1.一种基于注意力机制的智能语言应答识别系统，其特征在于，包括：文本输入处理模块，接收输入文本，并进行预处理，以识别出关键信息；

上下文管理模块，管理当前文本会话的上下文信息，包括历史对话内容、用户偏好和当前任务状态，采用注意力机制动态调整对上下文信息的关注度；

应答生成模块，将解析得到的用户意图和上下文信息，转化并生成语言回复；

知识库查询模块，在选定详尽回复的模式下，于预定义的知识库中进行查询，并利用注意力机制提取相关信息进行补充回复；

系统反馈优化模块，其内置用户判定单元、反馈数据获取单元以及评估调整单元；用户判定单元，用于对历史数据的分析，以判断当前为多用户或单用户，反馈数据获取单元，用于在判定为单用户的条件下，定期获取所有对话的反馈数据集，在判定为多用户的条件下，定期获取每段对话的反馈数据子集；评估调整单元，用于在单用户的条件下依据所有对话的反馈数据集，生成一级综合满意度评估值，在多用户的条件下依据每段对话的反馈数据子集，生成二级综合满意度评估值，并将一级/二级综合满意度评估值与对应预设的评估阈值进行对比，根据对比结果选择是否执行优化调整策略。

2.根据权利要求1所述的一种基于注意力机制的智能语言应答识别系统，其特征在于：对输入文本进行预处理的过程如下：

分词：将输入文本分解成单个词或词组，并去除停用词；

词向量表示：使用预训练的词向量模型，将每个词转换为一个高维向量；

语法分析：使用依存句法分析，以确定输入文本中各个词之间的关系；

注意力权重计算：应用注意力机制，计算输入文本中每个词的注意力权重；

上下文向量生成：根据计算出的注意力权重，生成一个上下文向量。

3.根据权利要求2所述的一种基于注意力机制的智能语言应答识别系统，其特征在于：管理当前文本会话的过程如下：

接收文本输入处理模块的输出：接收生成的上下文向量；

历史对话内容的维护：在满足S轮对话的条件下，将当前的输入文本和上下文向量与历史对话内容进行整合和存储；

用户偏好的管理：根据用户的历史行为，动态更新和维护用户的偏好信息；

当前任务状态的维护：确定当前会话中所处的任务状态；

注意力机制的应用：在维护上下文信息时，应用注意力机制来动态调整对不同部分信息的关注度，优先处理与当前任务状态相关的历史对话和用户偏好。

4.根据权利要求3所述的一种基于注意力机制的智能语言应答识别系统，其特征在于：解析得到用户意图的过程如下：

输入整合：接收并整合来自文本输入处理模块和上下文管理模块的输出；

意图识别：利用意图分类模型分析用户输入，获取用户意图。

5.根据权利要求4所述的一种基于注意力机制的智能语言应答识别系统，其特征在于：解析上下文信息的过程如下：

模板匹配：根据用用户意图，从预定义的回复模板库中检索相关对应的模板；

内容填充：将用户输入中的关键信息和上下文中的相关信息均填充至选定的模板中，生成初步的候选回复。

6.根据权利要求5所述的一种基于注意力机制的智能语言应答识别系统，其特征在于：转化并生成语言回复的过程如下：

关键信息加权：利用注意力机制对候选回复中的各个部分进行重要性评估，根据用户输入中的关键信息，对回复中相应的部分增加权重，且增加权重的量根据默认值调整；

综合评估：结合注意力机制对候选回复进行综合评估，输出最终回复；

语言润色：采用文本生成模型对最终回复进行润色。

7.根据权利要求6所述的一种基于注意力机制的智能语言应答识别系统，其特征在于：历史数据包括历史用户提问过程中所使用客户端的IP地址；

对历史数据进行分析的过程为：选定历史数据中的连续周期T，并在该周期T内获取每次提问时所使用客户端的IP地址，若IP地址的种类数量未超过1，则判定为单用户，若IP地址的种类数量超过1，则判定为多用户；

所有对话的反馈数据集包括正面反馈总量和负面反馈总量；

正面反馈包括用户赞同当前回复的次数、默认赞同的次数以及继续提问的次数，正面反馈总量表示在该周期内所有赞同当前回复的次数、默认赞同的次数以及继续提问的次数的总和；负面反馈包括用户不赞同当前回复的次数和重复提问的次数，负面反馈总量表示该周期内所有不赞同当前回复的次数和重复提问的次数的总和。

8.根据权利要求7所述的一种基于注意力机制的智能语言应答识别系统，其特征在于：生成一级综合满意度评估值的过程如下：

依据经过归一化处理的所有对话的反馈数据集，建立公式计算得出一级综合满意度评估值，所依据的公式如下：式中，Satisfaction_Level_1表示一级综合满意度评估值，P表示正面反馈总量，N表示负面反馈总量；

生成二级综合满意度评估值的过程如下：

先计算每段对话所对应的综合满意度评估指数，并筛选出满意度评估指数为0%的对话，对剩余对话所对应的综合满意度评估指数进行计算，得出二级综合满意度评估值，计算过程如下：式（1）中， 表示二级综合满意度评估值， 表示剩余数量为M个对话所对应的综合满意度评估指数的平均值，表示评估稳定指数，权重系数： ，，且 ；

式（2）中，表示剩余对话的数量， 表示第i个对话所对应的综合满意度评估指数，且综合满意度评估指数与一级综合满意度评估值的计算方式相同，i=1、

2、…M，M为正整数。

9.根据权利要求8所述的一种基于注意力机制的智能语言应答识别系统，其特征在于：根据对比结果选择是否执行优化调整策略的过程如下：若得到的是一级综合满意度评估值，则将一级综合满意度评估值与预设的一号评估阈值进行对比，当一级综合满意度评估值超过一号评估阈值，则不做响应动作；反之，则执行优化调整策略；若得到的是二级综合满意度评估值，则将二级综合满意度评估值与预设的二号评估阈值进行对比，当二级综合满意度评估值超过二号评估阈值，则不做响应动作；反之，则执行优化调整策略；

其中，优化调整策略为：

在转化并生成语言回复的过程中，继续按照既定的关键信息加权进行调整，并实现动态调整：基于上下文管理模块提供的信息，动态调整注意力权重。

10.一种基于注意力机制的智能语言应答识别方法，使用权利要求1至9中的任一种所述系统，其特征在于：包括如下步骤：S1、接收输入文本，并进行预处理，以识别出关键信息；

S2、管理当前文本会话的上下文信息，包括历史对话内容、用户偏好和当前任务状态，采用注意力机制动态调整对上下文信息的关注度；

S3、将解析得到的用户意图和上下文信息，转化并生成语言回复；

S4、在选定详尽回复的模式下，于预定义的知识库中进行查询，并利用注意力机制提取相关信息进行补充回复；

S5、对历史数据的分析，以判断当前为多用户或单用户；

在判定为单用户的条件下，定期获取所有对话的反馈数据集，在判定为多用户的条件下，定期获取每段对话的反馈数据子集；

在单用户的条件下依据所有对话的反馈数据集，生成一级综合满意度评估值，在多用户的条件下依据每段对话的反馈数据子集，生成二级综合满意度评估值，并将一级/二级综合满意度评估值与对应预设的评估阈值进行对比，根据对比结果选择是否执行优化调整策略。