基于自然语言生成的制造企业自动化图表分析方法研究

随着数字化转型的浪潮席卷全球,制造企业每天都会产生大量的图表数据,传统的图表分析方法很难对图表数据进行高效、准确的分析,自动化图表分析方法成为图表分析的重要手段。为解决自动化图表分析方法在实际应用时很难满足具体需求的问题,提出了一种基于自然语言生成的制造企业自动化图表分析方法。该方法基于LSTM对图表数据进行分析,并针对分析过程中出现的多余数据误导LSTM等问题,在嵌入层之后增加判别器层使LSTM能够根据图表类型进行更有针对性的语义理解和文本预测;针对图表分析过程中生成描述语句质量差等问题,参考集束搜索和随机采样策略,提出随机集束采样策略以提高图表分析质量,并引入知识蒸馏方法对LSTM进行优化,进一步提高描述文本的质量。实验证明,相较于LSTM,该方法文本质量提升了8.9%。为了便于将该方法应用在实际中,设计并开发了制造企业自动化图表分析系统,并将该方法引入作为图表分析工具。实验结果表明,所提方法能够提高制造企业图表分析的质量和效率。

基于技能网络的通用自然语言生成模型

使用多任务训练的自然语言生成模型仅使用一个模型即可完成各种不同的自然语言生成任务。但这种所有任务共享所有参数的模型,无法清楚地知道模型的每一部分参数学到了什么技能。为了根据不同的任务选择激活不同的模型参数,该文提出了一种基于稀疏激活的通用自然语言生成模型(SkillNet-NLG)。与传统的稠密模型在执行任务时激活所有的模型参数不同,SkillNet-NLG在执行任务时,首先依据任务预先定义一组完成任务所需要的技能,然后根据定义的技能选择性地激活与技能相关的模型参数。这种模型设计使其能够通过正确地选择与任务相关的技能来高效地学习新的任务。在中文自然语言生成任务上的实验结果表明,首先,在仅使用一个模型的情况下,SkillNet-NLG在常见的五个自然语言生成任务中的四个上面超过了当前最好方法;其次,SkillNet-NLG的表现优于另外两类多任务基线模型(稠密模型和混合专家模型),并取得了与针对特定任务单独训练的模型相当的性能;最后,当应用到新任务上时,SkillNet-NLG相较于所有基线方法取得了更好的结果,验证了该文所提出的方法对于学习新任务的有效性。

面向文科学生的AI自然语言生成实验与教学设计

在AI技术在各行业的应用呈爆发式增长的背景下,培养文科学生的AI思维和跨学科创新能力很有必要。该文以AI自然语言生成技术为切入点,设计了一套基于语言大模型的藏头诗生成实验教学方案,主要包括语言大模型的基本原理、微调方法、云端部署以及最终实现藏头诗生成的方法。该实验方案成功落地实验教学,形成并开放了一套可操作、可复制的教学资料成果,有助于类似实验教学工作的开展。

基于自然语言生成技术的人工智能应用

自然语言生成(NLG)技术在轨道客车制造业中的应用提升了效率,优化了决策,并增强了用户体验。NLG技术通过自动化生成文档,减少了工程师的重复性工作,使他们能够专注于更高层次的任务。同时,它为管理层提供了基于数据的深刻洞察,帮助他们做出更明智的决策,并通过个性化的用户手册和操作指南提升了客户服务。在设计、生产、供应链管理和客户服务等多个环节中,NLG技术的应用都展现了其潜力,通过自动生成设计文档、生产报告、物流报告和客户服务记录等,显著提高了信息处理的速度和准确性。

基于自然语言生成的协同制造企业图表数据分析方法

为充分利用协同制造企业在生产过程中的非结构化图表数据,提出一种基于自然语言生成的图表数据分析方法。首先使用光学字符识别技术和关键点检测网络对图表中的文本信息和数据信息进行识别和提取;随后将用户需求作为输入,通过自然语言生成模型输出相应的图表文本描述,使其可以根据用户不同的意图,生成智能和准确的图表分析结果。该方法图表提取的精度为88.6%,文本描述的评估得分为86.4%。通过在企业的应用案例和相关调研也表明该方法能够根据用户需求对不同类型的图表进行准确的分析。

知识增强的自然语言生成研究综述

自然语言生成(Natural Language Generation,NLG)任务是自然语言处理(Natural Languge Processing,NLP)任务中的一个子类,并且是一项具有挑战性的任务。随着深度学习在自然语言处理中的大量应用,其已经变成自然语言生成中处理各种任务的主要方法。自然语言生成任务中主要有问答任务、生成摘要任务、生成评论任务、机器翻译任务、生成式对话任务等。传统的生成模型依赖输入文本,基于有限的知识生成文本。为解决这个问题,引入了知识增强的方法。首先介绍了自然语言生成的研究背景和重要模型,然后针对自然语言处理归纳介绍了提高模型性能的方法,以及基于内部知识(如提取关键词增强生成、围绕主题词等)和外部知识(如借助外部知识图谱增强生成)集成到文本生成过程中的方法和架构。最后,通过分析生成任务面临的一些问题,讨论了未来的挑战和研究方向。

自然语言生成综述

自然语言生成是人工智能和计算语言学的分支,是生成可理解文本的计算机系统。从系统的健壮性、复用性和独立性出发,详细介绍了由内容规划、微观规划和表层生成三个基本模块构成的经典管道模型,并着重分析了内容确定、结构构造、优化聚合、选词、提交生成表达式、内容实现、结构实现以及有关生成关键技术和系统建模等核心内容,最后提出了当前NLG的发展趋势和研究热点。

基于Schema和RST的自然语言生成混合规划方法

在自然语言生成系统的内容规划阶段，主要的手段是基于Schema的规划方法和修辞结构理论RST方法，Schema方法只适用于模式固定、细节略有变化的文本的生成，而RST方法则比较灵活，但是它的数据结构、规则库比较难建立。把这两种方法集成起来，并对Schema方法进行改造，使之能与RST有机地结合起来。在规划文本时首先用Schema方法规划全局的组织，然后用RST方法控制局部话语的连贯。这种结构可弥补采用单一方法的不足，具有双方的优点。

自然语言生成系统的多视图体系结构

在Reiter的流水线体系结构基础上,LynneCahill、ChristyDoran等人建立了RAGS(ReferenceArchitectureforGenerationSystem),它的目的是为自然语言生成(NLG)系统定义一个参考体系结构,但它是一个半模型,未能完整地描述生成系统。文章在RAGS的基础上提出了自然语言生成系统体系结构多视图方法,从功能、系统、技术三个视图方向对NLG系统体系结构进行了较为完整的描述。

多语种自然语言生成系统中的语言模型

介绍了在多语种自然语言生成系统中如何用统一的模型来表示各语种的语言知识 .本文将语言知识分为语义资源和语法资源两个部分 .前者通过 Schema和优化规则确定文本的内容 ;后者根据句子结构类、句法规则和词典确定文本的具体形式 .该模型以复杂特征集为语言知识的载体 。

基于自然语言生成的关联规则可视化方法

针对传统的关联规则蕴含式表示方式和图形可视化方法对非专家用户来说不易理解的问题,提出了一种新的基于自然语言生成的关联规则可视化方法。该方法将自然语言生成技术引入到关联规则可视化中,通过领域知识库中的解释模式将关联规则中每一项生成简单的自然语言句子,并经过句子规划、表层实现,最终生成流畅的自然语言句子。实验最终得出的结果,便于普通用户理解和应用,从而帮助用户获取更有价值的信息。

自然语言生成中的句子结构优化处理

本文介绍多语种文本生成系统中的句子结构优化处理，采用基于语义的规则驱动方法来消除句子之间的信息冗余，从而使生成的文本更加自然流畅，可读性强。这种方法独立于具体语言，不受语种限制，具有极好的移植和扩展能力，在自然语言生成系统中具有广泛的研究价值。句子优化的主要类型、算法的构造以及规则的定义方法均在文中作了详细的说明。

汉语自然语言生成的句子结构优化

介绍汉语天气预报自动生成系统中句子结构优化的方法。该系统通过分析气象数据而生成天气预报文本，文本在计算机内部使用文本结构树表示，该结构通常具有一定的冗余性。采用一种基于语义的规则驱动方法来消除句子之间的信息冗余，从而使生成的文本更加自然流畅，增加可读性。句子优化的主要类型、系统的构造以及规则的定义方法均在文中作了详细的说明。

多语种自然语言生成系统中的预映射句子规划器

自然语言生成是研究如何用计算机来生成自然语言文本的研究领域 ,经典结构是宏观规划、微观规划和表层生成的流水线结构 .分析了多语种自然语言生成系统 ACNL G中的微观规划器 ,提出了“基于语言资源预映射的句子优化器”,它不仅对句子进行优化 ,而且负责将语种无关的文章内容映射到具体语种的表达方式中 .其核心思想就是将处理过程同具体语种的语言资源相分离 ,但同时又以语言资源为导向 ,既继承了现有方法的优点 ,同时也解决了多语种条件下各语种之间细微差别的处理问题 ,使句子优化能够针对目标语种的特点进行优化操作 ,从而使优化效果有实质的提高 。

一种基于自然语言生成的XML关键字查询技术

为了解决基于LCA(Lower Common Ancestor)的XML关键字查询丢失语义的问题,提出了一种基于"自然语言生成技术(Natural Language Generation,NLG)"的XML关键字查询技术,将NLG的内容规划应用到XML文档,产生针对用户查询的消息语句集,通过对消息语句集的筛选既可以实现基于语义的XML关键字查询,又可以极大地提高查询效率。

马尔可夫决策过程和先验控制向量在弱约束自然语言生成中的应用

自然语言生成是目前非常重要且具有挑战性的一类人工智能任务.长短时记忆(Long Short-Term Memory,LSTM)语言模型是目前最为主流的自然语言生成模型.但是,LSTM语言模型的训练准则是词语级别的交叉熵,这会导致暴露偏差问题.此外,一般自然语言生成任务的评测指标是序列级别的BLEU分数或者词错误率,这与训练使用的交叉熵准则也不匹配.在本文中,我们使用马尔可夫决策过程重定义了自然语言生成问题,并通过从训练数据中提取的先验控制向量来指导生成过程.先验控制向量可以视作是对序列空间的一种先验划分的抽象,通过在自然语言生成中引入先验控制向量,我们可以更好的约束自然语言生成的空间.再通过马尔可夫决策过程的定义,我们可以使用策略梯度算法来直接使用测试使用的BLEU分数来代替交叉熵训练LSTM网络.在多个数据集上的实验显示本文提出的方法相比于普通使用LSTM语言模型的基线系统在BLEU分数上有大约绝对2%~3%的提升.

自然语言生成系统的实现技术分析

自然语言生成（NaturalLanguageGeneration）是自然语言处理两大域之一，国外许多学者都在致力于NLG技术的研究。本文主要介绍有关文本自动生成器的实现技术。首先简单的阐述文本自动生成的三大主要任务；其次，具体描述四种常用的生成器实现技术及其优缺点；最后，文章谈到了一个具体实例的实现模型。

具有可移植性自然语言生成系统的实现

从系统可移植性的角度对自然语言生成系统的任务域处理模块、语言学处理模块、文本生成模块进行研究 ,提出了具有一定可移植性的自然语言生成系统的设计方法 ,并通过实验验证了方法的可行性 。

基于特定任务域的自然语言生成系统实现方法

针对自然语言生成系统在任务域不同时需要对系统进行重新设计的问题,本文从可移植的角度,对自然语言生成系统中的任务域处理模块、语言学处理模块、文本生成模块进行了研究,提出了一种基于特定任务域具有可移植的自然语言生成系统的实现方法,并通过实验验证了该方法的可行性。

自然语言生成综述

自然语言生成(NLG)技术利用人工智能和语言学的方法来自动地生成可理解的自然语言文本。NLG降低了人类和计算机之间沟通的难度,被广泛应用于机器新闻写作、聊天机器人等领域,已经成为人工智能的研究热点之一。首先,列举了当前主流的NLG的方法和模型,并详细对比了这些方法和模型的优缺点;然后,分别针对文本到文本、数据到文本和图像到文本等三种NLG技术,总结并分析了应用领域、存在的问题和当前的研究进展;进而,阐述了上述生成技术的常用评价方法及其适用范围;最后,给出了当前NLG技术的发展趋势和研究难点。