基于大健康意图识别与上下文的Agent触发方法和系统与流程
本发明提出了基于大健康意图识别与上下文的agent触发方法和系统,属于大健康智能agent触发控制。
背景技术:
1、随着人工智能技术在大健康领域的深度渗透,健康agent(智能体)作为智能化健康服务的核心载体,已广泛应用于健康咨询、慢病管理、诊疗辅助等场景,用户先通过与部署有意图识别模型的智能终端进行咨询对话,然后,智能终端根据对话内容获取用户的基本信息和咨询内容并判断用户的意图,随后,根据用户意图作出报警判断并在必要的时候触发警报提醒,其触发的准确性与及时性直接决定健康服务的质量和用户体验。
2、目前,现有健康agent触发方法多依赖单一关键词匹配或通用意图识别模型,存在明显局限:通用意图识别模型未针对医疗领域特性优化,难以精准捕捉用户隐含的大健康需求,易出现误触发或漏触发问题;同时,多数方法未充分利用多轮对话的上下文信息及相关医疗知识,仅依据用户单次对话内容判断触发时机,忽略了对话的连贯性和意图的关联性,导致触发决策缺乏合理性。
技术实现思路
1、本发明提供了基于大健康意图识别与上下文的agent触发方法和系统,用以解决上述现有技术中存在的技术问题,所采取的技术方案如下:
2、基于大健康意图识别与上下文的agent触发方法,所述agent触发方法包括:
3、利用用户最近若干轮的对话内容对已完成构建的医疗领域专用意图识别模型进行训练,获取完成训练的医疗领域专用意图识别模型;
4、实时检测用户当前的对话信息,根据所述用户当前的对话信息获取其对应的初始查询向量、结构化上下文摘要向量和结构化知识摘要向量,并将用户当前的对话信息对应的初始查询向量、结构化上下文摘要向量和结构化知识摘要向量输入至医疗领域专用意图识别模型,获取意图识别结果;
5、仅当所述意图识别结果为健康意图结果时,当意图明确性评分不低于预设的意图评分阈值时,则判定触发健康agent;
6、当判定需要触发健康agent之后,根据意图识别结果输出的置信度与动态阈值之间的数值比较结果结合知识支持度验证规则判断是否满足触发健康agent的条件;根据判断结果结合分层决策机制对健康agent进行触发操作。
7、进一步地,利用用户最近若干轮的对话内容对已完成构建的医疗领域专用意图识别模型进行训练,获取完成训练的医疗领域专用意图识别模型,包括:
8、将用户的历史对话通过bi-encoder架构编码为768维的时序语义向量,将用户健康档案通过特征嵌入层转换为结构化向量,并利用注意力机制动态加权对所述时序语义向量和结构化向量进行融合生成上下文语义向量,利用当前输入语义相似度与紧急度指标生成修正因子对上下文语义向量进行优化修正,获取修正后上下文语义向量;
9、利用向量化的医学知识库及检索匹配策略从已构建的医学知识向量库中检索获取与用户问题对应的医学知识片段;
10、利用所述上下文语义向量、医学知识片段和用户问题对以构建的意图识别模型进行训练,获取完成训练的医疗领域专用意图识别模型。
11、进一步地,利用当前输入语义相似度与紧急度指标生成修正因子对上下文语义向量进行优化修正,获取修正后上下文语义向量,包括:
12、检测用户实时的当前对话信息和用户健康档案;
13、利用实时的当前对话信息和用户健康档案获取当前的上下文语义向量;
14、调取用户的历史对话对应的上下文语义向量,并确定历史对话对应的上下文语义向量和当前的上下文语义向量之间的语义相似度;
15、利用所述历史对话对应的上下文语义向量和当前的上下文语义向量之间的语义相似度生成动态生成上下文修正因子,并利用所述动态生成上下文修正因子对历史对话对应的上下文语义向量进行优化修正,获取修正后上下文语义向量。
16、进一步地,实时检测用户当前的对话信息,根据所述用户当前的对话信息获取其对应的初始查询向量、结构化上下文摘要向量和结构化知识摘要向量,并将用户当前的对话信息对应的初始查询向量、结构化上下文摘要向量和结构化知识摘要向量输入至医疗领域专用意图识别模型,获取意图识别结果,包括:
