基于大模型的企业动态意图追踪方法及系统与流程

本发明涉及数据处理。更具体地，本发明涉及基于大模型的企业动态意图追踪方法及系统。

背景技术：

1、随着数字化转型的不断深入，越来越多的企业开始通过客户关系管理系统、企业资源计划系统、工单管理系统以及在线客服平台等信息化系统对客户交互过程进行管理。在企业营销、销售转化、客户服务以及供应链协同等业务场景中，客户通常会通过电话、邮件、即时通讯工具、在线客服窗口等多种渠道与企业进行持续交互，并在交互过程中不断表达其采购需求、服务需求、咨询需求以及合作意向。为了提升客户转化效率和业务决策能力，企业通常需要对客户意图进行识别与分析，以便及时掌握客户需求变化趋势并制定相应的业务策略。

2、近年来，随着大语言模型在自然语言理解、语义推理以及上下文分析等方面表现出较强能力，越来越多的企业开始尝试利用大模型对客户会话内容进行意图识别，从而实现客户需求挖掘、商机预测、风险预警以及客户画像构建等功能。现有技术中，大多数基于大模型的意图识别方案主要依赖于客户当前轮次的话语内容进行语义分析，通过分类模型、提示词工程或大模型推理机制输出对应的意图标签，其本质上属于针对单次会话或短时上下文的静态意图识别方法。虽然部分方案引入了历史会话信息或会话状态追踪机制，但其主要关注对话内容本身，而较少考虑企业内部经营数据对客户意图判断所产生的重要影响。

3、然而，在实际应用过程中，客户意图往往并非静态不变，而是随着沟通内容、业务进展以及企业经营状态的变化而持续演化。而且现有技术通常缺少对意图识别结果可信度的持续校验机制，当大模型输出结果与企业实际经营事实不一致时，无法根据业务事实对模型输出进行动态修正和反馈调节，导致错误判断在后续分析过程中不断累积，进一步导致意图追踪结果可靠性不高的问题。

技术实现思路

1、为解决上述背景技术中提出的意图追踪结果可靠性不高的问题，本发明在如下的多个方面中提供方案。

2、在第一方面中，本发明提供了基于大模型的企业动态意图追踪方法，包括：读取企业经营数据库中的结构化字段并拼接为业务状态描述串，将所述业务状态描述串送入嵌入编码器得到业务锚点向量，并基于历史对话编码意图锚点集合；由大模型对客户话语抽取语义证据，对企业事件按映射规则生成业务证据；计算大模型缓存中各槽位的键向量与所述业务锚点向量及所述意图锚点集合的关联度，基于所述关联度对衰减权重进行注意力重校准后，将滑动窗口内的双通道证据融合得到综合观测向量，所述双通道包括对话通道与业务通道；建立意图状态向量及协方差矩阵，将所述综合观测向量作为观测由卡尔曼增益更新所述意图状态向量及协方差矩阵；对所述协方差矩阵执行特征分解，依据主特征值与次特征值的比值及各维方差判定意图漂移、意图分裂与意图合并，并基于大模型输出与企业事实库的一致性得分调节业务通道观测噪声协方差。

3、上述技术方案通过融合客户对话信息与企业经营信息进行联合分析，并结合历史交互过程对客户意图进行持续跟踪，能够避免仅依赖单轮对话内容所导致的意图判断片面性，提高对客户真实需求的识别准确性；同时通过对历史信息的重要程度进行动态调整，使与业务发展密切相关的关键信息得到有效保留，降低长期交互过程中重要语义信息被弱化或遗忘的风险，从而提升意图追踪的连续性和稳定性；进一步结合状态更新机制对客户意图变化过程进行实时刻画，能够及时发现客户需求的变化趋势以及多种意图之间的演化关系，提高对意图变化的感知能力；并通过企业事实信息对分析结果进行动态校验和修正，降低语言表达歧义、模型推理偏差以及噪声数据对意图判断结果造成的影响，从而提高意图追踪结果的可靠性、一致性和业务适应能力，为企业客户管理、商机挖掘和业务决策提供更加准确的支撑。

4、进一步地，业务锚点向量及意图锚点集合的构建过程包括：从所述企业经营数据库中提取订单阶段、合同状态、库存预警、回款节点、工单状态及客户关系阶段在内的结构化字段，按预定义自然语言模板将所述结构化字段拼接为业务状态描述串；将所述业务状态描述串送入与大模型同源的嵌入编码器，进而得到所述业务锚点向量；将历史对话中标注或抽取的意图短语独立编码为意图锚点并按时间窗口滑动，对超出所述时间窗口的意图锚点执行剔除，并对新增意图执行入库登记以得到意图锚点集合。

5、上述技术方案通过将企业经营数据转换为统一的语义表示，能够有效整合分散的业务信息，增强系统对企业实际经营状态的理解能力；同时结合历史对话动态维护意图信息，及时剔除失效意图并引入新增意图，保证意图表征与客户需求变化保持同步，减少无效历史信息的干扰；进而提高业务信息与客户需求之间的关联分析能力，为后续意图识别与动态追踪提供更加准确、稳定的数据基础，提高意图追踪结果的准确性和可靠性。

6、进一步地，对时间衰减权重进行注意力重校准的过程包括：对大模型缓存中目标槽位的键向量，分别计算所述键向量与业务锚点向量的余弦相似度及所述键向量与意图锚点集合中各意图锚点的余弦相似度的最大值；按业务通道与意图通道的平衡系数对所述余弦相似度及最大值进行加权求和以得到目标槽位的关联度；将所述关联度与锚定强度系数的乘积作为补偿因子，将目标槽位的衰减权重与1加补偿因子的乘积作为补偿后衰减权重，并将所述补偿后衰减权重经归一化后回写至注意力归一化指数函数前的偏置项，所述目标槽位为大模型缓存中的任一槽位。

7、上述技术方案通过综合考虑历史信息与当前业务状态之间的关联程度，对历史信息的重要性进行动态调整，能够使与当前业务进展及客户需求高度相关的信息获得更充分的关注和保留，减少关键语义信息在长时交互过程中的衰减和丢失；同时避免关联性较弱的信息持续占用分析资源，降低无关历史内容对后续意图判断产生的干扰，从而增强模型对长期上下文的理解能力，提高客户意图识别的连续性、准确性和稳定性，为后续意图演化分析提供更加可靠的信息支撑。

8、进一步地，所述综合观测向量包括：由大模型从客户话语中抽取语义证据，按候选意图的强度生成对话通道证据强度向量；对所述企业事件，按预定义映射规则生成业务通道证据强度向量；按时间衰减权重对所述滑动窗口内各时刻的对话通道证据强度向量及业务通道证据强度向量进行加权求和以得到所述综合观测向量，所述时间衰减权重与时间间隔呈负指数关系。

9、上述技术方案通过同时利用客户对话信息和企业业务信息构建观测数据，能够从客户表达内容与实际业务进展两个维度全面反映客户需求状态，避免单一信息来源造成的判断偏差；同时结合历史时序信息对不同时间节点的数据进行差异化处理，使近期信息能够更加真实地反映客户当前需求变化，而历史信息仍能够为意图分析提供必要参考，从而在保留意图演化连续性的同时提高对当前意图状态的感知能力，增强观测结果的完整性、准确性和时效性，为后续意图跟踪与状态更新提供更加可靠的数据依据。

10、进一步地，还包括，对所述意图状态向量及协方差矩阵进行预测：设上一时刻意图状态向量为，两次事件的时间间隔为，意图自然衰减系数为，稀疏意图迁移矩阵为，过程噪声矩阵为；基于所述意图自然衰减系数对所述时间间隔取幂后与所述稀疏意图迁移矩阵相乘，再与所述上一时刻意图状态向量相乘以得到意图预测向量；将所述协方差矩阵在所述稀疏意图迁移矩阵作用下进行变换后与所述过程噪声矩阵相加得到预测协方差。

11、上述技术方案通过在状态更新前结合历史意图状态、时间变化因素以及意图之间的关联关系对未来意图状态进行预测，能够提前刻画客户需求的演化趋势，使意图跟踪过程不仅依赖当前观测结果，还能够充分利用历史变化规律，提高对客户真实意图发展方向的预测能力；同时在预测过程中引入不确定性描述，能够有效反映客户需求变化过程中可能存在的波动和随机扰动，增强状态估计对复杂业务场景的适应能力，从而提高意图跟踪结果的连续性、稳定性和准确性，为后续意图识别与动态决策提供更加可靠的基础支撑。

12、进一步地，更新所述意图状态向量及协方差矩阵的过程包括：将预测协方差、观测矩阵以及双通道观测噪声协方差合并得到的总观测协方差以构造卡尔曼增益；将所述综合观测向量与所述观测矩阵作用于意图预测向量得到的预测观测向量做差得到观测残差；将所述卡尔曼增益与所述观测残差相乘后与所述意图预测向量相加，得到更新后的意图状态向量；获取单位阵与所述卡尔曼增益、观测矩阵的乘积，将所述乘积与预测协方差相乘得到更新后的协方差矩阵，所述单位阵为主对角线元素为1、其余元素为0且维度与所述预测协方差矩阵相同的方阵。

13、上述技术方案通过综合利用预测结果与实时观测信息对意图状态进行动态修正，能够及时吸收新的客户交互信息和业务变化信息，降低单纯依赖历史预测或当前观测所带来的偏差，使意图状态估计更加贴近客户真实需求；同时对状态不确定性进行同步更新和修正，能够有效反映当前意图判断的可信程度，提高系统对噪声数据、异常信息以及业务波动的适应能力，增强意图跟踪过程的稳定性和鲁棒性，从而提升客户意图识别结果的准确性、连续性和可靠性，为后续意图演化分析和业务决策提供更加精准的数据支撑。

