System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机大模型领域,尤其涉及大模型提示工程领域,具体涉及一种基于情感因素多阶段对话构建prompt的方法。
技术介绍
1、提示工程(prompt engineering)是一门新兴的领域,主要关注提示词的制定和优化,旨在帮助人们更有效地应用大型语言模型(large language model, llm)于各种应用场景和研究项目。科研工作者有可能借助提示工程,来提高大型语言模型处理复杂任务的能力,包括问答系统的实现和复杂的逻辑推断任务。最初,提示主要通过手动设计的方式生成,例如,为给定的任务设计一些固定的模版或者前缀。这种方法虽然简单,但是有时效果并不理想,尤其是在处理一些复杂的任务时。
2、随着技术的发展,人们开始探索链式提示(cot)(j. wei, x. wang, d.schuurmans, m. bosma, f. xia, e. chi, q. v. le, d. zhou, et al. chain-of-thought prompting elicits reasoning in large language models. advances inneural information processing systems, 35:24824–24837, 2022.)、树形提示(tot)(s. yao, d. yu, j. zhao, i. shafran, t. l. griffiths,y. cao and k.narasimhan. 2023. tree of thoughts: d
3、目前已有许多面向销售的大语言模型的具体应用,例如langchain开源的salesgpt项目等等。
4、langchain的salesgpt项目致力于利用大模型技术,创建一个可以与用户进行交流、并向用户推销产品的机器人。核心目标在于提升销售的智能化和自动化程度,以期提高销售效率和用户体验。
5、这个项目把销售过程细分为多个步骤,如识别需求、提供解决方案、推进销售等,然后训练salesgpt分别处理这些任务。利用大模型的理解和生成自然语言的能力,使机器人能够理解用户的需求,提供匹配的产品,驱动销售过程,最终达成销售。
6、在ai为各行各业赋能的现状下,销售是一个很好的应用场景,目前虽然有很多销售大模型的具体案例,但具体在化妆品销售场景下还存在着很多不足和问题,例如:缺乏对用户心态和情绪的理解、化妆品销售知识库不够充足。
技术实现思路
1、针对现有技术的不足,本专利技术的目的是提供一种基于情感因素多阶段对话构建prompt的方法。
2、本专利技术的目的是通过以下技术方案来实现的:一种基于情感因素多阶段对话构建prompt的方法,包括如下步骤:
3、1.通过情绪识别模型识别人脸表情信息和语音情感信息并使用加权平均数的方式构建带有表情权重的用户情绪信息;
4、2.使用随机森林方法,通过训练好的随机森林模型,将用户情绪以及所处的对话阶段建立联系,帮助对话阶段的划分;
5、3.构建化妆品销售知识库;
6、4.将用户情绪信息、对话阶段、化妆品销售知识库共同通过cot-sc方法构建prompt。
7、进一步地,所述步骤1包括如下子步骤:
8、1.1、通过vgg19模型识别人脸表情信息,通过wav2vec-2.0模型识别语音中情感信息,识别过程中使用标记好的数据集,其中,选取不同情绪类别作为数据集中的标签,所述情绪类别包括快乐、悲伤、愤怒、惊讶;
9、1.2、确定不同情绪权重的比值,将不同情绪的占比,按照提前设定好的表情语气权重比将人脸表情信息和语音信息获得的情绪数据进行融合。
10、进一步地,所述步骤1.2中,表情语气权重比设置为表情占比0.7,语气占比0.3。
11、进一步地,所述步骤2包括如下子步骤:
12、2.1、人工准备数据集,所述数据集中的特征值包含用户情绪的权值,分类标签为不同情绪对应的合适引导的对话阶段,例如当用户情绪为愤怒时,对话阶段适合引导至客户异议阶段;
13、2.2、划分步骤2.1准备的数据集,将80%的数据作为训练集,其余20%的数据作为测试集,确保模型在训练过程中有足够的数据用于学习,并在隔离的测试集上进行性能评估;因为随机森林算法和大多数机器学习算法只能处理数值型数据,确保所有的特征值都是数值型;
14、2.3、构建随机森林模型,包括导入随机森林分类器,设置模型参数;使用步骤2.2得到的训练集对随机森林模型进行训练;
