一种基于提示学习的电能量数据分析意图识别方法与流程

本技术涉及电力数据分析，更具体地说，本技术涉及一种基于提示学习的电能量数据分析意图识别方法。

背景技术：

1、电力数据分析是指运用数据挖掘、机器学习及统计分析等技术，对电网运行中产生的海量电能量数据进行深度处理与特征提取的过程，其核心在于从多维度、多时间尺度的电力运行数据中挖掘潜在的用电规律、设备状态及能耗特征，从而为电力负荷预测、线损异常诊断、用户画像构建及电网调度优化等业务场景提供精准的数据支撑与决策依据，是实现电网智能化运营与精细化管理的重要基础。

2、然而，在现有的电能量数据意图识别过程中，仅依托固定模板的槽位匹配与无上下文感知的独立序列标注开展意图分类与实体定位，未结合意图特征向量与字符级上下文的深度融合广播拼接，难以精确定位复杂查询语句中的实体边界偏移并保障意图要素抽取的全局语义一致性。因此，如何实现基于意图特征引导的实体跨度精准定位，以提高电能量数据分析场景下意图识别准确性是业界面临的关键难题。

技术实现思路

1、本技术提供一种基于提示学习的电能量数据分析意图识别方法，可以实现基于意图特征引导的实体跨度精准定位，以提高电能量数据分析场景下意图识别准确性。

2、第一方面，本技术提供一种基于提示学习的电能量数据分析意图识别方法，所述方法：

3、获取电能量数据对应的意图查询文本；

4、构建数据意图分析时要素掩码槽位对应的提示模板，将所述意图查询文本填充至所述提示模板后输入意图识别模型，分别提取所述意图查询文本的全局语义特征和所述提示模板的要素先验特征；

5、通过交叉注意力机制将所述全局语义特征和所述要素先验特征进行融合，得到意图特征向量，并对所述意图特征向量执行分类预测，得到意图识别结果；

6、基于所述意图特征向量定位候选实体跨度，根据所述意图识别结果确定候选实体类型集合，并根据所述候选实体跨度和所述候选实体类型集合中的语义原型确定所述候选实体跨度在意图识别时的实体类型。

