HomeArchivesCategoriesLabelMomentsPhotosLinkAbout

最新文章

怎么解决大模型中的多轮对话问题？
怎么解决大模型中的多轮对话问题？ 难点： 在多轮对话中，模型需要记住并正确理解之前对话的上下文。 大型模型虽然能处理较长的上下文，但仍然存在记忆限制，无法记住非常早期的对话信息。 在对话过程中，模型需要抽取关键信息并更新对话状态。 解决办法： 拼接历史query策略
学习
2024-05-29

基于知识图谱和知识库的大模型对话系统（四）
基于知识图谱和知识库的大模型对话系统（四） 利用chatglm-6b作为核心模型，基于flask构建后端的对话模型
学习
2024-05-24

基于知识图谱和知识库的大模型对话系统（三）
基于知识图谱和知识库的大模型对话系统（三） 补全知识图谱 数据准备: 使用现有的知识图谱作为基础数据源。 将数据集分为50%的训练/验证数据和50%的测试数据。
学习
2024-05-20

基于知识图谱和知识库的大模型对话系统（二）
基于知识图谱和知识库的大模型对话系统（二） 构建知识图谱 构建抽取规则: 定义实体关系类型: 确
学习
2024-05-13

RAG优化技巧
RAG优化技巧 RAG的挑战 RAG通过检索现有的大量知识，结合强大的生成模型，为复杂的问答、文本摘要和生成任务带来了全新的解决方案。然而，尽管RAG有其独特的优势，但在实践过程中也遭遇了多个挑战。 1数据质量差导致检索效果差 在RAG模型中，检索阶段的输出直接影响到生成阶段的输入和最终的输出质量。
学习
2024-05-10

基于知识图谱和知识库的大模型对话系统（一）
基于知识图谱和知识库的大模型对话系统（一） 数据预处理 文本提取：首先从原始扫描版PDF文件开始，通过OCR（光学字符识别）技术将其转换为可编辑的粗粒度文本格式。这一步是必要的，因为直接处理扫描版的PDF文件会面临许多问题，如无法进行有效的搜索、复制或进一步的数据分析等。 数据分析
学习
2024-05-08

一、构建知识图谱（实体识别)
一、构建知识图谱（实体识别) 实体识别（Entity Recognition），也称为命名实体识别（Named Entity Recognition, NER），是知识图谱构建过程中的关键步骤之一。它的目的是从非结构化文本中识别出具有特定意义或指代性强的实体，如人名、地名、组织名、时间表达式等。以下
学习
2024-05-01
上一页 下一页