- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
Tacq - Rocq 的上下文感知战术推荐
Tacq - Rocq 的上下文感知战术推荐 Tacq - Context Aware Tactic Recommendation for Rocq https://hal.science/hal-05428141v1 2 Tacq：概述 图1展示了我们的战术推荐智能体 Tacq 的整体架构。 3 Rocq 上下文：依赖项与符号 本节介绍我们如何利用 Pétanque 环境从当前目标中提取依赖项和符号。图2展示了我们方法的示意图。 依赖项提供了关于用于定义目标的对象的重要上下文信息。 5.1 通用方法论 为评估上下文信息对战术预测的影响，我们在四种不同的提示配置下对每个 LLM 进行评估，这些配置提供不同程度的上下文： G：基线场景，仅提供当前目标。
8810编辑于 2026-03-11 - 来自专栏活动
推荐系统中的上下文感知技术
本文将详细介绍推荐系统中的上下文感知技术，并通过实例演示如何将其应用到实际的推荐系统中。 上下文感知推荐系统的发展 上下文感知推荐系统的发展经历了从静态推荐到动态推荐的演变。 2. 数据分析：分析历史数据以推断用户的兴趣、习惯和上下文。例如，通过行为模式识别用户的常用位置和活动。 3. 数据预处理：对上下文信息进行预处理，如归一化、编码等。 2. 特征转换：将预处理后的上下文信息转换为数值特征向量，例如使用独热编码、词嵌入等技术。 3. 数据整合：将上下文信息与用户、项目数据结合，形成三元组数据。例如：<用户ID, 上下文ID, 项目ID>。 2. 实例分析：上下文感知推荐系统的实现 在本节中，我们将通过一个实例，演示如何构建一个上下文感知推荐系统。
85101编辑于 2024-08-11 - 来自专栏自然语言处理(NLP)论文速递
SIGIR 2022 | FRNet：上下文感知的特征强化模块
例如实例 1：{female, white, computer, workday} 和实例 2：{female, red, lipstick, workday} 中，特征 “female” 在这两个实例中的重要性 另一方面，本文希望一个理想的特征细化模块应该识别重要的跨实例上下文信息，并学习不同上下文下显著不同的表示。 因此本文提出了一个模型无关的模块 Feature Refinement Network（FRNet）来学习上下文相关的特征表示，能够使得相同的特征在不同的实例中根据与共现特征的关系以及完整的上下文信息进行调整 主要贡献如下： 本文提出了一个名为 FRNet 的新模块，它是第一个通过将原始和互补的特征表示与比特级权值相结合来学习上下文感知特征表示的工作。 #2中学习了特征之间的关系，超过了 #1。#13 和 #3 学习了 contextual information，分别超过了 #4 和 #2。
63910编辑于 2022-12-06 - 来自专栏自然语言处理
CAG: 基于上下文感知的检索增强生成
核心内容 论文提出了一个名为**上下文感知门（Context Awareness Gate, CAG）**的架构来解决检索不相关信息的问题。 上下文感知门（CAG） 查询分类：CAG利用一个监督的大型语言模型（LLM）来分类查询，判断是否需要进行检索增强生成（RAG）或不依赖RAG的响应。 动态提示：CAG根据查询是否需要外部上下文来动态调整LLM的输入提示，从而在需要时使用RAG，而在不需要时则不使用，提高了输出质量。 2. 这个数据集用于评估上下文感知系统和RAG语义路由器的性能。 论文实验 论文中进行的实验旨在评估上下文感知门（Context Awareness Gate, CAG）架构的性能和效果。 **CRSB 数据集：**将CRSB作为本地数据集进行查询，以验证模型是否能够识别需要上下文检索的查询，并根据RAG步骤检索相关数据。 2.
