CN116956873A - 链上资产发放方法及装置 - Google Patents
链上资产发放方法及装置 Download PDFInfo
- Publication number
- CN116956873A CN116956873A CN202310855968.1A CN202310855968A CN116956873A CN 116956873 A CN116956873 A CN 116956873A CN 202310855968 A CN202310855968 A CN 202310855968A CN 116956873 A CN116956873 A CN 116956873A
- Authority
- CN
- China
- Prior art keywords
- sentence
- language model
- contribution
- recognized
- identified
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000002596 correlated effect Effects 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 44
- 230000000875 corresponding effect Effects 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000005266 casting Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000013209 evaluation strategy Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 description 33
- 238000005516 engineering process Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本说明书一个或多个实施例提供一种链上资产发放方法及装置。其中,该方法应用于区块链系统,包括:获取将待识别语句输入语言模型后得到的待评估数据;基于所述待评估数据评估所述待识别语句对所述语言模型的贡献度;所述贡献度用于表征所述待识别语句对所述语言模型的优化操作的帮助程度;基于所述贡献度向所述待识别语句的提供方发放链上资产;其中,发放的链上资产数额与所述贡献度呈正相关。
Description
技术领域
本说明书一个或多个实施例涉及终端技术领域,尤其涉及一种链上资产发放方法及装置。
背景技术
随着诸如ChatGPT等语言模型的广泛流行,用户对语言模型的输出质量提出了更为严格的要求,因此,如何对语言模型进行迭代优化备受关注。
在相关技术中,通常是在语言模型的应用过程中,基于语言模型的输入和输出对语言模型进行迭代优化。然而,在实际应用中,用户通常仅是基于个人兴趣使用特定的语言模型,并不会长久使用同一语言模型,致使单个语言模型通常难以获得足够的输入来进行迭代优化。
发明内容
有鉴于此,本说明书一个或多个实施例提供一种链上资产发放方法及装置。
为实现上述目的,本说明书一个或多个实施例提供技术方案如下:
根据本说明书一个或多个实施例的第一方面,提出了一种链上资产发放方法,应用于区块链系统,包括:
获取将待识别语句输入语言模型后得到的待评估数据;
基于所述待评估数据评估所述待识别语句对所述语言模型的贡献度;所述贡献度用于表征所述待识别语句对所述语言模型的优化操作的帮助程度;
基于所述贡献度向所述待识别语句的提供方发放链上资产;其中,发放的链上资产数额与所述贡献度呈正相关。
根据本说明书一个或多个实施例的第二方面,提出了一种链上资产发放装置,应用于区块链系统,包括:
获取单元,获取将待识别语句输入语言模型后得到的待评估数据;
评估单元,基于所述待评估数据评估所述待识别语句对所述语言模型的贡献度;所述贡献度用于表征所述待识别语句对所述语言模型的优化操作的帮助程度;
发放单元,基于所述贡献度向所述待识别语句的提供方发放链上资产;其中,发放的链上资产数额与所述贡献度呈正相关。
根据本说明书一个或多个实施例的第三方面,提出了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如第一方面所述的方法。
根据本说明书一个或多个实施例的第四方面,提出了一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如第一方面所述方法的步骤。
附图说明
图1是一示例性实施例提供的一种链上资产发放方法的流程图。
