一种对话推荐方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，特别涉及一种对话推荐方法、装置、设备及存储介质。


背景技术：

2.随着人工智能技术的成熟，其在对话推荐方面的具体应用也越来越多，例如可以在用户进行服装挑选时通过获取用户的需求给出相应的服装产品和推荐。但是现有的对话式推荐系统中对于对话的管理，通常是基于规则的形式，并且对于关键信息的识别也是预先定义好的槽位，这都使得在对话的过程中生成的对话以及推荐结果过于死板，缺少灵活性。因此最终通过给用户展现推荐列表后也因为中间流程的黑盒使得推荐结果缺少解释性。而对话推荐系统的使用灵活性与推荐结果的可解释性对于整个系统的持久发展和使用是非常重要的。因此，如何提高对话推荐时的灵活性，并且生成可解释的推荐结果是本领域亟待解决的问题。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种对话推荐方法、装置、设备及存储介质，可以基于大型语言模型进行导购对话管理，并且通过对关键词的抽取与定义使推荐结果与用户具体需求更加符合，以及基于大型语言模型对最终的推荐结果给出解释，增强对话推荐的可信度。其具体方案如下：
4.第一方面，本技术提供了一种对话推荐方法，包括：
5.获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成；
6.若收集完成，将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，以抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果；
7.根据所述目标抽取结果进行语义召回，以得到语义召回结果，并确定所述语义召回结果和所述关键信息之间的相似度，以根据所述相似度对所述语义召回结果进行排序得到排序结果；
8.基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释。
9.可选的，所述获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成之后，还包括：
10.若所述初始用户导购需求未收集完成，则继续根据预设规则询问用户导购需求，获取对应的用户回答结果；
11.根据所述用户回答结果和所述初始用户导购需求生成用户目标导购需求，以基于所述目标大型语言模型对所述用户目标导购需求进行解析。
12.可选的，所述根据所述用户回答结果和所述初始用户导购需求生成用户目标导购
需求，包括：
13.判断所述用户回答结果是否为导购需求修改意图；
14.若是，则根据所述导购需求修改意图修改所述初始用户导购需求，并将修改后的所述初始用户导购需求作为所述用户目标导购需求。
15.可选的，所述将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，包括：
16.将当前对话的上下文进行合并后输入至初始大型语言模型，并根据预设词汇筛选规则筛选出当前对话中的服装行业核心词汇，基于所述上下文和所述服装行业核心词汇利用大型语言模型的低秩适应技术对所述初始大型语言模型进行微调，生成目标大型语言模型，以将当前的所述用户初始导购需求作为用户目标导购需求利用所述目标大型语言模型进行解析。
17.可选的，所述抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果，包括：
18.根据第一预设信息标签过滤所述关键信息，并根据第二预设信息标签筛选过滤后的所述关键信息，得到目标关键信息，以融合所述目标关键信息得到目标抽取结果。
19.可选的，所述基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释，包括：
20.获取预设自有服装行业导购数据，并将所述预设自有服装行业导购数据和预设第三方公开客服数据中的服装行业数据进行融合，得到目标数据；
21.获取当前用户的历史画像，根据所述历史画像基于所述排序结果利用所述目标大型语言模型，从所述目标数据筛选出所述用户目标导购需求对应的商品推荐，并生成相应的商品推荐解释。
22.可选的，所述基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释之后，还包括：
23.生成当前的所述商品推荐和所述商品推荐解释对应的满意度调查问卷，并根据所述满意度调查问卷获取用户的满意度和对应的改进意见。
24.第二方面，本技术提供了一种对话推荐装置，包括：
25.需求获取模块，用于获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成；
26.信息抽取模块，用于若收集完成，将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，以抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果；
27.语义召回模块，用于根据所述目标抽取结果进行语义召回，以得到语义召回结果，并确定所述语义召回结果和所述关键信息之间的相似度，以根据所述相似度对所述语义召回结果进行排序得到排序结果；
28.推荐生成模块，用于基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释。
29.第三方面，本技术提供了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前
述的对话推荐方法。
30.第四方面，本技术提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的对话推荐方法。
