CN117371406A - 基于大型语言模型的注释生成方法、装置、设备及介质 - Google Patents
基于大型语言模型的注释生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117371406A CN117371406A CN202311289838.2A CN202311289838A CN117371406A CN 117371406 A CN117371406 A CN 117371406A CN 202311289838 A CN202311289838 A CN 202311289838A CN 117371406 A CN117371406 A CN 117371406A
- Authority
- CN
- China
- Prior art keywords
- data
- annotated
- annotation
- result
- information
- 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 47
- 238000011156 evaluation Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 10
- 238000012549 training Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000013508 migration Methods 0.000 abstract description 4
- 230000005012 migration Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping 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
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/169—Annotation, e.g. comment data or footnotes
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于大型语言模型的注释生成方法、装置、设备及介质。该方法包括：获取待注释数据和待注释数据的上下文信息；根据待注释数据查询参考库中的参考信息，获得查询结果；根据查询结果、所述待注释数据和上下文信息生成提示信息；将提示信息输入本地大型语言模型，生成提示信息对应的第一注释结果。通过采用本地大型语言模型生成提示信息对应的第一注释结果，以自然语言的形式进行控制输出，可以大规模地处理和理解人类语言；对于自定义或专有数据，通过参考库为待注释数据的注释提供参考信息，不需要针对待注释数据的特点准备样本集对模型参数进行训练或者采取其他额外处理方式，从而能够实现冷启动，便于迁移到任何应用场景，部署简单，易于维护。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于大型语言模型的注释生成方法、装置、设备及介质。
背景技术
数据治理中一个很重要的问题是给指定数据添加备注，如表字段或者表名，这有助于其他人了解字段的含义、用途和限制。
主流的方式是制定一套规范的数据命名规则，采用人工注释的方式，分部门分批次的注释。然而，这一方式主要依赖人工编写脚本数据来对缺少注释的原始字段进行注释，工作量大，注释效率不高。
随着人工智能技术的发展，逐渐采用机器学习模型代替人工实现数据注释，但是需要具有特定应用场景下的一定规模的样本集对机器学习模型训练才能用于注释，存在冷启动难，且不便于迁移应用场景的问题。
发明内容
本发明提供了一种基于大型语言模型的注释生成方法、装置、设备及介质，以解决现有的采用机器学习模型实现数据注释存在的冷启动难，且不便于迁移应用场景的问题。
根据本发明的一方面，提供了一种基于大型语言模型的注释生成方法，包括：
获取待注释数据和所述待注释数据的上下文信息；
根据所述待注释数据查询参考库中的参考信息，获得查询结果；
根据所述查询结果、所述待注释数据和所述上下文信息生成提示信息；
将所述提示信息输入本地大型语言模型，生成所述提示信息对应的第一注释结果。
根据本发明的另一方面，提供了一种基于大型语言模型的注释生成装置，包括：
信息获取模块，用于获取待注释数据和所述待注释数据的上下文信息；
查询模块，用于根据所述待注释数据查询参考库中的参考信息，获得查询结果；
提示信息生成模块，用于根据所述查询结果、所述待注释数据和所述上下文信息生成提示信息；
第一注释生成模块，用于将所述提示信息输入本地大型语言模型，生成所述提示信息对应的第一注释结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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发明任一实施例所述的基于大型语言模型的注释生成方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于大型语言模型的注释生成方法。