图2是一示例性实施例提供的一种ChatGPT优化过程中的代币发放方法的交互图。
图3是一示例性实施例提供的一种设备的结构示意图。
图4是一示例性实施例提供的一种链上资产发放装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
ChatGPT(Chat Generative Pre-trained Transformer,聊天生成预训练转换器)、BERT(Bidirectional Encoder Representations from Transformers,自然语言处理双向神经网络模型)等均是时下较为流行的语言模型。其中,前者可以基于用户输入的语句,输出相应的答复语句,常用于与用户进行对话;而后者则用于预测输入语句中的遮挡词、或者预测输入语句的下文。
在自然语言处理领域中,无论是何种语言模型,均需要获取大量的输入,以根据输入输出以及模型功能,对相应的语言模型进行迭代优化。时下的大多数语言模型,均是基于模型功能吸引用户使用语言模型,进而获得语言模型的输入,该方式通常需要语言模型的功能与用户的个人兴趣高度贴合,才能够获得足量的输入用于迭代优化,然而,即便如此,仍无法保证用户能够长久使用同一语言模型,进而使得语言模型能够持续性进行迭代优化。
该问题在小众、训练得到的时间并不久的语言模型中尤为突出。该类语言模型由于传播力度不足、功能小众等原因,通常无法吸引到足够的用户使用,致使无法对语言模型进行迭代优化,模型无法优化又会造成功能不佳、无法吸引到用户的问题,进而进入恶性循环。
有鉴于此,本说明书提出了一种链上资产发放方法。在该方法中,由于无论用于实现何种功能的语言模型,均需要优先对输入语句进行内容识别,因此,可以将输入语句称作待识别语句。该方法可以获取将待识别语句输入语言模型后得到的待评估数据,并基于该待评估数据评估待识别语句对语言模型的贡献度,以通过该贡献度表征待识别语句对语言模型的优化操作的帮助程度。在此基础上,即可基于得到的贡献度向待识别语句的提供方发放链上资产,而发放的链上资产数额与该贡献度呈正相关。
应当理解的是,本说明书相当于基于输入语句对语言模型的优化的帮助程度,为输入语句的提供方发放了相应的链上资产,使得用户除了可以通过语言模型实现特定功能以外,还可以通过使用语言模型获得收益,进而吸引更多用户长久使用语音模型,避免了相关技术无法获得足够输入以用于迭代优化的问题。
除此之外,由于本说明书向输入语句的提供方发放的链上资产与该输入语句对语言模型的优化的帮助程度呈正相关,因此,可以促使用户尽可能地提供对语言模型的优化具有帮助的输入语句,换言之,促使用户提供对于语言模型而言更为高质量的语句,可以提升语言模型的优化效率。
下面,对本说明书提供的链上资产发放方法的各个步骤进行介绍。
图1为本说明书一示例性实施例提出的一种链上资产发放方法的流程图。该方法应用于区块链系统,可以包括以下步骤:
步骤102,获取将待识别语句输入语言模型后得到的待评估数据。
在本说明书中,在训练得到语言模型之后,即可通过该语言模型对待识别语句进行处理,以得到与待识别语句对应的处理结果。本说明书可以将语言模型对待识别语句进行处理过程中产生的任何数据作为待评估数据。
例如,该待评估数据可以包括“待识别语句本身”;再例如,该待评估数据可以包括“语言模型基于待识别语句得到的识别结果”、“语言模型基于待识别语句得到的输出结果”等;又例如,该待评估数据可以包括“对待识别语句和上述输出结果中的至少一者,进行分析后得到的分析数据”。除此之外,由于语言模型通常基于输入和输出的比较结果对语言模型进行迭代优化,因此,待评估数据还可以包括“基于待识别语句和上述输出结果对语言模型进行优化而产生的优化数据”。
当然,上述举例仅是示意性的,具体将哪些信息作为用于确定贡献度的待评估数据,可由本领域技术人员根据实际需求确定,本说明书对此不作限制。
在本说明书中,语言模型可以部署于不同的主体。例如,可以部署于区别于区块链系统的部署方,在该情况下,区块链系统可以从该部署方处获取上述待评估数据,以用于评估待识别语句对语言模型的贡献度,譬如,该部署方可以为服务器或服务器集群,也可以为智能手机、平板电脑等个人终端,还可以为虚拟机等逻辑主体,本说明书对此不作限制。再例如,语言模型也可以部署于区块链系统,在该情况下,用户可以向区块链系统提供待识别语句,以便区块链系统将待识别语句输入语言模型中,进而得到输出结果,并在该过程中,获取用于确定贡献度的待评估数据。当然,该举例仅是示意性的,具体如何部署语言模型可由本领域技术人员根据实际需求确定,本说明书对此不作限制。
