基于用户兴趣提取的AI仿生机器人偶聊天内容推送方法与流程

本发明涉及人工智能，具体为基于用户兴趣提取的ai仿生机器人偶聊天内容推送方法。

背景技术：

1、目前，ai仿生机器人偶的聊天系统主要采用两种技术路线实现。其一是预设对话库方案，即由开发者预先编写大量对话模板及其触发关键词，当用户的输入文本匹配到特定关键词时，系统从对话库中调取对应的预设回答进行输出。其二是通用大语言模型方案，即通过调用第三方大规模语言模型的应用程序接口，由大模型根据用户输入实时生成回答文本，再返回至机器人偶端输出。

2、然而，上述两种方案均存在明显不足。预设对话库方案的内容完全固定，无法涵盖用户可能提及的各种话题，且内容的时效性完全依赖于开发者的更新频率，无法获取实时的外部资讯。大语言模型方案虽然具备较强的生成能力，但其训练数据存在截止日期，无法回答训练数据截止时间之后发生的事件，同样存在内容滞后的问题。更为关键的共性缺陷在于，这两种方案均属于被动应答模式——系统仅在收到用户提问后才生成回复，无法主动识别用户的兴趣偏好并以此为基础发起新的话题或推送用户可能感兴趣的内容，导致交互过程缺乏主动性和趣味性。

3、此外，即便部分系统尝试引入内容推送功能，其推送策略往往较为简单。例如，仅根据用户历史对话中出现的单一关键词进行匹配推送，忽略了对用户深层兴趣的持续追踪和建模，导致推送内容与用户当前的真实兴趣匹配度不高。同时，推送内容的插入方式通常较为生硬，打断了原本流畅的对话节奏，使用户产生突兀感，反而降低了交互体验。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了基于用户兴趣提取的ai仿生机器人偶聊天内容推送方法，解决了现有ai仿生机器人偶聊天系统内容被动、时效性差且个性化程度低的问题。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：基于用户兴趣提取的ai仿生机器人偶聊天内容推送方法，包括从实时聊天文本中提取用户的兴趣特征；

5、根据所述兴趣特征更新用户的长期兴趣模型，其中，所述长期兴趣模型包含用户对各话题的兴趣程度信息和时间属性信息；

6、根据所述长期兴趣模型获取待推送资讯；

7、响应于推送时机触发条件被满足，将所述待推送资讯采用自然语言生成技术转化为口语化的会话消息，将所述会话消息插入当前聊天对话流中，其中通过自然语言生成技术将结构化的资讯内容转化为符合口语习惯的会话消息，并以插入对话流的方式输出，使得推送内容在语言风格和出现方式上均与正常的聊天对话保持一致，消除了用户的突兀感；

8、获取用户对所述会话消息的行为响应，并根据所述行为响应更新长期兴趣模型。

9、优选的，所述从实时聊天文本中提取用户的兴趣特征，包括：提取所述实时聊天文本中的关键词、实体和话题中的至少一种；以及确定所述关键词、实体和话题各自对应的兴趣程度，其过程为对实时聊天文本首先执行分词和词性标注处理，将连续的文本序列切分为具有独立语义的词语单元，并为每个词语标注其词性，在分词结果的基础上，利用关键词提取算法（例如基于词频-逆文档频率的tf-idf算法，或基于图排序的textrank算法）计算各词语的权重得分，选取得分排名前预设数量（例如前5个）的词语作为提取出的关键词。实体的识别可基于条件随机场或预训练语言模型（例如bert系列模型）的序列标注方法，从文本中标注并提取出人名、地名、组织机构名、作品名等实体。话题分类可基于文本分类模型实现，该模型将输入文本映射至预设话题分类体系中的一个或多个话题标签。分类体系可以设计为树状层级结构，例如一级分类包括“科技”“娱乐”“体育”“生活”等，每个一级分类下设若干个二级子分类。

10、确定所述关键词、实体和话题各自对应的兴趣程度，包括：分析所述实时聊天文本中的语气特征（如感叹词的使用频率）、情感倾向（正面情感通常表示更高兴趣）和讨论深度（用户主动展开话题的程度）中的至少一项；以及根据分析结果确定所述兴趣程度，其中语气特征、情感倾向和讨论深度从不同维度反映了用户对某一话题的真实关注程度，将这些信息纳入兴趣程度的计算，显著提升了兴趣判断的准确性。其中，情感倾向通过情感分析模型对文本进行正向、中性、负向的三分类或连续值评分，正向情感通常指示用户对该话题持有积极态度，对应较高的兴趣程度。讨论深度可以量化为：用户围绕同一话题连续发言的轮次数量、用户发言中信息量密度（通过文本长度和实词占比衡量）、用户是否主动提问以深入探讨该话题。兴趣程度的最终取值为上述各维度得分的加权求和或乘积，权重可以根据实际应用场景通过实验调优设定。兴趣程度的取值区间可以归一化至0到1之间，其中0表示无兴趣，1表示极强兴趣。