51710编辑于 2024-11-29 - 来自专栏AI风云之路
机器学习(2)--感知机
对应于输出空间（特征空间）的点；输出y∈Y表示实例类别，由输入空间到输出空间的如下函数： ，称为感知机。 其中w和b是感知机的参数模型，w叫做权值(weight)，b叫做偏置(bias)。 sign是符号函数： 感知机是一种线性分类模型，属于判别模型。感知机有如下几何解释：线性方程 。对应于特征空间Rn中的一个超平面S，其中w是超平面的法向量，b是超平面的截距。 2.感知机的学习策略 假设训练数据集是线性可分的，感知机的目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面。 损失函数推导过程： ①任一点到超平面S的距离： 分母 是w的L2范数，指的是向量各元素的平方和然后求平方根（长度）。 ②对于误分类点 来说，有 。 因为 时， 。 3.感知机的学习算法 感知机学习问题转化为求解损失函数式的最优化问题，求参数w,b，使损失函数最小。 ,M为误分类点集合。
60000发布于 2021-02-22 - 来自专栏学院君的专栏
Go 视图模板篇（四）：上下文感知与 XSS 攻击
Go 模板引擎一个有趣的地方是显示内容可以根据上下文变化，该功能的一个常见用处就是在适当的地方对内容进行相应的转义。 上下文感知转义 下面看个示例，编写一段服务端处理器示例代码： package main import ( "html/template" "net/http" ) func contextExample 这就是 Go 视图模板的上下文感知特性，它可以根据指令的位置输出不同的内容： ? 排除 XSS 攻击 我们可以基于这个特性在 Go 视图模板中防止 XSS 攻击。 可以看到视图模板中显示的是对应的 HTML 实体代码，而不是执行这段 JavaScript 代码，这里就应用了上下文感知的功能自动对 JavaScript 代码进行转义，我们可以在浏览器开发者工具通过源代码看到转义后的 上下文感知支持 HTML、URL、JavaScript 以及 CSS 格式文本的转义。 不转义 HTML 有的时候，我们不希望对 HTML 代码进行转义，比如富文本就是这样的场景。
64220发布于 2020-08-27 Elastic 的 Discover 的演变：从 ESQL 到上下文感知
我们已经将 Discover 从一个高效但通用的数据探索工具，根本性地演变为一个能够适应你工作流程的上下文感知数据探索工具。 现在会自动在表中渲染 log.level，在文档查看器中提供自定义的日志概览，并为每一行添加级别指示器——这些都是我们在 Elasticsearch 和 Kibana 8.16: Kibana 变得更加上下文感知和节省时间与成本 中引入的新上下文体验的一部分。这意味着更少的设置时间和更多的洞察时间，并且今天为日志量身定制的视图，接下来将扩展到追踪、指标和警报。 上下文推荐查询： 不知道从哪里开始？ES|QL 编辑器现在提供上下文推荐查询，帮助你入门，降低新用户和现有用户的学习曲线。 你现在可以在单一视图中并行运行多个探索，在不同数据集和上下文体验之间无缝切换而不丢失位置。
19810编辑于 2025-10-27- 来自专栏深度学习自然语言处理
CLarET：实现上下文到事件相关感知的预训练模型
Transformer for Event-Centric Generation and Classification》也是这样的思路[1]，选择在 BART 上增加三个事件相关的预训练任务，意图增强语言模型的事件感知推理能力 因此，可以通过构造与上下文不相关的负例事件，和正确的事件一起提供给模型，增强模型学习正确的事件描述及其上下文的相关性的能力。 这里稍微讲一下 Multi-choice question answering（MCQA） 任务，MCQA 就是根据给定的问题，从候选答案中选择正确的答案[2]。 现有 MCQA 存在以下两种做法：1) Text-to-Text：通过BART或T5等生成预训练模型，将问题和各个候选项同时编码，让模型直接生成正确的答案；2) Encoder-Only：通过 BERT 应用于句子特征学习 苏州大学NLP团队文本生成&预训练方向招收研究生/博士生（含直博生） NIPS'22 | 重新审视区域视觉特征在基于知识的视觉问答中的作用 武汉大学提出：用于基于统一Aspect的情感分析的关系感知协作学习
1.1K20编辑于 2022-10-11 Alexa语音合成新突破：上下文感知的说话风格适配
在人类言语中，说话风格和韵律通常取决于上下文，为了使Alexa与用户的互动尽可能自然，对她而言也应是如此。例如，设想以下交流：用户：Alexa，播放Village People。 借助说话风格适配，Alexa将开始以同样的方式改变韵律模式，以适应对话上下文。 说话风格适配的模型之一会以感知上下文的方式生成替代措辞，这样Alexa就不会反复问同一个问题。在一轮对话中，她可能会说：“你指的是歌曲吗？”，在另一轮中，则可能是：“那我应该播放歌曲吗？”，依此类推。 因此，说话风格适配标志着向“概念到语音”方向迈出了一步，这是文本到语音技术的预想后继者，它以概念的高级表示为输入，并基于上下文和其他信号，在如何传达该概念方面拥有相当大的自由度。 然而，这仍然是第一天，我们正在试验利用其他上下文信息来进一步定制Alexa的回应。
