CN116628141A - 信息处理方法、装置、设备及存储介质 - Google Patents
信息处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116628141A CN116628141A CN202310907630.6A CN202310907630A CN116628141A CN 116628141 A CN116628141 A CN 116628141A CN 202310907630 A CN202310907630 A CN 202310907630A CN 116628141 A CN116628141 A CN 116628141A
- Authority
- CN
- China
- Prior art keywords
- target
- natural language
- information
- language processing
- processing model
- 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.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000003058 natural language processing Methods 0.000 claims abstract description 215
- 230000003044 adaptive effect Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 101100269618 Streptococcus pneumoniae serotype 4 (strain ATCC BAA-334 / TIGR4) aliA gene Proteins 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 101150109310 msrAB1 gene Proteins 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例公开了一种信息处理方法、装置、设备及存储介质,工作流的目标任务节点接收到输入信息时,获得目标任务节点对应的至少一个指示指令模板;目标任务节点在上述至少一个指示指令模板中的预设槽位中填充目标任务节点对应的信息,得到目标任务节点对应的至少一个目标指示指令;目标任务节点基于上述至少一个目标指示指令和输入信息调用自然语言处理模型,以获得自然语言处理模型输出的适配工作流的结构化信息。基于本申请实现了自然语言处理模型的输出与工作流相适配的目的。
Description
技术领域
本申请涉及人工智能技术领域,更具体地说,涉及一种信息处理方法、装置、设备及存储介质。
背景技术
随着人工智能技术的不断发展,在人工智能系统的工作流程中引入自然语言处理模型成为研究热点。
然而,自然语言处理模型输出的是自然语言,而工作流无法直接处理自然语言,因此,如何使自然语言处理模型的输出与工作流相适配,成为亟待解决的技术问题。
发明内容
有鉴于此,本申请提供了一种信息处理方法、装置、设备及存储介质,以使得自然语言处理模型的输出与工作流相适配。
为了实现上述目的,现提出的方案如下:
一种信息处理方法,包括:
工作流的目标任务节点接收到输入信息时,获得所述目标任务节点对应的至少一个指示指令模板;
所述目标任务节点在所述至少一个指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的至少一个目标指示指令;
所述目标任务节点基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息。
上述方法,可选的,其中,所述目标任务节点对应有一个指示指令模板,所述目标任务节点在所述一个指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的一个目标指示指令;所述一个目标指示指令用于指示所述自然语言处理模型以目标格式输出结构化信息;所述目标格式适配所述工作流。
上述方法,可选的,所述基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,包括:
将所述一个目标指示指令和所述输入信息拼接后输入所述自然语言处理模型,得到所述自然语言处理模型以所述目标格式输出的结构化信息。
上述方法,可选的,其中,所述目标任务节点对应有第一指示指令模板和第二指示指令模板;
所述目标任务节点在所述第一指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的第一目标指示指令;所述第一目标指示指令用于指示所述自然语言处理模型输出由所述输入信息得到所述适配所述工作流的结构化信息的处理逻辑信息;
所述目标任务节点在所述第二指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的第二目标指示指令;所述第二目标指示指令用于指示所述自然语言处理模型以目标格式输出结构化信息;所述目标格式适配所述工作流。
上述方法,可选的,所述基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,包括:
将所述第一目标指示指令和所述输入信息拼接后输入所述自然语言处理模型,得到所述自然语言处理模型输出的所述处理逻辑信息;
将所述第二目标指示指令和所述处理逻辑信息拼接后输入所述自然语言处理模型,得到所述自然语言处理模型以所述目标格式输出的结构化信息。
上述方法,可选的,所述指示指令模板中配置有调用参数,所述调用参数是所述自然语言处理模型调用的影响所述自然语言处理模型的输出随机性的参数;
不同的指示指令模板中配置的所述调用参数的取值相同或不同。
上述方法,可选的,基于至少两个目标指示指令和所述输入信息调用自然语言处理模型的过程,包括:
基于至少两个目标指示指令中的至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息;
对所述结构化信息进行格式校验;
如果校验结果表征所述结构化信息的格式有误,基于所述至少两个目标指示指令、所述输入信息以及所述结构化信息调用所述自然语言处理模型,以获得所述自然语言处理模型输出的格式校正后的结构化信息。
上述方法,可选的,还包括:
至少两次基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息;
将所述自然语言处理模型至少两次输出的结构化信息进行比较;
若所述自然语言处理模型至少两次输出的结构化信息中的目标内容相同,确定所述自然语言处理模型输出的结构化信息的内容正确;否则,确定所述自然语言处理模型输出的结构化信息的内容不正确;所述目标内容是所述结构化信息中的至少部分内容。
一种信息处理装置,包括:
模板获得模块,用于工作流的目标任务节点接收到输入信息时,获得所述目标任务节点对应的至少一个指示指令模板;
填充模块,用于所述目标任务节点在所述至少一个指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的至少一个目标指示指令;
调用模块,用于所述目标任务节点基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息。