值得注意的是,本说明书中的语言模型可以为提供任意功能的语言模型。例如,该语言模型可以用于对用户提供的待识别语句进行答复,换言之,语言模型提供的功能为“对待识别语句进行答复的答复功能”或者说“与用户进行交流的交流功能”,譬如,该类模型可以为上文所述的ChatGPT模型;再例如,该语言模型可以用于对用户提供的待识别语句进行识别,换言之,语言模型提供的功能为“对待识别语句进行识别的识别功能”,在该情况下,识别对象可根据实际需求确定,譬如,识别对象可以为待识别语句中被遮挡的词句,或者识别对象可以为待识别语句中属于特定类型的词句,诸如感叹词、动词等;又例如,该语言模型可以用于对用户提供的待识别语句进行上下文预测,换言之,语言模型提供的功能为“预测上下文”,譬如,该类模型可以包括上文所述的BERT模型。当然,此处举例仅是示意性的,本说明书中的语言模型具体提供何种功能,可由本领域技术人员根据实际情况确定,本说明书对此不作限制。
除此之外,本说明书中的语言模型可以为任意类型的模型。例如,该语言模型可以为通过无监督方式训练得到的预训练模型,该类模型在实际训练过程中,除了无监督训练以外,还可以采用掩码语言建模方式进行训练。再例如,该语言模型可以为诸如上文所述的ChatGPT和BERT一类的大语言模型,大语言模型通常为具有大规模参数和复杂结构的自然语言处理模型,可以根据需求实现较多的功能。当然,此处举例仅是示意性的,本说明书中的语言模型具体为何种类型的模型,可由本领域技术人员根据实际需求确定,本说明书对此不作限制。
步骤104,基于所述待评估数据评估所述待识别语句对所述语言模型的贡献度;所述贡献度用于表征所述待识别语句对所述语言模型的优化操作的帮助程度。
在本说明书中,在获得待评估数据之后,即可基于该待评估数据评估待识别语句对语言模型的贡献度。通常情况下,评估方式通常与待评估数据包含的信息相关。
例如,在待评估数据包含待识别语句本身的情况下,由于输入语句的新颖性越高通常对模型优化的帮助越大,因此,可以优先确定待识别语句与语言模型的历史输入语句的重复程度,进而基于该重复程度评估待识别语句对语言模型的贡献度。应当理解的是,重复程度越高意味着待识别语句的新颖性越低,对模型优化的帮助越小,因此,评估得到的贡献度可以与重复程度呈负相关。
再例如,在待评估数据包含语言模型基于待识别语句得到的识别结果的情况下,由于识别准确度越高,则意味着该待识别语句对模型的优化帮助不大,因此,可以在得到语言模型基于待识别语句得到识别结果之后,基于待识别语句和得到的识别结果,确定语言模型的识别准确度,并根据该识别准确度评估待识别语句对语言模型的贡献度。应当理解的是,语言模型对待识别语句的识别准确度越低,对模型优化的帮助越大,因此,评估得到的贡献度可以与识别准确度呈负相关。
又例如,在待评估数据包含语言模型基于待识别语句得到的输出结果的情况下,评估得到的贡献度还可以与语言模型的功能相关。譬如,在语言模型的功能为对待识别语句进行答复时,还可以搜集待识别语句的提供方对待识别语句的期望答复语句,在此基础上,即可确定语言模型根据待识别语句输出的答复语句与期望答复语句的相似度,以根据该相似度评估待识别语句对语言模型的贡献度。应当理解的是,语言模型输出的答复语句与用户的期望答复语句的相似度越高,意味着该待识别语句对模型优化的帮助不大,因此,评估得到的贡献度可以与相似度呈负相关。在该举例中,除了输出的答复语句与期望答复语句的相似度以外,还可以根据语言模型基于待识别语句输出答复语句的响应速度,评估待识别语句对语言模型的贡献度,应当理解的是,响应速度越快,意味着语言模型的当前状态已能够对该待识别语句做出及时回复,待识别语句对语言模型的优化帮助不大,因此,评估得到的贡献度也可以与响应速度呈负相关。
当然,上述举例仅是示意性的,既可以仅采用上述举例中的任一方式进行评估,也可以综合上述多种评估方法中的至少两种进行评估,具体如何获得待识别语句对语言模型的贡献度,可由本领域技术人员根据实际需求确定,本说明书对此不作限制。
在本说明书中,可以采用多种方式执行上述对待评估数据进行评估的操作。
在一实施例中,本说明书可以预设有贡献度计算算法,那么,在获得待评估数据之后,即可调用预设的贡献度计算算法,以对待评估数据进行贡献度计算,进而得到待识别语句对语言模型的贡献度。例如,该贡献度计算算法中可以包含基于上述相似度计算贡献度的系数、基于上述准确度计算贡献度的系数等,本说明书对此不作限制。应当理解的是,该方式可以由算法自行计算得到贡献度,降低了人工成本。
在另一实施例中,可以优先对待识别语句进行标注,以得到待识别语句的数据标识,在此基础上,即可将语言模型基于待识别语句得到的识别结果与待识别语句的数据标识进行比较,以根据比较结果确定待识别语句对语言模型的贡献度。例如,可以通过人工标注的方式对待识别语句进行标注,进而得到待识别语句中各个关键词的词性等数据标识,在此基础上,即可将语言模型识别得到的各个关键词的词性等内容与人工标注得到的数据标识进行比较,以根据比较得到准确度确定贡献度。与上文所述的方式相类似的,基于比较结果确定的准确度越低,意味着对模型优化的帮助越大,因此,评估得到的贡献度越高,换言之,评估得到的贡献度与基于比较结果确定的准确度呈负相关。