17、实时检测用户当前的对话信息,从所述用户当前的对话信息中提取文本数据和图片数据;
18、识别文本数据和图片数据中的实体信息,并利用所述实体信息生成初始查询向量v_query;
19、通过多源信息并行检索方式获取与用户当前的对话信息对应的结构化上下文摘要向量c_context和结构化知识摘要向量k_knowledge;
20、将用户当前的对话信息对应的初始查询向量v_query、结构化上下文摘要向量c_context和结构化知识摘要向量k_knowledge进行整合,生成医疗领域专用意图识别模型理解的增强提示;
21、将所述增强提示输入至医疗领域专用意图识别模型,通过医疗领域专用意图识别模型输出的考量因素获取意图识别结果,其中,所述医疗领域专用意图识别模型输出的考量因素包括用于触发阈值判断的意图明确性评分、用于触发优先级的紧急程度标记、用于触发时序控制的依赖关系清单和用于触发可靠性评估的置信度;并且,所述意图明确性评分对应于意图类型的分数范围,当所述意图明确性评分处于意图类型对应的分数范围内,则说明意图识别结果属于该意图类型,所述意图类型包括健康意图结果及其他通用意图结果。
22、进一步地,将用户当前的对话信息对应的初始查询向量v_query、结构化上下文摘要向量c_context和结构化知识摘要向量k_knowledge进行整合,生成医疗领域专用意图识别模型理解的增强提示,包括:
23、调取始查询向量v_query、结构化上下文摘要向量c_context和结构化知识摘要向量k_knowledge;
24、分别利用余弦相似度方式获取初始查询向量v_query和结构化上下文摘要向量c_context之间的余弦相似度,以及,初始查询向量v_query与结构化知识摘要向量k_knowledge之间的余弦相似度;
25、利用初始查询向量v_query与结构化上下文摘要向量c_context和结构化知识摘要向量k_knowledge之间的余弦相似度获取初始查询向量v_query、结构化上下文摘要向量c_context和结构化知识摘要向量k_knowledge对应的动态权重值;
26、利用所述初始查询向量v_query、结构化上下文摘要向量c_context和结构化知识摘要向量k_knowledge及其对应的动态权重值进行加权融合,生成医疗领域专用意图识别模型理解的增强提示。
27、进一步地,当判定需要触发健康agent之后,根据意图识别结果输出的置信度与动态阈值之间的数值比较结果结合知识支持度验证规则判断是否满足触发健康agent的条件;根据判断结果结合分层决策机制对健康agent进行触发操作,包括:
28、当判定需要触发健康agent之后,将意图识别结果中的置信度与动态阈值进行比较,根据置信度与动态阈值之间的比较结果结合知识支持度验证规则进行健康agent的触发条件验证,获取验证结果;
29、根据验证结果结合分层决策机制判断需要触发的健康agent中所包含的智能体类型,并对需要触发的智能体类型执行触发操作,其中,所述分层决策机制包括紧急意图层、专业意图层和模糊意图层;所述健康agent中所包含的智能体类型包括专业agent、紧急医疗agent、急救指导agent和就医协调agent。
30、进一步地,所述紧急意图层、专业意图层和模糊意图层对应的触发条件和决策规则分别对应如下:
31、紧急意图层对应的触发条件和决策规则如下:
32、当触发条件为紧急程度标记urgency_level="red";知识库标记为"立即就医"的症状组合时;对应的决策规则为忽略常规阈值限制,强制触发紧急医疗agent;同时,触发急救指导agent和就医协调agent;
33、专业意图层对应的触发条件和决策规则如下:
34、当触发条件为通过全部验证,或,紧急程度标记urgency_level="yellow"或"green"时,对应的决策规则为按意图类型映射到对应专业agent;若存在多个有效辅助意图,按优先级排序依次触发;同时,当所述健康agent负载不均衡时,则按照选择响应时间由短到长的健康agent进行优先触发启动;或者,按照健康agent对应的响应负荷强度以及意图强度确定每种健康agent的触发优先级;然后,记录触发上下文快照,用于后续效果评估;
