CN119522432A 用于自动分析或使用数据、包括使用大语言模型的计算机实施的方法 (奥莱克雷人工智能有限公司)_第1页
CN119522432A 用于自动分析或使用数据、包括使用大语言模型的计算机实施的方法 (奥莱克雷人工智能有限公司)_第2页
CN119522432A 用于自动分析或使用数据、包括使用大语言模型的计算机实施的方法 (奥莱克雷人工智能有限公司)_第3页
CN119522432A 用于自动分析或使用数据、包括使用大语言模型的计算机实施的方法 (奥莱克雷人工智能有限公司)_第4页
CN119522432A 用于自动分析或使用数据、包括使用大语言模型的计算机实施的方法 (奥莱克雷人工智能有限公司)_第5页
已阅读5页,还剩320页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

2024.08.22PCT/GB2023/0504052023.02.22WO2023/161630EN2023.08.31诸如通用语言的机器可读语言的数据的结构化机器可读表示来为所述LLM提供新上下文数据,以改善由所述LLM响应于提示而生成的输出,诸如延续文本输出;以及诸如一种与LLM交互的方用语言的机器可读语言的数据的结构化机器可2处理系统使用符合诸如通用语言的机器可读语言的数据的结构化机器可读表示来为所述6.根据前述权利要求中任一项所述的方法,其中,8.根据前述权利要求中任一项所述的方法,9.根据前述权利要求中任一项所述的方法,其中,述LLM生成的所述输出与人们如何理解现实世界或在所述现实世界中进行推译成所述机器可读语言并且被分析事实不准确性或致准确性重要的延续输出和/或准确性在所述延续输出中何时重要,并且然后使用所述处3理系统来改善该延续输出的所述事实准确性和/或所述事实21.根据前述权利要求中任一项所述的方法,其中22.根据前述权利要求中任一项所述的方法,当用来23.根据前述权利要求中任一项所述的方法,当用来27.根据前述权利要求中任一项所述的方法,包括通过在向所述用户显示所述输出之前将所述输出翻译成所述机器可读语言且然后针对预定义的政策检查所述机器可读语言28.(B.将所述LLM的延续输出馈送到UL引擎以所述UL引擎生成更好的输出)一种与统,所述处理系统使用符合诸如通用语言的机器可读语言的数据的结构化机器可读表示,辑上自洽的输出以用于提供给用户的所述延续32.根据权利要求28至31中任一项所述成的所述延续输出与人们如何理解所述现实世界或在所述现实世界中进行推理的所述对进行推理相对应的经推理的输出以用于提供给用户的所述延续4述延续输出,并且在必要或有益的情况下,提供偏见减少或无偏见的输出以用于提供给用时信息的不存在来分析所述延续输出,并且在必要或有益的情况下,提供任何缺失或有用文本来分析所述延续输出,并且在必要或有益的情况下,提供改善的经推理的文本以用于所述处理系统分析所述延续输出中对该问题的所述回答,并且在必要或有益的情况下,提供改善的回答以用于提供给用户的所述延续导致准确性重要的延续输出和/或准确性在所述延续输出中何时重要,并且然后使用所述处理系统来改善该延续输出的所述事实准确性和/或所述事38.根据权利要求28至37中任一项所述的方法,其41.根据权利要求28至40中任一项所述的方法,当用来改善所45.根据权利要求28至44中任一项所述的方法,包括通过在向所述用户显示所述输出之前将所述输出翻译成所述机器可读语言且然后针对预定义的政策检查所述机器可读语5文本输出所述延续输出是来自所述处理系统的所述输出的改善版本。48.根据权利要求47所述的方法,其中,通过所述训练步骤来LLM生成的所述输出与人们如何理解现实世界或在所述现实世界52.根据权利要求47至51中任一项所述的方法,53.根据权利要求47至52中任一项所述55.根据权利要求47至54中任一项所述的方法,56.根据权利要求47至55中任一项所述的方法,57.根据权利要求47至56中任一项所述的方法,58.根据权利要求47至57中任一项所述的方法,59.根据权利要求47至58中任一项所述的方法,60.根据权利要求47至59中任一项所述的方法,其中,62.根据权利要求47至61中任一项所述的方法,当用6的所述结构化机器可读表示包括单个语法项以消除数据的所述结构化机器可读表示的含(b)自动使用所述LLM和数据的所述结构化机器可读表示以用于下列项中的一种或多(b)自动使用所述LLM和数据的所述结构化机器可读表示以用于下列项中的一种或多机器可读语言的句法是基本无歧义句法,所述句法包括数据的结构化机器可读表示的嵌(b)自动使用所述LLM和数据的所述结构化机器可读表示以用于下列项中的一种或多7并且其中,所述问题的所述表示、先前存储在所述存储器存储区中8第二自然语言i)识别表示以所述第一自然语言的所述单词或单词序列的所述语义的数所述识别的数据的结构化机器可读表示的单词或单词序列。的所述结构化机器可读表示包括也使用数据的所述结构化表示进行表示的定义目标或动(d)所述计算机系统只有在动作优化或以其他方式正面影响那些原则的达成或实现(b)结合所述LLM自动处理数据的所述结构化机器可读表示以用于下列项中的一种或9(b)结合所述LLM自动处理数据的所述结构化机器可读表示以用于下列项中的一种或(a)在存储器中存储表示含义的符合机器可读语言的数据的所述结构化机器可读表(b)结合所述LLM自动处理数据的所述结构化机器可读表示以提供人之间的兼容性匹(b)结合所述LLM自动处理数据的所述结构化机器可读表示以确定帖子是否遵守防止91.根据权利要求1至46中任一项所述的自语义节点的选择以及所述语义节点被组合和排提供数据的结构化表示和系统,所述系统可操作为参考数据的所述96.根据权利要求94或95所述的方法,其中,所述LL理以使用数据的所述结构化表示来改善所述附加加有用文本与来自一个或多个用户的所述语言输入区从所述自然语言中提取在所述自然语言内断言的一个或多个事实断个或多个事实断言的集合的步骤是通过提供向经适当训练的LLM提供所述自然语言和要求提供生成所述事实断言的延续的提示且然后使用所述LLM生成延续个或多个断言包括将所述断言翻译成与所述断言是真还是假相对应的问题并且回答那些任何先前已知知识的来源被作为针对事实准确性检查所述一个或多个事实断言的过程的所述方法进一步包括调整所述自然语言使得它不再包括任何事实不准确提供根据自然语言文档的大语料库进行了训练的提供用来训练所述LLM的文本的数据库,所述数据库包括与存储的文本的每个章节相检索所述延续的所述章节与所述数据库内包含的文本相及述用户界面的所述输出不包括所述处理器对所及150.根据权利要求148或149所述的方法,包括基于对所述LLM的所述输入来存储所述153.根据权利要求148至152中任一项所述的方法,包括通过在向所述用户显示所述输出之前将所述输出翻译成所述处理语言且然后针对预定义的政策检查所述处理语言表(viii)所述处理器将对所述一个或多个问题中的每个问题的单独回答存储在所述存156.根据权利要求154或155所述的方法,包括基于对所述LLM的所述输入来存储所述出之前将所述输出翻译成所述处理语言且然后针对预定义的政策检查所述处理语言表示述用户界面的所述输出不包括所述处理器对所出之前将所述输出翻译成所述处理语言且然后针对预定义的政策检查所述处理语言表示(viii)所述处理器将对所述一个或多个问题中的每个问题的单独回答存储在所述存出之前将所述输出翻译成所述处理语言且然后针对预定义的政策检查所述处理语言表示通用语言的所述机器可读语言的数据的所述结构化机器语言表示由所述基于LLM的系统生成的延步骤包括检查以确认所述延续是否与以所述无歧义机器语言于LLM的系统使用非LLM处理系统,所述非LLM处理系统被编程为使用在基于准确且可靠的个事实断言翻译成数据的所述结构化机器可读表示并对所述延续数据中的经翻译的事实200.根据权利要求198或199所述的方法,201.根据权利要求198至200中任一项所述的经事实检查版本由所述处理系统或由所述LLM或者所述处理系统和所述LLM的组合提供给202.根据权利要求181至201中任一项所述的方法,如果应用程序对所需数据类型具有有限的要求,则使用结构化数据可以良好工[0004]HUB应用程序的示例包括用于管理人的一般健康数据的应用程序,其中存在数千应用程序还可以使用自然语言或用自然语言扩充有限的方案——诸如当前的简[0005]应用程序何时成为HUB应用程序没有确切阈值,但是使用手动创建的方案构建应如果存在计算机可以完全处理和理解但也具有极其广泛范围的表示数据的语言工作并且无法可靠地知道其产生的结果何时2019年7月18日关于Cyc的维基百科页面指出,Cyc是世界上寿命最长的人工智能某个地方找到或经由搜索引擎或维基百科检索到的事实形成对比目的是使AI应用程序[0008]2019年7月18日关于Cyc的维基百科页面指出,Cyc项目的目标是以机器可用的形开发比当时的常规专家系统中使用的那些快得多的推断引擎,以能够推断出与人类鉴于他们对世界的理解能够进行的相同类型和深度的结论的。