业务处理方法、装置、电子设备、及存储介质与流程

本技术涉及数据处理，尤其涉及一种业务处理方法、装置、电子设备、及存储介质。

背景技术：

1、在待回收物品业务方面，尤其是在手机、平板、智能穿戴设备等消费电子产品的回收受理、质检预判、客服接待和门店运营协同场景中，业务系统通常需要对用户提交的待处理业务文本进行理解与应答。

2、目前针对上述待回收物品业务文本的处理方案，通常采用预训练语言模型进行语义编码，再结合序列标注方式识别文本中的品牌、型号、容量、故障现象、外观状态、电池情况等实体标签，并在识别后将相应结果作为条件输入到知识库检索或问答生成环节中，以形成面向用户的业务应答。

3、然而，现有方案容易受到错别字、同音替换、断句错误和口语化习惯影响，使得实体边界识别不准确，甚至出现标签前后语义不一致的情形，进而造成后续知识检索条件偏差，从而导致应答不准确的情况发生。

技术实现思路

1、本技术实施例提供的业务处理方法、装置、电子设备、及存储介质，用以达到提高针对业务文本的应答准确性的技术效果。

2、第一方面，本技术实施例提供一种业务处理方法，包括：

3、获取用户输入的待回收物品的待处理业务文本；

4、将所述待处理业务文本输入至识别模型中，得到目标实体标签，所述识别模型是基于多种属性状态的物品的业务文本和每个物品对应的标注实体标签，构建的正样本对和负样本对进行训练得到的，所述正样本对为描述同一属性状态的不同非标表达的两个业务文本，所述负样本对为描述不同属性状态但易混淆的两个业务文本；

5、根据所述目标实体标签，确定所述待处理业务文本对应的目标应答数据。

6、在一个或多个实施例中，所述根据所述目标实体标签，确定所述待处理业务文本对应的目标应答数据，包括：

7、根据所述目标实体标签和所述待处理业务文本，在多源数据库中确定出所述待处理业务文本对应的多个候选知识片段，所述多源数据库包括：历史问答对知识库、检索增强生成知识库、以及结构化知识图谱；

8、将所述多个候选知识片段、所述待处理业务文本、以及所述目标实体标签输入至大语言模型中，得到目标应答数据。

9、在一个或多个实施例中，所述识别模型包括：预训练语言模型、线性打分层和条件随机场解码层；

10、相应的，在所述将所述待处理业务文本输入至识别模型中，得到目标实体标签之前，所述方法还包括：

11、获取所述多种属性状态的物品的业务文本和每个物品对应的标注实体标签；

12、针对每种属性状态的物品的业务文本，基于所述属性状态的物品的业务文本，分别构建所述正样本对和所述负样本对；

13、根据所有属性状态的物品的标注实体标签、业务文本、正样本对和负样本对、所述预训练语言模型、所述线性打分层、以及所述条件随机场解码层，确定实体标签标注损失、对比学习损失和对抗训练损失；

14、对所述实体标签标注损失、所述对比学习损失和所述对抗训练损失进行加权融合，构建联合优化目标函数；

15、基于所述联合优化目标函数，确定所述识别模型。

16、在一个或多个实施例中，所述根据所有属性状态的物品的标注实体标签、业务文本、正样本对和负样本对、所述预训练语言模型、所述线性打分层、以及所述条件随机场解码层，确定实体标签标注损失、对比学习损失和对抗训练损失，包括：

17、针对每个属性状态的物品，根据所述业务文本、所述标注实体标签、所述预训练语言模型、所述线性打分层、以及所述条件随机场解码层，确定所述实体标签标注损失；

18、根据所述正样本对和负样本对、以及所述预训练语言模型，确定所述对比学习损失；

19、在所述预训练语言模型的词向量层或中间嵌入层施加梯度方向扰动，生成对抗样本、并基于所述对抗样本，生成所述对抗训练损失。

20、在一个或多个实施例中，所述根据所述业务文本、所述标注实体标签、所述预训练语言模型、所述线性打分层、以及所述条件随机场解码层，确定所述实体标签标注损失，包括：

21、将所述业务文本输入至所述预训练语言模型，得到词元的第一语义表示向量；

22、将所述第一语义表示向量依次输入所述线性打分层和所述条件随机场解码层，利用标签转移矩阵建模业务合法性约束，得到预测实体标签；

23、基于所述预测实体标签和所述标注实体标签，计算实体标签标注损失。

24、在一个或多个实施例中，所述根据所述正样本对和负样本对、以及所述预训练语言模型，确定所述对比学习损失，包括：

25、将所述正样本对和负样本对，分别输入至所述预训练语言模型，得到所述正样本对对应的第二语义表示向量和所述负样本对对应的第三语义表示向量；

26、根据所述第二语义表示向量和所述第三语义表示向量，确定所述对比学习损失。

27、在一个或多个实施例中，在所述将所述待处理业务文本输入至识别模型中，得到目标实体标签之前，所述方法还包括：

28、对所述待处理业务文本进行清洗处理，所述清洗处理包括：预设符号过滤、错别字纠正、单位标准化、以及非标描述映射为标准描述。

29、第二方面，本技术实施例提供一种业务处理装置，包括：

30、获取模块，用于获取用户输入的待回收物品的待处理业务文本；

31、处理模块，用于将所述待处理业务文本输入至识别模型中，得到目标实体标签，所述识别模型是基于多种属性状态的物品的业务文本和每个物品对应的标注实体标签，构建的正样本对和负样本对进行训练得到的，所述正样本对为描述同一属性状态的不同非标表达的两个业务文本，所述负样本对为描述不同属性状态但易混淆的两个业务文本；