17810编辑于 2025-12-30- 来自专栏ATYUN订阅号
Pinterest推出感知上下文的可视化搜索工具Complete the Look
Pinterest推出了Complete the Look，这是一款为家居装饰和时尚类别开发的视觉搜索工具，可为照片中的多件物品提供样式建议，如衬衫，连衣裙，鞋子或太阳镜。
1.1K30发布于 2019-06-21 OpenAI推出Codex Security：上下文感知的代码漏洞检测与修复
Codex Security 被定位为一个上下文感知系统，试图缩小这一差距。Codex Security 如何工作？ 第 2 步：发现并验证漏洞第二步是漏洞发现和验证。Codex Security 使用威胁模型作为上下文来搜索问题，并根据这些问题在该系统中可能的实际影响对发现进行分类。 第 3 步：利用系统上下文提出修复建议第三步是修复。Codex Security 利用完整的周围系统上下文提出修复建议，目标是生成既提高安全性又最小化回归问题的补丁。 从模式匹配到上下文感知审查的转变此工作流程反映了应用安全工具的更广泛转变。传统扫描器能有效发现已知类别的非安全模式，但它们通常难以区分理论上存在风险的代码和在特定部署中实际可利用的代码。 据称已有 14 个 CVE（公共漏洞披露）被分配，其中 2 个是双重复核。
22700编辑于 2026-03-10- 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
感知机 要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。 感知机是接受多个输入后将每个值与各自的权重相乘，最后输出总和的模型。 数据包含三个特征的感知机模型如下所示。 感知机是非常简单的模型，基本不会应用到实际的问题当中，但是它是神经网络和深度学习模型的基础模型。 图片 下表示收集到的六个训练数据。
63710编辑于 2022-11-08 深度测评 MonkeyCode 的「上下文感知」代码补全系统
尤其是它那套号称“上下文感知”的代码补全系统，真的让我有种“卧槽，这才是我想要的 AI 助手”的感觉。 ——它的“上下文感知”代码补全系统。 什么是“上下文感知”？简单来说，就是 AI 不仅仅根据你当前正在输入的那一行代码来提供建议，而是会综合考虑你整个项目、当前文件、甚至是函数内部的逻辑关系，来给出更加精准、贴合实际需求的代码片段。 最重要的是，由于它强大的上下文感知能力，我发现自己越来越少地需要手动去查阅文档或翻找之前的代码。大部分时候，MonkeyCode 都能在我需要的时候，及时提供准确的信息和建议。 其核心的“上下文感知”代码补全系统，确实解决了传统 AI 助手存在的诸多痛点，让代码生成变得更加精准和高效。
75510编辑于 2025-09-29- 来自专栏phodal
AI 智能体交互语言 DevIns：构建上下文感知的 AI 驱动编程
在 AutoDev 项目中，我们通过构建上下文感知与自定义能力，来实现对于软件开发任务的智能辅助，如自动测试生成与运行、UI 自动生成等。 你可以将你的需求描述成自然语言： 解释代码 /file:src/main/java/com/example/Controller.java 而后，AutoDev 将会结合上下文，并将其编译成对应的指令文本
46810编辑于 2024-03-25 - 来自专栏3D视觉从入门到精通
用于视觉定位的上下文感知线描述符（IEEE2021）
利用NLP作为线段描述符，可以处理各种可变长度的线段； 提出的线段描述符通过关注线段上更有意义的点来理解线段的上下文。 考虑到点嵌入的上下文，transformers将其归纳为线嵌入或线描述符。第二个组件通过与邻域共享线的位置上下文来增强线描述符。 图2 单应性估计和视觉定位的线匹配定性结果对比 图2显示了基于单应性估计的线匹配的定性结果。 （2）室外：在随机选择的序列影像中执行视觉位置识别，以筛选出具有3D线特征的对应参考图像。 图2中的定性结果也表明，Line-Transformers在成像变化（如模糊、视点和照明）方面表现强劲。 表2 视觉定位结果对比 但与单应性估计不同，利用PnP的基于点的方法优于所有基于线的方法。
73030编辑于 2023-04-29 - 来自专栏DeepHub IMBA
构建自己的AI编程助手：基于RAG的上下文感知实现方案
