一、 业务背景：为什么需要多模型协同

在电商智能客服场景中，用户输入往往具有高度的随机性和碎片化特征。例如，“我想看3000元左右的华为手机”与“帮我查一下这款华为手机的屏幕尺寸”，虽然都提到了“华为手机”，但其背后的业务逻辑完全不同。

单一的模型难以兼顾全局语义分类与局部特征提取。如果仅使用意图识别，系统无法获取具体的参数（如价格区间、机身内存）；如果仅使用实体抽取，系统无法判断用户是在执行“查询”还是“对比”操作。因此，意图识别 + 实体抽取的多模型协同设计成为主流：

1. 意图识别：确定用户“想干什么”，通过预定义的分类标签（如：查询价格、查询配置、查找同类品）引导后续逻辑。
2. 实体抽取：识别文本中的关键参数（槽位），为业务接口（如 Cypher 查询）提供输入变量。

二、 意图识别：基于 BERT 的分类模型

该方案采用 BERT（Bidirectional Encoder Representations from Transformers）作为底座。其核心原理是利用预训练的中文权重获取句子的上下文表示，并通过 [CLS] 位的向量进行多分类。

1. 模型架构设计

意图识别被建模为一个单标签多分类问题。该模型由 BERT 编码器和线性分类头组成，提取 [CLS] token 的输出作为句子的整体语义表示。

2. 代码实现

以下为基于 PyTorch 封装的意图分类模型：

# src/models_def/intent_classify.py

import torch

import torch.nn as nn

from transformers import AutoTokenizer, BertModel

class IntentClassifyModel(nn.Module):

    """意图分类模型定义"""

    def __init__(self, model_name: str, intent_list: list):

        super().__init__()

        self.intent_list = intent_list

        self.tokenizer = AutoTokenizer.from_pretrained(model_name)

        self.model = BertModel.from_pretrained(model_name)

        # 线性分类头：映射至意图数量空间

        hidden_size = self.model.config.hidden_size

        self.classifier = nn.Linear(hidden_size, len(self.intent_list))

        self.loss_fn = nn.CrossEntropyLoss()

    def forward(self, input_ids, attention_mask=None, labels=None):

        outputs = self.model(input_ids, attention_mask)

        # 取 [CLS] token 的向量 (batch_size, hidden_size)

        cls_output = outputs.last_hidden_state[:, 0, :]

        logits = self.classifier(cls_output)

        loss = 0.0

        if labels is not None:

            loss = self.loss_fn(logits, labels)

        return {"logits": logits, "loss": loss}

    @torch.inference_mode()

    def predict(self, text: str, device=torch.device("cpu")):

        """单条文本预测逻辑"""

        self.eval()

        self.to(device)

        inputs = self.tokenizer(

            text,

            max_length=256,

            truncation=True,

            padding=True,

            return_tensors="pt"

        ).to(device)

        outputs = self.forward(inputs["input_ids"], inputs["attention_mask"])

        pred_idx = torch.argmax(outputs["logits"], dim=1).item()

        return self.intent_list[pred_idx]

---

三、 实体抽取：基于 UIE 的动态抽取

对于电商中的属性（如“机身内存”、“颜色”、“分辨率”），实体类型繁杂且变化快。UIE (Universal Information Extraction) 通过 Prompt 机制将抽取任务转化为“文本到结构”的生成过程，具备极强的零样本或小样本迁移能力。

1. UIE 工作原理

UIE 模型不依赖固定的实体标签，而是根据传入的 schema（提示词）动态寻找边界。例如输入 schema 为 ["颜色", "价格"]，模型会在文本中定位对应的 span 并返回概率得分。

2. 代码封装

该方案将 UIE 包装为实体抽取服务，支持批量处理：

# src/entity_extractor_model_base.py

import sys

from uie_predictor import UIEPredictor # 假设已安装 uie-pytorch 依赖

class EntityExtractorModelBase:

    """基于 UIE 的实体抽取服务"""

    def __init__(self, model_path, device="cpu"):

        # 初始化预测器

        self.uie = UIEPredictor(

            model="uie-base",

            task_path=model_path,

            schema=[], # 初始 schema 为空

            engine="pytorch",

            device=device

        )

    def __call__(self, text, schema):

