CN117112727A - 适用于云计算业务的大语言模型微调指令集构建方法 - Google Patents

适用于云计算业务的大语言模型微调指令集构建方法 Download PDF

Info

Publication number
CN117112727A
CN117112727A CN202310992692.1A CN202310992692A CN117112727A CN 117112727 A CN117112727 A CN 117112727A CN 202310992692 A CN202310992692 A CN 202310992692A CN 117112727 A CN117112727 A CN 117112727A
Authority
CN
China
Prior art keywords
cloud computing
instruction set
fine tuning
language model
tuning instruction
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
Application number
CN202310992692.1A
Other languages
English (en)
Inventor
冯偲
钱晓琳
宋旭芳
周树亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tibet Ningsuan Technology Group Co ltd
Original Assignee
Tibet Ningsuan Technology Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tibet Ningsuan Technology Group Co ltd filed Critical Tibet Ningsuan Technology Group Co ltd
Priority to CN202310992692.1A priority Critical patent/CN117112727A/zh
Publication of CN117112727A publication Critical patent/CN117112727A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/3332—Query translation
    • G06F16/3338—Query expansion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • 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
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及云计算技术领域，具体涉及是适用于云计算业务的大语言模型微调指令集构建方法，先获取微调指令集问题描述，并生成问题列表，针对生成问题列表从三个维度获取答案，一个维度是基于云计算业务的知识库获取问题的答案，另一个维度是遍历互联网找寻云计算相关的Q&A获取问题的答案，第三个维度是调用第三方大语言模型获取问题的答案，并基于BERT文本分类模型进行打分，从而构建关于微调指令集问题描述的微调指令集。通过获取三个维度的数据构建的一个用于云计算相关业务的微调指令集，为大语言模型运用在云计算业务上打下基础，解决了目前并不存在一款能够适用于云计算业务的相关高效指令集，造成大语言模型运用在云计算业务上困难的问题。

