本發(fā)明涉及人工智能，具體為一種大小模型協(xié)同處理的手機型號智能推薦系統(tǒng)。

背景技術(shù)：

1、在智能客服和手機銷售領(lǐng)域中，快速、準(zhǔn)確地識別并標(biāo)準(zhǔn)化用戶提及的手機型號至關(guān)重要，尤其在客戶服務(wù)系統(tǒng)中，當(dāng)用戶查詢特定型號的手機信息時，系統(tǒng)需要能夠精確理解用戶需求，然而，由于手機型號的復(fù)雜性和更新頻率，僅依賴傳統(tǒng)的關(guān)鍵詞匹配或單一的大模型來進(jìn)行實體抽取往往難以滿足實際應(yīng)用需求；

2、隨著手機品牌和型號的不斷推陳出新，手機型號命名不再局限于簡單的數(shù)字和字母組合，還包括諸如品牌簡稱、系列縮寫、特殊后綴等多樣化的表達(dá)形式，同時，為了應(yīng)對用戶的非標(biāo)準(zhǔn)化輸入，智能客服系統(tǒng)在處理各種描述、簡稱和口語表達(dá)上面臨巨大的挑戰(zhàn)，例如，用戶可能會以簡寫、別稱甚至是模糊的描述來提及手機型號，使得傳統(tǒng)的抽取和映射方法很難覆蓋所有表達(dá)情況，此外，不同的手機品牌具有各自的命名規(guī)則，進(jìn)一步增加了系統(tǒng)準(zhǔn)確識別和匹配的復(fù)雜性；

3、而我們發(fā)現(xiàn)現(xiàn)有技術(shù)中存在以下缺陷：

4、1.關(guān)鍵詞匹配的覆蓋不足：現(xiàn)有的手機型號識別方法大多依賴關(guān)鍵詞匹配技術(shù)，通過預(yù)先構(gòu)建一個包含品牌和型號的詞典來進(jìn)行匹配。然而，由于手機市場新品層出不窮，這類詞典需要頻繁更新，維護(hù)成本較高，且難以實時涵蓋所有新推出的型號。此外，關(guān)鍵詞匹配方法在遇到型號的各種別稱和縮寫時，往往存在識別錯誤或遺漏的問題；

5、2.基于實體抽取的數(shù)據(jù)量受限：當(dāng)前的實體抽取方法在手機型號識別領(lǐng)域表現(xiàn)出一定的潛力，尤其是在包含一定數(shù)據(jù)規(guī)模的語料訓(xùn)練下。然而，由于手機型號種類繁多，單一的數(shù)據(jù)集難以涵蓋所有可能的表達(dá)方式，導(dǎo)致模型的訓(xùn)練效果不足。同時，不同用戶可能以不同的形式描述同一型號（如使用縮寫或昵稱），導(dǎo)致現(xiàn)有方法難以應(yīng)對實際應(yīng)用中各種非標(biāo)準(zhǔn)化的輸入表達(dá)；

6、3.純大模型的效率問題：在手機型號識別的具體任務(wù)中，直接依賴大型語言模型進(jìn)行實體抽取雖然能夠提高覆蓋度，但對于每個用戶輸入進(jìn)行候選型號的逐一抽取，帶來了極大的計算開銷。大型模型在處理長文本或復(fù)雜語句時需要消耗大量的計算資源和時間，尤其是在高并發(fā)環(huán)境下，影響了系統(tǒng)的響應(yīng)速度和用戶體驗。這種方法的處理成本較高，且難以滿足實時響應(yīng)的需求；

7、以上缺陷表明了當(dāng)前手機型號識別技術(shù)在關(guān)鍵詞匹配、實體抽取和大型模型應(yīng)用中的不足。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種大小模型協(xié)同處理的手機型號智能推薦系統(tǒng)，通過引入大小模型協(xié)同機制，實現(xiàn)高效且準(zhǔn)確的手機型號識別與標(biāo)準(zhǔn)化映射并進(jìn)行推薦，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種大小模型協(xié)同處理的手機型號智能推薦系統(tǒng)，包括：

3、意圖分類模塊，對用戶輸入的文本內(nèi)容進(jìn)行識別，同時進(jìn)行意圖場景區(qū)分，并標(biāo)記對應(yīng)的意圖類別標(biāo)簽；

4、實體識別模塊，從用戶輸入的文本內(nèi)容中提取產(chǎn)品品牌與型號實體，并對品牌與型號的實體內(nèi)容和非實體內(nèi)容進(jìn)行定義標(biāo)簽，反向優(yōu)化所述實體識別模塊；

5、型號推理模塊，通過維護(hù)一個包含品牌標(biāo)準(zhǔn)名稱和別名映射的詞典，并根據(jù)意圖類別標(biāo)簽將上述實體識別模塊提取的品牌與型號實體，在詞典中進(jìn)行標(biāo)準(zhǔn)名匹配，同時進(jìn)行向量相似匹配，輸出型號及品牌的候選集；

6、型號推薦模塊，根據(jù)用戶輸入的文本內(nèi)容，判斷輸入情境，同時利用根據(jù)輸入情境搭建的思維鏈提示詞，動態(tài)維護(hù)并篩選上述型號推理模塊中生成的候選集，推薦最符合用戶需求的品牌型號。

7、作為優(yōu)選，所述意圖分類模塊與所述實體識別模塊中均包括有用于數(shù)據(jù)擴增處理的數(shù)據(jù)收集模塊，具體方法如下：

8、首先從各個平臺中采集包含各種產(chǎn)品品牌和型號的文本內(nèi)容，構(gòu)建相關(guān)的數(shù)據(jù)集，采集的樣本應(yīng)覆蓋多種品牌和型號的真實產(chǎn)品名稱；

9、其次將采集的數(shù)據(jù)進(jìn)行標(biāo)注處理，并存儲為結(jié)構(gòu)化的json格式文件，每條數(shù)據(jù)包含若干個字段；

10、最后對數(shù)據(jù)集進(jìn)行擴增，增強表達(dá)形式的覆蓋，其中包括：同義詞替換、縮寫擴展與替換品牌或型號擴充數(shù)據(jù)樣本的品牌泛化。

11、作為優(yōu)選，所述意圖分類模塊中每條數(shù)據(jù)均包括取值為“推薦產(chǎn)品型號”或“非推薦產(chǎn)品型號”的意圖標(biāo)簽字段；

12、所述實體識別模塊中每條數(shù)據(jù)均包括含有實體類別、實體值以及在文本內(nèi)容中的起始和結(jié)束位置的實體列表標(biāo)簽字段。

13、作為優(yōu)選，所述意圖分類模塊中還包括利用采集的數(shù)據(jù)進(jìn)行意圖分類訓(xùn)練的分類模型訓(xùn)練模塊，具體方法如下：

14、s101：特征向量提取，使用語義向量提取模型bert對采集的數(shù)據(jù)進(jìn)行詞向量化，確保采集的數(shù)據(jù)中語義和上下文信息，處理后，每條數(shù)據(jù)將轉(zhuǎn)換為一個固定長度的向量；

15、s102：輸入特征向量至分類模型，將提取的特征向量輸入到distilbert模型中，distilbert模型對輸入的特征向量進(jìn)行層級處理，逐步提取更高級的語義和上下文信息，輸出一個保留句子中重要語義信息的固定長度的特征表示；

16、s103：特征向量傳遞至全連接層，將上述的特征表示傳遞到一個全連接層，該層對特征進(jìn)行線性變換，將高維特征向量映射為一個用于分類的低維特征向量，得到每個類別的logits值，最后輸出類別的logits值；

17、s104：logits值傳遞至softmax層，將logits值轉(zhuǎn)化為兩個類別的概率值，以確定輸入文本屬于“推薦產(chǎn)品型號”還是“非推薦產(chǎn)品型號”類別；

18、s105：計算交叉熵?fù)p失，將softmax層的輸出概率與實際標(biāo)簽進(jìn)行比較，計算交叉熵?fù)p失，衡量模型預(yù)測與真實標(biāo)簽之間的差異，輸出單個樣本的損失值；

19、s106：反向傳播優(yōu)化模型，利用計算出的損失值，通過反向傳播算法（如adam優(yōu)化器）更新模型的參數(shù)，使模型逐步學(xué)習(xí)到每個類別的特征，使損失函數(shù)收斂，從而優(yōu)化模型性能，訓(xùn)練完成后，保存最終的模型參數(shù)，并部署使用，記錄為m推薦分類。

20、作為優(yōu)選，所述實體識別模塊中還包括利用采集的數(shù)據(jù)進(jìn)行實體識別訓(xùn)練的實體識別訓(xùn)練模塊，從文本內(nèi)容中從中提取出品牌和型號實體的具體步驟如下：

21、s201：采用bert模型對采集的數(shù)據(jù)進(jìn)行詞級別的向量化，將每個句子將轉(zhuǎn)換為一個序列，每個詞語對應(yīng)一個特征向量；

22、s202：將bert輸出的詞向量序列輸入到雙向長短期記憶網(wǎng)絡(luò)（bilstm）層，以捕獲句子的上下文序列信息，輸出包含上下文信息的詞級別特征表示；

23、s203：將上述輸出的特征表示傳遞到條件隨機場（crf）層，以建模標(biāo)簽之間的依賴關(guān)系，crf層計算所有可能的標(biāo)簽序列的得分，選擇得分最高的標(biāo)簽序列作為預(yù)測結(jié)果，輸出每個詞的預(yù)測標(biāo)簽；

24、s204：計算損失函數(shù)，輸入預(yù)測的標(biāo)簽序列和真實的標(biāo)簽序列，使用crf層自帶的對數(shù)似然損失函數(shù)，計算負(fù)對數(shù)似然損失，衡量模型對訓(xùn)練數(shù)據(jù)的擬合程度，計算模型預(yù)測標(biāo)簽序列與真實標(biāo)簽序列之間的差異，輸出損失值；

25、s205：利用計算出的損失值，通過反向傳播算法（如adam優(yōu)化器）更新模型的參數(shù)，根據(jù)損失梯度調(diào)整模型的參數(shù)，使模型逐步學(xué)習(xí)到實體的特征，訓(xùn)練完成后，保存最終的模型參數(shù)，并部署使用，記為m品牌類型實體抽取。

26、作為優(yōu)選，所述實體識別模塊中定義標(biāo)簽采用bio標(biāo)注方式，對每個詞進(jìn)行標(biāo)注，具體為：

27、?-?b-品牌：品牌實體的開頭詞；

28、?-?i-品牌：品牌實體的內(nèi)部詞；

29、?-?b-型號：型號實體的開頭詞；

30、?-?i-型號：型號實體的內(nèi)部詞；

31、?-?o：非實體詞。

32、作為優(yōu)選，所述型號推理模塊包括對品牌標(biāo)準(zhǔn)名稱和別名映射詞典的動態(tài)維護(hù)更新，具體方法包括以下步驟：

33、s301：數(shù)據(jù)源接入與定期更新，接入各個平臺的數(shù)據(jù)，實時獲取對應(yīng)產(chǎn)品品牌、系列與型號，包含標(biāo)準(zhǔn)名稱和別名數(shù)據(jù)來豐富原有的詞典，對獲取的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗與格式統(tǒng)一，清洗與統(tǒng)一后的數(shù)據(jù)進(jìn)入標(biāo)準(zhǔn)詞典候選條目庫d候選，供進(jìn)一步的別名抽取和頻率分析；

34、s302：基于頻率的別名抽取與映射，在數(shù)據(jù)清洗后，系統(tǒng)對候選庫d候選中的型號進(jìn)行頻率統(tǒng)計，識別出高頻別名，并通過映射機制，將用戶的非標(biāo)準(zhǔn)化描述與詞典中已有的標(biāo)準(zhǔn)型號進(jìn)行關(guān)聯(lián)，該步驟包括頻次分析、高頻別名映射和未匹配別名的聚類：

35、高頻別名頻次分析：對每次更新中采集的d候選型號進(jìn)行頻率統(tǒng)計，記錄每個描述的出現(xiàn)次數(shù)，若某描述在一天內(nèi)的出現(xiàn)次數(shù)超過設(shè)定的頻次閾值，則為高頻別名，記為aliahigh-freq，將該別名作為候選條目，進(jìn)入下一個處理流程；

36、高頻別名映射：系統(tǒng)利用預(yù)訓(xùn)練語言模型（如bert或word2vec）為詞典中每條描述的標(biāo)準(zhǔn)名及別名生成向量表示vech，并存儲于向量數(shù)據(jù)庫中，便于后續(xù)匹配；

37、對高頻別名aliahigh-freq生成向量，表示為vecalia_h，將高頻別名向量vecalia_h?與詞典向量vech進(jìn)行余弦相似度計算，若高頻別名與詞典中已有型號的相似度高于閾值，則標(biāo)記為“已匹配高頻別名”；否則，標(biāo)記為“未匹配高頻別名”；

38、未匹配別名的聚類處理：對于未匹配的高頻別名，系統(tǒng)將通過聚類算法進(jìn)行自動分組，將相似描述歸為同一類，并選取頻率最高的描述作為標(biāo)準(zhǔn)描述，具體為：

39、對未匹配的高頻別名進(jìn)行dbscan等聚類算法處理，將相似度較高的描述歸為同一簇；

40、在每個簇中，根據(jù)頻次信息選擇出現(xiàn)頻率最高的描述作為標(biāo)準(zhǔn)描述，其余描述作為該標(biāo)準(zhǔn)描述的別名；

41、結(jié)合詞典中的品牌信息，為聚類生成的標(biāo)準(zhǔn)描述補充品牌信息，聚類結(jié)果將作為新增候選條目；

42、s303：詞典更新與優(yōu)化，將已匹配的高頻別名直接加入詞典的別名列表，以擴展詞典的覆蓋范圍，對于未匹配的高頻別名生成的候選條目，將其加入候選隊列q，并通過人工審核確認(rèn)后正式加入詞典，同時系統(tǒng)將定期清理詞典中使用頻率較低的描述，將其移入備用詞庫；

43、低頻描述清理：根據(jù)使用頻率設(shè)定閾值（如一年內(nèi)出現(xiàn)次數(shù)少于10次），將低頻描述從詞典移至備用詞庫；

44、備用詞庫調(diào)用：被清理的描述仍存儲于備用詞庫，以備特殊查詢時調(diào)用，避免誤刪用戶的個性化表達(dá)。

45、作為優(yōu)選，所述型號推理模塊還包括基于關(guān)鍵詞對品牌型號進(jìn)行匹配，具體的匹配方法步驟為：

46、首先進(jìn)行關(guān)鍵詞匹配，使用多層正則表達(dá)式匹配，對句子中出現(xiàn)的品牌或型號詞匯進(jìn)行快速篩選，形成候選品牌型號列表，基于詞典中已存在的品牌和型號構(gòu)建正則表達(dá)式：

47、品牌表達(dá)式：對系統(tǒng)中已有的品牌名稱及其別名，構(gòu)建品牌匹配的正則表達(dá)式；型號表達(dá)式：對系統(tǒng)中已有的標(biāo)準(zhǔn)型號和別名構(gòu)建型號匹配的正則表達(dá)式；對用戶輸入語句，利用上述正則表達(dá)式進(jìn)行篩選，提取出符合條件的候選品牌和型號；

48、其次進(jìn)行向量相似匹配，進(jìn)一步擴充候選集，通過語義層面的匹配提升解析效果，對用戶輸入文本內(nèi)容利用所述實體識別模塊提取品牌型號實體，提取向量vinput，再利用標(biāo)準(zhǔn)名-別名詞典生成的向量vech，對vinput與vech計算余弦相似度，提取相似型號，最終形成產(chǎn)品型號及品牌的候選集。

49、作為優(yōu)選，所述型號推薦模塊包括對用戶需求的推理分析模塊，具體的推理分析方法步驟為：

50、s401：輸入數(shù)據(jù)準(zhǔn)備，收集用戶在當(dāng)前會話中的所有歷史對話內(nèi)容，包括之前的詢問、偏好、否定條件等信息，同時獲取用戶的最新輸入以及候選集；

51、s402：情境判斷，根據(jù)用戶的歷史對話和當(dāng)前問題，判斷用戶的輸入情境，具體為：初次需求表達(dá)、遞進(jìn)需求表達(dá)與否定條件表達(dá)；

52、s403：選擇合適的推理流程和思維鏈提示詞，根據(jù)情境判斷結(jié)果，選擇相應(yīng)的推理流程，并設(shè)計思維鏈提示詞，引導(dǎo)模型按預(yù)期邏輯進(jìn)行推理；

53、s404：執(zhí)行大模型推理，將構(gòu)建的思維鏈提示詞和輸入數(shù)據(jù)一起傳遞給模型，執(zhí)行推理過程，得到模型的輸出結(jié)果；

54、s405：結(jié)果解析與輸出，解析模型的輸出，得到最終的推薦型號列表和推薦理由反饋給用戶。

55、作為優(yōu)選，所述思維鏈提示詞的構(gòu)建包括：

56、角色設(shè)定：明確模型的角色和任務(wù)；

57、任務(wù)說明：詳細(xì)描述模型需要完成的任務(wù)目標(biāo)；

58、輸入說明：明確輸入數(shù)據(jù)的結(jié)構(gòu)和內(nèi)容；

59、思維鏈推理步驟：逐步描述模型需要進(jìn)行的推理步驟；

60、輸出格式：指定輸出結(jié)果的格式，確保結(jié)果一致性和易解析。

61、作為優(yōu)選，所述型號推薦模塊中還包括對最終形成產(chǎn)品型號及品牌的候選集進(jìn)行調(diào)整解析，當(dāng)候選列表中的型號過多時，模塊將通過進(jìn)一步篩選，減少冗余，只保留最符合用戶描述的核心型號；當(dāng)未能識別出用戶需求的所有相關(guān)型號時，模塊將通過模型解析用戶輸入的細(xì)節(jié)，補充遺漏的候選型號，確保用戶需求不被忽略。

62、綜上所述，本發(fā)明有益效果是：

63、1、協(xié)同優(yōu)化的識別機制：引入大小模型協(xié)同機制，首先通過小模型進(jìn)行快速過濾與匹配，迅速篩選出可能的候選型號，以提升后續(xù)處理效率并降低計算資源消耗，隨后，大模型負(fù)責(zé)復(fù)雜場景的深度語義理解，從而精準(zhǔn)解析多樣化輸入表達(dá)，對復(fù)雜推薦場景進(jìn)行補充和校正，從而更準(zhǔn)確地映射到標(biāo)準(zhǔn)化的手機型號，此協(xié)同優(yōu)化機制顯著提高了系統(tǒng)在應(yīng)對不同輸入形式時的靈活性，實現(xiàn)了高效、精準(zhǔn)的手機型號識別。

64、2、上下文理解的增強：基于大小模型的協(xié)同框架，本發(fā)明能夠更好地捕捉和理解用戶對手機型號的多種描述和上下文信息，此方法不僅僅基于單一的詞匯匹配，而是能夠結(jié)合上下文和語境，通過大模型對復(fù)雜推薦場景進(jìn)行補充和校正，從而更準(zhǔn)確地映射到標(biāo)準(zhǔn)化的手機型號。

65、3、動態(tài)更新和行業(yè)適配：考慮到手機型號的更新頻率以及不同品牌命名規(guī)則的多樣性，本發(fā)明引入了動態(tài)更新機制和行業(yè)適配策略，此方法允許模型適應(yīng)新型號的推出并及時更新字典，以保持高效、準(zhǔn)確的識別和匹配能力，從而確保在快速變化的手機行業(yè)環(huán)境中始終保持識別的準(zhǔn)確性和實用性。