基于多智能体协同的企业级AI产品比对与推荐系统的制作方法

摘要: 本发明涉及人工智能与智能推荐,具体而言,涉及一种基于多智能体协同的企业级ai产品比对与推荐方法及系统。背景技术:1、当前,人工智能技术已进入大规模商业化阶段,企...
基于多智能体协同的企业级AI产品比对与推荐系统的制作方法

本发明涉及人工智能与智能推荐,具体而言,涉及一种基于多智能体协同的企业级ai产品比对与推荐方法及系统。

背景技术:

1、当前,人工智能技术已进入大规模商业化阶段,企业级ai产品种类呈现爆发式增长,涵盖大语言模型平台、智能客服系统、rpa工具、计算机视觉api、低代码automl平台、数据标注工具、模型监控运维系统等数十个细分领域。每一类产品在功能粒度、技术架构、计费模式、部署方式、数据安全合规、生态兼容性、服务等级协议及行业垂直优化程度等方面均存在显著差异。企业进行ai产品选型时,往往需要同时考虑数十个维度,并需平衡技术需求、预算约束、合规要求和未来扩展性,决策复杂度极高。

2、现有产品比对与推荐方案主要存在以下缺陷:(1)比对维度单一且固化。基于专家规则和静态数据库的检索系统,仅能按照预设的几个硬性指标进行筛选,无法理解产品功能描述的深层语义,也无法对非结构化的用户评价、技术白皮书等文本进行有效量化。当新产品形态出现或维度需要扩展时,规则库需要人工重写,维护成本高、响应速度慢。(2)个性化能力不足。部分方案采用单一深度学习模型进行推荐,但此类模型通常只能从历史交互中学习用户的静态偏好,难以融合企业的行业属性、技术栈成熟度、预算弹性等动态画像信息,导致推荐结果千人一面,无法根据不同企业的实际情况动态调整各维度的重要性权重。(3)可解释性差。单模型黑盒预测直接输出一个综合分数,企业用户无法获知该分数如何得出,在涉及重大采购决策时难以建立信任。用户需要明确知道某款产品在功能匹配、价格、口碑等维度上的具体表现,以及为何被推荐。(4)系统扩展性和鲁棒性不足。中心化架构将所有计算逻辑耦合在一起,当需要接入新的数据源或增加新的比对维度时,需要对整个系统进行修改和重新部署,且单点故障可能造成整个推荐服务中断。

3、多智能体系统由多个自治、可交互的智能体组成,能够通过协同完成单个智能体难以处理的复杂任务。将企业ai产品比对与推荐问题建模为多智能体协同任务,有望通过专业化分工、并行处理和知识共享克服上述缺陷。然而,如何设计高效的多智能体架构,将非结构化的需求解析、异构产品情报采集、多维度深度比对以及动态个性化决策有机衔接,并通过恰当的算法生成结构化的产品特征差异矩阵和可解释的综合适配度排序,仍是本领域亟待解决的关键技术问题。

技术实现思路

1、本发明的目的在于提供一种基于多智能体协同的企业级ai产品比对与推荐方法及系统,以解决现有技术中比对维度单一固化、个性化不足、可解释性差、系统扩展性及鲁棒性低的问题。

2、为实现上述目的,本发明采用如下技术方案:

3、本发明提供一种基于多智能体协同的企业级ai产品比对与推荐方法,包括以下步骤:

4、s1、需求解析智能体接收用户输入的自然语言需求描述,利用预训练语言模型与知识图谱抽取需求特征与硬性约束,生成结构化需求向量r;

5、s2、调度管理智能体根据所述结构化需求向量r,确定参与协同的功能智能体集合,生成包含子任务依赖关系的协同任务计划,并通过消息总线发布子任务;

6、s3、产品情报智能体依据子任务从多源异构数据通道检索候选ai产品,提取产品的功能描述、技术指标、价格、部署模式及生态兼容特征,构建产品特征化实例,并存入知识共享池;

7、s4、比对分析智能体集群根据所述协同任务计划,从知识共享池获取候选产品特征,并行执行多维度比对,所述多维度比对包括语义功能匹配度计算、结构化指标差异量化及用户评价情感分析,生成产品特征差异矩阵d;

