[發明專利]基于人在回路的混合增強智能需求精準感知方法及系統

有效

• 申請號: 201911018444.7
• 申請日: 2019-10-24
• 公開（公告）號: CN110909124B
• 公開（公告）日: 2023-02-17
• 發明（設計）人: 歐中洪;譚言信;劉科孟;戴敏江;宋美娜;宋俊德
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/332;G06F16/335;G06F16/36;G06F16/951;G06F16/9535
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 王艷斌

1.一種基于人在回路的混合增強智能需求精準感知系統，其特征在于，包括：

知識圖譜子系統，用于存儲科技資源子圖譜與用戶/企業信息子圖譜，以根據用戶需求確定不同實體之間的關系；

對話子系統，用于以自然語言的方式和用戶進行交互，收集用戶需求，并將感知結果實時返回給用戶；以及

特征感知與推薦子系統，用于根據所述對話子系統和所述知識圖譜子系統的客觀數據、痕跡數據，整合相關數據生成感知結果，并生成推薦信息推薦至所述用戶；

其中，所述特征感知與推薦子系統包括：

內容特征感知模塊，用于采用映射向量結合科技資源知識圖譜輔助信息進行用戶、科技資源的內容特征挖掘、感知與表示，生成用戶內容特征向量、候選科技資源內容特征向量；

序列特征感知模塊，用于根據所述用戶的歷史行為記錄序列感知與挖掘用戶的歷史偏好特征向量；

精準推薦計算模塊，用于根據所述用戶內容特征向量、所述候選科技資源內容特征向量和所述歷史偏好特征向量采用基于模型的協同過濾算法計算所述推薦信息；

其中，所述根據所述用戶的歷史行為記錄序列感知與挖掘用戶的歷史偏好特征，包括：

基于Transformer模型的編碼器模塊對所述用戶歷史行為序列進行建模，通過多頭自注意力機制挖掘所述用戶歷史行為序列不同位置的重要性，進而感知用戶的歷史偏好特征；

所述科技資源子圖譜包括科技資源分類體系劃分的科技資源數據和環境數據，所述用戶/企業信息子圖譜包括用戶/企業信息數據和痕跡數據；

所述內容特征感知模塊具體用于采用圖卷積神經網絡與注意力機制的混合模型進行內容特征的感知與表示，其中，所述圖卷積神經網絡與注意力機制的混合模型根據輸入的用戶和科技資源結合知識圖譜獲取其屬性和關聯實體信息，利用圖卷積神經網絡模擬由外向內的信息傳播過程，且通過注意力機制對中心節點的特征表示的權重，最終實現內容特征的感知與表示。

2.根據權利要求1所述的系統，其特征在于，所述對話子系統包括：

自然語言理解模塊，用于采用Pipeline結構以根據所述用戶的輸入語句輸出自然語言理解結果；

對話管理模塊，用于對話狀態進行維護；

對話決策子模塊，用于采用遞歸神經網絡-全連接層-概率化分類的結構，以根據所述對話狀態決定執行的目標動作；

語句生成子模塊，用于生成返回給用戶的信息。

3.一種基于人在回路的混合增強智能需求精準感知方法，其特征在于，包括以下步驟：

步驟S1：存儲科技資源子圖譜與用戶/企業信息子圖譜，以根據用戶需求確定不同實體之間的關系；

步驟S2：以自然語言的方式和用戶進行交互，收集用戶需求，并將感知結果實時返回給用戶；以及

步驟S3：根據所述步驟S1和所述步驟S2的客觀數據、痕跡數據，整合相關數據生成感知結果，并生成推薦信息推薦至所述用戶；

其中，所述步驟S3包括：

采用映射向量結合科技資源知識圖譜輔助信息進行用戶、科技資源的內容特征挖掘、感知與表示，生成用戶內容特征向量、候選科技資源內容特征向量；

根據所述用戶的歷史行為記錄序列感知與挖掘用戶的歷史偏好特征向量；

根據所述用戶內容特征向量、所述候選科技資源內容特征向量和所述歷史偏好特征向量采用基于模型的協同過濾算法計算所述推薦信息；

其中，所述根據所述用戶的歷史行為記錄序列感知與挖掘用戶的歷史偏好特征，包括：

基于Transformer模型的編碼器模塊對所述用戶歷史行為序列進行建模，通過多頭自注意力機制挖掘所述用戶歷史行為序列不同位置的重要性，進而感知用戶的歷史偏好特征；

所述科技資源子圖譜包括科技資源分類體系劃分的科技資源數據和環境數據，所述用戶/企業信息子圖譜包括用戶/企業信息數據和痕跡數據；

所述采用映射向量結合科技資源知識圖譜輔助信息進行用戶、科技資源的內容特征挖掘、感知與表示，生成用戶內容特征向量、候選科技資源內容特征向量，進一步包括：

采用圖卷積神經網絡與注意力機制的混合模型進行內容特征的感知與表示，其中，所述圖卷積神經網絡與注意力機制的混合模型根據輸入的用戶和科技資源結合知識圖譜獲取其屬性和關聯實體信息，利用圖卷積神經網絡模擬由外向內的信息傳播過程，且通過注意力機制對中心節點的特征表示的權重，最終實現內容特征的感知與表示。

4.根據權利要求3所述的方法，其特征在于，所述步驟S2包括：

采用Pipeline結構以根據所述用戶的輸入語句輸出自然語言理解結果；

對話狀態進行維護；

采用遞歸神經網絡-全連接層-概率化分類的結構，以根據所述對話狀態決定執行的目標動作；

生成返回給用戶的信息。