        """执行动态抽取"""

        self.uie.set_schema(schema)

        # 模型返回包含 start/end 位置及 text 的字典列表

        batch_res = self.uie([text] if isinstance(text, str) else text)

        results = []

        for one_res in batch_res:

            processed = {}

            for label, spans in one_res.items():

                processed[label] = list({s["text"] for s in spans}) # 去重提取

            results.append(processed)

        return results if isinstance(text, str) else results

---

四、 协同设计：多模型流水线架构

多模型协同的核心在于：根据意图识别的结果，动态决定实体抽取的 Schema。这种设计避免了全量扫描所有可能实体的计算浪费，并降低了噪声干扰。

1. 协同逻辑流程

1. 输入清洗：对原始文本进行拼写纠错（如将“Nkie”纠正为“Nike”），确保模型输入质量。
2. 意图锁定：BERT 模型输出分类结果。
3. 策略映射：系统根据意图类型，从配置中调取对应的实体槽位需求（Schema）。
4. 精准抽取：UIE 模型针对性提取相关实体。

2. 结果融合实现

以下是对话处理流程的完整封装，展示了意图与实体的整合：

# src/dialog_process.py

class DialogProcess:

    def __init__(self, intent_model, uie_model, device):

        self.intent_model = intent_model

        self.uie_model = uie_model

        self.device = device

        # 预定义意图与实体 Schema 的映射关系

        self.intent_to_schema = {

            "查询某商品的某个属性的属性值": ["商品", "商品属性类型"],

            "查询某品类某价格区间的单品": ["品类", "价格"],

            "查询某品类具有某些属性值的单品": ["品类", "属性"],

            "查询某品牌所有品类": ["品牌"]

        }

    def process(self, user_text):

        # 1. 意图识别

        intent = self.intent_model.predict(user_text, self.device)

        # 2. 获取该意图对应的抽取模式

        schema = self.intent_to_schema.get(intent, [])

        # 3. 执行实体抽取

        slots = {}

        if schema:

            slots = self.uie_model(user_text, schema)

        # 4. 结果融合：构建结构化输出

        return {

            "intent": intent,

            "slots": slots,

            "structured_query": self._build_query(intent, slots)

        }

    def _build_query(self, intent, slots):

        # 示例：将结果映射为 Cypher 查询参数

        return f"Logic for {intent} with params {slots}"

---

五、 踩坑经验分享

在多模型协同部署过程中，以下两点实践经验对于系统稳定性至关重要：

1. 拼写纠错的必要性

现象：模型无法识别“三星s24 Ultra”中的品牌，原因是用户误输入为“三生s24”。 对策：在 NLU 模块之前必须前置一个拼写纠错模型。基于 BERT 的掩码预测（Masked LM）能力，可以有效纠正同音字和形近字错误。纠错后的文本再流转至意图与实体模块，可显著降低漏抽率。

2. UIE 负例构造与过拟合预防

现象：UIE 模型在推理时，容易将不相关的词强行归类到 schema 中的标签下。 对策：在 UIE 微调阶段，必须加入负例数据。即构造一部分 Prompt 与文本完全不匹配的数据，并令其结果列表为空。这能让模型学会“预测空集合”，从而在处理真实复杂对话时表现更稳健。

3. 结果序列化问题

现象：从意图模型输出的类别索引是 torch.Tensor 类型，直接接入后端会引发 JSON 序列化失败。 对策：在模型 predict 方法中，务必显式调用 .item() 将单值 Tensor 转换为 Python 原生类型，或通过索引映射为字符串标签。

---

六、 总结与展望

通过 BERT 锁定用户意图，配合 UIE 动态捕捉属性槽位，该方案构建了一个具备高度灵活性和可解释性的 NLP 解析引擎。相较于单模型，多模型协同架构在逻辑解耦和复杂业务适配上具有明显优势。

未来的演进方向将聚焦于 RAG（检索增强生成） 与知识图谱的深度融合。通过 LLM 对解析出的结构化三元组进行二次推理，可以进一步提升系统在模糊查询与长尾知识覆盖上的表现。

---

 如果觉得有帮助，点个赞支持一下！ 欢迎留言交流你的多模型设计经验！

收藏备用，总有一天用得上！