一种多轮对话处理方法与流程

本发明属于对话处理，具体涉及一种多轮对话处理方法。

背景技术：

1、随着人工智能技术的快速发展，智能对话系统已广泛应用于智能客服、语音助手、在线咨询等多个场景。多轮对话处理作为智能对话系统的核心技术之一，其处理效率和质量直接影响用户体验。尤其在专业领域咨询场景中，如数据资产入表咨询、财务合规指导、电商售后服务等，用户的问题往往涉及多个专业领域（如会计准则、数据治理、资产评估、物流管理），且需要在同一对话中获取跨领域的综合解答。现有智能客服系统在处理此类跨领域复杂意图时，往往只能回答其中一部分问题，或给出割裂的、不连贯的回复，难以满足专业用户的需求。

2、为提升多轮对话系统的处理能力，在模型架构层面，混合专家模型（mixture ofexperts，moe）被广泛应用于多轮对话处理中。moe架构通过门控网络根据输入信息的特征动态决定由哪个或哪些专家模型进行处理，多个专家网络各自擅长不同领域的知识。

3、然而，现有moe模型在多轮对话处理中通常仅关注专家网络的准确性，在资源受限的终端设备（如智能手机、车载终端、智能客服机器人等）上，特别是在高并发场景下，多个用户请求同时到达时，终端设备容易出现响应速度慢、卡顿甚至系统崩溃的现象，严重影响用户体验。

4、因此，有必要提供一种多轮对话处理方式，以提供实时响应、流畅运行的用户体验。

技术实现思路

1、本发明提供了一种多轮对话处理方法，实现了终端计算资源的动态精准调配，以解决由现有技术中终端资源调配不灵活导致的高并发场景下响应慢和卡顿、回复割裂和不完整、对话不连贯和资源浪费导致的多轮对话处理效率低、用户体验差的问题。

2、本发明所采用的技术方案为：

3、一种多轮对话处理方法，应用于终端，包括：

4、对接收的用户请求进行数据特征分析，得到包括所述用户请求的规模指标、格式指标、类型指标和质量指标的数据特征向量；根据所述数据特征向量，通过任务特征分析，得到特征信息；所述特征信息包括基于类型指标得到的所述用户请求所涉及的知识库、以及基于所述数据特征向量及所述知识库得到的回复所述用户请求所需的初步计算资源等级；

5、构建三级记忆架构，所述三级记忆架构包括瞬时记忆、工作记忆和长期记忆；所述瞬时记忆用于存储当前轮次及历史轮次用户请求的原始文本；所述工作记忆用于存储从所述原始文本中识别出的业务对象标识作为关键实体，以及对所述关键实体及其上下文进行语义编码后输出的固定维度向量；所述长期记忆用于存储对用户请求提取用户属性集合形成的用户画像，和基于原始文本生成的历史对话摘要；

6、基于所述三级记忆架构，采用有向图对所述用户请求进行对话状态管理；根据瞬时记忆的用户请求生成轮次节点，根据长期记忆生成全局背景节点，所述轮次节点按照用户请求的轮次标识进行编号，各轮次节点通过有向边与所述全局背景节点连接，其中所述有向边的方向为从各轮次节点指向所述全局背景节点；

7、根据所述特征信息、所述终端的当前负载状态，从多个专家网络中选择目标专家网络；所述目标专家网络与所述知识库关联，并配置有与所述初步计算资源等级匹配的计算资源；

8、根据所述特征信息中的类型指标和所述有向图中当前轮次节点的工作记忆，对所述用户请求进行意图识别，得到意图标注集合；根据所述意图标注集合的意图标注个数判断所述用户请求的意图复杂度，若所述意图标注个数=1，则判定为简单意图；若所述意图标注个数≥2，则判定为复杂意图；

9、若判定为所述复杂意图，则将所述用户请求拆分为多个单意图子请求，通过所述目标专家网络分别结合所述知识库生成各所述单意图子请求对应的子回复内容，将各所述子回复内容融合后生成回复内容。

10、其中，根据所述数据特征向量，通过任务特征分析，得到特征信息，包括：

11、基于所述类型指标，确定候选知识库子集，将所述用户请求的文本向量与所述候选知识库子集中各知识库的摘要向量进行相似度计算，得到各知识库的匹配度得分，根据匹配度得分筛选知识库，组成关联知识库列表；

12、根据所述关联知识库列表中的知识库数量确定基础步骤数；根据所述规模指标对所述基础步骤数进行修正，得到处理步骤数；其中，当所述规模指标超过预设长度阈值时，增加所述基础步骤数；

13、根据所述关联知识库列表中的知识库数量以及所述格式指标，判定推理深度等级；所述推理深度等级包括浅等级、中等级和深等级；

14、其中，若所述知识库数量为1且所述格式指标为结构化数据格式，则判定为浅等级；若所述知识库数量为2，或，所述知识库数量为1且所述格式指标为非结构化文本格式，则判定为中等级；若所述知识库数量大于或等于3，则判定为深等级；

15、根据所述知识库数量、所述推理深度等级综合判定初步计算资源等级，所述初步计算资源等级包括低等级、中等级和高等级；

16、其中，若所述知识库数量为1且所述推理深度等级为浅等级，则所述初步计算资源等级为低等级；若所述知识库数量为1且所述推理深度等级为中等级，或者，所述知识库数量为2且所述推理深度等级为浅等级，则所述初步计算资源等级为中等级；若所述知识库数量≥3，或者，所述推理深度等级为深等级，则所述初步计算资源等级为高等级。

17、基于所述三级记忆架构，采用有向图对所述用户请求和回复内容进行对话状态管理，包括：

18、将所述瞬时记忆存储的原始文本关联至所述有向图的当前轮次节点的原始文本；

19、将所述工作记忆存储的关键实体和固定维度向量关联至所述当前轮次节点的语义摘要属性；

20、将所述长期记忆存储的用户画像和历史对话摘要关联至所述有向图的全局背景节点。

21、当接收新的用户请求时，根据所述初步计算资源等级，更新所述有向图：

22、所述初步计算资源等级包括低等级、中等级和高等级；

23、当所述初步计算资源等级为低等级时，所述有向图保留最近m轮的轮次节点；

24、当所述初步计算资源等级为中等级时，所述有向图保留最近n轮的轮次节点；其中，n＞m；

25、当所述初步计算资源等级为高等级时，所述有向图记录每个轮次的轮次节点。

26、根据所述特征信息、所述终端的当前负载状态，从多个专家网络中选择目标专家网络，包括：

27、获取所述终端的当前cpu使用率和当前内存使用率，根据所述当前cpu使用率和所述当前内存使用率确定所述终端的当前负载等级；

28、将所述特征信息和所述有向图输入门控网络，通过所述门控网络输出各专家网络的第一概率分布；

29、根据所述当前cpu使用率和所述当前内存使用率计算各专家网络的负载适配值，基于所述负载适配值通过sigmoid函数映射得到各专家网络的第二概率分布；

30、根据所述当前负载等级确定权重系数，对所述第一概率分布和所述第二概率分布进行加权融合，根据加权融合结果选择所述目标专家网络；

31、根据所述初步计算资源等级确定基础资源配额，并根据所述当前负载等级对所述基础资源配额进行调整，得到最终计算资源配置。

32、根据所述当前cpu使用率和所述当前内存使用率计算各专家网络的负载适配值，基于所述负载适配值通过sigmoid函数映射得到各专家网络的第二概率分布，包括：

33、对于第i个专家网络，按照下式计算负载适配值li，

34、li=0.6×ci+0.4×mi，

35、其中，ci为所述终端的当前cpu使用率经归一化后的数值，mi为所述终端的当前内存使用率经归一化后的数值；

36、按照下式计算所述第i个专家网络的第二概率分布pload,i，

37、pload,i=1-sigmoid(li)。

38、所述根据所述当前负载等级确定权重系数，包括：

39、获取所述终端在预设时间窗口内的cpu使用率波动值和内存使用率波动值，取两者中的最大值作为负载波动系数；

40、若所述负载波动系数小于或等于第一波动阈值，则所述权重系数取值位于第一权重区间；

41、若所述负载波动系数大于所述第一波动阈值且小于或等于第二波动阈值，则所述权重系数取值位于第二权重区间；