而代码助手需要专门为代码设计的上下文感知的RAG（Retrieval-Augmented Generation）管道，这是因为代码跟普通文本不一样，结构严格，而且不能随便按字符随便进行分割。 LanguageParser(language=Language.PYTHON, parser_threshold=500) ) documents = loader.load() # 2. 上下文构建 单纯把代码片段扔给GPT还不够。它可能看到User类的定义，却不知道main.py里怎么实例化它。缺的是全局视角。 它会告诉你："重构PaymentProcessor需要修改_make_request方法，根据上下文，AsyncAPI初始化时需要await关键字……" 代码地图：应对大型代码库 上面的方案对中小项目就已经够用了 Aider、Cursor这类工具采用的进阶技术叫Repo Map，也就是把整个代码库压缩成一棵树结构，塞进上下文窗口： src/ auth/ login.py:
26110编辑于 2026-01-22 - 来自专栏时空探索之旅
MoiraiAgent（摩伊拉特工）：Salesforce 上下文感知时间序列预测智能体框架
通过突破传统预测的边界，MoiraiAgent所提供的预测不仅以数据为驱动，还能感知背景并响应现实世界的情况。 图 2：MoiraiAgent 对输入的数值和上下文信息进行分析和理解。 像Chronos-2和Moirai-2这样的模型在GIFT-Eval基准测试中始终名列前茅，但它们并非万能的赢家。 这些结果确立了MoiraiAgent作为最先进的时间序列预测模型的地位（state-of-the-art time-series forecasting model），并且是在实践中朝着更具适应性、更具上下文感知的预测迈出的有力一步 图3：GIFT-Eval基准测试的预测误差表现，数值越小越好 上下文感知的时间序列预测（Context-aware time-series forecasting） 虽然传统的预测模型擅长从数值时间序列中提取模式 GIFT-CTX基准测试的结果证明，最准确的预测不仅仅是数据驱动的，还需要具备上下文感知能力。
29710编辑于 2026-03-10 - 来自专栏机器人课程与技术
ROS 2 感知节点的硬件加速
传统上，感知管道从图像预处理开始，然后是感兴趣区域检测器，然后是输出检测到的对象的分类器。ROS 2 提供了各种预构建的节点（Components更具体地说），可用于轻松构建感知管道。 之前的一篇文章介绍了硬件加速如何帮助加速 ROS 2 计算图（包括感知图）。 关于感知模块在 ROS 2 节点中对硬件加速进行基准测试 为了比较 ROS 2Nodes在 FPGA 和 GPU 加速器上的感知任务，我们选择 AMD 的 Kria KV260 FPGA 板和 NVIDIA 例如，为了Node使用Harris Corner Detector算法比较 ROS 2 感知，我们利用[2]和[3]分别用于FPGA和GPU比较。 跨感知 ROS 2 节点获得的结果表明FPGA 在机器人感知方面的性能优于 GPU，速度差异达 500 倍在流行的算法中，例如定向梯度直方图 (HOG)： 在测量功耗的同时，我们还观察到FPGA
1.1K40编辑于 2022-05-01 - 来自专栏人人都是极客
无人驾驶技术课——感知（2）
在感知部分的课程中，我们将首先介绍计算机视觉的基本应用领域；再进一步了解机器学习、神经网络和卷积神经网络的基础知识；随后我们将讨论感知模块在无人车中的具体任务；最后了解 Apollo 感知模块的体系结构和传感器融合的相关内容 卷积神经网络 卷积神经网络（CNN）是一种人工神经网络，它对感知问题特别有效。CNN 接受多维输入，包括定义大多数传感器数据的二维和三维形状。 欢迎在下方留言区热烈讨论~ 下节课我们将深入了解感知模块在无人车中的具体任务。 【转自Apollo阿波罗智能驾驶】
67720发布于 2018-12-25 - 来自专栏openclaw系列
OpenClaw源码详解之消息上下文智能解析模块：`reaction-message-id.ts`上下文感知机制深度剖析
虽然这个模块仅有寥寥数行代码，但它体现了OpenClaw对用户体验的极致追求和对上下文感知的深刻理解。 模块定位与核心价值在OpenClaw架构中的位置reaction-message-id.ts位于OpenClaw项目的工具参数处理层，是一个专门用于消息ID解析的上下文感知工具函数。 ，支持上下文感知返回类型：string|number|undefined，兼容Discord消息ID的不同表示形式上下文类型定义展开代码语言：TXTAI代码解释typeReactionToolContext 上下文感知机制详解上下文的来源toolContext?. ，易于集成最佳实践启示对于开发者而言，reaction-message-id.ts模块提供了以下最佳实践启示：1.小而美的工具函数专注于解决一个具体问题保持接口简单确保高内聚、低耦合2.上下文感知设计考虑用户的实际使用场景提供智能的默认行为允许用户覆盖默认行为
24310编辑于 2026-04-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号