一种信息处理设备,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如上任一项所述的信息处理方法的各个步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上任一项所述的信息处理方法的各个步骤。
从上述的技术方案可以看出,本申请实施例提供的信息处理方法、装置、设备及存储介质,工作流的目标任务节点接收到输入信息时,获得目标任务节点对应的至少一个指示指令模板;目标任务节点在上述至少一个指示指令模板中的预设槽位中填充目标任务节点对应的信息,得到目标任务节点对应的至少一个目标指示指令;目标任务节点基于上述至少一个目标指示指令和输入信息调用自然语言处理模型,以获得自然语言处理模型输出的适配工作流的结构化信息。本申请通过对工作流中的目标任务节点配置指示指令模板,在目标任务节点接收到输入信息时,基于对应的至少一个指示指令模板生成目标任务节点对应的目标指示指令,基于至少一个目标指示指令和输入信息调用自然语言处理模型,使得自然语言处理模型输出的适配工作流的结构化信息,实现了自然语言处理模型的输出与工作流相适配的目的。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的信息处理方法的一种实现流程图;
图2为本申请实施例公开的基于至少一个目标指示指令和输入信息调用自然语言处理模型的一种实现流程图;
图3为本申请实施例公开的基于至少两个目标指示指令和输入信息调用自然语言处理模型的一种实现流程图;
图4为本申请实施例公开的对自然语言处理模型输出的结构化信息进行内容校验一种实现流程图;
图5为本申请实施例公开的信息处理装置的一种结构示意图;
图6为本申请实施例公开的信息处理设备的硬件结构框图。
具体实施方式
在对本申请的方案进行阐述前,对相关的概念进行解释说明。
指示指令(Prompt):在与AI(如大语言模型)进行对话时,需要向AI发送的指令,其可以是一段文字描述,比如你和AI对话时输入的“请帮我推荐一首流行音乐”,也可以是按照一定格式的参数描述,比如让AI按照一定格式进行绘图,需要描述相关绘图参数。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了在人工智能系统的工作流程中引入自然语言处理模型,提出本申请。这里的人工智能系统可以包括但不限于以下任一种:自动化办公系统、智能客服系统等。
如图1所示,为本申请实施例提供的信息处理方法的一种实现流程图,可以包括:
步骤S101:工作流的目标任务节点接收到输入信息时,获得所述目标任务节点对应的至少一个指示指令模板。
工作流中通常包含多个任务节点,本申请针对该多个任务节点中的至少部分任务节点配置了指示指令模板,其中,每个任务节点可以配置至少一个指示指令模板,不同的任务节点配置的指示指令模板不同,不同的任务节点配置的指示指令模板的数量可以相同,也可以不同。
目标任务节点是上述指示部分任务节点中的任一任务节点。
目标任务节点接收到的输入信息可以包括但不限于以下至少一项:用户输入的交互信息、目标任务节点运行所依赖的任务节点输出的信息、从数据库中读取的信息等。具体包括哪些信息是根据具体的应用需求确定的。
可选的,目标任务节点对应的指示指令模板中至少定义了给自然语言处理模型的指令、返回内容的格式要求等信息。
可选的,本申请中的自然语言处理模型可以是生成式模型,作为示例,生成式模型可以包括但不限于:Transformer架构的模型,比如,可以是GPT(Generative Pre-Training)-3、GPT-4等。生成式模型也可以式其它生成式模型,比如,PaLM(PathwaysLanguage Model)、T5(Text-to-Text Transfer Transformer)等。
步骤S102:目标任务节点在上述至少一个指示指令模板中的预设槽位中填充目标任务节点对应的信息,得到所述目标任务节点对应的至少一个目标指示指令。
目标任务节点对应的指示指令模板中可以设置至少一个槽位,用于填充与目标任务节点对应的信息,任一槽位中用于填写的信息可以是固定的信息,即目标任务节点所需的固定的常量,也可以是不固定的信息,即该任一槽位中需要填写的信息是一个变量,只有在执行到目标任务节点时才会获得这个变量的值,进而将该变量的值添加到该任一槽位中。
步骤S103:目标任务节点基于至少一个目标指示指令和输入信息调用自然语言处理模型,以获得自然语言处理模型输出的适配工作流的结构化信息。
可选的,基于至少一个目标指示指令和输入信息调用自然语言处理模型的次数可以为该至少一个目标指令的数量,也就是说,如果工作流的目标任务节点接收到输入信息时,获得的是目标任务节点对应的N(N为大于0的正整数)个指示指令模板,则会至少基于该N个目标指示指令和输入信息对自然语言处理模型调用N次,其中,基于该N个目标指示指令中的每个目标指示指令,对自然语言处理进行一次调用,基于不同的目标指示指令对自然语言处理模型进行调用时,自然语言处理模型的输入可以包括上述输入信息,也可以不包括上述输入信息,但至少一次调用自然语言处理模型时需要将输入信息连同目标指示指令输入到自然语言处理模型中。
本申请实施例提供的信息处理方法,通过对工作流中的目标任务节点配置指示指令模板,在目标任务节点接收到输入信息时,基于目标任务节点对应的至少一个指示指令模板生成目标任务节点对应的目标指示指令,基于至少一个目标指示指令和输入信息调用自然语言处理模型,使得自然语言处理模型输出适配工作流的结构化信息,实现了自然语言处理模型的输出与工作流相适配的目的。
另外,相比直接与自然语言处理模型交互的方案,由于不同的指示指令模板对内容有着明确的区分和定义,因此可以极大的降低使用门槛,同时可以让定义指示指令模板的人和使用指示指令模板的人分开,使得使用者无需关注具体的指示指令的内容。
本申请研究发现,自然语言处理模型的输出具有一定的随机性,不同任务对于随机性的要求不同,比如,如果需要自然语言处理模型生成文本或提取关键信息等,则一般需要较高的随机性,让结果更多样化。而分类、打标签等任务则需要更低的随机性,以保证结果的一致性。基于此,
本申请中的目标任务节点对应的指示指令模板中还可以包括调用参数等信息。该调用参数是自然语言处理模型调用的影响自然语言处理模型的输出随机性的参数;不同的指示指令模板中配置的调用参数的取值可以相同,也可以不同。
在一可选的实施例中,在目标任务节点对应有一个指示指令模板(为便于叙述和区分,记为第一指示指令模板)的情况下,该第一指示指令模板中定义了自然语言处理模型返回内容的格式要求信息,基于此,目标任务节点在第一指示指令模板中的预设槽位中填充目标任务节点对应的信息,得到目标任务节点对应的目标指示指令(为便于叙述和区分,记为第一目标指示指令)时,该第一目标指示指令用于指示自然语言处理模型以目标格式输出结构化信息;该目标格式适配工作流。
进一步的,基于目标任务对应的第一目标指示指令和输入信息调用自然语言处理模型的一种实现方式可以为:
将第一目标指示指令和上述输入信息依次拼接后输入自然语言处理模型,得到自然语言处理模型以目标格式输出的结构化信息;目标格式为适配上述工作流的格式。
如下所示,为本申请实施例提供的目标指示指令的一个示例(记为示例一):
“你是AI助手,AI助手可以将用户输入解析为多个任务:
[{"task":task,"id":task_id,"dep":dependency_task_ids,"args":{"text":text,"image":URL,"audio":URL,"video":URL}}].
