CN116955592B - 基于可视化推理结果的数据处理方法及系统 - Google Patents
基于可视化推理结果的数据处理方法及系统 Download PDFInfo
- Publication number
- CN116955592B CN116955592B CN202310909831.XA CN202310909831A CN116955592B CN 116955592 B CN116955592 B CN 116955592B CN 202310909831 A CN202310909831 A CN 202310909831A CN 116955592 B CN116955592 B CN 116955592B
- Authority
- CN
- China
- Prior art keywords
- entity
- information
- determining
- reasoning
- result
- 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.)
- Active
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 51
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012986 modification Methods 0.000 claims description 60
- 230000004048 modification Effects 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 47
- 230000007547 defect Effects 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 16
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 230000003340 mental effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于可视化推理结果的数据处理方法及系统，该方法包括：获取用户输入的问题数据；确定所述问题数据中的多个实体信息和对应的多个关系信息；基于训练好的神经网络模型，根据所述实体信息和所述关系信息，计算所述问题数据对应的思考链推理结果；根据所述实体信息和所述关系信息，和所述思考链推理结果对应的实体信息和关系信息，生成推理结果图形。可见，本发明可以确定出问题数据对应的思考链推理结果，并根据问题数据和推理结果对应的实体信息和关系信息形成可视化的图形，从而能够提供给用户更直观的推理使用体验，且将推理结果可视化，有助于后续的逻辑图形分析工作或用户的模型学习概念分析工作。
Description
技术领域
本发明涉及数据可视化技术领域，尤其涉及一种基于可视化推理结果的数据处理方法及系统。
背景技术
随着自然语言处理技术的发展和人们对智能问答服务的需求的增长，越来越多的企业开始将研发精力放在可视化的人机交互的问答服务中，例如在软件或网页上提供问答服务，这些可视化的问答服务由于其交互性强，赢得了很多用户的青睐。
但现有技术在实现可视化的问答服务时，一般仅是着重于用户操作页面或操作步骤的可视化，以提高用户体验，没有考虑将问答结果的推理过程可视化，从而无法让用户更加直观地理解模型的输出结果，也无法让实验人员更加直观地判断模型的答题效果。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于可视化推理结果的数据处理方法及系统，能够提供给用户更直观的推理使用体验，且将推理结果可视化，有助于后续的逻辑图形分析工作或用户的模型学习概念分析工作。
为了解决上述技术问题，本发明第一方面公开了一种基于可视化推理结果的数据处理方法，所述方法包括：
获取用户输入的问题数据；
确定所述问题数据中的多个实体信息和对应的多个关系信息；
基于训练好的神经网络模型，根据所述实体信息和所述关系信息，计算所述问题数据对应的思考链推理结果；
根据所述实体信息和所述关系信息，和所述思考链推理结果对应的实体信息和关系信息，生成推理结果图形；所述推理结果图形用于推送至所述用户的终端进行显示。
作为一种可选的实施方式，在本发明第一方面中，所述确定所述问题数据中的多个实体信息和对应的多个关系信息，包括：
根据所述用户的历史数据记录，从多个候选实体识别模型中确定出目标实体识别模型；
根据所述目标实体识别模型，识别出所述问题数据中的多个实体信息；
基于关系提取算法模型，确定所述多个实体信息对应的多个关系信息。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述用户的历史数据记录，从多个候选实体识别模型中确定出目标实体识别模型，包括：
根据所述用户的历史数据记录，确定出所述用户对应的历史常用实体集合；
计算每一候选实体识别模型，确定该候选实体识别模型的历史输出实体集合和训练实体信息集合；
计算所述历史输出实体集合和所述历史常用实体集合之间的第一相似度；
计算所述训练实体信息集合和所述历史常用实体集合之间的第二相似度；
计算所述第一相似度和所述第二相似度的加权求和平均值，得到该候选实体识别模型对应的相似度参数；其中，所述第一相似度的权重大于所述第二相似度的权重；
对于所有所述候选实体识别模型，确定出所述相似度参数最高的模型，确定为目标实体识别模型。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述实体信息和所述关系信息，和所述思考链推理结果对应的实体信息和关系信息，生成推理结果图形，包括：
将所述思考链推理结果输入至所述目标实体识别模型和所述关系提取算法模型中，得到对应的多个结果实体信息和多个结果关系信息；
根据所述实体信息和所述结果实体信息，基于预设的实体图案库，生成对应的多个实体图案；
