申请/专利权人：派欧云计算(上海)有限公司

申请日：2023-12-29

公开（公告）日：2024-04-02

公开（公告）号：CN117808481A

主分类号：G06Q30/01

分类号：G06Q30/01;G06Q30/0601;G06N5/04;G06N3/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种云边协同的大语言模型智能客服部署优化方法，包括：S1，构建电商问答数据集；S2，基于云上大语言模型获取云预测词元序列；S3，压缩大语言模型获取若干个不同的微指导模型并训练，基于训练结果更新电商问答数据集，基于损失函数优化模型，并部署优化模型在边缘侧；S4，判断边缘网络延迟是否大于预设网络延迟阈值，若是，基于本地模型预测答复，否则，基于所有本地模型分别预测答复，并构建词元有向无环图发送云侧，执行S5；S5，云利用改进后的Transformer输出包含节点概率的更新的词元有向无环图；S6，云基于贪心解码输出最佳词元序列作为请求答复传输边缘。本发明有效提高推理效率，降低推理成本。

主权项：1.一种云边协同的大语言模型智能客服部署优化方法，其特征在于，包括如下步骤：S1，在边缘侧和云侧收集用户请求和对应的问题答复，构建电商问答数据集；S2，将步骤S1得到的电商问答数据集输入云侧的大型语言模型进行训练得到云问答预测模型，基于云问答预测模型获取每个用户请求预测结果所对应的云预测词元序列；S3，基于量化算法和剪枝算法对大型语言模型进行压缩获取若干个不同的微指导模型，利用电商问答数据集依次对每个微指导模型进行训练，并基于每个模型的训练结果更新电商问答数据集，同时基于训练后每个微指导模型的输出构建损失函数对每个微指导模型进行优化，将优化后的所有微指导模型部署均在每个边缘侧；S4，在线收集边缘侧接收到的用户请求，判断Tdelayδ，若是，选用任一本地问答预测模型输入对应的问题答复作为对用户请求的答复，否则，使用该边缘侧的所有本地问答预测模型分别进行预测，并收集每个本地问答预测模型的预测结果构建词元有向无环图N，将词元有向无环图N发送到云侧后，执行步骤S5，其中，Tdelay表示边缘侧的网络延迟，δ表示预设的网络延迟阈值；S5，云侧对Transformer中注意力机制的注意力得分进行改进，并将词元有向无环图N输入改进后的Transformer中进行识别，输出更新后的词元有向无环图NO；S6，云侧基于贪心解码或随机解码以及步骤S5得到的更新后的词元有向无环图NO对步骤S4得到的词元有向无环图N中的词元依次进行验证，输出最佳词元序列作为对用户请求的答复，并将该答复传输给边缘侧。

全文数据：

权利要求：

百度查询： 派欧云计算(上海)有限公司 一种云边协同的大语言模型智能客服部署优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD