微信扫描二维码 连忙在线咨询
一种实体关联要领、装置及盘算机可读存储介质
2023-04-07
一种实体关联要领、装置及盘算机可读存储介质，，，，，包括：获取待处置惩罚文本的特征向量；；；； ；；；凭证待处置惩罚文本中实体之间的关系结构实体对；；；； ；；；针对每一个实体对在知识图谱中获取非泛化关系路径的特征向量与待处置惩罚文本的特征向量的最大相似度，，，，，作为实体对与待处置惩罚文本的第一相似度；；；； ；；；针看待处置惩罚文本中每一个实体在知识图谱中获取关系路径的特征向量与待处置惩罚文本的特征向量的最大相似度，，，，，作为实体与待处置惩罚文本的第二相似度；；；； ；；；凭证包括待处置惩罚文本中实体的实体对对应的第一相似度和实体对应的第二相似度获取实体与知识图谱的关联得分；；；； ；；；当关联得分凌驾预设阈值，，，，，将实体关联到第二相似度对应的知识图谱节点上。。 。。。。。。由于使用了多实体之间的关系，，，，，因此提高了实体的关联乐成率。。 。。。。。。
一种实体关联要领，，，，，其特征在于，，，，，包括：获取待处置惩罚文本的特征向量；；；； ；；；其中，，，，，所述待处置惩罚文本中包括若干个待关联至知识图谱中节点的实体；；；； ；；；凭证所述待处置惩罚文本中实体之间的关系结构若干个实体对；；；； ；；；针对每一个实体对在知识图谱中获取非泛化关系路径的特征向量与所述待处置惩罚文本的特征向量的最大相似度，，，，，作为所述实体对与所述待处置惩罚文本的第一相似度；；；； ；；；其中，，，，，当所述实体对之间不保存非泛化关系路径，，，，，所述第一相似度为0；；；； ；；；针对所述待处置惩罚文本中每一个实体在所述知识图谱中获取关系路径的特征向量与所述待处置惩罚文本的特征向量的最大相似度，，，，，作为所述实体与所述待处置惩罚文本的第二相似度；；；； ；；；凭证包括所述待处置惩罚文本中实体的实体对对应的第一相似度和所述实体对应的第二相似度获取所述实体与所述知识图谱的关联得分；；；； ；；；当关联得分凌驾预设阈值，，，，，将所述实体关联到所述第二相似度对应的知识图谱中的节点上。。 。。。。。。
申请号：CN201911378790.6
申请（专利权）人：btt博天堂
果真日期（果真）：2020.05.15
果真日期（授权）：2023.04.07
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.
相识更多联系btt博天堂
关注明略
在线咨询
销售热线
400-893-8989
投资者关系
ir@mininglamp.com
媒体联络
pr@miningalmp.com
Copyright@2025 btt博天堂 京ICP备15016868号 京公网安备11010802024262
信息填写
