基于远程天然气服务的业务数据处理方法及系统与流程

本技术涉及人工智能，具体而言，涉及一种基于远程天然气服务的业务数据处理方法及系统。

背景技术：

1、随着天然气使用的普及和天然气服务需求的日益增长，远程天然气服务已成为行业发展的重要方向。在远程服务中，准确理解并响应用户的服务意图是提升服务质量和效率的关键。然而，现有的远程天然气服务系统在处理用户业务文本时，往往面临着意图识别不准确、响应速度慢等问题。

2、传统的天然气服务意图识别方法主要依赖于人工分析和规则制定，这种方式不仅效率低下，而且难以适应不断变化的用户需求和服务场景。近年来，随着深度学习和自然语言处理技术的发展，基于神经网络的意图预测模型逐渐应用于天然气服务领域。然而，现有的意图预测模型在网络配置和参数学习上缺乏科学依据，往往依赖经验或试错的方式进行调整，这不仅影响了模型的性能，也增加了模型开发和维护的成本。

技术实现思路

1、鉴于上述提及的问题，结合本技术的第一方面，本技术实施例提供一种基于远程天然气服务的业务数据处理方法，所述方法包括：

2、获取远程天然气服务会话系统的待学习业务文本序列和未标注业务文本序列，所述待学习业务文本序列包括多个待学习业务文本和每个待学习业务文本的天然气服务意图标注数据，所述未标注业务文本序列包括多个未携带天然气服务意图标注数据的样例业务文本；

3、基于所述待学习业务文本序列进行天然气服务意图预测网络的初始化参数学习，生成天然气服务意图预测网络的第一网络配置特征信息；

4、基于所述第一网络配置特征信息，确定所述天然气服务意图预测网络的网络配置特征信息的中心极限定理分布数据；

5、基于所述第一网络配置特征信息、所述网络配置特征信息的中心极限定理分布数据和所述待学习业务文本序列，进行所述天然气服务意图预测网络的强化参数学习，生成最终的天然气服务意图预测网络，其中，循环参数学习阶段等待调度的所述待学习业务文本序列的训练参与系数基于所述未标注业务文本序列、所述网络配置特征信息的中心极限定理分布数据和所述待学习业务文本序列的初始训练参与系数确定；

6、获取目标天然气业务会话文本，将所述目标天然气业务会话文本输入最终的天然气服务意图预测网络，生成所述目标天然气业务会话文本的天然气服务意图预测数据。

7、在第一方面的一种可能的实施方式中，基于所述待学习业务文本序列进行天然气服务意图预测网络的初始化参数学习，生成天然气服务意图预测网络的第一网络配置特征信息，包括：

8、在任意一轮循环参数学习阶段中，从所述待学习业务文本序列中获取待学习业务文本集；

9、将所述待学习业务文本集中的每个待学习业务文本作为所述天然气服务意图预测网络的加载数据，生成每个待学习业务文本的天然气服务意图预测数据；

10、基于每个待学习业务文本的天然气服务意图标注数据和每个待学习业务文本的天然气服务意图预测数据，确定第一训练代价参数，并基于所述第一训练代价参数，对所述天然气服务意图预测网络的网络配置特征信息进行优化，直到符合第一网络收敛要求，生成所述天然气服务意图预测网络的第一网络配置特征信息。

11、在第一方面的一种可能的实施方式中，基于所述第一网络配置特征信息，确定所述天然气服务意图预测网络的网络配置特征信息的中心极限定理分布数据，包括：

12、从第一网络配置特征信息中，提取出关键网络配置特征，所述关键网络配置特征包括：所述天然气服务意图预测网络的各层的权重矩阵、偏置向量、激活函数的类型和参数；

13、对提取出的关键网络配置特征进行统计分析，计算所述关键网络配置特征中各个特征的均值、方差、协方差，生成统计分析结果；

14、根据所述统计分析结果，构造出正态分布的概率密度函数，所述概率密度函数用于描述所述关键网络配置特征在所述待学习业务文本序列下的分布情况；

15、在确定出所述正态分布的概率密度函数后，通过实际网络配置特征与根据所述正态分布的概率密度函数生成的理论值进行比较，如果实际网络配置特征与根据所述正态分布的概率密度函数生成的理论值的偏差大于预设偏差，则对所述正态分布的概率密度函数进行调整；

16、将经过验证和调整后的正态分布数据，作为所述网络配置特征信息的中心极限定理分布数据。

17、在第一方面的一种可能的实施方式中，基于所述第一网络配置特征信息、所述网络配置特征信息的中心极限定理分布数据和所述待学习业务文本序列，进行所述天然气服务意图预测网络的强化参数学习，包括：

18、以所述第一网络配置特征信息为所述强化参数学习的初始网络配置特征信息，在任一次循环参数学习阶段中，从所述待学习业务文本序列中获取待学习业务文本集；

19、将所述待学习业务文本集中的每个待学习业务文本作为所述天然气服务意图预测网络的加载数据，生成每个待学习业务文本的天然气服务意图预测数据；

20、获取所述循环参数学习阶段等待调度的所述待学习业务文本序列的训练参与系数；

21、基于每个待学习业务文本的天然气服务意图标注数据、每个待学习业务文本的天然气服务意图预测数据和每个待学习业务文本序列的训练参与系数，确定第二训练代价参数，并基于所述第二训练代价参数，对所述天然气服务意图预测网络的网络配置特征信息进行优化，直到符合第二网络收敛要求，生成最终的天然气服务意图预测网络。

