- 综合排序
- 最热优先
- 最新优先
- 来自专栏朴素人工智能
表格问答2：模型
每个Database包含若干张表格（2-11张，平均4.1张），人工构建了表之间的链接操作（即foreign key）。 ——2020语言与智能技术竞赛：语义解析任务 说回正题，今天我们将介绍两个NL2SQL模型，X-SQL和HydraNet。它俩都来自微软，分别推出于2019年和2020年。 X-SQL跟它之前的方案比如SQlNET[2]、SQLOVA[3]都比较像，很有代表性；HydraNet对前人解决问题的大框架做了一些修改，变得更加简洁，也更符合预训练语言模型的使用习惯，应该会给大家一点启发 另外去年中文NL2SQL挑战赛的冠军队伍把他们的方案发了一篇IEEE论文[7]，大家也可以参考。下一期我们将介绍几个表格问答的落地应用，不要错过哦。 参考资料 [1] 2020语言与智能技术竞赛语义解析赛道: https://aistudio.baidu.com/aistudio/competition/detail/30?
1.4K20发布于 2020-04-20 - 来自专栏活动
智能问答：视觉问答系统在客户服务中的创新
对于智能问答系统的部署过程和创新应用，这里将展示详细的部署步骤，并结合实际示例和代码解释。智能问答系统的应用在客户服务中具有重要意义，可以提高服务效率和用户体验，下面是部署过程的详细说明：I. 项目介绍和发展智能问答系统是一种结合了自然语言处理（NLP）和计算机视觉（CV）技术的人工智能系统，能够理解和回答用户提出的问题，其中视觉问答系统则通过分析图像内容来回答问题。 在客户服务领域，智能问答系统可以用于自动化客户支持、提供实时帮助和解决问题，为用户提供更高效和个性化的服务体验。 视觉问答系统则结合了计算机视觉和自然语言处理，使得系统能够根据图像内容回答问题，逐渐成为智能客服和虚拟助手领域的研究热点。II. 智能问答系统部署过程1. 2. 数据收集与预处理图像数据集收集： 收集包含问题-图像对的数据集，例如VQA数据集（Visual Question Answering）。
95410编辑于 2024-04-28 - 来自专栏数据科学与人工智能
【问答】什么是人工智能？
人工智能（Artificial Intelligence, AI）: 人工智能（Artificial Intelligence, AI）亦称机器智能，是指由人制造出来的机器所表现出来的智能。 通常人工智能是指通过普通计算机程序的手段实现的类人智能技术。该词也指出研究这样的智能系统是否能够实现，以及如何实现的科学领域。同时如此，人类数量亦开始收敛。 一般教材中的定义领域是“智能主体（intelligent agent）的研究与设计”[1]，智能主体是指一个可以观察周遭环境并作出行动以达致目标的系统。 [2]约翰·麦卡锡于1955年的定义是[3]“制造智能机器的科学与工程。”[4] 人工智能的研究是高度技术性和专业的，各分支领域都是深入且各不相通的，因而涉及范围极广。 AI完成任务，与人类的处理能力相同，但达到具备思考能力的统合强人工智能还需要时间研究，比较流行的方法包括统计方法，计算智能和传统意义的AI。
1.3K70发布于 2018-03-27 - 来自专栏产品笔记
RAG智能问答评测工具调研
大语言模型在企业内部知识问答中可能会出现幻觉等问题， 检索增强生成（RAG）是减轻大语言模型幻觉的一种有效手段，那如何评估检索增强生成的结果是否准确？ RAG智能问答系统介绍： 如何基于向量数据库+LLM（大语言模型）打造企业专属Chatbot？ 因此对RAG目前可以使用的评测工具或方法进行调研，从业务角度出发选择合适的评估框架。 答案必须与整个问题描述相关才能得到 10 分； 与问题描述完全相关的答案应得到 9 或 10 分； 与问题描述大部分相关的答案应得到 5-8 分，分数越高表示相关性越强； 与问题描述部分相关的答案应得到 2、
1.3K10编辑于 2024-03-06 - 来自专栏腾讯云大数据
语言智能： 情感、知识与问答
此文为分享主题 “语言智能：情感、知识与问答“ 的PPT摘录版，内容做了少许修改，部分图片引自网络，欢迎交流 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
947130发布于 2018-05-09 - 来自专栏用户9703952的专栏
端到端的智能问答系统
