本發明涉及人工智能，具體涉及一種智能汽車導購對話處理方法及裝置。
背景技術：
1、伴隨人工智能和自然語言處理技術的進步，基于大語言模型的智能對話系統已經應用于汽車銷售和服務，主要是希望通過對談的方式來代替原有的實體工作人員為用戶提供購車、選車的服務，并能自動將對話中的關鍵要素保存到訂單中，提高銷售轉化率。但在汽車導購這樣專業度較高、需要大量專業知識積累、對準確度要求較高的垂直場景下，現有的對話系統仍然存在一些技術難點，比如：
2、目前許多系統的實現都需要借助自動語音識別服務（automatic?speechrecognition，asr）來將用戶語音轉化為文本，而asr在噪聲大、方言口音重和存在專業術語的情形下，就很容易出現識別錯誤的問題，將導致后續的處理流程出錯。由于用戶的車輛購買咨詢會同時涉及意向訴求、模糊表述和包含多個子意圖等情況，采用基于規則或單一分類模型的意圖識別會非常容易產生對話理解偏差，最終造成知識檢索或回答回應質量較低的情況。
3、目前大多數系統采用的是基于檢索增強生成(retrieval-augmentedgeneration，rag)的框架結構，但是它們的知識庫都是靜態構建，經常會滯后于更新車企最新車型的參數配置和一些新的促銷政策。另外開放域檢索模型很容易把回答跑偏引入到離題的話題當中或者出現浮夸的問題，特別是一些專業術語的解釋表達很容易發生“幻覺”，使得產出內容嚴重跑題偏義，并且會嚴重影響系統的在某些領域或某些專業上的可信度和可信賴性。
4、因此，有必要開發一種新的智能汽車導購對話處理方法及裝置。
技術實現思路
1、鑒于上述現有技術的不足，本技術的目的在于提供一種智能汽車導購對話處理方法及裝置，能提高意圖識別能力，且能給出較為準確的回應。
2、第一方面，本技術實施例提供一種智能汽車導購對話處理方法，包括以下步驟：
3、獲取用戶原始查詢語句，對所述用戶原始查詢語句進行處理，得到標準查詢語句；
4、調取預設車型庫，基于所述預設車型庫從所述標準查詢語句中提取車型實體；針對所述車型實體構建車型上下文約束條件，并通過規則引擎與大語言模型解析所述標準查詢語句，并輸出帶置信度的意圖標簽集合；
5、將所述車型上下文約束條件與所述意圖標簽集合組合為路由鍵，在線動態調用預設車型數據庫，獲取并篩選相似度分數大于或等于預設分數閾值的知識片段，形成知識選集；
6、基于所述知識選集，采用預設角色指令約束、預定義結構化輸出模板約束和預設品牌話術庫約束進行約束，生成用戶回應；
7、基于所述標準查詢語句及所述用戶回應，確定用戶潛在需求和所處對話階段，并從預設先驗問題庫中篩選出預設個問題進行推薦，其中，所述預設先驗問題庫包括多個問題。
8、在上述技術方案中，本技術通過接收用戶原始查詢語句并進行標準化處理，結合車型上下文約束條件和多級意圖協同識別機理，大幅提升了意圖識別的準確性和可靠性。基于車型上下文約束條件與意圖標簽集合構建的動態路由鍵，能夠實現對預設車型數據庫的在線精準調用與實時知識路由，通過篩選相似度達標的知識片段形成知識選集，確保了獲取知識的高時效性、高相關性與結構化屬性，避免了傳統靜態知識庫更新滯后、知識匹配低效的問題。然后再通過角色、模板和話術三重約束規則形成結構化答案，不僅確保輸出內容精準匹配用戶需求，更使服務輸出與品牌形象高度契合，顯著增強了服務的專業性與可信度，徹底解決了傳統無約束生成模式下存在的語義混亂、輸出質量參差不齊、風格各異、可控性差等核心痛點。最后通過主動式的對話引導和多模態輸出來實現整個交互。
