CN119415482A 一种多级文档检索方法 （无锡锡商银行股份有限公司）

道东翔路578号红豆财富广场1-2层、涉及多级文档检索技术领域，在单轮知识检索取知识影响力程度系数并结合轮内知识重要性排名系数对知识进行综合排序，获取知识排序2步骤S1，根据基于SSM卷积模块的问题状态分类模型对用户的单轮提问进行问题状态步骤S2，获取问题状态分类模型进行问题状态识别过程步骤S3，当问题状态分类模型不存在卡顿隐患时，对步骤S4，当问题状态分类模型存在卡顿隐患时，对获取用户历史多轮提问的检索知识集，将历史多轮提问的检索远及近进行排序，最早轮记为l=1，当前轮记为l=L，l={1,2,.,L}，L为正整数；对于基于当前轮提问的语义向量和历史多轮提问的语义向量构建提问文本语义向量矩阵，将检索知识集的语义向量矩阵输入检索知识SSM卷积模块，根据检索知将问题SSM卷积模块和检索知识SSM卷积模块中提取的卷积输出特征向量进行横向拼,其中表示用户当前轮提问的问题属于问题状态的概率值，Mye{M1、M2、M3}，Z表示全连接层输出；3若P_M1>P_M2且P_M1>P_M3，则将用户当前轮提问的问题状态标记为M1，获取用语义相似度对知识库中现存知识进行由大到小进行排序，选择前top_k条知识作为单轮检若P_M2>P_M1且P_M2>P_M3，则将用户当前轮提问的问题状态标记为M2，直接使若P_M3>P_M1且P_M3>P_M2，则将用户当前轮提问的问题状态标记为M3，将上一向量进行语义相似度匹配，根据语义相似度对知识库中现存知识进行由大到小进行排序，选择前top_k条知识作为单轮检索知识获取问题状态分类模型在每次用户提问时对问题状态分类的执行推理时间tg，g表示将每次的执行推理时间与执行推理时间标准差进行比较，对执行获取问题状态分类模型在运行过程中的资源消耗数据，包括但不限于C4a1、a2、a3、a4均大于0。获取问题状态分类模型在进行卷积操作时的卷积层数数据为JC={cs}，csr表示问题状态分类模型第r次进行卷积操作时的卷积层数值，r={1,2,,R}，R为正整数；从卷积层数数据集中提取唯一的卷积层数值，得到唯一值集合HX=-1p(wy在预设的固定时间周期ZT内记录活跃用户总数YZS以及停止使用问题状态分类模型的将卡顿影响评估指数与预设的卡顿影响评估指数阈值进行比较，确定若卡顿影响评估指数大于卡顿影响评估指数阈值，则生成卡顿对于每轮检索知识集中的知识，不再单纯依赖语义相似度得分，采用5识重要性排名系数计算表达式如下，其中Epochqzs在第l轮的检索知识集中，则Rank(zs,I)表示知识zs在Epochq中排名；将知识影响力程度系数和轮内知识重要性排名系数进行归一化，并根,其中scor表示知识的综合排序值，并根据知识的获取知识zs在第l轮的检索知识集中被提及的频率pv；根据相似度度量方法计算第l轮提问与当前轮提问L之间的语义相似度sim(1,L)；将知识zs在第l轮的检索知识集中被提及的频率pv以及第l轮提问与当前轮提问L之间的语义相似度sim(1,L)作为修正因子对知识影响力程度系数yx1进行修正，其修正函数表达式如下YX⃞=YX*(1+P*PV+W*sim(l,L))，式中表示修正后的知识影响力程度系数，p、o分别表示频率pv、语义相似度sim(1,L)的预设比例系数，且均大于0。6步骤S1，根据基于SSM卷积模块的问题状态分类模型对用户的单轮提问进行问题7时对用户的历史多轮提问的文本以及对应轮的检索知识集进行预处理以及分词转化词向基于当前轮提问的语义向量和历史多轮提问的语义向量构建提问文本语义向量将问题SSM卷积模块和检索知识SSM卷积模块中提取的卷积输出特征向量进行横下其中P_M表示用户当前轮提问的问题属于问题状态的概率值，Mye{M1、M2、M3}，Z表示全连接层输出；若P_M1>P_M2且P_M1>P_M3，则将用户当前轮提问的问题状态标记为M1，获取用户当前轮提问的语义向量，并与知识库中现存知识的语义向量进行语义相似度匹配，根据语义相似度对知识库中现存知识进行由大到小进行排序，选择前top_k条知识作为单若P_M2>P_M1且P_M2>P_M3，则将用户当前轮提问的问题状态标记为M2，直接使用上一轮提问的检索知识集作为当前轮的单轮检索若P_M3>P_M1且P_M3>P_M2，则将用户当前轮提问的问题状态标记为M3，将获取问题状态分类模型在每次用户提问时对问题状态分类的执行推理时间tg，g8a1、a2、a3、a4均大于0。