一个完整的端到端智能问答系统应该包含哪些环节？ 一个完整的基于 LLM 的端到端问答系统，应该包括用户输入检验、问题分流、模型响应、回答质量评估、Prompt 迭代、回归测试，随着规模增大，围绕 Prompt 的版本管理、自动化测试和安全防护也是重要的话题 使用更智能的检索机制，而不仅是精确匹配，例如结合知识库的文本 Embedding 实现语义搜索。 问题1：（是或否） 问题2：（是或否） ... 问题N：（是或否） 在提出的问题数量中，有多少个问题在回答中得到了回应？ { "primary": "计费", "secondary": "取消订阅或升级" } 测试用例2. 怎样绑定银行卡？
70810编辑于 2025-02-06 - 来自专栏机器学习AI算法工程
智能问答：LSTM 句子相似度分析
使用句子中出现单词的Vector加权平均进行文本相似度分析虽然简单，但也有比较明显的缺点：没有考虑词序且词向量区别不明确。如下面两个句子：
1.6K20发布于 2019-10-28 - 来自专栏Soul Joy Hub
解读：【小爱同学】智能问答系统
基于检索匹配的问答 1.1 FAQ问答框架 1.2 检索 检索召回分为以下三种方式： term检索 实体检索 语义检索 1.2.1 语义检索 学习得到每个doc的语义向量： 为每一个问题计算句子的语义向量 • 正样本： 找到Q1’，与Q1相似度 > 0.7 找到Q2’，与Q2相似度 > 0.7 增强结果，得到正样本：Q1’、Q2’ • 负样本： 找到Q1’，与Q1相似度 < 0.3 找到Q2’， 与Q2相似度 < 0.3 增强结果，得到负样本：Q1’、Q2’ 更多的特征 匹配模型可能会出现语义焦点，如下2对话： “圆柱体的体积怎么算”- “圆柱体的面积怎么算” “为什么宝宝总不听话”- “ 基于知识图谱的问答 2.1 基于模板的方法 2.1.1 模板挖掘方法 作者基于结构化词条、问答论坛的数据，来进行模板挖掘的。如上图所示，结构化词条就可以看做是一个知识图谱。 当问答论坛数据中，问题包含实体，答案包含属性值，就可以以此构造解析模板。如： 2.1.2 带约束的问答 上述挖掘的都是比较简单的模型。作者还构建了带约束的问答模板。如“世界之最”的问题。
1.7K21编辑于 2022-05-10 - 来自专栏自然语言处理
STI比赛任务一：【智能问答baseline】
比赛简介 百度搜索首届技术创新挑战赛：赛道一 答案抽取 STI比赛任务一：【比赛数据分析与长尾发现】 STI比赛任务一：【NLP常见优化算法和上分Trick】 STI比赛任务一：【智能问答baseline 答案answer：[渝北区幅员面积1452平方公里, 2、渝北区面积: 全区幅员面积1452平方公里。] 对于不包含答案的文档，其答案可看做一个特殊token【无答案】，若模型预测出答案，其F1为0，若模型预测【无答案】，其F1 智能问答Ernie3.0基线 项目地址：https://aistudio.baidu.com imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)] # 训练过程中的最大学习率 learning_rate = 3e-5 # 训练轮次 epochs sub_data,columns=['prob','text']) sub['text']=sub['text'].apply(lambda x:"NoAnswer" if len(x.strip())<2
41020编辑于 2023-08-25 - 来自专栏Tencent Serverless 官方专栏
SCF：搭建智能客服问答机器人
今天本文，就通过简单的方法，在SCF上部署一个问答机器人/智能客服，来为各位有需求的小伙伴，解决实际问题，当然，这篇文章也算是抛砖引玉。 准备阶段 首先，我们要有一个数据库，存储我们的问答系统，我这里在腾讯云购买一个云数据库（MySQL），并建立表和字段等信息： image.png 并且插入几个问题： image.png 然后，通过本地编写代码 (connection) connection.close() 使用gensim库，利用TFIDF算法来进行文本相似度计算，jieba进行分词，整理为指定格式->gensim库将要对比的文档通过doc2bow (jieba.cut(sentence)) corpus=[dictionary.doc2bow(text)for text in texts] tfidf=models.TfidfModel 总结 本文是通过一个简单的算法，实现了简单的问答机器人工具。
2.8K124发布于 2019-06-27 - 来自专栏机器学习AI算法工程
基于知识图谱的智能问答方案
