一种基于上下文感知的多意图路由与可信问答生成方法与流程
本发明涉及人工智能与智能问答,特别指一种基于上下文感知的多意图路由与可信问答生成方法。
背景技术:
1、近年来,随着人工智能(ai)与大语言模型(large language model, llm)技术的跨越式发展,智能问答系统已成为企业数字化转型的核心工具,广泛赋能于知识管理、客户服务与内部协同等场景。特别是检索增强生成(retrieval-augmented generation, rag)技术的出现,通过引入外部知识库作为生成依据,有效缓解了模型幻觉,提升了回答的时效性与可信度,推动了企业级知识服务能力的跃升。
2、然而,企业知识库固有的海量、异构与动态特性,使得实际交互场景高度复杂。面对多轮对话中的意图交叠、指代模糊及隐性约束,现有基于rag的智能问答系统在技术架构上仍存在显著的局限性,其缺陷集中体现于以下三个维度的深层机制冲突:
3、一、请求处理链路的僵化与意图感知的缺失。
4、现有系统普遍采用“一刀切”的处理逻辑,将全量用户输入无差别地馈送至rag检索链路。这种设计忽视了对话中广泛存在的非知识型意图(如闲聊、人工转接、业务操作指令),不仅导致计算资源的无效消耗,更可能因链路冲突引发系统异常应答。尤为关键的是,系统缺乏前置的“可检索性评估”机制。当用户问题包含指代省略(如“那它的流程呢?”)、实体缺失(如“那个怎么申请?”)或条件模糊(如“最近的报销政策”)时,系统依然盲目执行向量匹配。这种将高歧义、低信息量查询直接映射至高维语义空间的做法,从根本上决定了检索结果的低相关性与不可靠性,使得后续生成环节即便能力再强,也难以纠正上游引入的噪声。
5、二、检索查询与答案生成的高度耦合导致的精度-丰富度两难困境。
6、在经典rag范式下,检索系统的输入查询与生成系统的大模型提示词(prompt)均源于用户原始问题。这种耦合引发了一个固有的结构性矛盾:用户问题中往往夹杂着对输出格式、语气风格的指令性要求,或包含与核心实体无关的冗余情绪表达。若以原始问题检索,格式指令与冗余信息将严重干扰语义向量的空间排布,稀释核心业务实体的权重,导致召回精度骤降;若为提升召回率而剥离上述信息以简化查询,则会导致上下文语境丢失,迫使大模型在生成阶段对用户的格式偏好与真实场景进行“猜测”,输出的答案虽可能在字面上相关,却在结构完整性与交互体验上偏离用户预期。当前缺乏一种有效的解耦机制,使查询语句专注于“语义召回的最优解”,同时使生成提示词兼顾“用户指令的完整性”。
7、三、知识边界模糊及缺乏语义实质判别的过滤机制。
8、rag系统的性能上限高度依赖于检索片段的质量。然而,现有技术仅依赖向量相似度的阈值或top-k排序来筛选上下文,缺乏对检索片段是否提供“实质性语义支撑”的深度判别。企业级知识库中广泛存在字面高频相似但主体对象、适用范围或时间有效性截然不同的干扰项。这类“高相似、假相关”的片段一旦被大模型捕获,极易引发事实性混淆(如张冠李戴、规则误用),生成具有高度迷惑性的错误答案。此外,系统亦缺乏对检索结果集为空或全部被过滤等异常状态的感知能力,并缺少对应的生成边界控制策略。在缺乏有效知识锚点的情况下,大模型倾向于发挥其捏造能力,编造不存在的制度或流程,这对于追求高合规性与严谨性的工业级应用是不可接受的。
9、综上所述,现有的智能问答生成技术在处理企业级复杂对话时,其根本症结在于系统全局感知能力的缺失——即无法精准识别意图模糊性、无法解耦检索与生成的对抗性需求、亦无法界定知识的有效边界。
10、因此,如何提供一种基于上下文感知的多意图路由与可信问答生成方法,实现提升对用户意图模糊性的精准识别与动态路由决策能力、检索查询与答案生成之间的语义解耦与协同优化能力、对知识片段语义实质性的深度判别与生成边界的安全可控能力,成为一个亟待解决的技术问题。
技术实现思路
1、本发明要解决的技术问题,在于提供一种基于上下文感知的多意图路由与可信问答生成方法,实现提升对用户意图模糊性的精准识别与动态路由决策能力、检索查询与答案生成之间的语义解耦与协同优化能力、对知识片段语义实质性的深度判别与生成边界的安全可控能力。
2、本发明提供了一种基于上下文感知的多意图路由与可信问答生成方法,包括如下步骤:
3、步骤s1、请求接收与状态构建:接收当前轮用户问题,并获取包含历史问题、历史意图、上一轮回答和会话标识的历史会话信息,形成当前轮的综合输入;
4、步骤s2、多意图识别与路由:基于所述综合输入,识别当前轮用户问题的意图类别,并根据预设的路由规则,将所述用户问题分发至对应的处理链路;所述处理链路包括知识库问答链路和非知识库问答链路;
5、步骤s3、清晰度判断与问题补全:对分发至所述知识库问答链路的用户问题进行清晰度判断,对于不清晰的所述用户问题,结合所述历史会话信息进行补全或生成澄清追问;
6、步骤s4、双轨改写与检索增强:将经过清晰度判断或补全后的所述用户问题,拆分为面向知识库召回的检索问题和面向答案生成的答复问题,并对所述检索问题进行查询增强,执行知识检索,召回候选知识片段;
7、步骤s5、语义过滤与可信生成:对召回的所述候选知识片段进行语义支撑判别,筛选出能实质支撑答案的有效知识片段,并确定检索状态,基于所述有效知识片段和预设的知识边界控制策略,生成可信答案;
8、步骤s6、结果输出与状态更新:根据所述意图类别、检索状态和可信答案,输出最终响应,并更新当前会话状态。
9、进一步的,所述步骤s2中,所述意图类别至少包括知识库问答、闲聊办公、图片问答、文档问答和转人工需求;所述路由规则用于将非知识库问答的用户问题分流至对应的通用问答、多模态内容解析或人工服务引导处理流程。
10、进一步的,所述步骤s3中,所述清晰度判断具体包括:判断当前的所述用户问题是否包含明确的业务对象、业务动作、适用主体、时间条件或限定条件,以及上下文指代词是否能够由历史会话信息解析;
11、所述用户问题的补全指,当所述用户问题不清晰但可由历史会话信息解析时,将当前的所述用户问题与历史会话信息结合,补全为可独立检索的完整问题表达。
12、进一步的,所述步骤s4中,所述检索问题通过去除用户问题中的寒暄语、情绪表达、格式要求和非检索必要信息后得到,其保留业务对象、业务动作、关键条件和标准术语;所述答复问题通过保留用户完整诉求、业务场景、限定条件和输出形式要求后得到。
13、进一步的,所述步骤s4中,所述查询增强基于企业业务术语表、同义词词典和业务规则映射表,将所述检索问题扩展为标准术语查询、同义词查询、关键词查询和简化查询中的一种或多种形式的查询集合。
14、进一步的,所述步骤s5中,所述语义支撑判别具体包括:判断所述候选知识片段与答复问题在业务主体、适用对象、时间范围和意图类别上的一致性,并输出支撑得分和不可用原因,仅保留支撑得分高于预设阈值的所述候选知识片段作为有效知识片段。
15、进一步的,所述步骤s5中,所述知识边界控制策略包括:
16、生成前约束,确保仅将所述有效知识片段作为生成可信答案的依据;
17、生成中提示约束,要求生成过程仅依据所述有效知识片段生成可信答案;
18、生成后校验规则,检查所述可信答案中是否存在超出有效知识片段的内容的确定性表述。
19、进一步的,所述步骤s5中,所述检索状态包括存在有效知识片段、未召回候选片段、召回片段均不可用、检索超时和检索异常;当所述检索状态为未召回候选片段、召回片段均不可用、检索超时或检索异常时,执行兜底生成策略或异常处理策略,不生成带有知识依据的可信答案。
20、进一步的,所述步骤s6中,所述输出最终响应具体包括:当所述检索状态为存在有效知识片段时,输出基于所述有效知识片段生成的可信答案并展示引用来源;当所述用户问题不清晰时,输出澄清追问;当所述检索状态为未召回候选片段、召回片段均不可用、检索超时或检索异常时,输出兜底提示或异常提示。
21、进一步的,所述步骤s6中,所述更新当前会话状态,具体包括记录当前的所述用户问题、意图类别、清晰度判断结果、补全的完整问题表达、检索问题、答复问题、有效知识片段、可信答案和引用来源,以供下一轮问答使用。
22、本发明的优点在于:
23、1、通过构建包含历史会话信息的综合输入,结合多意图识别与动态路由机制,将用户问题精准分流至知识库问答或非知识库问答链路,并对不清晰的问题进行清晰度判断与上下文补全或生成澄清追问,从而实现了对用户意图模糊性的精准识别与动态路由决策;其次,通过双轨改写策略,将同一用户问题拆分为面向知识库召回的检索问题和面向答案生成的答复问题,前者剥离冗余信息以提升召回精度,后者保留完整诉求以确保生成质量,从根本上解耦了检索与生成的对抗性需求并实现了协同优化;最后,通过语义支撑判别机制,对召回的知识片段进行业务主体、适用对象、时间范围等多维度实质性审核以筛选出有效知识片段,并结合生成前、中、后的三重知识边界控制策略及对异常检索状态的兜底处理,确保了生成可信答案严格锚定在有效知识范围内且不会产生幻觉,从而实现了对知识片段语义实质性的深度判别与生成边界的安全可控。
24、2、通过前置的意图类别识别(涵盖知识库问答、闲聊办公、图片问答、文档问答和转人工需求)和预设路由规则,将非知识库问答分流至专用处理流程,这一“先分类,后处理”的架构,从根本上杜绝了将闲聊指令或业务操作误送入知识检索链路的可能,不仅避免了无效计算对系统资源的消耗,更防止了因链路冲突导致的答非所问,显著提升了系统在高并发、多场景下的鲁棒性与可靠性。
25、3、通过判断当前问题是否包含明确的业务对象、条件及指代可解析性,对不清晰问题进行基于历史会话的补全或澄清追问,这一机制确保了进入检索链路的查询是完整且低歧义的,有效避免了将信息量不足的碎片化语句直接嵌入高维语义空间,从源头上提升了检索结果的相关性,使得后续生成环节不再被动地处理“先天不足”的输入。
26、4、将用户问题解构为“检索问题”和“答复问题”两个并行轨道,检索问题经过去除寒暄、格式要求等噪音,保留核心实体与条件,为高精度的向量召回提供了最干净的“语义指纹”;而答复问题则完整保留用户对输出形式、场景的指令要求,为答案生成提供了丰富的上下文;这种解耦设计使系统不再需要做“舍精度保丰富”或“舍丰富保精度”的折衷,而是让检索和生成两个环节各自获得最优的输入,从根本上调和了这一长期存在的技术矛盾。
27、5、对召回的候选片段进行深度的语义支撑判别,从业务主体、适用对象、时间范围和意图类别等维度进行一致性校验并打分,这一过程相当于为知识片段配备了一位“质检员”,仅保留能对答复问题提供实质支撑的片段,有效过滤了那些虽然字面相关但实质错误的干扰信息,大大降低了模型被误导的风险,为生成可信答案奠定了坚实的数据基础。
28、6、定义包含“存在有效知识”、“未召回”、“均不可用”等在内的多种检索状态,使系统具备对自身知识覆盖情况的清晰感知;其次,通过生成前约束、生成中提示约束和生成后校验这“三重重保险”,严格限制大模型只能依据有效知识进行创作;最后,对无知识依据或异常状态,强制触发兜底提示而非捏造答案;这一系列策略,从机制上杜绝了模型的“幻觉”风险,确保了在一切检索结果下,系统的输出都是安全、诚实、可追溯的,极大地提升了企业级应用对系统的信任度。
29、7、提高多意图识别与路由准确性:通过构建多意图识别与路由机制,对用户请求进行语义分类和处理链路分发,能够区分知识库问答、闲聊问答、图片/文档问答、转人工需求等不同请求类型;相比单一问答流程,本发明能够减少非知识库问答请求误入知识检索链路的情况,提高系统对不同业务请求的理解准确性、处理匹配度和路由稳定性。
30、8、增强检索前问题理解能力:通过清晰度判断与问题补全机制,对表达不完整、指代不清或缺少关键条件的问题进行识别和处理;对于信息不足的问题,生成澄清追问;对于可结合历史会话理解的问题,将其补全为完整、可独立检索的问题表达,从而降低模糊问题误检索的概率,提高后续知识召回的准确性和稳定性。
31、9、改进知识检索的召回效果:通过双轨问题改写与检索增强机制,将用户问题拆分为面向知识召回的检索问题和面向答案生成的答复问题;检索问题去除冗余表达、情绪表达和格式要求,聚焦核心业务语义;答复问题保留用户完整诉求和输出要求,能够兼顾检索精度和答案完整性,提高企业知识库检索的命中率、稳定性和有效知识片段占比。
32、10、提升答案生成的可信度和可追溯性:通过语义支撑过滤与可信生成机制,对召回知识片段进行实质支撑判断,过滤字面相似但业务不相关或无法支撑答案的内容,并结合检索状态感知和知识边界控制策略限制模型生成无依据结论,能够降低误引用、过度推断、虚假引用和大模型幻觉风险,提高智能问答结果的准确性、可信度、可追溯性和输出可控性。
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