在本说明书中,区块链系统可以预设有多种贡献度评估策略,以对不同的语言模型的待识别语句进行贡献度评估。例如,可以针对不同功能的语言模型,分别设置与其功能适配的贡献度评估策略。在该前提下,区块链系统在获取到待评估数据之后,可以优先确定语言模型所能实现的目标功能,以从预设的多个贡献度评估策略中确定出与目标功能对应的目标贡献度评估策略,在此基础上,即可基于目标贡献度评估策略和待评估数据,评估待识别语音对语言模型的贡献度。
举例而言,在目标功能为对待识别语句进行答复的答复功能的情况下,即可对语言模型基于待识别语句输出的答复语句进行评估,以得到待识别语音对语言模型的贡献度,换言之,在目标功能为答复功能时,选取的目标贡献度评估策略可以为“对语言模型输出的答复语句进行评估”,该策略中可以记录有具体的评估方式,例如,可以采用上述与期望答复语句进行比较的方式。相对应的,在目标功能为对待识别语句进行识别的识别功能的情况下,即可对语言模型基于待识别语句输出的识别结果进行评估,以得到待识别语音对语言模型的贡献度,换言之,在目标功能为识别功能时,选取的目标贡献度评估策略为“对语言模型输出的识别结果进行评估”,该策略中同样可以记录有具体的评估方式,例如,可以采用上述根据识别结果的准确度确定贡献度的方式。
当然,此处举例也是示意性的,区块链系统中具体设置有多少种贡献度评估策略,以及如何从中选取用于对待评估数据进行评估的目标贡献度评估策略,可由本领域技术人员根据实际需求确定,本说明书对此不作限制。
步骤106,基于所述贡献度向所述待识别语句的提供方发放链上资产;其中,发放的链上资产数额与所述贡献度呈正相关。
在本说明书中,可以预先在区块链系统中铸造链上资产,以用于根据贡献度给待识别语句的提供方进行资产发放。
举例而言,本说明书中可以包含存在针对语言模型的优化需求的优化方,该优化方可以预先向区块链系统提交链上资产铸造交易,以指示区块链系统按照该交易中包含的资产数额,铸造与该资产数额对应的链上资产。其中,铸造得到的链上资产可以记录于该优化方的区块链账户中,以表明该优化方为铸造得到的链上资产的所有方。
在本说明书中,该优化方可以由任意主体担任,例如,既可以为语言模型的开发方,也可以为语言模型的应用方,本说明书对此不作限制。
应当理解的是,铸造的链上资产可以为任意类型的具有价值的资产。例如,该链上资产可以为:与链下资产对应的数字资产,在该情况下,区块链系统在接收到链上资产铸造交易时,可以优先确定是否存在与该交易中包含的资产数额对等的链下资产被冻结,若是,则铸造与该资产数额对应的链上资产。再例如,铸造的链上资产也可以为:与链下资产无关的虚拟资产,在该情况下,则可以由区块链系统自行铸造链上资产,或者由用户通过挖矿等方式铸造,本说明书对此不作限制。
在本说明书中,在评估得到贡献度之后,即可基于该贡献度为待识别语句的提供方发放链上资产。例如,可以基于贡献度确定发放给待识别语句的提供方的目标链上资产的目标数额,并将优化方的区块链账户中与该目标数额对应的链上资产转移至该提供方的区块链账户中。其中,发放的链上资产的数额可以与贡献度呈正相关,即贡献度越高,则发放的链上资产数额越多。
当然,本说明书对如何根据贡献度确定链上资产的发放数额不作限制,例如,可以设置预设比例,以用于将贡献度转换为发放数额;再例如,可以设置多个贡献度等级,以根据贡献度所处的贡献度等级确定发放数额。
在本说明书中,区块链系统中还可以预设有服务接口,以便基于区块链系统向优化方提供上述链上资产发放机制的服务方收取一定的服务费。例如,在确定发放给待识别语句的提供方的链上资产的资产数额之后,即可基于预设比例计算发放给该提供方的链上资产的服务数额,在此基础上,在接收到区块链系统的服务方基于预设的服务接口发起的调用指令的情况下,即可按照计算得到的服务数额向服务方提供作为服务费的链上资产。值得注意的是,该服务费既可以由上述优化方提供,也可以由待识别语句的提供方提供,本说明书对此不作限制。
需要声明的是,本说明书中的区块链系统既可以基于区块链技术的传统架构部署,即区块链系统中的所有节点均通过在相应实体设备上部署区块链代码而形成,大多数情况下,每个节点均对应于一个实体设备;本说明书的区块链系统也可以基于区块链技术中的BaaS(Blockchain as a Service)架构部署,即区块链系统中的所有节点均通过云服务在云端实现的虚拟机上部署区块链代码而形成,区块链节点无需一一对应于相应的实体设备。
由上述技术方案可知,本说明书评估了待识别语句对语言模型的优化操作的贡献度,并根据该贡献度为待识别语句的提供方发放了相应的链上资产,且发放的链上资产的数额与待识别语句的贡献度呈正相关。应当理解的是,通过该方式,用户可以在语言使用的过程中获得收益,能够激励用户更为频繁地使用语言模型,进而具有足够的输入语句对语言模型进行优化,避免了相关技术中由于语言模型没有足够输入语句进行迭代优化,而导致语言模型优化效果不佳的问题。
下面,以对ChatGPT进行模型优化为例,对本说明书的技术方案进行介绍。在该实施例中,ChatGPT部署于开发方的服务器中,以便向用户提供对话功能,且开发方可以预先准备一笔资金,用于在区块链系统中铸造相应数量的代币,以作为发放给ChatGPT使用者的链上资产。
图2为本说明书一示例性实施例示出的一种ChatGPT优化过程中的代币发放方法的交互图。如图2所示,该方法可以包括以下步骤:
步骤201,服务器获取用户与ChatGPT的对话数据。
在本实施例中,开发方在完成ChatGPT的开发之后,即可将其部署于自身维护的服务器中,以便用户可以通过访问服务器的方式,与ChatGPT进行对话。其中,为对ChatGPT进行模型优化,开发方可以预先准备一笔资金,以用于在区块链系统中铸造一定数量的代币,作为ChatGPT使用者的激励金,在此基础上,即可基于用户对ChatGPT的使用情况,为使用者发放代币,促使其长期使用ChatGPT,为模型优化提供更多的输入语句。
在本实施例中,由于ChatGPT提供的为对话功能,即ChatGPT的输出为针对用户的输入语句的答复语句,输入语句和输出的答复语句可以统称为对话数据,因此,服务器可以获取用户与ChatGPT的对话数据,以根据该对话数据对ChatGPT进行迭代优化。
值得注意的是,由于本实施例需要根据对话数据为各个用户发放代币,因此,可以按照所属用户获取对话数据,在此基础上,即可基于同一用户的多次对话数据,为该用户统一发放代币。当然,也可以仅获取单次对话的对话数据,并基于每一次对话的对话数据,对相应用户进行代币发放,本实施例对此不作限制。
步骤202,服务器对获取到的对话数据进行分析。
在本实施例中,在获取到对话数据之后,可以对对话数据进行分析,一方面,对话数据的分析可以用于ChatGPT的迭代优化,另一方面,分析结果可以作为上述待评估数据被提供至区块链系统,以由区块链系统进行代币发放。
举例而言,假设本实施例基于单次对话的对话数据进行一次代币发放。那么,在用户A完成与ChatGPT的一次对话之后,即可获得本次对话的对话数据,并基于获取到的对话数据对ChatGPT进行优化,例如,可以获取ChatGPT的答复语句与用户提问的契合度、以及ChatGPT在输出答复语句之前对用户提问的识别准确度,进而对ChatGPT进行优化。
应当理解的是,诸如上述契合度、识别准确度均是通过对对话数据进行分析得到的信息,因此,在本实施例中,此类数据,以及对ChatGPT进行模型优化过程中的优化数据、对话数据本身均可作为对话数据的分析结果。
步骤203,服务器将分析结果提供至区块链系统。
在本实施例中,服务器在对对话数据进行分析得到分析结果之后,即可将分析结果提供至区块链系统,以由区块链系统用于确定对话数据对ChatGPT模型优化的贡献度。例如,可以通过向区块链系统发送代币发放交易的方式,将分析结果提供至区块链系统。
步骤204,区块链系统基于分析结果计算对话数据对ChatGPT的贡献度。
承接上述举例,区块链系统中可以预设有贡献度评估合约,该合约可以综合考量诸如上述契合度、识别准确度、优化数据表征的优化程度、用户提供的输入语句的新颖度等,得到用户提供的输入语句对ChatGPT模型优化的贡献度。
步骤205,区块链系统基于计算得到的贡献度为对话数据的提供方发放代币。
在本实施例中,区块链系统在计算得到本次对话的贡献度之后,即可基于预设的代币发放策略,确定与该贡献度对应的代币发放数额,并将上述开发方的区块链账户中与该数额对应的代币,转移至进行本次对话的用户的区块链账户中。
承接上述举例,代币发放数量可以与贡献度呈正相关。例如,代币发放数量可以如下表一所示与贡献度所处范围相关:
贡献度范围 | 发放代币数量 |
0~30 | 5 |
31~65 | 10 |
66~100 | 15 |
表1
假设本次对话贡献度为33,则可以向本次对话的用户发放10个代币。
由上述技术方案可知,本说明书可以根据用户提供的输入语句对模型优化的贡献程度,给予用户相应的代币,使得用户除了可以通过模型实现特定功能以外,还可以在模型使用过程中获得收益,促使用户更频繁地使用模型,进而使得模型具有足够的输入语句用于模型优化,避免了相关技术中由于输入语句不足,而导致模型优化不充分的问题。
除此之外,由于代币发放数额与贡献度挂钩,两者为正相关,因此,可以促使用户提供对模型优化更有帮助的输入语句,进而提高模型优化的效率。