2 知识抽取 2.1 结构化数据处理 普遍采用D2R技术把关系型数据库中的数据转换为RDF数据（linked data），D2R主要包括D2R Server，D2RQ Engine，D2RRQ Mapping 基于知识图谱的相关应用大致可以分为搜索、问答、决策、推荐等几种常见的类别，本文主要就年初规划的xx智能问答建设方案，介绍一下基于知识图谱的智能问答，主要分为如下几个方面： 1、人机对话体系结构 2、问答产品知识结构 3、典型的智能问答产品 4、智能问答的关键技术 5、基于知识图谱的智能问答 1、人机对话体系结构 ? 2、问答产品知识结构 问答类产品的主要目标是输入问题，获得答案。从问题的类型上可以分为事实类/非事实类，不同类型的处理方式以及技术难度都存在一定差异。 4、智能问答的关键技术 智能问答系统的能力需求 ? 根据AI应用能力框架，对于智能问答系统的能力需求，可以分为基础能力、业务积累以及智能技术三部分。
5.4K32发布于 2020-07-14 - 来自专栏机器学习入门与实战
平安人寿智能团队：智能问答系统的探索与实践
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
1.5K41发布于 2019-11-20 - 来自专栏智能制造预测性维护与大数据应用
IAS现场展示问答精选Day2
解答：故障识别是根据机械的故障模型用MCM的数学分析进行实现，例如对于主轴平行不对中的故障，会体现为径向振动2倍频明显增高；而通过MCM的FFT运算模块可以轻易计算出径向加速度传感器的频域特性，从而进行故障的自动诊断 问题2、明星产品MIC-3106是如何展示的？ 问题1、明星产品USB-4716RS，AMAX-4830是如何展示的？
52620编辑于 2022-05-31 - 来自专栏《活动征集》
智能问答系统的创新与优化：大模型引擎如何彻底改变问答世界？
大家熟悉的智能助理像Siri、Google Assistant，或者企业客服机器人，正是智能问答系统的一部分。 一、智能问答系统的基本框架与发展历程智能问答系统的发展其实并不复杂，但它的演变历程却充满了惊喜。 二、大模型在智能问答系统中的优势那么，为什么大模型在问答系统中表现得如此卓越？它究竟是如何突破传统问答系统的限制，带来革命性变化的呢？让我们一探究竟。 四、不同领域的定制化问答系统设计根据不同应用场景的需求，智能问答系统的设计也需要进行定制化。让我们看看在企业客服和智能助理领域，基于大模型的问答系统是如何为不同行业提供解决方案的。 然而，随着技术的不断进步，我们可以预见，智能问答系统将更加智能化，能够处理更加复杂的问题、理解更加细致的语境，并提供更加个性化的服务。
85021编辑于 2025-03-06 - 来自专栏达观数据
技术干货 | 达观数据智能问答技术研究
在AlphaGo大胜李世石、柯洁之后，人工智能越来越火，智能问答也是其中必不可少的一环。 智能问答一般用于解决企业客服、智能资讯等应用场景，实现的方式多种多样，包括简单的规则实现，也可以基于检索实现，还可以通过encoder-decoder框架生成，本文通过几种常见的问答技术，概要介绍了达观数据智能问答相关原理研究 2 基于检索的智能问答 基于检索的智能问答很像一个搜索引擎，但又和搜索引擎不同。相比搜索引擎而言，智能问答更侧重于用户意图和语义的理解。 3 基于产生式的智能问答 基于产生式的智能问答系统，主要是通过seq2seq的方式，通过一个翻译模型的方式进行智能回答，其中问题是翻译模型的原语言，答案是翻译模型的目标语言。 4 小结 本文介绍了智能问答技术的相关原理，讲述了实现智能问答的一般方法。借助于深度学习技术，智能问答效果比传统机器学习提升20%左右。
1.5K110发布于 2018-03-30 - 来自专栏黄成甲
驾驭未来：知识图谱与工业智能问答
4.知识图谱与智能问答知识图谱与智能问答其实是两个相关的概念，它们都在人工智能领域中扮演着重要的角色。知识图谱是以图形结构表示的知识库，它包含了实体、属性和实体之间的关系。 在智能问答系统的整体基础框架中，包括预处理模块、问句分析、知识检索和答案生成等部分。 基于知识图谱的智能问答系统（KBQA）是一种常见的技术路线，它利用知识图谱中的数据进行问题的解析和查询，从而得到准确的答案。知识图谱与智能问答系统的结合可以提高问答系统的准确性和效率。 通过利用知识图谱中的丰富知识和关系，智能问答系统能够更好地理解用户的问题，并给出更准确的答案。同时，知识图谱也可以为智能问答系统提供更多的背景知识和上下文信息，从而提升系统的智能化水平。 2.
