一种基于自然语言交互的数据智能推荐系统的制作方法

摘要: 本发明属于人工智能,具体地说是一种基于自然语言交互的数据智能推荐系统。背景技术:1、随着人工智能技术、自然语言处理技术以及机器人技术的发展,具备语音交互、生活辅...
一种基于自然语言交互的数据智能推荐系统的制作方法

本发明属于人工智能,具体地说是一种基于自然语言交互的数据智能推荐系统。

背景技术:

1、随着人工智能技术、自然语言处理技术以及机器人技术的发展,具备语音交互、生活辅助、健康提醒及安全监测功能的智能机器人逐渐应用于居家养老场景中,智能机器人能够通过自然语言交流理解老年用户需求,为独居老人或行动不便老人提供日常陪护和辅助服务。

2、然而,在实际应用过程中,部分老年用户,尤其是存在认知能力下降的老年用户,包括患有阿尔茨海默病、老年痴呆等认知障碍疾病的用户,在与智能机器人连续交流时容易出现语义表达不完整、话题突然切换、重复描述、时间概念混乱以及前后表达矛盾等情况,例如,用户可能先提出生活服务需求,随后因记忆回溯产生无关描述,经过交流后又重新返回原有需求,使连续输入信息中同时存在有效意图和干扰信息。

3、现有智能机器人通常基于当前语句语义解析或历史对话上下文关联方式确定用户需求,并根据识别结果匹配对应服务,但在连续交流过程中,对于不同语句之间关联程度以及用户当前表达是否延续原有交互需求的判断仍存在不足,当用户出现认知偏移或语义表达变化时,部分非目标信息可能被持续关联至当前交互上下文中,导致用户需求判断依据发生偏移,降低后续服务匹配的准确性。

技术实现思路

1、为了弥补现有技术的不足,解决背景技术中所提出的至少一个技术问题。

2、本发明解决其技术问题所采用的技术方案是:

3、意图建模模块:根据获取的历史语音流中语句间的语义关联关系、时间连续关系以及意图主题迁移关系,构建稳定意图轨迹;

4、漂移感测模块:提取当前语句语义表示,与稳定意图轨迹中的历史参照节点进行关联,构建时序语义关联图结构,根据节点间意图关联强度、激活传播衰减量及语句相对于稳定意图轨迹的偏离程度,计算各语句对应的意图漂移评价参数,将超过预设漂移评价阈值的语句标记为候选漂移语句;

5、偏移量化模块:接收候选漂移语句及历史参照节点,计算当前语句的时间偏移量、方向偏移量及语义衰减量,对各偏移量进行融合,根据融合结果与偏移判定阈值的比较结果,将候选漂移语句划分为失稳态语句集和稳定关联语句集;

6、意图恢复模块:接收失稳态语句集,以稳定意图轨迹对应的目标意图原型作为约束中心,确定各语义片段的贡献程度及漂移残余量,根据二者的匹配关系对低贡献片段迭代削弱并重构语义约束关系,输出恢复后的意图锚定语句组;

7、推荐融合模块:接收意图锚定语句组及稳定关联语句集,根据二者对应的意图可信权重生成动态意图权重分布,基于动态意图权重分布匹配候选服务项,输出目标推荐结果,并将用户采纳状态与恢复意图的匹配偏差反馈至意图建模模块,形成意图轨迹自适应更新的反馈回路

8、作为本发明进一步的方案:

9、构建稳定意图轨迹的过程为:

10、采集目标用户多个历史会话周期内的连续自然语言交互语句,并获取各历史语句对应的语音时间戳、语义嵌入向量、意图主题标签以及上下文关联信息;

11、根据各历史语句对应的时间顺序,对连续语句进行时序排列,并依据上下文关联关系建立历史语句之间的语义连接关系,形成连续语义交互序列;

12、基于连续语义交互序列,统计相邻历史语句之间的语义相似程度、意图主题迁移方向以及主题保持持续时间,计算各历史语句之间的意图关联强度;

13、依据各历史语句之间的意图关联强度对交互序列进行加权邻接矩阵构建,并基于时间连续关系采用滑动窗口内的主题一致性检测,提取意图主题迁移路径中的强连通子图,将强连通子图内持续保持稳定关联关系的历史意图路径构建为稳定意图轨迹。