32、确定模块，用于根据所述目标实体标签，确定所述待处理业务文本对应的目标应答数据。

33、在一个或多个实施例中，所述确定模块，根据所述目标实体标签，确定所述待处理业务文本对应的目标应答数据，具体用于：

34、根据所述目标实体标签和所述待处理业务文本，在多源数据库中确定出所述待处理业务文本对应的多个候选知识片段，所述多源数据库包括：历史问答对知识库、检索增强生成知识库、以及结构化知识图谱；

35、将所述多个候选知识片段、所述待处理业务文本、以及所述目标实体标签输入至大语言模型中，得到目标应答数据。

36、在一个或多个实施例中，所述识别模型包括：预训练语言模型、线性打分层和条件随机场解码层；

37、相应的，在所述将所述待处理业务文本输入至识别模型中，得到目标实体标签之前，所述处理模块，还用于：

38、获取所述多种属性状态的物品的业务文本和每个物品对应的标注实体标签；

39、针对每种属性状态的物品的业务文本，基于所述属性状态的物品的业务文本，分别构建所述正样本对和所述负样本对；

40、根据所有属性状态的物品的标注实体标签、业务文本、正样本对和负样本对、所述预训练语言模型、所述线性打分层、以及所述条件随机场解码层，确定实体标签标注损失、对比学习损失和对抗训练损失；

41、对所述实体标签标注损失、所述对比学习损失和所述对抗训练损失进行加权融合，构建联合优化目标函数；

42、基于所述联合优化目标函数，确定所述识别模型。

43、在一个或多个实施例中，所述处理模块，根据所有属性状态的物品的标注实体标签、业务文本、正样本对和负样本对、所述预训练语言模型、所述线性打分层、以及所述条件随机场解码层，确定实体标签标注损失、对比学习损失和对抗训练损失，具体用于：

44、针对每个属性状态的物品，根据所述业务文本、所述标注实体标签、所述预训练语言模型、所述线性打分层、以及所述条件随机场解码层，确定所述实体标签标注损失；

45、根据所述正样本对和负样本对、以及所述预训练语言模型，确定所述对比学习损失；

46、在所述预训练语言模型的词向量层或中间嵌入层施加梯度方向扰动，生成对抗样本、并基于所述对抗样本，生成所述对抗训练损失。

47、在一个或多个实施例中，所述处理模块，根据所述业务文本、所述标注实体标签、所述预训练语言模型、所述线性打分层、以及所述条件随机场解码层，确定所述实体标签标注损失，具体用于：

48、将所述业务文本输入至所述预训练语言模型，得到词元的第一语义表示向量；

49、将所述第一语义表示向量依次输入所述线性打分层和所述条件随机场解码层，利用标签转移矩阵建模业务合法性约束，得到预测实体标签；

50、基于所述预测实体标签和所述标注实体标签，计算实体标签标注损失。

51、在一个或多个实施例中，所述处理模块，根据所述正样本对和负样本对、以及所述预训练语言模型，确定所述对比学习损失，具体用于：

52、将所述正样本对和负样本对，分别输入至所述预训练语言模型，得到所述正样本对对应的第二语义表示向量和所述负样本对对应的第三语义表示向量；

53、根据所述第二语义表示向量和所述第三语义表示向量，确定所述对比学习损失。

54、在一个或多个实施例中，在所述将所述待处理业务文本输入至识别模型中，得到目标实体标签之前，所述处理模块，还用于：

55、对所述待处理业务文本进行清洗处理，所述清洗处理包括：预设符号过滤、错别字纠正、单位标准化、以及非标描述映射为标准描述。

56、第三方面，本技术实施例提供一种电子设备，包括：存储器，处理器；

57、所述存储器存储计算机执行指令；

58、所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上第一方面和/或第一方面各种可能的实施方式。

59、第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。

60、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面和/或第一方面各种可能的实施方式。

61、本技术实施例提供的业务处理方法、装置、电子设备、及存储介质，该方法中通过获取用户输入的待回收物品的待处理业务文本；将待处理业务文本输入至识别模型中，得到目标实体标签，识别模型是基于多种属性状态的物品的业务文本和每个物品对应的标注实体标签，构建的正样本对和负样本对进行训练得到的，正样本对为描述同一属性状态的不同非标表达的两个业务文本，负样本对为描述不同属性状态但易混淆的两个业务文本；根据目标实体标签，确定待处理业务文本对应的目标应答数据。该技术方案中，通过将待处理业务文本输入至基于多种属性状态的物品业务文本及其对应标注实体标签、并结合描述同一属性状态的不同非标表达的正样本对和描述不同属性状态但易混淆的负样本对训练得到的识别模型中，以得到目标实体标签，能够提高对型号缩写、别名混用、错别字及同音替换等复杂非标准文本的实体识别准确性和标签判定一致性，进而根据目标实体标签确定待处理业务文本对应的目标应答数据，提高业务问答结果的准确性、稳定性和一致性。