"dep"字段表示生成当前任务所依赖的新资源的前一个任务的id。
任务必须从以下选项中选择:{读取图像,文生文,图生文,文字总结,翻译,物体识别,图像分割,图生图,姿态检测}。
任务之间存在逻辑关系,请注意它们的顺序。如果无法解析用户输入,你需要回复空的json。
以下是几个参考案例:
案例一:
Q:看/exp1.jpg,你能告诉我图片中有多少个物体吗?
A:
{"task":"图生文","id":0,"dep":[-1],"args":{"image":"/expl.jpg"},}
{"task":"物体识别","id":1,"dep":[0],"args":{"image":"/expl.jpg"}
案例二:
Q:给定一个图片/exp3.jpg,首先生成一个hed图片,然后基于hed图片和提示:一个女孩在读书,你需要回复一个新的图片。
A:
{"task":"图生文","id":0,"dep":[-1],"args":{"image":"/ex-amples/boy.jpg"},}
{"task":"姿态检测","id":1,"dep":[-1],"args":{"image":"/examples/boy.jpg"},}
{"task":"文生图","id":2,"dep":[1],"args":{"text":"a girl is readingabook","image":"<resource>-1"}
请回答
Q:
A:”。
上述示例一是不使用思维链逻辑的目标指示指令,其中:
“[{"task":task,"id":task_id,"dep":dependency_task_ids,"args":{"text":text,"image":URL,"audio":URL,"video":URL}}]”是定义的自然语言处理模型返回内容的格式要求信息。
“任务必须从以下选项中选择:{ }”中的{}是一个槽位,这里是根据目标任务节点添加的,不同的目标任务节点对应的该槽位中的信息可以是不同的。
位于“请回答”下面的“Q:”的右侧空白处可以是一个槽位,用于填充输入信息,比如,输入信息是“查看test1.txt,用简洁的英文重复这个文章”,将输入信息插入槽位后,得到“Q:查看test1.txt,用简洁的英文重复这个文章”。也就是说,将目标任务节点获得的输入信息与目标指示指令拼接可以是将输入信息添加到指示指令模板中的相应槽位中。
上述示例一中的其它内容都是预定义的内容。其中的几个参考案例可以有,也可以没有。
自然语言处理模型基于上述目标指示指令和用户输入信息(即,查看test1.txt,用简洁的英文重复这个文章)获得的结果是:
“[{"task":"读取图像","id":1,"dep":[],"args":{"text":"test1.txt"}},
{"task":"图生文","id":2,"dep":[1],"args":{"text":"<resource>:-1"}},
{"task":"文生图","id":2,"dep":[1],"args":{"text":"<resource>:-1"}}]”
显然,自然语言处理模型没有很好地理解,结果不正确。当然,这里的结果只是示例性说明自然语言处理模型的输出结果可能会有误,并不表征自然语言处理模型完全不能理解用户输入。
在一可选的实施例中,目标任务节点对应有两个指示指令模板(为便于叙述,记为第一指示指令模板和第二指示指令模板)的情况下,
目标任务节点在第一指示指令模板中的预设槽位中填充目标任务节点对应的信息,得到目标任务节点对应的第一目标指示指令;该第一目标指示指令用于指示自然语言处理模型输出由输入信息得到适配工作流的结构化信息的处理逻辑信息。
也就是说,第一指示指令模板中定义了思维链触发信息,该思维链触发信息用于指示自然语言处理模型输出由输入信息得到适配工作流的结构化信息的推导步骤。
作为示例,思维链触发信息可以是类似以下表达的信息:
“请按步骤输出”、“请仔细思考,输出每一步的答案”等。
第一指示指令模板中没有定义自然语言处理模型返回内容的格式要求信息。
基于第一目标指示指令调用自然语言处理模型输出的是由输入信息得到适配工作流的结构化信息的各个步骤。
如下示例二所示,为本申请实施例提供的第一目标指示指令的一个示例:
“你是AI助手,AI助手可以将用户输入解析为多个任务:
任务必须从以下选项中选择:{读取图像,文生文,图生文,文字总结,翻译,物体识别,图像分割,图生图,姿态检测}。
任务之间存在逻辑关系,请注意它们的顺序。如果无法解析用户输入,你需要回复空的JS0N。
请一步步思考,用户的输入如何解决:
用户的输入是:”。
上述示例二中,位于“用户的输入是:”右侧空白处可以是一个槽位,用于填充输入信息,将第一目标指示指令与用户输入信息拼接,可以是将用户输入信息添加到位于“用户的输入是:”右侧的槽位,还以输入信息是“查看test1.txt,用简洁的英文重复这个文章”为例,自然语言处理模型基于上述示例二所示的目标指示指令和输入信息得到的输出是:
“首先,我们需要确定用户输入中包含的任务。从用户的输入来看,任务可以分为以下几类:
读取文本文件(test1.txt)
将文本内容用简洁的英文进行总结
由于任务之间存在逻辑关系,我们可以按照顺序依次执行这些任务:
首先,我们需要执行第一个任务:读取文本文件(test1.txt)。这个任务可以由AI助手直接完成,因为它不涉及任何复杂的操作。
接下来,我们需要执行第二个任务:将文本内容用简洁的英文进行总结。为了实现这个任务,我们需要先读取文本文件的内容,然后提取关键信息,最后用简洁的语言进行概括。
综上所述,根据用户的输入,我们可以将其解析为两个任务:读取文本文件和将文本内容用简洁的英文进行总结。这两个任务之间存在逻辑关系,需要按照顺序依次执行。”。
目标任务节点在第二指示指令模板中的预设槽位中填充目标任务节点对应的信息,得到目标任务节点对应的第二目标指示指令;该第二目标指示指令用于指示自然语言处理模型以目标格式输出结构化信息;目标格式适配上述工作流。
也就是说,第二指示指令模板中定义了自然语言处理模型返回内容的格式要求信息。
基于第二目标指示指令调用自然语言处理模型输出的是目标格式的结构化信息。
如下示例三所示,为本申请实施例提供的第二目标指示指令的一个示例:
“你已经获得了结果,参考以下案例:
案例一:
Q:看/exp1.jpg,你能告诉我图片中有多少个物体吗?
