CN109710383A - 一种人工智能算法容器化应用的方法 - Google Patents
一种人工智能算法容器化应用的方法 Download PDFInfo
- Publication number
- CN109710383A CN109710383A CN201811633748.XA CN201811633748A CN109710383A CN 109710383 A CN109710383 A CN 109710383A CN 201811633748 A CN201811633748 A CN 201811633748A CN 109710383 A CN109710383 A CN 109710383A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- container
- intelligent
- rule
- algorithmic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000012800 visualization Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract 2
- 238000003860 storage Methods 0.000 claims description 18
- 238000003058 natural language processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000002986 genetic algorithm method Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 19
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种人工智能算法容器化应用的方法,本发明是在人工智能实际应用落地领域中,创新性地提出将AI人工智能包括机器学习算法的计算和自学习的运行过程集中到一个“容器”中集成化系统化完成,该容器中包含规则系统、算法系统、特征系统,知识系统、关联关系系统、以及结果库,从业务层接收业务需求后,所有的计算过程将在该容器内完成,该容器内置了业务处理的规则、算法、调用方式以及计算结果(非可视化),在该容器中,规则系统、算法系统和特征系统在知识系统和关联关系系统的作用下,可以精确的具有“意识”的根据业务需要调用相关的算法根据规则提取出相应的特征,然后根据需求计算出数据结果和文本结果。
Description
技术领域
本发明涉及人工智能实际应用落地的领域,尤其是涉及一种人工智能算法容器化应用的方法。
背景技术
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
目前,一些机器学习算法的计算和自学习的运行计算过程操作繁复,从业务层接收业务需求后,需要多个容器系统不同领域进行计算,普通的容器无法精确的具有“意识”,无法根据业务需要调用相关的算法、根据规则提取出相应的特征,从而无法根据需求计算出数据结果和文本结果,缺乏灵活性和快速复制性,也容易受到业务类型的限制。
发明内容
本发明提供一种人工智能算法容器化应用的方法,可以有效解决上述背景技术中的问题。
为实现上述目的,本发明提供如下技术方案:
本发明一种人工智能算法容器化应用的方法,包括如下方法步骤:
第1步,AI算法容器以由Hadoop数据底层做支撑,AI算法容器在接收到业务需求后,AI算法容器容器内的各个系统模块间开始智能化地循环运作直至得到计算结果;
第2步,计算结果一方面对外进行可视化结果输出,并支持多种格式的输出,例如HTML、WORD、PPT、PDF,另外也可以支持编程语言接口(API)形式的输出,应用领域广泛用在数据量和计算量大的行业,例如咨询行业、金融行业、测评行业等需要解放人力成本和时间成本的领域;
第3步,计算结果另一方面对内反馈到知识系统中并循环作用到关联关系库、规则系统、算法系统、以及特征系统的更新和迭代;
第4步,结果对外输出后,可以根据业务实际情况进行人工校验,需要进行修正的需求将重新进入到AI智能平台中进行运算,同时,修正的过程将被记录到AI智能平台的各个系统模块当中,以此实现AI智能平台的不断自主学习、优化、和精准度度迭代。
优选的是,所述AI人工智能包括机器学习算法的计算和自学习的运行过程集中到一个“容器”中集成化系统化完成,所述AI算法容器中集成化系统包含规则系统、算法系统、特征系统,知识系统、关联关系系统、以及结果库。
优选的是,所述AI算法容器中集成化系统不受业务类型的限制,例如(1)在智能文本应用领域,从数据源角度上看,针对API类型的数据,由AI智能平台中内置的数据采集接口的形式进行处理;
PDF或者Word等这类文档类型的数据,由AI智能平台中的文本识别算法、图像识别算法进行处理;
在AI智能平台的具体计算过程中,根据数据处理对象和要求的不同,依照知识库和关联关系库自动调取选用对应的规则和算法,计算出特征,分析出结果;