35、模糊意图层对应的触发条件和决策规则如下:
36、当触发条件为置信度primary_confidence处于阈值0.5至动态阈值threshold_t之间;或,无紧急标记,或,知识支持度为中支持度时;对应的决策规则为触发"意图澄清agent",生成针对性澄清问题;同时,限制连续澄清次数≤3次,避免对话陷入循环;并且,若澄清后仍不确定,降级为提供通用健康知识。
37、进一步地,按照健康agent对应的响应负荷强度以及意图强度确定每种健康agent的触发优先级,包括:
38、调取当前意图识别结果中的知识置信度和当前意图识别结果中的意图类型;
39、采用双索引查表法结合已完成构建的意图匹配表获取当前意图识别结果中的意图类型与每种健康agent之间的匹配系数;
40、利用所述当前意图识别结果中的意图类型与每种健康agent之间的匹配系数结合紧急度标志参数和知识置信度获取每种健康agent与意图类型之间的意图强度;
41、利用每种健康agent对应的响应负荷强度以及意图强度生成每种健康agent对应的响应优先级参数;
42、按照响应优先级参数从高到低的顺序重新确定每种健康agent的触发优先级,并按照每种健康agent的触发优先级依次进行健康agent的触发。
43、进一步地,利用每种健康agent对应的响应负荷强度以及意图强度生成每种健康agent对应的响应优先级参数,包括:
44、调取每种健康agent对应的精度权重,取值范围为[0.5,1.5];
45、调取每种健康agent对应的时效性权重,取值范围为[0.5,1.5];
46、利用每种健康agent当前处理的任务数量获取每种健康agent当前处理的任务数量占总任务数量的百分比;
47、利用所述每种健康agent对应的精度权重和时效性权重结合每种健康agent当前处理的任务数量占总任务数量的百分比获取每种健康agent对应的响应负荷强度;
48、调取每种健康agent与意图类型之间的意图强度,利用所述每种健康agent对应的响应负荷强度和意图强度生成每种健康agent对应的响应优先级参数。
49、基于大健康意图识别与上下文的agent触发系统,所述agent触发系统包括:
50、模型训练模块,用于利用用户最近若干轮的对话内容对已完成构建的医疗领域专用意图识别模型进行训练,获取完成训练的医疗领域专用意图识别模型;
51、意图识别模块,用于实时检测用户当前的对话信息,根据所述用户当前的对话信息获取其对应的初始查询向量、结构化上下文摘要向量和结构化知识摘要向量,并将用户当前的对话信息对应的初始查询向量、结构化上下文摘要向量和结构化知识摘要向量输入至医疗领域专用意图识别模型,获取意图识别结果;
52、agent触发判断模块,用于仅当所述意图识别结果为健康意图结果时,当意图明确性评分不低于预设的意图评分阈值时,则判定触发健康agent;
53、agent执行模块,用于触发当判定需要触发健康agent之后,根据意图识别结果输出的置信度与动态阈值之间的数值比较结果结合知识支持度验证规则判断是否满足触发健康agent的条件;根据判断结果结合分层决策机制对健康agent进行触发操作。
54、本发明有益效果:
55、本发明提出的基于大健康意图识别与上下文的agent触发方法和系统通过医疗领域专用意图识别模型经用户多轮对话训练后,适配性更强,可精准识别用户大健康意图,减少误触发、漏触发问题;同时,融合三类向量,充分利用对话上下文连贯性和医疗知识关联性,提升触发决策的合理性;分层决策机制可适配多样化大健康服务场景,提升健康agent服务效率,推动大健康服务向更智能、更精准方向升级。
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