本發(fā)明涉及人工智能，尤其涉及一種記憶驅(qū)動(dòng)的問答優(yōu)化方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、在金融領(lǐng)域，隨著數(shù)字化和智能化技術(shù)的飛速發(fā)展，傳統(tǒng)的金融服務(wù)模式正在經(jīng)歷深刻的變革。特別是在客戶服務(wù)和用戶交互方面，智能問答系統(tǒng)和智能助手的應(yīng)用正在迅速普及。這些系統(tǒng)通過整合人工智能(ai)和自然語言處理(nlp)技術(shù)，能夠?yàn)橛脩籼峁└咝?、更個(gè)性化的服務(wù)體驗(yàn)，從而顯著提升了金融服務(wù)的整體質(zhì)量。

2、越來越多的金融機(jī)構(gòu)開始引入基于人工智能的智能問答系統(tǒng)。這些系統(tǒng)能夠自動(dòng)理解并回答用戶的問題，從而極大地提高了服務(wù)效率和用戶的滿意度。然而，現(xiàn)有的智能問答系統(tǒng)仍然面臨一些亟待解決的問題，這些問題限制了其在金融服務(wù)中的進(jìn)一步應(yīng)用和發(fā)展：

3、記憶能力有限：當(dāng)前大多數(shù)智能問答系統(tǒng)只能處理短期的對(duì)話內(nèi)容，缺乏對(duì)長(zhǎng)期對(duì)話歷史的記憶能力。這意味著系統(tǒng)無法基于用戶的歷史交互數(shù)據(jù)來提供更加精準(zhǔn)、個(gè)性化的回答，尤其在涉及用戶多次咨詢同一主題時(shí)，無法展現(xiàn)出真正智能的表現(xiàn)。

4、缺乏反思和自我優(yōu)化機(jī)制：目前的智能問答系統(tǒng)主要依賴于預(yù)設(shè)的規(guī)則和模型來生成回答，這使得系統(tǒng)在面對(duì)復(fù)雜、多變的用戶需求時(shí)表現(xiàn)出局限性。由于缺乏自我反思和自我優(yōu)化的機(jī)制，系統(tǒng)無法通過自主學(xué)習(xí)來不斷提升自身的回答質(zhì)量和準(zhǔn)確性，從而難以適應(yīng)用戶需求的動(dòng)態(tài)變化。

5、此外，現(xiàn)有的問答系統(tǒng)在復(fù)雜場(chǎng)景中的應(yīng)用效果仍有待提高。例如，在金融服務(wù)領(lǐng)域，用戶的咨詢往往涉及多個(gè)環(huán)節(jié)和復(fù)雜的業(yè)務(wù)流程，如貸款申請(qǐng)、投資咨詢、風(fēng)險(xiǎn)評(píng)估等，這些場(chǎng)景對(duì)系統(tǒng)的理解能力和應(yīng)答準(zhǔn)確性提出了更高的要求。要實(shí)現(xiàn)真正智能化和個(gè)性化的金融服務(wù)，需在問答系統(tǒng)的記憶機(jī)制以及自我優(yōu)化能力方面進(jìn)行進(jìn)一步的技術(shù)突破。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種記憶驅(qū)動(dòng)的問答優(yōu)化方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，旨在解決現(xiàn)有技術(shù)在問答系統(tǒng)中缺乏對(duì)長(zhǎng)期對(duì)話歷史的記憶能力和自我優(yōu)化機(jī)制，導(dǎo)致無法提供精準(zhǔn)回答的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種記憶驅(qū)動(dòng)的問答優(yōu)化方法，包括：

3、獲取當(dāng)前用戶文本問題，基于所述當(dāng)前用戶文本問題對(duì)記憶流數(shù)據(jù)庫中的歷史記憶進(jìn)行賦分；

4、選擇評(píng)分排序靠前的第一預(yù)設(shè)數(shù)量條歷史記憶作為當(dāng)前提示信息輸入預(yù)設(shè)語言模型，生成基于所述當(dāng)前用戶文本問題的當(dāng)前文本回答；

5、將所述當(dāng)前用戶文本問題與所述當(dāng)前文本回答一同保存至所述記憶流數(shù)據(jù)庫中，用于在后續(xù)用戶提問時(shí)提供回答參考；

6、監(jiān)控所述記憶流數(shù)據(jù)庫中歷史記憶的累積得分，將累積得分達(dá)到預(yù)設(shè)閾值的歷史記憶標(biāo)記為重點(diǎn)記憶；

7、結(jié)合所述重點(diǎn)記憶與所述當(dāng)前提示信息輸入至所述預(yù)設(shè)語言模型，生成第二預(yù)設(shè)數(shù)量的高層次問題；

8、基于所述高層次問題，通過所述預(yù)設(shè)語言模型生成優(yōu)化答案，將所述優(yōu)化答案保存至所述記憶流數(shù)據(jù)庫中，用于在后續(xù)用戶提問時(shí)提供更精確的回答參考。

9、在一個(gè)實(shí)施例中，基于所述當(dāng)前用戶文本問題對(duì)記憶流數(shù)據(jù)庫中的歷史記憶進(jìn)行賦分，包括：

10、提取所述當(dāng)前用戶文本問題中的關(guān)鍵詞、語句結(jié)構(gòu)和主題，基于所述關(guān)鍵詞、語句結(jié)構(gòu)或主題從所述記憶流數(shù)據(jù)庫中匹配相關(guān)的歷史記憶；

11、根據(jù)每條歷史記憶記錄的時(shí)間戳與當(dāng)前用戶文本問題的時(shí)間戳的接近程度進(jìn)行時(shí)間遠(yuǎn)近評(píng)分；

12、根據(jù)每條歷史記憶在過往對(duì)話中的使用頻率、用戶反饋和成功率進(jìn)行重要程度評(píng)分；

13、根據(jù)每條歷史記憶與當(dāng)前用戶文本問題的關(guān)鍵詞的匹配度進(jìn)行相關(guān)程度評(píng)分；

14、基于所述時(shí)間遠(yuǎn)近評(píng)分、重要程度評(píng)分和相關(guān)程度評(píng)分生成每條歷史記憶的綜合評(píng)分，并按評(píng)分高低排序。

15、在一個(gè)實(shí)施例中，監(jiān)控所述記憶流數(shù)據(jù)庫中歷史記憶的累積得分，將累積得分達(dá)到預(yù)設(shè)閾值的歷史記憶標(biāo)記為重點(diǎn)記憶之前，還包括：

16、在記憶流數(shù)據(jù)庫中為每條歷史記憶記錄累積得分字段，用于存儲(chǔ)和更新每次用戶交互后的累積得分，并設(shè)定累積得分的閾值；

17、在每次用戶交互后，生成每條歷史記憶的綜合評(píng)分，將新計(jì)算的綜合評(píng)分加到對(duì)應(yīng)歷史記憶的累積得分字段中，實(shí)時(shí)更新累積得分；

18、定期掃描記憶流數(shù)據(jù)庫中的歷史記憶，檢查和更新每條歷史記憶的累積得分，并為每條歷史記憶設(shè)定累積得分的時(shí)間衰減系數(shù)。

19、在一個(gè)實(shí)施例中，結(jié)合所述重點(diǎn)記憶與所述當(dāng)前提示信息輸入至所述預(yù)設(shè)語言模型，生成第二預(yù)設(shè)數(shù)量的高層次問題，包括：

20、通過嵌入表示技術(shù)對(duì)所述重點(diǎn)記憶與所述提示信息中的每個(gè)詞語或短語轉(zhuǎn)為語義向量；

21、通過余弦相似度計(jì)算方法，對(duì)提示信息的每個(gè)語義向量與重點(diǎn)記憶的每個(gè)語義向量進(jìn)行相似度評(píng)分，保留相似度高于相似度閾值的語義片段，并標(biāo)記為高相關(guān)性片段；

22、利用多頭自注意力機(jī)制將高相關(guān)性片段進(jìn)行融合，生成一個(gè)綜合語義表示，所述綜合語義表示代表整合后的重點(diǎn)記憶與提示信息；

23、將整合后的綜合語義表示輸入預(yù)設(shè)語言模型，生成初步問題；

24、使用語義分析工具對(duì)每個(gè)生成的初步問題進(jìn)行語義深度評(píng)分，將評(píng)分排序靠前的第二預(yù)設(shè)數(shù)量的初步問題作為所述高層次問題。

25、在一個(gè)實(shí)施例中，將所述當(dāng)前用戶文本問題與所述當(dāng)前文本回答一同保存至所述記憶流數(shù)據(jù)庫中，包括：

26、將所述當(dāng)前用戶文本問題與所述當(dāng)前文本回答組合成一條完整的歷史記憶，并保存至所述記憶流數(shù)據(jù)庫中；

27、記錄并存儲(chǔ)歷史記憶的時(shí)間戳，標(biāo)記對(duì)話內(nèi)容的具體存儲(chǔ)時(shí)間；

28、對(duì)所述記憶流數(shù)據(jù)庫進(jìn)行周期性掃描，標(biāo)記未調(diào)用時(shí)間超過預(yù)設(shè)時(shí)間閾值的歷史記憶；