本发明实施例的技术方案，通过获取待注释数据和待注释数据的上下文信息；根据待注释数据查询参考库中的参考信息，获得查询结果；根据查询结果、待注释数据和上下文信息生成提示信息；将提示信息输入本地大型语言模型，生成提示信息对应的第一注释结果。通过采用本地大型语言模型生成提示信息对应的第一注释结果，以自然语言的形式进行控制输出，可以大规模地处理和理解人类语言；对于自定义或专有数据，通过参考库为待注释数据的注释提供参考信息，不需要针对待注释数据的特点准备样本集对模型参数进行训练或者采取其他额外处理方式，解决现有的采用机器学习模型实现数据注释存在的冷启动难，且不便于迁移应用场景的问题，达到能够实现冷启动，便于迁移到任何应用场景，部署简单，易于维护的有益效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于大型语言模型的注释生成方法的流程图；
图2是本发明实施例二提供的一种基于大型语言模型的注释生成方法的流程图；
图3是本发明实施例三提供的一种基于大型语言模型的注释生成装置的结构示意图；
图4是实现本发明实施例的基于大型语言模型的注释生成方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供了一种基于大型语言模型的注释生成方法的流程图，本实施例可适用于基于大型语言模型生成数据的注释的情况，该方法可以由基于大型语言模型的注释生成装置来执行，该基于大型语言模型的注释生成装置可以采用硬件和/或软件的形式实现，该基于大型语言模型的注释生成装置可配置于计算设备中。如图1所示，该方法包括：
S110、获取待注释数据和待注释数据的上下文信息。
其中，待注释数据是指需要进行注释的数据。待注释数据的上下文信息是指与待注释数据相关的信息，可以用于为待注释数据的注释提供推理信息。
可选的，待注释数据可以包括：字段和/或数据表；字段和/或数据表的上下文信息可以包括：字段名、数据表名和数据表所属数据库名等。
S120、根据待注释数据查询参考库中的参考信息，获得查询结果。
其中，参考库是用于存储数据对应的参考信息的数据库。参考信息可以理解为能够为待注释数据的注释信息提供参考的信息。一般数据的注释主要是为第一语言形式的待注释数据翻译为第二语言形式，例如为英文形式的待注释数据翻译为中文。而对于自定义或专有的待注释数据可能无法正确解读其含义，导致注释推理结果不恰当或者无法得到注释结果。因此，参考信息可以是为自定义的待注释数据提供可参考的注释含义，如User_name注释为“用户名”；pref_qr注释为“用户偏好二维码”。
在本实施例中，将待注释数据输入到参考库中，查询参考库中是否能够匹配到待注释数据对应的参考信息。查询结果可以包括：待注释数据对应的参考信息或者未查询到待注释数据对应的参考信息。
在本发明实施例的一个可选实施例中，在参考库中原始数据和参考信息成对存储。根据待注释数据查询参考库中的参考信息，获得查询结果可以包括：将所述待注释数据输入参考库，查找参考库中是否存在与待注释数据相似的原始数据，若存在，则获取原始数据对应的参考信息作为待注释数据的参考信息。
在本发明实施例的另一个可选实施例中，根据待注释数据查询参考库中的参考信息，获得查询结果可以包括：
S121、对所述待注释数据进行向量化操作得到待注释数据向量；所述向量化操作包括：特殊字符分割操作和驼峰分割操作；
S1222、根据所述待注释数据向量查询参考库中的参考信息获得查询结果。
其中，待注释数据向量是指能够表达待注释数据的语义的数值向量。
在本实施例中，通过基于向量化模型的特殊字符分割操作和驼峰分割操作对待注释数据进行向量化得到待注释数据向量；将待注释数据向量输入参考库，查询参考库中的参考信息获得查询结果。向量化模型例如可以采用text2vec_large模型，也可以采用其他模型，本发明实施例对此不设限制。
示例性的，对待注释数据中的字段名或数据表名的英文文本进行特殊字符分隔和驼峰分隔，将形如’user_info’、’user-info’、’userInfo’等不同形式的英文形式处理成统一的’user info’，以便参考库进行更准确率的语义映射。
S130、根据查询结果、待注释数据和上下文信息生成提示信息。
其中，在自然语言处理领域，提示信息prompt是指系统向大型语言模型提供的输入文本或问题，用于引导模型生成相应的回答或输出。Prompt通常是一个问题、一段描述或一个完整的句子，可以由系统生成的。通过提供一个明确的prompt，可以引导模型在生成文本时遵循特定的语义和语境要求，从而更好地满足用户的需求。Prompt可以帮助模型理解任务的目标、上下文和约束，并在生成文本时保持一致性和可解释性。
在本实施例中，若在参考库中查询到参考信息，则生成包含待注释数据上下文信息和参考信息的提示信息；若在参考库中查询到参考信息，则生成包含待注释数据和上下文信息，不包含参考信息的提示信息。
在本发明实施例的一个可选实施例中，根据所述查询结果、所述待注释数据和所述上下文信息生成提示信息，包括：
