法及系统。
背景技术:
1、在轨道交通、电力、通信等行业的运维工作中,一线人员经常需要查询故障处置手册、检修规程等知识型问题,也需要查询“某故障上月发生几次”“哪条线故障最多”等依赖企业内部台账的统计型问题,以及“某设备某指标当前读数”等实时型问题。检索增强生成(rag)技术通过先检索相关文本再由大语言模型生成答案,被广泛应用于运维知识问答系统中。同时,意图识别技术也被引入问答系统,用于判断用户问题的类型以指导后续处理。现有的一些运维问答系统开始尝试将意图识别与rag相结合,通过识别问题意图来优化回答的生成过程。
2、然而,现有运维问答系统普遍存在一个核心技术问题:不同性质的运维问询被统一送入同一处理通道,缺乏按问题意图进行差异化处理的分流机制。具体而言,现有rag系统将所有问题一视同仁地执行“检索文本—生成答案”这一单一流程,对“某故障上月发生几次”这类统计型问题无法对台账记录执行精确的计数与聚合运算,只能依赖文本生成给出模糊估算,无法返回确定性数字;对大语言模型在检索资料不足时仍倾向编造看似合理答案的“幻觉”问题,现有系统缺乏“只依据资料回答、无依据即拒答”的强制约束机制;同时,现有方案未将知识问答、统计查询与实时状态查询三类不同性质的问题按意图进行前置路由分流,导致统计型问题被错误地送入文本检索通道、实时型问题也无法获得直接来自遥测数据的当前状态。上述问题的根本原因在于:现有系统缺少以意图识别为前置路由、将不同性质问询分流至互不相同处理通道的架构设计,未能在同一系统中统一处理知识型、统计型和实时型三类混合问询
技术实现思路
1、为了解决上述背景技术中提到的问题,本发明提供了一种意图分流的运维问答方法及系统,本发明采用的技术方案如下:
2、本技术的上述发明目的一是通过以下技术方案得以实现的:一种意图分流的运维问答方法,包括以下步骤:
3、s10:接收用户输入的多轮会话请求信息,基于所述多轮会话请求信息进行指代消解与语义改写,生成标准问询文本信息;
4、s20:对所述标准问询文本信息进行意图识别与分流路由,识别出所述标准问询文本信息对应的意图类别信息,并根据所述意图类别信息将所述标准问询文本信息分流至对应的处理通道;
5、s30:当所述意图类别信息为知识问答意图时,将所述标准问询文本信息分流至混合检索与重排通道,基于向量检索和关键词检索从本地知识库中召回相关文本片段信息,对召回的文本片段信息进行合并去重与重排,基于重排后的文本片段信息生成带强制溯源标注的回答结果信息或拒答结果信息;
6、s40:当所述意图类别信息为数据统计意图时,将所述标准问询文本信息分流至结构化查询通道,对所述标准问询文本信息进行结构化槽位解析并生成数据库查询指令信息,基于所述数据库查询指令信息对本地结构化台账数据库执行查询操作,生成包含精确统计数值的回答结果信息;
7、s50:当所述意图类别信息为实时状态查询意图时,将所述标准问询文本信息分流至实时状态通道,从所述标准问询文本信息中解析目标设备标识信息与目标指标信息,基于所述目标设备标识信息与所述目标指标信息从本地实时数据源获取当前状态读数信息,并根据预设的正常范围阈值信息对所述当前状态读数信息进行状态判定,生成实时状态回答结果信息。
8、通过采用上述方案,通过接收用户输入的多轮会话请求信息并首先进行指代消解与语义改写生成标准问询文本信息,为后续意图识别提供语义完整且不含歧义的标准化问题表述;然后对标准问询文本信息进行意图识别与分流路由,根据识别出的知识问答意图、数据统计意图或实时状态查询意图将问题分流至对应的处理通道,使不同性质的问题能够进入各自适配的处理路径而非统一走同一通道;当识别为知识问答意图时进入混合检索与重排通道,通过向量检索和关键词检索从本地知识库中召回相关文本片段并进行合并去重与重排,基于重排后的片段生成带强制溯源标注的回答或拒答结果,使知识型问题的回答既有依据可查又能在资料不足时主动拒答而非编造;当识别为数据统计意图时进入结构化查询通道,通过槽位解析生成数据库查询指令并对本地结构化台账数据库执行精确的过滤与聚合查询,生成包含精确统计数值的回答,使统计型问题能够获得确定性数字结果而非文本生成式的估算;当识别为实时状态查询意图时进入实时状态通道,从问题中解析目标设备与目标指标并从本地实时数据源获取当前读数进行状态判定,使实时型问题能够直接获得来自遥测数据的当前状态信息;该流程通过前置意图识别将三类不同性质的运维问询分别导向检索溯源、精确计数和实时读数三种差异化的处理路径,有效解决了通用检索增强生成对所有问题一视同仁导致统计型问题无法精确计数、知识型问题易产生幻觉的技术缺陷。