9、一種可能的實施方式，對所述用戶原始查詢語句進行處理，具體包括：
10、若原始查詢語句是以語音輸入，則將所述原始查詢語句轉換為初始文本序列；
11、將所述初始文本序列輸入預設知識型語義增強器，并通過復合損失函數優化實現糾錯、補全及規范化處理，輸出標準查詢語句；
12、其中，所述預設知識型語義增強器為基于序列到序列架構的深度學習模型。
13、在上述技術方案中，若原始查詢語句是以語音輸入時，首先利用預設知識型語義增強器糾正語音識別錯誤，并將非規范化的用戶輸入語義規整化為規范化的語義表達形式，供后面處理環節使用，從而提高后續各環節的處理質量。
14、一種可能的實施方式，所述復合損失函數為：
15、；
16、其中，為復合損失函數值，為糾錯損失，為補全損失，為流暢性損失，，，分別為各項損失的權重系數，為標準查詢語句，為初始文本序列，為汽車領域實體詞典，為對話歷史上下文。
17、在上述技術方案中，利用汽車領域實體詞典提升模型對特定領域術語的理解與適配能力，降低術語誤判風險；引入對話歷史上下文增強模型對上下文的依賴與利用，生成邏輯連貫的查詢；通過權重系數靈活調整多目標學習側重，實現不同應用場景的定制化優化，提升了模型的整體性能與魯棒性。
18、一種可能的實施方式，通過規則引擎與大語言模型解析所述標準查詢語句，具體為：
19、通過規則引擎運行預先編譯的確定性業務規則，對所述標準查詢語句進行意圖識別與語義歸類；若規則引擎能完成識別且分類置信度不低于預設置信度閾值，則直接輸出帶置信度評分的意圖標簽集合；
20、若規則引擎無法處理，或分類置信度低于所述預設置信度閾值，則將對應的標準查詢語句輸入預設細粒度意圖識別大語言模型，通過所述預設細粒度意圖識別大語言模型識別多意圖并輸出帶置信度的標準意圖標簽集合。
21、在上述技術方案中，按照規則引擎先運行一組預先編譯好的確定性業務規則，對于經常出現的并且具有明顯模式的查詢語句（如包含對比關鍵詞的語句），實現了基于規則的快速意圖識別和語義歸類。規則引擎對部分復雜查詢無適用規則或者分類置信度低的情況，將該類查詢輸入到一個預設細粒度意圖識別大語言模型中，此預設細粒度意圖識別大語言模型可以基于大量的領域對話語料庫，理解語義的復雜性，拆分并識別出其中的多意圖，以及帶置信度的輸出標準意圖標簽集合。
22、一種可能的實施方式，在線動態調用預設車型數據庫，獲取并篩選相似度分數大于或等于預設分數閾值的知識片段，具體為：
23、在線動態調用預設車型數據庫，抓取最新領域知識并形成初始知識候選集；
24、計算所述標準查詢語句與初始知識候選集中各知識片段的相似度分數，保留所述相似度分數大于或等于預設分數閾值的知識片段，得到所述知識選集。
25、在上述技術方案中，將車型上下文約束條件與意圖標簽集合組合為知識的路由鍵，實現了可根據車型、意圖實時調取企業自身的知識資源庫，從而有效提高了知識的準確性與時效性；再結合向量化檢索以及閾值過濾的知識召回，從源頭解決了傳統開放式領域檢索或者靜態知識庫會出現的事實性錯誤、術語用詞錯誤等問題。
26、一種可能的實施方式，計算所述標準查詢語句與初始知識候選集中各知識片段的相似度分數，具體為：
27、利用預訓練的語義編碼模型將所述標準查詢語句轉換為查詢向量，將所述初始知識候選集中每條知識片段分別轉換為知識片段向量；
28、根據所述查詢向量與所述知識片段向量的余弦相似度來確定二者語義相關程度并輸出對應的相似度分數。
29、在上述技術方案中，本發明確保了最終用于生成答案的知識具備極高的準確性和相關性。
