買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉科訊嘉聯信息技術有限公司申請的專利一種面向多模態交互的智能客服意圖分層識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120296458B 。

龍圖騰網通過國家知識產權局官網在2025-09-16發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510776286.0，技術領域涉及：G06F18/2323；該發明授權一種面向多模態交互的智能客服意圖分層識別方法是由王保三設計研發完成，并于2025-06-11向國家知識產權局提交的專利申請。

本一種面向多模態交互的智能客服意圖分層識別方法在說明書摘要公布了：本發明公開了一種面向多模態交互的智能客服意圖分層識別方法，包括：獲取文本、語音、圖像三種模態數據并預處理；利用拓撲數據分析方法構建模態數據的高維拓撲結構并進行特征融合；通過結構方程模型構建模態特征的因果關系圖，篩選因果貢獻顯著特征；采用跨模態自監督一致性正則化方法，在極少監督數據情況下訓練意圖識別模型；基于譜聚類方法實現意圖的多級分層分類輸出。本發明顯著提升了智能客服系統的意圖識別準確性及泛化性能，適用于復雜多模態交互場景。

本發明授權一種面向多模態交互的智能客服意圖分層識別方法在權利要求書中公布了：1.一種面向多模態交互的智能客服意圖分層識別方法，其特征在于，包括如下步驟： S1、獲取用戶交互數據，所述數據同時包含文本、語音和圖像三種模態，并分別對每種模態數據執行去噪、歸一化和特征標準化的預處理操作； S2、對步驟S1預處理后的模態數據，利用拓撲數據分析中的持續同調算法構建各模態數據之間的高維拓撲結構，通過Betti數明確量化模態之間的高階關聯性，形成拓撲特征表示，并將各模態的拓撲特征進行融合，獲得初步融合的拓撲特征向量； S3、基于步驟S2中獲得的拓撲特征向量，采用基于結構方程模型的因果推斷方法，構建多模態數據特征之間的顯式因果關系圖，定量計算各模態特征對用戶意圖識別的因果貢獻權重，剔除無因果效應或負因果效應的特征，僅保留因果貢獻顯著的模態特征進行二次融合，形成優化的多模態融合特征向量； S4、以步驟S3中獲得的優化特征向量為輸入，采用基于對比學習的跨模態自監督一致性正則化方法，通過隨機遮蔽、隨機噪聲疊加和隨機投影的數據增強方式生成訓練樣本對，構建跨模態自監督對比學習損失函數優化模型參數，實現智能客服意圖識別模型在無監督或極少監督數據情況下的有效訓練； S5、利用步驟S4訓練完成的意圖識別模型，通過基于譜聚類的意圖距離度量算法，在多模態融合特征空間中實現用戶意圖的精確多級分層識別與分類輸出； 步驟S1具體包括如下子步驟： S1-1、采集用戶的文本、語音和圖像三種模態的原始交互數據，分別表示為、和； S1-2、對文本模態數據進行文本去噪處理，去除停用詞、特殊字符和無意義詞匯后獲得清潔文本數據； S1-3、對語音模態數據進行音頻去噪，采用短時傅里葉變換方法轉換到頻譜域，獲得頻譜域信號，其中表示時間幀，表示頻率，隨后利用譜減法進行背景噪聲抑制，得到去噪后的語音數據； S1-4、對圖像模態數據采用高斯濾波方法執行圖像去噪處理，濾波操作表達式為： ； 式中，為二維高斯函數，表示圖像的像素坐標，為高斯核標準差，得到去噪后的圖像數據； S1-5、分別對步驟S1-2至S1-4中獲得的去噪數據進行歸一化處理，獲得歸一化數據分別表示為、、； S1-6、對歸一化后的數據進行特征標準化處理，通過z-score標準化方法計算標準化特征： ； 式中，表示標準化特征，表示歸一化后的輸入特征，表示輸入特征的均值，表示輸入特征的標準差，分別獲得標準化特征表示為、、； 步驟S2具體包括如下子步驟： S2-1、基于步驟S1獲得的標準化特征數據分別構建對應模態特征空間； S2-2、采用持續同調算法對每個模態特征空間分別進行單純復形構建，定義鏈群和邊界算子為： ； 式中，表示k維鏈群，表示邊界算子； S2-3、利用鏈群與邊界算子，計算各模態特征空間的k維Betti數： ； 式中，為閉鏈群，為邊界群； S2-4、以各模態特征空間的Betti數構建拓撲特征向量； S2-5、基于拓撲特征向量拼接融合形成初步融合的拓撲特征向量。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人科訊嘉聯信息技術有限公司，其通訊地址為：230000 安徽省合肥市高新區石蓮南路3335號中國聲谷A2棟18層1808室；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。