CN112989039A - 面向小样本场景化人工智能的实现方法、***及存储介质 - Google Patents
面向小样本场景化人工智能的实现方法、***及存储介质 Download PDFInfo
- Publication number
- CN112989039A CN112989039A CN202110178161.XA CN202110178161A CN112989039A CN 112989039 A CN112989039 A CN 112989039A CN 202110178161 A CN202110178161 A CN 202110178161A CN 112989039 A CN112989039 A CN 112989039A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- model
- artificial intelligence
- application
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 122
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000014509 gene expression Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Images
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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种面向小样本场景化人工智能的实现方法、***及存储介质，该实现方法包括：获取应用请求指令，并根据所述应用请求指令提取语义特征；根据所述语义特征及预设的语义分类体系确定训练模型及训练数据；根据所述训练数据训练并测试所述训练模型获得应用模型及应用数据。本发明实施例首先根据语义特征建立模型及数据的语义分类体系，当获取到应用请求指令后，根据应用请求指令的语义特征确定训练模型及训练数据，并根据训练数据训练并测试训练模型，从而获得应用模型及应用数据，即本发明实施例根据应用请求指令的语义特征及预设的语义分类体系实现在面向小样本的数据请求。本发明实施例可广泛应用于人工智能技术领域。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种面向小样本场景化人工智能的实现方法、***及存储介质。
背景技术
人工智能技术的核心问题是解决各类数据的认知及应用。在物联网海量信息***的情况下，如何应对海量信息的认知及如何基于认知的人工智能技术进行应用，导致人工智能在物联网领域的应用比传统人工智能的应用更加困难。
传统人工智能的应用中需要采用大量的标注数据对模型进行迭代训练，在实际物联网的人工智能应用过程中，与传统的互联网人工智能技术应用相比存在两个问题：1、物联网领域面对的应用场景复杂，如存在大量的边缘侧模型及终端侧模型等，模型选择困难；2、模型的训练数据不易获取，如各类应用场景属于不同的公司或单位，相互之间很难做到数据共享，物联网场景化AI的碎片化状态导致模型训练数据不足，另外，标注的训练数据更少，训练数据及标注的训练数据少导致小样本问题。
发明内容
有鉴于此，本发明实施例的目的是提供一种面向小样本场景化人工智能的实现方法、***及存储介质，该方法能够在面向小样本时根据应用请求确定训练模型及训练数据并获得应用数据。
第一方面，本发明实施例提供了一种面向小样本场景化人工智能的实现方法，包括以下步骤：
获取应用请求指令，并根据所述应用请求指令提取语义特征；
根据所述语义特征及预设的语义分类体系确定训练模型及训练数据；
根据所述训练数据训练并测试所述训练模型获得应用模型及应用数据。
可选地，通过以下步骤确定所述预设的语义分类体系：
构建信息标签体系、模型场景标签体系以及信息对模型场景支持度标签体系的语义表达矩阵。
可选地，确定所述预设的语义分类体系，还包括：
构建场景化人工智能的场景要素语义或数据集语义。
可选地，通过以下步骤确定所述训练模型：
根据所述语义特征及时间要素确定各已知模型的支持度；
将支持度超过预设值的已知模型确定为所述训练模型。
可选地，所述训练数据通过以下步骤确定：
获取所述训练模型的数据；
根据所述训练模型的数据与所述应用请求指令的数据确定训练数据。
可选地，所述根据所述训练模型的数据与所述应用请求指令的数据确定训练数据，包括：
对所述训练模型的数据及所述应用请求指令的数据进行误差计算；
根据所述误差确定第一训练数据；
根据所述第一训练及所述应用请求指令的数据确定训练数据。
可选地，所述训练模型或所述训练模型的数据根据记录时间及调用频率进行更新。
第二方面，本发明实施例提供了一种面向小样本场景化人工智能的实现***，包括：
获取模块，用于获取应用请求指令，并根据所述应用请求指令提取语义特征；