22、在第一方面的一种可能的实施方式中，所述获取所述循环参数学习阶段等待调度的所述待学习业务文本序列的训练参与系数，包括：

23、如果所述循环参数学习阶段为首轮循环参数学习阶段，基于所述未标注业务文本序列、所述网络配置特征信息的中心极限定理分布数据和所述待学习业务文本序列的初始训练参与系数，确定所述循环参数学习阶段等待调度的所述待学习业务文本序列的训练参与系数；

24、如果所述循环参数学习阶段不是首轮循环参数学习阶段，且检测到当前训练持续时长小于设定时长或者当前循环轮次小于预设轮次，则将所述循环参数学习阶段的前一轮循环参数学习阶段所调度的所述待学习业务文本序列的训练参与系数，确定为所述循环参数学习阶段等待调度的所述待学习业务文本序列的训练参与系数；

25、如果所述循环参数学习阶段不是首轮循环参数学习阶段，且检测到当前训练持续时长不小于设定时长或者当前循环轮次不小于预设轮次，基于所述循环参数学习阶段的前一轮循环参数学习阶段优化生成的天然气服务意图预测网络的第二网络配置特征信息，再次确定所述天然气服务意图预测网络的网络配置特征信息的中心极限定理分布数据，并基于所述未标注业务文本序列、再次确定的所述网络配置特征信息的中心极限定理分布数据和所述待学习业务文本序列的初始训练参与系数，确定所述循环参数学习阶段等待调度的所述待学习业务文本序列的训练参与系数。

26、在第一方面的一种可能的实施方式中，所述基于所述未标注业务文本序列、所述网络配置特征信息的中心极限定理分布数据和所述待学习业务文本序列的初始训练参与系数，确定所述循环参数学习阶段等待调度的所述待学习业务文本序列的训练参与系数，包括：

27、从所述未标注业务文本序列中选取i个无监督训练业务文本；

28、对于所述i个无监督训练业务文本中的每个无监督训练业务文本，对所述网络配置特征信息的中心极限定理分布数据进行i次参数提取，生成i个参考网络配置特征信息，所述i为正整数；

29、将所述无监督训练业务文本分别加载到每个参考网络配置特征信息对应的天然气服务意图预测网络中，生成i个输出置信度，基于所述i个输出置信度的平均置信度，生成所述无监督训练业务文本的意图输出置信度，所述无监督训练业务文本的意图输出置信度为所述无监督训练业务文本属于所述待学习业务文本序列的每一天然气服务意图的置信度；

30、基于所述i个无监督训练业务文本的意图输出置信度和所述i个无监督训练业务文本的意图输出平均置信度，确定待学习业务文本序列的权重调整因子，并基于所述待学习业务文本序列的权重调整因子和所述待学习业务文本序列的初始训练参与系数，确定所述循环参数学习阶段等待调度的所述待学习业务文本序列的训练参与系数。

31、在第一方面的一种可能的实施方式中，所述基于每个待学习业务文本的天然气服务意图标注数据、每个待学习业务文本的天然气服务意图预测数据和每个待学习业务文本序列的训练参与系数，确定第二训练代价参数，包括：

32、基于所述待学习业务文本的天然气服务意图标注数据与所述待学习业务文本的天然气服务意图预测数据之间的特征误差，确定第一训练代价参数；

33、基于所述第一训练代价参数和所述待学习业务文本序列的训练参与系数，确定所述第二训练代价参数。

34、在第一方面的一种可能的实施方式中，所述天然气服务意图预测网络包括自编码器和多层感知机，所述第一网络配置特征信息包括所述自编码器的网络配置特征信息和所述多层感知机的网络配置特征信息，所述基于所述第一网络配置特征信息，确定所述天然气服务意图预测网络的网络配置特征信息的中心极限定理分布数据，包括：

35、锁定所述自编码器的网络配置特征信息，基于所述多层感知机的网络配置特征信息，确定所述多层感知机的网络配置特征信息的中心极限定理分布数据。

36、在第一方面的一种可能的实施方式中，所述基于所述第一网络配置特征信息、所述网络配置特征信息的中心极限定理分布数据和所述待学习业务文本序列，进行所述天然气服务意图预测网络的强化参数学习，包括：

37、基于所述自编码器的网络配置特征信息和所述多层感知机的网络配置特征信息、所述多层感知机的网络配置特征信息的中心极限定理分布数据和所述待学习业务文本序列，进行所述天然气服务意图预测网络的强化参数学习。

38、再一方面，本技术实施例还提供一种基于远程天然气服务的业务数据处理系统，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的方法。

39、基于以上方面，本技术实施例通过结合待学习业务文本序列和未标注业务文本序列，能够更全面地学习天然气服务的各种意图，并通过强化参数学习不断优化预测网络，从而提高天然气服务意图预测的准确性。利用中心极限定理分析网络配置特征信息的分布情况，为网络配置的优化提供了科学依据，有助于提升网络的泛化能力和稳定性。通过动态调整待学习业务文本序列的训练参与系数，能够更高效地利用训练数据，加速模型的收敛，同时提升模型的性能。其中，本技术实施例不仅依赖于标注数据进行学习，还充分利用了未标注数据，使得天然气服务意图预测网络能够在实际应用中更好地适应各种场景。由此，通过结合多种数据源和优化方法，显著提高了天然气服务意图预测的准确性和效率。