- 综合排序
- 最热优先
- 最新优先
- 来自专栏Y-StarryDreamer
自然语言生成中的应用：从原理到实践
NLP中的艺术：自然语言生成的深入探讨自然语言生成（NLG）是自然语言处理（NLP）领域中的一个引人注目的分支，它旨在使用计算机系统生成类似人类语言的文本。 本文将深入探讨NLG的背景、应用、技术和未来发展方向，为读者提供对这一领域的全面了解。1. 背景与概述自然语言生成是一项复杂的任务，它要求计算机系统能够理解语境、掌握语法规则，并生成通顺、自然的文本。 它不仅可以用于自动化报告生成、智能助手，还在创意写作、广告创意等领域展现了巨大的潜力。2. NLG的应用领域2.1 自动化报告生成在商业和科学领域，NLG被广泛用于生成报告和分析。 最近出现的Transformer模型进一步提升了自然语言生成的性能。4. 实践：使用GPT-3进行文本生成在本实践部分，我们将详细介绍如何使用OpenAI的GPT-3进行文本生成。 对话型NLG的进一步研究： 在对话型生成方面的研究将成为未来的重点，以实现更自然、智能的对话。6. 结语自然语言生成作为NLP领域的重要分支，在不断挑战着计算机理解和生成自然语言的极限。
1.2K00编辑于 2023-11-15 腾讯地图Skills：AI驱动的自然语言地图应用生成工具
用户无需手动编码，仅需通过自然语言交互即可自动生成地图应用、可视化页面或规划链接。 特定场景下的应用： 周边搜索：用户快速定位附近POI（Point of Interest），无需编码即可实现精准查询。 旅游规划：以自然语言生成旅游路线与行程，减少规划工具的开发依赖性。 三、应用框架和功能介绍 功能框架：undefined产品架构基于AI技能封装机制，将腾讯地图API转化为自然语言交互接口。 核心功能包括： 地图应用生成（开箱即用） 可视化页面构建 规划链接自动创建 硬核指标： 支持的协议与平台：全面适配OpenClaw、WorkBuddy等AI开发平台（来源：原文腾讯地图 产品优势：undefined原文提取全部优势点，确保完整性（来源：原文腾讯地图Skills描述）： 开箱即用：用户自然语言指令直接生成应用，无需额外配置。
25310编辑于 2026-04-01- 来自专栏JavaPark
自然语言处理 NLP（4）
因此可以才用动态规划的方法进行解析； 依存关系与依存文法： 依存文法：关注词与其他词之间的关系； 依存关系：中心词与其他从属直接的二元非对称关系； 当前的一些语法困境 语言数据与无限可能性； 句子构造； 句子歧义问题； 自然语言理解
65310编辑于 2022-06-15 - 来自专栏新智元
生成式对抗网络GAN在语音自然语言处理中的应用|
生成对抗网络（GAN）是训练模型的新思想，生成器和鉴别器相互对抗以提高生成质量。最近，GAN在图像生成方面取得了惊人的成果，并在此基础上迸发了大量新的思想，技术和应用。 在第二部分中，我们将重点介绍GAN在语音信号处理中的应用，包括语音增强，语音转换，语音合成，以及域对抗训练在说话人识别和唇读等方面的应用。 目录 GAN的基本思想及一些基础的理论知识 - GAN的三种类别 - GAN的基本理论 - 一些有用的技巧 - 如何评估GAN - 与强化学习的关系 GAN在语音方面的应用 - 语音信号生成 - 语音信号识别 - 结论 GAN在自然语言处理方面的应用 - GAN序列生成 - 无监督条件序列生成 原文链接： https://interspeech2019 ，声音生成图片，图片生成标签等应用 无监督条件GAN生成有两种方法： Cycle-GAN 共享一个隐空间
4.5K20发布于 2019-09-25 - 来自专栏腾讯技术工程官方号的专栏
从研究到应用：腾讯AI Lab的自然语言理解和生成
