自然语言理解(Natural language understanding, NLU)作为人工智能的重要组成部分,凭借其在文本处理、知识抽取和智能决策等方面的优势,已在农业领域展现出巨大的应用潜力。本文回顾了自然语言理解技术的发展历程和核心技术,重点介绍了...自然语言理解(Natural language understanding, NLU)作为人工智能的重要组成部分,凭借其在文本处理、知识抽取和智能决策等方面的优势,已在农业领域展现出巨大的应用潜力。本文回顾了自然语言理解技术的发展历程和核心技术,重点介绍了在农业领域多种应用场景所开展的研究,包括农业文本信息抽取、农业知识图谱构建、农业装备智能交互、农业服务智能交互、科研文献与专利挖掘等。自然语言理解技术在农业中的应用仍面临如农业语言多样性与方言差异、农业小样本学习与数据标注、农业跨模态数据融合与语义对齐、农业模型部署与效率优化、农业数据隐私保护与可持续发展等多方面的挑战。未来,随着自监督学习、迁移学习及多模态智能农业的快速发展,NLU技术有望进一步在精准农业、实时决策支持及农业可持续发展等方面发挥更大作用。展开更多
基于检索增强生成(RAG)的军事领域知识问答系统已经逐渐成为现代情报人员收集和分析情报的重要工具。针对目前RAG方法的应用策略中的混合检索存在可移植性不强以及非必要使用查询改写容易诱发语义漂移的问题,提出一种多策略检索增强生成...基于检索增强生成(RAG)的军事领域知识问答系统已经逐渐成为现代情报人员收集和分析情报的重要工具。针对目前RAG方法的应用策略中的混合检索存在可移植性不强以及非必要使用查询改写容易诱发语义漂移的问题,提出一种多策略检索增强生成(MSRAG)方法。首先,根据用户输入的查询特点自适应地匹配检索模型来召回相关文本;其次,利用文本过滤器提取出能够回答问题的关键文本片段;再次,使用文本过滤器进行内容有效性判断以启动基于同义词拓展的查询改写,并将初始查询与改写后的信息合并输入检索控制器以进行更有针对性的再次检索;最后,合并能够回答问题的关键文本片段和问题,并使用提示工程输入生成答案模型来生成响应返回给用户。实验结果表明,MSRAG方法在军事领域数据集(Military)和Medical数据集的ROUGE-L(Recall-Oriented Understudy for Gisting Evaluation Longest common subsequence)指标上相较于凸线性组合RAG方法分别提高了14.35和5.83个百分点。可见,MSRAG方法具备较强的通用性和可移植性,能够缓解非必要查询改写导致的语义漂移现象,有效帮助大模型生成更准确的答案。展开更多
文摘自然语言理解(Natural language understanding, NLU)作为人工智能的重要组成部分,凭借其在文本处理、知识抽取和智能决策等方面的优势,已在农业领域展现出巨大的应用潜力。本文回顾了自然语言理解技术的发展历程和核心技术,重点介绍了在农业领域多种应用场景所开展的研究,包括农业文本信息抽取、农业知识图谱构建、农业装备智能交互、农业服务智能交互、科研文献与专利挖掘等。自然语言理解技术在农业中的应用仍面临如农业语言多样性与方言差异、农业小样本学习与数据标注、农业跨模态数据融合与语义对齐、农业模型部署与效率优化、农业数据隐私保护与可持续发展等多方面的挑战。未来,随着自监督学习、迁移学习及多模态智能农业的快速发展,NLU技术有望进一步在精准农业、实时决策支持及农业可持续发展等方面发挥更大作用。
文摘基于检索增强生成(RAG)的军事领域知识问答系统已经逐渐成为现代情报人员收集和分析情报的重要工具。针对目前RAG方法的应用策略中的混合检索存在可移植性不强以及非必要使用查询改写容易诱发语义漂移的问题,提出一种多策略检索增强生成(MSRAG)方法。首先,根据用户输入的查询特点自适应地匹配检索模型来召回相关文本;其次,利用文本过滤器提取出能够回答问题的关键文本片段;再次,使用文本过滤器进行内容有效性判断以启动基于同义词拓展的查询改写,并将初始查询与改写后的信息合并输入检索控制器以进行更有针对性的再次检索;最后,合并能够回答问题的关键文本片段和问题,并使用提示工程输入生成答案模型来生成响应返回给用户。实验结果表明,MSRAG方法在军事领域数据集(Military)和Medical数据集的ROUGE-L(Recall-Oriented Understudy for Gisting Evaluation Longest common subsequence)指标上相较于凸线性组合RAG方法分别提高了14.35和5.83个百分点。可见,MSRAG方法具备较强的通用性和可移植性,能够缓解非必要查询改写导致的语义漂移现象,有效帮助大模型生成更准确的答案。
