CN117787422B - 一种倒闸操作任务提取方法及系统 - Google Patents
一种倒闸操作任务提取方法及系统 Download PDFInfo
- Publication number
- CN117787422B CN117787422B CN202410210561.8A CN202410210561A CN117787422B CN 117787422 B CN117787422 B CN 117787422B CN 202410210561 A CN202410210561 A CN 202410210561A CN 117787422 B CN117787422 B CN 117787422B
- Authority
- CN
- China
- Prior art keywords
- task
- operation task
- reasoning
- model
- result
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 9
- 238000003058 natural language processing Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 235000002198 Annona diversifolia Nutrition 0.000 description 1
- 241000282842 Lama glama Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种倒闸操作任务提取方法及系统，涉及电气控制领域，解决了现有的基于NLP提取倒闸操作任务的方案需要大量训练成本的问题，其技术方案要点是：将倒闸操作任务提取编写成提示词模板，将待提取操作任务与提示词模板组合输入预训练大语言模型，模型根据提示词模板从待提取操作任务中提取任务结果并返回；本方案基于提示词工程来提取待提取操作任务的任务结果，不需要额外的训练，可大幅减少传统NLP方案存在的训练成本过高的问题。
Description
技术领域
本发明涉及电气控制领域，更具体地说，它涉及一种倒闸操作任务提取方法及系统。
背景技术
在电力系统中，变电站作为一个非常重要的部分，具有不可或缺的作用。变电站倒闸操作票是操作人员安全进行倒闸操作的依据，是变电站运行管理的重要方式， 同时也是对相关工作人员及电气设备的安全保障。
目前，操作票开票主要是根据调度系统下发的操作任务进行操作票人工开票，传统信息技术方案使用自然语言处理NLP中的词性分析方式解析操作任务中描述的操作设备、设备源状态和设备目标状态后，根据状态的变化确定后续的操作票上的操作逻辑。但由于各个网省的调令内容不统一，传统NLP任务需要针对每个网省的操作任务进行标注和训练有较大的实施成本，另外随着调度规范的更新，各网省调令内容发生改变后，已建设的基于NLP技术的系统又需要再一次训练更新，兼容性不好。
发明内容
本申请的目的是提供一种倒闸操作任务提取方法及系统，解决现有的基于NLP提取倒闸操作任务的方案需要大量训练成本的问题，通过利用大语言模型的语境学习能力和思维链能力，基于提示词工程来处理操作任务中的信息提取，不需要额外进行训练，减少训练成本。
本申请第一方面提供一种倒闸操作任务提取方法，包括：S1、构建多个基本提示词模板，所述基本提示词模板为用自然语言文本描述的倒闸操作任务提取；S2、通过收集历史操作任务并人工标注任务结果，将历史操作任务与多个基本提示词模板穷尽组合，组成测评数据集；S3、将测评数据集输入多个基于Transformer网络结构开源的预训练大语言模型进行推理，并将推理结果与人工标注的任务结果进行比较，选择准确率最高的预训练大语言模型作为SOTA模型；S4、将推理成功的历史操作任务embedding向量化后与对应的提示词模板组合加入向量数据库；S5、获取待提取操作任务，将所述待提取操作任务embedding向量化，从向量数据库中查询欧几里得距离小于1且值最小的历史操作任务，当存在时，则提取对应的提示词模板，并将所述提示词模板和待提取操作任务组合输入SOTA模型进行推理，得到任务结果；如不存在，则将待提取操作任务和基本提示词模板组合输入SOTA模型进行推理，得到任务结果。
采用上述技术方案，将倒闸操作任务提取编写成提示词模板，将待提取操作任务与提示词模板组合输入预训练大语言模型，预训练大语言模型根据提示词模板从待提取操作任务中提取任务结果并返回；本方案基于提示词工程来提取待提取操作任务的任务结果，不需要额外的训练，可大幅减少传统NLP方案存在的训练成本过高的问题。本方案通过建立测评数据集的方式对多个预训练大语言模型进行评估，选择准确率较高的模型作为后续的推理模型，以保证模型的适用性；且本方案结合向量相似算法为待提取操作任务提供最接近的提示词模板，以保证模型推理结果的准确性。
