CN117056519A - 面向跨领域的立法意见综合报告自动生成方法 - Google Patents
面向跨领域的立法意见综合报告自动生成方法 Download PDFInfo
- Publication number
- CN117056519A CN117056519A CN202311040281.9A CN202311040281A CN117056519A CN 117056519 A CN117056519 A CN 117056519A CN 202311040281 A CN202311040281 A CN 202311040281A CN 117056519 A CN117056519 A CN 117056519A
- Authority
- CN
- China
- Prior art keywords
- opinion
- legal
- memory
- collection
- llm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002787 reinforcement Effects 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 113
- 239000013598 vector Substances 0.000 claims description 43
- 239000003795 chemical substances by application Substances 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000012986 modification Methods 0.000 abstract description 5
- 230000004048 modification Effects 0.000 abstract description 5
- 238000007726 management method Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 239000002244 precipitate Substances 0.000 description 3
- 235000002198 Annona diversifolia Nutrition 0.000 description 1
- 241000282842 Lama glama Species 0.000 description 1
- 241000157593 Milvus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06F16/35—Clustering; Classification
-
- 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
-
- 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
- G06F16/34—Browsing; Visualisation therefor
- G06F16/345—Summarisation for human users
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种面向跨领域的立法意见综合报告自动生成方法，构建面向跨领域立法意见主题感知的生成式智能体，利用该生成式智能体实现立法进行意见特征识别和立法主题生成，生成立法意见摘要报告；在结合人工对所述立法意见采集策略计划进行干预调整下进行意见采集，同时，对人工干预后的采集策略和采集结果利用大语言模型LLM进行反思，形成新的意见采集反思经验，完成生成式智能体中的采集策略的强化学习；生成精调的立法意见摘要，进而生成立法意见综合报告。本发明有利于大幅提升法治调研领域立法意见分析和立法计划、规划建议撰写的工作效率，提升了立法意见管理的能力和准确性；实现了人工修改干预经验与采集策略强化学习结果的结合。
Description
技术领域
本发明属于计算机相关的人工智能和自然语言处理技术领域，特别是涉及一种面向长周期跨领域的立法意见综合报告自动生成方法。
背景技术