A:
{"task":"图生文","id":0,"dep":[-1],"args":{"image":"/expl.jpg"},}
{"task":"物体识别","id":0,"dep":[-1],"args":{"image":"/expl.jpg"}
案例二:
Q:给定一个图片/exp3.jpg,首先生成一个hed图片,然后基于hed图片和提示:一个女孩在读书,你需要回复一个新的图片。
A:
{"task":"图生文","id":0,"dep":[-1],"args":{"image":"/ex-amples/boy.jpg"},}
{"task":"姿态检测","id":1,"dep":[-1],"args":{"image":"/examples/boy.jpg"},}
{"task":"文生图","id":2,"dep":[1],"args":{"text":"a girl is readingabook","image":"<resource>-1"}
请根据你上面的回答,按照这个格式输出:
[{"task":task,"id",task_id,"dep":dependency_task_ids,"args":{"text":text,"image":URL,"audio":URL,"video":URL}}].
"dep"字段表示生成当前任务所依赖的新资源的前一个任务的id。特殊标签"<resource>:-task_id"表示在id为task_id的依赖任务中生成的文本、图片、音频和视频。
任务必须从以下选项中选择:{读取图像,文生文,图生文,文字总结,翻译,物体识别,图像分割,图生图,姿态检测}。
任务之间存在逻辑关系,请注意它们的顺序。如果无法解析用户输入,你需要回复空的JS0N。”。
本申请实施例中,分两步调用自然语言处理模型,第一步是触发思维链,让自然语言处理模型分步思考结果,由于分步思考输出的内容复杂,内容格式与工作流不适配,因此,第二步是让自然语言处理模型基于第一步的输出结果,按照指定的格式输出,这样既利用了自然语言处理模型的思维链能力,又能保证自然语言处理模型的输出仍然受到格式的限制,保证工作流的逻辑正常、清晰。
在一可选的实施例中,上述基于至少一个目标指示指令和输入信息调用自然语言处理模型的一种实现流程图如图2所示,可以包括:
步骤S201:将第一目标指示指令和上述输入信息拼接后输入自然语言处理模型,得到自然语言处理模型输出的处理逻辑信息。
步骤S201就是触发自然语言处理模型按步骤思考,输出思考步骤的过程。
步骤S202:将第二目标指示指令和处理逻辑信息拼接后输入自然语言处理模型,得到自然语言处理模型以目标格式输出的结构化信息;目标格式适配工作流。
作为示例,可以将处理逻辑信息拼接在第二目标指示指令之前,将第二目标指示指令和处理逻辑信息拼接后的结果如下所示:
“首先,我们需要确定用户输入中包含的任务。从用户的输入来看,任务可以分为以下几类:
读取文本文件(test1.txt)
将文本内容用简洁的英文进行总结
由于任务之间存在逻辑关系,我们可以按照顺序依次执行这些任务:
首先,我们需要执行第一个任务:读取文本文件(test1.txt)。这个任务可以由AI助手直接完成,因为它不涉及任何复杂的操作。
接下来,我们需要执行第二个任务:将文本内容用简洁的英文进行总结。为了实现这个任务,我们需要先读取文本文件的内容,然后提取关键信息,最后用简洁的语言进行概括。
综上所述,根据用户的输入,我们可以将其解析为两个任务:读取文本文件和将文本内容用简洁的英文进行总结。这两个任务之间存在逻辑关系,需要按照顺序依次执行。
你已经获得了结果,参考以下案例:
案例一:
Q:看/exp1.jpg,你能告诉我图片中有多少个物体吗?
A:
{"task":"图生文","id":0,"dep":[-1],"args":{"image":"/expl.jpg"},}
{"task":"物体识别","id":0,"dep":[-1],"args":{"image":"/expl.jpg"}
案例二:
Q:给定一个图片/exp3.jpg,首先生成一个hed图片,然后基于hed图片和提示:一个女孩在读书,你需要回复一个新的图片。
A:
{"task":"图生文","id":0,"dep":[-1],"args":{"image":"/ex-amples/boy.jpg"},}
{"task":"姿态检测","id":1,"dep":[-1],"args":{"image":"/examples/boy.jpg"},}
{"task":"文生图","id":2,"dep":[1],"args":{"text":"a girl is readingabook","image":"<resource>-1"}
请根据你上面的回答,按照这个格式输出:
[{"task":task,"id",task_id,"dep":dependency_task_ids,"args":{"text":text,"image":URL,"audio":URL,"video":URL}}].