31.本技术中，首先获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成；若收集完成，将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，以抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果；然后根据所述目标抽取结果进行语义召回，以得到语义召回结果，并确定所述语义召回结果和所述关键信息之间的相似度，以根据所述相似度对所述语义召回结果进行排序得到排序结果；并且基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释。通过上述技术方案，本技术可以基于大型语言模型进行导购对话管理，并且通过对关键词的抽取与定义使推荐结果与用户具体需求更加符合，以及基于大型语言模型对最终的推荐结果给出解释，解决了对话式推荐系统中的对话管理过程死板缺少灵活性、推荐结果过于离散与用户原始需求匹配度、紧密度不高以及推荐结果的可解释差等问题，增强对话推荐的可信度。
附图说明
32.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
33.图1为本技术提供的一种对话推荐方法流程图；
34.图2为本技术提供的一种具体的对话推荐方法流程图；
35.图3为本技术提供的一种对话推荐方法逻辑图；
36.图4为本技术提供的一种对话推荐方法装置结构示意图；
37.图5为本技术提供的一种电子设备结构图。
具体实施方式
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.现有的对话式推荐系统中对话的管理通常是基于规则的形式，关键信息的识别基于预先定义好的槽位，使得生成的对话以及推荐结果缺少灵活性、缺少解释性。而本技术可以基于大型语言模型进行导购对话管理，并且通过对关键词的抽取与定义使推荐结果与用户具体需求更加符合，以及基于大型语言模型对最终的推荐结果给出解释，增强对话推荐的可信度。
40.参见图1所示，本发明实施例公开了一种对话推荐方法，包括：
41.步骤s11、获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成。
42.本技术中，在进行对话推荐之前，首先需要获取当前用户的购物需求，即初始导购
需求，该需求通常为文本格式的描述性文字。可以理解的是，在当前系统中具备图像识别技术时，也可以获取用户输入的图片，并对图片上的相关信息进行识别，从而进一步获取对应的文本格式的描述。上述导购需求可以体现用户的需求标签，包括但不限于预算、类型、颜色、尺码、性别、材质、款式等服装行业的相关标签。在获取用户初始导购需求后，需要判断用户初始导购需求是否收集完成，可以理解的是，用户在进行需求的输入时，可能并不是一次性输入完成的，因此，本实施例可以对用户的需求进行判断，判断当前用户是否完成需求的输入，具体的实施方式包括但不限于通过问答的方式获取回答结果进行判断。这样一来，有利于最后生成的推荐结果与用户具体需求更加符合。
43.步骤s12、若收集完成，将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，以抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果。
44.本实施例中，若判断用户初始导购需求收集完成，则将当前对话的上下文进行合并后输入至初始大型语言模型(llms，large language models)，并根据预设词汇筛选规则筛选出当前对话中的服装行业核心词汇，基于上下文和服装行业核心词汇利用大型语言模型的低秩适应技术(低秩自适应，low-rank adaptation，lora)对初始大型语言模型进行微调，生成目标大型语言模型，以将当前的用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析。可以理解的是，上述服装行业核心词汇包括但不限于短袖、羽绒服等服饰领域的专有词汇。
45.需要指出的是，本实施例中为了降低资源的依赖性，大型语言模型的基座模型采用chatglm，并通过lora进行微调，通过针对chatglm的训练方式进行修改，使得微调方式适用于导购业务的多轮对话。具体的，在组织数据时，将当前对话的上下文合并输入、并在上下文太长时进行摘要后输入、以及引入每轮对话所专注的核心词汇增加其权重，最终得到导购领域chat，本实施例命名为chatguide。
46.llms构建完成后，本实施例以服装行业为例，预先定义预算、类型、颜色、尺码、性别、材质、款式、其它等标签，通过chatglm自有的自然语言理解能力对输入进行解析匹配到对应类型，从而抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果。这样一来，可以生成导购领域性的多轮对话模型chatguide，有利于对话管理的灵活控制。
47.步骤s13、根据所述目标抽取结果进行语义召回，以得到语义召回结果，并确定所述语义召回结果和所述关键信息之间的相似度，以根据所述相似度对所述语义召回结果进行排序得到排序结果。
48.本实施例中，根据目标抽取结果进行语义召回，以得到语义召回结果，并确定语义召回结果和关键信息之间的相似度，以根据相似度对语义召回结果进行排序得到排序结果。其中，在抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果时，可以首先根据第一预设信息标签过滤所述关键信息，并根据第二预设信息标签筛选过滤后的所述关键信息，得到目标关键信息，以融合所述目标关键信息得到目标抽取结果。例如，在进行语义召回时，基于在多轮对话中收集到的信息，通过预算、尺码进行数据过滤；通过类型、性别、款式进行语义召回，然后通过用户曝光点击数据，fine-tune(微调)一个query(查询)与商品标题的embedding(嵌入)，基于得到的模型对召回的商品与所抽取到的