立法规划计划是政府立法和制定政策的重要过程，需要广泛收集、分析公众的意见和反馈，以更好地了解公众的需求和潜在问题。然而，针对立法规划计划意见来源复杂、种类繁多、质量参差不齐等特点，政府在采集和分析意见方面遇到了许多困难。其中立法主题跨领域是政府在收集和分析意见方面的难点之一。由于政策涉及的领域和主题非常多样化，需要收集来自不同领域和专业的意见，但在实践中，政府发现跨领域意见的收集和分析是一项极具挑战性的工作。首先，跨领域的专业性和复杂性使得政策制定者必须有了解多个领域和相关知识的能力。事实上，立法规划计划意见采集也面临不同领域专业性的问题，需要政府对不同领域的专业知识进行收集和整合。其次，专业性问题也带来了数据来源和质量方面的问题。由于某些领域涉及的意见非常专业化，涉及的人群和机构可能非常有限，这就要求政府必须挖掘各种可能的数据来源，并评估数据的质量和可用性。政府可能需要调查行业协会、专业团体、大学和学术机构等，以获得有关社区、学术和经济方面的意见。
目前针对立法规划计划的意见采集主要依赖于人工问卷调查和网络意见征集两种方式。不管以上哪种方式，都很难解决立法主题跨领域存在的意见收集和分析专业性高的问题。有鉴于目前的一些常规方法如问卷调查等不能满足政府对意见的收集需求，亟需创新性的手段来辅助立法规划计划的编制工作。
发明内容
本发明目的是提出一种面向跨领域的立法意见综合报告自动生成方法，利用改进的生成式语言模型处理来自不同渠道的跨领域立法意见信息，结合采集策略的强化学习，实现立法意见的全过程自动化。
本发明利用以下技术方案实现：
一种面向跨领域的立法意见综合报告自动生成方法，包括：
步骤1、构建面向跨领域立法意见主题感知的生成式智能体，所述生成式智能体包括智能体自然语言记忆流模块、立法主题提示模块、向量数据库、立法意见聚类模块、LLM反思经验生成模块、LLM检索回溯模块、LLM立法意见特征识别和立法主题生成模块，所述智能体自然语言记忆流包括意见采集经验构成的记忆流子集，利用该生成式智能体实现立法进行意见特征识别和立法主题生成，生成立法意见摘要报告；
步骤2、从所述记忆流子集中筛选出召回的采集经验小样本，构建大语言模型LLM的提示引导指令，生成立法意见采集策略计划，利用所述立法意见采集策略计划结合对人工干预调整进行立法意见采集，将采集结果和采集策略都存入向量数据库；同时，对人工干预后的采集策略和采集结果利用大语言模型LLM进行反思，形成新的意见采集反思经验，保存反思经验，完成生成式智能体中的采集策略的强化学习；
步骤3、利用步骤2得到的强化学习后的所述采集策略计划与采集经验得到更新历史纪录，利用所述更新的历史纪录进行立法意见聚类，将聚类后的立法意见集嵌入大语言模型LLM得到聚类摘要向量，在步骤2的所述提示指令的指引下按周期由所述聚类摘要向量生成精调的立法意见摘要，进而生成立法意见综合报告。
进一步的，所述步骤3中的所述历史纪录包括但不限于根据基于记忆流向量库的历史意见和不同领域提示。
进一步的，所述智能体自然语言记忆流模块用于保存量化感知到的当前的法治态势的观测值文本数据。
进一步的，所述向量数据库用于保存记忆流中的各种历史记录经大语言模型LLM生成的记忆流向量。
进一步的，所述立法主题提示模块用于利用大语言模型LLM生成立法主题提示的嵌入向量。
进一步的，所述生成式智能记忆流中的检索采用的是带量化权重的立法主题提示检索方式：首先通过在大语言模型LLM嵌入立法主题提示生成其嵌入向量，计算其和记忆流向量数据库中各记忆项的距离，获得距离较近的记忆项子集；同时引入记忆加权过滤函数，计算子集中各项记忆的权重分数，当子集中某记忆的权重分数大于某个门限值时该条记忆被召回。
进一步的，所述历史数据包括从所述智能体自然语言记忆流提取的按周期累积的立法意见文本数据、法治态势文本数据。
与现有技术相比，本发明能够达成以下有益技术效果：
1)所设计的立法意见的全过程自动化处理流程解决了长周期海量跨领域立法意见的综合分析报告编制难的技术问题，有利于大幅提升法治调研领域立法意见分析和立法计划、规划建议撰写的工作效率，提升了立法意见管理的能力和准确性；
2)通过对记忆信息广泛性、时效性、记忆类型的加权检索，解决了生成式语言模型处理长周期跨领域立法意见集的记忆问题；
3)实现了人工修改干预经验与采集策略强化学习结果的结合，因此突破了人工采集经验难以总结和沉淀的瓶颈问题。
附图说明
图1是一种面向跨领域的立法意见综合报告自动生成方法整体流程图；
图2是本发明步骤1的面向跨领域立法意见主题感知的生成式智能体框架图；
图3是本发明步骤1的生成式智能体记忆流模块的数据模型示意图；
图4是本发明步骤1的记忆流向量数据库模型示意图；