11、优选的，根据所述兴趣特征更新用户的长期兴趣模型，包括：对提取到的兴趣特征按照兴趣程度、时间新鲜度和出现频率进行加权排序，获得排序结果，根据所述排序结果更新所述长期兴趣模型中对应话题的权重，通过综合三个维度的排序机制，能够有效区分用户当前最为关心的话题、偶然提及的话题和长期稳定关注的话题，为后续推送决策提供准确的优先级依据，例如若新提取的兴趣特征中的某一话题在长期兴趣模型中已存在对应的节点，则对该节点的现有兴趣程度值与新计算出的兴趣程度值进行指数移动平均或其他平滑融合处理，以避免单次聊天中的偶然提及对模型产生过度影响；同时，将该节点的最后访问时间戳更新为当前时间，并将其出现频率值递增。若新提取的兴趣特征中包含长期兴趣模型中尚不存在的新话题，则在模型中为该话题新建节点，赋予初始的兴趣程度值、当前时间作为最后访问时间戳、出现频率值初始化为1。长期兴趣模型的更新还应包含针对陈旧兴趣的衰减处理，在预设的更新周期（例如每24小时、每7天）触发一次全局衰减操作：遍历长期兴趣模型中的所有节点，对于最后访问时间戳距今超过预设衰减阈值（例如30天）的节点，按照预设的衰减因子（例如乘以0.85）降低其兴趣程度值。当某项兴趣的兴趣程度值经过多次衰减后低于预设的最小阈值（例如0.05）时，可将该节点标记为休眠状态或从活跃模型中移除，以控制模型规模的无限制增长。

12、其中，加权排序的综合分数可以通过如下公式计算：

13、score(topic)=α×interest_level(topic)+β×time_recency(topic)+γ×frequency(topic);

14、其中，α、β、γ分别为兴趣程度维度权重、时间新鲜度维度权重和出现频率维度权重，三者之和可以为1。interest_level(topic）为话题的兴趣程度值（归一化至0-1），time_recency(topic)为基于最后访问时间计算出的新鲜度衰减函数值（例如exp(-δt/τ)，其中δt为当前时间与最后访问时间之差，τ为时间衰减常数），frequency(topic)为出现频率的归一化值（例如min(出现次数/预设上限,1)）。α、β、γ的具体取值可以根据实际应用场景对“当前热情”“近因效应”和“长期偏好”三者的侧重不同进行调整。例如，对于新闻资讯类推送场景，可适当提高β的取值以偏重新鲜度；对于影音娱乐推荐场景，可适当提高γ的取值以兼顾长期偏好。本技术实施例对α、β、γ的具体数值不作限定

15、优选的，所述长期兴趣模型以话题为节点，以话题之间的关联关系为边构建，每个节点包含兴趣程度属性、最后访问时间属性和出现频率属性中的至少一种，通过上述方式对应长期兴趣模型的具体数据结构采用图结构。

16、优选的，根据兴趣特征更新用户的长期兴趣模型，包括：在预设定周期内，降低所述长期兴趣模型中未被提及的节点对应的兴趣程度权重，并增加新出现的节点对应的兴趣程度权重，不仅能够记录用户对各独立话题的兴趣，还能捕捉话题之间的语义关联，从而在推送决策时能够沿着关联边扩展推送范围，发现用户潜在的感兴趣内容。

17、优选的，所述根据所述长期兴趣模型获取待推送资讯，包括：根据所述长期兴趣模型生成检索关键词，生成策略可以采用单兴趣点检索或组合兴趣点检索；通过联网接口获取与所述检索关键词相关的资讯；对获取到的资讯进行筛选，获得所述待推送资讯，其中单兴趣点检索指从长期兴趣模型中选取当前兴趣程度值最高的话题节点，将该话题的名称本身或其同义词扩展作为检索关键词；组合兴趣点检索指选取兴趣程度值最高的多个话题节点（例如前三个），将它们的名称进行组合拼接或分别作为独立检索词发起并行检索请求，最后将各检索结果进行合并去重，在引入了图结构兴趣模型的场景下，检索关键词的生成还可以沿关联边进行一跳扩展，即从兴趣程度值最高的节点沿其关联边，纳入关联权重超过预设边权重阈值（例如0.6）的相邻节点的话题名称作为附加检索关键词。

