CN116561274A - 一种基于数字人技术与自然语言大模型的知识问答方法 - Google Patents
一种基于数字人技术与自然语言大模型的知识问答方法 Download PDFInfo
- Publication number
- CN116561274A CN116561274A CN202310487072.2A CN202310487072A CN116561274A CN 116561274 A CN116561274 A CN 116561274A CN 202310487072 A CN202310487072 A CN 202310487072A CN 116561274 A CN116561274 A CN 116561274A
- Authority
- CN
- China
- Prior art keywords
- model
- natural language
- answering method
- question
- knowledge question
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003058 natural language processing Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000002787 reinforcement Effects 0.000 claims abstract description 12
- 238000005065 mining Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3325—Reformulation based on results of preceding query
- G06F16/3326—Reformulation based on results of preceding query using relevance feedback from the user, e.g. relevance feedback on documents, documents sets, document terms or passages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于数字人技术与自然语言大模型的知识问答方法,包括以下步骤:S1、利用自然语言处理技术获取用户问题,并对问题进行文本化处理;S2、对问题文本进行分析处理,建立文字特征向量、确定语法规则和分析词汇;本发明通过利用自然语言处理技术对用户问题进行文本化处理,然后通过数字人技术根据文字特征开发针对指定问题的自然语言处理模型,用以增加知识问答数据库中的内容分类,且可以利用文本挖掘技术丰富知识问答数据库中的数据,以便对数据库的数据进行自动更新,而且可以利用深度神经网络或强化学习模型对答案符合度进行计算和排序,以便根据用户反馈改变答案的符合度,用以提高答案数据的准确性和可靠性。
Description
技术领域
本发明涉及一种知识问答方法,具体为数字人技术与自然语言大模型的知识问答方法,属于人机交互技术领域。
背景技术
人机互动是一门研究系统与用户之间的交互关系的学问,系统可以是各种各样的机器,也可以是计算机化的系统和软件,人机交互界面通常是指用户可见的部分;数字人是运用数字技术创造出来的、与人类形象接近的数字化人物形象;狭义的数字人是信息科学与生命科学融合的产物,是利用信息科学的方法对人体在不同水平的形态和功能进行虚拟仿真,其研究过程包括四个交叉重叠的发展阶段,“可视人”,“物理人”,“生理人”,“智能人”,最终建立多学科和多层次的数字模型并达到对人体从微观到宏观的精确模拟;自然语言处理是计算机科学领域与人工智能领域中的一个重要方向,它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法,自然语言处理是一门融语言学、计算机科学、数学于一体的科学;
传统的知识问答方法,通常是利用语音识别技术对问题文本进行获取,然后再利用数据检索与数据库的形式确定问题答案,然而数据库中的数据通常需要人为进行添加,无法对数据库进行实时更新,且无法对数据的准确性和可靠性进行判断,影响了知识问答效果,为此,提出一种基于数字人技术与自然语言大模型的知识问答方法。
发明内容
有鉴于此,本发明提供一种基于数字人技术与自然语言大模型的知识问答方法,以解决或缓解现有技术中存在的技术问题,至少提供有益的选择。
本发明实施例的技术方案是这样实现的:一种基于数字人技术与自然语言大模型的知识问答方法,包括以下步骤:
S1、利用自然语言处理技术获取用户问题,并对问题进行文本化处理;
S2、对问题文本进行分析处理,建立文字特征向量、确定语法规则和分析词汇;
S3、根据文字特征向量、确定语法规则和分析词汇生成结构化表示形式,并根据表示形式,开发针对问题的自然语言处理模型;
S4、利用训练测试模型将问题文本转化为自然语言处理模型可进行识别的格式,并分析问题所属领域;
S5、根据涉及领域,建立领域具有代表性的三维数字人模型;
S6、利用文本挖掘技术根据问题文本对领域相关的语料库和知识库进行检索,并利用互联网对相关数据进行文本数据收集;
S7、利用深度神经网络或强化学习模型对查询数据进行编码,用以计算答案的符合度及最终答案;
