基于深度学习的知识运营问答对话处理方法及系统与流程

本技术涉及人工智能，尤其涉及一种基于深度学习的知识运营问答对话处理方法及系统。

背景技术：

1、随着互联网的普及和电子商务的迅猛发展，越来越多的企业开始重视知识运营，即通过有效地管理和利用知识资源，提升用户体验和服务质量。在这一背景下，如何准确理解用户的提问并提供个性化的知识服务成为了亟待解决的问题。

2、传统的知识运营方法往往依赖于人工客服或简单的关键词匹配技术，无法充分理解用户的语义和需求，导致服务效率低下和用户满意度不高。近年来，深度学习技术在自然语言处理领域取得了显著进展，为实现更高级别的语义理解和智能交互提供了可能。

3、然而，现有的深度学习系统在处理用户提问时仍面临一些挑战。首先，用户提问往往包含复杂的语义结构和多层次的信息需求，需要系统具备强大的问题理解能力。其次，用户需求可能随着时间和情境的变化而发生跳变，要求系统能够实时捕捉并适应这种变化。最后，为了实现个性化的知识服务，系统需要能够根据用户的提问生成与之匹配的答案。

技术实现思路

1、为了改善上述问题，本技术提供了一种基于深度学习的知识运营问答对话处理方法及系统。

2、第一方面，本技术实施例提供一种基于深度学习的知识运营问答对话处理方法，应用于深度学习系统，所述方法包括：

3、获取目标知识运营提问文本，所述目标知识运营提问文本包括具有语义关联的若干个在线用户提问段落；

4、确定所述若干个在线用户提问段落中每个在线用户提问段落相应的多阶提问句子；所述多阶提问句子中各阶提问句子是对相应的所述在线用户提问段落进行文本细粒度调整所得到的，所述多阶提问句子中各阶提问句子的文本细粒度呈递减趋势；

5、对所述每个在线用户提问段落相应的多阶提问句子分别进行问题理解向量挖掘，得到所述每个在线用户提问段落分别相应的问题理解表征向量；所述问题理解表征向量用于反映所述每个在线用户提问段落各自在若干个不同线性向量容量权重下的、且与用户需求跳变存在联系的嵌入语义向量；

6、对于所述若干个在线用户提问段落中任意连续的两个在线用户提问段落，依据所述两个在线用户提问段落分别相应的所述问题理解表征向量，对所述两个在线用户提问段落在最少一个所述线性向量容量权重下进行企业用户需求跳变分析。

7、在一些技术方案中，所述对所述每个在线用户提问段落相应的多阶提问句子分别进行问题理解向量挖掘，得到所述每个在线用户提问段落分别相应的问题理解表征向量，包括：

8、对所述每个在线用户提问段落相应的多阶提问句子分别进行问题理解向量挖掘，得到所述每个在线用户提问段落分别相应的多阶问题理解向量关系网；所述多阶问题理解向量关系网中不同特征阶的问题理解向量关系网相应的线性向量容量权重以及语义向量簇个数不同；

9、依据所述每个在线用户提问段落相应的所述多阶问题理解向量关系网，得到所述每个在线用户提问段落分别相应的各阶问题理解向量关系网中各语义向量簇相应的问句要素线性变量；

10、依据所述每个在线用户提问段落分别相应的问句要素线性变量，确定所述每个在线用户提问段落分别相应的问题理解表征向量。

11、在一些技术方案中，所述依据所述每个在线用户提问段落相应的所述多阶问题理解向量关系网，得到所述每个在线用户提问段落分别相应的各阶问题理解向量关系网中各语义向量簇相应的问句要素线性变量，包括：

12、依据所述每个在线用户提问段落相应的所述多阶问题理解向量关系网，确定所述多阶问题理解向量关系网中各阶问题理解向量关系网中各问题理解向量单元的基础问句要素线性变量；

13、确定所述基础问句要素线性变量在目标语义特征坐标系上的第一语义要素线性变量和第二语义要素线性变量；所述第一语义要素线性变量用于指示问题理解向量单元在词级别注意力指标下的语义向量；所述第二语义要素线性变量用于指示问题理解向量单元在句级别注意力指标下的语义向量；

14、针对每个语义向量簇，依据所述语义向量簇中各问题理解向量单元相应的第一语义要素线性变量、以及所述语义向量簇中所包含的问题理解向量单元总数，确定所述语义向量簇的第一局部问题理解向量；

15、针对每个语义向量簇，依据所述语义向量簇中各问题理解向量单元相应的第二语义要素线性变量、以及所述语义向量簇中所包含的问题理解向量单元总数，确定所述语义向量簇的第二局部问题理解向量；

16、依据所述第一局部问题理解向量和相应的所述第二局部问题理解向量，确定所述每个在线用户提问段落分别相应的各阶问题理解向量关系网中各语义向量簇相应的问句要素线性变量。

17、在一些技术方案中，所述问题理解表征向量包括用于反映词级别注意力指标的词级别文本语义、和用于反映句级别注意力指标的句级别文本语义；

18、所述依据所述两个在线用户提问段落分别相应的所述问题理解表征向量，对所述两个在线用户提问段落在最少一个所述线性向量容量权重下进行企业用户需求跳变分析，包括：

19、依据所述两个在线用户提问段落在相同线性向量容量权重分别相应的所述词级别文本语义，确定所述两个在线用户提问段落在同一线性向量容量权重下、各对应语义向量簇之间的词级别比较结果；