图3是一示例性实施例提供的一种设备的示意结构图。请参考图3,在硬件层面,该设备包括处理器302、内部总线304、网络接口306、内存308以及非易失性存储器310,当然还可能包括其他业务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现,比如由处理器302从非易失性存储器310中读取对应的计算机程序到内存308中然后运行。当然,除了软件实现方式之外,本说明书一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
请参考图4,链上资产发放装置可以应用于如图3所示的设备中,以实现本说明书的技术方案。其中,该链上资产发放装置应用于区块链系统,可以包括:
获取单元401,获取将待识别语句输入语言模型后得到的待评估数据;
评估单元402,基于所述待评估数据评估所述待识别语句对所述语言模型的贡献度;所述2贡献度用于表征所述待识别语句对所述语言模型的优化操作的帮助程度;
发放单元403,基于所述贡献度向所述待识别语句的提供方发放链上资产;其中,发放的链上资产数额与所述贡献度呈正相关。
可选的,所述待评估数据包括下述至少之一:
所述待识别语句;
所述语言模型基于所述待识别语句得到的识别结果;
所述语言模型基于所述待识别语句得到的输出结果;
对所述待识别语句和/或所述输出结果进行分析后得到的分析数据;
基于所述待识别语句和所述输出结果对所述语言模型进行优化而产生的优化数据。
可选的,获取单元401被进一步用于:
从所述语言模型的部署方,获取将待识别语句输入语言模型后得到的待评估数据。
可选的,评估单元402被进一步用于:
基于所述待识别语句相较于所述语言模型的历史输入语句的重复程度,评估所述待识别语句对所述语言模型的贡献度;和/或,
基于所述待识别语句和所述语言模型基于所述待识别语句得到的识别结果,确定所述语言模型的识别准确度,并根据所述识别准确度评估所述待识别语句对所述语言模型的贡献度;和/或,
计算所述语言模型根据所述待识别语句输出的答复语句与所述提供方的期望答复语句的相似度,以根据所述相似度评估所述待识别语句对所述语言模型的贡献度;和/或,
基于所述语言模型针对所述待识别语句输出的答复语句的响应速度,评估所述待识别语句对所述语言模型的贡献度。
可选的,评估单元402被进一步用于:
调用预设的贡献度计算算法,对所述待评估数据进行贡献度计算,得到所述待识别语句对所述语言模型的贡献度;或者,
获取所述待识别语句的数据标识,并对所述数据标识与所述语言模型基于所述待识别语句得到的识别结果进行比较,以根据比较结果确定所述待识别语句对所述语言模型的贡献度。
可选的,评估单元402被进一步用于:
确定所述语言模型所能实现的目标功能,以从预设的多个贡献度评估策略中确定出与所述目标功能对应的目标贡献度评估策略;
基于所述目标贡献度评估策略和所述待评估数据,评估所述待识别语音对所述语言模型的贡献度。
可选的,评估单元402被进一步用于:
在所述目标功能为对所述待识别语句进行答复的答复功能的情况下,对所述语言模型基于所述待识别语句输出的答复语句进行评估,以得到所述待识别语音对所述语言模型的贡献度;
在所述目标功能为对所述待识别语句进行识别的识别功能的情况下,对所述语言模型基于所述待识别语句输出的识别结果进行评估,以得到所述待识别语音对所述语言模型的贡献度。
可选的,还包括:
铸造单元404,响应于所述语言模型的优化方提交的链上资产铸造交易,铸造与所述链上资产铸造交易中包含的资产数额对应的链上资产,并将铸造得到的链上资产记录于所述优化方的区块链账户中。
可选的,铸造单元404被进一步用于:
在确定与所述链上资产铸造交易中包含的资产数额对等的链下资产被冻结的情况下,铸造与所述资产数额对应的链上资产。
可选的,发放单元403被进一步用于:
基于所述贡献度确定发放给所述待识别语句的提供方的目标链上资产的目标数额;
将所述优化方的区块链账户中与所述目标数额对应的链上资产转移至所述提供方的区块链账户中。
可选的,发放单元403还被用于:
基于预设比例计算发放给所述提供方的链上资产的服务数额;
响应于所述区块链系统的服务方基于所述区块链系统中预设的服务接口发起的调用指令,按照所述服务数额向所述服务方提供作为服务费的链上资产。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (14)
1.一种链上资产发放方法,应用于区块链系统,包括:
获取将待识别语句输入语言模型后得到的待评估数据;
基于所述待评估数据评估所述待识别语句对所述语言模型的贡献度;所述贡献度用于表征所述待识别语句对所述语言模型的优化操作的帮助程度;
基于所述贡献度向所述待识别语句的提供方发放链上资产;其中,发放的链上资产数额与所述贡献度呈正相关。
