基于查询引导的上下文压缩方法和装置

    公开(公告)号:CN119669398A

    公开(公告)日:2025-03-21

    申请号:CN202411658765.4

    申请日:2024-11-20

    Abstract: 本发明提供了一种基于查询引导的上下文压缩方法,包括:将查询信息和待压缩的上下文填入对话模板;分别计算所述对话模板的所述上下文中若干词元的第一注意力数值;根据所述若干词元对应的所述第一注意力数值将所述上下文进行注意力重构;将注意力重构后的所述上下文压缩到预定的目标压缩率之内。本发明还提供一种基于查询引导的上下文压缩系统、存储介质及电子设备。借此,本发明能够更高效地保留关键信息,将更短的上下文输入给生成模型,提高长上下文推理场景下生成模型的推理效率,降低推理成本。

    基于多模态模型CLIP的隐空间净化的图像分类方法及装置

    公开(公告)号:CN119418123A

    公开(公告)日:2025-02-11

    申请号:CN202411558624.5

    申请日:2024-11-04

    Abstract: 本发明提出一种基于多模态模型CLIP的隐空间净化的图像分类方法和装置,包括:将待分类图片输入图文多模态对比预训练模型的图像编码器,得到待分类图片在隐空间上的表示向量;使用图文多模态对比预训练模型的文本编码器,得到空类别文本所表示的空类别文本嵌入向量;计算表示向量和空类别文本嵌入向量的概率似然值;提取表示向量的向量长度与方向矢量,计算似然概率值对方向矢量的梯度,采用梯度上升方法对方向矢量进行更新同时保持向量长度不变,得到净化向量;通过选择与最终净化向量相似度最高的类别文本嵌入向量,将类别文本嵌入向量对应的图像类别作为类别文本嵌入向量的分类结果。

    一种面向大模型的数据溯源方法及其系统

    公开(公告)号:CN119358670A

    公开(公告)日:2025-01-24

    申请号:CN202411351041.5

    申请日:2024-09-26

    Abstract: 本申请公开了一种面向大模型的数据溯源方法,方法包括:构建待输入大模型的测试样本集合;对于测试数据集合,采用去偏修正方法,计算每个训练样本和测试样本在训练后模型和训练前模型上的去偏影响分数;根据在训练后模型和训练前模型上的去偏影响分数进行去偏计算,获取每条训练数据的最终影响分数,根据最终影响分数,实现数据的溯源分析。本发明在去偏修正方法的基础上还包括了去噪修正方法。本发明实现的影响分数方法能够更有效地评估训练数据溯源方法的准确性和可靠性。

    一种同质关系大图的摘要提取方法及系统

    公开(公告)号:CN113139098B

    公开(公告)日:2023-12-12

    申请号:CN202110308958.7

    申请日:2021-03-23

    Abstract: 本发明提出一种同质关系大图的摘要提取方法及系统,包括:获取待摘要提取的关系图数据作为当前图数据,且该关系图数据为同质关系大图,并将该当前图数据中每个节点均看作超点;根据该当前图数据的邻接矩阵,通过局部敏感哈希对该当前图数据中节点进行分组;从组中随机选择多个超点对,分别计算该超点对若合并后和该关系图数据之间的差距,选择差距最小的超点对进行合并,得到重构图数据;输出该重构图数据作为摘要提取结果。

    角色感知的篇章主题事件论元抽取方法、装置

    公开(公告)号:CN117194672A

    公开(公告)日:2023-12-08

    申请号:CN202310896725.2

    申请日:2023-07-20

    Abstract: 本发明提出一种角色感知的篇章主题事件论元抽取方法、装置,方法包括:根据已知篇章主题事件的事件类型获得该事件类型的篇章主题事件的论元角色信息;对目标文章分别进行分句、提取标题,得到分句集合、事件标题,所述论元角色信息、事件类型、以及事件标题构成事件相关信息;利用所述事件相关信息、以及分句集合构建论元角色感知图,进行事件相关句检测,得到篇章主题事件相关句子集合;将所述篇章主题事件相关句子集合作为输入,对每个论元角色构建问题,预测出所述篇章主题事件相关句子集合中的所有候选论元,从所述候选论元中筛选出目标论元。该方法提升了模型效果的同时保持了模型的灵活性。

    一种目标检测模型对抗训练方法、目标检测方法及系统

    公开(公告)号:CN116580265A

    公开(公告)日:2023-08-11

    申请号:CN202310604430.3

    申请日:2023-05-26

    Abstract: 本发明提供一种目标检测模型对抗训练方法,所述方法包括:S1、获取目标图像数据集和初始对抗图案,所述目标图像数据集包括多个图像样本,且每个图像样本中设置有目标边界框标注;S2、对初始对抗图案进行分形变换以获得目标对抗图案;S3、将步骤S2得到的目标对抗图案注入所述目标图像数据集中每一图像样本的目标边界框内得到对抗训练集,并采用对抗训练集训练目标检测模型至收敛。本发明引入了引入分形变换损失对对抗图案进行迭代更新,使得生成的对抗图案具有一定的自相似性,采用具有自相似性的对抗图案对目标检测模型进行对抗训练,能够提升目标检测模型的鲁棒性,使得模型具有较强的对抗能力。

    一种基于依存分析和指代消解的实体言论抽取方法

    公开(公告)号:CN116341551A

    公开(公告)日:2023-06-27

    申请号:CN202310320934.2

    申请日:2023-03-29

    Abstract: 本发明实施例提供一种基于依存分析和指代消解的实体言论抽取方法,包括:步骤S1、基于依存分析规则对待测文本进行解析得到依存分析结果,从依存分析结果中得到待测文本中的主语和谓语;步骤S2、识别待测文本中的主语是否为实体,以及识别待测文本中的谓语是否为触发词;步骤S3、在待测文本中的主语为实体且对应谓语为触发词时,提取待测文本中的触发词之后的言论,以得到包含主语、触发词和言论的实体言论,其中,当主语为指代词时,采用指代消解方式从指代词的前文中提取指代词所指代的真实实体名称作为所述实体言论中的主语。本发明实施例通过提取文本中真正的言论以及该言论对应的真实实体,使用户清楚快速地掌握各方的言论、观点和立场。

Patent Agency Ranking