15、2.4、训练完成后,使用步骤2.2得到的测试集评估随机森林模型的准确率,以及其他指标包括精确度、召回率和f1分数,所述指标提供了模型预测结果的全面视图,帮助认识模型在特定情况下的强项和弱点,从而为进一步的调整和优化提供依据;
16、2.5、参数调优,根据步骤2.4得到的评估指标,使用网格搜索方法,自动化调整随机森林模型中树的大小,找到最优的结果。
17、进一步地,步骤3.3中所述随机森林模型使用scikit-learn机器学习库构建。
18、进一步地,所述步骤3包括如下子步骤:
19、3.1、数据获取:首先,构建常见的化妆品销售领域的知识库,包括化妆品成分库、化妆品价格库以及实时更新优惠券的库,然后,构建用户档案库,包含用户的基本信息,例如用户的肤质和购买偏好;
20、3.2、文件预处理:删除常见的无效标签,例如html标签,同时去除停用词和文本中常见但对分析意义不大的词汇,经过spacy预处理文件库并对文中的名词进行一致性调整后,完成预处理;
21、3.3、文件切分和向量化处理:按照段落对文本内容进行切分,文本切分后,对文本块进行向量化处理,把原始文本转换成数值向量的形式,使得相似主题或内容的文本在向量空间中相距较近,而不相关的内容距离则更远,有助于后续的信息检索和分析;
22、3.4、构建文件索引:构建倒排索引,加速相关信息检索。
23、进一步地,所述步骤3.3中,向量化处理采用m3e模型。
24、进一步地,所述步骤4包括如下子步骤:
25、4.1、对话阶段模板构建:细化对话阶段,将对话阶段分为自我介绍阶段、判断客户意愿阶段、介绍产品价值阶段、分析客户需求阶段、生成解决方案阶段、处理客户异议阶段、协商邀约阶段、异常结束对话阶段,每个阶段由gpt4.0进行prompt生成多套模板,人工进行优化,所述模板旨在引导对话顺利过渡到下一阶段,直至最终本文档来自技高网...
【技术保护点】
1.一种基于情感因素多阶段对话构建Prompt的方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于情感因素多阶段对话构建Prompt的方法,其特征在于,所述步骤(1)包括如下子步骤:
3.根据权利要求2所述的一种基于情感因素多阶段对话构建Prompt的方法,其特征在于,所述步骤(1.2)中,表情语气权重比设置为表情占比0.7,语气占比0.3。
4.根据权利要求1所述的一种基于情感因素多阶段对话构建Prompt的方法,其特征在于,所述步骤(2)包括如下子步骤:
5.根据权利要求4所述的一种基于情感因素多阶段对话构建Prompt的方法,其特征在于,所述步骤(2.3)中,随机森林模型使用scikit-learn机器学习库构建。
6.根据权利要求1所述的一种基于情感因素多阶段对话构建Prompt的方法,其特征在于,所述步骤(3)包括如下子步骤:
7.根据权利要求6所述的一种基于情感因素多阶段对话构建Prompt的方法,其特征在于,所述步骤(3.3)中,向量化处理采用M3E模型。
8.根据权
9.一种电子设备,包括存储器和处理器,其特征在于,所述存储器与所述处理器耦接;其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现上述权利要求1-8任一项所述的一种基于情感因素多阶段对话构建Prompt的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于情感因素多阶段对话构建Prompt的方法。
...【技术特征摘要】
1.一种基于情感因素多阶段对话构建prompt的方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于情感因素多阶段对话构建prompt的方法,其特征在于,所述步骤(1)包括如下子步骤:
3.根据权利要求2所述的一种基于情感因素多阶段对话构建prompt的方法,其特征在于,所述步骤(1.2)中,表情语气权重比设置为表情占比0.7,语气占比0.3。
4.根据权利要求1所述的一种基于情感因素多阶段对话构建prompt的方法,其特征在于,所述步骤(2)包括如下子步骤:
5.根据权利要求4所述的一种基于情感因素多阶段对话构建prompt的方法,其特征在于,所述步骤(2.3)中,随机森林模型使用scikit-learn机器学习库构建。
6.根据权利要求1所述的一种基于情感因素多阶段对话构建pr...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。