信息进行相似度计算并排序得到排序结果。这样一来，通过对关键信息的精细化抽取与定义可以实现推荐结果与用户具体的需求尽可能的相符合，有利于增强商品推荐的可信度。
49.步骤s14、基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释。
50.本实施例中，基于上述得到的排序结果利用目标大型语言模型生成用户目标导购需求对应的商品推荐和商品推荐解释。并且，基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释之后，还可以生成当前的商品推荐和商品推荐解释对应的满意度调查问卷，并根据满意度调查问卷获取用户的满意度和对应的改进意见。这样一来，可以基于用户的反馈数据进行推荐结果的优化，有利于改善对话推荐的效果。
51.通过上述技术方案，本实施例判断用户初始导购需求是否收集完成。若收集完成，利用目标大型语言模型进行解析，以抽取用户目标导购需求的关键信息，并融合关键信息得到目标抽取结果。然后根据目标抽取结果进行语义召回，得到语义召回结果，并确定语义召回结果和关键信息之间的相似度，以对语义召回结果进行排序得到排序结果。并基于排序结果利用目标大型语言模型生成用户目标导购需求对应的商品推荐和商品推荐解释。本实施例通过对用户的需求进行判断，判断当前用户是否完成需求的输入，有利于最后生成的推荐结果与用户具体需求更加符合，并且可以生成导购领域性的多轮对话模型chatguide，有利于对话管理的灵活控制以及基于用户的反馈数据进行推荐结果的优化，使最后生成的推荐结果与用户具体需求更加符合。
52.基于上一实施例可知，本技术可以基于大型语言模型进行导购对话管理，接下来，本实施例中将对用户需求的获取过程以及推荐结果解释的生成过程进行详细地阐述。参见图2所示，本技术实施例公开了一种具体的对话推荐方法，包括：
53.步骤s21、获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成，若所述初始用户导购需求未收集完成，则继续根据预设规则询问用户导购需求，获取对应的用户回答结果。
54.本实施例中，如图3所示，获取用户初始导购需求，并判断用户初始导购需求是否收集完成后，若初始用户导购需求未收集完成，则继续根据预设规则询问用户导购需求，获取对应的用户回答结果。以及在获取对应的用户回答结果后，根据用户回答结果和初始用户导购需求生成用户目标导购需求，以基于目标大型语言模型对用户目标导购需求进行解析。本实施例在用户需求未全部完成之前，可以生成对应的问答，根据预设规则继续询问用户导购需求，并继续获取用户的其他需求，可以更加全面地了解用户需求，有利于使推荐结果与用户的需求连接更加紧密。
55.步骤s22、判断所述用户回答结果是否为导购需求修改意图；若是，则根据所述导购需求修改意图修改所述初始用户导购需求，并将修改后的所述初始用户导购需求作为所述用户目标导购需求。
56.本实施例中，获取用户回答结果后，判断用户回答结果是否为导购需求修改意图；若是，则根据导购需求修改意图修改初始用户导购需求，并将修改后的初始用户导购需求作为用户目标导购需求。可以理解的是，在获取用户的需求的过程中，用户可能在需求的输入过程中出现错误，因此，本实施例可以判断当前用户输入的需求是否为修改历史输入导
购需求的请求，从而根据导购需求修改意图修改初始用户导购需求，以便更加精确地了解用户需求，有利于使推荐结果与用户的需求连接更加紧密。这样一来，有助于实现对话管理的灵活控制，可以生成导购领域性的多轮对话模型，实现基于llms的灵活对话管理。
57.步骤s23、若所述用户初始导购需求收集完成，将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，以抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果。
58.步骤s24、根据所述目标抽取结果进行语义召回，以得到语义召回结果，并确定所述语义召回结果和所述关键信息之间的相似度，以根据所述相似度对所述语义召回结果进行排序得到排序结果。
59.步骤s25、获取预设自有服装行业导购数据，并将所述预设自有服装行业导购数据和预设第三方公开客服数据中的服装行业数据进行融合，得到目标数据；获取当前用户的历史画像，根据所述历史画像基于所述排序结果利用所述目标大型语言模型，从所述目标数据筛选出所述用户目标导购需求对应的商品推荐，并生成相应的商品推荐解释。
60.本实施例中，在进行商品推荐之前，首先获取预设自有服装行业导购数据，并将预设自有服装行业导购数据和预设第三方公开客服数据中的服装行业数据进行融合，得到目标数据；并且获取当前用户的历史画像，根据历史画像基于排序结果利用目标大型语言模型，从目标数据筛选出用户目标导购需求对应的商品推荐，并生成相应的商品推荐解释。具体地，可以将目标抽取结果、商品推荐、以及用户的历史画像输入到chatglm中，生成对应推荐结果的理由，即商品推荐解释。这样一来，可以使推荐结果与用户当前的需求紧密连接，增强推荐结果的可解释性。
61.其中，关于上述步骤s23、s24更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
62.通过上述技术方案，本实施例在初始用户导购需求未收集完成时，继续根据预设规则询问用户导购需求，获取对应的用户回答结果，并判断用户回答结果是否为导购需求修改意图；若是，则根据导购需求修改意图修改初始用户导购需求，作为用户目标导购需求利用目标大型语言模型进行解析，以得到目标抽取结果并进行语义召回，进一步得到排序结果。以及获取预设自有服装行业导购数据，将预设自有服装行业导购数据和预设第三方公开客服数据中的服装行业数据进行融合，得到目标数据；获取当前用户的历史画像，根据历史画像基于排序结果利用目标大型语言模型，从目标数据筛选出用户目标导购需求对应的商品推荐，并生成相应的商品推荐解释。这样一来，有利于对对话推荐流程进行灵活控制，并且可以解决对话式推荐系统中的对话管理过程死板缺少灵活性、推荐结果过于离散与用户原始需求匹配度、紧密度不高的问题，增强对话推荐的可信度。