S131、若所述查询结果为未查询到待注释数据对应的目标参考信息，则根据所述待注释数据和所述上下文信息生成第一提示信息；
S132、若所述查询结果为查询到待注释数据对应的目标参考信息，则根据所述待注释数据、所述上下文信息和所述目标参考信息生成第二提示信息。
其中，第一提示信息是指不包含参考信息的提示信息；第二提示信息是指包含参考信息的提示信息。
示例性的，对于待注释数据为字段；上下文信息包括：字段名、数据表名和数据表所属数据库名。若查询结果为未查询到待注释数据对应的目标参考信息，则生成的提示信息可以为“根据上下文信息，为字段名为A的字段补充注释，该字段所在的表名为B，所属数据库名为C”。若查询结果为查询到待注释数据对应的目标参考信息，则生成的提示信息可以为“根据上下文信息，为字段名为A的字段补充注释，该字段所在的表名为B，所属数据库名为C；以下的信息可以作为生成注释时的参考：User_name，解释为‘用户名’；pref_qr解释为‘用户偏好二维码’”。
S140、将提示信息输入本地大型语言模型，生成提示信息对应的第一注释结果。
其中，本地大型语言模型是指部署在本地的大型语言模型(Large LanguageModel，LLM)。第一注释结果是本地大型语言模型生成的注释结果。大型语言模型是一种基于神经网络的自然语言处理模型，旨在学习大规模文本数据的语言特征和概率分布。这些模型通过在大型语料库上进行预训练，学习到了丰富的语言知识，然后可以用于生成文本、完成文本任务或作为其他下游任务的基础模型。本地大型语言模型的功能近似于一个翻译器，可以将第一语言形式的待注释数据翻译为第二语言形式。
在本实施例中，将提示信息输入本地大型语言模型，采用本地大型语言模型将提示信息中的第一语言形式表示的待注释数据翻译为第二语言形式，并根据提示信息和第二语言形式的待注释数据生成第一注释结果。
本发明实施例的技术方案，通过获取待注释数据和待注释数据的上下文信息；根据待注释数据查询参考库中的参考信息，获得查询结果；根据查询结果、待注释数据和上下文信息生成提示信息；将提示信息输入本地大型语言模型，生成提示信息对应的第一注释结果。通过采用本地大型语言模型生成提示信息对应的第一注释结果，以自然语言的形式进行控制输出，可以大规模地处理和理解人类语言；对于自定义或专有数据，通过参考库为待注释数据的注释提供参考信息，不需要针对待注释数据的特点准备样本集对模型参数进行训练或者采取其他额外处理方式，从而能够实现冷启动，便于迁移到任何应用场景，部署简单，易于维护。
实施例二
图2是本发明实施例二提供的一种基于大型语言模型的注释生成方法的流程图，本实施例对上述实施例的S140之后进一步限定：在将所述提示信息输入本地大型语言模型，生成所述提示信息对应的注释结果之后，还包括：将所述待注释数据和所述第一注释结果输入外部大型语言模型，获得注释评价结果；若所述注释评价结果为负面评价结果，则获取所述外部大型语言模型输出的所述待注释数据对应的第二注释结果；根据所述第二注释结果更新所述第一注释结果；将更新后的所述第一注释结果作为所述待注释数据对应的参考信息写入到所述参考库。
如图2所示，该方法包括：
S210、获取待注释数据和待注释数据的上下文信息。
可选的，待注释数据可以包括：字段和/或数据表；字段和/或数据表的上下文信息可以包括：字段名、数据表名和数据表所属数据库名等。
S220、根据待注释数据查询参考库中的参考信息，获得查询结果。
S230、根据查询结果、待注释数据和上下文信息生成提示信息。
S240、将提示信息输入本地大型语言模型，生成提示信息对应的第一注释结果。
其中，本地大型语言模型可以采用本地化部署的chatglm2-6b模型等。原则上来说，50亿参数量以上的具备双语语言能力的模型都可以适用。
S250、将待注释数据和第一注释结果输入外部大型语言模型，获得注释评价结果。
其中，外部大型语言模型是指部署在外部的大型语言模型(Large LanguageModel，LLM)，例如可以从chatgpt、gpt4等提供的应用接口获取外部大型语言模型。在本实施例中，外部大型语言模型相对与本地大型语言模型具有更强的翻译能力，能够对本地大型语言模型生成的注释结果进行验证。注释评价结果是指对第一注释结果进行评价得到的结果，例如可以是第一注释结果正确或错误(或者合格或者不合格)，也可以是第一注释结果的评价分数等。
本实施例中，在通过本地大型语言模型生成第一注释结果之后，将待注释数据和第一注释结果输入外部大型语言模型。通过外部大型语言模型对待注释数据进行翻译得到新的注释结果，并根据第一注释结果和新的注释结果进行比较，针对第一注释结果给出注释评价结果。
在本发明实施例的一个可选实施例中，将所述待注释数据和所述第一注释结果输入外部大型语言模型，获得注释评价结果，包括：
S251、对所述第一注释结果进行抽样，获得目标注释结果；
S252、根据所述目标注释结果和所述目标注释结果对应的待注释数据生成注释对；
S253、将所述注释对输入外部大型语言模型，获得所述注释对的第二注释结果；
S254、比较所述第一注释结果和所述第二注释结果得到注释评价结果。
其中，目标注释结果是指抽样得到的第一注释结果。第二注释结果是外部大型语言模型对注释数据翻译得到的结果。
