首页 文章 精选 留言 我的

精选列表

搜索[智能体执行环境]，共10000篇文章
优秀的个人博客,低调大师

《数据虚拟化：商务智能系统的数据架构与管理》一 1.8 数据虚拟化的不同实现

1.8 数据虚拟化的不同实现 技术上来说，许多不同的方式都可以实现数据虚拟化层。以下是一些例子：使用专用的数据虚拟化服务器，多个数据存储器看起来只是一个。应用程序只看见一个大的数据存储器，然而实际上数据存储在多个存储器中。一个企业服务总线（ESB）可以用来开发一个允许对数据标准访问的服务层。调用这些服务的数据使用者不需要知道数据在哪里、怎样被保存、它的存储结构、它的原始资源接口或者其他技术细节。他们只会看见，例如，一个SOAP接口或一个ReST（表述性状态转移）接口。在这种情况下，ESB是数据虚拟化层。想要了解更多关于ESB的信息，见文献［11］。把数据存储放到云中也是数据虚拟化的一种形式。访问一个数据存储时，数据使用者使用云API工作，它们并不知道数据本身存在哪里。数据的存储和管理是在本地还是远程是完全透明的。在某种程度上，使用从
2017-09-07
优秀的个人博客,低调大师

《数据虚拟化：商务智能系统的数据架构与管理》一 1.5 数据虚拟化与相关概念

1.5 数据虚拟化与相关概念 数据虚拟化和IT产业中一些众所周知的其他概念密切相关，如封装、信息隐藏、抽象数据联合、数据集成和企业信息集成。本节解释这些概念和它们与数据虚拟化的关系。注意，关于这些概念存在不同的定义，并且有些人视这些概念为同义词。混淆这些概念的原因在文献［5］中Edward Berard已经表述得相当清晰：“抽象、信息隐藏和封装是非常不同但高度相关的概念。不难看出抽象、信息隐藏和封装是怎样相互混淆的。” 1.5.1 数据虚拟化与封装和信息隐藏 40多年前，David L. Parnas在1972年发表了开创性论文“On the Criteria to Be Used in Decomposing Systems into Modules”（见文献［6］）。该论文已经出版了多次。在这个传奇的论文中，Parnas解释了对于应
2017-09-07
优秀的个人博客,低调大师

《数据虚拟化：商务智能系统的数据架构与管理》一 2.3 管理层次与决策制定

2.3 管理层次与决策制定 决策制定这一主题与管理和在机构中建立的各级管理层次有直接关系。一个普遍表示管理层次的方法是通过管理金字塔（如图2-1所示）。 策略管理的重点在于整个机构的表现。大部分关于整个机构的决策由这一水平的管理制定。例如，我们是否要构建一个新机构？我们是否应该进军一个新的市场？机构是否应该扁平化管理？我们是否应该外包所有IT工作？策略管理层制定的策略长期影响今后的结果与目标。战术管理层关心的是一个机构的规划和控制单元，例如市场、销售和生产。通常他们制定的决策有短到中期的影响。操作管理层处理机构的日常操作。例如，第二天某一特定商店应该供应多少苏打水？机构有足够的司机可供调试去运送包裹吗？应该采取什么样的措施应对一架严重晚点的飞机，并且飞机上有许多不得不转机的旅客？
2017-09-07
优秀的个人博客,低调大师

