开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

我们可以在对话流中添加5个以上的输入上下文吗？

在对话流中，可以添加5个以上的输入上下文。输入上下文是指对话中的先前对话状态，包括用户的先前问题、回答和对话历史。通过使用输入上下文，可以帮助机器人理解用户的意图并提供更准确的回答。

添加多个输入上下文可以提供更丰富的对话场景，使机器人能够更好地理解用户的问题并作出相应的回应。例如，如果用户在之前的对话中提到了购买云服务器的需求，那么在后续的对话中，机器人可以根据这个上下文提供与云服务器相关的推荐和解答。

在腾讯云的对话流平台中，可以通过设置上下文参数来添加输入上下文。每个上下文参数都有一个名称和一个值，可以根据需要添加多个上下文参数。这些上下文参数可以在对话流的不同节点中使用，以便在对话中保持上下文的连贯性。

腾讯云的对话流平台提供了丰富的功能和工具，帮助开发者构建智能对话机器人。其中包括自然语言处理、意图识别、对话管理等功能，可以根据具体的业务需求进行定制和配置。腾讯云的智能对话机器人产品包括腾讯云智能对话（Tencent Cloud Intelligent Dialog，TCID）和腾讯云智能语音交互（Tencent Cloud Intelligent Voice Interaction，TCIVI），可以满足不同场景下的对话需求。

更多关于腾讯云智能对话和智能语音交互的信息，可以参考以下链接：

相关搜索:我们可以在ios sdk中添加五个以上的标签栏吗？我们可以在JobManager中添加ByteArrayInputStream吗？我们可以在UITableViewCell中添加滚动视图吗？我们可以对对话流中的特定用户使用相同的session_id吗？我们可以在surveyJS库中添加欢迎页面吗我们可以在ruby文件的注释中添加特殊字符吗？我可以在@Scheduled中添加上下文吗？我们可以在AMP iframe中添加非AMP HTML吗？我们可以在html中制作我们自己的标签吗？在javascript中为对话流设置上下文的正确方法我们可以在woocommerce的商店页面上添加媒体吗？我们可以在formik YupValidationSchema中添加自定义验证吗？我们可以在GameObject菜单中添加不显示在hierarchy窗口的上下文菜单中的菜单项吗？我们可以在我们的应用程序中播放我们的YouTube频道视频吗？可以在谷歌的位置权限对话框中添加任何OnClickListener吗？在Pytorch中，我们可以有超过一维的输入(例如单词嵌入)吗？我们可以在Python中添加“OR”运算符和if和else吗？在Redis中，我们可以检查缓存的年龄吗？我们可以在cox回归SPSS中添加参考组中的非预测变量吗？我们可以在gmail的history.list API中添加多个labelId吗？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

开源AGI智能体人人可养成：AGI对齐新思路，让智能体在人类世界中接受训练

一位网友根据Karpathy曾经构想过的一个AGI智能体构架，创建了一个开源的智能体，命名为Samantha。

01

情感识别难？图神经网络创新方法大幅提高性能

简而言之，情感识别（ERC）是对文字背后的情感进行分类的任务。例如，给定一段文字，你能说出说话者是生气、快乐、悲伤还是困惑吗？情感识别在医疗保健、教育、销售和人力资源方面具有许多广泛的应用。从最高的一个层面讲，情感识别任务非常有用，因为许多人认为，这是构建能够与人类对话的智能 AI 的基石。

01

(含源码)「自然语言处理(NLP)」Question Answering(QA)论文整理(六)

本次整理的论文还是主要偏向于机器阅读理解的问答（MRC-QA），其中主要涉及到双向注意流(BIDAF)网络、Gated Attention模型、AS Reader模型、问答句子识别、双向注意机制和层次表示学习的关系图神经网络、类人问答系统建立等。

02

【论文笔记】2021-EMNLP-Knowledge-Aware Graph-Enhanced GPT-2 for Dialogue State Tracking

为了建模槽间关系，本文提出了一种新的混合体系结构，它通过来自图注意网络的表示来增强 GPT-2，从而允许对槽值进行因果的、顺序的预测。模型体系结构捕获跨域的槽间关系和依赖关系。

