基于角色画像与多模态会话的AI智能陪练方法及系统与流程
本发明涉及ai陪练与技能演练,尤其是基于角色画像与多模态会话的ai智能陪练方法及系统。
背景技术:
1、随着人工智能、大语言模型与智能教育技术的迅猛发展,企业对员工技能训练的管理模式正逐步从“集中授课+考试验收”的粗放模式,向“个性化演练+过程量化+数据驱动”的精细化智能陪练演进。近年来,部分企业开始引入ai对话机器人陪练工具,用于模拟客户对话、辅助话术练习。如中国专利cn121073718a公开了场景化ai陪练的自适应交互与多维度评估方法,其构建了系统场景库和角色库配置真实业务场景需求,得到结构化场景模型,根据交互内容进行实时场景适配检测。依然无法弥补当前市场上的ai陪练与技能演练领域中普遍存在以下技术瓶颈与应用局限:
2、一、角色设定静态化,缺乏行为画像与人格建模,训练缺乏个性化与针对性。
3、二、评分机制模糊,缺乏可配置、多维度的量化评分体系。
技术实现思路
1、本发明提供基于角色画像与多模态会话的ai智能陪练方法及系统,旨在解决上述背景技术中提到的现有技术存在的角色个性化缺失、评价机制模糊的问题或问题之一。
2、本发明提供的基于角色画像与多模态会话的ai智能陪练方法,包括以下步骤:
3、s1:构建结构化的角色画像并采用语义编码方式生成场景化响应策略参数矩阵,为所述场景化响应策略参数矩阵标注唯一的角色场景id;将所述角色场景id与知识库中经标签标注的知识文档建立映射关系;
4、s2:基于已构建的角色场景id创建陪练任务,并设置任务类型、难度等级、交互时长或评分引擎;大语言模型根据陪练任务选择性加载相应的角色场景id,并自动匹配对应的知识文档,进而搭建起任务-场景-知识三级语义锚点的任务实例作为大语言模型的推理规范;
5、s3:启动多模态会话控制器,多模态会话控制器支持语音输入与文本输入双通道交互,所述多模态会话控制器基于状态机管理会话生命周期,包括会话启动、暂停、续练与终止操作,并在会话过程中采集包括难度等级、交互时长、关键词命中记录或情绪倾向分析结果之中的至少三类数据;
6、s4:在会话结束后,调用评分引擎对采集的所述难度等级、交互时长、关键词命中记录和情绪倾向分析结果之中的至少三类数据进行多维度加权计算,输出评分结果,包括多评分维度综合得分或多评分维度得分雷达图。
7、优选地,还包括步骤s5:将在前步骤中所述任务实例、所述轮次序列、所述交互时长、所述关键词命中记录及所述情绪倾向分析结果和所述多评分维度综合得分,统一聚合至数据仪表盘,生成可视化报告,包括任务完成率或能力指标长短板分布图之中的一种或多种报告。
8、优选地,步骤s1中所述结构化角色画像包括身份标识、需求建模和情绪建模之中的至少两类;所述角色场景id的生成方式为:对所述身份标识进行结构化编码,形成第一身份向量;对所述情绪建模通过历史交互日志聚类分析获得情绪模式标签集,生成第二情绪向量;对所述需求建模采用语义槽填充方式提取核心诉求关键词,生成第三需求向量;将所述第一身份向量、所述第二情绪向量与所述第三需求向量进行张量拼接后输入轻量级transformer编码器,输出场景化响应策略参数矩阵,即角色场景id;所述角色场景id用于控制ai陪练在后续会话中的回应节奏、情绪适配类型及知识粒度。
9、优选地,步骤s1中所述知识文档的标签标注包括三级语义标签体系构建,具体为:第一级标签为业务域标签,包括销售、客服、政务或医疗;第二级标签为场景类型标签,包括投诉处理、政策咨询、产品推介或应急安抚;第三级标签为知识粒度标签,包括faq条目、法规条款或专业问答话本。
10、优选地,所述映射关系建立过程为:对每个所述知识文档提取标题与正文tf-idf特征向量,分别与所述第一级标签、所述第二级标签、所述第三级标签对应的语义嵌入向量进行余弦相似度计算,选取相似度最高且大于阈值(如)的三级标签组合,作为该知识文档的唯一标签路径,并将该标签路径与所述角色场景id进行哈希键值对存储。
