链载Ai

标题: 意图识别，用DSPy理解用户的“弦外音” [打印本页]

---

作者: 链载Ai    时间: 前天 10:03
标题: 意图识别，用DSPy理解用户的“弦外音”

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;text-wrap: wrap;background-color: rgb(255, 255, 255);visibility: visible;line-height: normal;">

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-wrap: wrap;background-color: rgb(255, 255, 255);">之前介绍过一篇关于内隐语境研究的文章，内隐语境Prompt，让LLM更懂你的弦外音，用DSPy实现。今天给大家介绍一下用DSPy实现日常工作中的意图识别。意图识别是自然语言处理（NLP）中的一个重要任务，广泛应用于客服、智能助手等领域。通过识别用户的意图，系统可以更好地理解用户需求并提供相应的服务。本文将介绍如何使用DSPy框架和deepseek的API来构建一个意图识别模型，并展示该模型在实际应用中的效果。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-wrap: wrap;background-color: rgb(255, 255, 255);text-align: right;">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 22px;letter-spacing: 0.578px;text-align: right;text-wrap: wrap;">图片由xiumaodalle生成

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-wrap: wrap;background-color: rgb(255, 255, 255);">首先在代码之前，我们应该简单了解一下内隐语境，内隐语境在中国有着非常深邃的含义，有时无需直言也能传递一定的意图。LLM的内隐语境学习其实是一个难点，用Prompt很难批量准确运行。而意图识别的用途又非常实际和广泛，恰好DSPy能够解决这个难题，不用写一句prompt，靠代码来实现意图识别。

数据集准备

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-wrap: wrap;background-color: rgb(255, 255, 255);">首先，我们需要准备一个意图识别的数据集。以下是一个包含六类意图的示例数据集：

train_data = {
'支付问题': [
"为什么我的支付失败了?",
"怎么绑定我的银行卡进行支付?",
],
'商品咨询': [
"这款商品有货吗?",
"请问这款手机有什么功能?",
],
'促销活动': [
"现在有什么促销活动吗?",
"我怎么参加你们的优惠活动?",
],
'发票问题': [
"我怎么申请电子发票?",
"发票什么时候可以开出来?",
],
'账户安全': [
"我的账户被盗了怎么办?",
"如何开启账户的双重验证?",
],
'售后服务': [
"你们提供售后服务吗?",
"保修期内维修是免费的吗?",
],
}

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-wrap: wrap;background-color: rgb(255, 255, 255);">定义意图识别数据集

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-wrap: wrap;background-color: rgb(255, 255, 255);">我们创建一个类IntentDataset来处理数据集，并生成用于模型训练的示例。

classIntentDataset:
def__init__(self, data):
self.data = data
self.intent_labels = list(data.keys())

defgen_demonstration(self, shot_num):
demonstrations = []
forintent inself.intent_labels:
examples = random.sample(self.data[intent], shot_num)
demonstrations.append(self._format_demonstration(intent, examples))
return'\n'.join(demonstrations)

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-wrap: wrap;background-color: rgb(255, 255, 255);">定义意图分类器

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-wrap: wrap;background-color: rgb(255, 255, 255);">接下来，我们定义意图分类器的输入输出接口，并创建一个分类模型。

classIntentClassifier(dspy.Signature):
"""定义意图分类器的输入输出接口"""
query = dspy.InputField(default="", desc="用户询问")
intent = dspy.OutputField(default="", desc="预测的意图标签")

classModel(dspy.Module):
"""定义意图分类模型"""
def__init__(self, demonstrations):
super().__init__()
self.demonstrations = demonstrations

defforward(self, **kwargs):
"""模型前向传播"""
query = kwargs.get('query', '')
prompt = f"{self.demonstrations}\n用户询问: {query}\n意图类别: "
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": prompt}
],
max_tokens=1024,
temperature=0.7,
stream=False
)
intent = response.choices[0].message.content.strip()
returndspy.Example(input={'query': query}, output=intent)

微调和验证模型

我们使用DSPy的BootstrapFewShot进行微调，并定义验证逻辑来评估模型性能。

# 初始化意图分类模型
model = Model(demonstrations)

# 微调意图分类模型 
fromdspy.teleprompt importBootstrapFewShot

# 定义验证逻辑
defvalidate_intent(example, pred, trace=None):
returnpred.output == example.output

测试意图识别模型

最后，我们测试模型对新询问的意图识别能力，并打印预测结果。

# 测试新询问的意图识别
test_query = "我上周买的电脑坏了,可以换一台新的吗?"

# 获取预测
pred = compiled_model(query=test_query)

# 打印结果
print(f"测试询问: {test_query}") 
print(f"预测意图: {pred.output}")

本文示例从数据准备、意图分类定义到微调和测试，我完整地演示了整个过程。DSPy框架简化了模型开发的复杂性，使得意图识别任务更加高效和便捷。通过这个模型，系统能够更准确地理解用户需求，从而提供更好的服务体验。您如果先理解更多DSPy的文章可以关注本公众号。

告别手写Prompt怕DSPy学不会？10行代码捏一个Agent，用DSPy Optimizers帮你优化Prompt

重磅 | DSPy让你不写一句Prompt照样构建Agent，从此，你不再卑躬屈膝讨好LLM

别再写脆弱的prompt讨好LLM啦！快用DSPy拯救你宝贵的prompt思维，偷偷甩掉99%的人

ICLR2024重磅 | DSPy或将手写Prompt推进历史，悄悄学会DSPy，一线技术圈很缺你这类人才

---

欢迎光临 链载Ai (https://www.lianzai.com/)

Powered by Discuz! X3.5