面向开源情报的信息抽取大语言模型

针对开源情报信息抽取过程依赖多类专用模型和抽取属性限制强等问题,基于一种GLM大语言模型进行指令微调和上下文学习提高信息抽取准确率,利用指令自动化生成方法对原始问题进行泛化,构建SFT数据集。开展多任务统一的微调学习常见抽取模式,通过自动思维链扩充提示增强模型推理能力。实验结果表明,该方法在开源情报命名实体识别、关系抽取和事件抽取任务上,微调模型能满足不同场景下的抽取要求,具有较好的抽取效果。

跨语种多模态信息分拣技术与应用

大数据时代,由于语言的差异性和信息的多样性,处理海量跨语种、跨模态数据给信息分析技术提出了考验。通过构建多语种平行语料库和跨语种词嵌入模型,解决跨语种词嵌入的挑战,实现跨语种信息的词嵌入表示。通过利用跨模态的表示学习技术,将文本、图像和语音等多模态信息进行语义对齐及融合,从而实现对跨模态信息的综合分析。另外,设计了多任务学习参数共享模型,提高信息分拣的准确性,并加快信息分练效率。该研究支持情报分析人员快速获取、整理和分析海量跨语种多模态信息,为情报支持和决策提供更全面、准确的参考。