63.参见图5所示，本技术实施例还公开了一种对话推荐装置，包括：
64.需求获取模块11，用于获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成；
65.信息抽取模块12，用于若收集完成，将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，以抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果；
66.语义召回模块13，用于根据所述目标抽取结果进行语义召回，以得到语义召回结
果，并确定所述语义召回结果和所述关键信息之间的相似度，以根据所述相似度对所述语义召回结果进行排序得到排序结果；
67.推荐生成模块14，用于基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释。
68.本实施例中，首先获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成；若收集完成，将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，以抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果；然后根据所述目标抽取结果进行语义召回，以得到语义召回结果，并确定所述语义召回结果和所述关键信息之间的相似度，以根据所述相似度对所述语义召回结果进行排序得到排序结果；并且基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释。通过上述技术方案，本实施例可以基于大型语言模型进行导购对话管理，并且通过对关键词的抽取与定义使推荐结果与用户具体需求更加符合，以及基于大型语言模型对最终的推荐结果给出解释，解决了对话式推荐系统中的对话管理过程死板缺少灵活性、推荐结果的可解释差的问题，增强对话推荐的可信度。
69.在一些具体实施例中，所述需求获取模块11，还包括：
70.结果获取单元，用于若所述初始用户导购需求未收集完成，则继续根据预设规则询问用户导购需求，获取对应的用户回答结果；
71.需求解析子模块，用于根据所述用户回答结果和所述初始用户导购需求生成用户目标导购需求，以基于所述目标大型语言模型对所述用户目标导购需求进行解析。
72.在一些具体实施例中，所述需求解析子模块，具体包括：
73.结果判断单元，用于判断所述用户回答结果是否为导购需求修改意图；
74.需求修改单元，用于若是，则根据所述导购需求修改意图修改所述初始用户导购需求，并将修改后的所述初始用户导购需求作为所述用户目标导购需求。
75.在一些具体实施例中，所述信息抽取模块12，具体包括：
76.模型微调单元，用于将当前对话的上下文进行合并后输入至初始大型语言模型，并根据预设词汇筛选规则筛选出当前对话中的服装行业核心词汇，基于所述上下文和所述服装行业核心词汇利用大型语言模型的低秩适应技术对所述初始大型语言模型进行微调，生成目标大型语言模型，以将当前的所述用户初始导购需求作为用户目标导购需求利用所述目标大型语言模型进行解析。
77.在一些具体实施例中，所述信息抽取模块12，具体包括：
78.信息过滤单元，用于根据第一预设信息标签过滤所述关键信息，并根据第二预设信息标签筛选过滤后的所述关键信息，得到目标关键信息，以融合所述目标关键信息得到目标抽取结果。
79.在一些具体实施例中，所述推荐生成模块14，具体包括：
80.数据融合单元，用于获取预设自有服装行业导购数据，并将所述预设自有服装行业导购数据和预设第三方公开客服数据中的服装行业数据进行融合，得到目标数据；
81.解释生成单元，用于获取当前用户的历史画像，根据所述历史画像基于所述排序结果利用所述目标大型语言模型，从所述目标数据筛选出所述用户目标导购需求对应的商品推荐，并生成相应的商品推荐解释。
82.在一些具体实施例中，所述对话推荐装置，还包括：
83.意见获取单元，用于生成当前的所述商品推荐和所述商品推荐解释对应的满意度调查问卷，并根据所述满意度调查问卷获取用户的满意度和对应的改进意见。
84.进一步的，本技术实施例还公开了一种电子设备，图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
85.图5为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的对话推荐方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
86.本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
87.另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
88.其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的对话推荐方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
89.进一步的，本技术还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的对话推荐方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
90.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