对于总结性文本的计算,调用机器学习模型(神经网络模型RNN/CNN)进行生成式文本摘要处理;
(5)对于趋势预测类文本的计算,调用回归算法和邻近算法进行运算。
优选的是,所述规则系统主要存储和管理各类规则,包括容器各模块的使用规则,模型调用的算法规则、参数规则、数据边界、计算原则。
优选的是,所述算法系统主要存储和管理AI模型和机器学习算法,核心是解决自然语言处理技术(NLP)的问题,主要包含有K邻近(KNN)、SVM、神经网络、MLP、朴素贝叶斯、决策树、回归模型、遗传算法诸多算法模型。
优选的是,所述特征系统主要存储和管理由算法和规则进行处理后,提取出的数据或对象的特征,该特征既包括显性归属类特征又包括隐性计算类特征。
优选的是,所述关联关系系统主要存储和管理规则系统、算法系统、特征系统的内在联系及调用条件和方式。
优选的是,所述知识系统主要存储和管理行业经验与知识,用于指导规则系统、算法系统、特征系统、以及关联关系系统的调用方法及其内在联系规则,另外将从每次的结果库中接受新知识,进行经验积累和更新迭代。
优选的是,所述结果库主要存储和管理,通过规则系统、特征系统和算法系统循环作业直至最终生成的结果,该结果一方面对外进行可视化结果的输出,一方面对内反向输回到知识系统,通过循环作业对算法系统、关联关系库、特征系统、规则系统做到不断的更新和迭代。
本发明的有益效果是:
(1)本发明系统在人工智能实际应用落地领域中,创新性地提出将AI人工智能包括机器学习算法的计算和自学习的运行过程集中到一个“容器”中集成化系统化完成。该容器中包含规则系统、算法系统、特征系统,知识系统、关联关系系统、以及结果库,该系统具有很强的灵活性和快速复制性,因为核心的计算过程都在AI智能平台这个容器内进行,所以不受业务类型的限制。
(2)本发明系统从业务层接收业务需求后,所有的计算过程将在该容器内完成,该容器内置了业务处理的规则、算法、调用方式以及计算结果(非可视化)。在该容器中,规则系统、算法系统和特征系统在知识系统和关联关系系统的作用下,可以精确的具有“意识”的根据业务需要调用相关的算法根据规则提取出相应的特征,然后根据需求计算出数据结果和文本结果。
(3)本发明系统中AI算法容器以由Hadoop数据底层做支撑,在这个大容器中,接收到业务需求后,容器内的各个系统模块间开始智能化地循环运作直至得到计算结果,计算结果一方面对外进行可视化结果输出,并支持多种格式的输出,计算结果另一方面对内反馈到知识系统中并循环作用到关联关系库、规则系统、算法系统、以及特征系统的更新和迭代,结果对外输出后,可以根据业务实际情况进行人工校验,需要进行修正的需求将重新进入到AI智能平台中进行运算,同时,修正的过程将被记录到AI智能平台的各个系统模块当中,以此实现AI智能平台的不断自主学习、优化、和精准度度迭代。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明的人工智能算法容器化应用流程图流程结构示意图;
图2为本发明的人工智能计算容器内部运作机制流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供一种技术方案:
一种人工智能算法容器化应用的方法,包括如下方法步骤:
第1步,AI算法容器以由Hadoop数据底层做支撑,AI算法容器在接收到业务需求后,AI算法容器容器内的各个系统模块间开始智能化地循环运作直至得到计算结果;
第2步,计算结果一方面对外进行可视化结果输出,并支持多种格式的输出,例如HTML、WORD、PPT、PDF,另外也可以支持编程语言接口(API)形式的输出,应用领域广泛用在数据量和计算量大的行业,例如咨询行业、金融行业、测评行业等需要解放人力成本和时间成本的领域;
第3步,计算结果另一方面对内反馈到知识系统中并循环作用到关联关系库、规则系统、算法系统、以及特征系统的更新和迭代;
第4步,结果对外输出后,可以根据业务实际情况进行人工校验,需要进行修正的需求将重新进入到AI智能平台中进行运算,同时,修正的过程将被记录到AI智能平台的各个系统模块当中,以此实现AI智能平台的不断自主学习、优化、和精准度度迭代。
在上述实施例中,AI人工智能包括机器学习算法的计算和自学习的运行过程集中到一个“容器”中集成化系统化完成,AI算法容器中集成化系统包含规则系统、算法系统、特征系统,知识系统、关联关系系统、以及结果库。
在上述实施例中,AI算法容器中集成化系统不受业务类型的限制,例如(1)在智能文本应用领域,从数据源角度上看,针对API类型的数据,由AI智能平台中内置的数据采集接口的形式进行处理;
PDF或者Word等这类文档类型的数据,由AI智能平台中的文本识别算法、图像识别算法进行处理;
在AI智能平台的具体计算过程中,根据数据处理对象和要求的不同,依照知识库和关联关系库自动调取选用对应的规则和算法,计算出特征,分析出结果;
对于总结性文本的计算,调用机器学习模型(神经网络模型RNN/CNN)进行生成式文本摘要处理;
(5)对于趋势预测类文本的计算,调用回归算法和邻近算法进行运算。
在上述实施例中,规则系统主要存储和管理各类规则,包括容器各模块的使用规则,模型调用的算法规则、参数规则、数据边界、计算原则。