根据所述关系信息和所述结果关系信息，基于预设的关系连接图案库，生成不同所述实体图案之间的关系连接图案；
将所述实体图案和所述关系连接图案确定为推理结果图形。
作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：
实时获取所述用户对所述推理结果图形的浏览操作；所述浏览操作包括移动操作、放大缩小操作和修改操作；
根据所述浏览操作，确定所述思考链推理结果对应的逻辑瑕疵信息；所述逻辑瑕疵信息用于在后续对所述神经网络模型的优化中作为修正训练数据集的参考因素；
根据所述逻辑瑕疵信息和所述浏览操作，确定所述推理结果图形对应的修改提示。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述浏览操作，确定所述思考链推理结果对应的逻辑瑕疵信息，包括：
根据所述用户在预设时间段内的所有所述浏览操作，基于预设的操作关注度判别规则，确定所述用户对所述思考链推理结果的多个高关注度操作和分别对应的关注位置；
计算每一所述高关注度操作的操作类型对应的权重参数；所述权重参数为出现次数权重和类型权重的乘积；所述出现次数权重与所述操作类型对应的操作在所有所述高关注度操作中的出现次数成正比；所述移动操作、所述放大缩小操作和所述修改操作的所述类型权重依次增大；
对于每一所述关注位置，计算该关注位置对应的所有所述高关注度操作对应的所述权重参数的平均值，得到该关注位置对应的操作权重参数；
将该关注位置对应的实体信息和关系信息输入至训练好的关系判断神经网络模型中，以得到该关注位置对应的逻辑缺陷预测概率；所述关系判断神经网络模型通过包括有多个训练实体信息和训练关系信息以及对应的逻辑缺陷标注的训练数据集训练得到；
计算该关注位置对应的所述操作权重参数和所述逻辑缺陷预测概率的乘积，得到该关注位置对应的缺陷参数；
将所有所述关注位置中所述缺陷参数大于预设阈值的关注位置，确定为所述思考链推理结果对应的逻辑瑕疵信息。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述逻辑瑕疵信息和所述浏览操作，确定所述推理结果图形对应的修改提示，包括：
将所述逻辑瑕疵信息中的关注位置对应的实体信息和关系信息输入至候选神经网络模型中，以得到对应的输出的预测修改操作；
筛选出所述浏览操作中的所有修改操作；
从历史操作数据库中确定出所述关注位置对应的实体信息和关系信息对应的多个历史修改操作；
计算所述预测修改操作、所述所有修改操作和所述多个历史修改操作的并集，确定所述推理结果图形对应的修改提示。
本发明第二方面公开了一种基于可视化推理结果的数据处理系统，所述系统包括：
获取模块，用于获取用户输入的问题数据；
确定模块，用于确定所述问题数据中的多个实体信息和对应的多个关系信息；
计算模块，用于基于训练好的神经网络模型，根据所述实体信息和所述关系信息，计算所述问题数据对应的思考链推理结果；
生成模块，用于根据所述实体信息和所述关系信息，和所述思考链推理结果对应的实体信息和关系信息，生成推理结果图形；所述推理结果图形用于推送至所述用户的终端进行显示。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块确定所述问题数据中的多个实体信息和对应的多个关系信息的具体方式，包括：
根据所述用户的历史数据记录，从多个候选实体识别模型中确定出目标实体识别模型；
根据所述目标实体识别模型，识别出所述问题数据中的多个实体信息；
基于关系提取算法模型，确定所述多个实体信息对应的多个关系信息。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述用户的历史数据记录，从多个候选实体识别模型中确定出目标实体识别模型的具体方式，包括：
根据所述用户的历史数据记录，确定出所述用户对应的历史常用实体集合；
计算每一候选实体识别模型，确定该候选实体识别模型的历史输出实体集合和训练实体信息集合；
计算所述历史输出实体集合和所述历史常用实体集合之间的第一相似度；
计算所述训练实体信息集合和所述历史常用实体集合之间的第二相似度；
计算所述第一相似度和所述第二相似度的加权求和平均值，得到该候选实体识别模型对应的相似度参数；其中，所述第一相似度的权重大于所述第二相似度的权重；
对于所有所述候选实体识别模型，确定出所述相似度参数最高的模型，确定为目标实体识别模型。
作为一种可选的实施方式，在本发明第二方面中，所述生成模块根据所述实体信息和所述关系信息，和所述思考链推理结果对应的实体信息和关系信息，生成推理结果图形的具体方式，包括：
将所述思考链推理结果输入至所述目标实体识别模型和所述关系提取算法模型中，得到对应的多个结果实体信息和多个结果关系信息；
根据所述实体信息和所述结果实体信息，基于预设的实体图案库，生成对应的多个实体图案；
根据所述关系信息和所述结果关系信息，基于预设的关系连接图案库，生成不同所述实体图案之间的关系连接图案；
将所述实体图案和所述关系连接图案确定为推理结果图形。
作为一种可选的实施方式，在本发明第二方面中，所述装置还包括提示模块，用于执行以下步骤：
实时获取所述用户对所述推理结果图形的浏览操作；所述浏览操作包括移动操作、放大缩小操作和修改操作；
根据所述浏览操作，确定所述思考链推理结果对应的逻辑瑕疵信息；所述逻辑瑕疵信息用于在后续对所述神经网络模型的优化中作为修正训练数据集的参考因素；
根据所述逻辑瑕疵信息和所述浏览操作，确定所述推理结果图形对应的修改提示。
作为一种可选的实施方式，在本发明第二方面中，所述提示模块根据所述浏览操作，确定所述思考链推理结果对应的逻辑瑕疵信息的具体方式，包括：
根据所述用户在预设时间段内的所有所述浏览操作，基于预设的操作关注度判别规则，确定所述用户对所述思考链推理结果的多个高关注度操作和分别对应的关注位置；
计算每一所述高关注度操作的操作类型对应的权重参数；所述权重参数为出现次数权重和类型权重的乘积；所述出现次数权重与所述操作类型对应的操作在所有所述高关注度操作中的出现次数成正比；所述移动操作、所述放大缩小操作和所述修改操作的所述类型权重依次增大；
对于每一所述关注位置，计算该关注位置对应的所有所述高关注度操作对应的所述权重参数的平均值，得到该关注位置对应的操作权重参数；
将该关注位置对应的实体信息和关系信息输入至训练好的关系判断神经网络模型中，以得到该关注位置对应的逻辑缺陷预测概率；所述关系判断神经网络模型通过包括有多个训练实体信息和训练关系信息以及对应的逻辑缺陷标注的训练数据集训练得到；
计算该关注位置对应的所述操作权重参数和所述逻辑缺陷预测概率的乘积，得到该关注位置对应的缺陷参数；
将所有所述关注位置中所述缺陷参数大于预设阈值的关注位置，确定为所述思考链推理结果对应的逻辑瑕疵信息。
作为一种可选的实施方式，在本发明第二方面中，所述提示模块根据所述逻辑瑕疵信息和所述浏览操作，确定所述推理结果图形对应的修改提示的具体方式，包括：
将所述逻辑瑕疵信息中的关注位置对应的实体信息和关系信息输入至候选神经网络模型中，以得到对应的输出的预测修改操作；
筛选出所述浏览操作中的所有修改操作；
从历史操作数据库中确定出所述关注位置对应的实体信息和关系信息对应的多个历史修改操作；
计算所述预测修改操作、所述所有修改操作和所述多个历史修改操作的并集，确定所述推理结果图形对应的修改提示。
本发明第三方面公开了另一种基于可视化推理结果的数据处理系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于可视化推理结果的数据处理方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于可视化推理结果的数据处理方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明可以根据神经网络模型来确定出问题数据对应的思考链推理结果，并根据问题数据和推理结果对应的实体信息和关系信息形成可视化的图形，从而能够一方面提供给用户更直观的推理使用体验，另一方面将推理结果可视化，有助于后续的逻辑图形分析工作或用户的模型学习概念分析工作。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是本发明实施例公开的一种基于可视化推理结果的数据处理方法的流程示意图；
图2是本发明实施例公开的一种基于可视化推理结果的数据处理系统的结构示意图；
图3是本发明实施例公开的另一种基于可视化推理结果的数据处理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于可视化推理结果的数据处理方法及系统，可以根据神经网络模型来确定出问题数据对应的思考链推理结果，并根据问题数据和推理结果对应的实体信息和关系信息形成可视化的图形，从而能够一方面提供给用户更直观的推理使用体验，另一方面将推理结果可视化，有助于后续的逻辑图形分析工作或用户的模型学习概念分析工作。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于可视化推理结果的数据处理方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该基于可视化推理结果的数据处理方法可以包括以下操作：
101、获取用户输入的问题数据。
102、确定问题数据中的多个实体信息和对应的多个关系信息。
可选的，实体信息可以包括人名、地名、机构名、物品名中的至少一种。可选的，关系信息可以为顺序关系、因果关系、并列关系、包含或被包含关系中的至少一种。
103、基于训练好的神经网络模型，根据实体信息和关系信息，计算问题数据对应的思考链推理结果。
可选的，神经网络模型可以为LLM模型，其通过包括有多个训练实体信息和训练关系信息和对应的思考链推理标注的训练数据集训练得到。
104、根据实体信息和关系信息，和思考链推理结果对应的实体信息和关系信息，生成推理结果图形。
具体的，推理结果图形用于推送至用户的终端进行显示。
可见，实施本发明实施例所描述的方法可以根据神经网络模型来确定出问题数据对应的思考链推理结果，并根据问题数据和推理结果对应的实体信息和关系信息形成可视化的图形，从而能够一方面提供给用户更直观的推理使用体验，另一方面将推理结果可视化，有助于后续的逻辑图形分析工作或用户的模型学习概念分析工作。
作为一种可选的实施例，上述步骤中的，确定问题数据中的多个实体信息和对应的多个关系信息，包括：
根据用户的历史数据记录，从多个候选实体识别模型中确定出目标实体识别模型；
根据目标实体识别模型，识别出问题数据中的多个实体信息；
基于关系提取算法模型，确定多个实体信息对应的多个关系信息。
可选的，候选实体识别模型、目标实体识别模型和关系提取算法模型均可以为训练好的神经网络模型。
通过上述实施例，能够根据用户的历史数据记录，从多个候选实体识别模型中确定出目标实体识别模型，以通过目标实体识别模型和关系提取算法模型，来实现识别出问题数据中的多个实体信息和对应的多个关系信息，从而能够在后续更加精确地借助这些信息确定出问题数据对应的思考链推理结果。
作为一种可选的实施例，上述步骤中的，根据用户的历史数据记录，从多个候选实体识别模型中确定出目标实体识别模型，包括：
根据用户的历史数据记录，确定出用户对应的历史常用实体集合；
计算每一候选实体识别模型，确定该候选实体识别模型的历史输出实体集合和训练实体信息集合；
计算历史输出实体集合和历史常用实体集合之间的第一相似度；
计算训练实体信息集合和历史常用实体集合之间的第二相似度；
计算第一相似度和第二相似度的加权求和平均值，得到该候选实体识别模型对应的相似度参数；其中，第一相似度的权重大于第二相似度的权重；
对于所有候选实体识别模型，确定出相似度参数最高的模型，确定为目标实体识别模型。
通过上述实施例，能够确定出所有候选实体识别模型相似度参数最高的模型，以确定为目标实体识别模型，便于后续通过目标实体识别模型来识别出问题数据中的多个实体信息，从而能够在后续更加精确地借助这些信息确定出问题数据对应的思考链推理结果。
