CN117171296A - 信息获取方法、装置和电子设备 - Google Patents
信息获取方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117171296A CN117171296A CN202310966886.4A CN202310966886A CN117171296A CN 117171296 A CN117171296 A CN 117171296A CN 202310966886 A CN202310966886 A CN 202310966886A CN 117171296 A CN117171296 A CN 117171296A
- Authority
- CN
- China
- Prior art keywords
- candidate
- document
- outline
- target
- attribute
- 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 62
- 238000012216 screening Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本公开提供了信息获取方法、装置和电子设备,涉及人工智能技术领域,具体为智能搜索和大语言模型技术领域,具体实现方案为:获取企业相关的多个历史搜索请求,其中,每个历史搜索请求包括候选工作属性和候选工作属性对应的候选文档主题;根据大语言模型LLM和历史搜索请求,获取与候选工作属性和候选文档主题匹配的候选大纲文档;接收用户设备发送的目标搜索请求,并从候选大纲文档中,获取与目标搜索请求匹配的目标大纲文档,并反馈给用户设备,本公开可以为企业内用户提供与工作属性和文档主题匹配的目标大纲文档,用户后续可以基于目标文档大纲进行填充内容,提高了用户的写作效率,同时,提高了文档的质量水平。
Description
技术领域
本公开涉及人工智能技术领域,具体为智能搜索和大语言模型技术领域,尤其涉及一种信息获取方法、装置、电子设备和存储介质。
背景技术
目前,在企业中,用户会编写各种类型的文档,相应地,不同工种用户也会编写不同类型的文档,其中,一篇高质量的文档,首先需要有大纲文档,用户基于大纲文档可以填充自己的内容信息,然而,相关技术中的获取大纲文档的方法,存在不能为不同工种的用户提供所需的大纲文档的问题。
发明内容
本公开提供了一种信息获取方法、装置、电子设备、存储介质及程序产品。
根据第一方面,提供了一种信息获取方法,包括:获取企业相关的多个历史搜索请求,其中,每个所述历史搜索请求包括候选工作属性和所述候选工作属性对应的候选文档主题;根据大语言模型LLM和所述历史搜索请求,获取与所述候选工作属性和所述候选文档主题匹配的候选大纲文档;接收用户设备发送的目标搜索请求,并从所述候选大纲文档中,获取与所述目标搜索请求匹配的目标大纲文档,并反馈给所述用户设备。
根据第二方面,提供了一种信息获取装置,包括:第一获取模块,用于获取企业相关的多个历史搜索请求,其中,每个所述历史搜索请求包括候选工作属性和所述候选工作属性对应的候选文档主题;第二获取模块,用于根据大语言模型LLM和所述历史搜索请求,获取与所述候选工作属性和所述候选文档主题匹配的候选大纲文档;第三获取模块,用于接收用户设备发送的目标搜索请求,并从所述候选大纲文档中,获取与所述目标搜索请求匹配的目标大纲文档,并反馈给所述用户设备。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开第一方面所述的信息获取方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开第一方面所述的信息获取方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开第一方面所述的信息获取方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的信息获取方法的流程示意图;
图2是根据本公开第二实施例的信息获取方法的流程示意图;
