基于知识图谱的问答系统中的处置惩罚要领和装置-明略科技

首页明略研究基于知识图谱的问答系统中的处置惩罚要领和装置

基于知识图谱的问答系统中的处置惩罚要领和装置

2023-09-01

本申请实验例果真了一种基于知识图谱的问答系统中的处置惩罚要领和装置。。。。。。。所述要领包括：在吸收到问句后，，，，，获取所述问句在预先设置的知识库中对应的主实体；；；；；；；从所述主实体中选择至少两个候选主实体；；；；；；；以每个候选主实体为根节点，，，，，在预先存储的知识图谱中搜索所述根节点的相邻边以及相邻节点，，，，，并通过相邻节点搜索所述相邻节点在下一层的相邻边和相邻节点，，，，，以此类推，，，，，直到搜索到最后一层的节点，，，，，获得每个候选主实体对应的路径；；；；；；；盘算每个候选主实体的路径所对应的文本信息与所述问句的文本信息的相似度；；；；；；；选择所述相似度切合预先设置的最高相似度判断条件的路径作为候选主实体的候选路径；；；；；；；从所述候选主实体的候选路径中获得所述主实体的最终选择路径；；；；；；；确定所述最终选择路径对应的文本信息，，，，，作为所述问句的谜底。。。。。。。

一种基于知识图谱的问答系统中的处置惩罚要领，，，，，其特征在于，，，，，包括：在吸收到问句后，，，，，获取所述问句在预先设置的知识库中对应的主实体；；；；；；；从所述主实体中选择至少两个候选主实体；；；；；；；以每个候选主实体为根节点，，，，，在预先存储的知识图谱中搜索所述根节点的相邻边以及相邻节点，，，，，并通过相邻节点搜索所述相邻节点在下一层的相邻边和相邻节点，，，，，以此类推，，，，，直到搜索到最后一层的节点，，，，，获得每个候选主实体对应的路径；；；；；；；盘算每个候选主实体的路径所对应的文本信息与所述问句的文本信息的相似度；；；；；；；选择所述相似度切合预先设置的最高相似度判断条件的路径作为候选主实体的候选路径；；；；；；；从所述候选主实体的候选路径中获得所述主实体的最终选择路径；；；；；；；确定所述最终选择路径对应的文本信息，，，，，作为所述问句的谜底。。。。。。。

申请号：CN202010182500.7
申请（专利权）人：btt博天堂
果真日期（果真）：2020.07.14
果真日期（授权）：2023.09.01

推荐阅读

全球双榜SOTA！明略科技专有大模子 Mano开启GUI智能操作新时代

2025-09-28

明略科技推出的GUI大模子Mano在Mind2Web和OSWorld两大基准测试中取得了创纪录的SOTA效果，，，，，乐成率抵达40.1%。。。。。。。通过在线强化学习和自动数据收罗，，，，，Mano为GUI智能体领域提供了可扩展的新范式，，，，，显著提升了重大使命的执行能力。。。。。。。该手艺的突破不但推动了自动化界线的扩展，，，，，也为企业智能化转型提供了强有力的支持

相识更多

官宣！明略科技推出专有大模子产品线DeepMiner，，，，，可信商业数据剖析智能体终于能用了！

2025-09-22

明略科技推出专有大模子产品线DeepMiner，，，，，以“可信智能体+可信数据”双轮驱动，，，，，解决企业智能体落地中幻觉率高、历程不透明等痛点。。。。。。。该产品通过多智能体协同架构、企业级数据整合及全流程透明化设计，，，，，降低幻觉率并支持知识沉淀，，，，，其自研Mano和Cito模子划分实现精准执行与深度推理，，，，，助力企业构建可信生产力。。。。。。。

相识更多

明略科技 Mano Technical Report

2025-09-18

Graphical user interfaces (GUIs) are the primary medium for human-computer interaction, yet automating GUI interactions remains challenging due to the complexity of visual elements, dynamic environments, and the need for multi-step reasoning. Existing methods based on vision-language models (VLMs) often suffer from limited resolution, domain mismatch, and insufficient sequential decisionmaking capability. To address these issues, we propose Mano, a robust GUI agent built upon a multi-modal foundation model pre-trained on extensive web and computer system data. Our approach integrates a novel simulated environment for high-fidelity data generation, a three-stage training pipeline (supervised fine-tuning, offline reinforcement learning, and online reinforcement learning), and a verification module for error recovery. Mano demonstrates state-of-the-art performance on multiple GUI benchmarks, including Mind2Web and OSWorld, achieving significant improvements in success rate and operational accuracy. Our work provides new insights into the effective integration of reinforcement learning with VLMs for practical GUI agent deployment, highlighting the importance of domain-specific data, iterative training, and holistic reward design.

相识更多

上一篇：标签同义词的扩充要领、扩充装置、电子装备及存储介质

下一篇：明略科技入选创业邦“2023 最值得关注的 AIGC 公司”

返回行业资讯