一种用于金融的智能应答系统的制作方法

本发明涉及人工智能，具体为一种用于金融的智能应答系统。

背景技术：

1、随着科技的不断发展和金融行业的进步，越来越多的金融服务开始借助人工智能技术来提供更便捷、高效的服务，传统的金融服务通常需要用户通过电话或面对面的方式与银行、保险公司等金融机构进行交流，这种方式存在时间成本高、人力成本高等问题。而且，金融知识复杂，对于一般用户来说不容易理解和掌握，智能应答系统的出现填补了这个缺口。

2、例如公告号：cn113298494b一种用于智能对话系统的智能应答流程引擎系统，通过系统嵌入模块、流程优化模块、流程执行引擎、人工处理模块和引擎升级模块，系统嵌入模块将智能应答流程引擎系统扩展嵌入智能对话系统，用于智能对话系统的扩展升级，流程优化模块用于根据原有智能对话系统的业务流程进行智能流程单元的优化，流程执行引擎用于对流程优化模块形成的流程框架进行运行，人工处理模块用于对智能应答流程引擎系统运行过程的异常情况进行人工处理，引擎升级模块用于对智能应答流程引擎系统进行更新升级。

3、但是现有技术需要进行系统间的集成工作，而不同系统之间的技术差异和复杂性可能会导致集成过程异常复杂，对应答不能无法更加全面，同时需要投入大量的人力和时间，增加了运营成本和管理难度。

技术实现思路

1、针对现有技术的不足，本发明提供了一种用于金融的智能应答系统，解决了上述背景技术的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种用于金融的智能应答系统，包括以下模块：数据获取模块、语义理解模块、问答匹配模块、数据更新模块、用户模块；数据获取模块用于获取需要应答的自然语言和金融数据，并对需要应答的自然语言进行预处理；语义理解模块用于对需要应答的自然语言进行语义理解，识别用户问题的类型并进行分类；问答匹配模块用于结合金融数据分析需要应答的自然语言，对需要应答的自然语言进行应答，计算应答质量评估指数，基于应答质量评估指数，优化应答质量；数据更新模块用于实时更新金融市场数据和历史交易数据；用户模块用于提供进行应答的界面，收集用户的反馈和评价。

3、进一步地，所述获取需要应答的自然语言和金融数据，并对需要应答的自然语言进行预处理的具体过程如下：获取需要应答的自然语言和金融数据：调用apl接口获取需要应答的自然语言并从数据源中收集和整理金融数据，数据源包括实时市场数据、历史交易数据；对需要应答的自然语言进行预处理：数据清洗：识别并处理数据中的缺失值，通过填充、删除或插值，检测和处理异常值，去除数据中的重复记录。

4、进一步地，对需要应答的自然语言进行语义理解，将其转化为结构化数据的具体过程如下：使用python编程语言，导入nltk自然语言工具包，使用nltk.word_tokenize函数对需要应答的自然语言进行分词，移除文本中特殊的字符、标点符号、html标签，将文本转换为小写形式，将文本分解为单词或标记的序列，使用nltk.pos_tag函数对分词结果进行词性标注，并打印出词性标注结果，并对文本中的单词进行词干提取，将单词还原为其基本形式，使用nltk.chartparser函数加载句法分析器，并将分词结果传递给分析器进行句法分析，识别用户问题的类型并进行分类。

5、进一步地，结合金融数据分析需要应答的自然语言，对需要应答的自然语言进行应答的具体过程如下：使用python编程语言中tfidfvectorizer函数对需要应答的自然语言进行tf-idf向量化，将金融数据和向量化的自然语言导入数据库中合并成一个语料库，并通过fit_transfor方法得到tf-idf矩阵，通过cosine_similarity计算需要应答的自然语言与语料库中的应答的余弦相似性指数，找到余弦相似性指数最高的索引，并返回相应的金融信息应答。