91.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
92.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
93.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
94.以上对本技术所提供的技术方案进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种对话推荐方法，其特征在于，包括：获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成；若收集完成，将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，以抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果；根据所述目标抽取结果进行语义召回，以得到语义召回结果，并确定所述语义召回结果和所述关键信息之间的相似度，以根据所述相似度对所述语义召回结果进行排序得到排序结果；基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释。2.根据权利要求1所述的对话推荐方法，其特征在于，所述获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成之后，还包括：若所述初始用户导购需求未收集完成，则继续根据预设规则询问用户导购需求，获取对应的用户回答结果；根据所述用户回答结果和所述初始用户导购需求生成用户目标导购需求，以基于所述目标大型语言模型对所述用户目标导购需求进行解析。3.根据权利要求2所述的对话推荐方法，其特征在于，所述根据所述用户回答结果和所述初始用户导购需求生成用户目标导购需求，包括：判断所述用户回答结果是否为导购需求修改意图；若是，则根据所述导购需求修改意图修改所述初始用户导购需求，并将修改后的所述初始用户导购需求作为所述用户目标导购需求。4.根据权利要求1所述的对话推荐方法，其特征在于，所述将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，包括：将当前对话的上下文进行合并后输入至初始大型语言模型，并根据预设词汇筛选规则筛选出当前对话中的服装行业核心词汇，基于所述上下文和所述服装行业核心词汇利用大型语言模型的低秩适应技术对所述初始大型语言模型进行微调，生成目标大型语言模型，以将当前的所述用户初始导购需求作为用户目标导购需求利用所述目标大型语言模型进行解析。5.根据权利要求1所述的对话推荐方法，其特征在于，所述抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果，包括：根据第一预设信息标签过滤所述关键信息，并根据第二预设信息标签筛选过滤后的所述关键信息，得到目标关键信息，以融合所述目标关键信息得到目标抽取结果。6.根据权利要求1所述的对话推荐方法，其特征在于，所述基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释，包括：获取预设自有服装行业导购数据，并将所述预设自有服装行业导购数据和预设第三方公开客服数据中的服装行业数据进行融合，得到目标数据；获取当前用户的历史画像，根据所述历史画像基于所述排序结果利用所述目标大型语言模型，从所述目标数据筛选出所述用户目标导购需求对应的商品推荐，并生成相应的商品推荐解释。
7.根据权利要求1至6任一项所述的对话推荐方法，其特征在于，所述基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释之后，还包括：生成当前的所述商品推荐和所述商品推荐解释对应的满意度调查问卷，并根据所述满意度调查问卷获取用户的满意度和对应的改进意见。8.一种对话推荐装置，其特征在于，包括：需求获取模块，用于获取用户初始导购需求，并判断所述用户初始导购需求是否收集完成；信息抽取模块，用于若收集完成，将当前的所述用户初始导购需求作为用户目标导购需求利用目标大型语言模型进行解析，以抽取所述用户目标导购需求的关键信息，并融合所述关键信息得到目标抽取结果；语义召回模块，用于根据所述目标抽取结果进行语义召回，以得到语义召回结果，并确定所述语义召回结果和所述关键信息之间的相似度，以根据所述相似度对所述语义召回结果进行排序得到排序结果；推荐生成模块，用于基于所述排序结果利用所述目标大型语言模型生成所述用户目标导购需求对应的商品推荐和商品推荐解释。9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的对话推荐方法。10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的对话推荐方法。

技术总结
本申请公开了一种对话推荐方法、装置、设备及存储介质，涉及人工智能技术领域，包括：获取用户初始导购需求，并判断是否收集完成；若收集完成，将其作为用户目标导购需求利用目标大型语言模型解析，抽取关键信息，融合关键信息得到目标抽取结果；根据目标抽取结果进行语义召回，并确定语义召回结果和关键信息之间的相似度，以根据相似度对语义召回结果进行排序得到排序结果；基于排序结果利用目标大型语言模型生成用户目标导购需求对应的商品推荐和商品推荐解释。基于大型语言模型进行导购对话管理，并且通过对关键词的抽取与定义使推荐结果与用户具体需求更加符合，以及基于大型语言模型对最终的推荐结果给出解释，增强对话推荐的可信度。的可信度。的可信度。


技术研发人员：张伟涛
受保护的技术使用者：上海微盟企业发展有限公司
技术研发日：2023.06.16
技术公布日：2023/8/16