3月16日在腾讯AILab第二届学术论坛上，腾讯AI Lab高级研究员李菁博士介绍了实验室目前在NLP方面重点关注的两大方向——如何理解和生成自然语言，并介绍了实验室的相关研究和应用成果。 自然语言的生成：让AI写春联 自然语言的生成技术关注的是如何让机器能够像人一样进行写作，这就赋予了机器的创作能力。 接下来李菁以对联生成为例，介绍了AI Lab在自然语言生成方面的应用。 ? 用户只需输入2-4个汉字，系统就会取后面2个汉字，第一个汉字生成上联，第二个汉字生成下联，比如输入“腾讯”就会生成如图 2中所示的对联。 李菁谈到，这个产品自问世以来就受到了大众的广泛欢迎，数据显示有超过380万的用户使用了该产品，页面访问量达到了760万，春联生成次数超过4千万次，人均生成10次春联。
7.5K110发布于 2018-04-23 - 来自专栏自然语言处理(NLP)论文速递
「自然语言处理(NLP)」自然语言生成（NLG）资料整理
引言 自然语言生成（NLG）作为自然语言处理的一个子方向，主要目的是降低人类和机器之间的沟通鸿沟，将非语言格式的数据转换成人类可以理解的语言格式。 现在也受到广大研究学者的重视，今天ShuYini给大家整理了一下自然语言生成的相关资料供大家参考。 本文概要 1 什么是自然语言生成及学术研究介绍？ 自然语言生成(NLG)是一种语言技术，其主要目的是构建能够“写”的软件系统的技术，即能够用汉语、英语等其他人类语言生成解释、摘要、叙述等。 、立场与幽默分析；4）其他：兴趣技术探索。 万小军博客地址：https://wanxiaojun.github.io/ 3 干货学习资源 文本生成资源大列表 文本生成资源大列表,该资源主要整理列举了2018年EMNLP的优秀文本生成模型及应用案例
2.6K31发布于 2020-01-02 - 来自专栏小詹同学
自然语言生成的演变史
自然语言理解（NLU）和自然语言生成（NLG）是人工智能发展最快的应用之一，因为人们越来越需要理解和从语言中获得意义，其中含有大量含糊不清的结构。 根据Gartner的说法，“到2019年，自然语言生成将成为90％的现代BI和分析平台的标准功能”。 在这篇文章中，我们将讨论NLG成立初期的简短历史，以及它在未来几年的发展方向。 作者：Abhishek Sunnak 什么是自然语言生成 语言生成的目标是通过预测句子中的下一个单词来传达信息。 可以通过使用语言模型来解决。语言模型是对词序列的概率分布。 LSTM由4个部分组成：单元，输入门，输出门和忘记门。 这些允许RNN通过调节单元的信息流来记住或忘记任意时间间隔的单词。 考虑以下句子作为模型的输入：“我来自西班牙。我精通____。 然而，作为一个社会，我们需要谨慎对待生成模型的应用，因为它们为生成假新闻，虚假评论和在线冒充人们开辟了多种可能性。
1K30发布于 2019-11-13 - 来自专栏自然语言处理(NLP)论文速递
「自然语言处理(NLP)」自然语言生成(NLG)论文速递（二）
周一注定是忙碌的一天，地铁人逐渐增多，提醒大家做好防护别懈怠，晚安~~ 引言 下面是作者整理的自然语言生成(NLG)论文速递系列的第二篇，该篇主要看点有：摘要生成、文本生成，标题生成，手写生成 Bi-BloSAN将整个序列分割为块，并对每个块应用一个块内SAN来建模本地上下文，然后对所有块的输出应用一个块间SAN来捕获远程依赖关系。 ? ? ? 4、TILE: An Actor-Critic Algorithm for Sequence Prediction【MT、标题生成、会话模型】 Author: Dzmitry Bahdanau, Philemon 当前的对数似然训练方法受到训练模式和测试模式之间差异的限制，因为模型生成必须基于其先前猜测的标记，而不是基于真实标记。 我们在各种序列建模任务(包括字符级语言建模、手写生成和神经机器翻译)上获得最新的结果。 ? ? ? ?