2.根据权利要求1所述的方法,所述待评估数据包括下述至少之一:
所述待识别语句;
所述语言模型基于所述待识别语句得到的识别结果;
所述语言模型基于所述待识别语句得到的输出结果;
对所述待识别语句和/或所述输出结果进行分析后得到的分析数据;
基于所述待识别语句和所述输出结果对所述语言模型进行优化而产生的优化数据。
3.根据权利要求1所述的方法,所述获取将待识别语句输入语言模型后得到的待评估数据,包括:
从所述语言模型的部署方,获取将待识别语句输入语言模型后得到的待评估数据。
4.根据权利要求1所述的方法,所述基于所述待评估数据评估所述待识别语句对所述语言模型的贡献度,包括:
基于所述待识别语句相较于所述语言模型的历史输入语句的重复程度,评估所述待识别语句对所述语言模型的贡献度;和/或,
基于所述待识别语句和所述语言模型基于所述待识别语句得到的识别结果,确定所述语言模型的识别准确度,并根据所述识别准确度评估所述待识别语句对所述语言模型的贡献度;和/或,
计算所述语言模型根据所述待识别语句输出的答复语句与所述提供方的期望答复语句的相似度,以根据所述相似度评估所述待识别语句对所述语言模型的贡献度;和/或,
基于所述语言模型针对所述待识别语句输出的答复语句的响应速度,评估所述待识别语句对所述语言模型的贡献度。
5.根据权利要求1所述的方法,所述基于所述待评估数据评估所述待识别语句对所述语言模型的贡献度,包括:
调用预设的贡献度计算算法,对所述待评估数据进行贡献度计算,得到所述待识别语句对所述语言模型的贡献度;或者,
获取所述待识别语句的数据标识,并对所述数据标识与所述语言模型基于所述待识别语句得到的识别结果进行比较,以根据比较结果确定所述待识别语句对所述语言模型的贡献度。
6.根据权利要求1所述的方法,所述基于所述待评估数据评估所述待识别语句对所述语言模型的贡献度,包括:
确定所述语言模型所能实现的目标功能,以从预设的多个贡献度评估策略中确定出与所述目标功能对应的目标贡献度评估策略;
基于所述目标贡献度评估策略和所述待评估数据,评估所述待识别语音对所述语言模型的贡献度。
7.根据权利要求6所述的方法,所述基于所述目标贡献度评估策略和所述待评估数据,评估所述待识别语音对所述语言模型的贡献度,包括:
在所述目标功能为对所述待识别语句进行答复的答复功能的情况下,对所述语言模型基于所述待识别语句输出的答复语句进行评估,以得到所述待识别语音对所述语言模型的贡献度;
在所述目标功能为对所述待识别语句进行识别的识别功能的情况下,对所述语言模型基于所述待识别语句输出的识别结果进行评估,以得到所述待识别语音对所述语言模型的贡献度。
8.根据权利要求1所述的方法,还包括:
响应于所述语言模型的优化方提交的链上资产铸造交易,铸造与所述链上资产铸造交易中包含的资产数额对应的链上资产,并将铸造得到的链上资产记录于所述优化方的区块链账户中。
9.根据权利要求8所述的方法,所述铸造与所述链上资产铸造交易中包含的资产数额对应的链上资产,包括:
在确定与所述链上资产铸造交易中包含的资产数额对等的链下资产被冻结的情况下,铸造与所述资产数额对应的链上资产。
10.根据权利要求8所述的方法,所述基于所述贡献度向所述待识别语句的提供方发放链上资产,包括:
基于所述贡献度确定发放给所述待识别语句的提供方的目标链上资产的目标数额;
将所述优化方的区块链账户中与所述目标数额对应的链上资产转移至所述提供方的区块链账户中。
11.根据权利要求1所述的方法,还包括:
基于预设比例计算发放给所述提供方的链上资产的服务数额;
响应于所述区块链系统的服务方基于所述区块链系统中预设的服务接口发起的调用指令,按照所述服务数额向所述服务方提供作为服务费的链上资产。
12.一种链上资产发放装置,应用于区块链系统,包括:
获取单元,获取将待识别语句输入语言模型后得到的待评估数据;
评估单元,基于所述待评估数据评估所述待识别语句对所述语言模型的贡献度;所述贡献度用于表征所述待识别语句对所述语言模型的优化操作的帮助程度;
发放单元,基于所述贡献度向所述待识别语句的提供方发放链上资产;其中,发放的链上资产数额与所述贡献度呈正相关。
13.一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1-11中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如权利要求1-11中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310855968.1A CN116956873A (zh) | 2023-07-12 | 2023-07-12 | 链上资产发放方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310855968.1A CN116956873A (zh) | 2023-07-12 | 2023-07-12 | 链上资产发放方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116956873A true CN116956873A (zh) | 2023-10-27 |
