数据标准

目录

• 1. 标注时如何处理上下文
  • 方法一：直接在样本中包含历史对话
  • 方法二：将上下文信息提取为结构化特征
• 2. 数据准备建议
  • ✅ 总结

完全正确。在电商客服这种多轮对话场景下，有些意图 不能单凭当前用户一句话就判断，必须结合历史聊天记录。比如：

• 用户：“那我要换 X9 的颜色。”

  • 单独看这句话可能无法明确是 EXCHANGE_PROCESS，但结合之前的对话：“我收到的 X9 屏幕有问题” → 就明确是换货意图。

• 用户：“还有优惠吗？”

  • 上下文中提到具体商品型号或活动，才能判断是 PRICE_QUERY。

---

1. 标注时如何处理上下文

方法一：直接在样本中包含历史对话

• 将历史对话与当前用户输入拼接成一个文本块进行标注：

{
  "context": [
    {"role": "user", "text": "我收到 X9 有点问题"},
    {"role": "agent", "text": "请问您是想退货还是换货？"}
  ],
  "text": "那我要换 X9 的颜色",
  "labels": ["EXCHANGE_PROCESS"]
}

• 优点：模型微调时可以学习上下文依赖
• 缺点：数据量增加，训练成本稍高

方法二：将上下文信息提取为结构化特征

• 在标注时，只标注当前文本 + 上下文摘要或关键实体：

{
  "context_summary": "用户收到 X9 屏幕有问题",
  "text": "那我要换 X9 的颜色",
  "labels": ["EXCHANGE_PROCESS"]
}

• 优点：样本轻量，微调成本低
• 缺点：模型可能依赖摘要质量，泛化能力稍弱

---

2. 数据准备建议

1. 多轮对话采样

   • 从历史客服记录抽取真实多轮对话，保证上下文信息完整。

2. 标注格式统一

   • 保持 context + text + labels 结构，便于微调 LoRA 模型。

3. 覆盖不同长度上下文

   • 有些意图只需前一句上下文，有些可能需要前两轮或三轮。

4. 可选：分步标注

   • 对多轮对话，每轮单独标注意图，同时保留上下文信息，便于训练模型做多轮理解。

---

✅ 总结

• 对于上下文敏感的意图，样本中最好包含历史聊天记录。
• LoRA 微调时，可以让模型学会“结合上下文判断意图”，提升多轮对话准确率。
• 历史上下文可以直接拼接文本，也可以做摘要或提取关键信息，看训练成本和数据量权衡。

---

如果你愿意，我可以帮你 设计一份带上下文的意图识别标注模板，可直接用于多轮对话微调。

你希望我帮你做吗？