CN117972031A - 面向电力安监业务的反馈方法及系统 - Google Patents
面向电力安监业务的反馈方法及系统 Download PDFInfo
- Publication number
- CN117972031A CN117972031A CN202311606581.9A CN202311606581A CN117972031A CN 117972031 A CN117972031 A CN 117972031A CN 202311606581 A CN202311606581 A CN 202311606581A CN 117972031 A CN117972031 A CN 117972031A
- Authority
- CN
- China
- Prior art keywords
- training
- network model
- answer
- feedback method
- electric power
- 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 76
- 238000012549 training Methods 0.000 claims description 80
- 239000011159 matrix material Substances 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 18
- 238000011478 gradient descent method Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种面向电力安监业务的反馈方法及系统,属于电力智能化运维技术领域。所述反馈方法包括:获取输入的问题;根据所述问题在预设的电力多模态知识图谱中寻找答案,确定是否能直接得到答案;在确定能直接得到答案的情况下,输出所述答案;根据所述答案在预设的电力领域专用知识库中获取与所述答案对应的示例图片;根据所述答案在预设的电力业务模型中获取对应的业务模型;输出所述答案、示例图片以及业务模型。相较于现有技术而言,本发明提供的反馈方法及系统能够满足用户对于电力技术领域的问题的反馈要求。
Description
技术领域
本发明涉及电力智能化运维技术领域,具体地涉及一种面向电力安监业务的反馈方法及系统。
背景技术
随着chat GPT等大模型问世以来,知识大模型的开发逐渐成为IT界的焦点。目前现有技术中的大模型对于常规问题已经能够做到相当准确的回答,但是对于一些未公开的数据,由于大模型本身缺乏原始的训练集,因此无法给出准确答案。
电力系统由于保密需要,其内部多种技术规范、技术文档等无法公开,因此采用已有的大模型来直接回答相关问题,会难以获得准确答案。
发明内容
本发明实施例的目的是提供一种面向电力安监业务的反馈方法及系统,该反馈方法及系统能够高效应对电力领域的问答要求。
为了实现上述目的,本发明实施例提供一种种面向电力安监业务的反馈方法,包括:
获取输入的问题;
根据所述问题在预设的电力多模态知识图谱中寻找答案,确定是否能直接得到答案;
在确定能直接得到答案的情况下,输出所述答案;
根据所述答案在预设的电力领域专用知识库中获取与所述答案对应的示例图片;
根据所述答案在预设的电力业务模型中获取对应的业务模型;
输出所述答案、示例图片以及业务模型。
可选地,所述反馈方法包括:
在确定不能直接得到答案的情况下,根据所述电力多模态知识图谱获取所述问题的关键词信息;
根据所述关键词信息和所述问题确定上下文信息;
将所述上下文信息输入预训练的网络模型中,以得到所述问题的答案。
可选地,所述反馈方法包括:
获取电力数据,其中,所述电力数据包括语言文本和带标注的图片;
采用prompt提示词搜索所述语言文本和标注的上下文信息;
将搜索的结果嵌入所述语言文本和标注的提示模板集中;
将所述模板集、语言文本、带标注的图片组合,以得到所述电力多模态知识图谱。
可选地,所述电力领域专用知识库包括电力系统技术规范、电气参数、项目历史材料。
可选地,所述反馈方法包括:
确定所述网络模型中的核心权重和边缘权重;
固定所述核心权重,构建所述边缘权重的权重矩阵;