8、s5、推荐决策智能体获取所述产品特征差异矩阵d,结合企业画像与动态权重模型,利用多属性决策算法计算各候选产品的综合适配度,生成经可解释性排序的推荐列表,并通过用户交互智能体输出。

9、进一步地,本发明的步骤s4中所述生成产品特征差异矩阵d具体为:

10、将需求特征向量r与候选产品i的功能描述文本ti经同一预训练编码器映射到d维语义空间,计算语义匹配度simi;对产品i的结构化指标进行归一化并计算与需求理想值的欧氏距离,取其倒数作为指标适配分indi;对用户评论文本进行情感分析得出口碑分senti;将上述三维得分加权融合,得到产品i的综合比对得分向量,并构建产品特征差异矩阵d:

11、

12、其中,n为候选产品数量,αi、βi、γi分别为第i个产品在各维度的预设基础权重系数。

13、进一步地,本发明的步骤s5中所述计算各候选产品的综合适配度具体采用加权topsis方法:

14、提取企业画像c中的行业、规模、技术栈成熟度、预算区间特征,通过经强化学习训练的元策略网络πθ输出维度权重向量w = (w1, w2, w3),以推荐历史反馈为奖励信号进行训练;基于权重向量w与产品特征差异矩阵d构建加权标准化决策矩阵,确定正理想解a+和负理想解a-,计算候选产品i的综合适配度ci:

15、

16、其中,d{ij}为产品i在维度j上的标准化得分,dj+、dj-分别为维度j的正、负理想解值;按ci降序排列生成推荐列表。

17、进一步地,本发明的步骤s4中所述语义功能匹配度计算具体为:将需求特征向量与产品功能描述文本经同一语义空间编码,计算余弦相似度;并基于知识图谱的实体链接,对同义异构功能进行对齐补偿,得到语义匹配度。

18、进一步地,本发明的步骤s4中所述多维度比对还包括:利用基于孤立森林的异常检测算法对偏离群组共识的产品指标进行标注,以辅助识别差异化优势或潜在缺陷。

19、进一步地,本发明的步骤s2中所述调度管理智能体维护一个任务-智能体能力映射表,根据各智能体的当前负载和专长匹配度,采用合同网协议进行任务分配;当比对分析智能体集群中的某个智能体失效时,调度管理智能体重指派任务。

20、本发明还提供一种基于多智能体协同的企业级ai产品比对与推荐系统,该系统包括:需求解析模块,用于执行上述步骤s1;调度管理模块,用于执行上述步骤s2;产品情报智能体模块,用于执行上述步骤s3;比对分析智能体集群模块,用于执行上述步骤s4,并按照特定方式生成产品特征差异矩阵d;推荐决策智能体模块,用于执行上述步骤s5,并按照特定方式计算综合适配度;用户交互模块,用于输出推荐列表;知识共享池,用于存储产品特征化实例和中间比对结果;消息总线,用于各模块间的异步通信与解耦。

21、进一步地,本发明中,比对分析智能体集群模块包括语义比对子模块、指标比对子模块和评价分析子模块;所述语义比对子模块用于将需求特征向量与产品功能描述文本编码并计算语义匹配度;所述指标比对子模块用于对结构化指标进行归一化及差异量化;所述评价分析子模块用于对用户评论文本执行情感分析。

22、本发明通过将比对推荐任务解耦为多个可由专业智能体独立完成的子任务,利用消息总线和知识共享池实现高效协同与信息复用。其中,产品特征差异矩阵d将语义匹配度、指标适配分和口碑分有机整合为统一的结构化表示,解决了异构信息融合难题;动态权重模型则借助强化学习从企业画像中自适应地推导维度重要性,驱动加权topsis算法生成个性化且具备完整解释路径的推荐结果。整个系统具备热插拔式扩展能力,可随业务需要灵活增减比对智能体。

23、附图说明图1为本发明实施例提供的系统整体架构图;图2为本发明实施例提供的多智能体协同工作流程图;图3为本发明实施例提供的产品比对算法流程图;图4为本发明实施例提供的推荐生成算法流程图;图5为本发明实施例提供的用户交互界面示意图。