1.8K92编辑于 2023-11-10 KoalaQA —— AI 驱动企业智能问答与知识社区
项目简介 KoalaQA 是一款 AI 大模型驱动的开源智能售后服务产品，提供 AI 客服、AI 洞察、AI 搜索、AI 运营等能力，帮助你快速搭建企业内外部问答平台、开发者社区、用户服务社区，帮助团队显著降低人工运营成本 ⚖️ 2. 开源协议 采用AGPL-3.0协议。 3. • AI 知识库智能进化：自动生成问答对智能学习，自动优化回答，智能洞察知识缺口进行补充，实现持续进化的智能响应体系。 • 多板块与权限管理：为不同团队与业务打造独立板块，自由配置访问与可见范围。 适用场景 • 企业产品售后智能客服社区； • 开发者技术支持与 FAQ 平台； • 企业内部知识库与新员工自助问答； • 团队共享文档、高频问题自动应答； • 替代传统论坛、工单系统，降低人力成本。 总结 KoalaQA 以 AI + 社区 + 自动知识进化 为核心，轻量化、私有化、易部署，帮企业用最低成本搭建 7×24 小时智能问答平台，是技术团队、客服部门、运营团队的高效协作神器。
11210编辑于 2026-06-01- 来自专栏铭毅天下
运用 Elasticsearch 8.1.x 实现智能问答系统
序言 图示：一个简单的智能问答系统。 在当前业务系统中，是否感受到越来越多的智能化个性业务诉求，做一个智能化的商品搜索，用于检索商品的相似性；做一个图片搜索，检索相似的图片；做一个语音搜索，检索相似度极高的音频，这种智能化的需求越来越多。 dense_vector 2019年4月，Elasticsearch发布了7.0版本，带来了很多新特性，其中增加了新的字段类型dense_vector，向量字段类型为智能搜索提供了最关键的基石，可广泛应用于文本相似度搜索 3, "index": true, "similarity": "dot_product" } } } } knn-search 2022年2月
1.5K30编辑于 2022-05-23 智能 CAD 图检系统实操功能问答
问：这款智能 CAD 图检系统，核心解决工业场景中的什么问题？ 答：操作流程并不复杂，落地门槛低，无需专业的操作培训，仅需四个基础步骤就能完成全流程，从批量上传图纸库建索引，到 AI 学习特征，再到上传待匹配的图纸 / 图片，最后系统完成智能匹配，贴合日常工作节奏。 问：除了核心的智能匹配，系统还有哪些配套管理功能？ 问：哪些类型的企业，更适合使用这款智能 CAD 图检系统？
29310编辑于 2026-03-18- 来自专栏灵墨AI探索室
探索人工智能的世界：构建智能问答系统之环境篇
官方下载地址：https://code.visualstudio.com/Download ps：首先，我本想尝试使用cursor进行开发，因为它具备智能AI编程功能，可以提高效率。
76820编辑于 2024-01-28
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