采用训练集训练所述网络模型,并采用改进的梯度下降法更新所述权重矩阵,直到得到所述网络模型训练完成。
可选地,采用训练集训练所述网络模型,并采用改进的梯度下降法更新所述权重矩阵,直到得到所述网络模型训练完成,包括:
采用所述训练集训练所述网络模型;
采用测试集测试训练的所述网络模型,以判断所述网络模型是否满足精度要求;
在判断所述网络模型满足所述精度要求的情况下,输出所述网络模型。
可选地,构建所述边缘权重的权重矩阵,包括:
对所述权重矩阵中缺失的权重进行补0操作。
可选地,所述改进的梯度下降法包括:
计算所述权重矩阵每一行的非0向量比;
根据公式(1)计算所述权重矩阵每一行的更新概率,
其中,ti为所述更新概率,ai为第i行的非0向量比,aj为第j行的非0向量比,m为所述权重矩阵中的行的数量;
根据所述更新概率采用轮盘赌法选择要更新的所述权重所在的行;
更新选择的权重。
可选地,采用训练集训练所述网络模型,并采用改进的梯度下降法更新所述权重矩阵,直到得到所述网络模型训练完成,包括:
在判断所述网络模型不满足所述精度要求的情况下,确定当前的累计训练次数;
判断所述累计训练次数是否大于或等于预设的训练疲劳值;
在判断所述累计训练次数大于或等于预设的训练疲劳值的情况下,返回执行根据所述更新概率采用轮盘赌法选择要更新的所述权重所在的行的步骤;
在判断所述累计训练次数小于所述训练疲劳值的情况下,返回执行更新选择的权重的步骤。
另一方面,本发明还提供一种面向电力安监业务的反馈系统,所述反馈系统包括处理器,所述处理器被配置成执行如上述任一所述的反馈方法。
通过上述技术方案,本发明提供的一种面向电力安监业务的反馈方法及系统通过结合电力多模态知识图谱来回答电力领域的技术问题,并针对答案输出对应的示例图片和电力业务模型。相较于现有技术而言,本发明提供的反馈方法及系统能够满足用户对于电力技术领域的问题的反馈要求。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是根据本发明的一个实施方式的面向电力安监业务的反馈方法的流程图;
图2是根据本发明的一个实施方式的预训练网络模型的方法的流程图;
图3是根据本发明的一个实施方式的面向电力安监业务的反馈方法的部分流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
如图1所示是根据本发明的一个实施方式的面向电力安监业务的反馈方法的流程图。在该图1中,该反馈方法可以包括以下步骤:
在步骤S10中,获取输入的问题;
在步骤S11中,根据问题在预设的电力多模态知识图谱中寻找答案,确定是否能直接得到答案;
在步骤S12中,在确定能直接得到答案的情况下,输出答案;
在步骤S13中,根据答案在预设的电力领域专用知识库中获取与答案对应的示例图片;
在步骤S14中,根据答案在预设的电力业务模型中获取对应的业务模型;
在步骤S15中,输出答案、示例图片以及业务模型。
在步骤S16中,在确定不能直接得到答案的情况下,根据电力多模态知识图谱获取问题的关键词信息;
在步骤S17中,根据关键词信息和问题确定上下文信息;
在步骤S18中,将上下文信息输入预训练的网络模型中,以得到问题的答案。
在该如图1所示的反馈方法中,步骤S10可以用于获取输入的问题。具体地,针对该输入的问题,为了便于机器识别,该步骤S10可以是进一步将问题的文字转换成对应的词向量序列。
步骤S11可以根据问题在预设的电力多模态知识图谱中寻找答案,确定是否能直接得到答案。其中,该电力多模态知识图谱可以是包括电力文本知识、已标注图片以及对应关联集的数据库。对于获取该电力多模态知识图谱的方法,可以是本领域人员所知的多种形式。在本发明的一个示例中,可以是首先获取电力数据,该电力数据可以包括语言文本和带标注的图片。然后采用prompt提示词搜索语言文本和标注的上下文信息,从而确定对应于语言文本以及图片的关联关系,接着将将搜索的结果嵌入语言文本和标注的提示模板集中,最后,将模板集、语言文本、带标注的图片组合,以得到电力多模态知识图谱。
在能够直接得到答案的情况下,此时可以不考虑调用网络模型,直接输出答案,即:步骤S12。
在输出答案的情况下,为了便于用户更深入了解答案的内容,此时可以通过S13在预设的电力领域专用数据库中获取与该答案对应的示例图片。其中,电力领域专用知识库可以是包括电力系统技术规范、电气参数、项目历史材料。
反之,如果不能够直接得到答案,那么则需要调用网络模型,即步骤S16至步骤S18。具体地,在步骤S16中,在确定不能直接得到答案的情况下,根据电力多模态知识图谱获取问题的关键词信息。具体地,该关键词信息可以通过预设多个词向量来匹配的方式来获得。然后通过步骤S17根据该关键词信息和问题确定上下文信息,上下文信息则可以是通过词向量信息和前后的单词信息来确定。
最后,通过步骤S18将该上下文信息输入预训练的网络模型中,从而得到问题的答案。其中,该网络模型的预训练的过程可以是本领域人员所知的多种方式。考虑到本发明提供的网络模型复杂度较高,如果直接对网络模型本身所有的权重进行训练,需要运算量很大的设备。因此在本发明的一个示例中,预训练该网络模型的方法可以包括如图2中所示出的步骤。在该图2中,该预训练该网络模型的方法可以是包括以下步骤:
在步骤S20中,确定网络模型中的核心权重和边缘权重;
在步骤S21中,固定核心权重,构建边缘权重的权重矩阵;
在步骤S22中,采用训练集训练网络模型,并采用改进的梯度下降法更新权重矩阵,直到得到网络模型训练完成。
在该如图3所示出的方法中,步骤S20可以用于确定网络模型的核心权重和边缘权重。其中,该核心权重可以用于表示网络模型的相对固有权重,可以是通过多次对比实验得到。该边缘权重可以是表示对于网络模型训练精度影响明显的权重,也可以是通过多次对比实验得到。在确定了核心权重和固有权重后,可以是进一步通过固定核心权重,构建边缘权重的权重矩阵。具体地,该权重矩阵可以是采用以下公式(1)来构建,
其中,St为所述权重矩阵,tij为第i类第j个权重,1≤i≤I,1≤j≤J,I为权重的类的数量,J为一类权重的数量。由于边缘权重中不能保证每一类的权重的数量一致,那么在构建该权重矩阵时,可以是对该权重矩阵中缺失的权重进行补0操作。
最后通过步骤S22通过训练集训练,更新迭代该权重矩阵的方式来完成网络模型的训练。具体地,该步骤S22可以是首先采用训练集训练网络模型,然后采用测试集测试训练的网络模型,以判断该网络模型是否满足精度要求。最后,在判断网络模型满足精度要求的情况下,输出网络模型。
而对于在预训练过程中所采用的改进的梯度下降法,虽然同样可以是本领域人员所知的多种形式。但是考虑到上述公式(1)构建权重矩阵的形式,在本发明的一个示例中,该改进的梯度下降法可以是包括如图3中所示出的步骤。在该图3中,训练该网络模型的方法可以是包括以下步骤:
在步骤S30中,计算权重矩阵每一行的非0向量比;
在步骤S31中,根据公式(2)计算权重矩阵每一行的更新概率,
其中,ti为更新概率,ai为第i行的非0向量比,aj为第j行的非0向量比,m为权重矩阵中的行的数量;
在步骤S32中,根据更新概率采用轮盘赌法选择要更新的权重所在的行;
在步骤S33中,更新选择的权重。
最后,针对选择的一类权重,可以预设一个训练疲劳值,当大于或等于该训练疲劳值时,重新选择新的一类权重。具体地,该过程可以是如图3所示。具体地:
在步骤S34中,在判断网络模型不满足精度要求的情况下,确定当前的累计训练次数;
在步骤S35中,判断累计训练次数是否大于或等于预设的训练疲劳值;
在步骤S36中,在判断累计训练次数大于或等于预设的训练疲劳值的情况下,返回执行根据更新概率采用轮盘赌法选择要更新的权重所在的行的步骤,即返回执行步骤S32;
反之,在判断累计训练次数小于训练疲劳值的情况下,返回执行更新选择的权重的步骤,即返回执行步骤S33。
另一方面,本发明还提供一种面向电力安监业务的反馈系统,所述反馈系统包括处理器,所述处理器被配置成执行如上述任一所述的反馈方法。具体地,该反馈方法可以包括以下步骤:
在步骤S10中,获取输入的问题;
在步骤S11中,根据问题在预设的电力多模态知识图谱中寻找答案,确定是否能直接得到答案;
在步骤S12中,在确定能直接得到答案的情况下,输出答案;
在步骤S13中,根据答案在预设的电力领域专用知识库中获取与答案对应的示例图片;
在步骤S14中,根据答案在预设的电力业务模型中获取对应的业务模型;
在步骤S15中,输出答案、示例图片以及业务模型。
在步骤S16中,在确定不能直接得到答案的情况下,根据电力多模态知识图谱获取问题的关键词信息;
在步骤S17中,根据关键词信息和问题确定上下文信息;
在步骤S18中,将上下文信息输入预训练的网络模型中,以得到问题的答案。
在该如图1所示的反馈方法中,步骤S10可以用于获取输入的问题。具体地,针对该输入的问题,为了便于机器识别,该步骤S10可以是进一步将问题的文字转换成对应的词向量序列。
步骤S11可以根据问题在预设的电力多模态知识图谱中寻找答案,确定是否能直接得到答案。其中,该电力多模态知识图谱可以是包括电力文本知识、已标注图片以及对应关联集的数据库。对于获取该电力多模态知识图谱的方法,可以是本领域人员所知的多种形式。在本发明的一个示例中,可以是首先获取电力数据,该电力数据可以包括语言文本和带标注的图片。然后采用prompt提示词搜索语言文本和标注的上下文信息,从而确定对应于语言文本以及图片的关联关系,接着将将搜索的结果嵌入语言文本和标注的提示模板集中,最后,将模板集、语言文本、带标注的图片组合,以得到电力多模态知识图谱。
在能够直接得到答案的情况下,此时可以不考虑调用网络模型,直接输出答案,即:步骤S12。
在输出答案的情况下,为了便于用户更深入了解答案的内容,此时可以通过S13在预设的电力领域专用数据库中获取与该答案对应的示例图片。其中,电力领域专用知识库可以是包括电力系统技术规范、电气参数、项目历史材料。
反之,如果不能够直接得到答案,那么则需要调用网络模型,即步骤S16至步骤S18。具体地,在步骤S16中,在确定不能直接得到答案的情况下,根据电力多模态知识图谱获取问题的关键词信息。具体地,该关键词信息可以通过预设多个词向量来匹配的方式来获得。然后通过步骤S17根据该关键词信息和问题确定上下文信息,上下文信息则可以是通过词向量信息和前后的单词信息来确定。
最后,通过步骤S18将该上下文信息输入预训练的网络模型中,从而得到问题的答案。其中,该网络模型的预训练的过程可以是本领域人员所知的多种方式。考虑到本发明提供的网络模型复杂度较高,如果直接对网络模型本身所有的权重进行训练,需要运算量很大的设备。因此在本发明的一个示例中,预训练该网络模型的方法可以包括如图2中所示出的步骤。在该图2中,该预训练该网络模型的方法可以是包括以下步骤:
在步骤S20中,确定网络模型中的核心权重和边缘权重;
在步骤S21中,固定核心权重,构建边缘权重的权重矩阵;
在步骤S22中,采用训练集训练网络模型,并采用改进的梯度下降法更新权重矩阵,直到得到网络模型训练完成。
在该如图3所示出的方法中,步骤S20可以用于确定网络模型的核心权重和边缘权重。其中,该核心权重可以用于表示网络模型的相对固有权重,可以是通过多次对比实验得到。该边缘权重可以是表示对于网络模型训练精度影响明显的权重,也可以是通过多次对比实验得到。在确定了核心权重和固有权重后,可以是进一步通过固定核心权重,构建边缘权重的权重矩阵。具体地,该权重矩阵可以是采用以下公式(1)来构建,
其中,St为所述权重矩阵,tij为第i类第j个权重,1≤i≤I,1≤j≤J,I为权重的类的数量,J为一类权重的数量。由于边缘权重中不能保证每一类的权重的数量一致,那么在构建该权重矩阵时,可以是对该权重矩阵中缺失的权重进行补0操作。
最后通过步骤S22通过训练集训练,更新迭代该权重矩阵的方式来完成网络模型的训练。具体地,该步骤S22可以是首先采用训练集训练网络模型,然后采用测试集测试训练的网络模型,以判断该网络模型是否满足精度要求。最后,在判断网络模型满足精度要求的情况下,输出网络模型。
而对于在预训练过程中所采用的改进的梯度下降法,虽然同样可以是本领域人员所知的多种形式。但是考虑到上述公式(1)构建权重矩阵的形式,在本发明的一个示例中,该改进的梯度下降法可以是包括如图3中所示出的步骤。在该图3中,训练该网络模型的方法可以是包括以下步骤:
在步骤S30中,计算权重矩阵每一行的非0向量比;
在步骤S31中,根据公式(2)计算权重矩阵每一行的更新概率,
其中,ti为更新概率,ai为第i行的非0向量比,aj为第j行的非0向量比,m为权重矩阵中的行的数量;
在步骤S32中,根据更新概率采用轮盘赌法选择要更新的权重所在的行;
在步骤S33中,更新选择的权重。
最后,针对选择的一类权重,可以预设一个训练疲劳值,当大于或等于该训练疲劳值时,重新选择新的一类权重。具体地,该过程可以是如图3所示。具体地:
在步骤S34中,在判断网络模型不满足精度要求的情况下,确定当前的累计训练次数;
在步骤S35中,判断累计训练次数是否大于或等于预设的训练疲劳值;
在步骤S36中,在判断累计训练次数大于或等于预设的训练疲劳值的情况下,返回执行根据更新概率采用轮盘赌法选择要更新的权重所在的行的步骤,即返回执行步骤S32;
反之,在判断累计训练次数小于训练疲劳值的情况下,返回执行更新选择的权重的步骤,即返回执行步骤S33。
通过上述技术方案,本发明提供的一种面向电力安监业务的反馈方法及系统通过结合电力多模态知识图谱来回答电力领域的技术问题,并针对答案输出对应的示例图片和电力业务模型。相较于现有技术而言,本发明提供的反馈方法及系统能够满足用户对于电力技术领域的问题的反馈要求。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种面向电力安监业务的反馈方法,其特征在于,所述反馈方法包括:
获取输入的问题;
根据所述问题在预设的电力多模态知识图谱中寻找答案,确定是否能直接得到答案;
在确定能直接得到答案的情况下,输出所述答案;
根据所述答案在预设的电力领域专用知识库中获取与所述答案对应的示例图片;
根据所述答案在预设的电力业务模型中获取对应的业务模型;
输出所述答案、示例图片以及业务模型。
2.根据权利要求1所述的反馈方法,其特征在于,所述反馈方法包括:
在确定不能直接得到答案的情况下,根据所述电力多模态知识图谱获取所述问题的关键词信息;
根据所述关键词信息和所述问题确定上下文信息;
将所述上下文信息输入预训练的网络模型中,以得到所述问题的答案。
3.根据权利要求1所述的反馈方法,其特征在于,所述反馈方法包括:
获取电力数据,其中,所述电力数据包括语言文本和带标注的图片;
采用prompt提示词搜索所述语言文本和标注的上下文信息;
将搜索的结果嵌入所述语言文本和标注的提示模板集中;
将所述模板集、语言文本、带标注的图片组合,以得到所述电力多模态知识图谱。
4.根据权利要求1所述的反馈方法,其特征在于,所述电力领域专用知识库包括电力系统技术规范、电气参数、项目历史材料。
5.根据权利要求1所述的反馈方法,其特征在于,所述反馈方法包括:
确定所述网络模型中的核心权重和边缘权重;
固定所述核心权重,构建所述边缘权重的权重矩阵;
采用训练集训练所述网络模型,并采用改进的梯度下降法更新所述权重矩阵,直到得到所述网络模型训练完成。
6.根据权利要求5所述的反馈方法,其特征在于,采用训练集训练所述网络模型,并采用改进的梯度下降法更新所述权重矩阵,直到得到所述网络模型训练完成,包括:
采用所述训练集训练所述网络模型;
采用测试集测试训练的所述网络模型,以判断所述网络模型是否满足精度要求;
在判断所述网络模型满足所述精度要求的情况下,输出所述网络模型。
7.根据权利要求6所述的反馈方法,其特征在于,构建所述边缘权重的权重矩阵,包括:
对所述权重矩阵中缺失的权重进行补0操作。
8.根据权利要求7所述的反馈方法,其特征在于,所述改进的梯度下降法包括:
计算所述权重矩阵每一行的非0向量比;
根据公式(1)计算所述权重矩阵每一行的更新概率,
其中,ti为所述更新概率,ai为第i行的非0向量比,aj为第j行的非0向量比,m为所述权重矩阵中的行的数量;
根据所述更新概率采用轮盘赌法选择要更新的所述权重所在的行;
更新选择的权重。
9.根据权利要求8所述的反馈方法,其特征在于,采用训练集训练所述网络模型,并采用改进的梯度下降法更新所述权重矩阵,直到得到所述网络模型训练完成,包括:
在判断所述网络模型不满足所述精度要求的情况下,确定当前的累计训练次数;
判断所述累计训练次数是否大于或等于预设的训练疲劳值;
在判断所述累计训练次数大于或等于预设的训练疲劳值的情况下,返回执行根据所述更新概率采用轮盘赌法选择要更新的所述权重所在的行的步骤;
在判断所述累计训练次数小于所述训练疲劳值的情况下,返回执行更新选择的权重的步骤。
10.一种面向电力安监业务的反馈系统,其特征在于,所述反馈系统包括处理器,所述处理器被配置成执行如权利要求1至9任一所述的反馈方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606581.9A CN117972031A (zh) | 2023-11-24 | 2023-11-24 | 面向电力安监业务的反馈方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606581.9A CN117972031A (zh) | 2023-11-24 | 2023-11-24 | 面向电力安监业务的反馈方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117972031A true CN117972031A (zh) | 2024-05-03 |
Family
ID=90861609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311606581.9A Pending CN117972031A (zh) | 2023-11-24 | 2023-11-24 | 面向电力安监业务的反馈方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972031A (zh) |
-
2023
- 2023-11-24 CN CN202311606581.9A patent/CN117972031A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276066B (zh) | 实体关联关系的分析方法及相关装置 | |
CN111898643B (zh) | 一种语义匹配方法及装置 | |
US11610064B2 (en) | Clarification of natural language requests using neural networks | |
CN111708703A (zh) | 测试案例集生成方法、装置、设备及计算机可读存储介质 | |
CN112905451B (zh) | 应用程序的自动化测试方法及装置 | |
CN113220854B (zh) | 机器阅读理解的智能对话方法及装置 | |
CN117252739B (zh) | 一种评卷方法、系统、电子设备及存储介质 | |
CN113010671B (zh) | 一种app分类系统 | |
CN116680368B (zh) | 一种基于贝叶斯分类器的水利知识问答方法、设备及介质 | |
CN117609781A (zh) | 文本评估模型的训练方法、文本评估方法及装置 | |
CN113468323A (zh) | 争议焦点类别及相似判断方法及系统及装置及推荐方法 | |
CN117972031A (zh) | 面向电力安监业务的反馈方法及系统 | |
CN114254588B (zh) | 数据标签处理方法和装置 | |
CN105302336A (zh) | 一种输入纠错方法和装置 | |
CN112905765B (zh) | 一种信息处理方法及装置 | |
CN111783453B (zh) | 文本的情感信息处理方法及装置 | |
CN115168575A (zh) | 应用于审计领域的主语补全方法及相关设备 | |
CN111126066B (zh) | 基于神经网络的中文修辞手法的确定方法和装置 | |
CN114881141A (zh) | 事件类型分析方法及相关设备 | |
CN117111902B (zh) | Ai智能软件开发方法及装置 | |
WO2019246252A1 (en) | Systems and methods for identifying and linking events in structured proceedings | |
CN117274006B (zh) | 一种命题方法、系统、设备及存储介质 | |
US20220374914A1 (en) | Regulatory obligation identifier | |
CN114328797B (zh) | 内容搜索方法、装置、电子设备、存储介质及程序产品 | |
CN110334342B (zh) | 词语重要性的分析方法及装置 |
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 |