1.3K20发布于 2020-03-12 - 来自专栏学习
了解AIGC——自然语言处理与生成
这一能力广泛应用于文本创作、对话系统、语言翻译、内容推荐等场景。本文将深入探讨自然语言处理与生成的核心技术、关键模型，以及如何通过代码实现一些重要功能。 1. 自然语言处理与生成的背景 自然语言处理（NLP）是人工智能的重要分支，旨在让机器理解和生成自然语言。 自然语言生成的关键模型 在自然语言生成中，预训练模型（如 GPT-2、GPT-3、BERT）具有突出的效果。 GPT-2 在对话、故事生成等任务中表现出了极高的流畅性和创造力。 4. 自然语言生成的应用场景 4.1 文本摘要 自动文本摘要可以从长篇文档中提取关键信息，生成简洁的摘要。 自然语言生成在文本摘要、对话系统和机器翻译等方面的应用越来越广泛，但也面临着数据隐私、模型偏见和高计算成本等挑战。未来，NLP 和 NLG 的研究将继续朝着更高效、更公平、更安全的方向发展。
57310编辑于 2024-11-21 - 来自专栏腾讯高校合作
Wiztalk | 殷俊 Part 4《游戏AI的应用—内容生成》
AI技术在游戏研发中的应用 Part 4 游戏AI的应用—内容生成 简介：游戏AI除了应用在智能角色控制，还有另一大看点就是游戏内容生成。 殷老师通过超级玛丽的关卡、斗地主中的残局的生成等多个例子，向大家展示游戏AI的创造力。 内容难度：★☆☆（高中/大学及以上非计算机专业学生均可以学习） ?
59220发布于 2020-12-10 - 来自专栏智能算法
应用 | CNN在自然语言处理中的应用
最近我们开始在自然语言处理（Natural Language Processing）领域应用CNNs，并取得了一些引人注目的成果。我将在本文中归纳什么是CNNs，怎样将它们应用于NLP。 这样，就由六个字典生成了一串单变量特征向量（univariate feature vector），然后这六个特征拼接形成一个特征向量，传给网络的倒数第二层。 卷积神经网络在自然语言处理的应用 我们接下来看看卷积神经网络模型在自然语言处理领域的实际应用。我试图去概括一些研究成果。 卷积神经网络用来语句分类 文献[4]从原始数据训练CNN模型，不需要预训练得到word2vec或GloVe等词向量表征。它直接对one-hot向量进行卷积运算。 In COLING-2014 (pp. 69–78). [4] Johnson, R., & Zhang, T. (2015).
2.1K20发布于 2019-07-12 - 来自专栏产品经理的人工智能学习库
自然语言生成 – Natural-language generation | NLG
NLG 的3种典型应用 NLG 的不管如何应用，大部分都是下面的3种目的： 能够大规模的产生个性化内容 帮助人类洞察数据，让数据更容易理解 加速内容生产 下面给大家列一些比较典型的应用： ? ，让数据更容易理解 加速内容生产 NLG 的3个典型应用： 自动写新闻 聊天机器人 BI 的解读和报告生成 百度百科版本+维基百科 百度百科版本 自然语言生成是研究使计算机具有人一样的表达和写作的功能。 即能够根据一些关键信息及其在机器内部的表达形式，经过一个规划过程，来自动生成一段高质量的自然语言文本。 自然语言处理包括自然语言理解和自然语言生成。 自然语言生成是人工智能和计算语言学的分支,相应的语言生成系统是基于语言信息处理的计算机模型,其工作过程与自然语言分析相反,是从抽象的概念层次开始,通过选择并执行一定的语义和语法规则来生成文本。 查看详情 维基百科版本 自然语言生成（NLG）是语言技术的一个方面，侧重于从结构化数据或结构化表示（如知识库或逻辑形式）生成自然语言。
2.4K40发布于 2019-12-18 - 来自专栏pandas
Pandas数据应用：自然语言处理