在上述实施例中,算法系统主要存储和管理AI模型和机器学习算法,核心是解决自然语言处理技术(NLP)的问题,主要包含有K邻近(KNN)、SVM、神经网络、MLP、朴素贝叶斯、决策树、回归模型、遗传算法诸多算法模型。
在上述实施例中,特征系统主要存储和管理由算法和规则进行处理后,提取出的数据或对象的特征,该特征既包括显性归属类特征又包括隐性计算类特征;
在上述实施例中,关联关系系统主要存储和管理规则系统、算法系统、特征系统的内在联系及调用条件和方式。
在上述实施例中,知识系统主要存储和管理行业经验与知识,用于指导规则系统、算法系统、特征系统、以及关联关系系统的调用方法及其内在联系规则;另外将从每次的结果库中接受新知识,进行经验积累和更新迭代。
在上述实施例中,结果库主要存储和管理,通过规则系统、特征系统和算法系统循环作业直至最终生成的结果,该结果一方面对外进行可视化结果的输出,一方面对内反向输回到知识系统,通过循环作业对算法系统、关联关系库、特征系统、规则系统做到不断的更新和迭代。
本发明系统在人工智能实际应用落地领域中,创新性地提出将AI人工智能包括机器学习算法的计算和自学习的运行过程集中到一个“容器”中集成化系统化完成。该容器中包含规则系统、算法系统、特征系统,知识系统、关联关系系统、以及结果库,该系统具有很强的灵活性和快速复制性,因为核心的计算过程都在AI智能平台这个容器内进行,所以不受业务类型的限制。本发明系统从业务层接收业务需求后,所有的计算过程将在该容器内完成,该容器内置了业务处理的规则、算法、调用方式以及计算结果(非可视化)。在该容器中,规则系统、算法系统和特征系统在知识系统和关联关系系统的作用下,可以精确的具有“意识”的根据业务需要调用相关的算法根据规则提取出相应的特征,然后根据需求计算出数据结果和文本结果。本发明系统中AI算法容器以由Hadoop数据底层做支撑,在这个大容器中,接收到业务需求后,容器内的各个系统模块间开始智能化地循环运作直至得到计算结果,计算结果一方面对外进行可视化结果输出,并支持多种格式的输出,计算结果另一方面对内反馈到知识系统中并循环作用到关联关系库、规则系统、算法系统、以及特征系统的更新和迭代,结果对外输出后,可以根据业务实际情况进行人工校验,需要进行修正的需求将重新进入到AI智能平台中进行运算,同时,修正的过程将被记录到AI智能平台的各个系统模块当中,以此实现AI智能平台的不断自主学习、优化、和精准度度迭代。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种人工智能算法容器化应用的方法,其特征在于,包括如下方法步骤:
第1步,AI算法容器以由Hadoop数据底层做支撑,AI算法容器在接收到业务需求后,AI算法容器容器内的各个系统模块间开始智能化地循环运作直至得到计算结果;
第2步,计算结果一方面对外进行可视化结果输出,并支持多种格式的输出,例如HTML、WORD、PPT、PDF,另外也可以支持编程语言接口(API)形式的输出,应用领域广泛用在数据量和计算量大的行业,例如咨询行业、金融行业、测评行业等需要解放人力成本和时间成本的领域;
第3步,计算结果另一方面对内反馈到知识系统中并循环作用到关联关系库、规则系统、算法系统、以及特征系统的更新和迭代;
第4步,结果对外输出后,可以根据业务实际情况进行人工校验,需要进行修正的需求将重新进入到AI智能平台中进行运算,同时,修正的过程将被记录到AI智能平台的各个系统模块当中,以此实现AI智能平台的不断自主学习、优化、和精准度度迭代。
2.根据权利要求1所述一种人工智能算法容器化应用的方法,其特征在于,所述AI人工智能包括机器学习算法的计算和自学习的运行过程集中到一个“容器”中集成化系统化完成,所述AI算法容器中集成化系统包含规则系统、算法系统、特征系统,知识系统、关联关系系统、以及结果库。
3.根据权利要求2所述一种人工智能算法容器化应用的方法,其特征在于,所述AI算法容器中集成化系统不受业务类型的限制,例如(1)在智能文本应用领域,从数据源角度上看,针对API类型的数据,由AI智能平台中内置的数据采集接口的形式进行处理;
PDF或者Word等这类文档类型的数据,由AI智能平台中的文本识别算法、图像识别算法进行处理;
在AI智能平台的具体计算过程中,根据数据处理对象和要求的不同,依照知识库和关联关系库自动调取选用对应的规则和算法,计算出特征,分析出结果;
对于总结性文本的计算,调用机器学习模型(神经网络模型RNN/CNN)进行生成式文本摘要处理;
(5)对于趋势预测类文本的计算,调用回归算法和邻近算法进行运算。
4.根据权利要求1所述一种人工智能算法容器化应用的方法,其特征在于,所述规则系统主要存储和管理各类规则,包括容器各模块的使用规则,模型调用的算法规则、参数规则、数据边界、计算原则。
5.根据权利要求1所述一种人工智能算法容器化应用的方法,其特征在于,所述算法系统主要存储和管理AI模型和机器学习算法,核心是解决自然语言处理技术(NLP)的问题,主要包含有K邻近(KNN)、SVM、神经网络、MLP、朴素贝叶斯、决策树、回归模型、遗传算法诸多算法模型。
6.根据权利要求1所述一种人工智能算法容器化应用的方法,其特征在于,所述特征系统主要存储和管理由算法和规则进行处理后,提取出的数据或对象的特征,该特征既包括显性归属类特征又包括隐性计算类特征。
7.根据权利要求2所述一种人工智能算法容器化应用的方法,其特征在于,所述关联关系系统主要存储和管理规则系统、算法系统、特征系统的内在联系及调用条件和方式。
8.根据权利要求2所述一种人工智能算法容器化应用的方法,其特征在于,所述知识系统主要存储和管理行业经验与知识,用于指导规则系统、算法系统、特征系统、以及关联关系系统的调用方法及其内在联系规则,另外将从每次的结果库中接受新知识,进行经验积累和更新迭代。
9.根据权利要求2所述一种人工智能算法容器化应用的方法,其特征在于,所述结果库主要存储和管理,通过规则系统、特征系统和算法系统循环作业直至最终生成的结果,该结果一方面对外进行可视化结果的输出,一方面对内反向输回到知识系统,通过循环作业对算法系统、关联关系库、特征系统、规则系统做到不断的更新和迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811633748.XA CN109710383A (zh) | 2018-12-29 | 2018-12-29 | 一种人工智能算法容器化应用的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811633748.XA CN109710383A (zh) | 2018-12-29 | 2018-12-29 | 一种人工智能算法容器化应用的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109710383A true CN109710383A (zh) | 2019-05-03 |
Family
ID=66259298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811633748.XA Pending CN109710383A (zh) | 2018-12-29 | 2018-12-29 | 一种人工智能算法容器化应用的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109710383A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363280A (zh) * | 2019-09-02 | 2019-10-22 | 国家气象信息中心 | 算法模型训练分析系统 |
CN111835548A (zh) * | 2020-03-02 | 2020-10-27 | 北京物资学院 | O-ran系统中的人工智能模型处理方法和装置 |
CN112506668A (zh) * | 2020-12-22 | 2021-03-16 | 上海万向区块链股份公司 | 一种基于容器化的图像识别算法部署方法、系统及介质 |
CN113326060A (zh) * | 2020-02-28 | 2021-08-31 | 北京沃东天骏信息技术有限公司 | 业务请求处理方法、装置和系统以及业务配置方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967518A (zh) * | 2017-11-21 | 2018-04-27 | 中国运载火箭技术研究院 | 一种基于产品设计的知识自动关联系统及方法 |
CN108073673A (zh) * | 2017-05-15 | 2018-05-25 | 北京华宇元典信息服务有限公司 | 一种基于机器学习的法律知识图谱构建方法、装置、系统和介质 |
US20180246883A1 (en) * | 2016-05-11 | 2018-08-30 | Stratifyd, Inc. | Artificial intelligence optimized unstructured data analytics systems and methods |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
-
2018
- 2018-12-29 CN CN201811633748.XA patent/CN109710383A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180246883A1 (en) * | 2016-05-11 | 2018-08-30 | Stratifyd, Inc. | Artificial intelligence optimized unstructured data analytics systems and methods |
CN108073673A (zh) * | 2017-05-15 | 2018-05-25 | 北京华宇元典信息服务有限公司 | 一种基于机器学习的法律知识图谱构建方法、装置、系统和介质 |