18、优选的，所述对获取到的资讯进行筛选，包括：根据资讯的时效性、与所述检索关键词的相关性、以及资讯来源的可信度中的至少一项，对获取到的资讯进行排序；根据排序结果筛选出所述待推送资讯，通过从长期兴趣模型自动生成检索条件并经由联网接口获取外部资讯，打通了从内部兴趣感知到外部内容获取的数据通路，时效性得分timescore依据资讯的发布时间与当前时间的差值计算，差值越小，得分越高，计算方式可采用指数衰减函数timescore=exp(-δt/t_half)，其中t_half为时效性半衰期常数（例如对于新闻资讯可设为24小时，对于知识类内容可设为7天）。相关性得分relscore通过计算检索关键词在资讯标题和摘要文本中的语义匹配程度获得，具体可采用基于词向量或句向量的余弦相似度计算方式，也可采用基于深度语义匹配模型（如dssm、bert）的相关性打分。来源可信度得分credscore依据资讯来源域名的历史可信度评估给出，可信度评估可基于第三方事实核查数据库或领域专家标注，得分区间为0至1。综合得分totalscore为上述三维得分的加权求和：

19、totalscore=w1×timescore+w2×relscore+w3×credscore

20、其中w1、w2、w3分别为时效性维度权重、相关性维度权重和可信度维度权重。在面向ai仿生机器人偶的聊天内容推送场景中，通常可赋予相关性维度最高的权重（例如w2=0.5），以确保推送内容与用户兴趣紧密匹配，赋予时效性维度次高的权重（例如w1=0.3），以保证内容的新鲜度，赋予可信度维度基础权重（例如w3=0.2），以排除虚假信息。排序完成后，系统选取综合得分最高的若干条（例如前3条）资讯，作为本轮推送的待推送资讯候选集。

21、优选的，所述推送时机触发条件包括以下至少一项：

22、当前聊天出现预设时长以上的沉默；当前聊天的会话内容与所述待推送资讯的相关度达到预设阈值；从所述实时聊天文本中检测到用户对特定话题的兴趣表达，多种触发条件的设置，使得ai仿生机器人偶能够在沉默间隙、话题自然衔接和用户主动表达等多种场景下找到合适的推送切入点，而非机械地等待某一固定信号。

23、优选的，所述行为响应包括：继续讨论所述待推送资讯相关话题、转移至其他话题以及无回应；

24、所述根据所述行为响应更新所述长期兴趣模型，包括：

25、当所述行为响应为继续讨论时，增加对应兴趣点的权重，当所述行为响应为转移话题时，降低对应兴趣点的权重，当所述行为响应为无回应时，记录沉默反馈并调整推送时机触发条件，通过对用户反馈的精细化分类和差异化处理，系统能够更准确地理解用户对不同推送内容和推送时机的真实态度，从而持续优化推送策略。

26、优选的，所述推送时机触发条件被满足，包括：根据所述长期兴趣模型中兴趣程度较高的至少一个话题，主动生成话题引导语句；将所述话题引导语句以会话消息形式输出。

27、（三）有益效果

28、本发明提供了基于用户兴趣提取的ai仿生机器人偶聊天内容推送方法。具备以下有益效果：

29、1、通过从实时聊天文本中提取兴趣特征并持续更新长期兴趣模型，实现了对用户兴趣的实时感知与长期追踪的双层建模，使得推送内容与用户当前真实兴趣高度匹配，显著提升了个性化程度。主动推送机制的建立，加上联网获取外部资讯的能力，从根本上改变了现有聊天系统只能被动应答的模式，使ai仿生机器人偶具备了主动发起话题、引入时效性内容的能力，有效延长了用户交互时长。

30、2、推送时机触发条件的多种设置方式与自然语言生成技术的结合，确保了推送内容能够在风格上和时机上均自然地融入对话流，消除了传统推送方式的突兀感，提升了用户体验的流畅性和自然度。基于用户行为响应驱动的反馈更新闭环，赋予了系统自我优化的能力随着使用时间的增长，对用户偏好的理解愈加精准，推送策略持续改进，形成了正向累积效应。