-
公开(公告)号：CN117331561A
公开(公告)日：2024-01-02
申请号：CN202311604254.X
申请日：2023-11-28
Applicant: 之江实验室
Abstract: 本说明书公开了一种智能低代码页面开发系统及方法，人机对话前端界面模块将描述文本发送给提示词服务后端模块，得到描述文本的特征向量，以此查找到与描述文本相关的各第一参考组件，根据描述文本和用户意图判断提示词得到第一提示文本，以便得到用户意图判断结果，根据用户意图判断结果、各第一参考组件的信息、页面开发提示词和描述文本得到第二提示文本，进而得到前端页面代码并返回，智能低代码平台编辑器渲染模块基于前端页面代码得到前端页面。可见，通过上述方案，无需复杂的操作，能够基于用户输入的自然语言描述自动生成前端页面，提升了页面开发的效率和灵活性，降低了前端页面开发和配置的门槛。
-
公开(公告)号：CN116151354B
公开(公告)日：2023-07-18
申请号：CN202310411396.8
申请日：2023-04-10
Applicant: 之江实验室
Abstract: 本申请涉及一种网络节点的学习方法、装置、电子装置和存储介质，所述方法包括：基于层次标签树中目标网络节点对应的目标标签信息，确定目标注意力向量，所述层次标签树包含多个网络节点的标签信息之间的隶属关系；基于所述目标注意力向量，对多个所述网络节点进行采样，并基于采样结果获取所述目标网络节点的相邻网络节点以及对应的相邻注意力向量；对所述目标注意力向量以及所述相邻注意力向量进行聚合，得到所述目标网络节点的目标表示向量。通过本申请，解决了相关技术中网络节点的表示学习不够准确的技术问题，提高了网络节点表示学习时表示向量的全面性，更有利于挖掘网络节点之间的相似性和关联性，进而提高了网络节点学习的准确性。
-
公开(公告)号：CN116151354A
公开(公告)日：2023-05-23
申请号：CN202310411396.8
申请日：2023-04-10
Applicant: 之江实验室
Abstract: 本申请涉及一种网络节点的学习方法、装置、电子装置和存储介质，所述方法包括：基于层次标签树中目标网络节点对应的目标标签信息，确定目标注意力向量，所述层次标签树包含多个网络节点的标签信息之间的隶属关系；基于所述目标注意力向量，对多个所述网络节点进行采样，并基于采样结果获取所述目标网络节点的相邻网络节点以及对应的相邻注意力向量；对所述目标注意力向量以及所述相邻注意力向量进行聚合，得到所述目标网络节点的目标表示向量。通过本申请，解决了相关技术中网络节点的表示学习不够准确的技术问题，提高了网络节点表示学习时表示向量的全面性，更有利于挖掘网络节点之间的相似性和关联性，进而提高了网络节点学习的准确性。
-
公开(公告)号：CN116186272B
公开(公告)日：2023-07-14
申请号：CN202310440825.4
申请日：2023-04-23
Applicant: 之江实验室
IPC: G06F16/35 , G06F18/22 , G06F18/214 , G06F18/241
Abstract: 本说明书公开了一种联合训练方法、装置、存储介质及电子设备。在本说明书提供的联合训练方法中，获取样本语句以及对应的标注意图和标注实体，并将样本语句分为支持集和查询集；将每个样本语句输入待训练的语句处理模型；若该样本语句属于所述支持集，则通过提取子网提取该样本语句和标注的特征；将特征输入原型构建子网，确定出与标注对应的标注特征；若该样本语句属于所述查询集，提取该样本语句的特征；通过匹配子网确定特征与匹配子网存储的各标准特征之间的相似度；通过意图识和槽位填充子网分别根据相似度确定预测意图和预测实体；以预测意图和标注意图之间的差异最小，以及预测实体和标注实体之间的差异最小为优化目标，对模型进行训练。
-
公开(公告)号：CN116150380A
公开(公告)日：2023-05-23
申请号：CN202310413634.9
申请日：2023-04-18
Applicant: 之江实验室
IPC: G06F16/35 , G06F18/22 , G06N3/0455 , G06N3/0895
Abstract: 本说明书公开了一种文本匹配方法、装置、存储介质及设备，根据匹配的文本对中各原始文本的表征向量的第一相似度、该文本对中各原始文本与各自变形文本的表征向量间的第二相似度及各原始文本与其他原始文本的表征向量的第三相似度，确定该文本对的损失。该第一相似度与第二相似度皆与该文本对的损失负相关，第三相似度与该文本对的损失正相关。在根据各文本对的损失确定总损失，并以总损失最小为目标训练得到训练后的表征模型后，则可响应于匹配请求，通过训练后的表征模型确定待匹配文本对的表征向量，以根据得到的表征向量确定待匹配文本对的匹配结果。可训练得到可输出准确表征向量的表征模型，提升基于表征模型进行文本匹配的匹配准确度。
-
Patent Agency Ranking
公开(公告)号：CN117555644B
公开(公告)日：2024-04-30
申请号：CN202410043653.1
申请日：2024-01-11
Applicant: 之江实验室
IPC: G06F9/451 , G06F16/332 , G06F40/279 , G06F18/214 , G06F9/445
Abstract: 本说明书公开了一种基于自然语言交互的前端页面构建方法及装置，响应于创建的对话流程，将目标文本和第一指令信息，输入训练完成的语言模型，确定目标文本包含的组件实体和该组件实体的嵌入向量。将嵌入向量和标准向量进行匹配，确定匹配向量，以及匹配向量对应的组件用途和组件代码，根据该组件用途、该组件代码和目标文本，生成第二指令信息，将第二指令信息，输入语言模型，确定页面代码，根据页面代码，构建前端页面。这样，在构建前端页面时，通过人机对话的方式，输入包含前端页面构建的需求的文本，明确对构成前端页面的组件实体的操作，即可得到满足构建需求的前端页面，不需再重复编写各组件的代码，提高了软件开发的效率。
-
公开(公告)号：CN116150380B
公开(公告)日：2023-06-27
申请号：CN202310413634.9
申请日：2023-04-18
Applicant: 之江实验室
IPC: G06F16/35 , G06F18/22 , G06N3/0455 , G06N3/0895
Abstract: 本说明书公开了一种文本匹配方法、装置、存储介质及设备，根据匹配的文本对中各原始文本的表征向量的第一相似度、该文本对中各原始文本与各自变形文本的表征向量间的第二相似度及各原始文本与其他原始文本的表征向量的第三相似度，确定该文本对的损失。该第一相似度与第二相似度皆与该文本对的损失负相关，第三相似度与该文本对的损失正相关。在根据各文本对的损失确定总损失，并以总损失最小为目标训练得到训练后的表征模型后，则可响应于匹配请求，通过训练后的表征模型确定待匹配文本对的表征向量，以根据得到的表征向量确定待匹配文本对的匹配结果。可训练得到可输出准确表征向量的表征模型，提升基于表征模型进行文本匹配的匹配准确度。
-
公开(公告)号：CN117555644A
公开(公告)日：2024-02-13
申请号：CN202410043653.1
申请日：2024-01-11
Applicant: 之江实验室
IPC: G06F9/451 , G06F16/332 , G06F40/279 , G06F18/214 , G06F9/445
Abstract: 本说明书公开了一种基于自然语言交互的前端页面构建方法及装置，响应于创建的对话流程，将目标文本和第一指令信息，输入训练完成的语言模型，确定目标文本包含的组件实体和该组件实体的嵌入向量。将嵌入向量和标准向量进行匹配，确定匹配向量，以及匹配向量对应的组件用途和组件代码，根据该组件用途、该组件代码和目标文本，生成第二指令信息，将第二指令信息，输入语言模型，确定页面代码，根据页面代码，构建前端页面。这样，在构建前端页面时，通过人机对话的方式，输入包含前端页面构建的需求的文本，明确对构成前端页面的组件实体的操作，即可得到满足构建需求的前端页面，不需再重复编写各组件的代码，提高了软件开发的效率。
-
公开(公告)号：CN117331561B
公开(公告)日：2024-02-13
申请号：CN202311604254.X
申请日：2023-11-28
Applicant: 之江实验室
Abstract: 本说明书公开了一种智能低代码页面开发系统及方法，人机对话前端界面模块将描述文本发送给提示词服务后端模块，得到描述文本的特征向量，以此查找到与描述文本相关的各第一参考组件，根据描述文本和用户意图判断提示词得到第一提示文本，以便得到用户意图判断结果，根据用户意图判断结果、各第一参考组件的信息、页面开发提示词和描述文本得到第二提示文本，进而得到前端页面代码并返回，智能低代码平台编辑器渲染模块基于前端页面代码得到前端页面。可见，通过上述方案，无需复杂的操作，能够基于用户输入的自然语言描述自动生成前端页面，提升了页面开发的效率和灵活性，降低了前端页面开发和配置的门槛。
-
公开(公告)号：CN116186272A
公开(公告)日：2023-05-30
申请号：CN202310440825.4
申请日：2023-04-23
Applicant: 之江实验室
IPC: G06F16/35 , G06F18/22 , G06F18/214 , G06F18/241
Abstract: 本说明书公开了一种联合训练方法、装置、存储介质及电子设备。在本说明书提供的联合训练方法中，获取样本语句以及对应的标注意图和标注实体，并将样本语句分为支持集和查询集；将每个样本语句输入待训练的语句处理模型；若该样本语句属于所述支持集，则通过提取子网提取该样本语句和标注的特征；将特征输入原型构建子网，确定出与标注对应的标注特征；若该样本语句属于所述查询集，提取该样本语句的特征；通过匹配子网确定特征与匹配子网存储的各标准特征之间的相似度；通过意图识和槽位填充子网分别根据相似度确定预测意图和预测实体；以预测意图和标注意图之间的差异最小，以及预测实体和标注实体之间的差异最小为优化目标，对模型进行训练。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.021 seconds)