在本实施例中，为了评价本地大型语言模型的注释结果，可以从本地大型语言模型输出的第一注释结果中抽样得到目标注释结果。抽样的方式可以采用随机抽样或者均匀抽样，本发明实施例对此不设限制。将抽样得到的目标注视结果和对应的待注释数据确定为一对注释对，将注释对输入外部大型语言模型；通过外部大型语言模型对注释对中的待注释数据进行翻译得到第二注释结果。通过比较第一注释结果和第二注释结果得到注释评价结果，比较的方式可以采用语义相似度进行比较。
S260、若注释评价结果为负面评价结果，则获取外部大型语言模型输出的待注释数据对应的第二注释结果；并根据第二注释结果更新第一注释结果。
可选的，负面评价结果包括：第一注释结果不正确；或者所述第一注释结果的质量评分低于预设分值。其中，预设分值可以根据实际需求设定。
在本实施例中，若外部大型语言模型对注释对的注释评价结果为负面评价结果，则表示本地大型语言模型输出的第一注释结果不可信，需要使用外部大型语言模型输出的第二注释结果更新第一注释结果，纠正错误的注释结果。
S270、将更新后的第一注释结果作为待注释数据对应的参考信息写入到参考库。
在本实施例中，将被纠正后的第一注释结果作为待注释数据对应的参考信息写入到参考库，在之后本地大型语言模型对待注释数据注释时，可以从参考库中获取对应的参考信息进行参考。
需要说明的是，对本地大型语言模型进行质量验证的流程可以循环多次，直到外部大型语言模型输出的注释评价结果为正向评价结果且稳定在一定水平可以停止验证，例如在外部大型语言模型输出的注释评价结果为正向评价结果的连续次数达到预设次数。也可以保持对本地大型语言模型的质量验证过程，以保证本地大型语言模型的准确度。
本发明实施例的技术方案，通过获取待注释数据和待注释数据的上下文信息；根据待注释数据查询参考库中的参考信息，获得查询结果；根据查询结果、待注释数据和上下文信息生成提示信息；将提示信息输入本地大型语言模型，生成提示信息对应的第一注释结果；将待注释数据和第一注释结果输入外部大型语言模型，获得注释评价结果；若注释评价结果为负面评价结果，则获取外部大型语言模型输出的待注释数据对应的第二注释结果；根据第二注释结果更新第一注释结果；将更新后的第一注释结果作为待注释数据对应的参考信息写入到参考库。本发明通过外部大型语言模型对本地大型语言模型的注释质量进行验证，并将纠正后的注释结果作为参考信息写入参考库，不需要更新模型参数就可以实现对本地大型语言模型的迭代更新，适用场景广，部署简单，易于维护，且可移植性好。
实施例三
图3是本发明实施例三提供的一种基于大型语言模型的注释生成装置的结构示意图。如图3所示，该装置包括：
信息获取模块310，用于获取待注释数据和所述待注释数据的上下文信息；
查询模块320，用于根据所述待注释数据查询参考库中的参考信息，获得查询结果；
提示信息生成模块330，用于根据所述查询结果、所述待注释数据和所述上下文信息生成提示信息；
第一注释生成模块340，用于将所述提示信息输入本地大型语言模型，生成所述提示信息对应的第一注释结果。
本发明实施例的技术方案，通过获取待注释数据和所述待注释数据的上下文信息；根据待注释数据查询参考库中的参考信息，获得查询结果；根据查询结果、待注释数据和上下文信息生成提示信息；将提示信息输入本地大型语言模型，生成提示信息对应的第一注释结果。通过采用本地大型语言模型生成提示信息对应的第一注释结果，以自然语言的形式进行控制输出，可以大规模地处理和理解人类语言；对于自定义或专有数据，通过参考库为待注释数据的注释提供参考信息，不需要针对待注释数据的特点准备样本集对模型参数进行训练或者采取其他额外处理方式，从而能够实现冷启动，便于迁移到任何应用场景，部署简单，易于维护。
可选的，所述查询模块320，具体用于：
对所述待注释数据进行向量化操作得到待注释数据向量；所述向量化操作包括：特殊字符分割操作和驼峰分割操作；
根据所述待注释数据向量查询参考库中的参考信息获得查询结果。
可选的，所述提示信息生成模块330，具体用于：
若所述查询结果为未查询到待注释数据对应的目标参考信息，则根据所述待注释数据和所述上下文信息生成第一提示信息；
若所述查询结果为查询到待注释数据对应的目标参考信息，则根据所述待注释数据、所述上下文信息和所述目标参考信息生成第二提示信息。
可选的，还包括：
外部评价模块，用于在将所述提示信息输入本地大型语言模型，生成所述提示信息对应的注释结果之后，将所述待注释数据和所述第一注释结果输入外部大型语言模型，获得注释评价结果；
第二注释生成模块，用于若所述注释评价结果为负面评价结果，则获取所述外部大型语言模型输出的所述待注释数据对应的第二注释结果；
注释更新模块，用于根据所述第二注释结果更新所述第一注释结果；
参考写入模块，用于将更新后的所述第一注释结果作为所述待注释数据对应的参考信息写入到所述参考库。
可选的，所述负面评价结果包括：第一注释结果不正确；或者所述第一注释结果的质量评分低于预设分值。
可选的，外部评价模块，具体用于：
对所述第一注释结果进行抽样，获得目标注释结果；
根据所述目标注释结果和所述目标注释结果对应的待注释数据生成注释对；
将所述注释对输入外部大型语言模型，获得所述注释对的第二注释结果；
比较所述第一注释结果和所述第二注释结果得到注释评价结果。
可选的，所述待注释数据包括：字段和/或数据表；所述待注释数据的上下文信息包括：所述待注释数据的字段名、数据表名和数据表所属数据库名。
本发明实施例所提供的基于大型语言模型的注释生成装置可执行本发明任意实施例所提供的基于大型语言模型的注释生成方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如基于大型语言模型的注释生成方法。
在一些实施例中，基于大型语言模型的注释生成方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基于大型语言模型的注释生成方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于大型语言模型的注释生成方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种基于大型语言模型的注释生成方法，其特征在于，包括：
获取待注释数据和所述待注释数据的上下文信息；
根据所述待注释数据查询参考库中的参考信息，获得查询结果；
根据所述查询结果、所述待注释数据和所述上下文信息生成提示信息；
将所述提示信息输入本地大型语言模型，生成所述提示信息对应的第一注释结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待注释数据查询参考库中的参考信息，获得查询结果，包括：
对所述待注释数据进行向量化操作得到待注释数据向量；所述向量化操作包括：特殊字符分割操作和驼峰分割操作；
根据所述待注释数据向量查询参考库中的参考信息获得查询结果。
3.根据权利要求1所述的方法，其特征在于，所述根据所述查询结果、所述待注释数据和所述上下文信息生成提示信息，包括：
若所述查询结果为未查询到待注释数据对应的目标参考信息，则根据所述待注释数据和所述上下文信息生成第一提示信息；
若所述查询结果为查询到待注释数据对应的目标参考信息，则根据所述待注释数据、所述上下文信息和所述目标参考信息生成第二提示信息。
4.根据权利要求1所述的方法，其特征在于，在将所述提示信息输入本地大型语言模型，生成所述提示信息对应的注释结果之后，还包括：
将所述待注释数据和所述第一注释结果输入外部大型语言模型，获得注释评价结果；
若所述注释评价结果为负面评价结果，则获取所述外部大型语言模型输出的所述待注释数据对应的第二注释结果，并根据所述第二注释结果更新所述第一注释结果；
将更新后的所述第一注释结果作为所述待注释数据对应的参考信息写入到所述参考库。
5.根据权利要求4所述的方法，其特征在于，所述负面评价结果包括：第一注释结果不正确；或者所述第一注释结果的质量评分低于预设分值。
6.根据权利要求4所述的方法，其特征在于，将所述待注释数据和所述第一注释结果输入外部大型语言模型，获得注释评价结果，包括：
对所述第一注释结果进行抽样，获得目标注释结果；
根据所述目标注释结果和所述目标注释结果对应的待注释数据生成注释对；
将所述注释对输入外部大型语言模型，获得所述注释对的第二注释结果；
比较所述第一注释结果和所述第二注释结果得到注释评价结果。
7.根据权利要求1所述的方法，其特征在于，所述待注释数据包括：字段和/或数据表；所述待注释数据的上下文信息包括：所述待注释数据的字段名、数据表名和数据表所属数据库名。
8.一种基于大型语言模型的注释生成装置，其特征在于，包括：
信息获取模块，用于获取待注释数据和所述待注释数据的上下文信息；
查询模块，用于根据所述待注释数据查询参考库中的参考信息，获得查询结果；
提示信息生成模块，用于根据所述查询结果、所述待注释数据和所述上下文信息生成提示信息；
第一注释生成模块，用于将所述提示信息输入本地大型语言模型，生成所述提示信息对应的第一注释结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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1-7中任一项所述的基于大型语言模型的注释生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于大型语言模型的注释生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311289838.2A CN117371406A (zh) | 2023-10-07 | 2023-10-07 | 基于大型语言模型的注释生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311289838.2A CN117371406A (zh) | 2023-10-07 | 2023-10-07 | 基于大型语言模型的注释生成方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117371406A true CN117371406A (zh) | 2024-01-09 |