42、若所述负载波动系数大于所述第二波动阈值，则所述权重系数取值位于第三权重区间；

43、其中，所述第一权重区间的下限值大于所述第二权重区间的上限值，所述第二权重区间的下限值大于所述第三权重区间的上限值，0.5位于所述第二权重区间。

44、将所述用户请求拆分为多个单意图子请求，具体包括：

45、根据所述意图标注集合中的各意图标注，对所述用户请求进行语义解析，提取各意图标注对应的约束条件；

46、若所述约束条件仅与一个意图标注相关，判断为独立条件约束；若所述约束条件与多个意图标注相关，判断为条件依赖约束；

47、根据所述约束条件，将独立条件约束对应的意图标注一一确定为单意图子请求，将条件依赖约束对应的多个意图标注确定为一个单意图子请求；

48、将各所述单意图子请求分别输入所述目标专家网络，由所述目标专家网络结合所述知识库生成各所述单意图子请求对应的子回复内容。

49、将各所述子回复内容融合后生成回复内容，具体为：

50、将所述用户请求的语义向量与各所述单意图子请求的语义向量分别计算注意力权重，将所述注意力权重经归一化处理后作为各意图的主次评分；若各所述主次评分的最大值与最小值之间的差值小于预设差值阈值，则判定各所述意图为并列关系；若各所述主次评分的最大值与最小值之间的差值大于或等于所述预设差值阈值，则判定所述最大值对应的意图为核心意图，其余意图为辅助意图；

51、根据所述主次关系选择融合方式，若判定为并列关系，则采用文本拼接方式，按照所述用户请求中各意图的出现顺序，依次拼接各所述子回复内容；

52、若判定为包含核心意图和辅助意图，则采用加权求和方式，以所述主次评分作为各子回复内容的融合权重，将各所述子回复内容按所述融合权重进行加权求和后融合；其中，所述核心意图对应的子回复内容的融合权重大于或等于0.6，所述辅助意图对应的子回复内容的融合权重小于或等于0.4，所有融合权重之和为1。

53、本发明第二方面提供了一种终端，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的方法。

54、由于采用了上述技术方案，本发明所取得的有益效果为：

55、本发明通过将数据特征分析的四个维度作为任务特征分析的基础输入，使资源预判不再依赖于单一字符数等粗糙指标，而是综合考量请求的规模（如文本长度、语音时长）、格式（结构化/非结构化）、类型（语义类别）和质量（错别字率、困惑度）等多维信息。在此基础上，终端负载状态的引入使得资源分配能够实时响应终端计算环境的变化，避免了现有技术中因未考虑终端负载导致的高并发场景下响应慢、卡顿甚至系统崩溃的问题。由此，本发明实现了计算资源动态适配，在保证回复质量的同时提高了终端设备的资源利用效率和系统响应速度。

56、此外，通过将瞬时记忆的原始文本、工作记忆的关键实体和向量、长期记忆的用户画像和历史摘要分别映射到有向图的轮次节点属性和全局背景节点，实现了记忆层与状态层的深度融合。轮次节点按用户请求的轮次标识进行编号，各轮次节点通过有向边与全局背景节点连接，使每一轮对话的上下文信息既能在瞬时记忆和工作记忆中被快速访问，又能在有向图中以结构化形式被持久化追踪。这种融合机制使得对话状态不再是一个静态的数据结构，而是一个随着对话推进不断演进的动态图谱，解决了现有技术中对话信息管理混乱、长对话或意图切换时关键信息容易丢失的问题。

57、本发明通过意图标注数量这一量化指标作为复杂度判定的依据，使得系统能够在意图识别完成后立即确定处理策略。简单意图快速响应，复杂意图进入精细化的拆分处理融合。这种差异化的处理策略使得系统能够在保证复杂意图回复质量的同时，对简单意图实现快速响应，避免了现有技术中对所有请求采用统一处理方式导致的资源浪费或响应延迟。

58、通过将工作记忆中已提取的关键实体和语义向量作为意图识别模型的输入特征，使意图识别能够充分利用前序对话中已提炼的语义信息，提高了在多轮对话场景下意图识别的准确性和鲁棒性。