[0009]2019年7月18日关于Cyc的维基百科页面指出,Cyc的大部分知识,除了数学和游事实和关系本身是头等的实体,因此完全支持关于事实的事实和关于关系的特性的事实(Tunstall_Pedoe,W.(2010).TrueKnowledge:Open_DomainQuestionAnsweringUsingStructuredKnowledgeandInference.AIMagazine,31(3),80_92.https://使用符合诸如通用语言的机器可读语言的数据的结构化机器可读表示来为LLM提供新上下成的延续数据提供到处理系统,该处理系统使用符合诸如通用语言的机器可读语言的数据优点是可以提供由LLM生成的输出的改善延续输出。LLM使用处理系统的输出来生成延续数据,该处理系统使用符合诸如通用语言的机器可读诸如通用语言的机器可读语言的数据的结构化机器可读表示根据来自处理系统的输出来生成的延续来提供由可操作为参考数据的结构化表示处理语言的系统提供的文本的附加从自然语言中提取在自然语言内断言的一个或多个事实断提供根据自然语言文档的大语料库进行了训练的提供用来训练LLM的文本的数据库,该数据库包括与存储的文本的每个章节相关检索延续的章节与数据库内包含的文本相匹配的来源。优点是引用被添加到由[0039]优点是使用LLM改善了来自包括处理器和存储器的计算机系统的输出,该系统可可读语言的数据的结构化机器可读表示,其中处理系统分析由LLM响应于提示而生成的延[0049]图4示出了一些示例见解,这些见解可以从示出水平健康和营养数据的时间段中[0051]图6示出了能够从本发明的示例生成的可视化的示例:其正在将用户上床睡觉时[0073]计算机系统可以是这样的一种系统:其中问题涉及对文其中语义节点包括存储在文档存储区中的文档或网页的[0075]计算机系统可以是这样的一种系统:其中问题涉及对定[0077]计算机系统可以是这样的一种系统:其中问题涉及对人之间的兼容性匹配的请其中第一种方法是在段落存储区中查找是否存在可以与正在处理的段落直接映在广度方面与自然语言一样具有表达力,但也可以由自动系统处理和理解。本文被称为UL利用人类程序员试图预测所有可能的场景并提前编码而通过程序代码来确定其详细动作。些包括多义性——即自然语言中的单词通常具有许多含义或意义,一些是相关的和重叠[0094]单词排序的歧义和灵活性是使自然语言处理对机器来说极其困难的另一个问人类自然地理解所指的是什么,但这对于机器来说并不那么明显。歧义可以甚至起因于复合名词中存在边界的地美地记忆,而LLM仅在昂贵的训练过程期间长期学习并且其对其源数据的记忆通常是不完“事物”的最广泛的可想象的定义——任何有单词的事物以及没有自然语言名称的事物都可以在UL中具有语义节点。其中<passage>*为零个以上进一步的<passage>,并且Unicodestring内的双引号被转义\”种对每种可能的意义使用唯一语义节点克服了确定自然语言的意义义节点有足够的了解以能够以自然语言表达它们并生成与UL具有相似含义的自然语言时,[0104]在优选示例中,语义节点的含义仅来自表示关于该节点已经说过的事物的其他ad4e07659004。编写器具的意义上的pen可以表示为c092849c_80ed_4a69_9a4e_在案,但UL的段落将定义这些概念并在语义上将这些概念链接到赋予它们含义的其他概共享而无需完全公用。上面讨论的节点协议的原理,也可能的是字符串由ID表示作为附加标识符。例如,字符串点的两个相同字符串具有与该字符串通用的含义。这些组合节点内的语义节点也可以是创建任意级别的嵌套息,作为相同父UL表达式下或具有相同中心表达式或段落的UL表达式的层次结构。上下文可以用于提供细微差别、来源、信念、时间有效性等。例如,以段落(HoldsOfficeXX将进一步描述陈述其何时为真实的另一段落可以是(HasTemporalValidity(HoldsOfficeXXUsPresidentDateIsoFormat"2021_07_23"——这是说XX于2021年7月23日就任美国总统。围绕该段落的进一步表达式可以断言该陈述来自特定来源或具有一定程度的可靠性等。