03

人工智能可在对话流中学习单词

日本大阪大学（Osaka University）的一组研究人员开发了用于对话系统的新方法。这种新方法通过隐式确认的方式习得词汇，计算机通过在对话流中确认它的预测是否正确以获得多个对话中某个未知单词的类别。近年来出现了很多对话机器人、聊天机器人和语音助手应用程序；然而，在这些系统中，计算机基本上是根据预先编制的内容来回答问题。还有另一种方法，即让计算机通过询问简单的重复性问题向人类学习；但是，如果电脑为了获取知识只提“xyz是什么？”之类的问题，用户将失去与电脑交谈的兴趣。该研究团队开发了一种隐式确认的方

08

第二章--第五篇：闭合式对话系统

对话系统作为人机交互领域的重要研究方向，在现实生活和技术领域具有广泛的应用。它的重要性体现在以下几个方面。首先，对话系统能够提供自然、直观的人机交互方式。传统的人机交互方式主要依靠键盘、鼠标等输入设备，但对于一些用户，使用自然语言进行对话更加便捷和直观。对话系统通过语音识别和自然语言处理技术，能够理解用户的语言输入，并以自然语言的形式回复用户，使用户能够像与人类对话一样与计算机交流。其次，对话系统在实现智能个人助理、智能客服和虚拟人物等领域具有重要应用。智能个人助理可以帮助用户处理日常事务、提供个性化的推荐和建议，提升用户的生活品质。智能客服能够为用户提供实时的技术支持和服务，提高客户满意度。虚拟人物则能够与用户进行情感交流、提供娱乐和教育等功能。此外，对话系统在知识获取和信息检索方面发挥着重要作用。对话系统可以与用户进行语义理解和意图识别，从海量的数据中提取有用的信息，为用户提供准确、实时的答案和解决方案。对话系统还可以通过与用户的对话交互，逐步获取并更新知识库，实现知识的持续积累和更新。最后，对话系统的发展也推动了人工智能技术的进步。为了实现对话系统的自动化、智能化，需要运用自然语言处理、机器学习、深度学习等前沿技术。对话系统的研究和应用促进了这些技术的发展，提升了人工智能在其他领域的应用水平。

05

再也不怕「视频会议」尬住了！谷歌CHI顶会发布新神器Visual Captions：让图片做你的字幕助手

最近几年，「视频会议」在工作中的占比逐渐增加，厂商也开发了各种诸如实时字幕等技术以方便会议中不同语言的人之间交流。

02

长文本之罪：Claude团队新越狱技术，Llama 2到GPT-4无一幸免

刚刚，人工智能初创公司 Anthropic 宣布了一种「越狱」技术（Many-shot Jailbreaking）—— 这种技术可以用来逃避大型语言模型（LLM）开发人员设置的安全护栏。

02

OpenAI竞对用256轮对话「灌醉」大模型，Claude被骗造出炸弹！

今天，Anthropic发表了自己的最新研究：如何绕过LLM的安全限制？一次越狱不够，那就多来几次！

01

CacheGen:语言模型应用程序的快速上下文加载

凭借其令人印象深刻的生成能力，大语言模型(LLM)被广泛应用于各个领域。公共LLM的API(例如GPT-4)和应用框架(例如Langchain)的广泛使用，结合开源的满足工业应用质量要求的LLM(例如Llama)，进一步提高了LLM的受欢迎程度。随着LLM越来越多地被用于复杂任务，许多应用程序通过使用包含至少数千个标记的长上下文LLM来增强它们的输入(即提示)。例如，某些上下文用领域知识文本补充用户提示，以便LLM可以使用LLM本身嵌入的信息之外的领域知识来生成响应。另一个例子是，一些上下文利用用户和LLM之间交互过程中积累的对话历史来补充用户提示。这种长上下文的趋势很好地反映在最近训练接受更长上下文输入的LLM的竞赛中，从ChatGPT中的2K Tokens到Claude中的100K(见图1)。虽然较短上下文输入能力的LLM仍然有用，但许多研究表明，较长的上下文输入通常有助于提高模型响应的质量和一致性。

01

【论文笔记】Multi-Domain Dialogue State Tracking based on State Graph

现有的方法通常将以前的对话状态与对话历史连接作为编码器的输入。它们依赖于编码器的自我注意机制来连接其中的 token。然而，编码器可能会注意到虚假的联系，从而导致错误的推断。

02

GitHub超1.5万星NLP团队热播教程：使用迁移学习构建顶尖会话AI

了解NLP的读者应该对Hugging Face这个名字非常熟悉了。他们制作了Transformers（GitHub超1.5万星）、neuralcoref、pytorch-pretrained-BigGAN等非常流行的模型。

02

Intellij IDEA 竟然把 Java8 的数据流问题这么完美的解决掉了！

Java8在2014年三月发布了。我们打算将Pondus的所有生产服务器升级到这一新版本。从那时起，我们将大部分代码库迁移到lambda表达式、数据流和新的日期API上。我们也会使用Nashorn来把我们的应用中运行时发生改变的部分变成动态脚本。

05

StreamingLLM 框架：利用最新标记让 AI 记住你的话、创作长篇小说，探索无限长度文本

“ 为了实现LLM的高效流式部署,研究人员提出了 Streaming LLM 框架，其核心思路是保留最近的标记和重要的注意力点，同时丢弃不必要的中间标记。该方法允许LLM高效处理更长的上下文，在多轮对话等场景中展现出巨大应用潜力。”

01

IDEA Java8 的数据流问题，用过都说好！

相信不少小伙伴的 Lambda 使用的贼 666，今儿来看看 IDEA 在这方面的助力！ 1IDEA在手天下我有

03

Intellij IDEA 不愧是最智能 IDE，轻松解决了 Java 8 数据流问题！

Java8除了lambda，最实用的特性是新的数据流API。集合操作在任何我见过的代码库中都随处可见。而且对于那些集合操作，数据流是提升代码可读性的好方法。

03

英伟达新对话QA模型准确度超GPT-4，却遭吐槽：无权重代码意义不大

一年多来，ChatGPT 及后续产品引发了生产和研究社区中构建问答（QA）模型的范式转变。尤其是在实际应用中，QA 模型在以下情况成为首选：

01

【论文笔记】Multi-Attention-Based Scalable Dialog State Tracking

我们的工作最类似于 TRADE，并通过提出自我和交叉注意力机制来捕捉位置和历史相关性。特别是，本文使用交叉注意在不同语义级别上的上下文和槽之间的模型关系，并使用自我注意来解决跨域共引用。此外，本文提出的体系结构并不依赖于事先了解域本体，也可以用于新域或看不见的插槽值的零镜头设置。

02

GUI界面如何设计？？｜Mixlab指南推荐

本文将重点介绍语音交互的GUI。设计的对象主要包括语音助手的GUI容器、语音助手和用户之间的对话流、语音助手的当前状态和播报内容，以及显示用户说话内容的ASR区域。

03

登顶对话式语义解析国际权威榜单SParC和CoSQL，全新多轮对话表格知识预训练模型STAR解读

机器之心专栏作者：蔡泽枫、李翔宇阿里巴巴达摩院联合中国科学院深圳先进技术研究院提出面向多轮 Text-to-SQL 语义解析的 SQL 查询语句导向型预训练模型 STAR。目前高速发展的互联网时代中，各种类型的数据不断涌现，其中，我们较为常用的就有表格数据，表格作为一种通用的结构化数据，我们可以根据需求设计 SQL 查询语句来获得表格中的知识，但是往往需要较高的设计成本以及学习成本。此时，Text-to-SQL 解析任务显得格外重要，而根据对话场景的不同，还分为单轮 Text-to-SQL 解析和多轮

02

太赞了，Intellij IDEA竟然把Java8的数据流问题这么完美的解决掉了！

自从Java8在2014年三月发布，距离现在（2020年6月7号）快有6年了。我们打算将Pondus的所有生产服务器升级到这一新版本。从那时起，我们将大部分代码库迁移到lambda表达式、数据流和新的日期API上。我们也会使用Nashorn来把我们的应用中运行时发生改变的部分变成动态脚本。

01

Dialogue Transformers 论文详解

论文中引入 transformer 的结构,其中注意力模型在对话轮的顺序上面起了了作用.最近我们使用递归神经网络多轮对话的上下文中用户说的话,但是我们原本认为注意力模型会更适合多轮场景.默认情况下,RNN假设每个选项和完整的序列有关,但是一轮对话当中包括一些交错的对话逻辑在里面. transformer 模型可以选择忽略或者选择对话的一部分内容.们比较了 Transformer Embedding Dialogue对话策略对LSTM和REDP的政策.旨在克服RNN的这一限制。我们证明了TED的政策无论是在准确性还是速度上，行为都是比较有利的。

03

ChatGLM2-6B入门

ChatGLM2-6B是一个基于生成语言模型的对话系统，它使用了GLM（Generative Language Model）框架，并基于2.6B参数的模型。本文将介绍如何使用ChatGLM2-6B进行对话生成，并提供一些使用上的建议。

02

0【LangChain系列】第六节：内存管理

聊天机器人和虚拟助手正变得越来越普遍，在对话中保持上下文和连续性的能力很重要。想象一下，你正在与聊天机器人进行有趣的对话，结果对方却在对话中完全忘记了上下文，不过不要害怕，LangChain的内存管理功能为您提供了支持。内存管理允许对话式 AI 应用程序保留和回忆过去的交互，从而实现无缝和连贯的对话。LangChain提供不同类型的内存类型，每种类型都是为满足特定需求和优化性能而量身定制的。

01

中科院 | 基于 “敏感情感识别” 和 “理性知识选择” 的情感对话生成（含源码）

情感共鸣即在对话中能体现出来两个人的感情，它在心理咨询中被广泛应用，同时也是人类日常对话的一个关键特征。在深度学习这一大背景下，如何生成具有情感的对话回复呢？今天给大家分享的这篇文章，来自中科院，他们提出了一种串行编码和情感-知识交互(SEEK)的共鸣对话生成方法，该方法考虑到了知识与情感之间的相互关系，能够产生具有情感的对话回复，同时这也是第一个对情感动态建模的研究。

01

独家 | 新的ChatGPT提示工程技术：程序模拟

提示工程的世界在不同层次上都是极有吸引力的，从来不缺乏聪明的方法推动ChatGPT这样的代理生成特定类型的响应。像思维链(CoT)、基于指令的、N-shot的、Few-shot的技术，甚至像Flattery/Role Assignment这样的技巧，都是致力于满足所有需求的丰富提示的图书馆的灵感。

06

最新iOS设计规范十｜5大拓展程序（Extensions)

iOS是运行于iPhone、iPad和iPod touch设备上、最常用的移动操作系统之一。作为互联网应用的开发者、产品经理、体验设计师，都应当理解并熟悉平台的设计规范。这有利于提高我们的工作效率，保证用户良好的体验。 iOS设计规范系列共10篇。本文是第10篇，介绍拓展程序（Extensions)。

01

重磅！一文彻底读懂智能对话系统！当前研究综述和未来趋势

作者：蒙康编辑：王抒伟笔者在最近的研究中发现了一篇非常好的有关对话系统的论文，《A Survey on Dialogue Systems:Recent Advances and New Frontiers》，论文来自于京东数据团队，论文引用了近124篇论文，是一篇综合全面的介绍对话系统的文章，可谓是诚意满满，今天我们将其重点进行解读，以飨读者。前言 1 拥有一个虚拟助理或一个拥有足够智能的聊天伙伴系统似乎是虚幻的，而且可能只在科幻电影中存在很长一段时间。近年来，人机对话因其潜在的潜力和诱人的商业

07

千呼万唤始出来 - Elastic AI助手尝鲜体验！

在最新的Elastic Stack 8.8.1 版本中，Elastic推出了 Elastic Security Assistant 和 Generative AI 连接器。这是一款开放、生成式的人工智能助手，由Elasticsearch Relevance Engine（ESRE）驱动。通过这个AI助手，我们可以使网络安全普惠化并适用于各种技术能水平的用户。通过使用预构建的推荐提示工程，并为LLM 提供由Elasticsearch检索和分析得出的特定上下文，用户可以轻松完成告警内容摘要，告警处理建议、查询语句生成、代理集成建议等工作。

Prompt进阶2:LangGPT(构建高性能Prompt策略和技巧)--最佳实践指南

左图右图 prompt 基本是一样的，差别只在提示工程这个词是否用中英文表达。我们看到，一词之差，回答质量天壤之别。为了获得理想的模型结果，我们需要调整设计提示词，这也就是所谓的提示工程。

01

面向现实世界场景，多语言大数据集PRESTO来了

机器之心报道机器之心编辑部 PRESTO–一个多语言数据集，用于解析现实的面向任务的对话。虚拟助理正日益融入我们的日常生活。它们可以帮助我们完成很多事情：从设置闹钟到在地图导航，甚至可以帮助残疾人更容易地管理他们的家。随着我们使用这些助手，我们也越来越习惯于使用自然语言来完成那些我们曾经用手完成的任务。构建强大虚拟助理所面临的最大挑战之一是确定用户想要什么，以及完成这些任务需要哪些信息。在自然语言处理（NLP）的相关文献中，这件事被定义为一个面向特定任务的对话解析任务，其中给定的对话需要由系统解析，以

06

自然语言处理的前沿论文，看我们精选的5篇就够了！

理解自然语言文本并回答相关问题是自然语言处理的核心任务之一。本期SFFAI14将走进微软亚洲研究院，MSRA的2位同学将分别分享他们发表在AAAI19的最新工作，聊天机器人的研究进展和方法优缺点，以及一种新颖的阅读+验证系统。

02

微信智言夺冠全球对话系统挑战赛，冠军解决方案全解析

前不久，微信智言团队夺得第七届对话系统技术挑战赛（DSTC7）Track 2 赛道的冠军。

02

【论文笔记】A Graph-based and Copy-augmented Multi-domain Dialogue State Tracking

大多数现有的方法都在单个领域上独立训练 DST，而忽略了跨领域之间的信息的有效共享。

03

【论文笔记】A Triple Copy Strategy for Value Independent Neural Dialog State Tracking

多域对话以及开放词典设置使得对话状态追踪标的异常复杂。在本文中，作者充分利用了多种拷贝机制来填充槽值。一个槽的填充依赖于以下三种拷贝机制之一：

04

【论文笔记】2017-ACL-Neural Belief Tracker: Data-Driven Dialogue State Tracking

作者提出了一种新的神经信念跟踪 (NBT) 框架，基于表示学习的最新进展，克服了上述问题。NBT 模型是对预先训练好的单词向量进行推理，学习将它们组合成用户话语和对话上下文的分布式表示。我们对两个数据集的评估表明，这种方法超过了过去的局限性，匹配了最先进的模型的性能，这些模型依赖于手工制作的语义词汇，并在不提供这些词汇时表现优于它们。

04

1370亿参数、接近人类水平，谷歌对话AI模型LaMDA放出论文

语言模型可以完成不同任务，例如将一种语言翻译成另一种语言，将长文档总结为简短的摘要等。在众多任务中，开放域对话可能是最困难的任务之一，因为开放域对话需要模型覆盖不同的主题。在对话任务中，模型应该遵循负责任 AI（Responsible AI）实践，并避免做出没有外部信息源支持的事实陈述。

02

学界 | 谷歌提出机器对话Self-Play框架M2M，提高自动化程度

选自arXiv 机器之心编译参与：刘晓坤、李亚洲受最近 AI 游戏研究的启发（self-play），谷歌提出了 M2M 的机器对话框架，其结合了众包模式和聚焦任务特定经验的方法，并通过增加自动化程度，以快速引导智能体进行目标导向的对话，并可生成高质量对话数据集。 1. 介绍使用监督学习方法训练的目标导向的智能体，通常在使用相同任务的对话训练的时候才能得到最佳表现。然而，当开发对话智能体帮助用户完成新任务的时候，例如通过在线网站进行医生预约，可能不存在该任务的人类-智能体对话数据集，因为目前还没有

07

C++ ffmpeg+dxva2实现硬解码「建议收藏」

0.前言参考博客：ffmpeg实现dxva2硬件加速下载源码：GitHub：https://github.com/Yacov-lu/ffmpeg-DXVA-decode

01

解读提示工程（Prompt Engineering）

提示工程（Prompt Engineering），也称为上下文提示，是一种通过不更新模型的权重/参数来引导LLM行为朝着特定结果的方法。这是与AI有效交流所需结果的过程。提示工程可以用于各种任务，从回答问题到算术推理乃至各种应用领域，理解提示工程，能够帮助我们了解LLM的限制和能力。

02

SIGIR 2018 | 通过深度模型加深和拓宽聊天话题，让你与机器多聊两句

选自sigirdawnet 作者：Wenjie Wang等机器之心编译参与：Panda 目前大多数基于生成的对话系统都会有很多回答让人觉得呆板无趣，无法进行有意思的长时间聊天。近日，山东大学和清华大学的研究者联合提出了一种使用深度模型来对话题进行延展和深入的方法 DAWnet。该方法能有效地让多轮对话系统给出的答复更加生动有趣，从而有助于实现人与机器的长时间聊天对话。机器之心对该研究论文进行了摘要编译。此外，研究者还公布了他们在本论文中所构建的数据集以及相关代码和参数设置。论文、数据和代码地址：htt

05

500万token巨兽，一次读完全套「哈利波特」！比ChatGPT长1000多倍

记性差是目前主流大型语言模型的主要痛点，比如ChatGPT只能输入4096个token（约3000个词），经常聊着聊着就忘了之前说什么了，甚至都不够读一篇短篇小说的。

02

一文详解启发式对话中的知识管理

【导读】自然语言对话系统正在覆盖越来越多的生活和服务场景，同时，自然语言对话的理解能力和对精细知识的对话召回率在技术上仍有很大挑战。

02

从ACL 2020看知识图谱研究进展

国际计算语言学协会年会 ACL 2020 按照原定时间已经于 7 月 5 日至 10 日召开，受到疫情影响，本次会议全部改为线上会议。ACL 2020 共收到了 3429 篇论文，收录其中 779 篇论文，包括 571 篇长论文和 208 篇短论文，论文的总接收率为 22.7%。ACL 2020 收录文章数量前五位的主题分别是：机器学习（Machine Learning for NLP）、对话和交互技术（Dialog and Interactive Technologies）、机器翻译（Machine Translation）、信息提取（Information Extraction）和 NLP 应用（NLP Application）。

01

The RavenClaw dialog management framework 论文阅读

本文描述了一个基于计划的、独立于任务的对话管理框架RavenClaw。该框架的一个关键特点是，它将对话控制逻辑的特定领域方面与独立于领域的对话技巧隔离开来，并在这个过程中促进了在复杂的、面向任务的领域中运行的混合主动系统的快速发展。系统开发人员可以专注于描述对话框任务控制逻辑，而RavenClaw对话框引擎则透明地支持和执行大量与领域无关的会话技能，如错误处理、计时和轮流。

02

「自然语言处理（NLP）论文解读」对话语境重构【滑铁卢大学&&华为】、会话状态跟踪【霍普金斯&&亚马逊】

本次有两篇为大家分享，第一篇主要针对汉语对话语境重构问题，作者将其拆分为引用表达检测和共引解析两部分，提出了一种端到端的模型结构。第二篇针对任务式对话系统中的会话状态跟踪问题，提出了两种神经网络结构：指针网络结构和转换网络结构。

01

RT-KGD：多轮对话过程中的知识转换模型

每天给你送来NLP技术干货！ ---- 本论文已入选国际语义网顶级会议ISWC 2022，论文标题为《RT-KGD: Relation Transition Aware Knowledge-Grounded Dialogue Generation》，该论文在融入知识图谱的对话生成任务中提出了一个新的模型RT-KGD来探究多轮对话中知识话题之间的转移关系，从而生成逻辑更连贯、融入信息更准确的回复语句。 Arxiv链接：https://arxiv.org/abs/2207.08212 Github链接：htt

01

阿里智能对话交互实践与创新

本文来源「中国人工智能学会通讯」第11期，感谢作者授权转载。作者 | 孙健，李永彬，陈海青，邱明辉过去 20 多年，互联网及移动互联网将人类带到了一个全新的时代，如果用一个词来总结和概括这个时代的话，「连接」这个词再合适不过。这个时代主要建立了四种连接：第一，人和商品的连接；第二，人和人的连接；第三，人和信息的连接；第四，人和设备的连接。「连接」本身不是目的，它只是为「交互」建立了通道。在人机交互（Human-Computer Interaction）中，人通过输入设备给机器输入相关信号，这些信号包括

04

【NLP】当BERT遇上知识图谱

上篇博客理了一下一些知识表示学习模型，那今天我们来看目前最流行的BERT模型加上外部知识这个buff后到底会有怎么样的发展。其实这个思路在之前就有出现过比较有意思且高效的工作，像百度的ERNIE和ERNIE2.0 以及清华的ERNIE，这些工作的介绍可以参考站在BERT肩膀上的NLP新秀们（PART I）。

01

【干货】当BERT遇上知识图谱

上篇博客理了一下一些知识表示学习模型，那今天我们来看目前最流行的BERT模型加上外部知识这个buff后到底会有怎么样的发展。其实这个思路在之前就有出现过比较有意思且高效的工作，像百度的ERNIE和ERNIE2.0 以及清华的ERNIE，这些工作的介绍可以参考站在BERT肩膀上的NLP新秀们（PART I）。

00

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