24、具体实施方式为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施方式进行详细描述。应当理解,此处所描述的实施例仅用于解释本发明,并不用于限定本发明

25、实施例一:系统总体架构与协同流程

26、如图1所示,本实施例提供的一种基于多智能体协同的企业级ai产品比对与推荐系统,由多个松耦合的智能体模块和基础设施组成。具体包括:用户交互智能体110、需求解析智能体120、调度管理智能体130、产品情报智能体140、比对分析智能体集群150、推荐决策智能体160、知识共享池170以及消息总线180。每个智能体均为独立的计算单元,可部署于不同容器或服务器中,通过消息总线180实现基于主题的发布/订阅式异步通信。知识共享池170采用图数据库与键值存储相结合的混合存储方案,用于持久化产品特征化实例、中间比对得分、用户画像及历史反馈日志,保证各智能体在解耦状态下仍能高效共享数据。

27、图2详细示出了多智能体协同工作的时序流程,整体过程包括以下步骤:步骤201:用户通过用户交互智能体110输入自然语言需求描述,例如“我们是一家200人的电商公司,需要一款支持私有化部署、能集成企业微信的智能客服系统,预算30万以内”。用户交互智能体110负责前端交互和输入校验,然后将原始需求文本转发至需求解析智能体120。步骤202:需求解析智能体120内嵌基于bert的预训练语言模型和领域知识图谱,执行命名实体识别、关系抽取和约束解析。知识图谱中包含了“电商”与行业标准编码的映射、“企业微信”与集成系统分类的关联、“私有化部署”与部署模式枚举值的对应关系等。解析完成后,生成结构化需求向量r,其维度包括但不限于:行业编码、公司规模数值、功能需求语义嵌入向量、硬性约束列表以及预算上限归一化值等,此需求向量r随即被发布至消息总线的“需求解析完成”主题。

28、步骤203:调度管理智能体130订阅该主题,获取r后首先进行任务分解。其内部维护一个任务-智能体能力映射表,记录每个智能体的功能标识、处理能力上限、当前负载和平均处理延迟。调度管理智能体根据r判断需要启动产品检索和多维比对任务,并采用合同网协议进行任务分配:向产品情报智能体140和比对分析智能体集群150广播任务标书,各智能体根据自身负载和能力投标,调度管理智能体确认中标方后,通过消息总线下发子任务t1和t2,同时声明任务间的依赖关系。当某个比对分析子智能体运行异常或宕机时,调度管理智能体监测到心跳超时,将自动重指派任务给集群中其他同类型智能体,保障协同流程的鲁棒性。

29、步骤204:产品情报智能体140接收到t1后,启动多源适配器。适配器连接公开api市场、专业技术评测社区、厂商官方文档与白皮书,以及第三方评论网站,通过预设的数据抽取模板提取候选ai产品的信息。提取内容包括:产品名称、版本、功能文本描述、结构化技术指标、价格模型、部署模式、生态兼容列表、安全认证等。对于每条产品,构建统一的产品特征化实例对象,包含半结构化json字段和文本字段,存入知识共享池170中,并建立索引。

30、步骤205:产品情报智能体140完成全部候选产品信息采集后,发布“情报采集完成”消息至消息总线,消息体中携带本次任务涉及的候选产品id列表。

31、步骤206:调度管理智能体130接收到完成消息后,立即触发比对分析智能体集群150执行t2任务。集群中的三个子智能体并行启动:语义比对智能体151从知识共享池读取需求向量r的功能嵌入部分和每个候选产品的功能文本描述,执行语义功能匹配度计算;指标比对智能体152读取结构化指标需求约束和产品实际指标值,进行归一化与差异量化;评价分析智能体153抓取各产品的用户评论文本,执行方面级情感分析。各子智能体的详细算法将在实施例二中展开。所有中间计算结果实时写回知识共享池,供其他智能体和后续任务复用。

32、步骤207:当所有子智能体完成计算后,比对分析智能体集群150的聚合协调器从知识共享池中读取各维度得分,按照预设规则进行加权融合,生成结构化的产品特征差异矩阵d,并将矩阵d及一系列差异化标签一同打包,发布“比对完成”消息至消息总线。

