-
公开(公告)号：CN118095450B
公开(公告)日：2024-08-13
申请号：CN202410521286.1
申请日：2024-04-26
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N5/045 , G06N5/046 , G06N5/02 , G06F40/295 , G06F16/36
Abstract: 本说明书提供了一种基于知识图谱的医疗LLM模型推理方法及相关设备。知识图谱包含多个节点和连接节点的边，节点代表实体，边代表实体之间的关系。该方法包括：获取用户输入的目标文本，确定目标文本中是否包含与知识图谱中的节点对应的实体；如果是，则在知识图谱中查找出与所述实体相关的子图；获取保存的用户在所述目标文本之前输入的历史文本，并基于历史文本中包含的用户信息，对子图中包含的属性与所述用户信息不匹配的边进行裁剪，得到目标子图；根据目标子图和目标文本构建提示词，并将所述提示词输入至第一LLM模型中，由所述第一LLM模型基于所述提示词执行逻辑推理，并输出与所述目标文本对应的推理结果。
-
公开(公告)号：CN115809347A
公开(公告)日：2023-03-17
申请号：CN202211610829.4
申请日：2022-12-14
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开了一种时序图表示学习方法及系统。所述时序图包括节点和边，边的信息包括时间信息。所述方法包括：从时序图中确定包含目标节点及其邻居节点的子图。基于所述子图中的每一条边，获取节点对信息；其中，节点对信息包括目标节点的表征信息、该边上的邻居节点的表征信息、该边的信息。对于所述邻居节点中的每一个，通过第一网络依次处理包含该邻居节点的节点对信息；进而得到目标节点的更新后的表征信息以及各邻居节点的更新后的表征信息。通过第二网络处理目标节点及其邻居节点的更新后的表征信息、以及目标节点及其邻居节点之间的边，得到目标节点的目标表征信息。
-
公开(公告)号：CN119294486A
公开(公告)日：2025-01-10
申请号：CN202411297642.2
申请日：2024-09-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N5/022 , G06N5/04 , G06F16/3329 , G06F16/36
Abstract: 本说明书提供了一种基于医疗知识图谱的LLM模型微调方法及相关设备。该方法包括：获取与目标应用场景相关的知识图谱的结构信息；结构信息包含知识图谱中预定义的多个实体类型和多个实体类型之间的关系；基于结构信息生成与目标应用场景相关的推理任务对应的问题模版和回答路径模版；问题模版包含与问题对象对应的第一实体类型；回答路径模版包含：由与问题对象对应的第一实体类型、与问题答案对应的第二实体类型，以及第一实体类型和第二实体类型之间的关系构成的图谱路径；基于问题模版和回答路径模版生成问答样本对，并基于问答样本对，对预训练完成的LLM基础模型进一步执行微调训练，得到用于执行推理任务的LLM服务模型。
-
公开(公告)号：CN118114675B
公开(公告)日：2024-07-26
申请号：CN202410533245.4
申请日：2024-04-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F40/295 , G06F16/35 , G06N3/0455 , G06N5/04 , G06F16/36 , G06N5/022
Abstract: 本申请一个或多个实施例提供一种基于大语言模型的医疗命名实体识别方法和装置，该方法包括：由大语言模型在多个不同的第一类提示文本中的各个第一类提示文本的引导下，基于候选实体类别集合对原始文本进行命名实体识别，得到命名实体识别结果；基于命名实体识别结果，确定原始文本中的各个目标命名实体及其对应的至少一个候选实体类别，并将其转化为与目标命名实体对应的至少一个用于指示与命名实体对应的实体类别的观点；获取与目标命名实体的定义相关的知识文本；由大语言模型从知识文本中抽取与各个观点对应的论据，并进一步基于论据，评估各个观点的正确度；将正确度最高的目标观点指示的候选实体类别确定为与目标命名实体对应的实体类别。
-
公开(公告)号：CN118095450A
公开(公告)日：2024-05-28
申请号：CN202410521286.1
申请日：2024-04-26
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N5/045 , G06N5/046 , G06N5/02 , G06F40/295 , G06F16/36
Abstract: 本说明书提供了一种基于知识图谱的医疗LLM模型推理方法及相关设备。知识图谱包含多个节点和连接节点的边，节点代表实体，边代表实体之间的关系。该方法包括：获取用户输入的目标文本，确定目标文本中是否包含与知识图谱中的节点对应的实体；如果是，则在知识图谱中查找出与所述实体相关的子图；获取保存的用户在所述目标文本之前输入的历史文本，并基于历史文本中包含的用户信息，对子图中包含的属性与所述用户信息不匹配的边进行裁剪，得到目标子图；根据目标子图和目标文本构建提示词，并将所述提示词输入至第一LLM模型中，由所述第一LLM模型基于所述提示词执行逻辑推理，并输出与所述目标文本对应的推理结果。
-
Patent Agency Ranking
公开(公告)号：CN116011547A
公开(公告)日：2023-04-25
申请号：CN202310092429.7
申请日：2023-01-17
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/08 , G06N3/0464 , G06F18/22
Abstract: 本说明书实施例提供了基于残差的深度学习方法及神经网络模型。其中，神经网络模型包括多个网络层，每个网络层包括卷积层、动态残差模块和样本表征调整模块，动态残差模块包括相似度子模块。在深度学习方法中，获取训练样本的初始表征；神经网络模型中的各个网络层按照以下方式执行，直至针对神经网络模型的学习完成：将初始表征以及当前网络层中待处理的第一样本表征输入至当前网络层中的相似度子模块，输出相似度表征；将第一样本表征输入当前网络层中的卷积层，输出第二样本表征；以及将第二样本表征、动态残差以及初始表征输入样本表征调整模块，输出第三样本表征。
-
公开(公告)号：CN118152590A
公开(公告)日：2024-06-07
申请号：CN202410564986.9
申请日：2024-05-08
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/36 , G06F16/35 , G06F40/284 , G06N5/022
Abstract: 本说明书实施例提供一种基于文本语料生成医疗知识图谱的方法及装置，在基于文本语料构建知识图谱时，可以将知识图谱的数据获取过程分为开放式抽取和对齐两个阶段。具体而言，先由大模型从原始文本语料中开放式抽取实体词及相应的实体类型，还根据所抽取的实体词和实体类型提取相应连接关系。之后，再按照预先定义的实体模式和连接模式进行实体和关系的对齐，并根据对齐结果构建知识图谱。如此，可以提高知识图谱构建的全面性和有效性。
-
公开(公告)号：CN118152590B
公开(公告)日：2024-08-16
申请号：CN202410564986.9
申请日：2024-05-08
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/36 , G06F16/35 , G06F40/284 , G06N5/022
Abstract: 本说明书实施例提供一种基于文本语料生成医疗知识图谱的方法及装置，在基于文本语料构建知识图谱时，可以将知识图谱的数据获取过程分为开放式抽取和对齐两个阶段。具体而言，先由大模型从原始文本语料中开放式抽取实体词及相应的实体类型，还根据所抽取的实体词和实体类型提取相应连接关系。之后，再按照预先定义的实体模式和连接模式进行实体和关系的对齐，并根据对齐结果构建知识图谱。如此，可以提高知识图谱构建的全面性和有效性。
-
公开(公告)号：CN118114675A
公开(公告)日：2024-05-31
申请号：CN202410533245.4
申请日：2024-04-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F40/295 , G06F16/35 , G06N3/0455 , G06N5/04 , G06F16/36 , G06N5/022
Abstract: 本申请一个或多个实施例提供一种基于大语言模型的医疗命名实体识别方法和装置，该方法包括：由大语言模型在多个不同的第一类提示文本中的各个第一类提示文本的引导下，基于候选实体类别集合对原始文本进行命名实体识别，得到命名实体识别结果；基于命名实体识别结果，确定原始文本中的各个目标命名实体及其对应的至少一个候选实体类别，并将其转化为与目标命名实体对应的至少一个用于指示与命名实体对应的实体类别的观点；获取与目标命名实体的定义相关的知识文本；由大语言模型从知识文本中抽取与各个观点对应的论据，并进一步基于论据，评估各个观点的正确度；将正确度最高的目标观点指示的候选实体类别确定为与目标命名实体对应的实体类别。
-
公开(公告)号：CN117973477A
公开(公告)日：2024-05-03
申请号：CN202311873775.5
申请日：2023-12-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/08 , G06N3/042 , G06N3/045 , G06F18/241 , G06F18/27
Abstract: 本说明书实施例提供一种利用动态图谱训练神经网络模型的方法和装置，方法包括：获取目标动态图谱和对应的标签；对图谱的空间结构和/或时间进行扰动，得到若干个扰动图谱；将任一扰动图谱输入神经网络模型，通过第一注意力层得到其对应的本质模式表征，通过第二注意力层得到其对应的非本质模式表征，通过第一输出层基于该本质模式表征和非本质模式表征得到第一预测结果；基于任一扰动图谱对应的第一预测结果和标签，得到第一单次预测损失；以总损失函数的函数值最小化为训练目标，对神经网络模型进行训练；总损失函数包括第一损失函数，其函数值表征若干个扰动图谱分别对应的第一单次预测损失之间的差异。能够提升模型性能。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.028 seconds)