S8、通过API,RESTful接口将答案反馈至用户及三维数字人模型,然后利用数字人技术,将搜索出的答案以自然语言表达的形式给出。
进一步优选的,所述S1中,通过利用自然语言处理技术将语音数据转化为文本数据。
进一步优选的,所述S2中,通过利用分析处理的方式对问题文本进行特征提取,利用关键词特征建立文字特征向量,利用语法特征确定语法规则。
进一步优选的,所述S5中,通过利用数字人技术建立标准人物及服装三维模型,用以在相关领域具有代表性的三维数字人模型未建立时,进行统一模型演示。
进一步优选的,所述S5中,当用户问题涉及领域的三维数字人模型未建立时,通过利用领域检索的方式获取该领域具有代表性服装的多视角图像或视频。
进一步优选的,当检索结果为视频时,利用Python脚本将视频转化为连续地多幅静止图像,以便利用视频获取多视角图像。
进一步优选的,利用图像处理技术对多视角图像进行分割特征提取,用以获取多视角服装图像,然后利用instant-ngp结合NeRF软件根据多视角服装图像建立服装三维模型,然后将服装三维模型与标准人物模型结合,用以生成相关领域具有代表性的三维数字人模型。
进一步优选的,所述S6中,通过文本挖掘技术检索及收集相关答案数据,以便对知识库进行及时更新。
进一步优选的,所述S7中,通过利用深度神经网络或强化学习模型对检索的答案数据进行分析处理,用以计算答案的符合度,并根据符合度,对答案进行排序,然后选取符合度最高的答案作为最终答案。
进一步优选的,所述S7中,当用户二次提问的问题文本中包含对上一问题的否定或重复提问同样的问题时,通过深度神经网络或强化学习模型利用降低符合度的方式对答案进行重新排序。
本发明实施例由于采用以上技术方案,其具有以下优点:
一、本发明通过利用自然语言处理技术对用户问题进行文本化处理,然后通过数字人技术根据文字特征开发针对指定问题的自然语言处理模型,用以增加知识问答数据库中的内容分类,且可以利用文本挖掘技术丰富知识问答数据库中的数据,以便对数据库的数据进行自动更新,而且可以利用深度神经网络或强化学习模型对答案符合度进行计算和排序,以便根据用户反馈改变答案的符合度,用以提高答案数据的准确性和可靠性。
二、本发明通过利用instant-ngp结合NeRF软件根据多视角服装图像建立服装三维模型,然后将服装三维模型与标准人物模型结合,用以生成相关领域具有代表性的三维数字人模型,以便利用所属领域具有代表性的三维数字人模型将搜索出的答案以自然语言表达的形式给出,用以提高知识问答效果。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的步骤流程图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
下面结合附图对本发明的实施例进行详细说明。
如图1所示,本发明实施例提供了一种基于数字人技术与自然语言大模型的知识问答方法,包括以下步骤:
S1、利用自然语言处理技术获取用户问题,并对问题进行文本化处理;
S2、对问题文本进行分析处理,建立文字特征向量、确定语法规则和分析词汇;
S3、根据文字特征向量、确定语法规则和分析词汇生成结构化表示形式,并根据表示形式,开发针对问题的自然语言处理模型;
S4、利用训练测试模型将问题文本转化为自然语言处理模型可进行识别的格式,并分析问题所属领域;
S5、根据涉及领域,建立领域具有代表性的三维数字人模型;
S6、利用文本挖掘技术根据问题文本对领域相关的语料库和知识库进行检索,并利用互联网对相关数据进行文本数据收集;
S7、利用深度神经网络或强化学习模型对查询数据进行编码,用以计算答案的符合度及最终答案;
S8、通过API,RESTful接口将答案反馈至用户及三维数字人模型,然后利用数字人技术,将搜索出的答案以自然语言表达的形式给出。
在一个实施例中,S1中,通过利用自然语言处理技术将语音数据转化为文本数据;通过将语音数据转化为文本数据,以便后续对文本数据进行特征提取。
在一个实施例中,S2中,通过利用分析处理的方式对问题文本进行特征提取,利用关键词特征建立文字特征向量,利用语法特征确定语法规则;通过利用文字特征向量、确定语法规则和分析词汇生成结构化表示形式。
在一个实施例中,S5中,通过利用数字人技术建立标准人物及服装三维模型,用以在相关领域具有代表性的三维数字人模型未建立时,进行统一模型演示;S5中,当用户问题涉及领域的三维数字人模型未建立时,通过利用领域检索的方式获取该领域具有代表性服装的多视角图像或视频;当检索结果为视频时,利用Python脚本将视频转化为连续地多幅静止图像,以便利用视频获取多视角图像;利用图像处理技术对多视角图像进行分割特征提取,用以获取多视角服装图像,然后利用instant-ngp结合NeRF软件根据多视角服装图像建立服装三维模型,然后将服装三维模型与标准人物模型结合,用以生成相关领域具有代表性的三维数字人模型;通过所属领域具有代表性的三维数字人模型将搜索出的答案以自然语言表达的形式给出,用以提高知识问答效果。
在一个实施例中,S6中,通过文本挖掘技术检索及收集相关答案数据,以便对知识库进行及时更新。
在一个实施例中,S7中,通过利用深度神经网络或强化学习模型对检索的答案数据进行分析处理,用以计算答案的符合度,并根据符合度,对答案进行排序,然后选取符合度最高的答案作为最终答案;S7中,当用户二次提问的问题文本中包含对上一问题的否定或重复提问同样的问题时,通过深度神经网络或强化学习模型利用降低符合度的方式对答案进行重新排序;通过用户反馈改变答案的符合度,用以提高答案数据的准确性和可靠性。