"dep"字段表示生成当前任务所依赖的新资源的前一个任务的id。特殊标签"<resource>:-task_id"表示在id为task_id的依赖任务中生成的文本、图片、音频和视频。
任务必须从以下选项中选择:{读取图像,文生文,图生文,文字总结,翻译,物体识别,图像分割,图生图,姿态检测}。
任务之间存在逻辑关系,请注意它们的顺序。如果无法解析用户输入,你需要回复空的JS0N。”。
将第二目标指示指令和处理逻辑信息拼接后输入自然语言处理模型,得到自然语言处理模型以目标格式输出的结构化信息为:
[{"task":"读取文档","id":1,"dep":[],"args":{"text":"test1.txt"}},{"task":"文字总结","id":2,"dep":[1],"args":{"text":"<resource>:-1"}}]。
本申请实施例中,通过触发自然语言处理模型输出整个的思考步骤,使得原本单步输出结果会出错的场景,获得正确答案的可能性提高。
由上述实施例可知,如果不需要自然语言处理模型执行思维链逻辑,则目标任务节点可以配置一个指示指令模板即可,如果需要自然语言处理模型执行思维链逻辑,则目标任务节点可以配置两个指示指令模板。
具体目标任务节点是否需要自然语言处理模型执行思维链逻辑,可以根据目标任务节点的任务复杂度预先设定,其中,如果目标任务节点的任务复杂度高于复杂度阈值,可以确定目标任务节点需要自然语言处理模型执行思维链逻辑;否则,可以确定目标任务节点不需要自然语言处理模型执行思维链逻辑。
目标任务节点的任务复杂度可以是由开发人员根据经验确定,也可以是根据预设的评价规则确定的。
本申请实施例中,并不是所有目标任务节点均配置两个指示指令模板,从而尽量减少调用自然语言处理模型时,自然语言处理模型的数据处理量。
如前所述,自然语言处理模型的输出有一定的随机性,因此,自然语言处理模型输出的结构化信息可能会存在错误。一个明显的错误可能是没有按照指定的格式输出。基于此,本申请实施例还可以对自然语言处理模型输出的结构化信息进行格式校验。
相应的,每个目标任务节点对应至少两个指示指令模板。其中,
在目标任务节点不需要自然语言处理模型执行思维链逻辑的情况下,每个目标任务节点对应两个指示指令模板,其中一个指示指令模板中定义了自然语言处理模型返回内容的格式要求信息,则基于该指示指令模板生成的目标指示指令用于指示自然语言处理模型以目标格式输出结构化信息;另一个指示指令模板中定义了指示自然语言处理模型进行格式校正的指示信息,基于该指示指令模板生成的目标指示指令用于指示自然语言处理模型对格式错误的结构化信息进行格式校正。
在目标任务节点需要自然语言处理模型执行思维链逻辑的情况下,每个目标任务节点对应三个指示指令模板,其中一个指示指令模板中定义了思维链触发信息,一个指示指令模板中定义了自然语言处理模型返回内容的格式要求信息,则基于上述两个指示指令模板生成的两个目标指示指令用于指示自然语言处理模型以思维链方式进行思考,并以目标格式输出结构化信息;第三个指示指令模板中定义了指示自然语言处理模型进行格式校正的指示信息,基于该指示指令模板生成的目标指示指令用于指示自然语言处理模型对格式错误的结构化信息进行格式校正。
基于此,本申请实施例提供的基于至少两个目标指示指令和输入信息调用自然语言处理模型的一种实现流程图如图3所示,可以包括:
步骤S301:基于至少两个目标指示指令中的至少一个目标指示指令和上述输入信息调用自然语言处理模型,以获得自然语言处理模型输出的适配工作流的结构化信息。
具体实现过程可以参看前述实施例,这里不再赘述。
步骤S302:对结构化信息进行格式校验;如果校验结果表征结构化信息的格式有误,进入步骤S303;否则,格式校验过程结束。
可选的,自然语言处理模型返回内容的格式要求可以是预先定义好的,因此,自然语言处理模型返回内容的正确格式是已知的,因此,可以根据正确格式,以及预设的校验规则,对自然语言处理模型输出的结构化信息进行格式校验。
步骤S303:基于上述至少两个目标指示指令、输入信息以及结构化信息调用自然语言处理模型,以获得自然语言处理模型输出的格式校正后的结构化信息。
如果自然语言处理模输出的结构化信息的格式错误,可以将自然语言处理模型得到错误结构化信息时的输入(包括前述的至少两个目标指示指令中的至少一个目标指示指令和上述输入信息),错误的结构化信息、至少两个目标指示指令中的其它目标指示指令(定义了自然语言处理模型返回内容的格式要求信息,以及指示自然语言处理模型对结构化信息进行格式校正的指示信息)拼接后输入自然语言处理模型,以获得自然语言处理模型输出的格式校正后的结构化信息。
如下示例四所示,为本申请实施例提供的指示自然语言处理模型对结构化信息进行格式校验的目标指示指令的示例:
“你输出格式不正确,你需要按照这样的格式输出:
[{"task":task,"id",task_id,"dep":dependency_task_ids,"args":{"text":text,"image":URL,"audio":URL,"video":URL}}].