在一种可能的实施方式中，步骤S4还包括：为推理失败的历史操作任务编写新提示词模板，将推理失败的历史操作任务进行embedding向量化后与对应的新提示词模板组合加入向量数据库。
在一种可能的实施方式中，步骤S3具体包括：选择多个基于Transformer网络结构开源的预训练大语言模型，并将预训练大语言模型以推理模式部署；将测评数据集的提示词输入预训练大语言模型进行推理，得到推理结果；通过python中的jiwer库对推理结果与人工标注的任务结果进行指标计算，选择指标综合结果最高的预训练大语言模型作为SOTA模型。
在一种可能的实施方式中，所述人工标注的任务结果至少包括：操作设备、设备源状态和设备目标状态。
本申请第二方面提供一种倒闸操作任务提取系统，包括：基本提示词构建模块，用于构建多个基本提示词模板，所述基本提示词模板为用自然语言文本描述的倒闸操作任务提取；测评数据集构建模块，用于通过收集历史操作任务并人工标注任务结果，将历史操作任务与多个基本提示词模板穷尽组合，组成测评数据集；SOTA模型测评模块，用于将测评数据集输入多个基于Transformer网络结构开源的预训练大语言模型进行推理，并将推理结果与人工标注的任务结果进行比较，选择准确率最高的预训练大语言模型作为SOTA模型；向量数据库构建模块，用于将推理成功的历史操作任务embedding向量化后与对应的提示词模板组合加入向量数据库；倒闸操作任务提取模块，用于获取待提取操作任务，将所述待提取操作任务embedding向量化，从向量数据库中查询欧几里得距离小于1且值最小的历史操作任务，当存在时，则提取对应的提示词模板，并将所述提示词模板和待提取操作任务组合输入SOTA模型进行推理，得到任务结果；如不存在，则将待提取操作任务和基本提示词模板组合输入SOTA模型进行推理，得到任务结果。
在一种可能的实施方式中，所述向量数据库构建模块，还用于为推理失败的历史操作任务编写新提示词模板，将推理失败的历史操作任务进行embedding向量化后与对应的新提示词模板组合加入向量数据库。
在一种可能的实施方式中，所述SOTA模型测评模块，包括：模型部署模块，用于选择多个基于Transformer网络结构开源的预训练大语言模型，并将预训练大语言模型以推理模式部署；模型推理模块，将测评数据集的提示词输入预训练大语言模型进行推理，得到推理结果；模型筛选模块，通过python中的jiwer库对推理结果与人工标注的任务结果进行指标计算，选择指标综合结果最高的预训练大语言模型作为SOTA模型。
在一种可能的实施方式中，所述测评数据集构建模块中，人工标注的任务结果至少包括：操作设备、设备源状态和设备目标状态。
本申请第三方面，提供一种服务器，包括：处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于调用所述程序指令，执行如上所述的一种倒闸操作任务提取方法。
本申请第四方面，提供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程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的一种倒闸操作任务提取方法。
与现有技术相比，本申请具有以下有益效果：通过提示词工程利用预训练大语言模型对操作票任务的任务结果进行提取。在未进行模型训练的方式下，仅通过对历史操作任务编写提示词模板便可兼容所有的操作任务获取到正确的关键信息。针对不能兼容的操作任务仅需增加向量数据库中的模板与操作任务便可以进行系统的迭代。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本申请实施例提供的倒闸操作任务提取方法的流程示意图；
图2为本申请实施例提供的倒闸操作任务提取系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本申请作进一步的详细说明，本申请的示意性实施方式及其说明仅用于解释本申请，并不作为对本申请的限定。
请参见图1所示，图1为本申请实施例提供的倒闸操作任务提取方法的流程示意图。方法包括： S1、构建多个基本提示词模板，所述基本提示词模板为用自然语言文本描述的倒闸操作任务提取；S2、通过收集历史操作任务并人工标注任务结果，将历史操作任务与多个基本提示词模板穷尽组合，组成测评数据集；S3、将测评数据集输入多个基于Transformer网络（Transformer网络是一种基于自注意力机制的神经网络）结构开源的预训练大语言模型进行推理，并将推理结果与人工标注的任务结果进行比较，选择准确率最高的预训练大语言模型作为SOTA模型（State-of-the-Art model，指的是在特定领域中目前拥有最佳性能的模型）；S4、将推理成功的历史操作任务embedding（词嵌入，是将词语转化为实数域向量的一种方式）向量化后与对应的提示词模板组合加入向量数据库；S5、获取待提取操作任务，将所述待提取操作任务embedding向量化，从向量数据库中查询欧几里得距离小于1且值最小的历史操作任务，当存在时，则提取对应的提示词模板，并将所述提示词模板和待提取操作任务组合输入SOTA模型（state-of-the-art model，指在该项研究任务中,目前最好/最先进的模型）进行推理，得到任务结果；如不存在，则将待提取操作任务和基本提示词模板组合输入SOTA模型进行推理，得到任务结果。