33、步骤208:推荐决策智能体160订阅“比对完成”消息后,获取矩阵d。同时,从知识共享池中加载当前企业的企业画像c,该画像包含行业代码、员工规模分段、技术栈成熟度评分、预算区间归一化值以及历史采购偏好等静态和动态特征。接着,推荐决策智能体160调用经强化学习训练的元策略网络,输出对应于语义匹配、指标适配、口碑三个维度的动态权重向量w,并基于加权topsis方法计算每个候选产品的综合适配度ci。最终,按照ci从高到低排序,为每个产品自动生成归因解释文本,形成推荐列表,经由用户交互智能体110以可视化方式呈现给用户。归因解释清晰指出产品在哪些维度表现突出或不足,使决策过程透明、可追溯。

34、实施例二:产品特征差异矩阵d的生成算法

35、本实施例详细说明步骤s4中产品特征差异矩阵d的生成过程,对应图3的产品比对算法流程,此过程的核心在于将语义、指标、口碑三类异构评价信息量化为统一尺度的得分,并融合成一个矩阵,为后续加权决策提供标准输入。具体步骤如下:(1)语义功能匹配度simi的计算。将需求特征向量r中的功能嵌入部分(记为r)与第i个候选产品的功能描述文本ti,通过同一个基于transformer的预训练编码器映射到d维共享语义空间,分别得到向量r和ti。计算两者的余弦相似度作为基础语义匹配得分:

36、

37、进一步,为克服自然语言描述中同义异构问题,系统利用领域知识图谱进行实体链接。若需求中的功能实体与产品描述中的功能实体在知识图谱中存在等价关系路径,则触发语义补偿。最终的语义匹配度simi由基础相似度加上补偿项构成:

38、

39、其中,λ为预设补偿系数,通常设为0.15~0.25,ialign为指示函数,存在至少一对同义对齐实体时取1,否则取0。该补偿机制有效提升了功能匹配的召回率和合理性。(2)指标适配分indi的计算。对价格、最大并发数、响应延迟、sla可用性等结构化指标集合j,首先对每个指标的原始值xij进行min-max归一化,得到vij ∈ [0,1]。将用户需求中的理想值作同样归一化处理,得到vj*。计算产品i在指标维度上的加权欧氏距离:

40、

41、其中,ωj为根据行业经验预设的指标重要性初值。为使该分值与匹配度方向一致,取距离的倒数并进行尺度变换得到指标适配分:

42、

43、(3)口碑分senti的计算。针对产品i的聚合用户评论文本,采用方面级情感分析模型识别与“易用性”“售后响应”“功能稳定性”“性价比”等关键方面的情感极性。统计正面提及次数pi和负面提及次数ni,采用贝叶斯平滑避免小样本偏差:

44、

45、其中,α=1,β=2,使得先验分布假设口碑中性。(4)融合生成矩阵d。对n个候选产品,分别获得上述simi、indi、senti三个得分。为平衡各维度在初始阶段的量级影响,引入预设基础权重系数αi、βi、γi,构成加权得分向量。对所有产品执行该操作,构建产品特征差异矩阵d:

46、

47、矩阵d的每一行代表一个候选产品,每一列分别对应语义匹配、指标适配和用户口碑维度。该矩阵结构化地封装了多维度比对的核心结果,使得推荐决策智能体能够以矩阵运算方式高效处理。(5)异常检测与差异化标记。为辅助用户发现产品的隐秘优点或潜在风险,系统进一步对矩阵d中的各列应用孤立森林算法。以语义匹配度列为例,将所有产品的simi值作为样本集,训练孤立森林模型,得到每个产品在该维度的异常得分s(x,n)。当s(x,n)超过阈值时,该产品的此维度将被标记为“差异化特征”,例如某款产品指标适配分平庸但口碑分异常高,可能提示其用户体验极佳但宣传不足。这些标签随矩阵d一同输出。