"dep"字段表示生成当前任务所依赖的新资源的前一个任务的id。特殊标签"<resource>:-task_id"表示在id为task_id的依赖任务中生成的文本、图片、音频和视频。
输出中不要包含任何解释性的话,以[开始。
请输出:”。
在基于示例四调用自然语言处理模型时,需要将自然语言处理模型得到错误结构化信息时的输入、错误的结构化信息和上述示例四依次拼接后输入到自然语言处理模型,得到以获得自然语言处理模型输出的格式校正后的结构化信息。
假设自然语言处理模型第一次输出的结构信息是:
[{"task":"读取文档","id":1,"dep":[],"args":{"text":"test1.txt"}}]
[{"task":"文字总结","id":2,"dep":[1],"args":{"text":"<resource>:-1"}}]。
显然,上述结构信息不符合目标指示指令中定义的格式,则经过自然语言处理模型进行校正后的结构为:
[{"task":"读取文档","id":1,"dep":[],"args":{"text":"test1.txt"}},{"task":"文字总结","id":2,"dep":[1],"args":{"text":"<resource>:-1"}}]。
在一可选的实施例中,本申请除了对自然语言处理模型输出的结构化信息进行格式校验外,还可以对自然语言处理模型输出的结构化信息进行内容校验。如图4所示,为本申请实施例提供的对自然语言处理模型输出的结构化信息进行内容校验一种实现流程图,包括:
步骤S401:至少两次基于上述至少一个目标指示指令和上述输入信息调用自然语言处理模型,以至少两次获得自然语言处理模型输出的适配工作流的结构化信息。
也就是说,本申请基于上述至少一个目标指示指令和上述输入信息对自然语言处理模型进行了M(M为大于1的正整数)次调用,使得自然语言处理模型M次输出适配工作流的结构化信息。
步骤S402:将自然语言处理模型至少两次输出的结构化信息进行比较。
本申请将至少两次获得的自然语言处理模型输出的适配工作流的结构化信息进行比较。
可以将自然语言处理模型各次输出的结构化信息中的目标内容进行比较,其中,目标内容是结构化信息中的至少部分内容。
步骤S403:若自然语言处理模型至少两次输出的结构化信息中的目标内容相同,确定自然语言处理模型输出的结构化信息的内容正确;否则,确定自然语言处理模型输出的结构化信息的内容不正确。
也就是说,只要自然语言处理模型M次输出的结构化信息中,有一次输出的结构化信息与其它次输出的结构化信息不同,认为自然语言处理模型输出的结构化信息是不可信的,不正确的。此时可以触发工作流中定义的其它逻辑,比如,在上述输入信息是用户输入信息的情况下,可以让用户重新详细地表述需求等。
比如,假设基于上述至少一个目标指示指令和上述输入信息对自然语言处理模型进行了两次调用,使得自然语言处理模型两次输出适配工作流的结构化信息,分别为:
第一次输出的结构化信息:
[{"task":"读取图像","id":1,"dep":[],"args":{"text":"test1.txt"}},{"task":"文字总结","id":2,"dep":[1],"args":{"text":"<resource>:-1"}}]。
第二次输出的结构化信息:
[{"task":"读取文档","id":1,"dep":[],"args":{"text":"test1.txt"}},{"task":"文字总结","id":2,"dep":[1],"args":{"text":"<resource>:-1"}}]。
两次输出的结构化信息中的第一个task不一致,一个是读取图像,一个是读取文档,因此,确定自然语言处理模型没有很好的理解用户输入,可以执行任务流中定义的其它逻辑,比如,让用户重新详细地表述需求等。
与方法实施例相对应,本申请还提供一种信息处理装置,本申请实施例提供的信息处理装置的一种结构示意图如图5所示,可以包括:
模板获得模块501,填充模块502和调用模块503;其中,
模板获得模块501用于工作流的目标任务节点接收到输入信息时,获得所述目标任务节点对应的至少一个指示指令模板;
填充模块502用于所述目标任务节点在所述至少一个指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的至少一个目标指示指令;
调用模块503用于所述目标任务节点基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息。
本申请实施例提供的信息处理装置,通过对工作流中的目标任务节点配置指示指令模板,在目标任务节点接收到输入信息时,基于对应的至少一个指示指令模板生成目标任务节点对应的目标指示指令,基于至少一个目标指示指令和输入信息调用自然语言处理模型,使得自然语言处理模型输出的适配工作流的结构化信息,实现了自然语言处理模型的输出与工作流相适配的目的。
在一可选的实施例中,所述目标任务节点对应有一个指示指令模板,所述目标任务节点在所述一个指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的一个目标指示指令;所述一个目标指示指令用于指示所述自然语言处理模型以目标格式输出结构化信息;所述目标格式适配所述工作流。
在一可选的实施例中,所述调用模块503基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型时,用于:
将所述一个目标指示指令和所述输入信息拼接后输入所述自然语言处理模型,得到所述自然语言处理模型以所述目标格式输出的结构化信息。
在一可选的实施例中,其中,所述目标任务节点对应有第一指示指令模板和第二指示指令模板;
所述目标任务节点在所述第一指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的第一目标指示指令;所述第一目标指示指令用于指示所述自然语言处理模型输出由所述输入信息得到所述适配所述工作流的结构化信息的处理逻辑信息;
所述目标任务节点在所述第二指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的第二目标指示指令;所述第二目标指示指令用于指示所述自然语言处理模型以目标格式输出结构化信息;所述目标格式适配所述工作流。
在一可选的实施例中,所述调用模块503基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型时,用于:
将所述第一目标指示指令和所述输入信息拼接后输入所述自然语言处理模型,得到所述自然语言处理模型输出的所述处理逻辑信息;
将所述第二目标指示指令和所述处理逻辑信息拼接后输入所述自然语言处理模型,得到所述自然语言处理模型以所述目标格式输出的结构化信息。
在一可选的实施例中,所述指示指令模板中配置有调用参数,所述调用参数是所述自然语言处理模型调用的影响所述自然语言处理模型的输出随机性的参数;
不同的指示指令模板中配置的所述调用参数的取值相同或不同。
在一可选的实施例中,所述调用模块503基于至少两个目标指示指令和所述输入信息调用自然语言处理模型时,用于:
基于至少两个目标指示指令中的至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息;
对所述结构化信息进行格式校验;
如果校验结果表征所述结构化信息的格式有误,基于所述至少两个目标指示指令、所述输入信息以及所述结构化信息调用所述自然语言处理模型,以获得所述自然语言处理模型输出的格式校正后的结构化信息。
在一可选的实施例中,所述调用模块503还用于:
至少两次基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息;
将所述自然语言处理模型至少两次输出的结构化信息进行比较;
若所述自然语言处理模型至少两次输出的结构化信息中的目标内容相同,确定所述自然语言处理模型输出的结构化信息的内容正确;否则,确定所述自然语言处理模型输出的结构化信息的内容不正确;所述目标内容是所述结构化信息中的至少部分内容。