本方案的原理在于，将倒闸操作任务提取编写成提示词模板，将待提取操作任务与提示词模板组合输入预训练大语言模型，预训练大语言模型根据提示词模板从待提取操作任务中提取任务结果并返回。
本方案的改进在于，基于提示词工程来提取待提取操作任务的任务结果，不需要额外的训练，可大幅减少传统NLP方案存在的训练成本过高的问题。另外，本方案通过建立测评数据集的方式对多个预训练大语言模型进行评估，选择准确率较高的模型作为后续的推理模型，以保证模型的适用性；本方案结合向量相似算法为待提取操作任务提供最接近的提示词模板，进一步保证模型推理结果的准确性。
具体地，步骤S1中，首先构建多个基本提示词模板，基本提示词模板实际为自然语言文本描述的任务，这里是指从操作任务中提取任务结果的任务，分为中文和英文的版本。例如以下使用In Context Learning范式编写的英文版本，其中的%s为占位符，后续可替换为具体的操作票任务：
You are now a powerful NLP model, whose responsibility is to assistme in extracting the names of substations, equipment, and types of equipment(including "transformers", "circuit breakers", "knife switches", "busbars", "grounding switches", and "lines") as described, as well as the names of thelines, the starting and ending states of the equipment. Please return thisinformation to me in JSON format.
Q:将110kV测试变电站110kV某某线151开关由运行转冷备用
A:{
"station":"110kV测试变电站",
"device":"某某线151开关",
"start_status":"运行",
"end_status":"冷备用",
"device_type":"断路器"
}
Q:%s
A:
步骤S2中，通过收集少量线上的历史操作任务，并人工标注历史操作任务的任务结果，任务结果至少包括：操作设备、设备源状态、设备目标状态这三个关键信息，组成历史操作任务与任务结果的映射关系。如以下的例子：
操作任务：将110kV测试变电站110kV测试线154开关由运行转冷备用
结果:
{
"station":"110kV测试变电站",
"device":"110kV测试线154开关",
"start_status":"运行",
"end_status":"冷备用",
"device_type":"断路器"
}
接着，将历史操作任务与基本提示词模板穷尽组合，即将基本提示词模板中的占位符替换为历史操作任务，例如如果有2个基本提示词模板，4条历史操作任务即可得到8条数据和4条关系信息结果，由他们组成测评数据集。
步骤S3中，选择多个基于Transformer网络结构开源的预训练大语言模型，如ChatGLM-6b、Llama 2、QWen、Moss等，并将模型以推理模式部署。然后将步骤S2中的测评数据集中历史操作任务和基本提示词模板组合而成的提示词传递给预训练大语言模型进行推理，将推理结果与人工标注的任务结果进行准确率评估。准确率评估具体可使用python中的jiwer库进行指标计算，取指标综合结果最高的预训练大语言模型作为SOTA模型。
步骤S4中，将SOTA模型推理成功的历史操作任务embedding向量化后与对应的提示词模板组合此提示词加入向量数据库。但由于SOTA模型的准确率也没有达到百分之百，因此，本方案针对模型推理失败的历史操作任务编写新提示词模板，将推理失败的历史操作任务进行embedding向量化后与对应的新提示词模板组合加入向量数据库。如针对线路操作的任务“将110kV某某变电站10kV测试线线路由检修转运行”，即使是SOTA模型也没有将“10kV测试线线路”识别为设备，因此为线路操作编写一份新提示词模板（下面的模板仅按问答的范式编写），如：
Q:将110kV某某变电站10kV测试线线路由检修转运行
A:{
"station":"110kV某某电站",
"device":"10kV测试线线路",
"start_status":"检修",
"end_status":"运行",
"device_type":"线路"
}
Q:%s
A:
线路操作任务与上面的新提示词模板组合成提示词，输入SOTA模型即可推理出正确的任务结果。
步骤S5中，当需要获取待提取操作任务的任务结果时，首先将该待提取操作任务embedding向量化，然后在步骤S4构建的向量数据库中查询欧几里得距离小于1且值最小的历史操作任务，如果存在，则将对应的提示词模板与待提取操作任务组合成提示词，传递给SOTA模型进行推理以获取正确的任务结果，否则便使用步骤S1中的基本提示词模板与待提取操作任务组合成提示词，传递给SOTA模型进行推理。
需要说明的是，本方案通过提示词工程利用预训练大语言模型对操作票任务的任务结果进行提取。在未进行模型训练的方式下，仅通过对历史操作任务编写提示词模板便可兼容所有的操作任务获取到正确的关键信息。针对不能兼容的操作任务仅需增加向量数据库中的模板与操作任务便可以进行系统的迭代。
请参见图2所示，图2为本申请实施例提供的倒闸操作任务提取系统的结构示意图。该系统用于实现如上述方法实施例提供的倒闸操作任务提取方法，系统包括：基本提示词构建模块，用于构建多个基本提示词模板，所述基本提示词模板为用自然语言文本描述的倒闸操作任务提取；测评数据集构建模块，用于通过收集历史操作任务并人工标注任务结果，将历史操作任务与多个基本提示词模板穷尽组合，组成测评数据集；SOTA模型测评模块，用于将测评数据集输入多个基于Transformer网络结构开源的预训练大语言模型进行推理，并将推理结果与人工标注的任务结果进行比较，选择准确率最高的预训练大语言模型作为SOTA模型；向量数据库构建模块，用于将推理成功的历史操作任务embedding向量化后与对应的提示词模板组合加入向量数据库；倒闸操作任务提取模块，用于获取待提取操作任务，将所述待提取操作任务embedding向量化，从向量数据库中查询欧几里得距离小于1且值最小的历史操作任务，当存在时，则提取对应的提示词模板，并将所述提示词模板和待提取操作任务组合输入SOTA模型进行推理，得到任务结果；如不存在，则将待提取操作任务和基本提示词模板组合输入SOTA模型进行推理，得到任务结果。
在一种可能的实施方式中，所述向量数据库构建模块，还用于为推理失败的历史操作任务编写新提示词模板，将推理失败的历史操作任务进行embedding向量化后与对应的新提示词模板组合加入向量数据库。
在一种可能的实施方式中，所述SOTA模型测评模块，包括：模型部署模块，用于选择多个基于Transformer网络结构开源的预训练大语言模型，并将预训练大语言模型以推理模式部署；模型推理模块，将测评数据集的提示词输入预训练大语言模型进行推理，得到推理结果；模型筛选模块，通过python中的jiwer库对推理结果与人工标注的任务结果进行指标计算，选择指标综合结果最高的预训练大语言模型作为SOTA模型。
在一种可能的实施方式中，所述测评数据集构建模块中，人工标注的任务结果至少包括：操作设备、设备源状态和设备目标状态。
可选的，本申请实施例还提供了一种服务器，该服务器包括处理器，用于实现上述任一方法实施例中的方法。在一种可能的设计中，该服务器还包括存储器。该存储器，用于保存必要的程序指令和数据，处理器可以调用存储器中存储的程序代码以指令该服务器执行上述任一方法实施例中的方法。当然，存储器也可以不在该通信装置中。
可选的，本申请实施例还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程序，所述计算机程序被处理器执行时执行上述任一方法实施例中的方法。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带），光介质（例如，DVD）、或者半导体介质（例如固态硬盘）等。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种倒闸操作任务提取方法，其特征在于，包括：
S1、构建多个基本提示词模板，所述基本提示词模板为用自然语言文本描述的倒闸操作任务提取；
S2、通过收集历史操作任务并人工标注任务结果，将历史操作任务与多个基本提示词模板穷尽组合，组成测评数据集；
S3、将测评数据集输入多个基于Transformer网络结构开源的预训练大语言模型进行推理，并将推理结果与人工标注的任务结果进行比较，选择准确率最高的预训练大语言模型作为SOTA模型；
S4、将推理成功的历史操作任务embedding向量化后与对应的提示词模板组合加入向量数据库；