CN107967518A (zh) * | 2017-11-21 | 2018-04-27 | 中国运载火箭技术研究院 | 一种基于产品设计的知识自动关联系统及方法 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363280A (zh) * | 2019-09-02 | 2019-10-22 | 国家气象信息中心 | 算法模型训练分析系统 |
CN113326060A (zh) * | 2020-02-28 | 2021-08-31 | 北京沃东天骏信息技术有限公司 | 业务请求处理方法、装置和系统以及业务配置方法和装置 |
CN111835548A (zh) * | 2020-03-02 | 2020-10-27 | 北京物资学院 | O-ran系统中的人工智能模型处理方法和装置 |
CN111835548B (zh) * | 2020-03-02 | 2021-03-23 | 北京物资学院 | O-ran系统中的人工智能模型处理方法和装置 |
CN112506668A (zh) * | 2020-12-22 | 2021-03-16 | 上海万向区块链股份公司 | 一种基于容器化的图像识别算法部署方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109710383A (zh) | 一种人工智能算法容器化应用的方法 | |
WO2019128547A1 (zh) | 一种神经网络模型的训练方法及装置 | |
JP7374274B2 (ja) | 虚像生成モデルのトレーニング方法および虚像生成方法 | |
US20220327809A1 (en) | Method, device and storage medium for training model based on multi-modal data joint learning | |
US20190362219A1 (en) | Methods and systems for neural and cognitive processing | |
US20200294240A1 (en) | Method and apparatus for training semantic segmentation model, computer device, and storage medium | |
Press | Top 10 hot artificial intelligence (AI) technologies | |
CN107133039A (zh) | 规则引擎的构建方法和装置 | |
CN109712108B (zh) | 一种基于多样鉴别性候选框生成网络的针对视觉定位方法 | |
CN110413769A (zh) | 场景分类方法、装置、存储介质及其电子设备 | |
CN108280521A (zh) | 智能机器人服务系统 | |
CN108038539A (zh) | 一种集成长短记忆循环神经网络与梯度提升决策树的方法 | |
US20190318222A1 (en) | Intelligent Cloud Based Product Development Guidance | |
US20230036338A1 (en) | Method and apparatus for generating image restoration model, medium and program product | |
AU2020356799A8 (en) | Autonomous learning of entity values in artificial intelligence conversational systems | |
US11973725B2 (en) | Systems and methods generating conversational responses using machine learning models | |
CN111191461B (zh) | 一种基于课程学习的远程监督关系抽取方法 | |
CN109144729A (zh) | 分布式系统的数据处理方法和分布式系统 | |
GB2591028A (en) | Large model support in deep learning | |
CN107809493A (zh) | 一种基于多智能体的物联网操作系统原型 | |
CN109165381A (zh) | 一种文字ai情绪识别系统及其识别方法 | |
CN117217303A (zh) | 知识图谱处理方法、装置、计算机设备和存储介质 | |
CN107808193A (zh) | 一种基于多智能体的普适计算操作系统原型 | |
CN111753507B (zh) | 文本数据处理方法、装置、设备及存储介质 | |
CN113392220A (zh) | 一种知识图谱生成方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190503 |