Family
ID=89406934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311289838.2A Pending CN117371406A (zh) | 2023-10-07 | 2023-10-07 | 基于大型语言模型的注释生成方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117371406A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743390A (zh) * | 2024-02-20 | 2024-03-22 | 证通股份有限公司 | 针对金融信息的查询方法和系统、存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9536522B1 (en) * | 2013-12-30 | 2017-01-03 | Google Inc. | Training a natural language processing model with information retrieval model annotations |
| CN114861598A (zh) * | 2022-05-26 | 2022-08-05 | 中国平安人寿保险股份有限公司 | 注释方法、注释装置、电子设备及存储介质 |
| CN115576984A (zh) * | 2022-09-13 | 2023-01-06 | 粤港澳国际供应链(广州)有限公司 | 中文自然语言生成sql语句及跨数据库查询方法 |
| CN116226334A (zh) * | 2023-03-03 | 2023-06-06 | 北京百度网讯科技有限公司 | 生成式大语言模型训练方法以及基于模型的搜索方法 |
| CN116561275A (zh) * | 2023-05-05 | 2023-08-08 | 科大讯飞股份有限公司 | 对象理解方法、装置、设备及存储介质 |
| CN116594683A (zh) * | 2023-05-11 | 2023-08-15 | 中国工商银行股份有限公司 | 一种代码注释信息生成方法、装置、设备及存储介质 |
| CN116661855A (zh) * | 2023-06-13 | 2023-08-29 | 中国人民解放军国防科技大学 | 一种代码注释生成方法及装置 |
| CN116737881A (zh) * | 2023-07-14 | 2023-09-12 | 上海墨百意信息科技有限公司 | 模型评测方法、装置、电子设备及存储介质 |
| CN116821324A (zh) * | 2023-05-05 | 2023-09-29 | 维沃移动通信有限公司 | 模型训练方法、装置、电子设备及存储介质 |
| CN116821168A (zh) * | 2023-08-24 | 2023-09-29 | 吉奥时空信息技术股份有限公司 | 一种改进的基于生成式大语言模型的nl2sql方法 |
-
2023
- 2023-10-07 CN CN202311289838.2A patent/CN117371406A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9536522B1 (en) * | 2013-12-30 | 2017-01-03 | Google Inc. | Training a natural language processing model with information retrieval model annotations |
| CN114861598A (zh) * | 2022-05-26 | 2022-08-05 | 中国平安人寿保险股份有限公司 | 注释方法、注释装置、电子设备及存储介质 |
| CN115576984A (zh) * | 2022-09-13 | 2023-01-06 | 粤港澳国际供应链(广州)有限公司 | 中文自然语言生成sql语句及跨数据库查询方法 |
| CN116226334A (zh) * | 2023-03-03 | 2023-06-06 | 北京百度网讯科技有限公司 | 生成式大语言模型训练方法以及基于模型的搜索方法 |
| CN116561275A (zh) * | 2023-05-05 | 2023-08-08 | 科大讯飞股份有限公司 | 对象理解方法、装置、设备及存储介质 |
| CN116821324A (zh) * | 2023-05-05 | 2023-09-29 | 维沃移动通信有限公司 | 模型训练方法、装置、电子设备及存储介质 |
| CN116594683A (zh) * | 2023-05-11 | 2023-08-15 | 中国工商银行股份有限公司 | 一种代码注释信息生成方法、装置、设备及存储介质 |