图5是本发明步骤1的生成式智能体记忆流的检索模型示意图；
图6是本发明步骤2的采集策略计划生成与采集经验生成模型示意图；
图7是本发明步骤3的立法意见摘要生成模型示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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地描述。
如图1所示，本发明的一种面向跨领域的立法意见综合报告自动生成方法，具体包括以下步骤：
步骤1、构建面向跨领域立法意见主题感知的生成式智能体框架，利用该框架实现了对立法意见的全过程自动化处理，包括立法意见特征识别和立法主题生成，直至生成初始的立法意见摘要报告；整体自动化处理为立法意见采集、分析、总结和摘要生成等，进一步提升了立法意见管理的效率和准确性；
如图2所示，面向跨领域立法意见主题感知的生成式智能体包括智能体自然语言记忆流模块、立法主题提示模块、向量数据库、立法意见聚类模块、LLM反思经验生成模块、LLM检索回溯模块、LLM立法意见特征识别和立法主题生成模块。其中，在面向跨领域立法意见主题感知的生成式智能体框架中，将量化感知到的当前的法治态势的观测值文本数据保存在所述智能体自然语言记忆流模块，使用大语言模型LLM(如GPT3.5、GPT4、chatGLM-6B、LLaMa等)对记忆流中存储的各种历史记录进行嵌入处理，经LLM生成记忆流向量，保存在所述向量数据库；其中历史记录包括法治态势记录、历史采集过程策略以及LLM综合信息生成的立法意见采集经验等；所述立法主题提示模块利用大语言模型LLM生成立法主题提示的嵌入向量，利用所述LLM检索回溯模块依据嵌入向量检索回溯保存在记忆流中的相关记忆数据，保存为检索后的相关记忆；根据所述检索后的相关记忆经验筛选创建提示，分别用于LLM生成采集策略计划以及按策略执行立法意见采集；将基于通过多渠道网络信息采集工具执行响应的数据采集作为立法意见；按策略执行立法意见采集是将来自采集策略计划和检索后的相关记忆提供的立法意见采集结果送至所述LLM反思经验生成模块；所述LLM反思经验生成模块将意见采集经验返回所述智能体自然语言记忆流模块，通过生成式语言模型LLM进行反思比对，形成新的意见采集经验，并将反思的经验存入智能体记忆流中，从而完成智能体采集策略的强化学习；所述意见采集经验包括提取到的和立法主题相关的包括立法主题相关的采集经验、采集实例等，且作为记忆流子集，完成LLM生成采集策略执行计划；所述立法意见聚类模块将最终来自所述智能体自然语言记忆流模块的处理结果进行立法意见聚类，经所述LLM立法意见特征识别和立法主题生成模块实现LLM立法意见特征识别和立法主题生成，获得初始的立法意见摘要报告。另外，利用人工修改对采集策略计划进行干预，具体应用时结合人工修改干预后的意见采集策略计划和生成结果。上述本发明的面向跨领域立法意见主题感知的生成式智能体智能体基于生成式语言模型LLM，实现了利用提示来指引精调的立法意见特征识别和意见摘要生成。
所述智能体记忆流模块，是生成式智能体的核心组件，负责维护智能体的完整经历记录。记忆流中记录了生成式智能体的所有感知和行动信息，提供相关经历的检索功能，帮助生成式智能体做出决策、规划行动以及生成高层次的反思等行为。记忆流的引入使得生成式智能体可以更好地处理长期意图和行动计划，并对从过去的经验中进行类比、推理和感知，从而提高其表现的连贯性和可信度。实际应用中，对采集期间的立法意见信息进行综合研究和判定，从中归纳总结出立法主题。因此利用记忆流的方式，维护立法规划、计划编制过程中所采集到的立法意见信息，并按广泛性、时效性量化权重对各记忆项进行打分，才能对立法周期内的海量意见信息进行综合。
具体的，生成式语言模型LLM可以是openAI的chatGPT、GPT4、ChatGLM-6B、Meta的LLama-13B等的各类预训练生成式语言模型。智能体使用LLM对记忆流数据库中的法治态势历史记录、执行过的采集策略计划、归纳后的意见采集经验进行嵌入，并获得嵌入向量存入记忆流向量数据库，向量数据库可以是Pinecone、Weaviate、Chroma、Milvus等通用向量数据库。结合如图3所示的生成式智能体记忆流模块的数据模型，如图4所示的生成式智能体记忆流向量数据模型描述如下：
文本记忆流数据库中有：
记忆1：法治态势观测值1(立法意见、舆情、法治指标1)；
记忆2：法治态势观测值2(立法意见、舆情、法治指标2)；
记忆3：历史采集策略计划1；
记忆4：历史采集策略计划2；
....
记忆N：采集经验m。
上述的文本记忆流数据经过大语言模型LLM的嵌入处理，得到记忆流向量数据库：记忆1嵌入向量、记忆2嵌入向量、记忆3嵌入向量、记忆4嵌入向量、记忆1嵌入向量、....、记忆N嵌入向量。
如图5所示，本步骤中，生成式智能记忆流中的检索采用的是带量化权重的立法主题提示检索方式：首先通过在大语言模型LLM嵌入立法主题提示生成其嵌入向量，计算其和记忆流向量数据库中各记忆项的距离(可使用余弦相似度、欧式距离等常用的向量距离计算方式)，获得距离较近的记忆项子集；同时引入记忆加权过滤函数，计算子集中各项记忆的权重分数，权值可采用加法或乘法进行计算，表达式如下：
W记忆加权分数＝W广泛性(历史意见的频度)+W时效性(意见距离现在的时间)+W类型(记忆类型)
或者：
W记忆加权分数＝W广泛性(历史意见的频度)*W时效性(意见距离现在的时间)*W类型(记忆类型)
记忆类型可包括国家相关指导性文件、既往法律法规、专项的立法意见、人工调研问卷、法治政府的各种考核指标以及网络舆情等。
当记忆流子集中某记忆的权重分数大于某个门限值时该条记忆被召回，这样做的好处在于兼顾了记忆的重要性、广泛性和时效性；
因此，本发明中利用面向跨领域立法意见主题感知的生成式智能体框架对生成式语言模型进行改进扩展，使其具备能够处理来自不同渠道的跨领域立法意见信息的能力；
步骤2、进行采集策略计划的强化学习：从相关的记忆流子集中筛选出召回的采集经验小样本集合，用于构建大语言模型LLM的提示引导指令，根据该提示引导指令进而生成立法意见采集策略计划，可由人工对生成的策略进行干预调整，之后通过网络采集工具(如爬虫)执行数据采集，将采集结果和采集策略都存入智能体的自然语言记忆流数据库。同时，对人工干预后的采集策略和采集结果利用大语言模型LLM进行反思，形成新的意见采集经验，将反思的经验存入智能体自然语言记忆流中，完成生成式智能体中的采集策略的强化学习，采集策略计划生成与采集经验生成模型如图6所示；
具体地，生成采集经验定义字段示例如下：
【站点：网址/访问方式】【立法主题】【关键词1、关键词2、关键词3、......关键词N】【LLM反思采集经验：采集结果摘要和评价(包含关键词命中数量、频度、分布等信息)】；
步骤3、按规划、计划周期进行立法意见摘要生成：从生成式智能体自然语言记忆流里提取按周期累积的立法意见文本数据、法治态势文本数据等，利用步骤2的强化学习后的所述采集策略计划生成与采集经验更新生成式智能体记忆流，利用更新后的智能体自然语言记忆流的向量数据库对历史纪录包括根据基于记忆流向量库的历史意见和不同领域提示的近似度进行计算，完成立法意见聚类，得到聚类1、聚类2、...、聚类N，将聚类后的意见集嵌入大语言模型LLM分别得到聚类摘要向量，然后利用生成式语言模型综合生成报告。立法意见摘要生成模型如图7所示。
本发明实现了对立法意见的全过程自动化处理，提升了立法意见管理的效率和准确性；解决了生成式语言模型处理长周期跨领域立法意见集的记忆问题；实现了对记忆信息广泛性、时效性、记忆类型的加权检索；实现了人在回路的经验总结，弥补了人工采集经验难以总结和沉淀的瓶颈问题；解决了长周期海量跨领域立法意见的综合分析报告编制难的问题，有利于大幅提升法治调研领域立法意见分析和立法计划、规划建议撰写的工作效率。
其次，引入智能体记忆流模块，采用结构数据库、向量数据库和生成式语言模型相结合的方式，解决了长周期跨领域立法意见集的长时记忆问题，同时还将带量化权重的立法主题提示检索能力加入记忆信息广泛性、时效性、记忆类型的加权检索，提高了信息检索的可用性；再者，利用生成式语言模型构建采集策略计划生成与采集经验总结模型，可实现采集策略计划的自动生成和人机协同采集经验反思总结，弥补了人工采集经验难以总结和沉淀的瓶颈问题；最后，在立法意见聚类摘要的基础上，提出了先开展立法意见聚类摘要，后合并综合的新方法，解决了长周期跨领域立法意见综合报告自动生成的问题，为立法意见处理提供了更为全面和高效的解决方案。
本发明并不局限于上述技术方案的描述，凡是本领域技术人员在不脱离本发明的精神和范围的情况下做出各种修改和变型的，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种面向跨领域的立法意见综合报告自动生成方法，其特征在于，包括：
步骤1、构建面向跨领域立法意见主题感知的生成式智能体，所述生成式智能体包括智能体自然语言记忆流模块、立法主题提示模块、向量数据库、立法意见聚类模块、LLM反思经验生成模块、LLM检索回溯模块、LLM立法意见特征识别和立法主题生成模块，所述智能体自然语言记忆流包括意见采集经验构成的记忆流子集，利用该生成式智能体实现立法进行意见特征识别和立法主题生成，生成立法意见摘要报告；
步骤2、从所述记忆流子集中筛选出召回的采集经验小样本，构建大语言模型LLM的提示引导指令，生成立法意见采集策略计划，利用所述立法意见采集策略计划结合对人工干预调整进行立法意见采集，将采集结果和采集策略都存入向量数据库；同时，对人工干预后的采集策略和采集结果利用大语言模型LLM进行反思，形成新的意见采集反思经验，保存反思经验，完成生成式智能体中的采集策略的强化学习；
步骤3、利用步骤2得到的强化学习后的所述采集策略计划与采集经验得到更新历史纪录，利用所述更新的历史纪录进行立法意见聚类，将聚类后的立法意见集嵌入大语言模型LLM得到聚类摘要向量，在步骤2的所述提示指令的指引下按周期由所述聚类摘要向量生成精调的立法意见摘要，进而生成立法意见综合报告。
2.如权利要求1所述的一种面向跨领域的立法意见综合报告自动生成方法，其特征在于，所述步骤3中的所述历史纪录包括但不限于根据基于记忆流向量库的历史意见和不同领域提示。
3.如权利要求1所述的一种面向跨领域的立法意见综合报告自动生成方法，其特征在于，所述智能体自然语言记忆流模块用于保存量化感知到的当前的法治态势的观测值文本数据。
4.如权利要求1所述的一种面向跨领域的立法意见综合报告自动生成方法，其特征在于，所述向量数据库用于保存记忆流中的各种历史记录经大语言模型LLM生成的记忆流向量。
5.如权利要求1所述的一种面向跨领域的立法意见综合报告自动生成方法，其特征在于，所述立法主题提示模块用于利用大语言模型LLM生成立法主题提示的嵌入向量。
6.如权利要求1所述的一种面向跨领域的立法意见综合报告自动生成方法，其特征在于，所述生成式智能记忆流中的LLM检索回溯模块采用带量化权重的立法主题提示检索方式：首先通过在大语言模型LLM嵌入立法主题提示生成其嵌入向量，计算其和记忆流向量数据库中各记忆项的距离，获得距离较近的记忆项子集；同时引入记忆加权过滤函数，计算子集中各项记忆的权重分数，当记忆流子集中某记忆的权重分数大于某个门限值时该条记忆被召回。
7.如权利要求6所述的一种面向跨领域的立法意见综合报告自动生成方法，其特征在于，所述权重分数的表达式为W记忆加权分数＝W广泛性(历史意见的频度)+W时效性(意见距离现在的时间)+W类型(记忆类型)。
8.如权利要求6所述的一种面向跨领域的立法意见综合报告自动生成方法，其特征在于，所述权重分数的表达式为W记忆加权分数＝W广泛性(历史意见的频度)*W时效性(意见距离现在的时间)*W类型(记忆类型)。
9.如权利要求1所述的一种面向跨领域的立法意见综合报告自动生成方法，其特征在于，所述历史数据包括从所述智能体自然语言记忆流提取的按周期累积的立法意见文本数据、法治态势文本数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311040281.9A CN117056519B (zh) | 2023-08-17 | 2023-08-17 | 面向跨领域的立法意见综合报告自动生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311040281.9A CN117056519B (zh) | 2023-08-17 | 2023-08-17 | 面向跨领域的立法意见综合报告自动生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117056519A true CN117056519A (zh) | 2023-11-14 |
| CN117056519B CN117056519B (zh) | 2024-06-18 |
Family
ID=88658493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311040281.9A Active CN117056519B (zh) | 2023-08-17 | 2023-08-17 | 面向跨领域的立法意见综合报告自动生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117056519B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110078142A1 (en) * | 2007-07-12 | 2011-03-31 | Litcentral, Inc. | Internet-user accessible system database computer method and system for analyzing government legsilationand legislative documents, statutes, bills, by-laws, proposals and amendments |
| US20200334416A1 (en) * | 2019-04-16 | 2020-10-22 | Covera Health | Computer-implemented natural language understanding of medical reports |
| US20200387675A1 (en) * | 2019-06-05 | 2020-12-10 | Refinitiv Us Organization Llc | Machine-learning natural language processing classifier |
| CN112614561A (zh) * | 2020-12-24 | 2021-04-06 | 北京工业大学 | 一种基于层级自注意力序列编码的脑ct医学报告生成方法 |
| CN113138920A (zh) * | 2021-04-20 | 2021-07-20 | 中国科学院软件研究所 | 基于知识图谱与语义角色标注的软件缺陷报告分派方法及装置 |
| US20210407679A1 (en) * | 2020-06-25 | 2021-12-30 | University Of Massachusetts | Deep-learning based certainty qualification in diagnostic reports |