6、进一步地，所述cosine_similarity计算需要应答的自然语言与语料库中的应答的余弦相似性指数的计算方法如下：将需要应答的自然语言使用tf-idf向量化表示为数字向量a，将语料库中的应答使用tf-idf向量化表示为数字向量b，需要应答的自然语言与语料库中的应答的余弦相似性指数的计算公式如下：

7、

8、式中，κ表示需要应答的自然语言与语料库中的应答的余弦相似性指数，|a|表示需要应答的自然语言向量化数字向量a的模长，|b|表示语料库中的应答向量化数字向量b的模长，a*b表示向量a和向量b的点积，e表示自然常数。

9、进一步地，计算应答质量评估指数的计算方法如下：使用python编程语言，导入最大似然估计mle语言模型并生成n-gram的工具函数，从nltk自然语言工具包的导入sentence_bleu函数，计算应答bleu分数，从nltk自然语言工具包的导入rouge类，用于计算rouge分数，综合bleu分数和rouge分数计算应答质量评估指数；应答质量评估指数的计算公式如下：

10、

11、式中，σ表示应答质量评估指数，b表示应答bleu分数，r表示应答rouge分数，η表示用户满意度指数，ω1表示应答bleu分数对应应答质量评估指数的权重因子，ω2表示应答meteor分数对应应答质量评估指数的权重因子，ω3表示用户满意度指数对应应答质量评估指数的权重因子，e表示自然常数，μ表示应答质量评估指数对应的修正补偿因子。

12、进一步地，所述用户满意度指数的计算方法如下：获取每次用户反馈分数并依此编号1，2，3...，i，...n，反馈分数包括：准确度评分、反应速度评分；用户满意度指数的计算公式如下：

13、

14、式中，η表示用户满意度指数，mi表示每次准确度评分，vi表示每次反应速度评分，α1表示准确度评分对应用户满意度指数的权重因子，α2表示反应速度评分对应用户满意度指数的权重因子，e表示自然常数。

15、进一步地，所述基于应答质量评估指数，优化应答质量的具体过程如下：使用python编程语言，导入nltk、bleu计算函数和用于数据划分的train_test_split函数，创建输入应答数据和对应的参考应答数据的列表，使用train_test_split函数将数据划分为训练集和测试集，定义model.train函数计算生成应答的bleu分数并打印平均分数，基于应答质量评估指数，使用fine-tuning函数优化应答质量，创建if循环，应答质量评估指数作为循环条件，监控应答的平均bleu分数。

16、进一步地，所述实时更新金融市场数据和历史交易数据的具体过程如下：使用python编程语言，导入pandas和alpha_vantage库，使用alpha_vantage库的timeseries类，调用get_daily方法获取每日金融数据，调用history方法，定义get_historical_data函数获取历史数据，并设置初始值为1，使用time.sleep添加60秒的延时循环，定义real_time_update函数，在循环中实时更新数据。

17、进一步地，所述提供进行应答的界面，收集用户的反馈和评价的具体过程如下：定义了prompt_user函数来提示用户输入问题，并将用户输入作为返回值，prompt_score函数设置准确度评分、反应速度评分，通过process_user_input函数对用户输入进行处理，使用collect_feedback函数来收集用户对应答的反馈和评价。

18、本发明具有以下有益效果：

19、(1)、该一种用于金融的智能应答系统，基于tf-idf向量化和余弦相似性指数计算的智能应答系统在金融领域中有助于提高应答质量、优化用户体验、减少人为错误，能够快速找到语料库中与用户提问最相关的金融信息，提供准确、及时的应答。这有助于用户更快地获取所需信息，从而做出更明智的决策。

20、(2)、该一种用于金融的智能应答系统，通过计算应答质量评估指数，优化应答质量，可以提供准确的答案，提高用户满意度，降低误导风险，并提升系统的专业性和可信度，对不同答案的准确性进行评估，并选择质量更高的答案进行回复。这样可以提供更准确、可靠的金融信息和建议，帮助用户做出更明智的决策。

21、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。