14、构建时序语义关联图结构的过程为:

15、获取目标用户当前会话中的连续自然语言语句,对各当前语句提取对应的语义嵌入向量、意图主题特征及上下文状态信息;

16、依据当前语句发生时间顺序,将连续语句建立时序连接关系,并按照稳定意图轨迹中的历史参照节点对各当前语句进行语义匹配;

17、根据当前语句与历史参照节点之间的语义相似程度、主题关联程度以及上下文继承关系,建立当前语句与历史参照节点之间的关联边;

18、将当前语句作为图节点、语义关联关系作为图边、历史参照节点作为时间锚点约束,通过图注意力机制计算当前语句节点与历史参照节点间的跨时间步注意力系数,构建包含当前语义演化过程和时序依赖约束的时序语义关联图结构。

19、将超过预设漂移评价阈值的语句标记为候选漂移语句的过程为:

20、基于时序语义关联图结构,获取各语义节点之间的连接关系,并统计节点之间的意图关联强度;

21、按照语义节点之间的关联传播路径,对节点激活信息进行传播分析,计算不同传播层级对应的节点激活传播衰减量;

22、根据当前语句对应节点与稳定意图轨迹历史参照节点之间的语义距离、传播衰减量以及意图方向变化量,计算各当前语句对应的意图偏离程度;

23、融合意图关联强度、节点激活传播衰减量及意图偏离程度,并引入时间衰减因子对历史节点影响权重进行动态调节,生成各当前语句对应的意图漂移评价参数;

24、根据意图漂移评价参数与预设漂移评价阈值之间的比较结果,将超过阈值的当前语句标记为候选漂移语句。

25、对各偏移量进行融合的过程为:

26、获取候选漂移语句对应的历史参照节点,并建立当前语句与历史参照节点之间的对应关系;

27、根据当前语句发生时间与历史参照节点对应时间之间的差异,计算时间演化偏移量;

28、根据当前语句意图方向与历史参照节点意图方向之间的夹角变化关系,计算意图关联方向偏移量;

29、根据当前语句与历史参照节点之间的语义关联程度变化,计算语义关联衰减量;

30、融合时间演化偏移量、意图关联方向偏移量及语义关联衰减量,并采用多维度加权融合策略对各偏移分量进行归一化及非线性组合,生成各候选漂移语句对应的意图偏移度量值。

31、将候选漂移语句划分为失稳态语句集和稳定关联语句集的过程为:

32、获取各候选漂移语句对应的意图偏移度量值,并调取稳定意图轨迹对应的历史意图分布特征;

33、根据历史意图分布特征统计稳定意图轨迹中各历史参照节点对应的偏移波动范围,构建偏移判定阈值;

34、将各候选漂移语句对应的意图偏移度量值与偏移判定阈值进行比较,计算各候选漂移语句对应的偏移状态;

35、根据偏移状态,将超过偏移判定阈值的候选漂移语句标记为时序语义图中的失稳节点并归入失稳态语句集,将未超过偏移判定阈值的候选漂移语句标记为可修复关联节点并归入稳定关联语句集。

36、确定各语义片段的贡献程度及漂移残余量的过程为:

37、获取失稳态语句集中的多个语义片段,并建立各语义片段之间的语义关联关系;

38、以目标意图原型作为关联约束中心,将各语义片段分别映射至目标意图原型对应的语义空间,计算各语义片段与目标意图原型之间的语义关联强度;

39、根据各语义片段对应的语义关联强度及在关联传播路径中的累计传播权重,计算各语义片段对目标意图原型的贡献程度;

40、根据各语义片段完成关联传播后与目标意图原型之间剩余的语义距离,结合语义传播路径中的残差连接权重,计算对应的漂移残余量,生成各语义片段对应的贡献程度及漂移残余量。

41、输出恢复后的意图锚定语句组的过程为:

42、根据各语义片段对应的贡献程度及漂移残余量参数集,分析贡献程度与漂移残余量之间的匹配关系;