中国人工智能学会通讯——面向知识图谱的自适应中文分词技术

引言 知识图谱用于描述真实世界中存在的各 种实体和概念，知识图谱技术提供了一种从 海量文本和图像中抽取结构化知识的手段[1]。 知识图谱的构建可分为信息抽取、知识融合 和知识计算三部分，其中信息抽取是知识图 谱构建的基础，主要面向各种非结构化数据、 半结构化数据和自由文本数据。这里，自由 文本数据作为一种非结构化数据，是构建知 识图谱的主要数据来源。因此，从中文自由 文本中获取知识需要利用自然语言处理技术 进行信息抽取，诸如实体识别、关系抽取等。 在实体识别过程中，中文分词系统的性能对 实体识别的准确率起着至关重要的作用。中 文实体识别，首先要通过分词系统进行词语 识别；准确的中文分词可给出明确的实体边 界，错误的中文分词对实体识别带来不可逆 转的影响。 知识图谱的构建是面向领域的构建，知识图谱中代表性实体也均带有领域特征。通 用中文分词系统在知识图谱构建中，由于缺 乏领域先验知识，分词系统的性能会骤然下 降。为了得到较好的分词结果，面向知识图 谱的中文分词系统需要具有较强的领域自适 性。自适应的中文分词系统可以对不同领域 的非结构化数据依据数据自身的分布情况进 行高精度切分，为特定领域的知识图谱的构 建提供坚实的基础。本文将围绕自适应中文 分词系统进行相关工作的介绍。 中文分词任务是众多中文自然语言处理 任务的基石。对于知识图谱构建来说，高精 度的词语切分有助于命名实体或概念的识别。 随着自然语言处理技术的不断发展，人们已 不局限于新闻等标准语料的分析与挖掘，医 疗、金融、生物、科技等专业领域的数据也 开始采用自然语言处理技术进行文本自动处理。但由于大多数专业领域缺乏相应的分词 标注数据，且不同领域的文本用词方法及行 文表达方式不同，采用通用分词工具进行专 业领域文本标注时，分词性能较差。因此， 建立具有良好领域适应性的中文分词系统是 知识图谱构建技术的主要研究问题之一。这 里，具有良好领域适应性是指，当需要进行 标注的文本类型与分词系统的训练语料不同 时，分词系统仍然保持良好的分词效果。本 文所指的文本类型不同，包括文本所涉及的 话题领域不同、文本的行文表达方式不同等。 分词系统现存挑战 从语言学角度，词是最小的能够独立运 用的语言单位。计算机对文本的理解过程同 样也以词为最小的语义单位。中文自然语言 文本中，并不存在空格等显式标志指示词的 边界。因此，在计算机进行自然语言理解的 基础性工作就是对文本进行自动分词的处理， 即计算机自动在汉语文本中在词与词之间添 加边界标记。例如，“三峡工程引进第一笔 外资。”经过计算机自动分词后，句子中词 与词之间被添加了边界标记并显示为“三峡 工程 引进 第一 笔 外资 。” 中文分词系统性能主要受两类关键问题 的影响 [2]。一是歧义切分，这主要是因为字 不能作为独立的语言单位，字的多义使得词 语在切分过程中需要依据上下文信息给出适 当的切分方案。例如，“门把手坏了。”和 “门把手夹坏了。”，第一句中“把手”是词， 第二句中“把”和“手”单独成词。二是未 登录词，该类词并未在分词系统的训练语料 和所使用的词表中出现过。未登录词主要由 专有名词和新产生的中文词构成。专有名词 主要涉及人名、地名、组织机构名、专业术语、 商品名等。新产生的中文词主要来自于网络 新词，例如“喜大普奔”等。在建立面向专 业领域的分词系统过程中，未登录词对系统 性能的影响极为明显。 中文分词常用方法及相关工作 现有常用的中文分词语料库主要有 Chinese TreeBank[3]、 Sinica Balanced Corpus [4]、北京大学人民日报语料库 [5] 和 LIVAC[6]。 国 际 中 文 自 动 分 词 评 测（ 简 称 SIGHAN Bakeoff）1 对中文分词工作的发展产生了巨大 的推动作用。该评测针对特定任务，提供包 含训练语料、测试语料和标准答案在内的分 词数据集。近年来，中文分词工作不再局限 于标准的新闻语料，针对特定领域的中文分 词语料逐渐丰富，诸如小说语料 [7]、中文专 利语料 [8]、微博语料 [9]。 当前大部分分词工作将分词任务转化为 基于字的序列标注任务，即通过字在词语中 所占位置进行标注，例如，B、I、E、S 分别 表示字为词组中的首字、中间字、尾字、单 字词；本文所举例句可被标注为“三 B 峡 E 工 _B 程 _E 引 _B 进 _E 第 _B 一 _E 笔 _S 外 _B 资 _E 。_S”。大部分中文分词工作主 要是针对新闻语料。常规分词标注系统常采 用如下分类器：最大熵马尔科夫模型 [10]、条 件随机场 [11]、结构化感知器 [12] 等。 随着深度学习算法的广泛应用，很多 中文分词研究工作也引入了深度学习算法， 带来了一定的效果提升。Cai 等人 [13] 并没 有采用序列标注的分词方式，而是直接评估对句子的不同切分的似然度，搜索句子的不 同切分得到一个似然度得分最高的切分作为 分词结果。Zhang 等人 [14] 将原本使用离散 特征的基于词的模型改进为神经网络模型， 用字向量和词向量替代原有的离散字和词的 特征，用神经网络代替线性模型；并对离散 特征的模型和神经网络模型进行了组合， 得到了一个组合模型。Xu 等人 [15] 提出了 使用双向长短期记忆神经网络 (Long ShortTerm Memory，LSTM) 得到各个字符周围的 局部特征，再使用门控递归神经网络 (Gated Recursive Neural Network,GRNN) 结合长距离 依赖性 (long range dependencies)。 