自由定义自己对其他地方未使用的语义节点威者,因为他们担心暴力(Thepolicearrestedthedemonstratorsbecausethey的段落的特殊附加句法——含义纯粹来自语义节点的选择以及它们在分组和排序两者方(03d206a2_52ca_49e1_9aeb_86364e2dead6cb75d6f8_16d9_4a36_8c16_7195182d4057(d1fd5662_c88e_4d94_b807_5310483df8cd(30847a3d_e43c_4229_993e_20ad01adc1265a533842_bcd8_该段落的含义对应于英语“布里是奶油状的法国奶酪(Brieisacreamy,问题可以通过将识别段落为具有零个以上未知项的列表的问题的节点与使用零个以上未知项表示问题的语义的进一步的一个或多个段落来在UL中表示。在优选示例中,语义节点的列表,并且其中<passage>是使用未知项来表达所问内容的地方。在优选示例((QuestionUnknown1)((HasAttributeUnkn问题段落由头段落(在此情况中只是(Question))和其他段落的尾部(在此情况中只是他事物正确映射到Unknown1的任何节点都作为用于问题的适当推理是从其他UL生成UL。推理段落是UL的一部分,表示如何从其他UL生成新(ComputationLocalJavaLocationAdditionComputationUnit"ai.unlikely.qputation.Arith(ComputationDescriptionAdditionComputationUnit((QuestionUnknown1)((Equal(RealNumberUnknown1)(Add(RealNumberInputOne)(RealNumber(ComputationDescriptionAdditionComputationUnit((QuestionUnknown1)((Equal(Add(RealNumberInputOne)(RealNumberInputTwo))(RealNumber在这种情况下,存在描述计算单元的两个段落。描述段落具有头节点(ComputationLocalJavaLocationGreaterThanOrEqualComputationUnit"ai.putation.Comparison$Gr(ComputationInputsGreaterThanOrEqualComputationUnitInputOne(ComputationLocalJavaLocationEqualComputationUnit"ai.unlikely.ques(ComputationDescriptionEqualComputationUnit((Question)((Equal[0135]节点IsA上的验证段落的示例是(Subsequ这是说List节点后面可以跟着任何数量的后续节点。验证段落也可以被验证:例如,用的SubsequentNodesHaveClasses节点后面可以确切地跟着两[0136]这些示例的变体可以定义对有含义的段落的进一步约束。在另一个示例中,(HasSchemaExpressedInEnglish(SchemaExpressedInEnglishNodeString))是表达落的有效性时(IsABrieGatwickAirport)提问问题((Ques描述可以用该关系分组的语义节点的不同期望的验证第一种方法是在段落存储区中查找是否存在可以与正在处理的段落直接映射的以生成段落列表,如果这些段落列表可以与已知或生成的UL和为它们找到的映射相匹配,并出于延迟原因对我们探索到多远施加最大深度限[(IsAX(CheeseFrench))]。从现在开始,我们将把它示出为[(IsAX(Cheese任何计算单元。然而,它可以被推理段落(ConsequenceOf((IsAXA)(HasAttributeX(HasAttributeBrieFrench)——只能应用推理段落(ConsequenceOf(HasAttributeCheddarFrench)——只能应用推理段落(ConsequenceOf(OriginatesFromCheddarFrance)这无法通过任何手段证明。