确定模块，用于根据所述语义特征及预设的语义分类体系确定训练模型及训练数据；
应用模块，用于根据所述训练数据训练并测试所述训练模型获得应用模型及应用数据。
第三方面，本发明实施例提供了一种面向小样本场景化人工智能的实现***，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的面向小样本场景化人工智能的实现方法。
第四方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的面向小样本场景化人工智能的实现方法。
实施本发明实施例包括以下有益效果：本发明实施例首先根据语义特征建立模型及数据的语义分类体系，当获取到应用请求指令后，根据应用请求指令的语义特征确定训练模型及训练数据，并根据训练数据训练并测试训练模型，从而获得应用模型及应用数据，即本发明实施例根据应用请求指令的语义特征及预设的语义分类体系实现在面向小样本的数据请求。
附图说明
图1是本发明实施例提供的一种面向小样本场景化人工智能的实现方法的步骤流程示意图；
图2是本发明实施例提供的另一种面向小样本场景化人工智能的实现方法的步骤流程示意图；
图3是本发明实施例提供的一种面向小样本场景化人工智能的实现***的结构框图；
图4是本发明实施例提供的另一种面向小样本场景化人工智能的实现***的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明实施例提供了一种面向小样本场景化人工智能的实现方法，其包括的步骤如下所示。
S100、获取应用请求指令，并根据所述应用请求指令提取语义特征；
S200、根据所述语义特征及预设的语义分类体系确定训练模型及训练数据；
S300、根据所述训练数据训练并测试所述训练模型获得应用模型及应用数据。
具体地，预设的语义分类体系在获取应用请求指令之前根据已知的模型及数据建立的，并且在实际应用中不断地根据实例进行维护及更新。首先，建立场景化人工智能的语义表达方法及对应的标识体系，即基于语义匹配能够快速获得新人工智能应用的类似场景；然后，将获取的应用请求指令的语义特征输入到预设的语义分类体系中确定训练模型及训练数据；最后根据训练数据训练并测试训练模型获得应用模型及应用数据。
可选地，确定所述预设的语义分类体系，还包括：
S001、构建场景化人工智能的场景要素语义。
具体地，场景的语义要素包括应用场景、应用领域、应用设备类型、应用数据类型、应用数据类型的特点及应用设备的处理能力等；应用设备类型包括数据采集设备类型及模型推导的设备类型等；应用数据类型包括图像、视频、语音及文字等；应用数据类型的特点由各个场景化AI应用建立更细的对应表达，如实现场景化AI数据集的特征；应用设备的处理能力包括处理芯片、运行模型的操作***及算力资源等。
可选地，确定所述预设的语义分类体系，还包括：
S002、构建场景化人工智能的数据集语义。
具体地，计算数据集语义相关的方法包含但不限于：场景化人工智能应用前端场景对应的实际数据，如数据类型、格式、编码规则，如图像、视频、音频、文本及场景特征；前端场景对应终端类型，例如设备的特征，设备的硬件特征、操作***特征。
可选地，通过以下步骤确定所述预设的语义分类体系：
S003、构建信息标签体系、模型场景标签体系以及信息对模型场景支持度标签体系的语义表达矩阵。
需要说明的是，信息标签体系分为图像、视频、语音、音频及文本等各类信息的标签体系；模型场景标签体系包括模型适合的场景表达、适合的操作***及适合运行的设备情况等标签体系；信息对模型场景支持度标签体系涵盖各类信息资源集合对模型场景支持度的标签体系。
需要说明的是，各类信息资源集合是个泛化的概念，具体为在一个大的集合里面还可能存在若干子集，而子集里面也会有更细子集；每个子集都带有这个子集数据质量和适配场景的语义表达及描述；每个子集还包括这个子集适应场景的具体模型的训练支持度情况，如使用这个子集训练的模型在该场景的测试集上表现如何，这个子集训练出来的模型在实际应用中的表现如何。在语义分类体系实际构建及使用中，所有语义表达构建出语义表达矩阵形成一个语义索引模块，保护这个模块的各项功能。
具体地，语义表达矩阵包括模型名称、模型评价指标、模型精度要求、生成模型的数据集合特征、推导及处理数据集合特征、基于小样本数据计算相似数据的方法；设定场景化人工智能数据语义支持度计算方法和迭代获得合适训练及测试数据集合等。
可选地，通过以下步骤确定所述训练模型：
S201、根据所述语义特征及时间要素确定各已知模型的支持度；
S202、将支持度超过预设值的已知模型确定为所述训练模型。
需要说明的是，在实际使用中，记录每个数据集合中数据产生的时间，以及信息集合训练模型前端调用的服务质量。其中，前端调用的服务质量主要考虑时间要素、访问的信息及标注时间因素的结果评价。时间要素包括信息产生的时间、信息更新频度、信息被用户搜索使用的时间及次数、时间与其查询关键词关系等。信息相关性计算模型中考虑时间因素，时间要素也作为一个标签存储，能提供更加准确的信息服务。如使用搜索引擎在工作时间和业余时间的查询目标会不同。