| CN116661855A (zh) * | 2023-06-13 | 2023-08-29 | 中国人民解放军国防科技大学 | 一种代码注释生成方法及装置 |
| CN116737881A (zh) * | 2023-07-14 | 2023-09-12 | 上海墨百意信息科技有限公司 | 模型评测方法、装置、电子设备及存储介质 |
| CN116821168A (zh) * | 2023-08-24 | 2023-09-29 | 吉奥时空信息技术股份有限公司 | 一种改进的基于生成式大语言模型的nl2sql方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743390A (zh) * | 2024-02-20 | 2024-03-22 | 证通股份有限公司 | 针对金融信息的查询方法和系统、存储介质 |
| CN117743390B (zh) * | 2024-02-20 | 2024-05-28 | 证通股份有限公司 | 针对金融信息的查询方法和系统、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241524B (zh) | 语义解析方法及装置、计算机可读存储介质、电子设备 | |
| JP2021114291A (ja) | 時系列ナレッジグラフ生成方法、装置、デバイス及び媒体 | |
| US9373075B2 (en) | Applying a genetic algorithm to compositional semantics sentiment analysis to improve performance and accelerate domain adaptation | |
| US20160328650A1 (en) | Mining Forums for Solutions to Questions | |
| WO2015135455A1 (en) | Natural language question answering method and apparatus | |
| CN116795973B (zh) | 基于人工智能的文本处理方法及装置、电子设备、介质 | |
| US20220318275A1 (en) | Search method, electronic device and storage medium | |
| CN111488468B (zh) | 地理信息知识点抽取方法、装置、存储介质及计算机设备 | |
| CN116737908A (zh) | 知识问答方法、装置、设备和存储介质 | |
| EP4141697A1 (en) | Method and apparatus of processing triple data, method and apparatus of training triple data processing model, device, and medium | |
| CN111143556A (zh) | 软件功能点自动计数方法、装置、介质及电子设备 | |
| CN117371406A (zh) | 基于大型语言模型的注释生成方法、装置、设备及介质 | |
| CN116303537A (zh) | 数据查询方法及装置、电子设备、存储介质 | |
| CN110795544B (zh) | 内容搜索方法、装置、设备和存储介质 | |
| CN116842951A (zh) | 命名实体识别方法、装置、电子设备及存储介质 | |
| US10650195B2 (en) | Translated-clause generating method, translated-clause generating apparatus, and recording medium | |
| CN113705207A (zh) | 语法错误识别方法及装置 | |
| CN115576983A (zh) | 一种语句生成方法、装置、电子设备及介质 | |
| CN113553833B (zh) | 文本纠错的方法、装置及电子设备 | |
| CN113392220B (zh) | 一种知识图谱生成方法、装置、计算机设备及存储介质 | |
| US20210311985A1 (en) | Method and apparatus for image processing, electronic device, and computer readable storage medium | |
| CN114625889A (zh) | 一种语义消歧方法、装置、电子设备及存储介质 | |
| CN110414006B (zh) | 文本的主题标注方法、装置、电子设备及存储介质 | |
| CN114925185B (zh) | 交互方法、模型的训练方法、装置、设备及介质 | |
| CN117273014B (zh) | 基于迁移学习的跨领域语义解析方法 |
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 |