作为一种可选的实施例，上述步骤中的，根据实体信息和关系信息，和思考链推理结果对应的实体信息和关系信息，生成推理结果图形，包括：
将思考链推理结果输入至目标实体识别模型和关系提取算法模型中，得到对应的多个结果实体信息和多个结果关系信息；
根据实体信息和结果实体信息，基于预设的实体图案库，生成对应的多个实体图案；
根据关系信息和结果关系信息，基于预设的关系连接图案库，生成不同实体图案之间的关系连接图案；
将实体图案和关系连接图案确定为推理结果图形。
可选的，预设的实体图案库和关系连接图案库中包括有多个预设的不同种类的实体信息或关系信息对应的图案以及图案显示参数，其可以由操作人员根据经验或实验统计预先设置。
通过上述实施例，能够首先确定出思考链推理结果中的实体信息和关系信息，再统一生成完整的推理过程的推理结果图形，从而能够提供给用户更直观和更完整的推理使用体验，且将推理结果可视化，有助于后续的逻辑图形分析工作或用户的模型学习概念分析工作。
作为一种可选的实施例，该方法还包括：
实时获取用户对推理结果图形的浏览操作；浏览操作包括移动操作、放大缩小操作和修改操作；
根据浏览操作，确定思考链推理结果对应的逻辑瑕疵信息；逻辑瑕疵信息用于在后续对神经网络模型的优化中作为修正训练数据集的参考因素；
根据逻辑瑕疵信息和浏览操作，确定推理结果图形对应的修改提示。
通过上述实施例，能够首先根据用户的实时浏览操作确定思考链推理结果对应的逻辑瑕疵信息，再根据逻辑瑕疵信息和浏览操作确定推理结果图形对应的修改提示，从而能够实时结合用户的操作来预判输出结果的错误位置，以提供给用户更直观和更智能的推理使用体验。
作为一种可选的实施例，上述步骤中的，根据浏览操作，确定思考链推理结果对应的逻辑瑕疵信息，包括：
根据用户在预设时间段内的所有浏览操作，基于预设的操作关注度判别规则，确定用户对思考链推理结果的多个高关注度操作和分别对应的关注位置；
计算每一高关注度操作的操作类型对应的权重参数；权重参数为出现次数权重和类型权重的乘积；出现次数权重与操作类型对应的操作在所有高关注度操作中的出现次数成正比；移动操作、放大缩小操作和修改操作的类型权重依次增大；
对于每一关注位置，计算该关注位置对应的所有高关注度操作对应的权重参数的平均值，得到该关注位置对应的操作权重参数；
将该关注位置对应的实体信息和关系信息输入至训练好的关系判断神经网络模型中，以得到该关注位置对应的逻辑缺陷预测概率；关系判断神经网络模型通过包括有多个训练实体信息和训练关系信息以及对应的逻辑缺陷标注的训练数据集训练得到；
计算该关注位置对应的操作权重参数和逻辑缺陷预测概率的乘积，得到该关注位置对应的缺陷参数；
将所有关注位置中缺陷参数大于预设阈值的关注位置，确定为思考链推理结果对应的逻辑瑕疵信息。
可选的，预设的操作关注度判别规则用于限定不同的操作的类型、参数和位置对应的用户关注度的对应关系，其可以通过神经网络来实现，也可以根据操作人员的实验统计来确定，操作的参数可以包括操作的持续时间、力度、重复次数等参数。
通过上述实施例，能够首先基于预设的操作关注度判别规则，确定用户对思考链推理结果的多个高关注度操作和分别对应的关注位置，再根据操作权重参数和逻辑缺陷预测概率的计算来最终确定出用户可能认为存在问题的思考链结果的位置，从而能够实时结合用户的操作来更加精确地预判输出结果的错误位置，以提供给用户更直观和更智能的推理使用体验。
作为一种可选的实施例，上述步骤中的，根据逻辑瑕疵信息和浏览操作，确定推理结果图形对应的修改提示，包括：
将逻辑瑕疵信息中的关注位置对应的实体信息和关系信息输入至候选神经网络模型中，以得到对应的输出的预测修改操作；
筛选出浏览操作中的所有修改操作；
从历史操作数据库中确定出关注位置对应的实体信息和关系信息对应的多个历史修改操作；
计算预测修改操作、所有修改操作和多个历史修改操作的并集，确定推理结果图形对应的修改提示。
可选的，候选神经网络模型可以为与神经网络模型实现同一目的的备选模型，其可以通过同样的或相似的训练数据集训练得到，以用于候补地，使用同一原则来判断出可能存在逻辑瑕疵的位置的实体信息和关系信息对应的思考链推理结果，再根据判断出的思考链推理结果和现有的思考链推理结果的差异来确定预测修改操作。
通过上述实施例，能够计算预测修改操作、所有修改操作和多个历史修改操作的并集，确定推理结果图形对应的修改提示，从而能够实时结合预判的输出结果的错误位置以及历史的修改操作以及用户实时的操作，来准确确定出错误位置对应的修改提示，以提供给用户更直观和更智能的推理使用体验。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于可视化推理结果的数据处理系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：
获取模块201，用于获取用户输入的问题数据。
确定模块202，用于确定问题数据中的多个实体信息和对应的多个关系信息。
可选的，实体信息可以包括人名、地名、机构名、物品名中的至少一种。可选的，关系信息可以为顺序关系、因果关系、并列关系、包含或被包含关系中的至少一种。
计算模块203，用于基于训练好的神经网络模型，根据实体信息和关系信息，计算问题数据对应的思考链推理结果。
可选的，神经网络模型可以为LLM模型，其通过包括有多个训练实体信息和训练关系信息和对应的思考链推理标注的训练数据集训练得到。
生成模块204，用于根据实体信息和关系信息，和思考链推理结果对应的实体信息和关系信息，生成推理结果图形。
具体的，推理结果图形用于推送至用户的终端进行显示。
可见，实施本发明实施例所描述的系统可以根据神经网络模型来确定出问题数据对应的思考链推理结果，并根据问题数据和推理结果对应的实体信息和关系信息形成可视化的图形，从而能够一方面提供给用户更直观的推理使用体验，另一方面将推理结果可视化，有助于后续的逻辑图形分析工作或用户的模型学习概念分析工作。
作为一种可选的实施例，确定模块202确定问题数据中的多个实体信息和对应的多个关系信息的具体方式，包括：
