基于 CFLIS 和 MGR-LAU 的查询意图识别与语义缓存优化查询处理框架

查询处理（Query Processing, QP）通过将频繁访问的数据存储在靠近用户的云端缓存中进行优化。然而，现有研究未充分关注查询中用户意图类型，对 QP 效率产生了影响。因此，本文利用语境模糊语言推理系统（CFLIS）分析查询中基于信息检索、导航和交易的意图，以实现更高效的查询处理。主要情况下，用户查询通过分词、归一化、停用词删除、词干提取和词性标注进行解析，然后通过 WordNet 技术进行扩展。查询扩展后，使用双向编码器不等化表示（BEUNRT）进行命名实体识别。随后，为了实现高效的查询处理和从语义缓存数据库中检索查询信息，数据使用 Epanechnikov 核排序点识别聚类结构（EK-OPTICS）进行结构化。从结构化数据中提取特征。接着，识别句子类型并从解析查询中提取意图关键词。最后，将提取的特征、检测到的意图和结构化数据输入到多头门控循环可学习注意力单元（MGR-LAU），该单元根据语义缓存数据库（存储以先前解释的查询以加速有效未来搜索）处理查询。此外，查询的最小延迟为 12856 毫秒。随后，分析检索查询与输入用户查询之间的语义相似性（Semantic Similarity, SS），直到相似性达到 0.9 以上。因此，本文提出的方法超越了前一种方法。