7、在本实施例中，构建数据意图分析时要素掩码槽位对应的提示模板具体包括：

8、从目标数据源中提取数据维度特征，并将所述数据维度特征映射为带有变量占位符的要素掩码槽位；

9、根据所述要素掩码槽位和预设的数据分析指令组装初始模板框架，并注入业务约束规则生成提示模板。

10、在本实施例中，将所述意图查询文本填充至所述提示模板后输入意图识别模型具体包括：

11、对所述意图查询文本进行特征编码得到文本特征序列，并将所述文本特征序列填充至所述要素掩码槽位中生成实例化提示文本；

12、将所述实例化提示文本联合所述业务约束规则输入意图识别模型，推理输出意图识别结果。

13、在本实施例中，分别提取所述意图查询文本的全局语义特征和所述提示模板的要素先验特征具体包括：

14、对所述意图查询文本进行词元编码得到文本序列，并利用自注意力机制聚合所述文本序列的上下文信息以提取全局语义特征；

15、从所述提示模板中提取槽位结构拓扑，并结合槽位类型标识进行位置编码以确定要素先验特征。

16、在本实施例中，通过交叉注意力机制将所述全局语义特征和所述要素先验特征进行融合，得到意图特征向量具体包括：

17、将所述全局语义特征映射为查询矩阵，并将所述要素先验特征映射为键矩阵与值矩阵，计算所述查询矩阵与所述键矩阵间的交叉注意力权重；

18、依据所述交叉注意力权重对所述值矩阵进行加权求和聚合，得到融合要素先验信息的上下文交互特征；

19、对所述上下文交互特征执行残差连接，生成意图特征向量。

20、在本实施例中，依据所述交叉注意力权重对所述值矩阵进行加权求和聚合，得到融合要素先验信息的上下文交互特征具体包括：

21、将所述交叉注意力权重与所述值矩阵执行矩阵乘法运算，得到要素先验信息关注度对应的加权特征分量序列；

22、对所述加权特征分量序列进行聚合，得到融合要素先验信息的上下文交互特征。

23、在本实施例中，对所述意图特征向量执行分类预测，得到意图识别结果具体包括：

24、将所述意图特征向量输入全连接层进行维度映射得到分类逻辑值，并结合所述业务约束规则执行特征掩码以过滤无效类别；

25、对过滤后的分类逻辑值进行激活，得到意图概率序列；

26、根据所述意图概率序列确定意图识别结果。

27、在本实施例中，对过滤后的分类逻辑值进行激活，得到意图概率序列具体包括：

28、基于预设的温度缩放系数对过滤后的分类逻辑值执行指数映射运算，并确定指数激活特征；

29、根据所述指数激活特征确定意图概率序列。

30、在本实施例中，基于所述意图特征向量定位候选实体跨度，根据所述意图识别结果确定候选实体类型集合具体包括：

31、.将所述意图特征向量与所述意图查询文本的字符特征拼接构建上下文表示矩阵，仅在所述意图查询文本的序列范围内预测实体边界位置以定位候选实体跨度；

32、依据所述意图识别结果查询预设的意图要素映射图谱执行类型约束匹配，得到候选实体类型集合。

33、在本实施例中，根据所述候选实体跨度和所述候选实体类型集合中的语义原型确定所述候选实体跨度在意图识别时的实体类型具体包括：

34、对所述候选实体跨度对应的文本片段执行上下文编码，提取跨度特征向量；

35、计算所述跨度特征向量与所述候选实体类型集合中各语义原型间的余弦相似度，得到类型匹配得分序列；

36、根据所述类型匹配得分序列中各相似度得分与语义原型的映射关系，选取满足预设条件的目标得分，并将所述目标得分对应的语义原型确定为意图识别时的实体类型。

37、本技术公开的实施例提供的技术方案具有以下有益效果：

38、获取电能量数据对应的意图查询文本；构建数据意图分析时要素掩码槽位对应的提示模板，将所述意图查询文本填充至所述提示模板后输入意图识别模型，分别提取所述意图查询文本的全局语义特征和所述提示模板的要素先验特征；通过交叉注意力机制将所述全局语义特征和所述要素先验特征进行融合，得到意图特征向量，并对所述意图特征向量执行分类预测，得到意图识别结果；基于所述意图特征向量定位候选实体跨度，根据所述意图识别结果确定候选实体类型集合，并根据所述候选实体跨度和所述候选实体类型集合中的语义原型确定所述候选实体跨度在意图识别时的实体类型。

39、由此可见本技术中，可以确定所述候选实体跨度在意图识别时的实体类型；其中，确定要素先验特征即可得到意图类别与实体类型之间的结构化约束映射关系，从而在意图识别过程中将业务领域的先验知识以硬约束形式嵌入模型推理链路，使意图分类决策不再孤立进行而是受到实体类型合法组合的定向引导与校验。该约束机制有效压缩了意图分类的候选解空间，抑制了因语义歧义或特征模糊导致的跨类别误判，使模型在面对电能量数据分析场景中高度相似的业务查询语句时，能够依据要素类型的合规性快速排除不合理意图分支，提升意图识别在细粒度类别划分上的区分度与判定置信度。确定意图识别结果即可得到携带全局语义语境的高维意图特征向量，从而将该特征向量作为上下文引导信号向下广播至实体跨度定位环节，使每个候选字符位置的局部特征均融合完整意图语义信息，这种意图特征引导机制使实体边界预测不再仅依赖局部字符上下文，而是受到全局意图语境的定向调制，解决了电能量数据分析场景中因查询语句结构复杂、实体嵌套或边界模糊导致的跨度截断与错位问题，使实体抽取结果与意图语义高度对齐，从整体上保障意图要素抽取的语义一致性。

40、综上所述，本技术采用的技术方案可以实现基于意图特征引导的实体跨度精准定位，以提高电能量数据分析场景下意图识别准确性。