11、优选地,在步骤s3中,所述多模态会话控制器的状态机包括五个状态节点:idle、active、paused、resumed和terminated;状态节点之间的迁移规则为:idle经会话启动指令进入active;active经暂停指令进入paused;paused经续练指令进入resumed;resumed经会话结束指令进入terminated;active经异常中断事件进入paused;所述异常中断事件包括语音信噪比低于阈值r(如r取12db)或连续两轮文本输入字符数少于5。
12、优选地,在步骤s3中,所述情绪倾向分析结果的具体实现方式为:
13、情绪分类及定义:对每轮语音输入执行asr转写后,提取所述转写文本的依存句法树,识别主谓宾三元组;对每个三元组中谓词节点进行聚类分析为可量化的情绪类型标签,包括:
14、克制:谓词语义类别集中在陈述类、描述类、确认类(如“表示、说明、了解、事实上、如果”)。
15、专业:谓词节点以专业操作类、逻辑推导类为主(如“分析、建议、评估、核实、根据、原因”),且存在强关联知识粒度(知识粒度≥0.5)。
16、共情:谓词节点语义类别以感受类、响应类、承接类为主(如“理解、感受到、注意到、我知道您、帮助您”),且谓词宾语指向对话方(第二/第三人称)。
17、主动:谓词节点以推进类、引导类、建议类为主(如含情态动词“建议、推荐、可以、能够、接下来、帮您安排”),且谓词时态/情态指向未来。
18、情绪类型识别及分析:将学员陪练任务的对话文本和情绪类型标签作为输入序列,采用bert微调模型输出各情绪类型标签的概率分布(0–1浮点数);取概率最大值或概率前两位值的情绪类型标签作为情绪倾向分析结果。
19、基于角色画像与多模态交互的对话训练系统,其特征在于,包括:
20、角色场景生成器,用于构建结构化角色画像,生成唯一的角色场景id,并将所述角色场景id与知识库中经标签标注的知识文档建立映射关系;所述结构化角色画像包括身份标识、需求建模或情绪建模;
21、任务编排器,用于接收陪练任务创建指令,大语言模型根据陪练任务选择性加载相应的角色场景id,并自动匹配对应的知识文档,进而搭建起任务-场景-知识三级语义锚点的任务实例作为大语言模型的推理规范;
22、多模态会话控制器,用于支持语音输入与文本输入双通道交互,基于状态机管理会话生命周期,包括会话启动、暂停、续练与终止操作,并在会话过程中采集包括难度等级、交互时长、关键词命中记录或情绪倾向分析结果之中的至少三类数据;
23、评分引擎,用于在会话结束后,对采集的所述难度等级、交互时长、关键词命中记录和情绪倾向分析结果之中的至少三类数据进行多维度加权计算,输出评分结果,包括多评分维度综合得分或多评分维度得分雷达图。
24、本发明具有以下有益效果:
25、1.本发明通过角色画像驱动构建的任务–场景–知识库三级语义锚点的高拟真陪练场景;突破传统脚本式、静态化陪练模式,通过结构化定义虚拟角色的身份背景情绪模式与核心诉求,绑定对应的知识文档,实现“千人千面”的沉浸式对话环境。该机制使ai陪练具备人格化响应策略,大幅提升学员代入感与实战迁移效率,从根本上解决“缺乏个性化”问题。
26、2.支持语音输入(含asr转写)与纯文本双通道交互,引入状态机控制“开始–暂停–续练–结束”完整流程,并自动采集会话时长、轮次密度、关键词命中率、情感倾向等细粒度过程数据。相比仅支持单模态或无状态管理的系统,本方案更贴近真实业务沟通节奏,为后续评分分析提供高保真数据依据,奠定“评价反馈可量化”基础。
27、3.评分上提供可配置的评分引擎,允许用户自定义、可配置评分维度、设置权重与阈值,并绑定至具体任务实现自动化评估的正反馈高效练习方式。
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