目前，中文分词系统已经在新闻文本领 域获得了很高的正确率，一些分词系统的 F1 值已经超过 98%[16]。越来越多的研究注意力 开始转向其他缺乏标注语料的文本领域。标 注语料的缺乏，使得这些新的领域的分词问 题具有更大的挑战性。已有的一些研究工作 开始关注文学文本，诸如网络小说 [7]；还有 一些针对微博这类非正式语言的文本分词研 究工作 [9]。虽然文学文本工作和微博文本工 作都存在各自领域问题带来的挑战，但这些 文本中所使用的词汇及语言表述方式仍属于 日常生活用语范围，一般情况下对于一个母 语是中文的人来说，不需要进行任何的专业 培训即可以很好地理解文本。 科技文本诸如专利文本与上述文本有很 大的不同。专利文本中包含了大量的科技用 语和专业词汇，这使得即使使用母语的一般 读者在阅读理解专利文本的时候也会感到很 困难；通常需要经过一定的专业培训，读者 才可能较清晰地理解文本所表达的意思。从 文本自动分词角度来讲，专利文本中常用的 科技用语和专业词汇很难从拥有大量标注数 据结果的日常用语类文本中找到。这类词汇 通常被认定为“未登录词”。中文分词系统 一个永恒的研究难点就是如何能够有效切分 出这些“未登录词”。美国情报高级研究计 划 署 (Intelligence Advanced Research Projects Activity，IARPA) 下属科研项目 FUSE2 （Foresight and Understanding from Scientific Exposition）即通过对大量专利等科技文献进 行分析研究，预测新兴技术的潜在方向和发 展趋势。该项目中包括了对中文专利文本的 分析，并建立了针对中文专利文本的分词和 词性标注系统作为后续分析工作的基础。到 目前为止，只有为数不多的针对中文专利文 本的分词研究工作 [17]。目前常用的分词系统 在专利分词任务上表现不佳。 领域自适应常用方法及相关工作 领域自适应方法，可有效解决缺乏领域 内标注语料而产生的标注系统性能低下的问 题。跨领域标注中，训练集数据和测试集数 据并不是从同一个分布中抽样得到的。领域自适应算法描述了如何处理不同来源的训练 集数据和测试集数据，导致的标注系统性能 下降的问题。领域自适应的目标是让一个分 类器在训练集上训练，同时能够在测试集上 有较好的表现。由于部分文本专业性较强， 人工标注难度大，在这种情况下，采用领域 自适应系统是一个不错的选择。一般的，训 练集数据的分布称为始源域，把测试集数据 的分布称为目标域。 领域自适应方法可分为全监督领域自适应和半监督领域自适应 [18]。这两种具体的领 域自适应方法的主要区别在于是否能够得到 目标领域的标注数据。全监督领域自适应算 法中，包含大量始源域的标注数据和少量目 标领域的标注数据；而半监督领域自适应算 法中，仅能得到始源域的标注数据，但目标 域没有任何已人工标注的信息。显而易见， 一般情况下全监督领域自适应的效果会高于 半监督领域自适应。实际的应用中，在初始 研究阶段，只能拿到大量未标注的目标领域 的数据，可选用半监督领域自适应方法；待 可获得小部分人工标注后，可采用全监督领 域自适应方法提升系统性能。领域自适应的 目标是，当数据领域发生变化时，系统仅需 做出较少的调整，即可在新领域数据中得到 较好的序列标注结果。 在全监督领域自适应方法中，Daumé III[18] 放大了始源域和目标域数据的特征空 间，然后使用合并的特征空间训练交叉域模 型。全监督方法的弊端在于仍需要花费大量 的人力进行目标领域数据的标注。Kim等人[19] 借鉴了文献 [18] 的思想，实现了基于神经网 络的领域自适应方法。Zhang 等人 [20] 设计 了一种基于门控机制的自适应神经网络可进 行跨领域学习。通常情况下，在已标注数据 中，始源域数据量远超目标域数据量，如果 将始源域数据和目标域数据直接简单合并在 一起作为训练语料，很容易将目标域中特有 信息掩盖。为了有效融合已标注目标域和始 源域数据中的有效信息，基于门控循环单元 （Gated Recurrent Unit，GRU）的领域自适 应神经网络模型，将始源域信息有序添加至 目标域输入中。GRU由更新门和控制门组成， 表述如下： 近年来，已经有一些学者开始关注跨领 域自动分词的研究 [7,17]。领域词典的使用可有 效提高跨领域字词系统的性能 [7]。目前，基 于神经网络自适应的中文分词系统的研究还 不是很成熟。Li 等人 [17] 在研究过程中发现， 常用领域自适应方法是存在一定适用范围的， 当目标域标注数据达到一定数量级后，领域自适应方法所产生的效果微乎其微。 结束语 知识图谱用于描述真实世界中存在的各 种实体和概念，如何从海量非结构化数据中 识别实体是知识图谱构建的关键问题之一。 中文知识图谱构建过程中，分词系统对词语 的准确切分，可直接实现多数实体和概念的 边界划分；可以说，分词系统的性能对知识 图谱的构建起着关键性影响。中文分词系统 在标准数据集（诸如新闻语料）上的表现接 近完美，但在其他缺乏标注的特定领域数据 上的表现差强人意，特别是某些专业性较强 的领域，由于存在大量未登录词，使得分词 系统面临巨大挑战；这就需要面向知识图谱 的中文分词系统具有较强的领域自适性。因 此，建立具有领域自适应性的分词系统将会 是中文分词研究的热点问题之一，也是建立 高精度的面向知识图谱中文分词系统的有效 途径之一。
2017-08-31
优秀的个人博客,低调大师

中国人工智能学会通讯——Bots：下一站王者 1.2 如何认识 Bots

1.2 如何认识 Bots Bots 目前并没有一个准确的概念。通 常来说，它需要一个对话式交互界面，是 一种人们可以用自然语言，让它能够在其 他机器人、APP 或服务上运行回应事件触 发或用户请求的微服务。Bots 强调数字用 户（机器人）的主动性，它要能够在无需 用户发起业务流程的情况下发起应用程序， 并将结果按需传递给目标用户；或者说， Bots 通过与人 / 机器人对话将某个产品或服 务带入到特定的消息通讯产品中。 “当与对话式用户界面（CUI）相结合 时，Bots 让人与应用程序之间的交互变得 拟人化。以这种方式使用的机器人通常被 称为 chatBot。如果将机器人与 CUI 和不同 的应用场景相结合，就产生了虚拟个人助 理（VPA）或虚拟客户助理（VCA）。另外， 几个 Bots 可以组合成为更大型的 Bot，来 完成更为复杂的任务或是一系列的任务。 Bots 通常运行于云端，也可以按需做本地 化部署。”1 Bots 的概念从提出到现在其实还不到 一年时间，但它迅速成为媒体热议的焦点， 并成为各大 AI 公司的战略性布局，其中的 原因显而易见。对终端使用者来说，它简 单易用，用户能使用自然语言与之对话； 对开发者来说，有了一些核心的开发平台 之后，Bots 的打造并非难事，开发者只需 将精力集中于领域知识和业务逻辑便可， 运营也不复杂；对于企业来说，它们容易 扩散，用户能够很容易使用 Bots 并将其与 朋友分享；对于整个生态系统来说，由于 界面代码的一致性，它们更容易集成。另 外，如果一个 Bot 发现它无法回答用户问题， 还会转向另一个 Bot 寻求帮助。 Bots 介入人类生活，我们不需要在各种应用之间切换，只要在一个界面上便可 以解决各式问题，这为人类描绘了一个很 美妙的场景，因此，对于短短的几个月内 数百种 Bots（甚至数千种）突然涌现的现 象也就不难理解。 Bots 可以分为不同的种类。例如陪聊 Bots，包括诞生于 1966 年的 Eliza，虽然其 不是真正应用了 AI（自然语言处理等）技 术，但对之后的 Bots 应用产生了深远影响， 当然也包括现在比较有名的微软小冰等。 VCA 和 VPA 也属于 Bots 的范畴，VCA 包 括 Nuance 的 Nina、IPsoft 的 Amelia，以及 在中国得到广泛应用的小 i 机器人；VPA 包 括苹果的 Siri、微软的 Cortana、百度的度 秘等。
2017-08-31

资源下载

更多资源
Mario

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

时间: 2026-04-11 大小: 211.28KB 下载: 56次
Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

时间: 2026-09-24 大小: 189MB 下载: 9次
Spring

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

时间: 2026-08-21 大小: 5MB 下载: 2次
Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

时间: 2026-08-21 大小: 9.84MB 下载: 40次
热门标签
DeepSeek Jdk25 OpenAi HarmonyOS6 Nacos3 SpringBoot4 SpringCloud Docker Kubernetes Service Mesh Redis Gemini3 Rocky

欢迎您来访！

登录后，您将获得更多功能！
热门文章
联系我们

有任何问题或合作意向欢迎联系我们

Email: 99873273@qq.com

QQ: 99873273

用户登录
用户注册