图3是根据本公开第三实施例的信息获取方法的流程示意图;
图4是根据本公开第四实施例的信息获取方法的流程示意图;
图5根据本公开第五实施例的信息获取方法的流程示意图;
图6是根据本公开一种信息获取方法的流程示意图;
图7是是用来实现本公开实施例的信息获取装置的框图;
图8来实现本公开实施例的信息获取方法电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
人工智能(Artificial Intelligence,简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前,AI技术具有自动化程度高、精确度高、成本低的优点,得到了广泛的应用。
智能搜索,智能搜索引擎(Intelligent search engine)是结合了人工智能技术的新一代搜索引擎,他除了能提供传统的快速检索、相关度排序等功能,还能提供用户角色登记、用户兴趣自动识别、内容的语义理解、智能信息化过滤和推送等功能。
大语言模型(Large Language Model,简称LLM)是指使用大量文本数据训练的深度学习模型,可以生成自然语言文本或理解语言文本的含义。大语言模型可以处理多种自然语言任务,如文本分类、问答、对话等,是通向人工智能的一条重要途径。
下面结合附图描述本公开实施例的一种信息获取方法。
图1是根据本公开第一实施例的信息获取方法的流程示意图。
如图1所示,本公开实施例的信息获取方法具体可包括以下步骤:
S101,获取企业相关的多个历史搜索请求,其中,每个历史搜索请求包括候选工作属性和候选工作属性对应的候选文档主题。
其中,候选工作属性指的是企业内包含的各个工种。
其中,工种是指根据劳动管理的需要,按照生产劳动的性质、工艺技术的特征或者服务活动的特点而划分的工作种类。
需要说明的是,本公开对于获取候选工作属性和候选工作属性对应的候选文档主题的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以根据企业的工作人员的实际情况,确定企业内各个候选工作属性(工种),获取企业内各个候选工作属性在写作时的文档主题,针对每个候选工作属性,对每个候选工作属性在写作时的文档主题进行汇总,以获取候选工作属性对应的候选文档主题。
举例而言,当候选工作属性为算法工程师,对应的候选文档主题可以为实验报告文档、技术方案文档;当候选工作属性为测试工程师,对应的候选文档主题可以为测试报告文档、测试用例设计文档。
S102,根据大语言模型LLM和历史搜索请求,获取与候选工作属性和候选文档主题匹配的候选大纲文档。
其中,大语言模型(Large Language Model,简称LLM),是指一类基于神经网络的、具有大规模参数的语言模型。
在公开实施例中,根据大语言模型和历史搜索请求,可以获取与候选工作属性和候选文档主题匹配的候选大纲文档。
可选地,可以获取初始的大纲引导模板prompt,根据候选工作属性、候选文档主题和历史搜索请求,对大纲引导模板进行编辑,获取第一大纲引导模板,将第一大纲引导模板输入大语言模型LLM中,获取与候选工作属性和候选文档主题匹配的候选大纲文档。
举例而言,当候选工作属性为算法工程师,候选文档主题为实验报告文档,候选大纲文档为A1;当候选工作属性为算法工程师,候选文档主题为技术方案文档,候选大纲文档为A2。
在本申请实施例中,通过大语言模型LLM和历史搜索请求,可以获取企业内与候选工作属性和候选文档主题匹配的所有候选大纲文档。
S103,接收用户设备发送的目标搜索请求,并从候选大纲文档中,获取与目标搜索请求匹配的目标大纲文档,并反馈给用户设备。
需要说明的是,在接收到用户设备发送的目标搜索请求query后,可以对目标搜索请求进行解析,获取目标文档主题和与用户设备对应的用户标识信息,获取用户标识信息对应的目标工作属性,根据目标文档主题和目标工作属性从候选大纲文档中,获取目标大纲文档。
举例而言,当用户设备发送的目标搜索请求为“我现在要写一篇关于实验报告主题的文档,请帮我生成该文档的大纲。”可以对目标搜索请求进行解析,获取目标文档主题为“试验报告”、目标工作属性为“算法工程师”,则可以获取到的目标大纲文档为A1。