本申请实施例提供的信息处理装置可应用于信息处理设备,如PC终端、移动终端、云平台、服务器及服务器集群等。可选的,图6示出了信息处理设备的硬件结构框图,参照图6,信息处理设备的硬件结构可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
工作流的目标任务节点接收到输入信息时,获得所述目标任务节点对应的至少一个指示指令模板;
所述目标任务节点在所述至少一个指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的至少一个目标指示指令;
所述目标任务节点基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,所述程序用于:
工作流的目标任务节点接收到输入信息时,获得所述目标任务节点对应的至少一个指示指令模板;
所述目标任务节点在所述至少一个指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的至少一个目标指示指令;
所述目标任务节点基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种信息处理方法,其特征在于,包括:
工作流的目标任务节点接收到输入信息时,获得所述目标任务节点对应的至少一个指示指令模板;
所述目标任务节点在所述至少一个指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的至少一个目标指示指令;
所述目标任务节点基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息。
2.根据权利要求1所述的方法,其特征在于,其中,所述目标任务节点对应有一个指示指令模板,所述目标任务节点在所述一个指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的一个目标指示指令;所述一个目标指示指令用于指示所述自然语言处理模型以目标格式输出结构化信息;所述目标格式适配所述工作流。
3.根据权利要求2所述的方法,其特征在于,所述基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,包括:
将所述一个目标指示指令和所述输入信息拼接后输入所述自然语言处理模型,得到所述自然语言处理模型以所述目标格式输出的结构化信息。
4.根据权利要求1所述的方法,其特征在于,其中,所述目标任务节点对应有第一指示指令模板和第二指示指令模板;
所述目标任务节点在所述第一指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的第一目标指示指令;所述第一目标指示指令用于指示所述自然语言处理模型输出由所述输入信息得到所述适配所述工作流的结构化信息的处理逻辑信息;
所述目标任务节点在所述第二指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的第二目标指示指令;所述第二目标指示指令用于指示所述自然语言处理模型以目标格式输出结构化信息;所述目标格式适配所述工作流。
5.根据权利要求4所述的方法,其特征在于,所述基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,包括:
将所述第一目标指示指令和所述输入信息拼接后输入所述自然语言处理模型,得到所述自然语言处理模型输出的所述处理逻辑信息;
将所述第二目标指示指令和所述处理逻辑信息拼接后输入所述自然语言处理模型,得到所述自然语言处理模型以所述目标格式输出的结构化信息。
6.根据权利要求1所述的方法,其特征在于,所述指示指令模板中配置有调用参数,所述调用参数是所述自然语言处理模型调用的影响所述自然语言处理模型的输出随机性的参数;
不同的指示指令模板中配置的所述调用参数的取值相同或不同。
7.根据权利要求1所述的方法,其特征在于,基于至少两个目标指示指令和所述输入信息调用自然语言处理模型的过程,包括:
基于至少两个目标指示指令中的至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息;
对所述结构化信息进行格式校验;
如果校验结果表征所述结构化信息的格式有误,基于所述至少两个目标指示指令、所述输入信息以及所述结构化信息调用所述自然语言处理模型,以获得所述自然语言处理模型输出的格式校正后的结构化信息。
8.根据权利要求1-7任一项所述的方法,其特征在于,还包括:
至少两次基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,以至少两次获得所述自然语言处理模型输出的适配所述工作流的结构化信息;
将所述自然语言处理模型至少两次输出的结构化信息进行比较;
若所述自然语言处理模型至少两次输出的结构化信息中的目标内容相同,确定所述自然语言处理模型输出的结构化信息的内容正确;否则,确定所述自然语言处理模型输出的结构化信息的内容不正确;所述目标内容是所述结构化信息中的至少部分内容。
9.一种信息处理装置,其特征在于,包括:
模板获得模块,用于工作流的目标任务节点接收到输入信息时,获得所述目标任务节点对应的至少一个指示指令模板;
填充模块,用于所述目标任务节点在所述至少一个指示指令模板中的预设槽位中填充所述目标任务节点对应的信息,得到所述目标任务节点对应的至少一个目标指示指令;
调用模块,用于所述目标任务节点基于所述至少一个目标指示指令和所述输入信息调用自然语言处理模型,以获得所述自然语言处理模型输出的适配所述工作流的结构化信息。
10.一种信息处理设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1-8中任一项所述的信息处理方法的各个步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-8中任一项所述的信息处理方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907630.6A CN116628141B (zh) | 2023-07-24 | 2023-07-24 | 信息处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907630.6A CN116628141B (zh) | 2023-07-24 | 2023-07-24 | 信息处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628141A true CN116628141A (zh) | 2023-08-22 |
CN116628141B CN116628141B (zh) | 2023-12-01 |
Family
ID=87638632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310907630.6A Active CN116628141B (zh) | 2023-07-24 | 2023-07-24 | 信息处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628141B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117240916A (zh) * | 2023-11-14 | 2023-12-15 | 阿里健康科技(中国)有限公司 | 结构化医学数据的发送方法、存储方法及相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019135932A1 (en) * | 2018-01-08 | 2019-07-11 | Apple Inc. | Multi-directional dialog |