9、本技术在一较佳示例中可以进一步配置为:所述步骤s10具体包括:
10、s101:获取当前用户输入信息与会话历史信息,所述会话历史信息为当前会话中最近若干轮的用户问题与系统回答记录;
11、s102:检测所述当前用户输入信息中是否包含指代词或省略成分;
12、s103:当检测到包含指代词或省略成分时,基于所述会话历史信息对所述当前用户输入信息进行指代消解与语义补全,将指代词替换为前文中的具体实体名称,将省略成分补全为完整的语义单元,生成所述标准问询文本信息;
13、s104:当未检测到包含指代词或省略成分时,将所述当前用户输入信息直接作为所述标准问询文本信息。
14、通过采用上述方案,首先获取当前用户输入信息和会话历史信息,其中会话历史信息为当前会话中最近若干轮的用户问题与系统回答记录,为指代消解提供了必要的上下文参照;然后检测当前用户输入信息中是否包含指代词或省略成分,通过识别诸如“它”“那个”“它的处置步骤呢”等需要依赖前文才能完整理解语义的表达成分,确定是否需要进行改写处理;当检测到包含指代词或省略成分时,基于会话历史信息将指代词替换为前文中的具体实体名称、将省略成分补全为完整的语义单元从而生成标准问询文本信息,使原本依赖上下文的省略表达被还原为独立可理解的完整问题;当未检测到指代词或省略成分时将当前输入直接作为标准问询文本信息;该处理保证了进入后续意图识别步骤的问题在语义上是完整的、不依赖于前文语境即可独立理解的,避免了因指代不清或省略导致意图误判,尤其适用于多轮交互场景中用户习惯使用简略表达的自然对话习惯。
15、本技术在一较佳示例中可以进一步配置为:所述步骤s20中的意图类别信息包括知识问答意图、数据统计意图、实时状态查询意图和闲聊意图;所述步骤s20具体包括:
16、s201:对所述标准问询文本信息进行特征提取,所述特征包括关键词特征、句式结构特征和语义特征;
17、s202:基于预设的规则匹配方式或分类模型方式对提取的特征进行意图判定,生成所述标准问询文本信息的意图类别信息;
18、s203:所述规则匹配方式包括专一触发词匹配、统计词匹配、设备指标词匹配及时间窗口信号匹配,当同时命中统计信号与实时指标信号时,采用统计信号优先于实时信号的优先级规则进行意图判定;
19、s204:当所述意图类别信息为闲聊意图时,将所述标准问询文本信息分流至本地对话生成通道,基于本地部署的语言模型生成闲聊回答结果信息。
20、通过采用上述方案,意图类别信息包括知识问答意图、数据统计意图、实时状态查询意图和闲聊意图四类,覆盖了运维场景中用户可能提出的主要问题类型;通过对标准问询文本进行关键词、句式结构和语义等多维度特征提取,并基于规则匹配或分类模型进行意图判定,使系统能够从原始自然语言中准确识别用户真正想要获取的信息类型;规则匹配方式中采用专一触发词匹配识别特定类型问题、统计词匹配识别计数类问题、设备指标词匹配识别实时数据查询、时间窗口信号匹配识别历史数据范围查询,并通过统计信号优先于实时信号的优先级规则处理同时命中多种信号的情况,有效避免了“某故障上月发生几次”这类历史统计问题被误判为“当前读数是多少”这类实时查询;当识别为闲聊意图时,将问题分流至本地对话生成通道由本地语言模型生成闲聊回答,使用户体验更加自然流畅的同时不影响核心业务通道的处理效率。
21、本技术在一较佳示例中可以进一步配置为:所述步骤s30具体包括:
22、s301:基于本地部署的嵌入模型对所述标准问询文本信息进行向量编码,生成问题向量信息,基于所述问题向量信息在本地向量知识库中执行近似最近邻检索,召回第一候选文本片段集合信息;