本发明在工作时:通过利用自然语言处理技术获取用户问题,并对问题进行文本化处理,用以将语音数据转化为文本数据,然后对问题文本进行分析处理,用以对文本特征进行提取,然后利用关键词特征建立文字特征向量,利用语法特征确定语法规则,然后根据文字特征向量、确定语法规则和分析词汇生成结构化表示形式,如文本分类标签、句子特征向量、词向量等,并根据表示形式,开发针对问题的自然语言处理模型,用以增加知识问答数据库中的内容分类;然后利用训练测试模型将问题文本转化为自然语言处理模型可进行识别的格式,并分析问题所属领域,然后利用文本挖掘技术根据问题文本对领域相关的语料库和知识库进行检索,并利用互联网对相关数据进行文本数据收集,以便对数据库的数据进行自动更新,然后利用深度神经网络或强化学习模型对查询数据进行编码,用以计算答案的符合度,并根据符合度对答案进行排序,然后选取符合度最高的答案作为最终答案,当用户二次提问的问题文本中包含对上一问题的否定或重复提问同样的问题时,通过深度神经网络或强化学习模型利用降低符合度的方式对答案进行重新排序,以便根据用户反馈改变答案的符合度,用以提高答案数据的准确性和可靠性,然后利用所属领域具有代表性的三维数字人模型将搜索出的答案以自然语言表达的形式给出,用以提高知识问答效果,当所属领域具有代表性的三维数字人模型未成功建立时,利用标准人物及服装三维模型进行统一模型演示,以便为用户快速提供相关答案,同时,通过利用领域检索的方式获取该领域具有代表性服装的多视角图像或视频,然后利用Python脚本将视频转化为连续地多幅静止图像,以便利用视频获取多视角图像,然后利用图像处理技术对多视角图像进行分割特征提取,用以获取多视角服装图像,然后利用instant-ngp结合NeRF软件根据多视角服装图像建立服装三维模型,然后将服装三维模型与标准人物模型结合,用以生成相关领域具有代表性的三维数字人模型,以便后续利用该模型进行演示。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于数字人技术与自然语言大模型的知识问答方法,其特征在于,包括以下步骤:
S1、利用自然语言处理技术获取用户问题,并对问题进行文本化处理;
S2、对问题文本进行分析处理,建立文字特征向量、确定语法规则和分析词汇;
S3、根据文字特征向量、确定语法规则和分析词汇生成结构化表示形式,并根据表示形式,开发针对问题的自然语言处理模型;
S4、利用训练测试模型将问题文本转化为自然语言处理模型可进行识别的格式,并分析问题所属领域;
S5、根据涉及领域,建立领域具有代表性的三维数字人模型;
S6、利用文本挖掘技术根据问题文本对领域相关的语料库和知识库进行检索,并利用互联网对相关数据进行文本数据收集;
S7、利用深度神经网络或强化学习模型对查询数据进行编码,用以计算答案的符合度及最终答案;
S8、通过API,RESTful接口将答案反馈至用户及三维数字人模型,然后利用数字人技术,将搜索出的答案以自然语言表达的形式给出。
2.根据权利要求1所述的一种基于数字人技术与自然语言大模型的知识问答方法,其特征在于:所述S1中,通过利用自然语言处理技术将语音数据转化为文本数据。
3.根据权利要求1所述的一种基于数字人技术与自然语言大模型的知识问答方法,其特征在于:所述S2中,通过利用分析处理的方式对问题文本进行特征提取,利用关键词特征建立文字特征向量,利用语法特征确定语法规则。
4.根据权利要求1所述的一种基于数字人技术与自然语言大模型的知识问答方法,其特征在于:所述S5中,通过利用数字人技术建立标准人物及服装三维模型,用以在相关领域具有代表性的三维数字人模型未建立时,进行统一模型演示。
5.根据权利要求4所述的一种基于数字人技术与自然语言大模型的知识问答方法,其特征在于:所述S5中,当用户问题涉及领域的三维数字人模型未建立时,通过利用领域检索的方式获取该领域具有代表性服装的多视角图像或视频。
6.根据权利要求5所述的一种基于数字人技术与自然语言大模型的知识问答方法,其特征在于:当检索结果为视频时,利用Python脚本将视频转化为连续地多幅静止图像,以便利用视频获取多视角图像。
7.根据权利要求6所述的一种基于数字人技术与自然语言大模型的知识问答方法,其特征在于:利用图像处理技术对多视角图像进行分割和特征提取,用以获取多视角服装图像,然后利用instant-ngp结合NeRF软件根据多视角服装图像建立服装三维模型,然后将服装三维模型与标准人物模型结合,用以生成相关领域具有代表性的三维数字人模型。
8.根据权利要求1所述的一种基于数字人技术与自然语言大模型的知识问答方法,其特征在于:所述S6中,通过文本挖掘技术检索及收集相关答案数据,以便对知识库进行及时更新。
9.根据权利要求1所述的一种基于数字人技术与自然语言大模型的知识问答方法,其特征在于:所述S7中,通过利用深度神经网络或强化学习模型对检索的答案数据进行分析处理,用以计算答案的符合度,并根据符合度,对答案进行排序,然后选取符合度最高的答案作为最终答案。