48、实施例三:基于动态权重与加权topsis的推荐生成算法

49、本实施例详细说明步骤s5中综合适配度ci的计算方法,对应图4的推荐生成算法流程。其创新之处在于维度权重并非人为固定,而是由一个基于强化学习的元策略网络根据企业画像动态生成。首先,从知识共享池中提取当前企业的画像c,包含以下特征:行业独热编码、员工规模归一化值、技术栈成熟度评分、预算区间归一化值、以及最近三次采购行为中的维度偏好隐向量等。将c输入元策略网络πθ。该网络采用三层全连接结构,输出经softmax函数得到三维权重向量w = (w1, w2,w3),分别对应语义匹配、指标适配和口碑维度。网络参数θ通过强化学习中的近端策略优化算法进行训练,训练环境为模拟的企业决策流,奖励信号来自真实用户的历史反馈:若用户点击了推荐产品详情页,给予+1奖励;若加入对比收藏夹,给予+3奖励;若最终采购,给予+10奖励;若用户快速离开或明确标记不相关,给予负奖励。通过大量交互,元策略网络学会了针对不同企业画像输出能最大化累积奖励的权重分布。例如,对于技术栈成熟度高、预算充裕的科技公司,网络会赋予语义功能匹配更高权重;而对于预算紧张的传统中小企业,网络则自动提升价格指标相关的适配权重。获得动态权重w后,对产品特征差异矩阵d中的得分进行向量归一化以消除量纲,得到标准化矩阵z,其中元素z{ij} = d{ij} / \sqrt{\sum{i=1}n d{ij}2}。构建加权标准化决策矩阵u,u{ij} = wj \cdot z{ij}。

50、根据加权矩阵确定各维度的正理想解a+和负理想解a-。计算每个候选产品i与正、负理想解的欧氏距离,并最终得到综合适配度ci:

51、

52、其中,zj+和 zj-分别为维度j的正、负理想解在标准化矩阵中的值。ci值在0到1之间,越接近1表示产品综合表现越贴近当前企业的个性化最优方案。按ci降序排列后,推荐决策智能体利用各维度得分与权重生成归因解释。

53、实施例四:调度管理与容错机制

54、调度管理智能体130是整个多智能体系统运行的中枢。其不仅负责任务分解与分发,还维护一个实时的智能体健康状态表。每个功能智能体在启动时向调度管理智能体注册自己的能力描述、最大并发数和当前负载,并周期性发送心跳。调度管理智能体在收到需求向量r后,查询能力映射表筛选出符合要求的智能体组,通过合同网协议进行招标式任务分配。若在任务执行期间,某智能体心跳超时或返回执行失败状态,调度管理智能体立即从能力映射表中选取另一相同类型的空闲智能体,重新下发子任务,并更新协同任务计划中的依赖关系,整个容灾切换过程对用户完全透明,确保了系统的高可用性。

55、实施例五:用户交互界面

56、图5示意了用户交互界面的布局。界面顶部为需求输入区510,支持自然语言文本输入和标签筛选两种模式。左侧为产品对比矩阵区520,直接以表格形式呈现矩阵d的可视化内容,其中差异化的指标会被高亮显示,并附有悬浮说明。右侧上部为雷达图区530,用户可同时勾选多款候选产品,系统动态绘制基于矩阵d中得分的多维雷达图,直观对比各产品优劣。右侧下部为推荐列表区540,产品卡片按综合适配度ci从高到低排列,每张卡片展示产品名称、适配度进度条、关键维度得分和完整的推荐理由。用户可一键跳转至产品详情或发起试用申请。

57、本发明实施例通过多智能体协同架构实现了比对推荐任务的灵活解耦与并行处理,系统扩展性强,可热插拔增减比对维度;产品特征差异矩阵d创造性地将语义、指标、口碑三类异构评价统一为结构化表示,使后续决策计算一致、高效;动态权重模型利用强化学习从企业画像中自主学习维度重要性,真正做到了“千企千面”的个性化推荐;加权topsis结合归因解释提供了完整、透明的决策路径,极大增强用户信任;调度管理智能体与消息总线、知识共享池的结合,保障了系统的高并发处理能力和故障自愈能力。

58、以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内所做的任何修改、等同替换和改进,均应包含在本发明的保护范围之内。