23、s302:基于本地部署的bm25检索器对所述标准问询文本信息进行关键词匹配检索,在本地文本知识库中召回第二候选文本片段集合信息;
24、s303:将所述第一候选文本片段集合信息与所述第二候选文本片段集合信息进行合并与去重,生成合并候选文本片段集合信息;
25、s304:基于本地部署的交叉编码器对所述合并候选文本片段集合信息中的各文本片段进行相关性评分与重排,选取评分最高的若干文本片段作为目标参考文本片段信息;
26、s305:基于本地部署的语言模型,以所述目标参考文本片段信息为依据生成回答结果信息,当所述目标参考文本片段信息不足以支撑回答时生成拒答结果信息,并在所述回答结果信息的末尾标注所引用的文本片段出处信息。
27、通过采用上述方案,首先基于本地部署的嵌入模型对标准问询文本进行向量编码生成问题向量,并在本地向量知识库中执行近似最近邻检索召回语义相关的第一候选文本片段集合,利用向量检索的语义泛化能力捕捉问题与知识片段之间的深层语义关联;同时基于本地部署的bm25检索器进行关键词匹配检索召回第二候选文本片段集合,利用关键词检索的精确匹配能力确保专有名词和术语不被遗漏;将两路召回结果合并去重生成合并候选集合,使最终候选集同时具备语义泛化覆盖和精确关键词匹配的双重优势;然后基于本地部署的交叉编码器对合并候选集合中的各文本片段逐一进行相关性评分与重排,选取评分最高的若干片段作为目标参考文本,交叉编码器对问题和文本片段的联合编码能够更精确地评估相关性,较双编码器具有更高的排序精度;最后基于本地部署的语言模型以目标参考文本为依据生成回答,并在末尾标注引用出处,当参考文本不足以支撑回答时生成拒答结果而非编造,该流程通过多路召回互补、重排精化和强制溯源拒答的层层递进,在保障回答质量的同时有效抑制了大语言模型在资料不足时易产生幻觉的安全风险。
28、本技术在一较佳示例中可以进一步配置为:所述步骤s305中生成拒答结果信息的判定条件具体包括:当所述目标参考文本片段信息的数量低于预设的参考片段数量阈值时,判定为不足以支撑回答;或当所述目标参考文本片段信息的最高相关性评分低于预设的相关性评分阈值时,判定为不足以支撑回答;或当所述目标参考文本片段信息中不包含与所述标准问询文本信息核心要素匹配的内容时,判定为不足以支撑回答。
29、通过采用上述方案,当目标参考文本片段的数量低于预设的参考片段数量阈值时,表明检索到的相关依据过少、不足以覆盖问题的信息需求,此时判定为不足以支撑回答;或当目标参考文本片段的最高相关性评分低于预设的相关性评分阈值时,表明即使存在相关文本其与问题的匹配程度也不足以作为可靠回答依据,此时判定为不足以支撑回答;或当目标参考文本片段中不包含与标准问询文本信息核心要素匹配的内容时,表明检索结果虽然在关键词或语义上有一定关联但并未命中问题真正关心的核心实体或属性,此时判定为不足以支撑回答;该多重判定条件从数量充足性、质量可靠性和内容匹配性三个维度综合评估检索结果是否足以支撑可靠回答,只有三个条件均满足时才生成带依据的回答,任一条件不满足即触发拒答,最大程度地避免了在依据不充分的情况下模型强行编造答案的风险,符合安全攸关运维场景中“宁可拒答、不可误答”的核心原则。
30、本技术在一较佳示例中可以进一步配置为:所述步骤s40具体包括:
31、s401:对所述标准问询文本信息进行实体识别与语义解析,提取故障标识信息、线路标识信息、设备类型信息及时间窗口信息,并对提取到的实体信息进行同义词归一化处理,生成标准化槽位信息;
32、s402:基于所述标准化槽位信息确定查询类型信息,所述查询类型信息包括计数查询类型、分组排名查询类型和明细查询类型;
33、s403:根据所述查询类型信息将所述标准化槽位信息转换为数据库查询指令信息;
34、s404:基于所述数据库查询指令信息对本地结构化台账数据库执行过滤与聚合查询操作,生成包含精确统计数值、状态分布信息及最近一条关联记录的回答结果信息。
35、通过采用上述方案,首先对标准问询文本进行实体识别与语义解析,提取故障标识信息、线路标识信息、设备类型信息及时间窗口信息等结构化槽位,并对提取到的实体进行同义词归一化处理使不同表述方式映射到统一的标准实体标识,从而将自然语言问题中的关键要素转化为数据库可识别的标准化槽位信息;然后基于标准化槽位信息确定查询类型为计数查询、分组排名查询或明细查询,不同类型的统计问题对应不同的sql操作模式;根据查询类型将槽位信息转换为数据库查询指令,使问题中的自然语言条件被准确翻译为数据库的过滤条件、分组条件和排序条件;最后对本地结构化台账数据库执行过滤与聚合查询,生成包含精确统计数值、状态分布信息及最近一条关联记录的回答结果,提供精确的计数结果、分布情况和具体实例作为佐证,使统计型问题获得完全确定性的数字答案而非生成式估算,其准确性来源于对台账数据库的确定性查询。
36、本技术在一较佳示例中可以进一步配置为:所述步骤s401中对所述标准问询文本信息进行时间窗口信息提取时,将自然语言时间表达转换为基于当前时刻的相对时间窗口,将所述相对时间窗口转换为数据库查询可用的绝对时间范围条件。
37、通过采用上述方案,将自然语言时间表达转换为基于当前时刻的相对时间窗口,使“上月”“最近一周”“今年”等自然语言时间描述被解析为相对于系统当前时间的起止范围,无需用户手动计算或输入具体日期;然后将相对时间窗口转换为数据库查询可用的绝对时间范围条件,使自然语言时间表达被准确映射为数据库查询语句中的日期比较条件;该转换过程使系统能够准确理解用户关于特定时间段的数据统计需求,避免了因时间表达理解偏差导致的统计结果错误,尤其适用于“某故障上月发生几次”“最近一周哪条线故障最多”等需要精确时间范围限定才能正确统计的问题类型。
38、本技术在一较佳示例中可以进一步配置为:所述步骤s50中的预设的正常范围阈值信息为根据设备类型与指标类型预先配置的动态阈值信息,所述动态阈值信息随设备型号、运行季节或负载区间动态调整;所述状态判定结果包括正常状态、偏高状态、偏低状态及超限状态,当所述当前状态读数信息处于所述正常范围阈值信息内时判定为所述正常状态,当所述当前状态读数信息超过所述正常范围阈值信息上限时判定为所述偏高状态或所述超限状态,当所述当前状态读数信息低于所述正常范围阈值信息下限时判定为所述偏低状态或所述超限状态。
39、通过采用上述方案,预设的正常范围阈值信息为根据设备类型与指标类型预先配置的动态阈值信息,该阈值随设备型号、运行季节或负载区间动态调整,使不同设备在各自合理工况下具有差异化的正常范围判定标准,避免以固定阈值一刀切导致误判;状态判定结果包括正常、偏高、偏低和超限四种状态,当前读数处于正常阈值内判定为正常,超过上限时根据超出程度判定为偏高或超限,低于下限时根据偏低程度判定为偏低或超限,使机器人不仅返回当前读数还能给出基于设备特性的状态评估结论,使用户能够快速了解当前读数是否异常而无需自行对照阈值判断,该判定结果直接来自本地遥测数据源,天然具有可溯源性和实时性。
40、本技术在一较佳示例中可以进一步配置为:在所述步骤s30、s40及s50中,所有检索操作、查询操作及生成操作均在内网本地环境中执行,生成的所有回答结果信息均不包含源自外部网络的响应数据。
41、通过采用上述方案,整个问答方法中所有检索操作、查询操作及生成操作均在内网本地环境中执行,涵盖步骤s30中的向量检索、关键词检索、交叉编码器重排和语言模型生成,步骤s40中对本地结构化台账数据库的查询操作,以及步骤s50中对本地实时数据源的读取操作;所有回答结果信息均不包含源自外部网络的响应数据,确保从数据读取、检索、查询到生成的全链路数据流动始终处于内网边界之内,有效满足了轨道交通等涉密行业对运维数据不得上云的合规要求,同时本地化的部署方式也保障了在外部网络中断情况下系统仍能正常提供问答服务,不依赖云端大模型的可用性。
42、本技术的上述发明目的二是通过以下技术方案得以实现的:
43、一种意图分流的运维问答系统,用于执行所述一种意图分流的运维问答方法,包括:
44、指代消解模块,用于接收用户输入的多轮会话请求信息,基于所述多轮会话请求信息进行指代消解与语义改写,生成标准问询文本信息;