根据用户的历史数据记录，从多个候选实体识别模型中确定出目标实体识别模型；
根据目标实体识别模型，识别出问题数据中的多个实体信息；
基于关系提取算法模型，确定多个实体信息对应的多个关系信息。
可选的，候选实体识别模型、目标实体识别模型和关系提取算法模型均可以为训练好的神经网络模型。
通过上述实施例，能够根据用户的历史数据记录，从多个候选实体识别模型中确定出目标实体识别模型，以通过目标实体识别模型和关系提取算法模型，来实现识别出问题数据中的多个实体信息和对应的多个关系信息，从而能够在后续更加精确地借助这些信息确定出问题数据对应的思考链推理结果。
作为一种可选的实施例，确定模块202根据用户的历史数据记录，从多个候选实体识别模型中确定出目标实体识别模型的具体方式，包括：
根据用户的历史数据记录，确定出用户对应的历史常用实体集合；
计算每一候选实体识别模型，确定该候选实体识别模型的历史输出实体集合和训练实体信息集合；
计算历史输出实体集合和历史常用实体集合之间的第一相似度；
计算训练实体信息集合和历史常用实体集合之间的第二相似度；
计算第一相似度和第二相似度的加权求和平均值，得到该候选实体识别模型对应的相似度参数；其中，第一相似度的权重大于第二相似度的权重；
对于所有候选实体识别模型，确定出相似度参数最高的模型，确定为目标实体识别模型。
通过上述实施例，能够确定出所有候选实体识别模型相似度参数最高的模型，以确定为目标实体识别模型，便于后续通过目标实体识别模型来识别出问题数据中的多个实体信息，从而能够在后续更加精确地借助这些信息确定出问题数据对应的思考链推理结果。
作为一种可选的实施例，生成模块204根据实体信息和关系信息，和思考链推理结果对应的实体信息和关系信息，生成推理结果图形的具体方式，包括：
将思考链推理结果输入至目标实体识别模型和关系提取算法模型中，得到对应的多个结果实体信息和多个结果关系信息；
根据实体信息和结果实体信息，基于预设的实体图案库，生成对应的多个实体图案；
根据关系信息和结果关系信息，基于预设的关系连接图案库，生成不同实体图案之间的关系连接图案；
将实体图案和关系连接图案确定为推理结果图形。
可选的，预设的实体图案库和关系连接图案库中包括有多个预设的不同种类的实体信息或关系信息对应的图案以及图案显示参数，其可以由操作人员根据经验或实验统计预先设置。
通过上述实施例，能够首先确定出思考链推理结果中的实体信息和关系信息，再统一生成完整的推理过程的推理结果图形，从而能够提供给用户更直观和更完整的推理使用体验，且将推理结果可视化，有助于后续的逻辑图形分析工作或用户的模型学习概念分析工作。
作为一种可选的实施例，该装置还包括提示模块，用于执行以下步骤：
实时获取用户对推理结果图形的浏览操作；浏览操作包括移动操作、放大缩小操作和修改操作；
根据浏览操作，确定思考链推理结果对应的逻辑瑕疵信息；逻辑瑕疵信息用于在后续对神经网络模型的优化中作为修正训练数据集的参考因素；
根据逻辑瑕疵信息和浏览操作，确定推理结果图形对应的修改提示。
通过上述实施例，能够首先根据用户的实时浏览操作确定思考链推理结果对应的逻辑瑕疵信息，再根据逻辑瑕疵信息和浏览操作确定推理结果图形对应的修改提示，从而能够实时结合用户的操作来预判输出结果的错误位置，以提供给用户更直观和更智能的推理使用体验。
作为一种可选的实施例，提示模块根据浏览操作，确定思考链推理结果对应的逻辑瑕疵信息的具体方式，包括：
根据用户在预设时间段内的所有浏览操作，基于预设的操作关注度判别规则，确定用户对思考链推理结果的多个高关注度操作和分别对应的关注位置；
计算每一高关注度操作的操作类型对应的权重参数；权重参数为出现次数权重和类型权重的乘积；出现次数权重与操作类型对应的操作在所有高关注度操作中的出现次数成正比；移动操作、放大缩小操作和修改操作的类型权重依次增大；
对于每一关注位置，计算该关注位置对应的所有高关注度操作对应的权重参数的平均值，得到该关注位置对应的操作权重参数；
将该关注位置对应的实体信息和关系信息输入至训练好的关系判断神经网络模型中，以得到该关注位置对应的逻辑缺陷预测概率；关系判断神经网络模型通过包括有多个训练实体信息和训练关系信息以及对应的逻辑缺陷标注的训练数据集训练得到；
计算该关注位置对应的操作权重参数和逻辑缺陷预测概率的乘积，得到该关注位置对应的缺陷参数；
将所有关注位置中缺陷参数大于预设阈值的关注位置，确定为思考链推理结果对应的逻辑瑕疵信息。
可选的，预设的操作关注度判别规则用于限定不同的操作的类型、参数和位置对应的用户关注度的对应关系，其可以通过神经网络来实现，也可以根据操作人员的实验统计来确定，操作的参数可以包括操作的持续时间、力度、重复次数等参数。
通过上述实施例，能够首先基于预设的操作关注度判别规则，确定用户对思考链推理结果的多个高关注度操作和分别对应的关注位置，再根据操作权重参数和逻辑缺陷预测概率的计算来最终确定出用户可能认为存在问题的思考链结果的位置，从而能够实时结合用户的操作来更加精确地预判输出结果的错误位置，以提供给用户更直观和更智能的推理使用体验。
作为一种可选的实施例，提示模块根据逻辑瑕疵信息和浏览操作，确定推理结果图形对应的修改提示的具体方式，包括：
将逻辑瑕疵信息中的关注位置对应的实体信息和关系信息输入至候选神经网络模型中，以得到对应的输出的预测修改操作；
筛选出浏览操作中的所有修改操作；
从历史操作数据库中确定出关注位置对应的实体信息和关系信息对应的多个历史修改操作；
计算预测修改操作、所有修改操作和多个历史修改操作的并集，确定推理结果图形对应的修改提示。
可选的，候选神经网络模型可以为与神经网络模型实现同一目的的备选模型，其可以通过同样的或相似的训练数据集训练得到，以用于候补地，使用同一原则来判断出可能存在逻辑瑕疵的位置的实体信息和关系信息对应的思考链推理结果，再根据判断出的思考链推理结果和现有的思考链推理结果的差异来确定预测修改操作。
通过上述实施例，能够计算预测修改操作、所有修改操作和多个历史修改操作的并集，确定推理结果图形对应的修改提示，从而能够实时结合预判的输出结果的错误位置以及历史的修改操作以及用户实时的操作，来准确确定出错误位置对应的修改提示，以提供给用户更直观和更智能的推理使用体验。
实施例三
请参阅图3，图3是本发明实施例公开的另一种基于可视化推理结果的数据处理系统的结构示意图。如图3所示，该系统可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于可视化推理结果的数据处理方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于可视化推理结果的数据处理方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于可视化推理结果的数据处理方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (8)
1.一种基于可视化推理结果的数据处理方法，其特征在于，所述方法包括：
获取用户输入的问题数据；
根据所述用户的历史数据记录，确定出所述用户对应的历史常用实体集合；
计算每一候选实体识别模型，确定该候选实体识别模型的历史输出实体集合和训练实体信息集合；
计算所述历史输出实体集合和所述历史常用实体集合之间的第一相似度；
计算所述训练实体信息集合和所述历史常用实体集合之间的第二相似度；
计算所述第一相似度和所述第二相似度的加权求和平均值，得到该候选实体识别模型对应的相似度参数；其中，所述第一相似度的权重大于所述第二相似度的权重；
对于所有所述候选实体识别模型，确定出所述相似度参数最高的模型，确定为目标实体识别模型；
根据所述目标实体识别模型，识别出所述问题数据中的多个实体信息；
基于关系提取算法模型，确定所述多个实体信息对应的多个关系信息；
基于训练好的神经网络模型，根据所述实体信息和所述关系信息，计算所述问题数据对应的思考链推理结果；
根据所述实体信息和所述关系信息，和所述思考链推理结果对应的实体信息和关系信息，生成推理结果图形；所述推理结果图形用于推送至所述用户的终端进行显示。
2.根据权利要求1所述的基于可视化推理结果的数据处理方法，其特征在于，所述根据所述实体信息和所述关系信息，和所述思考链推理结果对应的实体信息和关系信息，生成推理结果图形，包括：
将所述思考链推理结果输入至所述目标实体识别模型和所述关系提取算法模型中，得到对应的多个结果实体信息和多个结果关系信息；
根据所述实体信息和所述结果实体信息，基于预设的实体图案库，生成对应的多个实体图案；所述实体图案库包括有多个预设的不同种类的实体信息对应的图案以及图案显示参数；
根据所述关系信息和所述结果关系信息，基于预设的关系连接图案库，生成不同所述实体图案之间的关系连接图案；所述关系连接图案库中包括有多个预设的不同种类的关系信息对应的图案以及图案显示参数；
将所述实体图案和所述关系连接图案确定为推理结果图形。
3.根据权利要求2所述的基于可视化推理结果的数据处理方法，其特征在于，所述方法还包括：
实时获取所述用户对所述推理结果图形的浏览操作；所述浏览操作包括移动操作、放大缩小操作和修改操作；
根据所述浏览操作，确定所述思考链推理结果对应的逻辑瑕疵信息；所述逻辑瑕疵信息用于在后续对所述神经网络模型的优化中作为修正训练数据集的参考因素；
根据所述逻辑瑕疵信息和所述浏览操作，确定所述推理结果图形对应的修改提示。
4.根据权利要求3所述的基于可视化推理结果的数据处理方法，其特征在于，所述根据所述浏览操作，确定所述思考链推理结果对应的逻辑瑕疵信息，包括：
根据所述用户在预设时间段内的所有所述浏览操作，基于预设的操作关注度判别规则，确定所述用户对所述思考链推理结果的多个高关注度操作和分别对应的关注位置；
计算每一所述高关注度操作的操作类型对应的权重参数；所述权重参数为出现次数权重和类型权重的乘积；所述出现次数权重与所述操作类型对应的操作在所有所述高关注度操作中的出现次数成正比；所述移动操作、所述放大缩小操作和所述修改操作的所述类型权重依次增大；
对于每一所述关注位置，计算该关注位置对应的所有所述高关注度操作对应的所述权重参数的平均值，得到该关注位置对应的操作权重参数；
将该关注位置对应的实体信息和关系信息输入至训练好的关系判断神经网络模型中，以得到该关注位置对应的逻辑缺陷预测概率；所述关系判断神经网络模型通过包括有多个训练实体信息和训练关系信息以及对应的逻辑缺陷标注的训练数据集训练得到；
计算该关注位置对应的所述操作权重参数和所述逻辑缺陷预测概率的乘积，得到该关注位置对应的缺陷参数；
将所有所述关注位置中所述缺陷参数大于预设阈值的关注位置，确定为所述思考链推理结果对应的逻辑瑕疵信息。
5.根据权利要求4所述的基于可视化推理结果的数据处理方法，其特征在于，所述根据所述逻辑瑕疵信息和所述浏览操作，确定所述推理结果图形对应的修改提示，包括：
将所述逻辑瑕疵信息中的关注位置对应的实体信息和关系信息输入至候选神经网络模型中，以得到对应的输出的预测修改操作；
筛选出所述浏览操作中的所有修改操作；
从历史操作数据库中确定出所述关注位置对应的实体信息和关系信息对应的多个历史修改操作；
计算所述预测修改操作、所述所有修改操作和所述多个历史修改操作的并集，确定所述推理结果图形对应的修改提示。
6.一种基于可视化推理结果的数据处理系统，其特征在于，所述系统包括：
获取模块，用于获取用户输入的问题数据；
确定模块，用于确定所述问题数据中的多个实体信息和对应的多个关系信息，具体包括：
根据所述用户的历史数据记录，确定出所述用户对应的历史常用实体集合；
计算每一候选实体识别模型，确定该候选实体识别模型的历史输出实体集合和训练实体信息集合；
计算所述历史输出实体集合和所述历史常用实体集合之间的第一相似度；
计算所述训练实体信息集合和所述历史常用实体集合之间的第二相似度；
计算所述第一相似度和所述第二相似度的加权求和平均值，得到该候选实体识别模型对应的相似度参数；其中，所述第一相似度的权重大于所述第二相似度的权重；
对于所有所述候选实体识别模型，确定出所述相似度参数最高的模型，确定为目标实体识别模型；
根据所述目标实体识别模型，识别出所述问题数据中的多个实体信息；