S5、获取待提取操作任务，将所述待提取操作任务embedding向量化，从向量数据库中查询欧几里得距离小于1且值最小的历史操作任务，当存在时，则提取对应的提示词模板，并将所述提示词模板和待提取操作任务组合输入SOTA模型进行推理，得到任务结果；如不存在，则将待提取操作任务和基本提示词模板组合输入SOTA模型进行推理，得到任务结果。
2.根据权利要求1所述的一种倒闸操作任务提取方法，其特征在于，步骤S4还包括：为推理失败的历史操作任务编写新提示词模板，将推理失败的历史操作任务进行embedding向量化后与对应的新提示词模板组合加入向量数据库。
3.根据权利要求1所述的一种倒闸操作任务提取方法，其特征在于，步骤S3具体包括：
选择多个基于Transformer网络结构开源的预训练大语言模型，并将预训练大语言模型以推理模式部署；
将测评数据集的提示词输入预训练大语言模型进行推理，得到推理结果；
通过python中的jiwer库对推理结果与人工标注的任务结果进行指标计算，选择指标综合结果最高的预训练大语言模型作为SOTA模型。
4.根据权利要求1所述的一种倒闸操作任务提取方法，其特征在于，所述人工标注的任务结果至少包括：操作设备、设备源状态和设备目标状态。
5.一种倒闸操作任务提取系统，其特征在于，包括：
基本提示词构建模块，用于构建多个基本提示词模板，所述基本提示词模板为用自然语言文本描述的倒闸操作任务提取；
测评数据集构建模块，用于通过收集历史操作任务并人工标注任务结果，将历史操作任务与多个基本提示词模板穷尽组合，组成测评数据集；
SOTA模型测评模块，用于将测评数据集输入多个基于Transformer网络结构开源的预训练大语言模型进行推理，并将推理结果与人工标注的任务结果进行比较，选择准确率最高的预训练大语言模型作为SOTA模型；
向量数据库构建模块，用于将推理成功的历史操作任务embedding向量化后与对应的提示词模板组合加入向量数据库；
倒闸操作任务提取模块，用于获取待提取操作任务，将所述待提取操作任务embedding向量化，从向量数据库中查询欧几里得距离小于1且值最小的历史操作任务，当存在时，则提取对应的提示词模板，并将所述提示词模板和待提取操作任务组合输入SOTA模型进行推理，得到任务结果；如不存在，则将待提取操作任务和基本提示词模板组合输入SOTA模型进行推理，得到任务结果。
6.根据权利要求5所述的一种倒闸操作任务提取系统，其特征在于，所述向量数据库构建模块，还用于为推理失败的历史操作任务编写新提示词模板，将推理失败的历史操作任务进行embedding向量化后与对应的新提示词模板组合加入向量数据库。
7.根据权利要求5所述的一种倒闸操作任务提取系统，其特征在于，所述SOTA模型测评模块，包括：
模型部署模块，用于选择多个基于Transformer网络结构开源的预训练大语言模型，并将预训练大语言模型以推理模式部署；
模型推理模块，将测评数据集的提示词输入预训练大语言模型进行推理，得到推理结果；
模型筛选模块，通过python中的jiwer库对推理结果与人工标注的任务结果进行指标计算，选择指标综合结果最高的预训练大语言模型作为SOTA模型。
8.根据权利要求5所述的一种倒闸操作任务提取系统，其特征在于，所述测评数据集构建模块中，人工标注的任务结果至少包括：操作设备、设备源状态和设备目标状态。
9.一种服务器，其特征在于，包括：处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于调用所述程序指令，执行如权利要求1至4任一项所述的一种倒闸操作任务提取方法。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的一种倒闸操作任务提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410210561.8A CN117787422B (zh) | 2024-02-27 | 2024-02-27 | 一种倒闸操作任务提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410210561.8A CN117787422B (zh) | 2024-02-27 | 2024-02-27 | 一种倒闸操作任务提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117787422A CN117787422A (zh) | 2024-03-29 |
| CN117787422B true CN117787422B (zh) | 2024-04-26 |
Family