30、一種可能的實施方式，所述預設角色指令約束為：限定生成模型的角色為汽車產品專家，且生成內容的知識范圍限于所述知識選集，不加入所述知識選集外的推測信息。
31、在上述技術方案中，通過角色限定，確保生成模型精準定位為官方汽車產品專家身份，輸出視角與專業定位統一；同時通過知識范圍約束，避免了模型進行自主推測，嚴格杜絕了非知識選集內信息的植入，保障了輸出內容的知識準確性與權威性，確保了答復始終基于既定知識庫展開。
32、一種可能的實施方式，所述預定義結構化輸出模板約束為：基于所述意圖標簽集合的主意圖標簽，從預定義結構化輸出模板中匹配對應屬性，所述預定義結構化輸出模板具有預設答案框架、段落順序及核心信息輸出格式。
33、在上述技術方案中，依托主意圖標簽與模板屬性的精準匹配，使生成內容嚴格遵循預設的答案框架、段落順序及核心信息格式；既能讓品牌風格規范通過結構化模板落地到每一條答復中，又能確保輸出內容邏輯清晰、層次分明，實現答復的結構化與專業化呈現，同時保障品牌要求的一致性傳遞。
34、一種可能的實施方式，所述預設品牌話術庫約束為：基于不同主題從預設品牌話術庫中選取目標話術，所述目標話術包括標準問候語、轉折用語、專業術語釋義、價值主張及法律聲明，并控制所述生成模型在用戶回應的指定位置嵌入所述目標話術。
35、在上述技術方案中，通過按主題選取目標話術并在指定位置精準嵌入，有效保障輸出內容中標準問候、專業術語釋義等話術的規范使用；實現語言表達風格、專業術語體系及品牌調性的全域一致，避免風格碎片化；同時指定位置嵌入的約束的確保話術融入自然，使最終答復在結構化、專業化的基礎上，進一步達成品牌風格的精準傳遞與統一呈現。
36、第二方面，本技術實施例提供一種智能汽車導購對話處理裝置，包括：
37、語義增強模塊，用于獲取用戶原始查詢語句，并對所述用戶原始查詢語句進行語義增強處理，得到標準查詢語句；
38、實體提取與意圖解析模塊，用于調取預設車型庫，基于所述預設車型庫從所述標準查詢語句中提取車型實體，針對所述車型實體構建車型上下文約束條件，且通過規則引擎與大語言模型解析所述標準查詢語句，輸出帶置信度的意圖標簽集合；
39、知識獲取與篩選模塊，用于將所述車型上下文約束條件與所述意圖標簽集合組合為路由鍵，在線動態調用預設車型數據庫，獲取并篩選相似度分數大于或等于預設分數閾值的知識片段，形成知識選集；
40、回應生成模塊，用于基于所述知識選集，采用預設角色指令約束、預定義結構化輸出模板約束和預設品牌話術庫約束進行約束，生成用戶回應；
41、潛在需求挖掘與推薦模塊，用于基于所述標準查詢語句及所述用戶回應，確定用戶潛在需求和所處對話階段，并從預設先驗問題庫中篩選出預設個問題進行推薦。
42、在上述技術方案中，本技術通過接收用戶原始查詢語句并進行標準化處理，結合車型上下文約束條件和多級意圖協同識別機理，提升了意圖識別的準確性和可靠性。同時本技術還基于車型上下文約束條件與意圖標簽集合構建的動態路由鍵，能夠實現對預設車型數據庫的在線精準調用與實時知識路由，再通過篩選相似度達標的知識片段形成知識選集，能夠確保獲取知識的高時效性、高相關性與結構化屬性，避免了傳統靜態知識庫更新滯后、知識匹配低效的問題。然后再通過角色、模板和話術三重約束規則形成結構化答案，不僅確保了輸出內容精準匹配用戶需求，更使服務輸出與品牌形象高度契合，顯著增強了服務的專業性與可信度，徹底解決了傳統無約束生成模式下存在的語義混亂、輸出質量參差不齊、風格各異、可控性差等核心痛點。最后通過主動式的對話引導和多模態輸出來實現整個交互。