会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

NLP预训练模型在智能知识库的应用实践

2018年底BERT等预训练模型发布，作为NLP技术发展中的一个里程碑式事件，影响到了NLP应用的各个方面，使得基于大规模无标注语料的预训模型+少量标注语料的模式成为NLP模型开发的标配。本系列文章中我们从知识辅助生成和自动问答两个方面，探讨了应用预训练等技术，在有限的资源投入条件下，实现电力智能知识库的应用实践。上篇介绍了应用最新预训练模型实现的NLG模型，在电力客服知识库的自动化构建方面做的一些探索。

  • 2022-01-16
  • 阅读112
  • 下载0
  • 19页
  • docx

百分点智能对话技术探索实践

智能对话系统因其巨大的潜力和商业价值受到越来越多研究者和从业者的关注，对话的主要种类包括闲聊型、知识型、任务型、阅读理解型等，目前已经广泛应用在智能客服、智能音箱、智能车载等众多场景。近年来，智能对话还出现了新的应用场景，例如可以将自然语言转换为各种程序性语言，如SQL，从数据库中找到相应的答案，让用户和数据库的交互变得更加直接和方便。本文将围绕智能问答中的问题语义等价模型、知识图谱问答模型、NL2SQL模型等进行展开介绍，同时会介绍百分点智能问答实践案例。

  • 2022-01-16
  • 阅读174
  • 下载0
  • 14页
  • docx

一种基于Transformer模型的古籍自动标点技术

人工加注古籍文献标点符号，即对无标点符号的古籍文献进行现代标点符号填充。但古籍数量庞大，人工加注费时费力。随着人工智能（AI）的兴起，基于深度学习实现自动标点工作可以减轻人工的繁重负担。本方法使用基于多头注意力机制的端到端Transformer模型作为训练模型，使用正规出版的10亿字古籍语料进行训练。模型在验证集上的标点F1为86.5%，断句F1为95.1%。随后在未训练的语料中抽取19本书作为测试集，结果显示，模型对古典文言文语料预测结果较好；对专业性较强和白话文占比较多的语料则效度较低。

  • 2022-01-16
  • 阅读126
  • 下载0
  • 13页
  • docx

阿里智能人机交互的核心技术解析

“连接“本身不是目的，它只是为“交互”建立了通道。在人机交互（Human-Computer Interaction）中，人通过输入设备给机器输入相关信号，这些信号包括语音、文本、图像、触控等中的一种模态或多种模态，机器通过输出或显示设备给人提供相关反馈信号。“连接”为“交互”双方架起了桥梁。

  • 2022-01-16
  • 阅读112
  • 下载0
  • 18页
  • docx

腾讯基于预训练模型的文本内容理解实践

预训练已经成为自然语言处理任务的重要组成部分，为大量自然语言处理任务带来了显著提升。本文将围绕预训练模型，介绍相关技术在文本内容理解方面的应用。更具体的，本文会首先对已有的经典预训练工作进行回顾，帮助大家理解预训练模型以及不同模型之间的差异；然后介绍我们在训练算法、框架开发、上线推理方面进一步的探索，以及相关工作在业务上的应用。最后，对当前我们面临的挑战进行总结，并对未来工作进行展望。

  • 2022-01-16
  • 阅读119
  • 下载0
  • 29页
  • docx

自然语言处理在金融实时事件监测和财务快讯中的应用

疫情之下，全球金融市场进入大波动时代，各国金融调控政策、突发事件层出不穷，例如美联储无限量QE、欧央行7500亿复苏基金、中美关闭使领馆、阿塞拜疆和亚美尼亚爆发空战...如何24*7小时全天候自动、智能监控全球新闻事件，从而最快速地做出反应、最大可能地规避风险？

  • 2022-01-16
  • 阅读112
  • 下载0
  • 17页
  • docx

基于Seq2Seq的信息抽取方法在多轮对话场景的应用

本文主要介绍了基于Seq2Seq方法从双人语音对话文档中提取电话号码的实践方法，重点介绍了基于不同模型结构的Seq2Seq方法如LSTM、GRU、Transformer的效果对比情况，同时介绍了在Encoder层尝试的不同Embedding方式及其如何采用Attention、Beam Search等方法来提升模型效果。实践结果表明基于Seq2Seq的方法在多轮对话交互中提取电话号码实体的效果相比基于传统的NER方法在F1值提升约30%。

  • 2022-01-16
  • 阅读132
  • 下载0
  • 10页
  • docx

在PyTorch中使用LSTM进行新冠病例预测

时间序列数据，顾名思义是一种随时间变化的数据。例如，24 小时时间段内的温度，一个月内各种产品的价格，特定公司一年内的股票价格。长短期记忆网络（LSTM）等高级深度学习模型能够捕捉时间序列数据中的模式，因此可用于对数据的未来趋势进行预测。在本文中，我们将一起学习如何使用 LSTM 算法使用时间序列数据进行未来预测。

  • 2022-01-16
  • 阅读114
  • 下载0
  • 18页
  • docx