一种AI金融场景的智能问答方法及金融智能问答系统与流程
本发明属于金融智能问答,具体涉及一种ai金融场景的智能问答方法及金融智能问答系统。
背景技术:
1、随着金融科技业务的快速发展,金融机构或企业开始依赖线上智能问答系统,来协助用户获取信息、办理业务或解决疑问。在传统模式中,人均效率与响应速度上已难以满足当前高频、多样化的用户需求,因此基于大语言模型的ai智能问答技术,正逐渐成为金融场景下提升服务效率、降低人力成本的重要手段。然而,在实际落地过程中,现有的金融场景智能问答技术依然存在明显缺陷,例如常常出现“答非所问”或“给出无用信息”等情况;追溯其原因,这些问题的源头主要集中在意图识别环节,起步的偏离导致最终输出的答非所问。基于此,在金融智能问答系统领域,行业内需要设计出一种ai金融场景的智能问答解决方案,来解决上述技术问题。
技术实现思路
1、本发明提供一种ai金融场景的智能问答方法及金融智能问答系统,其有益效果为,面对不同意图识别的场景,智能选择更加精准的业务方向,进而使得输出的回答更加精准更加合理。
2、为实现上述目的,本发明提供的一种ai金融场景的智能问答方法,用于金融智能问答系统,所述方法包括:s1,问答系统获取用户输入的金融咨询问题;s2,将金融咨询问题封装为json格式,之后转化为待处理的问答请求;s3,调用大语言模型,将待处理的问答请求输入到router路由,进行意图识别,获得意图识别结果;s4,根据意图识别结果判断为task规划方向还是flow固定方向,之后基于已补全的参数,从rag金融知识库中检索相关内容获得检索结果,进而获得对应的task方向返回值/flow方向返回值;s5,将task方向返回值/flow方向返回值统一封装为标准json响应,并将标准json响应返回至服务端,由服务端展示给前端用户。
3、可选的,所述步骤s2包括:s21,将金融咨询问题封装为json格式的http请求,通过post方法转发至python子服务,经过意图改写后获得待处理的问答请求,之后通过python子服务的fastapi接口接收待处理的问答请求。
4、可选的,所述步骤s3包括:s31,获取待处理的问答请求,并获取预设的标准示例库,标准示例库包括多个关键词;s32,将关键词与预设规则词,二者进行比对;s33,当关键词命中预设规则词的数量大于等于命中阈值,获得第一路由标识对应的意图识别结果;s34,当关键词命中预设规则词的数量小于命中阈值,获得第二路由标识对应的意图识别结果。
5、可选的,所述步骤s33包括:s41,当关键词命中预设规则词的数量大于等于命中阈值,生成第一路由标识,根据关键词与预设意图标签的映射关系,获取目标意图标签,并根据映射关系获得目标意图标签对应的规则得分;s42,判断规则得分是否小于预设规则阈值;s43,当规则得分不小于预设规则阈值时,将目标意图标签转化为对应的意图识别结果;s44,当规则得分小于预设规则阈值时,将待处理的问答请求输入微调版小模型,提取关键参数并生成第三意图结果,将第三意图结果确定为第一路由标识对应的意图识别结果。
6、可选的,所述步骤s34包括:s51,当关键词命中预设规则词的数量小于命中阈值,生成第二路由标识,向人工介入模块发送请求,之后接收来自人工介入模块的文本信息;s52,判断文本信息的内容,是否符合预设的精选示例要求;s53,如果符合预设的精选示例要求,将待处理的问答请求、文本信息的内容,输入大语言模型,获得第二意图结果和置信度得分;s54,判断置信度得分的数值,是否小于预设置信度;s55,如果不小于预设置信度,将第二意图结果确定为意图识别结果;s56,如果小于预设置信度,将待处理的问答请求输入微调版小模型,提取关键参数并生成第四意图结果,将第四意图结果确定为第二路由标识对应的意图识别结果。
7、可选的,所述根据映射关系获得目标意图标签对应的规则得分,包括:s61,获取关键词在预设规则词库中对应的预设权重值,并获取目标意图标签在预设规则词库中对应的全局置信度基值;s62,将预设权重值与全局置信度基值相乘,获得规则权重子得分;s63,获取关键词在待处理的问答请求中的词频,并获取待处理的问答请求的总词数,计算词频与总词数的比值,获得词频匹配子得分;s64,将规则权重子得分与词频匹配子得分进行综合计算,获得目标意图标签对应的规则得分。
8、可选的,所述将规则权重子得分与词频匹配子得分进行综合计算,获得目标意图标签对应的规则得分,包括:s71,获取规则权重子得分对应的预设数值区间,根据预设数值区间与预设权重等级的第一对应关系,获得规则权重子得分对应的第一等级标识,并获取词频匹配子得分对应的预设数值区间,根据预设数值区间与预设词频等级的第二对应关系,获得词频匹配子得分对应的第二等级标识;s72,根据第一等级标识和第二等级标识,从预设的等级组合映射表中查询与第一等级标识和第二等级标识的组合相匹配的预设得分条目,获得匹配得分条目,预设得分条目包含得分下限值、得分上限值和默认推荐值;s73,获取待处理的问答请求对应的业务场景类型标识,根据业务场景类型标识,从匹配得分条目中选取业务场景类型标识对应的场景化推荐值,作为规则得分。
9、可选的,所述将待处理的问答请求、文本信息的内容,输入大语言模型,获得第二意图结果和置信度得分,包括:s81,获取待处理的问答请求和文本信息的内容,将待处理的问答请求与文本信息的内容按照预设的输入模板进行拼接,获得输入组合数据;s82,将输入组合数据输入大语言模型,调用大语言模型基于输入组合数据进行少样本推理,获得大模型输出数据,大模型输出数据包含意图标签字段和置信度字段;s83,从大模型输出数据中提取意图标签字段对应的文本作为第二意图结果,提取置信度字段对应的数值作为置信度得分。
10、可选的,所述步骤s4包括:s401,从意图识别结果中提取意图类别标签和已提取参数集合;s402,根据意图类别标签,从预设的必要参数映射表中查询意图类别标签对应的必要参数集合,将已提取参数集合与必要参数集合进行比对,获得缺失参数集合;s403,根据意图类别标签查询预设的复杂度映射表,获得意图类别标签对应的任务复杂度等级;当任务复杂度等级大于预设复杂度阈值时,判断为task规划方向;当任务复杂度等级不大于预设复杂度阈值时,判断为flow固定方向;s404,当判断为flow固定方向时,根据缺失参数集合生成参数补齐提问,获取用户针对参数补齐提问返回的补充信息,根据补充信息更新已提取参数集合,重复执行根据更新后的已提取参数集合与必要参数集合进行比对并生成参数补齐提问的步骤,直到缺失参数集合为空集,获得flow完整参数集合;s405,根据意图类别标签和flow完整参数集合构建flow检索查询语句,将flow检索查询语句输入rag金融知识库进行向量检索,获得flow检索结果,基于flow检索结果处理金融咨询问题,获得flow方向返回值;s406,当判断为task规划方向时,根据缺失参数集合生成澄清性提问,获取用户针对澄清性提问返回的补充信息,根据补充信息更新已提取参数集合,重复执行根据更新后的已提取参数集合与必要参数集合进行比对并生成澄清性提问的步骤,直到缺失参数集合为空集,获得task完整参数集合;s407,根据意图类别标签和task完整参数集合构建task检索查询语句,将task检索查询语句输入rag金融知识库进行向量检索,获得task检索结果,基于task检索结果处理金融咨询问题,获得task方向返回值。
11、上述方案中,所述rag金融知识库的构建,包括集中金融问答所需的知识材料,同时接入外部监管法规和行业准则。相关人员可上传word、pdf等文件补充知识,或从已入库的产品库、规则库中选取材料。扫描件或图片型pdf先经ocr识别,系统随后检查文件重复性、正文有效性、格式支持及文字异常,并按产品类别、业务场景、职能条线等维度归类,确保后续直接使用已整理好的产品文本、规则文本和来源信息。系统将产品和规则拆解为知识点或问答单元,记录每个单元对应的业务场景、产品范围、法规依据、典型提问和标准答复。历史客服确认的高质量问答直接沉淀为样本,缺乏记录的由模型辅助生成初版再经人工审核,形成“提问-回答-场景-依据”的样本集合,便于后续参考。问答处理时,系统根据用户提问涉及的产品类型、关键词及渠道检索知识库,来源可涵盖全部知识库、指定文档、临时上传材料或联网公开信息。进一步地,检索结果与提问一同交给模型组织回答,输出必须附带参考知识片段、来源文件名和定位信息,便于追溯。
12、为实现上述目的,本发明提供的一种金融智能问答系统,所述系统包括:前端输入模块,用于实现问答系统获取用户输入的金融咨询问题;问答转化模块,用于实现将金融咨询问题封装为json格式,之后转化为待处理的问答请求;意图识别模块,用于实现调用大语言模型,将待处理的问答请求输入到router路由,进行意图识别,获得意图识别结果;智能判断模块,用于实现根据意图识别结果判断为task规划方向还是flow固定方向,之后基于已补全的参数,从rag金融知识库中检索相关内容获得检索结果,进而获得对应的task方向返回值/flow方向返回值;信息返回模块,用于实现将task方向返回值/flow方向返回值统一封装为标准json响应,并将标准json响应返回至服务端,由服务端展示给前端用户。
13、随着金融科技业务的快速发展,金融机构或企业开始依赖线上智能问答系统,来协助用户获取信息、办理业务或解决疑问;在传统模式中,人均效率与响应速度上已难以满足当前高频、多样化的用户需求,因此基于大语言模型的ai智能问答技术,正逐渐成为金融场景下提升服务效率、降低人力成本的重要手段;然而,在实际落地过程中,现有的金融场景智能问答技术依然存在明显缺陷,例如常常出现“答非所问”或“给出无用信息”等情况;追溯其原因,这些问题的源头主要集中在意图识别环节,起步的偏离导致最终输出的答非所问;相比于背景技术所述问题,本发明在意图识别方面实现优化创新,命中规则词时基于映射关系获取目标意图并计算规则得分,未命中时通过精选示例输入大模型获得置信度得分,得分达标则直接确定意图,得分不足则触发微调版小模型兜底;意图确定后,基于已补全参数构建查询语句输入rag金融知识库进行向量检索,筛选相似度得分超过阈值的知识条目作为检索结果;其有益效果为,可以面对不同意图识别的场景,智能选择更加精准的业务方向,进而使得输出的回答更加精准更加合理。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com