综上,本公开实施例的信息获取方法,通过获取企业相关的多个历史搜索请求,其中,每个历史搜索请求包括候选工作属性和候选工作属性对应的候选文档主题;并根据大语言模型LLM和历史搜索请求,获取与候选工作属性和候选文档主题匹配的候选大纲文档;接收用户设备发送的目标搜索请求,并从候选大纲文档中,获取与目标搜索请求匹配的目标大纲文档,并反馈给用户设备,本公开可以为企业内用户提供与工作属性和文档主题匹配的目标大纲文档,用户后续可以基于目标文档大纲进行填充内容,提高了用户的写作效率,同时,提高了文档的质量水平。
图2是根据本公开第二实施例的信息获取方法的流程示意图。
如图2所示,在图1所示实施例的基础上,本公开实施例的信息获取方法具体可包括以下步骤:
S201,获取企业相关的多个历史搜索请求,其中,每个历史搜索请求包括候选工作属性和候选工作属性对应的候选文档主题。
上述实施例中的步骤S201“候选工作属性对应的候选文档主题”的获取过程可包括以下步骤S301和S303。
S301,针对每个候选工作属性,获取候选工作属性的文档标题。
可选地,可以预先获取企业内每个候选工作属性写作的文档标题。
举例而言,针对候选工作属性为算法工程师,文档标题为“图算法模型调研文档”、“文本分类模型调研文档。”
S302,对候选工作属性的文档标题进行信息抽取,得到候选工作属性的初始文档主题。
可选地,在获取到候选工作属性的文档标题后,可以通过训练好的模型,对候选工作属性的文档标题进行信息抽取,得到候选工作属性的初始文档标题。
可选地,可以利用信息抽取模型Monet,对候选工作属性的文档标题进行信息抽取,得到候选工作属性的初始文档标题,其中,可以通过标注训练数据,训练出具有主题抽取功能的信息抽取模型Monet。
举例而言,针对文档标题为“图算法模型调研文档”、“文本分类模型调研文档”通过信息抽取模型Monet,可以获取上述文档的主题为“模型调研”。
S303,从候选工作属性的初始文档主题中,筛选出候选工作属性对应的候选文档主题。
上述实施例中的步骤S303“从候选工作属性的初始文档主题中,筛选出候选工作属性对应的候选文档主题”具体可包括以下步骤S401和S402。
S401,获取候选工作属性的初始文档主题的出现频数和出现频数阈值。
需要说明的是,通过信息抽取模型Monet可以获取每个候选工作属性的初始文档主题以及初始文档主题出现频数。
需要说明的是,本公开对于出现频数阈值的设置不作限定,可以根据实际情况进行设定。
可选地,可以设置出现频数阈值为3。
S402,根据初始文档主题的出现频数和出现频数阈值,从候选工作属性的初始文档主题中,筛选出候选工作属性对应的候选文档主题。
可选地,从候选工作属性的初始文档主题中,筛除出现频数小于出现频数阈值的第一初始文档主题,将候选工作属性的初始文档主题中剩余的第二初始文档主题,作为候选工作属性对应的候选文档主题。
上述实施例中的步骤S102“根据大语言模型LLM和历史搜索请求,获取与候选工作属性和候选文档主题匹配的候选大纲文档”具体可包括以下步骤S202和S204。
S202,获取初始的大纲引导模板。
需要说明的是,本公开对于初始的大纲引导模板的设置不作限定,可以根据实际情况进行设置。
可选地,初始的大纲引导模板prompt,可以为“我是一名XXX(工作属性),我现在要写一篇关于XX主题的文档,请帮我生成该文档的大纲。”
需要说明的是,通过初始的大纲引导模板,可以规定自然语言的书写范式,从而可以使大语言模型LLM能够更加准确地理解搜索意图。
S203,根据候选工作属性、候选文档主题和历史搜索请求,对大纲引导模板进行编辑,获取第一大纲引导模板。
在本公开实施例中,可以根据候选工作属性、候选文档主题和历史搜索请求,对大纲引导模板进行编辑,以获取第一大纲引导模板。
举例而言,基于初始大纲引导模板,第一大纲引导模板可以为“我是一名算法工程师,我现在要写一篇关于试验报告主题的文档,请帮我生成该文档的大纲。”
S204,将第一大纲引导模板输入大语言模型LLM中,获取与候选工作属性和候选文档主题匹配的候选大纲文档。
在本公开实施例中,在获取到第一大纲引导模板后,可以将第一大纲引导模板输入大语言模型LLM中,大语言模型LLM可以根据输入的第一大纲引导模板,生成与候选工作属性和候选文档主题匹配的候选大纲文档。
在本公开实施例中,在获取到与候选工作属性和候选文档主题匹配的候选大纲文档之后,可以建立候选大纲文档与候选文档大纲对应的文档主题和工作属性之间的映射关系,将映射关系存储于搜索引擎中。
可选地,为了方便后续用户搜索,可以将映射关系存储于搜索引擎(ElasticSearch,简称ES)中。
S205,接收用户设备发送的目标搜索请求。
上述实施例中的步骤S103“从候选大纲文档中,获取与目标搜索请求匹配的目标大纲文档”具体可包括以下步骤S206和S208。
S206,对目标搜索请求解析,获取目标文档主题和与用户设备对应的用户标识信息。
需要说明的是,在接收到目标搜索请求后,可以对目标搜索请求进行解析,以得到目标搜索请求中的目标文档主题,并获取与用户设备对应的用户标识信息(Identitydocument,简称ID)。
S207,获取用户标识信息对应的目标工作属性。
可选地,可以预先建立企业内用户标识信息与工作属性之间的映射关系,根据用户设备对应的用户标识信息,通过查询映射关系,以得到用户标识信息对应的目标工作属性。
S208,基于目标文档主题和目标工作属性,获取目标大纲文档。
上述实施例中的步骤S208“基于目标文档主题和目标工作属性,获取目标大纲文档”具体可包括以下步骤S501和S502。
S501,根据目标文档主题和目标工作属性,通过搜索引擎查询映射关系,获取与目标搜索请求匹配的目标候选大纲文档。
可选地,在获取到目标文档标题和目标工作属性后,可以通过搜索引擎ES查询映射关系,即通过ES查询候选大纲文档与候选文档大纲对应的文档主题和工作属性之间的映射关系,以召回与目标搜索请求匹配的目标候选大纲文档。
S502,根据大语言模型LLM,从目标候选大纲文档中,获取目标大纲文档。
在本公开实施例中,在获取到目标候选大纲文档后,可以基于目标候选大纲文档,生成大纲文档筛选请求,根据目标工作属性、目标文档主题和大纲文档筛选请求,对初始大纲引导模板进行编辑,获取第二大纲引导模板,将第二大纲引导模板输入大语言模型LLM中,从目标候选大纲文档中,获取目标大纲文档。
举例而言,针对目标候选大纲文档为x1、x2、x3,基于初始大纲引导模板,第二大纲引导模板可以为“我是一名算法工程师,我现在要写一篇关于试验报告主题的文档,请从以下文档中选择和目标文档主题最匹配的大纲文档,可供选择的文档有:x1、x2、x3。”
进一步地,为了提高获取目标大纲文档的精确性,在获取到第二大纲引导模板后,可以将第二大纲引导模板输入大语言模型LLM中,进而从目标候选大纲文档中选取目标大纲文档。
下面对本公开提出的信息获取方法的具体过程进行解释说明。
举例而言,如图6所示,可以分为挖掘pipeline和检索(搜索)pipeline,首先收集企业内的文档数据,对每个工作属性(工种)对应的文档标题进行汇总,获取每个工作属性对应的文档标题,例如:工种1对应的文档标题……工种n对应的文档标题,可以基于抽取模型Monet对获取每个工作属性对应的文档标题进行主题抽取,可选地,可以按照出现频数进行升序排序,过滤掉出现频数小于3的文档主题,进而得到每个工作属性对应的文档主题(即写作主题),例如:工种1对应的文档主题……工种n对应的文档主题,根据获取到的文档主题、工作属性和历史搜索请求,对初始的大纲引导模板进行编辑,获取第一大纲引导模板,将第一大纲引导模板输入大语言模型中,进而得到与工作属性和文档主题匹配的大纲文档(即写作大纲),将生成的与工作属性和文档主题匹配的大纲文档存入搜索引擎中,即完成了挖掘pipeline,进一步地,可以接收用户设备发送的目标搜索请求query,对query进行解析,可以利用抽取模型Monet提取出query中要搜索的目标文档主题,并获取与用户设备对应的用户标识信息,获取用户标识信息对应的目标工作属性,根据目标文档主题、目标工作属性,通过ES召回与目标文档主题和目标工作属性匹配的候选大纲文档,基于目标候选大纲文档,生成大纲文档筛选请求,根据目标工作属性、目标文档主题和大纲文档筛选请求,对初始大纲引导模板进行编辑,获取第二大纲引导模板,将第二大纲引导模板输入大语言模型LLM中,从目标候选大纲文档中,获取目标大纲文档,最后将目标大纲文档返回给用户设备。
综上,本公开实施例的信息获取方法,将搜索引擎和大语言模型进行结合,可以更加精确地以及可靠地为企业内用户提供与工作属性和文档主题匹配的目标大纲文档,用户后续可以基于目标文档大纲进行填充内容,提高了用户的写作效率,同时,提高了文档的质量水平。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
图7是根据本公开一个实施例的信息获取装置的结构示意图。
如图7所示,该信息获取装置700,包括:第一获取模块710、第二获取模块720、第三获取模块730。其中:
第一获取模块710,用于获取企业相关的多个历史搜索请求,其中,每个所述历史搜索请求包括候选工作属性和所述候选工作属性对应的候选文档主题;
第二获取模块720,用于根据大语言模型LLM和所述历史搜索请求,获取与所述候选工作属性和所述候选文档主题匹配的候选大纲文档;
第三获取模块730,用于接收用户设备发送的目标搜索请求,并从所述候选大纲文档中,获取与所述目标搜索请求匹配的目标大纲文档,并反馈给所述用户设备。
其中,所述第一获取模块710,用于:针对每个候选工作属性,获取所述候选工作属性的文档标题;对所述候选工作属性的文档标题进行信息抽取,得到所述候选工作属性的初始文档主题;从所述候选工作属性的初始文档主题中,筛选出所述候选工作属性对应的候选文档主题。
其中,所述第一获取模块710,用于:获取所述候选工作属性的初始文档主题的出现频数和出现频数阈值;根据所述初始文档主题的出现频数和出现频数阈值,从所述候选工作属性的初始文档主题中,筛选出所述候选工作属性对应的候选文档主题。
其中,所述第一获取模块710,用于:从所述候选工作属性的初始文档主题中,筛除所述出现频数小于所述出现频数阈值的第一初始文档主题;将所述候选工作属性的初始文档主题中剩余的第二初始文档主题,作为所述候选工作属性对应的候选文档主题。
其中,所述第二获取模块720,用于:获取初始的大纲引导模板;根据所述候选工作属性、所述候选文档主题和所述历史搜索请求,对所述大纲引导模板进行编辑,获取第一大纲引导模板;将所述第一大纲引导模板输入所述大语言模型LLM中,获取与所述候选工作属性和所述候选文档主题匹配的候选大纲文档。
其中,所述装置700,还用于:建立所述候选大纲文档与所述候选文档大纲对应的文档主题和工作属性之间的映射关系;将所述映射关系存储于搜索引擎中。
其中,所述第三获取模块730,用于:对所述目标搜索请求解析,获取目标文档主题和与所述用户设备对应的用户标识信息;获取所述用户标识信息对应的目标工作属性;基于所述目标文档主题和所述目标工作属性,获取所述目标大纲文档。
其中,所述第三获取模块730,用于:根据所述目标文档主题和所述目标工作属性,通过搜索引擎查询映射关系,获取与所述目标搜索请求匹配的目标候选大纲文档;根据所述大语言模型LLM,从所述目标候选大纲文档中,获取所述目标大纲文档。
其中,所述第三获取模块730,用于:基于所述目标候选大纲文档,生成大纲文档筛选请求;根据所述目标工作属性、所述目标文档主题和所述大纲文档筛选请求,对初始大纲引导模板进行编辑,获取第二大纲引导模板;将所述第二大纲引导模板输入所述大语言模型LLM中,从所述目标候选大纲文档中,获取所述目标大纲文档。
需要说明的是,上述对信息获取方法实施例的解释说明,也适用于本公开实施例的信息获取装置,具体过程此处不再赘述。
综上,本公开实施例的信息获取装置,通过获取企业相关的多个历史搜索请求,其中,每个历史搜索请求包括候选工作属性和候选工作属性对应的候选文档主题;并根据大语言模型LLM和历史搜索请求,获取与候选工作属性和候选文档主题匹配的候选大纲文档;接收用户设备发送的目标搜索请求,并从候选大纲文档中,获取与目标搜索请求匹配的目标大纲文档,并反馈给用户设备,本公开可以为企业内用户提供与工作属性和文档主题匹配的目标大纲文档,用户后续可以基于目标文档大纲进行填充内容,提高了用户的写作效率,同时,提高了文档的质量水平。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如信息获取方法。例如,在一些实施例中,信息获取方法。可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的信息获取方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行信息获取方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网以及区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
本公开还提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时,实现如上所述的信息获取方法。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种信息获取方法,其中,所述方法,包括:
获取企业相关的多个历史搜索请求,其中,每个所述历史搜索请求包括候选工作属性和所述候选工作属性对应的候选文档主题;
根据大语言模型LLM和所述历史搜索请求,获取与所述候选工作属性和所述候选文档主题匹配的候选大纲文档;
接收用户设备发送的目标搜索请求,并从所述候选大纲文档中,获取与所述目标搜索请求匹配的目标大纲文档,并反馈给所述用户设备。
2.根据权利要求1所述的方法,其中,所述获取候选工作属性对应的候选文档主题,包括:
针对每个候选工作属性,获取所述候选工作属性的文档标题;
对所述候选工作属性的文档标题进行信息抽取,得到所述候选工作属性的初始文档主题;
从所述候选工作属性的初始文档主题中,筛选出所述候选工作属性对应的候选文档主题。
3.根据权利要求2所述的方法,其中,所述从所述候选工作属性的初始文档主题中,筛选出所述候选工作属性对应的候选文档主题,包括:
获取所述候选工作属性的候选文档主题的出现频数和出现频数阈值;
根据所述初始文档主题的出现频数和出现频数阈值,从所述候选工作属性的初始文档主题中,筛选出所述候选工作属性对应的候选文档主题。
4.根据权利要求3所述的方法,其中,所述根据所述初始文档主题的出现频数和出现频数阈值,从所述候选工作属性的初始文档主题中,筛选出所述候选工作属性对应的候选文档主题,包括:
从所述候选工作属性的初始文档主题中,筛除所述出现频数小于所述出现频数阈值的第一初始文档主题;
将所述候选工作属性的初始文档主题中剩余的第二初始文档主题,作为所述候选工作属性对应的候选文档主题。
5.根据权利要求1所述的方法,其中,所述根据大语言模型LLM和所述历史搜索请求,获取与所述候选工作属性和所述候选文档主题匹配的候选大纲文档,包括:
获取初始的大纲引导模板;
根据所述候选工作属性、所述候选文档主题和所述历史搜索请求,对所述大纲引导模板进行编辑,获取第一大纲引导模板;
将所述第一大纲引导模板输入所述大语言模型LLM中,获取与所述候选工作属性和所述候选文档主题匹配的候选大纲文档。
6.根据权利要求5所述的方法,其中,所述获取与所述候选工作属性和所述候选文档主题匹配的候选大纲文档之后,包括:
建立所述候选大纲文档与所述候选文档大纲对应的文档主题和工作属性之间的映射关系;
将所述映射关系存储于搜索引擎中。
7.根据权利要求1所述的方法,其中,所述从所述候选大纲文档中,获取与所述目标搜索请求匹配的目标大纲文档,包括:
对所述目标搜索请求解析,获取目标文档主题和与所述用户设备对应的用户标识信息;
获取所述用户标识信息对应的目标工作属性;
基于所述目标文档主题和所述目标工作属性,获取所述目标大纲文档。
8.根据权利要求7所述的方法,其中,所述基于所述目标文档主题和所述目标工作属性,获取所述目标大纲文档,包括:
根据所述目标文档主题和所述目标工作属性,通过搜索引擎查询映射关系,获取与所述目标搜索请求匹配的目标候选大纲文档;
根据所述大语言模型LLM,从所述目标候选大纲文档中,获取所述目标大纲文档。
9.根据权利要求8所述的方法,其中,所述根据所述大语言模型LLM,从所述目标候选大纲文档中,获取所述目标大纲文档,还包括:
基于所述目标候选大纲文档,生成大纲文档筛选请求;
根据所述目标工作属性、所述目标文档主题和所述大纲文档筛选请求,对初始大纲引导模板进行编辑,获取第二大纲引导模板;
将所述第二大纲引导模板输入所述大语言模型LLM中,从所述目标候选大纲文档中,获取所述目标大纲文档。
10.一种信息获取装置,其中,所述装置,包括:
第一获取模块,用于获取企业相关的多个历史搜索请求,其中,每个所述历史搜索请求包括候选工作属性和所述候选工作属性对应的候选文档主题;
第二获取模块,用于根据大语言模型LLM和所述历史搜索请求,获取与所述候选工作属性和所述候选文档主题匹配的候选大纲文档;
第三获取模块,用于接收用户设备发送的目标搜索请求,并从所述候选大纲文档中,获取与所述目标搜索请求匹配的目标大纲文档,并反馈给所述用户设备。
11.根据权利要求10所述的装置,其中,所述第一获取模块,用于:
针对每个候选工作属性,获取所述候选工作属性的文档标题;
对所述候选工作属性的文档标题进行信息抽取,得到所述候选工作属性的初始文档主题;
从所述候选工作属性的初始文档主题中,筛选出所述候选工作属性对应的候选文档主题。
12.根据权利要求11所述的装置,其中,所述第一获取模块,用于:
获取所述候选工作属性的初始文档主题的出现频数和出现频数阈值;
根据所述初始文档主题的出现频数和出现频数阈值,从所述候选工作属性的初始文档主题中,筛选出所述候选工作属性对应的候选文档主题。
13.根据权利要求12所述的装置,其中,所述第一获取模块,用于:
从所述候选工作属性的初始文档主题中,筛除所述出现频数小于所述出现频数阈值的第一初始文档主题;
将所述候选工作属性的初始文档主题中剩余的第二初始文档主题,作为所述候选工作属性对应的候选文档主题。
14.根据权利要求10所述的装置,其中,所述第二获取模块,用于:
获取初始的大纲引导模板;
根据所述候选工作属性、所述候选文档主题和所述历史搜索请求,对所述大纲引导模板进行编辑,获取第一大纲引导模板;
将所述第一大纲引导模板输入所述大语言模型LLM中,获取与所述候选工作属性和所述候选文档主题匹配的候选大纲文档。
15.根据权利要求14所述的装置,其中,所述装置,还用于:
建立所述候选大纲文档与所述候选文档大纲对应的文档主题和工作属性之间的映射关系;
将所述映射关系存储于搜索引擎中。
16.根据权利要求10所述的装置,其中,所述第三获取模块,用于:
对所述目标搜索请求解析,获取目标文档主题和与所述用户设备对应的用户标识信息;
获取所述用户标识信息对应的目标工作属性;
基于所述目标文档主题和所述目标工作属性,获取所述目标大纲文档。
17.根据权利要求16所述的装置,其中,所述第三获取模块,用于:
根据所述目标文档主题和所述目标工作属性,通过搜索引擎查询映射关系,获取与所述目标搜索请求匹配的目标候选大纲文档;
根据所述大语言模型LLM,从所述目标候选大纲文档中,获取所述目标大纲文档。
18.根据权利要求17所述的装置,其中,所述第三获取模块,用于:
基于所述目标候选大纲文档,生成大纲文档筛选请求;
根据所述目标工作属性、所述目标文档主题和所述大纲文档筛选请求,对初始大纲引导模板进行编辑,获取第二大纲引导模板;
将所述第二大纲引导模板输入所述大语言模型LLM中,从所述目标候选大纲文档中,获取所述目标大纲文档。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966886.4A CN117171296A (zh) | 2023-08-02 | 2023-08-02 | 信息获取方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966886.4A CN117171296A (zh) | 2023-08-02 | 2023-08-02 | 信息获取方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117171296A true CN117171296A (zh) | 2023-12-05 |
Family
ID=88938363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310966886.4A Pending CN117171296A (zh) | 2023-08-02 | 2023-08-02 | 信息获取方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171296A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633214A (zh) * | 2024-01-27 | 2024-03-01 | 北京澜舟科技有限公司 | 一种文章大纲生成方法、装置和存储介质 |
-
2023
- 2023-08-02 CN CN202310966886.4A patent/CN117171296A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633214A (zh) * | 2024-01-27 | 2024-03-01 | 北京澜舟科技有限公司 | 一种文章大纲生成方法、装置和存储介质 |
CN117633214B (zh) * | 2024-01-27 | 2024-04-19 | 北京澜舟科技有限公司 | 一种文章大纲生成方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301170B (zh) | 基于人工智能的切分语句的方法和装置 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN114840671A (zh) | 对话生成方法、模型的训练方法、装置、设备及介质 | |
CN117171296A (zh) | 信息获取方法、装置和电子设备 | |
CN114579104A (zh) | 数据分析场景的生成方法、装置、设备及存储介质 | |
CN112925900A (zh) | 搜索信息处理方法、装置、设备及存储介质 | |
CN116955075A (zh) | 一种基于日志的解析语句生成方法、装置、设备及介质 | |
CN114880498B (zh) | 事件信息展示方法及装置、设备和介质 | |
CN115687717A (zh) | Grok表达式获取方法、装置、设备及计算机可读存储介质 | |
CN115600592A (zh) | 文本内容的关键信息提取方法、装置、设备及介质 | |
CN112926297B (zh) | 处理信息的方法、装置、设备和存储介质 | |
CN114218431A (zh) | 视频搜索方法、装置、电子设备以及存储介质 | |
CN115292506A (zh) | 应用于办公领域的知识图谱本体构建方法和装置 | |
CN114118937A (zh) | 基于任务的信息推荐方法、装置、电子设备及存储介质 | |
CN112784600A (zh) | 信息排序方法、装置、电子设备和存储介质 | |
CN113377922B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN113377921B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN113268987B (zh) | 一种实体名称识别方法、装置、电子设备和存储介质 | |
CN115658903B (zh) | 文本分类方法、模型训练方法、相关装置及电子设备 | |
CN113204667B (zh) | 音频标注模型的训练与音频标注的方法、装置 | |
CN117453973A (zh) | 信息推荐方法、装置、设备及介质 | |
CN113535968A (zh) | 数据关键属性的提取方法和装置 | |
CN117610580A (zh) | 基于大模型的指令识别方法、装置、电子设备及存储介质 | |
CN114861676A (zh) | 段落抽取方法、装置和电子设备 |
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 |