基于商城小程序的信息对接方法及系统与流程

本发明涉及信息对接，尤其涉及基于商城小程序的信息对接方法及系统。

背景技术：

1、当前技术领域中，基于商城小程序的信息对接方法通常依赖于关键词匹配或规则引擎驱动的自动应答系统。这类系统预先定义常见问题对应的回答模板，通过检测用户输入中的特定词汇触发预设回复。此外，部分方案采用基于检索的faq问答模型，在标准问答库中匹配与用户咨询文本表面相似度最高的条目作为响应。为提升效率，这些系统也会结合简单的上下文管理机制，维护对话历史中的有限状态信息以辅助回答生成。

2、然而，上述常规做法存在明显缺陷，一方面，它们对用户自然语言的语义理解能力有限，难以准确识别复杂或隐式的意图表达，例如涉及多属性组合的商品筛选、模糊描述下的实体指向等。这导致系统在面对非标准表述时容易产生答非所问或信息遗漏的问题，无法建立用户问题与商品属性之间的深层关联，从而大幅降低咨询处理的有效性。另一方面，这些方法缺乏对用户个性化特征的动态适配能力，所有用户面对同一问题时接收到的答案内容基本一致，忽视了用户身份、历史行为、偏好等画像信息对回答权重和排序的内在影响。同时，当自动应答质量不足需转接人工客服时，现有的反馈机制通常仅记录人工应答文本本身，未能系统性地将人工客服的优质解答反向用于优化自动应答模型，使得系统长期依赖人工兜底，难以实现自动回答能力的持续迭代提升。

技术实现思路

1、本发明实施例提供基于商城小程序的信息对接方法及系统，能够解决现有技术中的问题。

2、本发明实施例的第一方面，提供基于商城小程序的信息对接方法，包括：

3、接收用户通过商城小程序发送的咨询文本，通过语义解析模型对所述咨询文本进行语义解析，提取意图类型与重要实体，并基于预先构建的商品知识图谱将所述重要实体与所述商品知识图谱中的节点进行语义匹配，建立实体与商品属性之间的关联关系，生成候选知识集合；

4、根据所述意图类型与所述候选知识集合，通过语义相似度计算确定与所述咨询文本匹配的目标答案内容；

5、构建用户画像特征向量，将所述用户画像特征向量与当前对话的上下文状态信息进行融合编码，生成个性化语义表示，基于所述个性化语义表示对所述意图类型的识别结果与所述候选知识集合的排序权重进行动态调整；

6、当所述目标答案内容的置信度低于预设置信阈值时，触发人工客服介入机制，采集人工客服针对所述咨询文本给出的应答内容；

7、将所述咨询文本、所述意图类型、所述用户画像特征向量、所述个性化语义表示与所述应答内容构成增强训练样本，通过对比学习方式计算正负样本对之间的语义距离，对所述语义解析模型的特征提取层与相似度计算层进行联合优化更新。

8、通过语义解析模型对所述咨询文本进行语义解析，提取意图类型与重要实体，并基于预先构建的商品知识图谱将所述重要实体与所述商品知识图谱中的节点进行语义匹配，建立实体与商品属性之间的关联关系，生成候选知识集合包括：

9、对咨询文本进行语义分析，提取其中的实体指称项与意图触发词，将所述实体指称项转换为语义向量表示；

10、将所述语义向量表示与商品知识图谱中各节点的嵌入向量进行相似度计算，筛选相似度高于预设匹配阈值的节点作为初始匹配节点集合，并获取所述初始匹配节点集合中各节点在所述商品知识图谱中的邻接关系结构；

11、基于所述邻接关系结构，对所述初始匹配节点集合中的各节点执行多层关系扩展，沿属性关系边与类别关系边进行路径传播，获取与所述初始匹配节点直接或间接关联的属性节点与商品节点，构建扩展知识子图；

12、根据所述意图触发词确定查询约束条件，利用所述查询约束条件对所述扩展知识子图中的节点进行过滤与排序，提取满足所述查询约束条件的属性节点与商品节点；

13、将所述属性节点与所述商品节点中的属性信息与商品信息进行结构化组织，建立重要实体与商品属性之间的映射关系，生成候选知识集合。

14、根据所述意图类型与所述候选知识集合，通过语义相似度计算确定与所述咨询文本匹配的目标答案内容包括：

15、根据意图类型构建查询语义表示，将咨询文本与所述查询语义表示进行融合编码，生成增强查询向量；

16、将所述增强查询向量与候选知识集合中各知识片段的语义向量进行多粒度相似度计算，所述多粒度相似度计算包括词级相似度计算与句级相似度计算，通过多粒度融合机制将所述词级相似度计算的结果与所述句级相似度计算的结果进行整合得到综合相似度得分；

17、基于所述综合相似度得分对所述候选知识集合中的知识片段进行排序，提取排序位于前序位置且综合相似度得分高于预设筛选阈值的知识片段构成精选知识子集，针对所述精选知识子集中的各知识片段，分析其与所述咨询文本在语义依存关系上的匹配度，计算语义依存匹配度得分；

18、基于所述综合相似度得分与所述语义依存匹配度得分构建综合评估指标，根据所述综合评估指标选取评估值最优的知识片段作为目标答案内容。

19、通过多粒度融合机制将所述词级相似度计算的结果与所述句级相似度计算的结果进行整合得到综合相似度得分包括：

20、针对词级相似度计算的结果，提取咨询文本与各知识片段之间的关键词匹配对，计算各关键词匹配对的语义贡献度，基于所述语义贡献度对所述词级相似度计算的结果进行重要性加权，生成加权词级相似度；

21、针对句级相似度计算的结果，分析所述咨询文本与各知识片段在语义结构层面的对齐程度，识别语义结构中核心语义成分的匹配状态，根据所述核心语义成分的匹配状态对所述句级相似度计算的结果进行结构化校正，生成校正句级相似度；

22、构建多粒度融合机制，利用所述加权词级相似度中的关键词匹配信息指导所述校正句级相似度的细化调整，通过计算所述加权词级相似度与所述校正句级相似度之间的交互影响系数，基于所述交互影响系数对所述加权词级相似度与所述校正句级相似度进行动态融合，生成综合相似度得分。

23、构建用户画像特征向量，将所述用户画像特征向量与当前对话的上下文状态信息进行融合编码，生成个性化语义表示包括：

24、获取用户在商城小程序中的历史行为数据，从所述历史行为数据中提取用户的咨询偏好特征、商品偏好特征与交易决策特征，对所述咨询偏好特征、所述商品偏好特征与所述交易决策特征进行向量化编码，生成多维特征向量集合；

25、针对所述多维特征向量集合中的各维度特征向量，计算各维度特征向量对用户行为模式的表征贡献度，基于所述表征贡献度对各维度特征向量进行自适应加权融合，构建用户画像特征向量；

26、提取当前对话的上下文状态信息，对所述上下文状态信息进行时序化编码，生成上下文状态向量；

27、构建双向注意力交互机制，利用所述双向注意力交互机制计算所述用户画像特征向量与所述上下文状态向量之间的语义关联矩阵，基于所述语义关联矩阵识别所述用户画像特征向量中与当前对话情境相关的特征分量以及所述上下文状态向量中与用户偏好相关的状态分量；

28、将所述特征分量与所述状态分量进行深度融合编码，生成个性化语义表示。

29、构建双向注意力交互机制，利用所述双向注意力交互机制计算所述用户画像特征向量与所述上下文状态向量之间的语义关联矩阵包括：

30、对用户画像特征向量与上下文状态向量进行映射变换，分别生成用户特征表示与上下文状态表示；

31、在双向注意力交互机制中构建正向注意力计算路径，通过所述正向注意力计算路径计算所述用户特征表示中各特征分量对所述上下文状态表示中各状态分量的语义关联强度，基于所述语义关联强度对所述上下文状态表示进行加权融合，生成正向交互特征；

32、在所述双向注意力交互机制中构建反向注意力计算路径，通过所述反向注意力计算路径计算所述上下文状态表示中各状态分量对所述用户特征表示中各特征分量的语义关联强度，基于所述语义关联强度对所述用户特征表示进行加权融合，生成反向交互特征；

33、利用所述双向注意力交互机制将所述正向交互特征与所述反向交互特征进行协同对齐，分析所述正向交互特征与所述反向交互特征在特征空间中的分布一致性与语义互补性，将所述正向交互特征与所述反向交互特征进行联合编码，构建语义关联矩阵。

34、将所述咨询文本、所述意图类型、所述用户画像特征向量、所述个性化语义表示与所述应答内容构成增强训练样本，通过对比学习方式计算正负样本对之间的语义距离包括：

35、将咨询文本、意图类型、用户画像特征向量与个性化语义表示进行多模态特征融合，生成查询侧语义表示，将应答内容进行语义编码生成应答侧语义表示，将所述查询侧语义表示与所述应答侧语义表示进行配对关联，构成增强训练样本；

36、针对所述增强训练样本中的查询侧语义表示，从历史样本库中检索与所述咨询文本在所述意图类型上相同但在语义内容上存在差异的其他咨询文本，将所述其他咨询文本对应的用户画像特征向量与个性化语义表示进行融合生成对比查询侧语义表示，将所述查询侧语义表示与所述应答侧语义表示作为正样本对，将所述对比查询侧语义表示与所述应答侧语义表示作为负样本对，构建包含所述正样本对与所述负样本对的样本对集合；

37、通过编码网络将所述样本对集合中各样本对的查询侧语义表示与应答侧语义表示分别映射至统一特征空间，计算各样本对在所述统一特征空间中两个向量表示之间的距离度量值，根据所述距离度量值表征正负样本对之间的语义距离。

38、本发明实施例的第二方面，提供一种基于商城小程序的信息对接系统，包括：

39、语义解析单元，用于接收用户通过商城小程序发送的咨询文本，通过语义解析模型对所述咨询文本进行语义解析，提取意图类型与重要实体，并基于预先构建的商品知识图谱将所述重要实体与所述商品知识图谱中的节点进行语义匹配，建立实体与商品属性之间的关联关系，生成候选知识集合；

40、答案匹配单元，用于根据所述意图类型与所述候选知识集合，通过语义相似度计算确定与所述咨询文本匹配的目标答案内容；

41、画像调整单元，用于构建用户画像特征向量，将所述用户画像特征向量与当前对话的上下文状态信息进行融合编码，生成个性化语义表示，基于所述个性化语义表示对所述意图类型的识别结果与所述候选知识集合的排序权重进行动态调整；

42、人工介入单元，用于当所述目标答案内容的置信度低于预设置信阈值时，触发人工客服介入机制，采集人工客服针对所述咨询文本给出的应答内容；

43、对比学习单元，用于将所述咨询文本、所述意图类型、所述用户画像特征向量、所述个性化语义表示与所述应答内容构成增强训练样本，通过对比学习方式计算正负样本对之间的语义距离，对所述语义解析模型的特征提取层与相似度计算层进行联合优化更新。

44、本发明实施例的第三方面，提供一种电子设备，包括：

45、处理器；

46、用于存储处理器可执行指令的存储器；

47、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

48、本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

49、基于语义解析模型与商品知识图谱的语义匹配，能够准确提取用户咨询文本中的意图类型与重要实体，建立实体与商品属性之间的关联关系，生成针对性强的候选知识集合，有效克服传统关键词匹配带来的语义歧义与信息缺失问题。语义相似度计算从候选知识集合中快速筛选出与咨询文本高度匹配的目标答案内容，显著提升应答的精准度与响应速度，减少用户等待时间。

50、用户画像特征向量与对话上下文状态信息的融合编码，生成个性化语义表示，动态调整意图识别结果与候选知识排序权重，使同一商品的不同用户获得贴近其偏好与历史行为的差异化应答，大幅增强信息推荐的个性化和场景适应性，提升用户满意度和商城转化率。当目标答案内容置信度低于预设阈值时，人工客服介入机制及时接管，确保复杂或模糊问题获得专业处理，避免自动应答失误造成用户流失。

51、将咨询文本、意图类型、用户画像特征向量、个性化语义表示与人工客服应答内容组合为增强训练样本，通过对比学习方式计算正负样本对之间的语义距离，对语义解析模型的特征提取层与相似度计算层进行联合优化更新。这种迭代学习机制使模型持续吸收人工客服的应答策略，不断压缩自动应答与人工应答的差距，逐步提升系统的自主应答能力与稳定性，降低长期运营中的人力依赖成本。