ID=90402134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410210561.8A Active CN117787422B (zh) | 2024-02-27 | 2024-02-27 | 一种倒闸操作任务提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787422B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091243A (zh) * | 2014-07-25 | 2014-10-08 | 国家电网公司 | 一种倒闸操作票智能推理机制设计及实现的方法 |
| CN115795009A (zh) * | 2022-11-24 | 2023-03-14 | 北京智谱华章科技有限公司 | 基于生成式多语言模型的跨语言问答系统构建方法和装置 |
| CN115906918A (zh) * | 2022-11-28 | 2023-04-04 | 北京百度网讯科技有限公司 | 预训练模型的微调方法及其装置 |
| CN116150613A (zh) * | 2022-08-16 | 2023-05-23 | 马上消费金融股份有限公司 | 信息抽取模型训练方法、信息抽取方法及装置 |
| CN116910224A (zh) * | 2023-09-13 | 2023-10-20 | 四川金信石信息技术有限公司 | 一种基于大语言模型提取倒闸操作信息的方法及系统 |
| CN117076594A (zh) * | 2022-12-30 | 2023-11-17 | 南京星耀智能科技有限公司 | 一种面向军事领域小样本数据的文本结构化方法 |
| CN117349275A (zh) * | 2023-12-04 | 2024-01-05 | 中电数创(北京)科技有限公司 | 一种基于大语言模型的文本结构化方法和系统 |
| CN117424956A (zh) * | 2023-10-23 | 2024-01-19 | Oppo广东移动通信有限公司 | 设置项处理方法、装置、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962315B (zh) * | 2021-10-28 | 2023-12-22 | 北京百度网讯科技有限公司 | 模型预训练方法、装置、设备、存储介质以及程序产品 |
| US20230237277A1 (en) * | 2022-01-25 | 2023-07-27 | Oracle International Corporation | Aspect prompting framework for language modeling |
-
2024
- 2024-02-27 CN CN202410210561.8A patent/CN117787422B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091243A (zh) * | 2014-07-25 | 2014-10-08 | 国家电网公司 | 一种倒闸操作票智能推理机制设计及实现的方法 |
| CN116150613A (zh) * | 2022-08-16 | 2023-05-23 | 马上消费金融股份有限公司 | 信息抽取模型训练方法、信息抽取方法及装置 |
| CN115795009A (zh) * | 2022-11-24 | 2023-03-14 | 北京智谱华章科技有限公司 | 基于生成式多语言模型的跨语言问答系统构建方法和装置 |
| CN115906918A (zh) * | 2022-11-28 | 2023-04-04 | 北京百度网讯科技有限公司 | 预训练模型的微调方法及其装置 |
| CN117076594A (zh) * | 2022-12-30 | 2023-11-17 | 南京星耀智能科技有限公司 | 一种面向军事领域小样本数据的文本结构化方法 |
| CN116910224A (zh) * | 2023-09-13 | 2023-10-20 | 四川金信石信息技术有限公司 | 一种基于大语言模型提取倒闸操作信息的方法及系统 |
| CN117424956A (zh) * | 2023-10-23 | 2024-01-19 | Oppo广东移动通信有限公司 | 设置项处理方法、装置、电子设备及存储介质 |
| CN117349275A (zh) * | 2023-12-04 | 2024-01-05 | 中电数创(北京)科技有限公司 | 一种基于大语言模型的文本结构化方法和系统 |
Non-Patent Citations (4)
| Title |
|---|
| Qing Huang等.Prompt-tuned Code Language Model as a Neural Knowledge Base for Type Inference in Statically-Typed Partial Code.《ASE '22: Proceedings of the 37th IEEE/ACM International Conference on Automated Software Engineering》.2022,(第79期),第1-13页. * |
| 基于BERT的提示学习实现软件需求精确分类;罗贤昌等;《信息技术与网络安全》;20221231;第41卷(第2期);第39-45页 * |
| 基于预训练语言模型的可控文本生成研究与应用;陈建树;《中国优秀硕士学位论文全文数据库 信息科技辑》;20230115(第1期);第I138-3961页 * |
| 跨语言跨域的零样本谣言检测研究;易芃尧;《中国优秀硕士学位论文全文数据库 信息科技辑》;20240115(第1期);第I138-2109页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117787422A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985653B (zh) | 基于知识图谱的电网故障知识推荐与知识管理系统及方法 | |
| CN112527997B (zh) | 一种基于电网领域调度场景知识图谱的智能问答方法及系统 | |
| McMorran et al. | Translating CIM XML power system data to a proprietary format for system simulation | |
| CN110197279B (zh) | 变换模型训练方法、装置、设备和存储介质 | |
| CN112632288A (zh) | 一种基于知识图谱的电力调度系统及方法 | |
| CN110825827B (zh) | 一种实体关系识别模型训练、实体关系识别方法及装置 | |
| CN113268610B (zh) | 基于知识图谱的意图跳转方法、装置、设备及存储介质 | |
| CN115357726A (zh) | 基于知识图谱的故障处置预案数字化模型建立方法 | |
| CN110188345A (zh) | 一种电力操作票的智能识别方法与装置 | |
| CN113095050A (zh) | 一种智能成票方法、系统、设备及存储介质 | |
| CN113205186A (zh) | 一种二次设备巡检知识图谱架构及二次设备智能巡检方法 | |
| CN117787422B (zh) | 一种倒闸操作任务提取方法及系统 | |
| CN117592482A (zh) | 一种基于BiLSTM+CRF模型的操作票命名实体识别方法 | |
| CN112215012A (zh) | 基于条件随机场的配电网检修单安全措施语义解析方法 | |
| CN112420042A (zh) | 电力系统的控制方法及装置 | |
| CN116663519A (zh) | 一种自动成票方法、装置、设备及存储介质 | |
| CN110782145A (zh) | 电力调度计划决策系统、方法和设备 | |
| CN111553158A (zh) | 一种基于BiLSTM-CRF模型的电力调度领域命名实体识别方法及系统 | |
| CN113722446A (zh) | 电力系统操作数据生成方法、装置、计算机设备 | |
| CN115545578B (zh) | 一种电力调度操作指令信息抽取方法及系统 | |
| Sheng et al. | Intelligent distribution network operation ticket system utilizing a network ordering approach based on mobile operations | |
| CN117370865A (zh) | 倒闸操作票的生成方法、装置及设备 | |
| CN117010372A (zh) | 一种电力调度语义信息处理方法、系统、电子设备及介质 | |
| Li et al. | Method for Text Entity Linking in Power Distribution Scheduling Oriented to Power Distribution Network Knowledge Graph | |
| CN117407749A (zh) | 基于自然语言处理的操作票智能纠错方法及装置 |
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 |