申请/专利权人:卓世智星(成都)科技有限公司
申请日:2024-02-20
公开(公告)日:2024-04-30
公开(公告)号:CN117743838B
主分类号:G06F18/2135
分类号:G06F18/2135;G06F18/22;G06F40/216;G06F40/284;G06F18/10;G06N5/022
优先权:
专利状态码:有效-授权
法律状态:2024.04.30#授权;2024.04.09#实质审查的生效;2024.03.22#公开
摘要:本发明涉及自然语言数据处理技术领域,具体涉及用于大语言模型的数据知识提取方法,该方法首先基于自然语言处理方法根据英文文本数据进行分析得到分词高维向量;根据噪声数据与整体数据之间的相似度较低的特征,通过分析分词高维向量之间的相似度整体偏离情况,将噪声高维向量筛除,得到参考高维向量;根据参考高维向量对应的数值分布复杂性以及参考高维向量之间的关联性,筛选出主成分分析向量和最优k值;使得结合最优k值后根据主成分分析高维向量通过PCA降维方法进行数据降维的效果更好,也即根据降维后的摘要信息向量对英文文本数据知识提取的效果更好。
主权项:1.用于大语言模型的数据知识提取方法,其特征在于,所述方法包括:对用于知识提取的英文文本数据通过分词方法以及词向量生成方法处理后,通过关键词提取方法得到至少两个分词高维向量;根据每个分词高维向量与其余分词高维向量之间的相似度整体偏离情况,得到每个分词高维向量的噪声存在概率;根据所述噪声存在概率在所有分词高维向量中筛除噪声高维向量,得到至少两个参考高维向量;根据每个参考高维向量对应数值序列的数值分布复杂性,以及每个参考高维向量与其余参考高维向量之间的关联性,得到每个参考高维向量的分析重要性;根据所述分析重要性筛选出主成分分析高维向量;根据所述主成分分析高维向量结合主成分分析方法进行数据降维,得到降维后的摘要信息向量;根据所述摘要信息向量进行英文文本数据知识提取;所述噪声存在概率的获取方法包括:任选两个分词高维向量作为一个高维向量二元组,获取所有的高维向量二元组;将每个高维向量二元组中的两个分词高维向量之间的余弦相似度,作为每个高维向量二元组的参考相似度;将所有高维向量二元组的参考相似度的均值,作为向量整体相似度;依次将每个分词高维向量,作为目标分词高维向量;在所有分词高维向量中,将目标分词高维向量之外的其他分词高维向量,作为目标分词高维向量的对比高维向量;将目标分词高维向量与每个对比高维向量之间的余弦相似度,作为目标分词高维向量的每个对比高维向量的对比相似度;将目标分词高维向量的对应的所有对比高维向量的对比相似度的均值,作为目标分词高维向量的向量局部相似度;将目标分词高维向量的向量局部相似度与所述向量整体相似度之间的差异,作为目标分词高维向量的向量偏离程度;将目标分词高维向量中所有元素值的方差,作为目标分词高维向量的数值离散程度;根据所述向量偏离程度和所述数值离散程度,得到目标分词高维向量的噪声存在概率,所述向量偏离程度和所述数值离散程度均与所述噪声存在概率呈正相关关系;所述根据所述向量偏离程度和所述数值离散程度,得到目标分词高维向量的噪声存在概率的方法包括:将所述向量偏离程度和所述数值离散程度的乘积的归一化值,作为目标分词高维向量的噪声存在概率。
全文数据:
权利要求:
百度查询: 卓世智星(成都)科技有限公司 用于大语言模型的数据知识提取方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。