| CN113963770A (zh) * | 2021-10-11 | 2022-01-21 | 深圳市人民医院 | 报告文件生成方法、装置、计算机设备及其存储介质 |
| US20220059200A1 (en) * | 2020-08-21 | 2022-02-24 | Washington University | Deep-learning systems and methods for medical report generation and anomaly detection |
| CN114220516A (zh) * | 2021-12-17 | 2022-03-22 | 北京工业大学 | 一种基于层级循环神经网络解码的脑ct医学报告生成方法 |
| CN115631825A (zh) * | 2022-09-05 | 2023-01-20 | 鹏城实验室 | 利用自然语言模型自动生成结构化报告的方法及相关设备 |
| CN115660052A (zh) * | 2022-10-19 | 2023-01-31 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种融合后见之明思想的群体智能学习方法 |
| CN115659991A (zh) * | 2022-11-09 | 2023-01-31 | 北京工业大学 | 一种基于共现关系分层注意力的脑ct医学报告自动生成方法 |
| CN116341877A (zh) * | 2023-05-19 | 2023-06-27 | 北京华录高诚科技有限公司 | 基于TransGPT的综合交通运行服务系统和方法 |
| CN116468298A (zh) * | 2023-06-12 | 2023-07-21 | 江西五十铃汽车有限公司 | 基于gpt网络模型的汽车技术规划与决策的方法及系统 |
-
2023
- 2023-08-17 CN CN202311040281.9A patent/CN117056519B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110078142A1 (en) * | 2007-07-12 | 2011-03-31 | Litcentral, Inc. | Internet-user accessible system database computer method and system for analyzing government legsilationand legislative documents, statutes, bills, by-laws, proposals and amendments |
| US20200334416A1 (en) * | 2019-04-16 | 2020-10-22 | Covera Health | Computer-implemented natural language understanding of medical reports |
| US20200387675A1 (en) * | 2019-06-05 | 2020-12-10 | Refinitiv Us Organization Llc | Machine-learning natural language processing classifier |
| US20210407679A1 (en) * | 2020-06-25 | 2021-12-30 | University Of Massachusetts | Deep-learning based certainty qualification in diagnostic reports |
| US20220059200A1 (en) * | 2020-08-21 | 2022-02-24 | Washington University | Deep-learning systems and methods for medical report generation and anomaly detection |
| CN112614561A (zh) * | 2020-12-24 | 2021-04-06 | 北京工业大学 | 一种基于层级自注意力序列编码的脑ct医学报告生成方法 |
| CN113138920A (zh) * | 2021-04-20 | 2021-07-20 | 中国科学院软件研究所 | 基于知识图谱与语义角色标注的软件缺陷报告分派方法及装置 |
| CN113963770A (zh) * | 2021-10-11 | 2022-01-21 | 深圳市人民医院 | 报告文件生成方法、装置、计算机设备及其存储介质 |
| CN114220516A (zh) * | 2021-12-17 | 2022-03-22 | 北京工业大学 | 一种基于层级循环神经网络解码的脑ct医学报告生成方法 |
| CN115631825A (zh) * | 2022-09-05 | 2023-01-20 | 鹏城实验室 | 利用自然语言模型自动生成结构化报告的方法及相关设备 |
| CN115660052A (zh) * | 2022-10-19 | 2023-01-31 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种融合后见之明思想的群体智能学习方法 |