45、意图识别与路由模块,用于对所述标准问询文本信息进行意图识别与分流路由,识别出所述标准问询文本信息对应的意图类别信息,并根据所述意图类别信息将所述标准问询文本信息分流至对应的处理通道;
46、混合检索与重排模块,用于当所述意图类别信息为知识问答意图时,基于向量检索和关键词检索从本地知识库中召回相关文本片段信息,对召回的文本片段信息进行合并去重与重排;
47、抗幻觉生成模块,用于基于重排后的文本片段信息生成带强制溯源标注的回答结果信息或拒答结果信息;
48、结构化查询模块,用于当所述意图类别信息为数据统计意图时,对所述标准问询文本信息进行结构化槽位解析并生成数据库查询指令信息,基于所述数据库查询指令信息对本地结构化台账数据库执行查询操作,生成包含精确统计数值的回答结果信息;
49、实时状态查询模块,用于当所述意图类别信息为实时状态查询意图时,从所述标准问询文本信息中解析目标设备标识信息与目标指标信息,基于所述目标设备标识信息与所述目标指标信息从本地实时数据源获取当前状态读数信息,并根据预设的正常范围阈值信息对所述当前状态读数信息进行状态判定,生成实时状态回答结果信息;
50、本地模型服务模块,用于在内网本地环境中部署并运行嵌入模型、bm25检索器、交叉编码器及语言模型,使所有检索操作、查询操作及生成操作均在内网本地环境中执行,确保问答全链路数据不出内网。
51、本发明一种意图分流的运维问答方法及系统的有益效果如下:
52、1、本技术方案通过以意图识别作为前置路由,将不同性质的运维问询分流至互不相同的处理通道,知识型问题进入混合检索与重排通道基于向量检索和关键词检索从本地知识库召回相关文本并进行合并去重与重排后生成带强制溯源标注的回答或拒答结果,统计型问题进入结构化查询通道通过槽位解析生成数据库查询指令对本地台账执行精确过滤与聚合返回确定性数字结果,实时型问题进入实时状态通道从本地遥测数据源获取当前读数并根据动态阈值进行状态判定,使不同性质的问题分别被导向检索溯源、精确计数和实时读数三种差异化的处理路径,从架构层面解决了通用检索增强生成对所有问题一视同仁导致统计型问题无法精确计数、知识型问题易产生幻觉的根本缺陷,同时通过强制溯源标注和多重拒答判定条件有效抑制了大语言模型在资料不足时编造答案的风险,在数据不出内网的约束下实现了对不同性质运维问询的针对性、准确性和可溯源回答。
53、2、本技术方案通过混合检索阶段向量检索与关键词检索的双路召回互补及合并去重后交叉编码器重排精化,使知识问答的检索命中率得到显著提升,配合多轮会话中指代消解与语义改写将省略表达还原为独立可理解的完整问题,有效避免了因指代不清导致意图误判,统计查询中通过实体识别、同义词归一化和相对时间窗口转换将自然语言问题精准翻译为数据库查询条件,使计数和聚合结果完全来自确定性数据库运算而非生成式估算,实时查询中通过随设备型号、运行季节或负载区间动态调整的正常范围阈值进行多级状态判定,使用户无需自行对照阈值即可直接获得设备健康状态的定性结论,三类通道各自采用最适配的处理手段而非统一走文本检索生成路径,在提升各类问题回答准确性的同时使端到端响应保持在可接受范围内。
54、3、本技术方案将嵌入模型、bm25检索器、交叉编码器及语言模型全部部署于内网本地环境,使向量检索、关键词检索、交叉编码器重排、语言模型生成、台账数据库查询及实时数据源读取的所有操作均在内网本地执行,全链路数据流动始终处于内网边界之内,生成的所有回答结果信息均不包含源自外部网络的响应数据,在满足轨道交通等涉密行业对运维数据不得上云合规要求的同时,也保障了外部网络中断情况下系统仍能独立提供完整的问答服务,实现了安全性与可用性的统一;结合多轮指代消解使系统在多轮交互中始终保持语义完整性,闲聊意图被单独分流至本地对话生成通道避免占用业务处理资源的同时保持了自然流畅的用户体验,使整个系统在准确性、安全性和交互友好性三个维度上均得到保障。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com