基于关系提取算法模型，确定所述多个实体信息对应的多个关系信息；
计算模块，用于基于训练好的神经网络模型，根据所述实体信息和所述关系信息，计算所述问题数据对应的思考链推理结果；
生成模块，用于根据所述实体信息和所述关系信息，和所述思考链推理结果对应的实体信息和关系信息，生成推理结果图形；所述推理结果图形用于推送至所述用户的终端进行显示。
7.一种基于可视化推理结果的数据处理系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-5任一项所述的基于可视化推理结果的数据处理方法。
8.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-5任一项所述的基于可视化推理结果的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310909831.XA CN116955592B (zh) | 2023-07-21 | 2023-07-21 | 基于可视化推理结果的数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310909831.XA CN116955592B (zh) | 2023-07-21 | 2023-07-21 | 基于可视化推理结果的数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116955592A CN116955592A (zh) | 2023-10-27 |
| CN116955592B true CN116955592B (zh) | 2024-02-09 |
Family
ID=88459927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310909831.XA Active CN116955592B (zh) | 2023-07-21 | 2023-07-21 | 基于可视化推理结果的数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116955592B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376844A (zh) * | 2018-10-30 | 2019-02-22 | 银河水滴科技（北京）有限公司 | 基于云平台和模型推荐的神经网络自动训练方法和装置 |
| CN109684354A (zh) * | 2017-10-18 | 2019-04-26 | 北京国双科技有限公司 | 数据查询方法和装置 |
| WO2021000676A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技（深圳）有限公司 | 问答方法、问答装置、计算机设备及存储介质 |
| CN112380853A (zh) * | 2020-11-16 | 2021-02-19 | 中国平安人寿保险股份有限公司 | 业务场景交互方法、装置、终端设备及存储介质 |
| CN112650840A (zh) * | 2020-12-04 | 2021-04-13 | 天津泰凡科技有限公司 | 一种基于知识图谱推理的医疗智能问答处理方法及系统 |
| CN113515613A (zh) * | 2021-06-25 | 2021-10-19 | 华中科技大学 | 一种集成闲聊、知识和任务问答的智能机器人 |
| CN113779211A (zh) * | 2021-08-06 | 2021-12-10 | 华中科技大学 | 一种基于自然语言实体关系的智能问答推理方法和系统 |
| CN113849613A (zh) * | 2021-09-15 | 2021-12-28 | 北方工业大学 | 一种食品安全问答推理方法、系统及电子设备 |
| CN114398871A (zh) * | 2022-02-23 | 2022-04-26 | 招商银行股份有限公司 | 金融实体抽取方法、装置、设备与计算机可读存储介质 |
| CN115128971A (zh) * | 2021-03-25 | 2022-09-30 | 博西华电器（江苏）有限公司 | 烹饪设备及其控制方法、计算机可读存储介质 |
| CN115964459A (zh) * | 2021-12-28 | 2023-04-14 | 北方工业大学 | 基于食品安全认知图谱的多跳推理问答方法及系统 |
| CN116128166A (zh) * | 2023-04-17 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种用于智能交通的数据可视化处理方法及装置 |
-
2023
- 2023-07-21 CN CN202310909831.XA patent/CN116955592B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684354A (zh) * | 2017-10-18 | 2019-04-26 | 北京国双科技有限公司 | 数据查询方法和装置 |
| CN109376844A (zh) * | 2018-10-30 | 2019-02-22 | 银河水滴科技（北京）有限公司 | 基于云平台和模型推荐的神经网络自动训练方法和装置 |
| WO2021000676A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技（深圳）有限公司 | 问答方法、问答装置、计算机设备及存储介质 |
| CN112380853A (zh) * | 2020-11-16 | 2021-02-19 | 中国平安人寿保险股份有限公司 | 业务场景交互方法、装置、终端设备及存储介质 |