| CN115659991A (zh) * | 2022-11-09 | 2023-01-31 | 北京工业大学 | 一种基于共现关系分层注意力的脑ct医学报告自动生成方法 |
| CN116341877A (zh) * | 2023-05-19 | 2023-06-27 | 北京华录高诚科技有限公司 | 基于TransGPT的综合交通运行服务系统和方法 |
| CN116468298A (zh) * | 2023-06-12 | 2023-07-21 | 江西五十铃汽车有限公司 | 基于gpt网络模型的汽车技术规划与决策的方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 吕璐成;罗文馨;许景龙;王莉莉;马丽婧;赵亚娟;: "专利情报方法、工具、应用研究进展及新技术应用趋势", 情报学进展, no. 00, 31 July 2020 (2020-07-31), pages 240 - 283 * |
| 岳一峰;黄蔚;任祥辉;: "一种基于BERT的自动文本摘要模型构建方法", 计算机与现代化, no. 01, 15 January 2020 (2020-01-15), pages 67 - 72 * |
| 田驰远;陈德华;王梅;乐嘉锦;: "基于依存句法分析的病理报告结构化处理方法", 计算机研究与发展, no. 12, 15 December 2016 (2016-12-15), pages 6 - 17 * |
| 陈肖: "人工智能辅助地方立法问题研究", 合作经济与科技, no. 3, 1 February 2021 (2021-02-01), pages 189 - 190 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117056519B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110765257B (zh) | 一种知识图谱驱动型的法律智能咨询系统 | |
| Shao et al. | An optimized mining algorithm for analyzing students’ learning degree based on dynamic data | |
| CN115238197B (zh) | 一种基于专家思维模型的领域业务辅助分析方法 | |
| CN111914166B (zh) | 应用于社区矫正人员的矫正策略个性化推荐系统 | |
| CN117909466A (zh) | 领域问答系统、构造方法、电子设备及存储介质 | |
| CN117474010A (zh) | 面向电网语言模型的输变电设备缺陷语料库构建方法 | |
| CN116561264A (zh) | 一种基于知识图谱的智能问答系统的构建方法 | |
| CN118260717A (zh) | 互联网低轨卫星情报挖掘方法、系统、装置及介质 | |
| CN118227106A (zh) | 代码补全方法、装置、电子设备和介质 | |
| CN117851563A (zh) | 自动问答方法、装置、电子设备及可读存储介质 | |
| CN117149988A (zh) | 基于教育数字化的数据管理处理方法及系统 | |
| CN117312521A (zh) | 用于智能客服对话的处理方法及相关产品 | |
| CN117056519B (zh) | 面向跨领域的立法意见综合报告自动生成方法 | |
| CN116049376A (zh) | 一种信创知识检索回复的方法、装置和系统 | |
| Yang | Analysis and Application of Judicial Data Based on Machine Learning | |
| Deng | [Retracted] Developing Countermeasures of Integrating Entrepreneurship Education with Professional Education in Colleges and Universities Using Data Mining | |
| CN118349662B (zh) | 一种基于问题智能生成答案的方法 | |
| CN118333021B (zh) | 一种面向长文档的自动化提示生成方法、装置及存储介质 | |
| CN118194868A (zh) | 基于本体和语义一致性示例检索的低资源实体识别方法 | |
| CN117807225A (zh) | 基于预训练智能标签模型的热点信息标记方法及系统 | |
| Duong | Discourse change detection in diachronic text collections with synthetic datasets and neural networks | |
| CN117952185A (zh) | 基于多维度数据评估的金融领域大模型训练方法及系统 | |
| CN117076646A (zh) | 一种基于聊天会话记录文本信息挖掘系统及方法 | |
| CN117786042A (zh) | 一种政策解读方法、装置及存储介质 | |
| CN118396095A (zh) | 一种基于图表征学习的实体共性挖掘方法 |
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 |