基于大语言模型的多意图增强搜索

随着人工智能技术的蓬勃发展，大语言模型（LLM）如Claude等在多个领域展现出了卓越的能力。如何利用这些模型的语义分析能力，优化传统业务系统中的搜索性能是个很好的研究方向。

在传统业务系统中，数据匹配和检索常常面临诸多挑战，例如用户使用门槛高、业务变化适应性差以及搜索匹配效果不佳。生成式AI的出现为这些问题提供了新的解决方案。

传统搜索系统的局限

用户的使用门槛较高，必须了解系统提供的查询的每个条件的含义，还需要了解不同条件的组合方式。结构化的查询，无法适应自然语言的模式，也很难贴近人的自然想法，例如查询上海徐汇区有哪些三甲医院，传统查询模式，你必须要分解成多个不同的条件：省市、区域、机构类型、机构级别等。显然用户必须要熟悉和符合业务系统要求，非常不方便。
很难适应业务变化，当业务对象发生变化的时候，需要增加和修改条件，就必然导致整个 UI 的变化和修改，开发成本上升。
传统搜索算法，无法通过语义层面进行分析和理解，导致匹配和搜索效果不佳，例如系统记录里有一家北京 306 医院，如果用户输入三零六可能就无法匹配到这家医院，从而无法查询到结果。再例如：系统记录里有一家虹桥医院，如果用户输入拼音 hongqiao
hospital ，传统系统也无法应对这种查询。甚至有时候多几个空格也会导致搜索结果出错。

大语言模型的优化方案

意图识别与智能匹配

利用大语言模型如Claude，我们可以对用户输入进行意图识别，并智能匹配相关数据。这一过程主要分为两个部分：

意图识别：通过语义分析能力，识别用户输入的意图，并进行格式化输出。
匹配处理：根据识别的意图，选择适当的检索方式，如传统RAG模式或Text2SQL。

方案架构

基于Amazon的解决方案架构，构建一个智能检索系统。

当然，可以更进一步对不同的文件进行类别划分，利用意图分类器提高应答得准确率。
在这里插入图片描述

实践案例

多意图识别

以下是一个多意图识别的代码示例，展示如何根据用户问题生成JSON格式的结果：

def intent_recognizer(user_question):intents = {"search_name": "只查询机构名称","search_name_with_attribute": "查询机构名称的同时有相关属性限制","search_with_attribute": "根据属性查询医院列表","other": "未知意图"}# 模拟意图识别逻辑if "医院" in user_question:intent_type = "search_name"elif "状态" in user_question:intent_type = "search_name_with_attribute"elif "有哪些" in user_question:intent_type = "search_with_attribute"else:intent_type = "other"return {"intent": intent_type,"description": intents[intent_type]}# 示例
user_question = "上海第一人民医院"
result = intent_recognizer(user_question)
print(result)

增强召回

接下来是一个增强召回的示例，展示如何从候选机构列表中筛选出与用户问题最相关的机构：

def filter_institutions(candidate_list, user_question):# 假设的候选机构列表institutions = [{"code": "776446", "name": "药店A", "address": "康宁路"},{"code": "436446", "name": "药店B", "address": "柳营路"}]# 根据用户问题筛选相关机构relevant_institutions = [inst for inst in institutions if user_question in inst["address"]]return {"kept": [inst["code"] for inst in relevant_institutions],"removed": [inst["code"] for inst in institutions if inst not in relevant_institutions]}# 示例
user_question = "康宁路有什么药店？"
result = filter_institutions(candidate_list, user_question)
print(result)