Family
ID=88454097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310855968.1A Pending CN116956873A (zh) | 2023-07-12 | 2023-07-12 | 链上资产发放方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116956873A (zh) |
-
2023
- 2023-07-12 CN CN202310855968.1A patent/CN116956873A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10977664B2 (en) | Method and apparatus for transferring from robot customer service to human customer service | |
US11030523B2 (en) | Neural architecture search | |
US10991366B2 (en) | Method of processing dialogue query priority based on dialog act information dependent on number of empty slots of the query | |
US20230049747A1 (en) | Training machine learning models using teacher annealing | |
CN109829044A (zh) | 对话方法、装置及设备 | |
CN110930996B (zh) | 模型训练方法、语音识别方法、装置、存储介质及设备 | |
CN111415015B (zh) | 业务模型训练方法、装置、系统及电子设备 | |
EP3370164A1 (en) | Artificial intelligence digital agent | |
US11797769B1 (en) | Artificial intelligence system using hybrid technique for task-oriented dialog management | |
CN111739537B (zh) | 语义识别方法、装置、存储介质及处理器 | |
CN113806501A (zh) | 意图识别模型的训练方法、意图识别方法和设备 | |
CN111510566A (zh) | 通话标签的确定方法、装置、计算机设备和存储介质 | |
CN116956873A (zh) | 链上资产发放方法及装置 | |
CN110188190A (zh) | 对话解析方法、装置、服务器及可读存储介质 | |
CN111353688B (zh) | 一种用户资源分配方法以及装置 | |
CN110322341B (zh) | 信用标签的确定方法和装置 | |
CN110443746B (zh) | 基于生成对抗网络的图片处理方法、装置及电子设备 | |
CN113066486B (zh) | 数据识别方法、装置、电子设备和计算机可读存储介质 | |
CN111428994B (zh) | 业务处理方法、装置及电子设备 | |
CN112417106B (zh) | 一种基于文本的问题生成方法及其装置 | |
US20240086434A1 (en) | Enhancing dialogue management systems using fact fetchers | |
US20240193365A1 (en) | Method and system for insightful phrase extraction from text | |
CN110990522B (zh) | 一种法律文书的确定方法和系统 | |
CN113450124A (zh) | 基于用户行为的外呼方法、装置、电子设备及介质 | |
CN117952122A (zh) | 用户画像模型的训练方法、对话处理方法及相关设备 |
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 |