具体地，接收用户发出的人工智能应用，分析人工智能应用请求，提取出用户需求对应的关键要素，如应用场景特征、数据特征、模型运行环境特征等；根据场景化人工智能应用要素调用语义场景化人工智能数据分类体系及数据项集，计算各个领域子集对人工智能要素的支持度；判断各个领域子集对场景化人工智能要素的支持度是否达到预设值，并将搜索要素发送给达到预设值的一个或多个领域子集对应的领域人工智能模型训练引擎及数据生成引擎；各领域人工智能训练引擎根据获得的数据要素进行训练和测试，并返回人工智能模型训练结果；根据预设的结果返回逻辑将训练好的人工智能模型结果发布。
可选地，所述训练数据通过以下步骤确定：
S203、获取所述训练模型的数据；
S204、根据所述训练模型的数据与所述应用请求指令的数据确定训练数据。
可选地，所述根据所述训练模型的数据与所述应用请求指令的数据确定训练数据，包括：
S2041、对所述训练模型的数据及所述应用请求指令的数据进行误差计算；
S2042、根据所述误差确定第一训练数据；
S2043、根据所述第一训练数据及所述应用请求指令的数据确定训练数据。
具体地，第一训练数据的生成方法包括两种：方式一、对于场景化前端设备访问时返回结果对应的数据不是很准确时，计算这些数据与训练模型的语义距离，基于这个距离获得数据库中已有的数据作为第一训练数据；该方式扩大了训练数据的搜索范围；方式二、获取与这些数据在数据库中语义距离近的数据，从而生成一批数据；该方式可以精确获得不准数据类似的数据。
需要说明的是，针对不同类型信息的语义距离计算方式不同，如图像、语音、文本等的语义距离的计算方式均不相同。
可选地，所述训练模型或所述训练模型的数据根据记录时间及调用频率进行更新。
具体地，在建立语义表达矩阵时，记录训练模型及训练模型对应的数据集的记录时间和调用频率等；根据全局语义取值的时间衰减策略对模型对应的数据进行更新，针对某一类场景所选取的模型及对应的数据集，按照频次的高低及调用时间的近远，从语义支持度的角度奖励调用频率高的模型及对应的数据集；更新各类模型及相关数据集对场景的支持度等，从而为以后语义化搜索模型及数据集提供相关基本语义信息。需要说明的是，更新原则可以设置为：记录时间越接近调用时间或调用频率越高的模型及数据集的支持度越高；从而淘汰调用频率少或记录时间久远的数据，提高语义分类体系的准确性。
具体地，本发明实施例提供了一种具体实施例，如图2所示，根据用户请求提取人工智能场景化语义特征，根据语义特征分别进行模型特征判别和数据特征判别；根据语义特征中的模型特征，如部署要求、运行环境要求、功能要求、性能要求、功能评价指标、性能评价指标及人工智能目标等，判别出最接近的模型并获取最接近的模型的训练数据；根据语义特征中的数据特征，如数据类型、实际数据特征和已有数据集与实际数据的差异等，获取已有语义数据集中最接近的数据集合；根据最接近的模型的训练数据及最接近的数据集合综合计算获得数据集并生成训练集和测试集；用生成的训练集和测试集训练和测试最接近模型得到新的应用模型和应用数据。
具体地，本发明实施例提供了另一种具体实施例，具体步骤如下：
S1、获得场景人工智能需求请求数据。
S2、构建场景人工智能需求语义匹配矩阵，包括但不限于场景设备、场景需求及场景请求数据类型，如图像比对、图像识别、语音识别、关键词识别、语义理解请求、搜索请求、场景执行设备类型及处理器运行要求等。
S3、由场景语义匹配矩阵，匹配已有数据资源的语义表达。
S4、选取前若干个资源作为候选集，计算或获得每个候选集的语义中心，或获得候选集中代表性的数据。
S5、计算请求数据与候选集的语义距离，以及计算请求数据与候选集代表的数据语义距离。
S6、根据计算结果选取语义距离小的候选集进行模型训练。
S7、测试训练模型并记录模型的精度，包括但不限于准确率、召回率及MRR(Meanreciprocal rank，平均排序倒数)等。需说明的是，针对不同的场景或不同的处理信息，评价指标是不同的。
S8、根据结果更新语义表达矩阵。
实施本发明实施例包括以下有益效果：本发明实施例首先根据语义特征建立模型及数据的语义分类体系，当获取到应用请求指令后，根据应用请求指令的语义特征确定训练模型及训练数据，并根据训练数据训练并测试训练模型，从而获得应用模型及应用数据，即本发明实施例根据应用请求指令的语义特征及预设的语义分类体系实现在面向小样本的数据请求。
如图3所示，本发明实施例提供了一种面向小样本场景化人工智能的实现***，包括：
获取模块，用于获取应用请求指令，并根据所述应用请求指令提取语义特征；
确定模块，用于根据所述语义特征及预设的语义分类体系确定训练模型及训练数据；
应用模块，用于根据所述训练数据训练并测试所述训练模型获得应用模型及应用数据。
可见，上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
如图4所示，本发明实施例提供了一种面向小样本场景化人工智能的实现***，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的面向小样本场景化人工智能的实现方法步骤。
可见，上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本申请实施例还公开了一种计算机程序产品或计算机程序，计算机程序产品或计算机程序存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行上述的面向小样本场景化人工智能的实现方法。同样地，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种面向小样本场景化人工智能的实现方法，其特征在于，包括：
获取应用请求指令，并根据所述应用请求指令提取语义特征；
根据所述语义特征及预设的语义分类体系确定训练模型及训练数据；
根据所述训练数据训练并测试所述训练模型获得应用模型及应用数据。
2.根据权利要求1所述的面向小样本场景化人工智能的实现方法，其特征在于，通过以下步骤确定所述预设的语义分类体系：
构建信息标签体系、模型场景标签体系以及信息对模型场景支持度标签体系的语义表达矩阵。
3.根据权利要求2所述的面向小样本场景化人工智能的实现方法，其特征在于，确定所述预设的语义分类体系，还包括：
构建场景化人工智能的场景要素语义或数据集语义。
4.根据权利要求1所述的面向小样本场景化人工智能的实现方法，其特征在于，通过以下步骤确定所述训练模型：
根据所述语义特征及时间要素确定各已知模型的支持度；
将支持度超过预设值的已知模型确定为所述训练模型。
5.根据权利要求4所述的面向小样本场景化人工智能的实现方法，其特征在于，所述训练数据通过以下步骤确定：
获取所述训练模型的数据；
根据所述训练模型的数据与所述应用请求指令的数据确定训练数据。
6.根据权利要求5所述的面向小样本场景化人工智能的实现方法，其特征在于，所述根据所述训练模型的数据与所述应用请求指令的数据确定训练数据，包括：
对所述训练模型的数据及所述应用请求指令的数据进行误差计算；
根据所述误差确定第一训练数据；
根据所述第一训练数据及所述应用请求指令的数据确定训练数据。
7.根据权利要求5所述的面向小样本场景化人工智能的实现方法，其特征在于，所述训练模型或所述训练模型的数据根据记录时间及调用频率进行更新。
8.一种面向小样本场景化人工智能的实现***，其特征在于，包括：
获取模块，用于获取应用请求指令，并根据所述应用请求指令提取语义特征；
确定模块，用于根据所述语义特征及预设的语义分类体系确定训练模型及训练数据；
应用模块，用于根据所述训练数据训练并测试所述训练模型获得应用模型及应用数据。
9.一种面向小样本场景化人工智能的实现***，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述的面向小样本场景化人工智能的实现方法。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述的面向小样本场景化人工智能的实现方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110178161.XA CN112989039A (zh) | 2021-02-08 | 2021-02-08 | 面向小样本场景化人工智能的实现方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110178161.XA CN112989039A (zh) | 2021-02-08 | 2021-02-08 | 面向小样本场景化人工智能的实现方法、***及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112989039A true CN112989039A (zh) | 2021-06-18 |
Family
ID=76392701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110178161.XA Pending CN112989039A (zh) | 2021-02-08 | 2021-02-08 | 面向小样本场景化人工智能的实现方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112989039A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557461A (zh) * | 2016-10-31 | 2017-04-05 | 百度在线网络技术（北京）有限公司 | 基于人工智能的语义解析处理方法和装置 |
| US20200193206A1 (en) * | 2018-12-18 | 2020-06-18 | Slyce Acquisition Inc. | Scene and user-input context aided visual search |
| CN111613212A (zh) * | 2020-05-13 | 2020-09-01 | 携程旅游信息技术（上海）有限公司 | 语音识别方法、***、电子设备和存储介质 |
| CN111695670A (zh) * | 2019-03-11 | 2020-09-22 | 深圳市茁壮网络股份有限公司 | 神经网络模型训练方法及装置 |
-
2021
- 2021-02-08 CN CN202110178161.XA patent/CN112989039A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557461A (zh) * | 2016-10-31 | 2017-04-05 | 百度在线网络技术（北京）有限公司 | 基于人工智能的语义解析处理方法和装置 |
| US20200193206A1 (en) * | 2018-12-18 | 2020-06-18 | Slyce Acquisition Inc. | Scene and user-input context aided visual search |
| CN111695670A (zh) * | 2019-03-11 | 2020-09-22 | 深圳市茁壮网络股份有限公司 | 神经网络模型训练方法及装置 |
| CN111613212A (zh) * | 2020-05-13 | 2020-09-01 | 携程旅游信息技术（上海）有限公司 | 语音识别方法、***、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108804641B (zh) | 一种文本相似度的计算方法、装置、设备和存储介质 | |
| CN109947909B (zh) | 智能客服应答方法、设备、存储介质及装置 | |
| CN110163376B (zh) | 样本检测方法、媒体对象的识别方法、装置、终端及介质 | |
| CN111382248B (zh) | 一种问题回复方法、装置、存储介质及终端设备 | |
| CN110737756B (zh) | 确定针对用户输入数据的应答的方法、装置、设备和介质 | |
| CN110110726A (zh) | 电力设备铭牌识别方法、装置、计算机设备和存储介质 | |
| CN111274822A (zh) | 语义匹配方法、装置、设备及存储介质 | |
| CN113742488B (zh) | 基于多任务学习的嵌入式知识图谱补全方法和装置 | |
| CN116089567A (zh) | 一种搜索关键词的推荐方法、装置、设备和存储介质 | |
| CN114168841A (zh) | 内容推荐方法及其装置 | |
| CN114282513A (zh) | 文本语义相似度的匹配方法、***、智能终端及存储介质 | |
| CN113657510A (zh) | 一种有标注价值的数据样本的确定方法及装置 | |
| CN113434653A (zh) | 处理查询语句的方法、装置、设备及存储介质 | |
| CN111143515B (zh) | 文本匹配方法及装置 | |
| CN112562736A (zh) | 一种语音数据集质量评估方法和装置 | |
| JP7256357B2 (ja) | 情報処理装置、制御方法、プログラム | |
| CN112989039A (zh) | 面向小样本场景化人工智能的实现方法、***及存储介质 | |
| CN116361428A (zh) | 一种问答召回方法、装置和存储介质 | |
| CN113312396B (zh) | 一种基于大数据的元数据处理方法及设备 | |
| CN113570404B (zh) | 一种目标用户定位的方法、装置及相关设备 | |
| CN115221316A (zh) | 知识库处理、模型训练方法、计算机设备及存储介质 | |
| CN114780700A (zh) | 基于机器阅读理解的智能问答方法、装置、设备及介质 | |
| CN115186057A (zh) | 一种文本分类模型的获得方法及装置 | |
| CN114676237A (zh) | 语句相似度确定方法、装置、计算机设备和存储介质 | |
| CN110309273A (zh) | 问答方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
| RJ01 | Rejection of invention patent application after publication |