标记为JC={cs}，csr表示问题状态分类模型第r次进行卷积操作时的卷积层数值，r={1,2,,R}，R为正整数；从卷积层数数据集中提取唯一的卷积层数值，得到唯一值集合HX=-1p(wy9系数、资源消耗状态系数、卷积层数异常波动系数、用户流失率的预设比例系数，且均大于0；序从远及近进行排序，最早轮记为l=1，当前轮记为l=L，l={1,2,.,L}，L为正整数；内知识重要性排名系数计算表达式如下，其中Epochq表示第l轮的检索知识集，count(Epoch1)表示第l轮的检索知识集中知识的数目，若知识zs在第l轮的检索知识集中，则Rank(zs,I)表示知识zs在Epochq中排名；如下scor=1(yx1*In(1+LN2SI))，其中scor表示知识的综合排序值，并根据知获取知识zs在第l轮的检索知识集中被提及的频率pv；将知识zs在第l轮的检索知识集中被提及的频率pv以及第l轮提问与当前轮提问L之间的语义相似度sim(1,L)作为修正因子对知识影响力程度系数YX1进行修正，其修正函数表达式如下YX⃞=YX*(1+P*PV+W*sim(l,L))，式中表示修正后的均大于0。步骤S1，根据基于SSM卷积模块的问题状态分类模型对用户的单轮提问进行问题步骤S1，根据基于SSM卷积模块的问题状态分类模型对用户的单轮提问进行问题同时对用户的历史多轮提问的文本以及对应轮的检索知识集进行预处理以及分基于当前轮提问的语义向量和历史多轮提问的语义向量构建提问文本语义向量,式中ya表示提问的卷模块的卷积核ka对提问文本语义向量矩阵进行卷积化，如下ya=xaka，式中ya表示检将问题SSM卷积模块和检索知识SSM卷积模块中提取的卷积输出特征向量ya和ya进行横向拼接得到最终输出特征向量yconcat=[yq,yal，将横向拼接后的最终输出特征如下其中表示用户当前轮提问的问题属于问题状态的概率值，Mye{M1、M2、M3}，Z表示全连接层输出；将全连接层的输出转化为一个概率分布，Softmax的作用是将输出转化为三个若P_M1>P_M2且P_M1>P_M3，则将用户当前轮提问的问题状态标记为M1，获取用户当前轮提问的语义向量，并与知识库中现存知识的语义向量进行语义相似度匹配，根据语义相似度对知识库中现存知识进行由大到小进行排序，选择前top_k条知识作为单若P_M2>P_M1且P_M2>P_M3，则将用户当前轮提问的问题状态标记为M2，直接使用上一轮提问的检索知识集作为当前轮的单轮检索若P_M3>P_M1且P_M3>P_M2，则将用户当前轮提问的问题状态标记为M3，将模型执行时间异常系数是用于衡量问题状态分类模型每次对用户提问进行问题获取问题状态分类模型在每次用户提问时对问题状态分类的执行推理时间tg，g资源消耗状态系数是用于衡量问题状态分类模型在运行过程中消耗的计算资源a1、a2、a3、a4均大于0；标记为JC={cs}，csr表示问题状态分类模型第r次进行卷积操作时的卷积层数值，r={1,2,,R}，R为正整数；从卷积层数数据集中提取唯一的卷积层数值，得到唯一值集合HX=-1p(wy邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的序从远及近进行排序，最早轮记为l=1，当前轮记为l=L，l={1,2,.,L}，L为正整数；内知识重要性排名系数计算表达式如下，其中Epochq表示第l轮的检索知识集，count(Epoch1)表示第l轮的检索知识集中知识的数目，若知识zs在第l轮的检索知识集中，则Rank(zs,I)表示知识zs在Epochq中排名；如下scor=1(yx1*In(1+LN2SI))，其中scor表示知识的综合排序值，并根据知获取知识zs在第l轮的检索知识集中被提及的频率pv；余弦相似度计算方法作为一种实施方式计算第l轮提问与当前轮提问L之间的语义相似度将知识zs在第l轮的检索知识集中被提及的频率pv以及第l轮提问与当前轮提