引言在当今数字化时代，自然语言处理（NLP）作为人工智能领域的一个重要分支，正在变得越来越重要。它使计算机能够理解、解释和生成人类语言。Pandas是一个强大的Python库，主要用于数据分析和操作。 本文将由浅入深介绍Pandas在自然语言处理中的常见问题、常见报错及如何避免或解决，并通过代码案例进行解释。数据准备首先，我们需要准备好用于NLP的数据集。 # 去除标点符号 text = re.sub(r'[^\w\s]', '', text) # 转换为小写 text = text.lower() return text# 应用清理函数到文本列 # 安全访问列column = df.get('nonexistent_column', default_value)总结通过本文的介绍，我们了解了Pandas在自然语言处理中的基本应用，包括文本预处理 希望这些内容能够帮助你在实际项目中更好地应用Pandas进行自然语言处理。
82710编辑于 2025-01-11 - 来自专栏深度学习自然语言处理
自然语言生成中的解码方法汇总
分享作者：杨丁一 来自：金琴（知乎） 原文链接：https://zhuanlan.zhihu.com/p/688442704 本文为大家分享自然语言生成中的解码方法，主要包括两部分：自回归生成中常用的解码方法 自回归生成中常用的解码方法 在生成文本序列时，由于全局搜索整个序列所需的计算成本极高，我们通常使用自回归生成（autoregressive generation），即逐个生成token，如下图所示。 在选择k值时，较大的值会使生成的内容更具多样性，但可能会生成不合理的内容；较小的值则使生成的内容多样性较低，但质量更有保证。我们可以根据任务的不同选择合适的k值。 Repetition Penalty 在文本生成中，重复性高是一个常见问题。一个常用的解决方法是降低已生成词的概率，即在Softmax函数中对已生成的词额外除以一个θ。 Efficiency in Large Language Model Inference: A Comprehensive Survey of Speculative Decoding”. 2024 [4]
63510编辑于 2024-04-11 - 来自专栏全栈程序员必看
java 生成xml dom4j_Java生成xml——DOM4J生成
一、四种方式的总结 【DOM】 DOM方式生成xml是基于DOM树的结构，整个DOM树会存在内存中，所以使用DOM方式可以频繁的修改xml的内容，但是因为DOM树是存在内存中的，所以对内存消耗较大。 【SAX】 SAX方式生成xml是逐步写 一、DOM4J生成实例 Dom4JToXmlDemo.java public class Dom4JToXmlDemo { public static void root = document.addElement(“bookstore”); //3、为根节点添加子节点book Element book = root.addElement(“book”); //4、 FileNotFoundException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } } } 一、JDOM生成实例 Element root = new Element(“bookstore”);//2、创建Document对象，将根节点写入对象中Document document = new Do 运行结果： 输出dom4jToxml.xml
1.3K20编辑于 2022-09-15 腾讯地图Skills：基于自然语言的零代码智能地图应用生成方案
一、 产品定位与核心亮点 腾讯地图Skills 是一款将复杂的地图API与开发规范封装为AI技能的智能应用生成工具。 核心技术属性：基于自然语言解析，直接映射并调用底层地图组件构建应用。 商业差异化卖点：全面适配OpenClaw、WorkBuddy等主流AI开发平台，用户仅需通过自然语言描述需求，即可实现零代码且开箱即用的专属地图应用快速生成。 三、 应用框架和功能介绍 功能框架：作为模块化技能无缝接入主流AI平台，将复杂的底层地图API封装黑盒化，通过解析用户的自然语言指令，智能输出相应的地图组件或独立页面。 产品优势： 开箱即用：通过输入自然语言指令，系统即可自动生成地图应用、可视化页面或规划链接。 解决方案：无需编写渲染代码，通过需求描述自动生成空间地理数据可视化页面。 4、多人出行 背景：群体出行场景下缺乏便捷的位置同步与路线共享工具。
31410编辑于 2026-03-23- 来自专栏一点人工一点智能
多模态应用之自然语言处理
我们分析了最近两年在自然语言处理领域国际学术会议上（ACL、EMNLP、NAACL）发表的多模态信息处理的论文，并从应用的角度对论文进行了分类。关注度较高的多模态应用如图1所示。 02 视觉-语言生成视觉（图像或视频）到语言的生成和语言到视觉（图像或视频）的生成打破了计算机视觉和自然语言处理两个领域的边界，成为多模态交叉学科中最热门的研究课题。 2021年初，OpenAI推出的基于GPT-3的语言到视觉的生成模型DALL-E①可以根据自然语言的描述生成逼真的图像，产生了较大的反响。本节主要介绍视觉到语言生成的相关应用。 2.1 图像描述图像描述（Image Captioning）是对给定的一幅自然图像生成一句自然语言描述的任务。2015年以前，图像描述的主流方法是基于模板的方法。 每场会议持续30分钟，包含4名参与者和约300字的文本摘要。
2.1K50编辑于 2022-12-30 - 来自专栏磐创AI技术团队的专栏
自然语言处理十大应用
每个人都在努力了解自然语言处理及其应用，并以此为生。 ❝你知道为什么吗？ ❞ ? 因为仅仅在短短几年的时间里，自然语言处理已经发展成为一种无人能想象的强大而有影响力的东西。 为了了解自然语言处理的力量及其对我们生活的影响，我们需要看看它的应用。因此，我列出了自然语言处理的十大应用。 那么，让我们从自然语言处理的第一个应用开始。 因此，分析这些非结构化数据有助于生成有价值的信息。自然语言处理在这里也起到了作用。 ? 如今，公司使用各种NLP技术分析社交媒体帖子，了解客户对其产品的看法。 语法检查程序 这是自然语言处理中应用最广泛的应用之一。像Grammarly这样的语法检查工具提供了大量的功能，可以帮助人们写出更好的内容。他们可以把任何普通的文本变成美丽的文学作品。 结尾 既然你熟悉自然语言处理应用程序，现在就可以深入自然语言处理领域了。
1.3K10发布于 2020-08-07 - 来自专栏AI科技评论
ACL 2019 | 使用元词改进自然语言生成
，同时使生成模型可以允许开发者能够像“拼乐高玩具”一样通过控制一些属性定制对话生成的结果。 给定一条消息，我们可以通过控制元词来控制生成的响应。 ? 使用元词辅助响应生成有以下几个优点：1.使生成模型具有可解释性，用户可以在生成响应前就知道生成的响应类型；2.生成的过程是可以控制的，元词的接口允许用户定制响应；3.生成的方法是可泛用的，可以将行为、人物角色 、情感等特征作为元词的属性与一些已有的工作进行结合；4. 下图的两个例子也表明，通过本模型生成的响应具有更多的信息以及更好的连贯性。 ? 3. 结论 本文提出了一个目标跟踪记忆增强的序列到序列模型，用于使用元词明确定义响应的特征进行开放域的响应生成。
94830发布于 2019-09-10 控制自然语言生成中的模型幻觉技术
自然语言生成中的幻觉控制技术在自然语言生成过程中，程序必须对如何表达信息做出选择，包括确定要传达的内容、使用的词语以及词语排序以形成句子。 深度学习能够生成非常流畅的文本，但通常无法基于指定的输入目标来控制这些选择的方式。可控语言生成的一个主要关注点是输出应该忠实于输入。 神经语言生成方法已知会产生内容幻觉，导致生成的文本传达输入中未出现的信息。模型幻觉导致的事实不一致可能发生在实体层面或关系层面。在实体层面，模型生成的摘要可能包含源文档中完全不存在实体。 当前依赖大规模语言模型的自然语言生成技术能够生成流畅文本，但难以通过控制词语选择或词语顺序来保证说话者意图准确传达。详细技术可使模型忠实呈现说话者意图。 还研究了神经序列到序列模型在执行从意义表示进行自然语言生成时表现出的细粒度可控性程度，特别是控制词序的影响。假设有一个意义表示，给出餐厅名称、位置和供应的食物类型。
22610编辑于 2025-09-02
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