14、进一步地，还包括，对所述意图状态向量的维度进行扩展，具体为：当大模型从客户话语中抽取出已有意图锚点集合中不存在的意图短语时，将所述意图短语编码为新的意图锚点并加入所述意图锚点集合；并向所述意图状态向量追加一个新维度，将所述协方差矩阵在所述新维度上以预设初值进行扩展；对所述稀疏意图迁移矩阵在新维度对应的行与列进行扩展，按业务规则填入与已有意图维度的迁移系数。

15、上述技术方案通过在识别到新的客户需求表达时自动引入新的意图维度，并同步更新相关状态描述结构，能够突破固定意图类别体系的限制，使系统具备持续学习和动态适应能力，及时覆盖新出现的客户需求类型和业务场景，避免因意图类别缺失而导致的信息遗漏或识别偏差；同时保持新旧意图之间的关联关系，使新增需求能够与已有需求共同参与后续分析和演化跟踪，从而增强系统对复杂、多变客户需求的表达能力和适应能力，提高意图追踪的完整性、灵活性和长期稳定性。

16、进一步地，判定意图漂移、意图分裂及意图合并的过程包括：对更新后的协方差矩阵执行特征分解得到主特征值与次特征值，并获取所述意图状态向量各维的方差及均值序列；当任一维的方差高于漂移阈值且其均值发生预设幅度的偏移时，判定为意图漂移；当次特征值与主特征值的比值大于分裂阈值时，判定为意图分裂；当两个意图维度的皮尔逊相关系数高于预设上限且对应强度差值低于预设下限时，判定为意图合并，所述皮尔逊相关系数根据所述协方差矩阵中对应维度之间的协方差及方差计算得到，所述强度差值根据所述意图状态向量获取两个意图维度对应的强度作差得到。

17、上述技术方案通过对意图状态变化特征及不同意图之间的关联关系进行综合分析，能够及时识别客户需求在发展过程中出现的方向变化、需求细化以及需求融合等演化现象，避免将持续变化的客户需求简单视为静态结果进行处理；同时结合意图之间的关联程度和活跃程度进行联合判断，能够更加准确地区分相互独立的需求与趋于一致的需求，降低误判和漏判情况的发生，提高对复杂客户需求变化过程的感知能力和识别精度；进而增强意图追踪结果对真实业务场景的适应性和解释能力，使系统能够更加准确地反映客户需求的动态演化趋势，为客户管理、需求预测和业务决策提供更加可靠的依据。

18、进一步地，基于一致性得分调节业务通道观测噪声协方差的过程包括：将大模型输出的意图标签及对应槽位与企业事实库中的对应字段进行比对，按字段匹配度计算一致性得分；基于所述一致性得分构造单调调节因子，所述单调调节因子为1减去一致性得分，将业务通道观测噪声协方差按所述单调调节因子进行尺度变换得到调节后业务通道观测噪声协方差；将所述调节后业务通道观测噪声协方差用于下一轮卡尔曼更新，并将所述综合观测向量、意图状态向量、意图锚点集合以及一致性得分记录至审计日志。

19、上述技术方案通过将意图识别结果与企业实际业务信息进行持续校验，能够及时发现模型判断与真实业务状态之间存在的偏差，并根据校验结果动态调整后续分析过程中对业务信息的信任程度，从而降低错误判断和异常数据对意图追踪结果造成的影响；同时使后续状态更新过程更加符合实际业务情况，提高意图识别结果与企业经营事实的一致性和可靠性；此外，通过对关键分析结果和演化过程进行记录，能够完整保留意图变化轨迹和决策依据，增强系统运行过程的可追溯性和可审计性，从而提高整体意图追踪的稳定性、准确性和业务应用价值。

20、在第二方面中，本发明提供了基于大模型的企业动态意图追踪系统，包括存储器和处理器，所述存储器内存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现以上任意一项所述的基于大模型的企业动态意图追踪方法。

21、本发明的有益效果在于：

22、本发明通过融合客户对话信息、企业经营数据以及历史交互信息，对客户需求进行持续感知、动态更新和全过程跟踪，能够突破传统意图识别仅依赖单轮对话内容的局限性，使意图分析结果更加贴近企业实际业务场景；通过将业务状态信息与客户语义信息进行联合建模，并对历史信息的重要程度进行动态调整，能够有效保留与当前业务进展密切相关的关键内容，减少无关信息对分析结果的干扰，提高长期意图追踪的连续性和准确性；同时结合状态预测与实时观测更新机制，能够及时反映客户需求的变化趋势和发展方向，增强对复杂、多变业务场景的适应能力；进一步通过动态扩展意图类别、识别意图变化关系以及利用企业事实信息对分析结果进行持续校验和修正，能够及时发现新需求、准确识别需求演化过程并降低模型推理偏差带来的影响，提高意图识别结果与实际业务状态的一致性和可靠性；此外，通过对关键分析过程和结果进行记录，还能够增强系统运行过程的可追溯性和可审计性，从而全面提升企业客户需求分析、商机挖掘、客户管理以及业务决策过程中的智能化水平和应用价值。