项目背景

某大型制造业企业原有知识库存在文档分类混乱、搜索效率低（平均检索耗时>2分钟）的问题。传统关键词匹配无法理解用户意图，导致关键文档利用率不足30%。

技术方案与创新

1. 多模态文档智能分类
- 基于Transformer架构构建文档特征提取模型，融合文本（BERT嵌入）、图像（CNN提取布局特征）和元数据（作者、版本等），实现PDF/PPT/表格等11类文件的自动分类。
- 针对扫描件OCR文本模糊问题，引入对抗生成网络（GAN） 增强训练数据，提升脏污文档的识别鲁棒性。分类准确率达98.7%（工业界平均为92%）。
2. 用户意图识别引擎
- 采用层次化意图识别框架：
- 第一层：基于BiLSTM+CRNN的粗粒度意图分类（如“查询制度”“技术问题”）；
- 第二层：结合知识图谱与微调大模型（Qwen-7B） 解析细粒度需求（如“2024年差旅报销标准”需关联财务制度、城市分级数据）。
- 通过用户行为序列建模（点击/停留时长），动态优化意图预测结果，使搜索意图匹配准确率提升至91%。
3. 知识库增强与RAG优化
- 构建企业专属知识图谱：从非结构化文档中抽取实体（产品型号、流程节点）和关系，存入Neo4j图数据库，支撑语义推理。
- 设计动态权重检索机制：根据用户角色（如财务/工程师）调整知识库检索优先级，关键信息召回率提升35%。

落地效果

- 知识库平均查询响应时间从120秒降至3.2秒，文档利用率从30%提升至85%；
- 支持125路高并发访问，赋能HR、法务等部门实现智能问答，替代60%人工咨询。