10.根据权利要求9所述的一种基于数字人技术与自然语言大模型的知识问答方法,其特征在于:所述S7中,当用户二次提问的问题文本中包含对上一问题的否定或重复提问同样的问题时,通过深度神经网络或强化学习模型利用降低符合度的方式对答案进行重新排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310487072.2A CN116561274A (zh) | 2023-04-28 | 2023-04-28 | 一种基于数字人技术与自然语言大模型的知识问答方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310487072.2A CN116561274A (zh) | 2023-04-28 | 2023-04-28 | 一种基于数字人技术与自然语言大模型的知识问答方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116561274A true CN116561274A (zh) | 2023-08-08 |
Family
ID=87502943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310487072.2A Pending CN116561274A (zh) | 2023-04-28 | 2023-04-28 | 一种基于数字人技术与自然语言大模型的知识问答方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561274A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725148A (zh) * | 2024-02-07 | 2024-03-19 | 湖南三湘银行股份有限公司 | 一种基于自学习的问答词库更新方法 |
-
2023
- 2023-04-28 CN CN202310487072.2A patent/CN116561274A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725148A (zh) * | 2024-02-07 | 2024-03-19 | 湖南三湘银行股份有限公司 | 一种基于自学习的问答词库更新方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795543B (zh) | 基于深度学习的非结构化数据抽取方法、装置及存储介质 | |
CN110427463B (zh) | 搜索语句响应方法、装置及服务器和存储介质 | |
CN108363743B (zh) | 一种智能问题生成方法、装置和计算机可读存储介质 | |
CN110489755A (zh) | 文本生成方法和装置 | |
CN109783657A (zh) | 基于受限文本空间的多步自注意力跨媒体检索方法及系统 | |
CN111783394B (zh) | 事件抽取模型的训练方法、事件抽取方法和系统及设备 | |
CN110647612A (zh) | 一种基于双视觉注意力网络的视觉对话生成方法 | |
CN110688489B (zh) | 基于交互注意力的知识图谱推演方法、装置和存储介质 | |
CN113298151A (zh) | 一种基于多级特征融合的遥感图像语义描述方法 | |
CN110489750A (zh) | 基于双向lstm-crf的缅甸语分词及词性标注方法及装置 | |
CN113962219A (zh) | 面向电力变压器知识检索和问答的语义匹配方法及系统 | |
CN111666376B (zh) | 一种基于段落边界扫描预测与词移距离聚类匹配的答案生成方法及装置 | |
CN113505209A (zh) | 一种面向汽车领域的智能问答系统 | |
CN110287298A (zh) | 一种基于问句主题的自动问答答案选择方法 | |
CN112364132A (zh) | 基于依存句法的相似度计算模型和系统及搭建系统的方法 | |
CN110399433A (zh) | 一种基于深度学习的数据实体关系抽取方法 | |
EP4116859A3 (en) | Document processing method and apparatus and medium | |
CN110781681A (zh) | 一种基于翻译模型的初等数学应用题自动求解方法及系统 | |
CN115599899A (zh) | 基于飞行器知识图谱的智能问答方法、系统、设备及介质 | |
CN115858750A (zh) | 基于自然语言处理的电网技术标准智能问答方法及系统 | |
CN116561274A (zh) | 一种基于数字人技术与自然语言大模型的知识问答方法 | |
CN117648429B (zh) | 基于多模态自适应检索式增强大模型的问答方法及系统 | |
Zhang et al. | Application and analysis of image recognition technology based on Artificial Intelligence--machine learning algorithm as an example | |
CN112966518B (zh) | 一种面向大规模在线学习平台的优质答案识别方法 | |
CN117235215A (zh) | 基于大模型和知识图谱的生成对话方法、系统及介质 |
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 |