Description

适用于云计算业务的大语言模型微调指令集构建方法
技术领域
本发明属于云计算技术领域，具体涉及适用于云计算业务的大语言模型微调指令集构建方法。
背景技术
ChatGPT（全名：Chat Generative Pre-trained Transformer），是OpenAI研发的聊天机器人程序，它的出现给人工智能产业带来了大量的机会，越来越多的人试用相关的产品来处理工作中的事务。
ChatGPT背后的技术是LLM（大语言模型），利用大语言模型技术使人类在NLP（自然语言处理）领域的能力飞速提升。一般而言，LLM模型拥有大量的待学习参数，需要规模庞大的样本来完成模型的训练。但是随着技术的发展，利用高效的精简指令集对大语言模型进行微调，可以在垂直领域发挥更大的作用。云计算是一个需要储备大量广泛知识的技术领域，专业性要求高，对于新手来说，一个良好的帮助系统可以有效的辅助开发，但是目前并不存在一款能够适用于云计算业务的相关高效指令集，造成大语言模型运用在云计算业务上的困难。
发明内容
为解决上述问题，本发明采取的技术方案是：适用于云计算业务的大语言模型微调指令集构建方法，其中，包括以下步骤：
获取微调指令集问题描述，并生成问题列表；
基于知识库获取问题的答案；
遍历互联网获取问题的答案；
调用第三方大语言模型获取问题的答案，并基于BERT文本分类模型P进行打分；
构建问题列表的微调指令集。
进一步的，设置一个数据集，数据集中包含由文字组成的字段，针对数据集中由文字组成字段的逻辑，内容，和是否通顺进行打分，并训练基于BERT 技术的文本分类模型P。
进一步的，微调指令集的问题来自云计算的用户手册中所涉及的问题、云计算论坛上所涉及关于云计算的问题。
进一步的，基于用户手册的知识库，在知识库中检索与问题列表相匹配的问题答案。
可选的，在获取问题描述的同时收集问题的答案。
进一步的，调用第三方大语言模型的api，通过分类模型P对第三方大语言模型的api获得的问题答案进行打分，构建问题列表的答案。
可选的，还包括人工删除不合理的问题答案，形成适用于云计算业务大语言模型的微调指令集U。
进一步的，第三方大语言模型包括ChatGPT和文言一心中的一种或多种。
可选的，通过多源数据增广的方式对微调指令集进行增广扰动。
同时，本发明还提供了适用于云计算业务的大语言模型微调指令集构建系统，包括：
处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行适用于云计算业务的大语言模型微调指令集构建方法。
再则，本发明还提供了适用于云计算业务的大语言模型微调指令集构建方法的存储介质，包括：用于存储计算机程序，所述计算机程序使得计算机执行适用于云计算业务的大语言模型微调指令集构建方法。
综上所述，由于采用了上述技术方案，本发明的有益效果至少包括以下之一：
1、通过获取云计算业务的知识库、云计算相关的Q&A，第三方大语言模型的问题数据构建的一个用于云计算相关业务的微调指令集，为大语言模型运用在云计算业务上打下基础；
2、采用多源数据增广的方法，增加模型的泛化性。
附图说明
图1 为适用于云计算业务的大语言模型微调指令集构建方法的流程图；
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
实施例1
如图1所示，本发明公开了适用于云计算业务的大语言模型微调指令集构建方法，包括以下步骤：
获取微调指令集问题描述，并生成问题列表；
基于知识库获取问题的答案；
遍历互联网获取问题的答案；
调用第三方大语言模型获取问题的答案，并基于BERT文本分类模型P进行打分；
构建问题列表的微调指令集。
这样设计的目的在于，通过获取云计算业务的知识库、云计算相关的Q&A，第三方大语言模型的问题数据构建的一个用于云计算相关业务的微调指令集，为大语言模型运用在云计算业务上打下基础，解决了目前并不存在一款能够适用于云计算业务的相关高效指令集，造成大语言模型运用在云计算业务上困难的问题。
实施例2
本发明公开了适用于云计算业务的大语言模型微调指令集构建方法，包括以下步骤：
设置一个数据集，数据集中包含由文字组成的字段，针对数据集中由文字组成字段的逻辑，内容，和是否通顺进行打分，并训练基于BERT 技术的文本分类模型P；
获取微调指令集问题描述，并生成问题列表，其中微调指令集的问题来自云计算的用户手册中所涉及的问题、云计算论坛上所涉及关于云计算的问题；
基于知识库获取问题的答案，基于用户手册的知识库，在知识库中检索与问题列表相匹配的问题答案；
遍历互联网获取问题的答案，在获取问题描述的同时收集问题的答案；
调用第三方大语言模型获取问题的答案，并基于BERT文本分类模型P进行打分；
构建问题列表的答案，同时人工删除不合理的问题答案，形成适用于云计算业务大语言模型的微调指令集U，其中第三方大语言模型包括ChatGPT和文言一心中的一种或多种。
S6. 通过多源数据增广的方式对微调指令集进行增广扰动。
这样设计的目的在于，通过获取云计算业务的知识库、云计算相关的Q&A，第三方大语言模型的问题数据构建的一个用于云计算相关业务的微调指令集，为大语言模型运用在云计算业务上打下基础，解决了目前并不存在一款能够适用于云计算业务的相关高效指令集，造成大语言模型运用在云计算业务上困难的问题，同时，采用多源数据增广的方法，增加模型的泛化性。
实施例3
在一个具体的使用场景中：
S1.训练BERT的文本分类模型；
S2.1. 设置关键词，关键词包括，云计算，启动，配置，运行等；
S2.2. 利用关键词和命名实体识别模型对互联网上的相关数据进行分析,挑选云计算业务的相关问题；
S2.3.对S2.2获取的问题列表进行审核，得出最终的问题集合Q，Q集合的定义如下：
，其中n是问题数；
S3.1.对生成的问题集合Q中的每一个问题通过jieba进行分词；
S3.2.根据S3.1中的分词结果对用户手册进行检索，通过TextRank算法，计算问题与回答句子的相似性；
S3.3.每一个问题可能对应多个检索后的回答，选取相似性最高的一个回答，作为该步骤的答案a；
S3.4.遍历问题集合Q后，获得该问题集合Q的答案集合A1，A1集合的定义如下：
，其中n是问题数；
S4.1.根据S2.1的关键词，在互联网上进行检索；
S4.2.通过TextRank算法计算关键词检索的结果和问题句子的相似性；
S4.3.当相似性大于阀值时，对互联网上的回答依据赞同数进行排序，最终选择最高赞同的回答作为该问题答案；
S4.4.循环遍历问题集合Q，获得该问题集合Q的答案集合A2，A2集合的定义如下：
，其中n是问题数；
S5.1.调用chatgpt提供的api接口，并把问题作为输入，抓取返回的结果；
S5.2.调用文言一心提供的api接口，并把问题作为输入，抓取返回的结果；
S5.3.将S5.1和S5.2中返回的结果，送入S1中的文本分类模型，将得分最高的答案作为最终的输出；
S5.4. 循环遍历问题集合Q，获得该问题集合Q的答案集合A3，A3集合的定义如下：
，其中n是问题数；
S6.1.将问题集合Q，答案集合A1，A2，A3做一对多投影，即Q1对应a11,a21,a31，Q2对应a12,a22,a32，Qn对应a1n,a2n,a3n，并将投影后的数据作为字典数据类型，其中每条问题构成键名，答案构成键值；
S6.2.对键值的三个答案做随机的两两配对形成新的答案集合，
；
S6.3.将答案集合A4，A5，A6处理成问题集合Q对应的键值；
S6.4.人工筛选步骤S6.3中形成的数据，删除不合理的回答或者问题，形成最终用于云计算业务大语言模型的微调指令集U。
这样设计的目的在于，通过获取云计算业务的知识库、云计算相关的Q&A，第三方大语言模型的问题数据构建的一个用于云计算相关业务的微调指令集，为大语言模型运用在云计算业务上打下基础，解决了目前并不存在一款能够适用于云计算业务的相关高效指令集，造成大语言模型运用在云计算业务上困难的问题，同时，采用多源数据增广的方法，增加模型的泛化性。
本实施例中还提供了一种适用于云计算业务的大语言模型微调指令集构建系统，包括：
处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行一种适用于云计算业务的大语言模型微调指令集构建方法。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器﹑数字信号处理器(Digital Signal Processor ， DSP)、专用集成电路(Application Specific Integrated Circuit ，ASIC)、现场可编程门阵列(FieldProgrammableGate Array ，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是内部存储单元或外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card ，SMC)，安全数字卡(SecureDigital ，SD)，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括内部存储单元，也包括外部存储设备。所述存储器用于存储所述计算机程序以及其他程序和数据，所述存储器还可以用于暂时地存储己经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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，在本发明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。上述集成的单元既可以采用硬件的形式实现﹐也可以采用软件功能单元的形式实现。
所述集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式，对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘﹑磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
本实施例中，还提供了一种计算机存储介质，其中存储有计算机程序，计算机存储介质可以为磁性随机存取存储器、只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、快闪存储器、磁表面存储器和光盘中的一种，还可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备等，计算机程序能驱动解决不同格式日志数据冲突的系统，同时计算机程序处理器能够执行适用于云计算业务的大语言模型微调指令集构建方法。
最后应说明的是：以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.适用于云计算业务的大语言模型微调指令集构建方法，其特征在于，包括以下步骤：
获取微调指令集问题描述，并生成问题列表；
基于知识库获取问题的答案；
遍历互联网获取问题的答案；
调用第三方大语言模型获取问题的答案，并基于BERT文本分类模型P进行打分；
构建问题列表的微调指令集。
2.根据权利要求1所述的适用于云计算业务的大语言模型微调指令集构建方法，其特征在于：设置一个数据集，数据集中包含由文字组成的字段，针对数据集中由文字组成字段的逻辑，内容，和是否通顺进行打分，并训练基于BERT技术的文本分类模型P。
3.根据权利要求2所述的适用于云计算业务的大语言模型微调指令集构建方法，其特征在于：微调指令集的问题来自云计算的用户手册中所涉及的问题、云计算论坛上所涉及关于云计算的问题。
4.根据权利要求3所述的适用于云计算业务的大语言模型微调指令集构建方法，其特征在于：基于用户手册的知识库，在知识库中检索与问题列表相匹配的问题答案。
5.根据权利要求4所述的适用于云计算业务的大语言模型微调指令集构建方法，其特征在于：在获取问题描述的同时收集问题的答案。
6.根据权利要求5所述的适用于云计算业务的大语言模型微调指令集构建方法，其特征在于：调用第三方大语言模型的api，通过分类模型P对第三方大语言模型的api获得的问题答案进行打分，将得分最高的答案作为最终输出，构建问题列表的答案。
7.根据权利要求6所述的适用于云计算业务的大语言模型微调指令集构建方法，其特征在于：还包括人工删除不合理的问题答案，形成适用于云计算业务大语言模型的微调指令集U。
8.根据权利要求6所述的适用于云计算业务的大语言模型微调指令集构建方法，其特征在于：第三方大语言模型包括ChatGPT和文言一心中的一种或多种。
9.根据权利要求1所述的适用于云计算业务的大语言模型微调指令集构建方法，其特征在于：通过多源数据增广的方式对微调指令集进行增广扰动。
10.适用于云计算业务的大语言模型微调指令集构建系统，其特征在于：包括：
处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至8中任一项所述的方法。
CN202310992692.1A 2023-08-08 2023-08-08 适用于云计算业务的大语言模型微调指令集构建方法 Pending CN117112727A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310992692.1A CN117112727A (zh) 2023-08-08 2023-08-08 适用于云计算业务的大语言模型微调指令集构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310992692.1A CN117112727A (zh) 2023-08-08 2023-08-08 适用于云计算业务的大语言模型微调指令集构建方法

Publications (1)

Publication Number Publication Date
CN117112727A true CN117112727A (zh) 2023-11-24

Family

ID=88795716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310992692.1A Pending CN117112727A (zh) 2023-08-08 2023-08-08 适用于云计算业务的大语言模型微调指令集构建方法

Country Status (1)

Country Link
CN (1) CN117112727A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117951211A (zh) * 2024-03-26 2024-04-30 宁算(南京)科技有限公司 一种用于云服务行业大语言模型私有化部署装置及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117951211A (zh) * 2024-03-26 2024-04-30 宁算(南京)科技有限公司 一种用于云服务行业大语言模型私有化部署装置及方法

Similar Documents

Publication Publication Date Title
CN111353310B (zh) 基于人工智能的命名实体识别方法、装置及电子设备
CN107885874B (zh) 数据查询方法和装置、计算机设备及计算机可读存储介质
US9373075B2 (en) Applying a genetic algorithm to compositional semantics sentiment analysis to improve performance and accelerate domain adaptation
CN109726298B (zh) 适用于科技文献的知识图谱构建方法、系统、终端及介质
CN107436864A (zh) 一种基于Word2Vec的中文问答语义相似度计算方法
CN112035599B (zh) 基于垂直搜索的查询方法、装置、计算机设备及存储介质
WO2023040493A1 (zh) 事件检测
CN110019712A (zh) 多意图查询方法和装置、计算机设备及计算机可读存储介质
CN116402166B (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
CN110019713A (zh) 基于意图理解的数据检索方法和装置、设备及存储介质
CN116303537A (zh) 数据查询方法及装置、电子设备、存储介质
CN112925898A (zh) 基于人工智能的问答方法、装置、服务器及存储介质
CN117520503A (zh) 基于llm模型的金融客服对话生成方法、装置、设备及介质
CN117112727A (zh) 适用于云计算业务的大语言模型微调指令集构建方法
CN114707003B (zh) 一种论文作者姓名消歧的方法、设备及储存介质
CN112199958A (zh) 概念词序列生成方法、装置、计算机设备及存储介质
CN117494815A (zh) 面向档案的可信大语言模型训练、推理方法和装置
CN117312641A (zh) 智能获取信息的方法、装置、设备及存储介质
CN118035405A (zh) 一种基于大模型的知识库问答构建方法及装置
WO2021135103A1 (zh) 一种语义分析方法、装置、计算机设备及存储介质
CN117708297A (zh) 查询语句的生成方法、装置、电子设备及存储介质
CN117828042A (zh) 用于金融服务的问答处理方法、装置、设备及介质
CN110019714A (zh) 基于历史结果的多意图查询方法、装置、设备及存储介质
CN111401069A (zh) 会话文本的意图识别方法、意图识别装置及终端
CN113741864A (zh) 基于自然语言处理的语义化服务接口自动设计方法与系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication