CN117349400B - 一种基于aigc的提示词构建方法 - Google Patents
一种基于aigc的提示词构建方法 Download PDFInfo
- Publication number
- CN117349400B CN117349400B CN202311638881.5A CN202311638881A CN117349400B CN 117349400 B CN117349400 B CN 117349400B CN 202311638881 A CN202311638881 A CN 202311638881A CN 117349400 B CN117349400 B CN 117349400B
- Authority
- CN
- China
- Prior art keywords
- nouns
- information
- ratio
- history
- control module
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 49
- 238000004891 communication Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims description 43
- 239000000126 substance Substances 0.000 claims description 42
- 238000007405 data analysis Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 description 13
- 238000000034 method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000344 soap Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及提示词构建方法的技术领域,具体涉及一种基于AIGC的提示词构建方法,包括以下步骤:控制模块根据用户搜索时对应当月的搜索总次数计算用户搜索前的历史记录总次数,根据相关信息计算提示词大类最大值,根据提示词大类最大值计算提示词大类参考信息的选择函数,并将提示词大类参考信息传输至通信模块;通信模块将提示词大类参考信息传输至数据端。通过控制模块得出提示词大类参考信息,便于用户从提示词中筛选对应的目标提示词,从而能提升用户使用该搜索引擎时的体验感。
Description
技术领域
本发明涉及提示词构建方法的技术领域,具体涉及一种基于AIGC的提示词构建方法。
背景技术
AIGC(Artificial Intelligence Generated Content)是人工智能2.0时代的重要标志,它代表了从计算智能到认知智能的进阶发展。AIGC是多种技术的累积融合,包括GAN、CLIP、Transformer、Diffusion、预训练模型、多模态技术、生成算法等,从而催生了其爆发。
AIGC技术能力的提升主要表现在算法的不断迭代创新和预训练模型引发的质变,以及多模态技术推动的AIGC内容多元化。通过大规模数据的学习训练,AIGC具备了多个不同领域的知识,只需要对模型进行适当的调整修正,就能完成真实场景的任务。
提示词是AIGC中用于引导用户进行文本输入和生成的关键词汇。通过合理设置提示词,用户可以更准确地表达需求,从而获得更满意的结果。在AIGC的教程中,将详细讲解如何选择合适的提示词以及如何优化提示词的使用效果。
例如在使用搜索引擎时,搜索框会出现一些相关搜索来提示用户输入相关的搜索内容。
经过我们大量的检索与参考发现现在已经开发出了很多提示词构建方法,例如现有技术的有如公开号为CN116680425A所公开的提示词构建方法,包括:发送基本图像风格属性的文本提示词;构建多种基本图像风格属性的文本数据库以及标准图像数据库;接收用户输入的文本信息;利用用户输入的文本信息与文本数据库进行相似度匹配,匹配出一个文本提示词款的列表以供用户选择,同时接收用户选择的上述文本提示词款的列表的基本图像风格属性;基于基本图像风格属性或者备选图像风格属性在扩大图像数据库构建生成对应的图像。
现有技术中生成的提示内容并未进行分类,导致生成的提示内容范围过大,降低用户使用时的体验感。
发明内容
本发明的目的在于提高用户搜索时的体验感,针对上述存在的不足,提出一种基于AIGC的提示词构建方法。
本发明采用如下技术方案:
一种基于AIGC的提示词构建方法,包括以下步骤:
S1:信息设定模块设定历史记录的个体名词的参考指数、历史记录的集体名词的参考指数、历史记录的物质名词的参考指数和历史记录的抽象名词的参考指数的信息,并传输至控制模块;
S2:分析模块基于AIGC技术分析且得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的搜索方式选择指数、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值、第/>次历史记录的抽象名词占所有名词的比值和用户搜索时对应当月的搜索总次数的信息,并传输至控制模块;
S3:控制模块根据用户搜索时对应当月的搜索总次数计算用户搜索前的历史记录总次数,根据相关信息计算提示词大类最大值,根据提示词大类最大值计算提示词大类参考信息的选择函数,并将提示词大类参考信息传输至通信模块;
S4:通信模块将提示词大类参考信息传输至数据端。
可选的,所述分析模块包括搜索信息分析子模块和历史记录分析子模块,所述搜索信息分析子模块、历史记录分析子模块均与控制模块通信连接;
所述搜索信息分析子模块基于AIGC技术分析用户搜索信息且得出用户搜索时对应当月的搜索总次数的信息,并传输至控制模块;
所述历史记录分析子模块基于AIGC技术分析历史记录且得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的搜索方式选择指数、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值和第/>次历史记录的抽象名词占所有名词的比值的信息,并传输至控制模块。
可选的,所述历史记录分析子模块包括信息接收单元、信息转换单元、信息拆分单元和数据分析单元;
所述信息接收单元与信息转换单元、数据分析单元通信连接,所述信息接收单元用于接收用户搜索内容且传输至信息转换单元、数据分析单元;
所述信息转换单元与信息拆分单元通信连接,所述信息转换单元将用户搜索内容统一转换为文字且传输至信息拆分单元;
所述信息拆分单元与数据分析单元通信连接,所述信息拆分单元将转换的文字拆分为不同的名词且传输至数据分析单元;
所述数据分析单元与控制模块通信连接,所述数据分析单元根据拆分为不同的名词得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值和第/>次历史记录的抽象名词占所有名词的比值的信息,根据用户搜索内容得出第/>次历史记录的搜索方式选择指数的信息,并将相关信息传输至控制模块。
可选的,所述控制模块计算提示词大类最大值时,满足以下式子:
;
;
其中,为提示词大类最大值;
为用户搜索前的历史记录总次数,/>为历史记录的个体名词的参考指数,/>为第/>次历史记录的个体名词占所有名词的比值,/>为第/>次历史记录的搜索方式选择指数,分别有以下取值,/>或/>或/>,当/>时为第/>次历史记录的搜索方式为语音搜索,当/>时为第/>次历史记录的搜索方式为图片搜索,当/>时为第/>次历史记录的搜索方式为文字搜索,/>为历史记录的集体名词的参考指数,/>为第/>次历史记录的集体名词占所有名词的比值,/>为历史记录的物质名词的参考指数,/>为第/>次历史记录的物质名词占所有名词的比值,/>为历史记录的抽象名词的参考指数,/>为第/>次历史记录的抽象名词占所有名词的比值;
为用户搜索时对应当月的搜索总次数。
可选的,所述控制模块计算提示词大类参考信息的选择函数时,满足以下式子:
;
其中,为提示词大类参考信息的选择函数,/>至/>为不同的提示词大类参考信息,当/>时提示词属于个体名词的大类,当/>时提示词属于集体名词的大类,当时提示词属于物质名词的大类,当/>时提示词属于参考名词的大类。
可选的,所述分析模块还包括搜索引擎信息分析子模块,所述搜索引擎信息分析子模块与控制模块通信连接;
所述搜索引擎信息分析子模块基于AIGC技术分析搜索引擎相关信息且得出用户使用的搜索引擎的总收藏量和搜索引擎的推荐指数排名的信息,并传输至控制模块;
所述数据分析单元还得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值和第/>次历史记录的抽象名词占所有名词的比值的信息,并传输至控制模块;
所述控制模块根据相关信息计算个体名词占所有名词的比值的差值、集体名词占所有名词的比值的差值、物质名词占所有名词的比值的差值和抽象名词占所有名词的比值的差值,根据相关信息计算提示词构建因子,根据提示词构建因子计算提示词构建总个数的选择函数,并将提示词构建总个数的信息传输至通信模块;
所述通信模块将提示词构建总个数的信息传输至数据端。
可选的,所述控制模块计算提示词构建因子时,满足以下式子:
;
;
;
;
;
其中,为提示词构建因子,/>为用户使用的搜索引擎的总收藏量,/>为个体名词占所有名词的比值的差值,/>为集体名词占所有名词的比值的差值,/>为物质名词占所有名词的比值的差值,/>为抽象名词占所有名词的比值的差值,/>为搜索引擎的推荐指数排名;
为第/>次历史记录的个体名词占所有名词的比值;
为第/>次历史记录的集体名词占所有名词的比值;
为第/>次历史记录的物质名词占所有名词的比值;
为第/>次历史记录的抽象名词占所有名词的比值。
可选的,所述控制模块计算提示词构建总个数的选择函数时,满足以下式子:
;
其中,为提示词构建总个数的选择函数,/>至/>为不同的提示词构建总个数,/>至/>为不同的提示词构建因子的选择阈值。
本发明所取得的有益效果是:
1、通过控制模块得出提示词大类参考信息,则系统设定相关提示词时可以根据提示词大类参考信息进行参考,尽量在同一组提示词中多设定同一类型的提示词,进而便于用户从提示词中筛选对应的目标提示词,从而能提升用户使用该搜索引擎时的体验感;
2、构建提示词使用到AIGC技术,能提高系统的处理效率以及构建提示词的精准度;
3、通过控制模块得出提示词构建总个数的信息,则系统根据提示词构建总个数的信息限定每一组提示词构建总个数,减少出现提示词总个数过多造成系统运算效率低的问题,同时也减少提示词总个数过少造成用户使用该搜索引擎时的体验感较差的问题;
为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,然而所提供的附图仅用于提供参考与说明,并非用来对本发明加以限制。
附图说明
图1为本发明的方法流程图;
图2为本发明的整体结构示意图;
图3为本发明中历史记录分析子模块的结构示意图;
图4为本发明中分析模块的结构示意图;
图5为本发明实施例二的整体结构示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式,本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用,本说明书中的各项细节也可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。另外,本发明的附图仅为简单示意说明,并非依实际尺寸描绘,事先声明。以下实施方式将进一步详细说明本发明的相关技术内容,但所公开的内容并非用以限制本发明的保护范围。
实施例一:本实施例提供了一种基于AIGC的提示词构建方法,结合图1至图4所示。
一种基于AIGC的提示词构建方法,包括以下步骤:
S1:信息设定模块设定历史记录的个体名词的参考指数、历史记录的集体名词的参考指数、历史记录的物质名词的参考指数和历史记录的抽象名词的参考指数的信息,并传输至控制模块;
S2:分析模块基于AIGC技术分析且得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的搜索方式选择指数、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值、第/>次历史记录的抽象名词占所有名词的比值和用户搜索时对应当月的搜索总次数的信息,并传输至控制模块;
S3:控制模块根据用户搜索时对应当月的搜索总次数计算用户搜索前的历史记录总次数,根据相关信息计算提示词大类最大值,根据提示词大类最大值计算提示词大类参考信息的选择函数,并将提示词大类参考信息传输至通信模块;
S4:通信模块将提示词大类参考信息传输至数据端。
可选的,所述分析模块包括搜索信息分析子模块和历史记录分析子模块,所述搜索信息分析子模块、历史记录分析子模块均与控制模块通信连接;
所述搜索信息分析子模块基于AIGC技术分析用户搜索信息且得出用户搜索时对应当月的搜索总次数的信息,并传输至控制模块;
所述历史记录分析子模块基于AIGC技术分析历史记录且得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的搜索方式选择指数、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值和第/>次历史记录的抽象名词占所有名词的比值的信息,并传输至控制模块。
可选的,所述历史记录分析子模块包括信息接收单元、信息转换单元、信息拆分单元和数据分析单元;
所述信息接收单元与信息转换单元、数据分析单元通信连接,所述信息接收单元用于接收用户搜索内容且传输至信息转换单元、数据分析单元;
所述信息转换单元与信息拆分单元通信连接,所述信息转换单元将用户搜索内容统一转换为文字且传输至信息拆分单元;
所述信息拆分单元与数据分析单元通信连接,所述信息拆分单元将转换的文字拆分为不同的名词且传输至数据分析单元;
所述数据分析单元与控制模块通信连接,所述数据分析单元根据拆分为不同的名词得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值和第/>次历史记录的抽象名词占所有名词的比值的信息,根据用户搜索内容得出第/>次历史记录的搜索方式选择指数的信息,并将相关信息传输至控制模块。
可选的,所述控制模块计算提示词大类最大值时,满足以下式子:
;
;
其中,为提示词大类最大值;
为用户搜索前的历史记录总次数,即为历史搜索总次数,/>为历史记录的个体名词的参考指数,/>为第/>次历史记录的个体名词占所有名词的比值,/>为第/>次历史记录的搜索方式选择指数,/>分别有以下取值,/>或/>或/>,当/>时为第/>次历史记录的搜索方式为语音搜索,当/>时为第/>次历史记录的搜索方式为图片搜索,当时为第/>次历史记录的搜索方式为文字搜索,/>为历史记录的集体名词的参考指数,为第/>次历史记录的集体名词占所有名词的比值,/>为历史记录的物质名词的参考指数,/>为第/>次历史记录的物质名词占所有名词的比值,/>为历史记录的抽象名词的参考指数,/>为第/>次历史记录的抽象名词占所有名词的比值;/>为用户搜索时对应当月的搜索总次数。
具体的,考虑到检索所使用的提示词为名词居多,本方案所指的提示词大类为对名词的分类,具体为集体名词、抽象名词、物质名词和个体名词,其中,提示词大类最大值指上述四大类名词的数量中的最大值;本方案设定的用户搜索前的历史记录总次数为根据用户本次搜索时间对应当月的搜索总次数的估算值,如果ss的值太大,会影响运算速度,为避免此问题而设定A,选取一定量的参考数据,能大致反应用户搜索的相关信息的兴趣的爱好,比如设定用户搜索前的历史记录总次数为30次,上述指出的30次从当前用户搜索时往前倒推30次的历史记录,尤其的,当搜索的历史记录出现连续重复时,则将连续重复的次数均记录为1次,例如,搜索的历史记录顺序为“旅游十大推荐地方”、“旅游十大推荐地方”、“国内旅游十大推荐地方”,上述由于“旅游十大推荐地方”、“旅游十大推荐地方”属于连续重复出现的历史记录,则提及的“旅游十大推荐地方”、“国内旅游十大推荐地方”属于两次有效的历史记录;计算历史记录的个体名词的参考指数时需要注意以下事项,个体名词指的是独立存在的人或者动物,独立存在为可以轻易的分清每个个体,例如,以下举例个体名词:学生、汽车、树、工厂、地图、船、房间等;第次历史记录的搜索方式选择指数时需要注意以下事项,搜索方式分为图片搜索、文字搜索和语音搜索,图片搜索为将现有的图片进行搜索,利用视觉检测技术对图片进行目标提取,利用AIGC技术对提取的目标进行文字的转化,文字搜索为用户按照需求输入文字进行搜索,语音搜索为通过口头表达的方式录入系统内进行搜索,利用语音转换技术对语音进行文字的转化,上述,文字搜索能完全表达用户的搜索需求,而图片搜索可能在目标提取时出现误差的情形,同样的,语音搜索很大程度取决于用户输出的语言是否标准以及系统是否录入完整的语音,因此图片搜索相较于语音搜索的准确性会更高,准确性越高则对应的第/>次历史记录的搜索方式选择指数的数字越大;计算历史记录的集体名词的参考指数需要注意以下事项,集体名词指的是一群人或一些物的名词,一些物为无生命的物的一类,一群人(也包括动物)为由人构成群的集体名词,例如,以下举例集体名词:全体人员、观众、组、家庭、一群牛等;计算历史记录的物质名词的参考指数时需要注意以下事项,物质名词指的是表示物质名词或者无法独立形成个体的实物,通常包括材料、食品、饮料、液体、气体或者化学元素的名称,例如,以下举例物质名词:水、茶叶、肥皂、面包、牛奶、粉笔、风、灰尘、土等;计算历史记录的抽象名词的参考指数时需要注意以下事项,抽象名词指的是抽象概念的名词,比如像情绪、动作、状态和品质,例如,以下举例抽象名词:怒气、健康、劳动、生活、耐力、掌声、青春等;计算第/>次历史记录的个体名词占所有名词的比值时需要注意以下事项,例如第/>次历史记录为“学生的水”,此时学生属于个体名词,水属于物质名词,则对应的第/>次历史记录的个体名词占所有名词的比值为0.5;不同的名词的参考指数各不相同,以下举例说明,这里设置不同的参考指数对应不同的数值,且规定数值由本领域技术人员预先设定,对应的历史记录的个体名词的参考指数小于历史记录的集体名词的参考指数,历史记录的集体名词的参考指数小于历史记录的物质名词的参考指,历史记录的物质名词的参考指小于历史记录的抽象名词的参考指数,例如对应的,历史记录的个体名词的参考指数设定为10,历史记录的集体名词的参考指数设定为15,历史记录的物质名词的参考指数设定为20,历史记录的抽象名词的参考指数设定为25。;计算用户搜索时对应当月的搜索总次数时需要注意以下事项,假设用户搜索时的日期是9月25日,则用户搜索时对应当月的搜索总次数的日期范围是9月1日凌晨至9月24日24时;上述计算不同名词占所有名词的比值时,可以利用GPT工具将描述的长句输入,将长句拆分为不同的名词。
可选的,所述控制模块计算提示词大类参考信息的选择函数时,满足以下式子:
;
其中,为提示词大类参考信息的选择函数,/>至/>为不同的提示词大类参考信息,当/>时提示词属于个体名词的大类,当/>时提示词属于集体名词的大类,当时提示词属于物质名词的大类,当/>时提示词属于参考名词的大类。
可选的,所述分析模块还包括搜索引擎信息分析子模块,所述搜索引擎信息分析子模块与控制模块通信连接;
所述搜索引擎信息分析子模块基于AIGC技术分析搜索引擎相关信息且得出用户使用的搜索引擎的总收藏量和搜索引擎的推荐指数排名的信息,并传输至控制模块;具体的,所述用户使用的搜索引擎的总收藏量为搜索引擎的收藏夹中保存的网页地址,所述搜索引擎的推荐指数排名的信息为根据用户使用完页面后在跳出的评分页面所打的评分分值排名的信息。
所述数据分析单元还得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值和第/>次历史记录的抽象名词占所有名词的比值的信息,并传输至控制模块;
所述控制模块根据相关信息计算个体名词占所有名词的比值的差值、集体名词占所有名词的比值的差值、物质名词占所有名词的比值的差值和抽象名词占所有名词的比值的差值,根据相关信息计算提示词构建因子,根据提示词构建因子计算提示词构建总个数的选择函数,并将提示词构建总个数的信息传输至通信模块;
所述通信模块将提示词构建总个数的信息传输至数据端。
可选的,所述控制模块计算提示词构建因子时,满足以下式子:
;
;
;
;
;
其中,为提示词构建因子,/>为用户使用的搜索引擎的总收藏量,优选的,该搜索引擎为用户使用频率最高的搜索引擎,/>为个体名词占所有名词的比值的差值,/>为集体名词占所有名词的比值的差值,/>为物质名词占所有名词的比值的差值,/>为抽象名词占所有名词的比值的差值,/>为搜索引擎的推荐指数排名;
为第/>次历史记录的个体名词占所有名词的比值;
为第/>次历史记录的集体名词占所有名词的比值;
为第/>次历史记录的物质名词占所有名词的比值;
为第/>次历史记录的抽象名词占所有名词的比值。
具体的,计算搜索引擎的推荐指数排名时需要注意以下事项,排名以历史用户投票决定,历史用户通过打分的方式投票,总分为5分,分数越高则提现满意度越高。
可选的,所述控制模块计算提示词构建总个数的选择函数时,满足以下式子:
;
其中,为提示词构建总个数的选择函数,/>至/>为不同的提示词构建总个数,/>至/>为不同的提示词构建因子的选择阈值。
具体的,提示词构建因子的数值越大则提示词构建总个数的数值越大;提示词构建总个数指的是单组中提示词构建总个数,至/>的数值逐渐增大。
以上公式在本实施例中虽然没有提供具体的单位,但是本领域技术人员必然会根据实际应用的需要,设定合适的单位。
本实施例解决了传统的提示词构建方法使用时的体验感较差的问题,具体的,本实施例通过控制模块得出提示词大类参考信息,则系统设定相关提示词时可以根据提示词大类参考信息进行参考,尽量在同一组提示词中多设定同一类型的提示词,进而便于用户从提示词中筛选对应的目标提示词,从而能提升用户使用该搜索引擎时的体验感。
且通过控制模块得出提示词构建总个数的信息,则系统根据提示词构建总个数的信息限定每一组提示词构建总个数,减少出现提示词总个数过多造成系统运算效率低的问题,同时也减少提示词总个数过少造成用户使用该搜索引擎时的体验感较差的问题。
最后,构建提示词使用到AIGC技术,能提高系统的处理效率以及构建提示词的精准度。
实施例二:本实施例包含了实施例一的全部内容,提供了一种基于AIGC的提示词构建方法,结合图5所示。
分析模块还包括用户实际搜索分析子模块,用户实际搜索分析子模块与控制模块通信连接;
用户实际搜索分析子模块基于AIGC技术分析用户选取目标提示词并得出提示词词组的总数量和第组中含有目标提示词的总数量的信息,并传输至控制模块;
控制模块根据提示词词组的总数量、第组中含有目标提示词的总数量和提示词构建总个数的选择函数计算用户反馈的准确率,并将用户反馈的准确率的信息传输至通信模块;
通信模块将用户反馈的准确率的信息传输至数据端。
控制模块计算用户反馈的准确率时,满足以下式子:
;
其中,为用户反馈的准确率,/>为提示词词组的总组数,/>为第/>组中含有目标提示词的总数量。
具体的,计算提示词词组的总数量时需要注意以下事项,当第一组提示词能满足用户的需求时,即用户在第一组的提示词中选择对应的提示词,则对应的提示词词组的总数量为1,当多组提示词均不满足用户的需求时,直至第组的提示词中才能选择对应的提示词,则对应的提示词词组的总数量为/>;计算第/>组中含有目标提示词的总数量时需要注意以下事项,当第一组提示词中包括“学生”、“教师”、“学员”、“大学生”、“小学生”、“初中生”和“高中生”时,用户选取“学生”作为目标提示词,由于“学生”、“大学生”、“小学生”、“初中生”和“高中生”的语义相似则对应的第/>组中含有目标提示词的总数量为5。
以上公式在本实施例中虽然没有提供具体的单位,但是本领域技术人员必然会根据实际应用的需要,设定合适的单位。
本实施例解决了传统的提示词构建方法缺少信息反馈的问题,具体的,本实施例通过控制模块计算用户反馈的准确率,当计算得出的用户反馈的准确率较低时,工作人员可以及时排查该搜索引擎的故障问题。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的保护范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的保护范围内,此外,随着技术发展其中的元素是可以更新的。
Claims (2)
1.一种基于AIGC的提示词构建方法,其特征在于,包括以下步骤:
S1:信息设定模块设定历史记录的个体名词的参考指数、历史记录的集体名词的参考指数、历史记录的物质名词的参考指数和历史记录的抽象名词的参考指数的信息,并传输至控制模块;
S2:分析模块基于AIGC技术分析且得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的搜索方式选择指数、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值、第/>次历史记录的抽象名词占所有名词的比值和用户搜索时对应当月的搜索总次数的信息,并传输至控制模块;
S3:控制模块根据用户搜索时对应当月的搜索总次数计算用户搜索前的历史记录总次数,根据相关信息计算提示词大类最大值,根据提示词大类最大值计算提示词大类参考信息的选择函数,并将提示词大类参考信息传输至通信模块;
S4:通信模块将提示词大类参考信息传输至数据端;
所述分析模块包括搜索信息分析子模块和历史记录分析子模块,所述搜索信息分析子模块、历史记录分析子模块均与控制模块通信连接;
所述搜索信息分析子模块基于AIGC技术分析用户搜索信息且得出用户搜索时对应当月的搜索总次数的信息,并传输至控制模块;
所述历史记录分析子模块基于AIGC技术分析历史记录且得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的搜索方式选择指数、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值和第/>次历史记录的抽象名词占所有名词的比值的信息,并传输至控制模块;
所述历史记录分析子模块包括信息接收单元、信息转换单元、信息拆分单元和数据分析单元;
所述信息接收单元与信息转换单元、数据分析单元通信连接,所述信息接收单元用于接收用户搜索内容且传输至信息转换单元、数据分析单元;
所述信息转换单元与信息拆分单元通信连接,所述信息转换单元将用户搜索内容统一转换为文字且传输至信息拆分单元;
所述信息拆分单元与数据分析单元通信连接,所述信息拆分单元将转换的文字拆分为不同的名词且传输至数据分析单元;
所述数据分析单元与控制模块通信连接,所述数据分析单元根据拆分为不同的名词得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值和第/>次历史记录的抽象名词占所有名词的比值的信息,根据用户搜索内容得出第/>次历史记录的搜索方式选择指数的信息,并将相关信息传输至控制模块;
所述控制模块计算提示词大类最大值时,满足以下式子:
;
;
其中,为提示词大类最大值;
为用户搜索前的历史记录总次数,/>为历史记录的个体名词的参考指数,/>为第/>次历史记录的个体名词占所有名词的比值,/>为第/>次历史记录的搜索方式选择指数,/>分别有以下取值,/>或/>或/>,当/>时为第/>次历史记录的搜索方式为语音搜索,当/>时为第/>次历史记录的搜索方式为图片搜索,当/>时为第/>次历史记录的搜索方式为文字搜索,/>为历史记录的集体名词的参考指数,/>为第/>次历史记录的集体名词占所有名词的比值,/>为历史记录的物质名词的参考指数,/>为第/>次历史记录的物质名词占所有名词的比值,/>为历史记录的抽象名词的参考指数,/>为第/>次历史记录的抽象名词占所有名词的比值;/>为用户搜索时对应当月的搜索总次数;
所述控制模块计算提示词大类参考信息的选择函数时,满足以下式子:
;
其中,为提示词大类参考信息的选择函数,/>至/>为不同的提示词大类参考信息,当时提示词属于个体名词的大类,当/>时提示词属于集体名词的大类,当/>时提示词属于物质名词的大类,当/>时提示词属于参考名词的大类。
2.如权利要求1所述的一种基于AIGC的提示词构建方法,其特征在于,所述分析模块还包括搜索引擎信息分析子模块,所述搜索引擎信息分析子模块与控制模块通信连接;
所述搜索引擎信息分析子模块基于AIGC技术分析搜索引擎相关信息且得出用户使用的搜索引擎的总收藏量和搜索引擎的推荐指数排名的信息,并传输至控制模块;
所述数据分析单元还得出第次历史记录的个体名词占所有名词的比值、第/>次历史记录的集体名词占所有名词的比值、第/>次历史记录的物质名词占所有名词的比值和第/>次历史记录的抽象名词占所有名词的比值的信息,并传输至控制模块;
所述控制模块根据相关信息计算个体名词占所有名词的比值的差值、集体名词占所有名词的比值的差值、物质名词占所有名词的比值的差值和抽象名词占所有名词的比值的差值,根据相关信息计算提示词构建因子,根据提示词构建因子计算提示词构建总个数的选择函数,并将提示词构建总个数的信息传输至通信模块;
所述通信模块将提示词构建总个数的信息传输至数据端;
所述控制模块计算提示词构建因子时,满足以下式子:
;
;
;
;
;
其中,为提示词构建因子,/>为用户使用的搜索引擎的总收藏量,/>为个体名词占所有名词的比值的差值,/>为集体名词占所有名词的比值的差值,/>为物质名词占所有名词的比值的差值,/>为抽象名词占所有名词的比值的差值,/>为搜索引擎的推荐指数排名;
为第/>次历史记录的个体名词占所有名词的比值;
为第/>次历史记录的集体名词占所有名词的比值;
为第/>次历史记录的物质名词占所有名词的比值;
为第/>次历史记录的抽象名词占所有名词的比值;
所述控制模块计算提示词构建总个数的选择函数时,满足以下式子:
;
其中,为提示词构建总个数的选择函数,/>至/>为不同的提示词构建总个数,/>至/>为不同的提示词构建因子的选择阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311638881.5A CN117349400B (zh) | 2023-12-04 | 2023-12-04 | 一种基于aigc的提示词构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311638881.5A CN117349400B (zh) | 2023-12-04 | 2023-12-04 | 一种基于aigc的提示词构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117349400A CN117349400A (zh) | 2024-01-05 |
CN117349400B true CN117349400B (zh) | 2024-02-27 |
Family
ID=89365235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311638881.5A Active CN117349400B (zh) | 2023-12-04 | 2023-12-04 | 一种基于aigc的提示词构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349400B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763332A (zh) * | 2018-05-10 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种搜索提示词的生成方法和装置 |
WO2020199270A1 (en) * | 2019-04-04 | 2020-10-08 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying proper nouns |
WO2023273598A1 (zh) * | 2021-06-29 | 2023-01-05 | 北京字节跳动网络技术有限公司 | 文本搜索方法、装置、可读介质及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11475048B2 (en) * | 2019-09-18 | 2022-10-18 | Salesforce.Com, Inc. | Classifying different query types |
KR102425770B1 (ko) * | 2020-04-13 | 2022-07-28 | 네이버 주식회사 | 급상승 검색어 제공 방법 및 시스템 |
-
2023
- 2023-12-04 CN CN202311638881.5A patent/CN117349400B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763332A (zh) * | 2018-05-10 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种搜索提示词的生成方法和装置 |
WO2020199270A1 (en) * | 2019-04-04 | 2020-10-08 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying proper nouns |
WO2023273598A1 (zh) * | 2021-06-29 | 2023-01-05 | 北京字节跳动网络技术有限公司 | 文本搜索方法、装置、可读介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117349400A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115238101B (zh) | 一种面向多类型知识库的多引擎智能问答系统 | |
WO2019184103A1 (zh) | 基于人物ip的人机交互方法、系统、介质及设备 | |
CN110543557B (zh) | 一种基于注意力机制的医疗智能问答系统的构建方法 | |
CN109960786A (zh) | 基于融合策略的中文词语相似度计算方法 | |
CN113282689B (zh) | 基于领域知识图谱的检索方法、装置 | |
CN106407482B (zh) | 一种基于多特征融合的网络学术报告分类方法 | |
CN116756295B (zh) | 知识库的检索方法、装置及存储介质 | |
CN112328800A (zh) | 自动生成编程规范问题答案的系统及方法 | |
CN115599899B (zh) | 基于飞行器知识图谱的智能问答方法、系统、设备及介质 | |
CN116127095A (zh) | 一种序列模型与知识图谱结合的问答方法 | |
CN113609103A (zh) | 一种基于ai的交互式阅读支持数据库构建方法及系统 | |
KR20190046062A (ko) | 대화 시스템을 위한 대화 시나리오 데이터베이스 구축 방법 및 장치 | |
KR20200089914A (ko) | 교육 플랫폼에서 전문가 자동 매칭 시스템 | |
CN111914157A (zh) | 一种基于用户偏好的旅游方案生成方法和系统 | |
CN112818106A (zh) | 一种生成式问答的评价方法 | |
Theosaksomo et al. | Conversational recommender system chatbot based on functional requirement | |
CN117370580A (zh) | 一种基于知识图谱增强大语言模型双碳领域服务方法 | |
CN114186983A (zh) | 视频面试多维评分方法、系统、计算机设备及存储介质 | |
CN117349400B (zh) | 一种基于aigc的提示词构建方法 | |
CN110414465B (zh) | 一种视频通讯的情感分析方法 | |
Ye et al. | A sentiment based non-factoid question-answering framework | |
CN113065342B (zh) | 一种基于关联关系分析的课程推荐方法 | |
CN116401341A (zh) | 面向理解的互动答疑系统 | |
CN114547342A (zh) | 一种基于知识图谱的高校专业智能问答系统及方法 | |
CN114048335A (zh) | 一种基于知识库的用户交互方法及装置 |
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 |