43、根据贡献程度与漂移残余量之间的匹配关系,筛选贡献程度低且漂移残余量高的漂移语义片段,并降低对应语义片段在关联传播过程中的影响权重;

44、依据更新后的传播关系重新计算目标意图原型对应的语义约束关系,并更新目标意图原型的语义关联中心;

45、重复执行漂移语义片段削弱及语义约束更新过程,并在每次迭代后计算目标意图原型向量的相对变化率,直至连续两次更新后的相对变化率满足收敛判定阈值,输出恢复后的意图锚定语句组。

46、根据二者对应的意图可信权重生成动态意图权重分布的过程为:

47、获取意图锚定语句组及稳定关联语句集对应的语义表示信息;

48、根据恢复后的意图锚定语句组与稳定关联语句集之间的语义关联程度、意图保持程度及语句分布一致性,计算对应的意图可信权重;

49、依据意图可信权重,采用贝叶斯后验更新策略对恢复意图与稳定意图之间的共现先验概率进行动态修正,计算各意图主题对应的权重分布;

50、根据各意图主题对应的权重变化结果,生成动态意图权重分布。

51、形成意图轨迹自适应更新的反馈回路的过程为:

52、获取动态意图权重分布及候选服务项对应的语义特征;

53、根据动态意图权重分布计算各候选服务项对应的意图匹配程度,并按照匹配程度生成初始推荐序列;

54、根据各候选服务项对应的语义表示与恢复后的目标意图之间的语义距离,计算各候选服务项对应的语义偏离程度;

55、结合意图匹配程度及语义偏离程度,采用多目标排序优化策略对初始推荐序列进行重排,输出与当前恢复意图相匹配的目标推荐结果;

56、采集用户对目标推荐结果的操作行为数据,经行为编码器映射为用户采纳状态特征向量,将向量与恢复意图的意图原型向量求差后计算l2范数,得到匹配偏差;

57、将匹配偏差与意图原型节点当前的自适应更新阈值进行比对,当匹配偏差超出自适应更新阈值时,计算语义约束边界参数的调整量;

58、依据调整量,通过动态映射与边界规约机制,修正相应意图原型节点的语义约束边界参数,经由平滑过渡与稳定性校验,形成意图轨迹自适应更新的反馈回路。

59、本发明的有益效果如下:

60、通过构建稳定意图轨迹,对目标用户历史自然语言交互过程中形成的持续意图特征进行建模,并以稳定意图轨迹作为当前交互过程中的历史参照,实现对用户真实交互意图的持续约束;在此基础上,通过构建时序语义关联图结构,对当前语句与历史参照节点之间的语义关联关系进行动态分析,结合意图关联强度、节点激活传播衰减量及语义偏离程度实现连续交互过程中意图漂移的实时感测;进一步地,通过对候选漂移语句进行时间演化偏移量、意图关联方向偏移量及语义关联衰减量的联合量化,并结合稳定意图轨迹构建自适应偏移判定阈值,实现对失稳态语句与稳定关联语句的有效区分,降低因用户认知波动或连续表达变化造成的误判;同时,以稳定意图轨迹对应的目标意图原型作为约束中心,对失稳态语句中的语义片段进行关联传播分析,根据贡献程度及漂移残余量对低贡献漂移语义片段进行迭代削弱,并重构目标意图原型的语义约束关系,从而恢复用户连续交互过程中被漂移语义干扰的真实交互意图;最后,综合恢复后的意图锚定语句组与稳定关联语句集生成动态意图权重分布,对候选服务项进行语义匹配及推荐融合,并根据用户对目标推荐结果的采纳状态与恢复意图的匹配偏差,反馈修正稳定意图轨迹中意图原型节点的语义约束边界参数,形成意图轨迹自适应更新的反馈回路,使推荐结果能够持续贴合用户当前恢复后的真实需求,并在系统运行过程中动态优化意图漂移的感知与恢复能力,有效减少认知障碍用户因话题跳转、重复表达、时间概念混乱或语义漂移导致的推荐偏差,提高连续自然语言交互场景下用户需求识别的稳定性、意图恢复的准确性以及服务推荐的精准性和连续性,具有良好的智能交互适应能力和应用价值。