20、依据所述两个在线用户提问段落在相同线性向量容量权重分别相应的所述句级别文本语义，确定所述两个在线用户提问段落在同一线性向量容量权重下、各对应语义向量簇之间的句级别比较结果；

21、依据所述词级别比较结果和所述句级别比较结果，对所述两个在线用户提问段落在最少一个所述线性向量容量权重下进行企业用户需求跳变分析。

22、在一些技术方案中，所述依据所述词级别比较结果和所述句级别比较结果，对所述两个在线用户提问段落在最少一个所述线性向量容量权重下进行企业用户需求跳变分析，包括：

23、将所述若干个不同线性向量容量权重中最大线性向量容量权重作为当前线性向量容量权重；

24、比对分析在所述当前线性向量容量权重下各对应语义向量簇的提问需求变化信息所相应的提问需求变化权重、与相应的提问需求标签值的大小；

25、如果比对分析结果表征在所述当前线性向量容量权重下存在企业用户需求跳变，确定被分析的在线用户提问段落存在企业用户需求跳变；

26、如果比对分析结果表征在所述当前线性向量容量权重下不存在企业用户需求跳变，将所述若干个不同线性向量容量权重中下一个线性向量容量权重作为当前线性向量容量权重；

27、跳转至所述比对分析在所述当前线性向量容量权重下各对应语义向量簇的提问需求变化信息所相应的提问需求变化权重、与相应的提问需求标签值的大小的步骤，直到符合跳变捕捉终止要求。

28、在一些技术方案中，所述如果比对分析结果表征在所述当前线性向量容量权重下存在企业用户需求跳变，确定被分析的在线用户提问段落存在企业用户需求跳变步骤之前，所述方法还包括：

29、在所述当前线性向量容量权重下，确定比对分析结果符合设定识别条件的当前量化统计结果；

30、如果所述当前量化统计结果大于等于所述当前线性向量容量权重相应的预设统计门限，确定比对分析结果表征在所述当前线性向量容量权重下存在企业用户需求跳变；

31、如果所述当前量化统计结果小于所述当前线性向量容量权重相应的预设统计门限，确定比对分析结果表征在所述当前线性向量容量权重下不存在企业用户需求跳变；

32、其中，所述预设统计门限与所述当前线性向量容量权重相应的语义向量簇的个数相关。

33、在一些技术方案中，所述比对分析结果包括用于指示词级别比较结果的第一比对分析观点，和用于指示句级别比较结果的第二比对分析观点；

34、所述在所述当前线性向量容量权重下，确定比对分析结果符合设定识别条件的当前量化统计结果，包括：

35、在所述当前线性向量容量权重下，确定所述第一比对分析观点符合设定识别条件的第一量化统计结果，以及确定所述第二比对分析观点符合设定识别条件的第二量化统计结果；

36、依据所述第一量化统计结果和所述第二量化统计结果，确定所述当前量化统计结果。

37、在一些技术方案中，所述方法还包括：

38、若企业用户需求跳变分析结果表征被分析的在线用户提问段落存在企业用户需求跳变，对所述被分析的在线用户提问段落进行需求跳变标注。

39、在一些技术方案中，所述若企业用户需求跳变分析结果表征被分析的在线用户提问段落存在企业用户需求跳变，对所述被分析的在线用户提问段落进行需求跳变标注，包括：

40、若企业用户需求跳变分析结果表征所述被分析的在线用户提问段落存在企业用户需求跳变，对所述被分析的在线用户提问段落进行需求跳变关联；

41、对经需求跳变关联的所述被分析的在线用户提问段落进行答案检索关键词标注，得到经需求跳变标注的目标在线用户提问段落，所述目标在线用户提问段落相应的提问句子影响权重小于相应的所述被分析的在线用户提问段落的提问句子影响权重。

42、第二方面，本技术实施例提供一种深度学习系统，包括至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行第一方面所述的方法。

43、第三方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现第一方面所述的方法。

44、本技术提出了一种基于深度学习技术的自然语言处理和语义理解方法。该方法首先获取目标知识运营提问文本，包括具有语义关联的若干个在线用户提问段落。然后，对每个在线用户提问段落进行文本细粒度调整，生成多阶提问句子，以更全面地理解用户的提问内容。接下来，利用深度学习技术对多阶提问句子进行问题理解向量挖掘，得到问题理解表征向量，以反映用户在不同线性向量容量权重下的嵌入语义向量。最后，对连续的用户提问段落进行企业用户需求跳变分析，以捕捉用户需求的动态变化。

45、通过本技术的应用，企业能够显著提升知识运营效率、增强用户体验和忠诚度。具体而言，该方法能够自动回答用户提出的问题、提供个性化的知识服务，并与用户进行智能交互。这不仅减轻了人工客服的负担、提高了服务效率，还能够更准确地满足用户的需求、提升用户满意度。同时，通过实时捕捉用户需求的变化并调整服务策略，企业能够更好地适应市场变化、保持竞争优势。