| CN112650840A (zh) * | 2020-12-04 | 2021-04-13 | 天津泰凡科技有限公司 | 一种基于知识图谱推理的医疗智能问答处理方法及系统 |
| CN115128971A (zh) * | 2021-03-25 | 2022-09-30 | 博西华电器（江苏）有限公司 | 烹饪设备及其控制方法、计算机可读存储介质 |
| CN113515613A (zh) * | 2021-06-25 | 2021-10-19 | 华中科技大学 | 一种集成闲聊、知识和任务问答的智能机器人 |
| CN113779211A (zh) * | 2021-08-06 | 2021-12-10 | 华中科技大学 | 一种基于自然语言实体关系的智能问答推理方法和系统 |
| CN113849613A (zh) * | 2021-09-15 | 2021-12-28 | 北方工业大学 | 一种食品安全问答推理方法、系统及电子设备 |
| CN115964459A (zh) * | 2021-12-28 | 2023-04-14 | 北方工业大学 | 基于食品安全认知图谱的多跳推理问答方法及系统 |
| CN114398871A (zh) * | 2022-02-23 | 2022-04-26 | 招商银行股份有限公司 | 金融实体抽取方法、装置、设备与计算机可读存储介质 |
| CN116128166A (zh) * | 2023-04-17 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种用于智能交通的数据可视化处理方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 面向开放式信息抽取系统的知识推理验证;陈泽东;赵旭剑;张晖;杨春明;李波;;西南科技大学学报(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116955592A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115797606B (zh) | 基于深度学习的3d虚拟数字人交互动作生成方法及系统 | |
| CN111369299A (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
| CN116910274B (zh) | 基于知识图谱和预测模型的试题生成方法及系统 | |
| CN117809798A (zh) | 基于大模型的检验报告解读方法、系统、设备及介质 | |
| CN116955592B (zh) | 基于可视化推理结果的数据处理方法及系统 | |
| CN112735564A (zh) | 心理健康状态预测方法、设备、介质及计算机程序产品 | |
| CN116842263A (zh) | 一种智能问答式理财顾问模型的训练处理方法及装置 | |
| CN110033527A (zh) | 一种电力作业安全监管智能机器人及其实现方法 | |
| CN113377640B (zh) | 解释业务场景下模型的方法、介质、装置和计算设备 | |
| Palmeiro et al. | Data+ Shift: Supporting visual investigation of data distribution shifts by data scientists | |
| CN115391523A (zh) | 风电场多源异构数据处理方法及装置 | |
| Singh et al. | Folksonomy based trend analysis on community question answering sites: A perspective on software technologies | |
| KR20230075819A (ko) | 인식 행동 사이클에 기반한 멀티모델 계층적 추론 방법, 이를 수행하는 장치 | |
| CN114358579A (zh) | 评阅方法、评阅装置、电子设备以及计算机可读存储介质 | |
| JP2022068690A (ja) | 意思決定支援装置 | |
| JP2022035829A (ja) | 情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム | |
| CN117475367B (zh) | 基于多规则协调的污水图像处理方法及系统 | |
| KR20210090902A (ko) | Rnn-gan 시뮬레이션을 이용한 시장리스크 관리 시스템 | |
| KR20220001065A (ko) | 컨텐츠와 자산의 관련도 평가 방법 및 장치 | |
| WO2024098282A1 (zh) | 一种几何解题方法、装置、设备及存储介质 | |
| CN117235249B (zh) | 一种基于知识与数据双驱动的智能创作方法与系统 | |
| US20240077865A1 (en) | Information processing apparatus, information processing method, and computer-readable recording medium | |
| CN116955560B (zh) | 基于思考链和知识图谱的数据处理方法及系统 | |
| Abu-Mehsen et al. | Predicting Audit Risk Using Neural Networks: An In-depth Analysis. | |
| Reddy et al. | Deep Insights: Revolutionizing Stock Market Predictions with Machine Learning and Deep Learning Techniques |
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 |