公开(公告)号：CN118349654A

公开(公告)日：2024-07-16

申请号：CN202410527505.7

申请日：2024-04-29

Applicant: 浙江大学

Inventor： 陈刚 ,  赵俊博 ,  胡天磊 ,  张东祥 ,  王皓波 ,  伍赛

IPC: G06F16/332 ,  G06F16/335 ,  G06F40/35 ,  G06F16/31 ,  G06F16/242

Abstract: 本发明公开一种结构化数据问答方法、装置及介质，包括：获取用户问题，并识别用户意图；解析用户意图，在知识库中检索对应的内容，并对问题进行时间实体抽取和区间判断，以生成提示语句；将所述提示语句转化为数据库的查询语句；根据所述查询语句，在数据库中获取用户问题答复；对所述用户问题答复进行质量评估，若质量评估得到的分数大于预设阈值，则判定答复成功，否则判定为失败；若判定失败，则纠正查询语句并重新进行数据库查询，直至判定成功。本发明的质量评估可对查询结果进行有效筛选，从而保证用户查询交互的准确性和有效性。

公开(公告)号：CN118069819B

公开(公告)日：2024-07-16

申请号：CN202410483208.7

申请日：2024-04-22

Applicant: 浙江大学

Inventor： 陈刚 ,  赵俊博 ,  王皓波 ,  伍赛 ,  胡天磊 ,  张东祥

IPC: G06F16/332 ,  G06F16/33 ,  G06F16/34

Abstract: 本发明公开了一种基于大模型处理数据可视化任务的方法及装置，包括：根据用户问题，查询对应的数据库，得到查询结果，同时生成prompt并定义用于可视化绘图的代码块内容；根据所述查询结果和prompt生成可视化任务的代码；对所述可视化任务的代码进行后处理,包括人工纠错和加入预定义代码；所述预定义代码用于防止字体乱码；执行后处理后的代码，得到所述用户问题的答案。本发明通过后处理和人工编写易错代码部分，减少了代码执行过程中的错误，提高了执行效率。

公开(公告)号：CN118069819A

公开(公告)日：2024-05-24

申请号：CN202410483208.7

申请日：2024-04-22

Applicant: 浙江大学

Inventor： 陈刚 ,  赵俊博 ,  王皓波 ,  伍赛 ,  胡天磊 ,  张东祥

IPC: G06F16/332 ,  G06F16/33 ,  G06F16/34

Abstract: 本发明公开了一种基于大模型处理数据可视化任务的方法及装置，包括：根据用户问题，查询对应的数据库，得到查询结果，同时生成prompt并定义用于可视化绘图的代码块内容；根据所述查询结果和prompt生成可视化任务的代码；对所述可视化任务的代码进行后处理,包括人工纠错和加入预定义代码；所述预定义代码用于防止字体乱码；执行后处理后的代码，得到所述用户问题的答案。本发明通过后处理和人工编写易错代码部分，减少了代码执行过程中的错误，提高了执行效率。

公开(公告)号：CN111797911B

公开(公告)日：2024-02-09

申请号：CN202010573202.0

申请日：2020-06-22

Applicant: 浙江大学

Inventor： 陈刚 ,  胡天磊 ,  陈珂 ,  刘雨辰 ,  李梦谨 ,  王皓波 ,  寿黎但

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种图像数据多标签分类方法，该方法首先构建图片的拓扑关系，然后用基于协作的多标签传播算法(CMLP)来解决半监督多标签学习(SSML)问题，从而获得无标记图片的置信矩阵 本发明能够充分地利用多标签图像数据的多个标签之间的相关性来提升图片的多标签分类预测性能，提高了准确度和鲁棒性，同时能够挖掘无监督图像数据的分布信息，很好地解决半监督多标签学习问题，其性能优于现有的半监督图像数据多标签分类方法。

公开(公告)号：CN116227494A

公开(公告)日：2023-06-06

申请号：CN202310351515.5

申请日：2023-04-03

Applicant: 浙江大学 ,  浙商银行股份有限公司

Inventor： 陈刚 ,  董艺雯 ,  肖瑞轩 ,  王皓波 ,  赵俊博 ,  陈嘉俊 ,  张敬之

IPC: G06F40/295 ,  G06F40/126 ,  G06F18/214 ,  G06F18/24 ,  G06N3/0895

Abstract: 本发明公开了一种基于去偏的带噪命名实体识别方法与装置，包括：将训练用的文本序列进行分词，再将其标签序列进行转换得到二元标签序列和细粒度实体类标签序列；构建命名实体识别模型，并获取得到干净二元样本集、无标注二元样本集、干净细粒度实体类样本集和无标注细粒度实体类样本集；同时遵循半监督学习框架，基于干净二元样本集、无标注二元样本集、干净细粒度实体类样本集和无标注细粒度实体类样本集对命名实体识别模型进行训练，计算每一分类层的损失函数，基于随机梯度下降法更新命名实体识别模型的参数；最后得到训练完成的命名实体识别模型，再在测试用的文本序列上进行带噪命名实体识别。