29、根據(jù)預(yù)設(shè)清理策略，對(duì)標(biāo)記的歷史記憶執(zhí)行處理操作，處理方式包括永久刪除、數(shù)據(jù)壓縮或歸檔，以優(yōu)化記憶流數(shù)據(jù)庫的存儲(chǔ)效率。

30、在一個(gè)實(shí)施例中，獲取當(dāng)前用戶文本問題，包括：

31、接收用戶輸入的多模態(tài)數(shù)據(jù)，根據(jù)數(shù)據(jù)類型識(shí)別并分離所述多模態(tài)數(shù)據(jù)，得到多種單類型數(shù)據(jù)；

32、若單類型數(shù)據(jù)為語音數(shù)據(jù)，使用語音識(shí)別技術(shù)，將語音數(shù)據(jù)轉(zhuǎn)換為文本信息；

33、若單類型數(shù)據(jù)為圖像數(shù)據(jù)，使用光學(xué)字符識(shí)別技術(shù)，從所述圖像數(shù)據(jù)中提取文本信息；

34、若單類型數(shù)據(jù)為視頻數(shù)據(jù)，從所述視頻數(shù)據(jù)中提取關(guān)鍵幀，并對(duì)每個(gè)關(guān)鍵幀應(yīng)用光學(xué)字符識(shí)別技術(shù)或語音識(shí)別技術(shù)提取文本信息；

35、將從多模態(tài)數(shù)據(jù)中提取的文本信息匯總，生成初步的用戶文本問題；

36、對(duì)生成初步的用戶文本問題進(jìn)行語義優(yōu)化和校對(duì)，得到所述當(dāng)前用戶文本問題。

37、在一個(gè)實(shí)施例中，生成基于所述當(dāng)前用戶文本問題的當(dāng)前文本回答之后，還包括：

38、將所述當(dāng)前文本回答中句子的標(biāo)點(diǎn)符號(hào)替換為語音合成標(biāo)準(zhǔn)的格式；

39、根據(jù)符合語音輸出習(xí)慣的預(yù)設(shè)詞匯表，替換所述當(dāng)前文本回答中的相應(yīng)詞語；

40、根據(jù)用戶的語言設(shè)置和口音偏好選擇匹配的目標(biāo)語音模型，并加載用于語音合成的相關(guān)參數(shù)，包括語速、音調(diào)和音量設(shè)置；

41、將優(yōu)化后的當(dāng)前文本回答輸入所述目標(biāo)語音模型，生成對(duì)應(yīng)的目標(biāo)語音回答。

42、進(jìn)一步地，為實(shí)現(xiàn)上述目的，本發(fā)明還提供一種記憶驅(qū)動(dòng)的問答優(yōu)化設(shè)備，所述記憶驅(qū)動(dòng)的問答優(yōu)化設(shè)備包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的記憶驅(qū)動(dòng)的問答優(yōu)化程序，所述記憶驅(qū)動(dòng)的問答優(yōu)化程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述所述的記憶驅(qū)動(dòng)的問答優(yōu)化方法的步驟。

43、進(jìn)一步地，為實(shí)現(xiàn)上述目的，本發(fā)明還提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有記憶驅(qū)動(dòng)的問答優(yōu)化程序，所述記憶驅(qū)動(dòng)的問答優(yōu)化程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的記憶驅(qū)動(dòng)的問答優(yōu)化方法的步驟。

44、有益效果：本發(fā)明涉及一種記憶驅(qū)動(dòng)的問答優(yōu)化方法，通過獲取用戶輸入的文本問題，對(duì)記憶流數(shù)據(jù)庫中的歷史記憶進(jìn)行賦分，并選擇評(píng)分較高的歷史記憶作為提示信息輸入語言模型，生成相應(yīng)的文本回答。將用戶的問題與生成的回答同時(shí)保存至記憶流數(shù)據(jù)庫，并對(duì)歷史記憶的累積得分進(jìn)行監(jiān)控，當(dāng)累積得分達(dá)到預(yù)設(shè)閾值時(shí)，標(biāo)記為重點(diǎn)記憶。結(jié)合重點(diǎn)記憶與當(dāng)前提示信息生成高層次問題，通過語言模型生成更新的答案，并保存至數(shù)據(jù)庫用于后續(xù)參考。本發(fā)明增強(qiáng)了問答系統(tǒng)的記憶能力和自我優(yōu)化能力，能夠處理復(fù)雜的用戶交互，顯著提升系統(tǒng)的響應(yīng)準(zhǔn)確性和用戶體驗(yàn)質(zhì)量。