CN111723574A (zh) * | 2020-07-09 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
US20210049328A1 (en) * | 2018-02-22 | 2021-02-18 | Samsung Electronics Co., Ltd. | Electronic device and natural language generation method thereof |
CN114706944A (zh) * | 2022-03-17 | 2022-07-05 | 海信电子科技(武汉)有限公司 | 服务器及多语言文本语义理解方法 |
CN115952966A (zh) * | 2021-10-05 | 2023-04-11 | 尤帕斯公司 | 使用用于机器人过程自动化的语义人工智能在源与目标之间的自动数据传输 |
WO2023065629A1 (zh) * | 2021-10-22 | 2023-04-27 | 平安科技(深圳)有限公司 | 一种对话管理方法、系统、终端及存储介质 |
US20230135179A1 (en) * | 2021-10-21 | 2023-05-04 | Meta Platforms, Inc. | Systems and Methods for Implementing Smart Assistant Systems |
US20230186033A1 (en) * | 2020-08-31 | 2023-06-15 | Google Llc | Guided text generation for task-oriented dialogue |
-
2023
- 2023-07-24 CN CN202310907630.6A patent/CN116628141B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019135932A1 (en) * | 2018-01-08 | 2019-07-11 | Apple Inc. | Multi-directional dialog |
US20210049328A1 (en) * | 2018-02-22 | 2021-02-18 | Samsung Electronics Co., Ltd. | Electronic device and natural language generation method thereof |
CN111723574A (zh) * | 2020-07-09 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
US20230186033A1 (en) * | 2020-08-31 | 2023-06-15 | Google Llc | Guided text generation for task-oriented dialogue |
CN115952966A (zh) * | 2021-10-05 | 2023-04-11 | 尤帕斯公司 | 使用用于机器人过程自动化的语义人工智能在源与目标之间的自动数据传输 |
US20230135179A1 (en) * | 2021-10-21 | 2023-05-04 | Meta Platforms, Inc. | Systems and Methods for Implementing Smart Assistant Systems |
WO2023065629A1 (zh) * | 2021-10-22 | 2023-04-27 | 平安科技(深圳)有限公司 | 一种对话管理方法、系统、终端及存储介质 |
CN114706944A (zh) * | 2022-03-17 | 2022-07-05 | 海信电子科技(武汉)有限公司 | 服务器及多语言文本语义理解方法 |
Non-Patent Citations (2)
Title |
---|
王凡;尹浩伟;蒋峰岭;郭玉堂;: "服务机器人自然语言处理的研究与应用", 安徽科技学院学报, no. 04, pages 67 - 75 * |
郭群;李剑锋;陈小平;胡国平;: "一种面向移动终端的自然口语任务理解方法", 计算机系统应用, no. 08, pages 126 - 131 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117240916A (zh) * | 2023-11-14 | 2023-12-15 | 阿里健康科技(中国)有限公司 | 结构化医学数据的发送方法、存储方法及相关装置 |
CN117240916B (zh) * | 2023-11-14 | 2024-02-13 | 阿里健康科技(中国)有限公司 | 结构化医学数据的发送方法、存储方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116628141B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021168124A (ja) | 実体リンキング方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN110673748A (zh) | 输入法中候选长句的提供方法及装置 | |
CN116628141B (zh) | 信息处理方法、装置、设备及存储介质 | |
CN109241525B (zh) | 关键词的提取方法、装置和系统 | |
CN111428025B (zh) | 文本摘要方法、装置、电子设备和存储介质 | |
WO2023142451A1 (zh) | 工作流生成方法、装置、电子设备 | |
CN111651140B (zh) | 基于工作流的服务方法及装置 | |
CN109801631A (zh) | 基于语音识别的录入方法、装置、计算机设备及存储介质 | |
WO2020003109A1 (en) | Facet-based query refinement based on multiple query interpretations | |
CN113360300B (zh) | 接口调用链路生成方法、装置、设备及可读存储介质 | |
CN113343248A (zh) | 一种漏洞识别方法、装置、设备和存储介质 | |
CN114254661A (zh) | 应用的国际化语言翻译方法和系统、电子设备及存储介质 | |
CN116569159A (zh) | 使用图神经网络自动描绘和提取可移植文档格式的表格数据 | |
CN113408254A (zh) | 一种页面表单信息填写方法、装置、设备和可读介质 | |
CN116662496A (zh) | 信息抽取方法、训练问答处理模型的方法及装置 | |
CN109726279B (zh) | 一种数据处理方法及装置 | |
CN109145084B (zh) | 数据处理方法、数据处理装置和服务器 | |
CN112395194A (zh) | 一种接入测试平台的方法和装置 | |
CN111475403A (zh) | 测试脚本的动态生成方法及相关装置 | |
CN110908659A (zh) | 一种根据接口定义自动生成用户操作界面的方法及系统 | |
CN114781556B (zh) | 基于字符部件信息的字体生成方法、系统、设备和介质 | |
CN116028038B (zh) | 基于dag图表的可视化流水线编排方法及相关组件 | |
CN115129363A (zh) | 面向服务适配的微服务接口元数据模型构造方法 | |
JP2018132838A (ja) | 情報処理装置および情報処理装置用プログラム | |
CN117094285A (zh) | 基于自然语言执行指令的方法、系统及计算设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |