[发明专利]基于人在回路的混合增强智能需求精准感知方法及系统

权利要求书

1.一种基于人在回路的混合增强智能需求精准感知系统，其特征在于，包括：

知识图谱子系统，用于存储科技资源子图谱与用户/企业信息子图谱，以根据用户需求确定不同实体之间的关系；

对话子系统，用于以自然语言的方式和用户进行交互，收集用户需求，并将感知结果实时返回给用户；以及

特征感知与推荐子系统，用于根据所述对话子系统和所述知识图谱子系统的客观数据、痕迹数据，整合相关数据生成感知结果，并生成推荐信息推荐至所述用户；

其中，所述特征感知与推荐子系统包括：

内容特征感知模块，用于采用映射向量结合科技资源知识图谱辅助信息进行用户、科技资源的内容特征挖掘、感知与表示，生成用户内容特征向量、候选科技资源内容特征向量；

序列特征感知模块，用于根据所述用户的历史行为记录序列感知与挖掘用户的历史偏好特征向量；

精准推荐计算模块，用于根据所述用户内容特征向量、所述候选科技资源内容特征向量和所述历史偏好特征向量采用基于模型的协同过滤算法计算所述推荐信息；

其中，所述根据所述用户的历史行为记录序列感知与挖掘用户的历史偏好特征，包括：

基于Transformer模型的编码器模块对所述用户历史行为序列进行建模，通过多头自注意力机制挖掘所述用户历史行为序列不同位置的重要性，进而感知用户的历史偏好特征；

所述科技资源子图谱包括科技资源分类体系划分的科技资源数据和环境数据，所述用户/企业信息子图谱包括用户/企业信息数据和痕迹数据；

所述内容特征感知模块具体用于采用图卷积神经网络与注意力机制的混合模型进行内容特征的感知与表示，其中，所述图卷积神经网络与注意力机制的混合模型根据输入的用户和科技资源结合知识图谱获取其属性和关联实体信息，利用图卷积神经网络模拟由外向内的信息传播过程，且通过注意力机制对中心节点的特征表示的权重，最终实现内容特征的感知与表示。

2.根据权利要求1所述的系统，其特征在于，所述对话子系统包括：

自然语言理解模块，用于采用Pipeline结构以根据所述用户的输入语句输出自然语言理解结果；

对话管理模块，用于对话状态进行维护；

对话决策子模块，用于采用递归神经网络-全连接层-概率化分类的结构，以根据所述对话状态决定执行的目标动作；

语句生成子模块，用于生成返回给用户的信息。

3.一种基于人在回路的混合增强智能需求精准感知方法，其特征在于，包括以下步骤：

步骤S1：存储科技资源子图谱与用户/企业信息子图谱，以根据用户需求确定不同实体之间的关系；

步骤S2：以自然语言的方式和用户进行交互，收集用户需求，并将感知结果实时返回给用户；以及

步骤S3：根据所述步骤S1和所述步骤S2的客观数据、痕迹数据，整合相关数据生成感知结果，并生成推荐信息推荐至所述用户；

其中，所述步骤S3包括：

采用映射向量结合科技资源知识图谱辅助信息进行用户、科技资源的内容特征挖掘、感知与表示，生成用户内容特征向量、候选科技资源内容特征向量；

根据所述用户的历史行为记录序列感知与挖掘用户的历史偏好特征向量；

根据所述用户内容特征向量、所述候选科技资源内容特征向量和所述历史偏好特征向量采用基于模型的协同过滤算法计算所述推荐信息；

其中，所述根据所述用户的历史行为记录序列感知与挖掘用户的历史偏好特征，包括：

基于Transformer模型的编码器模块对所述用户历史行为序列进行建模，通过多头自注意力机制挖掘所述用户历史行为序列不同位置的重要性，进而感知用户的历史偏好特征；

所述科技资源子图谱包括科技资源分类体系划分的科技资源数据和环境数据，所述用户/企业信息子图谱包括用户/企业信息数据和痕迹数据；

所述采用映射向量结合科技资源知识图谱辅助信息进行用户、科技资源的内容特征挖掘、感知与表示，生成用户内容特征向量、候选科技资源内容特征向量，进一步包括：

采用图卷积神经网络与注意力机制的混合模型进行内容特征的感知与表示，其中，所述图卷积神经网络与注意力机制的混合模型根据输入的用户和科技资源结合知识图谱获取其属性和关联实体信息，利用图卷积神经网络模拟由外向内的信息传播过程，且通过注意力机制对中心节点的特征表示的权重，最终实现内容特征的感知与表示。

4.根据权利要求3所述的方法，其特征在于，所述步骤S2包括：

采用Pipeline结构以根据所述用户的输入语句输出自然语言理解结果；

对话状态进行维护；

采用递归神经网络-全连接层-概率化分类的结构，以根据所述对话状态决定执行的目标动作；

生成返回给用户的信息。