本公開涉及計算機，尤其涉及深度學習、自然語言處理、大模型等人工智能，具體涉及一種數(shù)據(jù)處理方法、人機交互方法、智能體系統(tǒng)及裝置。

背景技術(shù)：

1、現(xiàn)有技術(shù)中，檢索問答智能體(agent)系統(tǒng)中，前期進行模型訓練使用的訓練集通常來自公開數(shù)據(jù)集或主動挖掘的領(lǐng)域數(shù)據(jù)，但是，這種方法獲得的訓練集缺乏對實際業(yè)務(wù)場景數(shù)據(jù)的擬合，準確性較低，數(shù)據(jù)質(zhì)量不高。

技術(shù)實現(xiàn)思路

1、本公開旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題之一。

2、本公開第一方面實施例提出了一種數(shù)據(jù)處理方法，包括：

3、獲取使用目標模型的業(yè)務(wù)系統(tǒng)的日志數(shù)據(jù)；

4、對所述日志數(shù)據(jù)進行解析，獲取查詢數(shù)據(jù)，及所述查詢數(shù)據(jù)對應(yīng)的檢索數(shù)據(jù)；

5、將所述查詢數(shù)據(jù)和所述檢索數(shù)據(jù)，分別輸入所述目標模型及第一模型，得到至少兩個生成數(shù)據(jù)；

6、利用至少兩個第二模型，并基于所述查詢數(shù)據(jù)及所述檢索數(shù)據(jù)，確定每個所述生成數(shù)據(jù)的第一可信度；

7、將所述查詢數(shù)據(jù)、所述檢索數(shù)據(jù)、所述生成數(shù)據(jù)及所述第一可信度，關(guān)聯(lián)存入所述目標模型關(guān)聯(lián)的訓練數(shù)據(jù)庫中。

8、本公開第二方面實施例提出了一種模型更新方法，包括：

9、基于訓練數(shù)據(jù)庫中包含的新增數(shù)據(jù)的數(shù)據(jù)量、新增數(shù)據(jù)的類型、目標模型當前的性能參數(shù)中的至少一項，確定目標更新方式，其中，所述訓練數(shù)據(jù)庫中的新增數(shù)據(jù)為通過如本公開第一方面所述的方法生成的；

10、基于所述目標更新方式，從所述訓練數(shù)據(jù)庫中獲取訓練數(shù)據(jù)；

11、根據(jù)所述訓練數(shù)據(jù)對所述目標模型進行更新訓練。

12、本公開第三方面實施例提出了一種人機交互方法，包括：

13、接收輸入語句；

14、對所述輸入語句進行識別，確定所述輸入關(guān)聯(lián)的目標業(yè)務(wù)；

15、將所述輸入語句，輸入至與所述目標業(yè)務(wù)關(guān)聯(lián)的目標模型，得到所述輸入語句對應(yīng)的答復(fù)語句，其中，所述目標模型為通過本公開第二方面所述的方法生成的。

16、本公開第四方面實施例提出了一種人機交互智能體系統(tǒng)，包括：

17、輸入組件，用于獲取輸入語句；

18、處理組件，用于調(diào)用第一智能體對所述輸入語句進行識別，確定所述輸入語句關(guān)聯(lián)的目標業(yè)務(wù)，并調(diào)用所述目標業(yè)務(wù)關(guān)聯(lián)的第二智能體，以得到所述第二智能體輸出的答復(fù)語句，其中，所述第一智能體及所述第二智能體中的至少一個，被配置為用于調(diào)用本公開第二方面所述的方法生成的模型以完成對應(yīng)的功能；

19、輸出組件，用于輸出所述答復(fù)語句。

20、本公開第五方面實施例提出了一種數(shù)據(jù)處理裝置，包括：

21、第一獲取模塊，用于獲取使用目標模型的業(yè)務(wù)系統(tǒng)的日志數(shù)據(jù)；

22、第二獲取模塊，用于對所述日志數(shù)據(jù)進行解析，獲取查詢數(shù)據(jù)，及所述查詢數(shù)據(jù)對應(yīng)的檢索數(shù)據(jù)；

23、處理模塊，用于將所述查詢數(shù)據(jù)和所述檢索數(shù)據(jù)，分別輸入所述目標模型及第一模型，得到至少兩個生成數(shù)據(jù)；

24、第一確定模塊，用于利用至少兩個第二模型，并基于所述查詢數(shù)據(jù)及所述檢索數(shù)據(jù)，確定每個所述生成數(shù)據(jù)的第一可信度；

25、存儲模塊，用于將所述查詢數(shù)據(jù)、所述檢索數(shù)據(jù)、所述生成數(shù)據(jù)及所述第一可信度，關(guān)聯(lián)存入所述目標模型關(guān)聯(lián)的訓練數(shù)據(jù)庫中。

26、本公開第六方面實施例提出了一種模型更新裝置，包括：

27、第二確定模塊，用于基于訓練數(shù)據(jù)庫中包含的新增數(shù)據(jù)的數(shù)據(jù)量、新增數(shù)據(jù)的類型、目標模型當前的性能參數(shù)中的至少一項，確定目標更新方式，其中，所述訓練數(shù)據(jù)庫中的新增數(shù)據(jù)為通過如本公開第一方面所述的方法生成的；

28、第三獲取模塊，用于基于所述目標更新方式，從所述訓練數(shù)據(jù)庫中獲取訓練數(shù)據(jù)；

29、訓練模塊，用于根據(jù)所述訓練數(shù)據(jù)對所述目標模型進行更新訓練。

30、本公開第七方面實施例提出了一種計算機設(shè)備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時，實現(xiàn)如本公開第一方面實施例提出的數(shù)據(jù)處理方法、如本公開第二方面實施例提出的模型更新方法、或如本公開第三方面實施例提出的人機交互方法。

31、本公開第八方面實施例提出了一種計算機可讀存儲介質(zhì)，存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，實現(xiàn)如本公開第一方面實施例提出的數(shù)據(jù)處理方法、如本公開第二方面實施例提出的模型更新方法、或如本公開第三方面實施例提出的人機交互方法。

32、本公開第九方面實施例提出了一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序在被處理器執(zhí)行時，實現(xiàn)如本公開第一方面實施例提出的數(shù)據(jù)處理方法、如本公開第二方面實施例提出的模型更新方法、或如本公開第三方面實施例提出的人機交互方法。

33、本公開提供的數(shù)據(jù)處理方法、人機交互方法、智能體系統(tǒng)及裝置，存在如下有益效果：

34、本公開實施例中，首先獲取使用目標模型的業(yè)務(wù)系統(tǒng)的日志數(shù)據(jù)，并對日志數(shù)據(jù)進行解析，獲取查詢數(shù)據(jù)，及查詢數(shù)據(jù)對應(yīng)的檢索數(shù)據(jù)，然后將查詢數(shù)據(jù)和檢索數(shù)據(jù)，分別輸入目標模型及第一模型，得到至少兩個生成數(shù)據(jù)，之后利用至少兩個第二模型，并基于查詢數(shù)據(jù)及檢索數(shù)據(jù)，確定每個生成數(shù)據(jù)的第一可信度，最后將查詢數(shù)據(jù)、檢索數(shù)據(jù)、生成數(shù)據(jù)及第一可信度，關(guān)聯(lián)存入目標模型關(guān)聯(lián)的訓練數(shù)據(jù)庫中。由此，通過基于使用目標系統(tǒng)的業(yè)務(wù)系統(tǒng)的日志數(shù)據(jù)，獲得查詢數(shù)據(jù)以及檢索數(shù)據(jù)，并基于目標模型以及第一模型，分別生成查詢數(shù)據(jù)以及檢索數(shù)據(jù)對應(yīng)的生成數(shù)據(jù)，利用第二模型對生成數(shù)據(jù)進行評估并獲得可信度，將查詢數(shù)據(jù)、檢索數(shù)據(jù)、生成數(shù)據(jù)以及可信度，關(guān)聯(lián)存入目標模型對應(yīng)的數(shù)據(jù)庫中，從而保證了目標模型關(guān)聯(lián)的訓練數(shù)據(jù)庫中的訓練數(shù)據(jù)擬合真實業(yè)務(wù)場景數(shù)據(jù)，提高了數(shù)據(jù)質(zhì)量以及準確性。

35、應(yīng)當理解，本部分所描述的內(nèi)容并非旨在標識本公開的實施例的關(guān)鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。

技術(shù)特征：

1.一種數(shù)據(jù)處理方法，包括：

2.如權(quán)利要求1所述的方法，其中，所述對所述日志數(shù)據(jù)進行解析，獲取查詢數(shù)據(jù)，及所述查詢數(shù)據(jù)對應(yīng)的檢索數(shù)據(jù)，包括：

3.如權(quán)利要求1所述的方法，其中，所述將所述查詢數(shù)據(jù)和所述檢索數(shù)據(jù)，分別輸入所述目標模型及第一模型，得到至少兩個生成數(shù)據(jù)，包括：

4.如權(quán)利要求3所述的方法，其中，在所述利用至少兩個第二模型，并基于所述查詢數(shù)據(jù)及所述檢索數(shù)據(jù)，確定每個所述生成數(shù)據(jù)的第一可信度之前，所述方法還包括：

5.如權(quán)利要求4所述的方法，其中，所述利用至少兩個第二模型，并基于所述查詢數(shù)據(jù)及所述檢索數(shù)據(jù)，確定每個所述生成數(shù)據(jù)的第一可信度，包括：

6.如權(quán)利要求5所述的方法，其中，所述根據(jù)每個所述生成數(shù)據(jù)對應(yīng)的所述第二可信度，確定所述第一可信度，包括：

7.如權(quán)利要求5所述的方法，其中，所述根據(jù)每個所述生成數(shù)據(jù)對應(yīng)的所述第二可信度，確定所述第一可信度，包括：

8.一種模型更新方法，包括：

9.如權(quán)利要求8所述的方法，其中，在所述根據(jù)所述訓練數(shù)據(jù)對所述目標模型進行更新訓練之后，所述方法還包括：

10.如權(quán)利要求9所述的方法，其中，所述方法還包括：

11.如權(quán)利要求8-10任一所述的方法，其中，在所述基于訓練數(shù)據(jù)庫中包含的新增數(shù)據(jù)的數(shù)據(jù)量、新增數(shù)據(jù)的類型、目標模型當前的性能參數(shù)中的至少一項，確定目標更新方式之前，所述方法還包括：

12.一種人機交互方法，包括：

13.一種人機交互智能體系統(tǒng)，包括：

14.一種數(shù)據(jù)處理裝置，其中，所述裝置包括：

15.如權(quán)利要求14所述的裝置，其中，所述第二獲取模塊，具體用于：

16.如權(quán)利要求14所述的裝置，其中，所述處理模塊，具體用于：

17.如權(quán)利要求16所述的裝置，其中，所述第一確定模塊，還用于：

18.如權(quán)利要求17所述的裝置，其中，所述第一確定模塊，還用于：

19.如權(quán)利要求18所述的裝置，其中，所述第一確定模塊，還用于：

20.如權(quán)利要求18所述的裝置，其中，所述第一確定模塊，還用于：

21.一種模型更新裝置，其中，所述裝置包括：

22.如權(quán)利要求21所述的裝置，其中，所述訓練模塊，還用于：

23.如權(quán)利要求22所述的裝置，其中，所述裝置還包括：

24.如權(quán)利要求21-23任一所述的裝置，其中，所述第二確定模塊，還用于：

25.一種人機交互裝置，其中，所述裝置包括：

26.一種電子設(shè)備，其特征在于，包括：

27.一種存儲有計算機指令的非瞬時計算機可讀存儲介質(zhì)，其中，所述計算機指令用于使所述計算機執(zhí)行根據(jù)權(quán)利要求1-7中任一項所述的數(shù)據(jù)處理方法、權(quán)利要求8-11中任一所述的模型更新方法、或權(quán)利要求12所述的人機交互方法。

28.一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序在被處理器執(zhí)行時實現(xiàn)根據(jù)權(quán)利要求1-7中任一項所述的數(shù)據(jù)處理方法、權(quán)利要求8-11中任一所述的模型更新方法、或權(quán)利要求12所述的人機交互方法。

技術(shù)總結(jié)
本公開提出一種數(shù)據(jù)處理方法、人機交互方法、智能體系統(tǒng)及裝置，涉及計算機技術(shù)領(lǐng)域，尤其涉及深度學習、自然語言處理、大模型等人工智能技術(shù)領(lǐng)域。具體方案為：首先獲取使用目標模型的業(yè)務(wù)系統(tǒng)的日志數(shù)據(jù)，并對日志數(shù)據(jù)進行解析，獲取查詢數(shù)據(jù)，及查詢數(shù)據(jù)對應(yīng)的檢索數(shù)據(jù)，然后將查詢數(shù)據(jù)和檢索數(shù)據(jù)，分別輸入目標模型及第一模型，得到至少兩個生成數(shù)據(jù)，之后利用至少兩個第二模型，并基于查詢數(shù)據(jù)及檢索數(shù)據(jù)，確定每個生成數(shù)據(jù)的第一可信度，最后將查詢數(shù)據(jù)、檢索數(shù)據(jù)、生成數(shù)據(jù)及第一可信度，關(guān)聯(lián)存入目標模型關(guān)聯(lián)的訓練數(shù)據(jù)庫中。

技術(shù)研發(fā)人員：陳諾
受保護的技術(shù)使用者：百度國際科技（深圳）有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9