因此,无法证明纯粹的递归方法意味着从我们的数据库系统中获取的所有数据必须刚好在需要据并找到可以作为回答返回的初始问题的所有有上面概述的递归系统的一个替代示例是利用优先级队列来控制子查询被处理的理的查询段落首先通过我们的如下概述的优先排序方法运行,以计算该子查询的优先级我们在处理查询(HasAttribute[0162]此示例允许查询处理的灵活并行化。系统可以使用多个使用此优先排序方案,查询的优先级可以由于推理树中其他地方找到的解而改[0165]例如,取查询(IsAXFood)和推理段落(ConsequenceOf((IsAXY)消息被用作提问“我知不知道切达奶酪是否辣DoIknowwhethercheddaris我们将存储(IsAGatwickAirportAirport)和(IsAGatwickAirport常段落一样。如果我们稍后被提问到相同的问题,那么回答可以来自直接查找(IsAXAerodrome),无需任何推理。这也适用于子查询:如果一些其他问题推理子查询(IsAX(IsAXAerodrome)。在对它们进行任何推理之前,我们检查我们已经思考过的这组子查[0183]如果思考结果不可用(或者我们之前没有处理过问题,或者我们很久以前处理该无效段落的思考结果能够立即被去除。如果思考结果使用另一个思考结果以生成结果,那么将使用过的思考结果的依赖段落包含在新思考结包括实施本文描述的任何应用程序或其他应用程序的示例在内的本发明的示例本文描述的学习不是权重,而是以语言表达并可翻译成自然语言的概念和思想,还使得能够以统计模型中的权重所不具备的方式以文本或口头诸如回答问题或被设计为找到可能有用的思想的无向思含人类言语的音频记录或视频,其中言语辨识技术首先用于创建语音的记录的文本转录,用者的描述可以是UL或者其可以是自然语言描述——或[0201]然后,SNR服务将关于所描述实体的已知信息与它具有的关于现有节点的描述进本发明的示例使段落能够存储在多个单独的存储区中。存储区可以用于不同意自然语言之间进行翻译的现有技术方法的术语。典型的序列到序列架构包括一个编码器,(SemanticHypergraphs)”中描述其中从NLP注释的组合中导出语义解析,包括词性入句子内的词元集合扮演的语义角色的分层递归结构。可以通过将具有许多变量的UL段落映射到类似形状的语义图或者支持未知项的语义图的1.从自然语言生成语义图2.尝试将其与已经有相关联的UL的具有类似形状的图的模板进行匹配,以及最后3.将直接翻译仅应用于图中的与UL中的变量匹配的那些节点。改源语义模板以改善未来的翻译或者将其分解成支持较小范围的自然语言结构的组成模[0219]3.通过使含义提取的一部分自动[0220]如本文所述的基于转化的翻译器可以用作训练准确的神经机器翻译的方法的一2.在其他翻译方向上使用基于转化的翻译器以从语义模板生成语法正确的有意3.使用这些源/目的语言对作为训练数据来训练NMT翻译器4.记录经训练的NMT翻译器的权重[0221]因此,我们描述了一种用于使用基于转化的翻译器来将自然语言转换为UL的方某些示例中使用的用于翻译到UL和从UL翻译的一种方法是通过查看已经标记为(EnglishGroundTruthTranBrie((CheeseFrench)Creamy))的准确英语翻译。如果我们将此段落称为GroundTruthTranslation1并且我们在存储区中也有(IsAGroundTruthTranslation1配的事物。不确切匹配的简单示例可以是英语段落“卡门贝尔是奶油状的法国奶酪一些示例中使用的方法取决于我们需要翻译的方向。当从自然语言翻译成UL时,我们分解给定句子的结构并将其与已知基本真理翻译中的每一个的结构进行比较以按相的子部分(单词序列诸如(ExpressedInEnglishCamembert"Camembert")和(ExpressedInEnglishIsA"isa")。这两个段落将意味着Camembert节点变成句子的用称为实体求解器的UL平台的部件来比较这两[0224]从UL翻译成英语再次使用实体求解器部件将我们正在翻译的UL与已知基本真理[0225]诸如word2vec或GloVe之类的单词嵌入是相关领域技术人员已知的技术,其中分析大量文本以确定具有相似含义和用法的单词。各种示例使用此技术来确定自然语言单词的相似性及其在已知基本真理翻译中的替代适用性。例如,对英语的分析将确定卡门贝尔味着包括布里(Brie)的基本真理翻译将几乎肯定会用单词布里(Brie)代替卡门贝尔[0227]语义影响评估可以使用的技术的示例将是注意已知为同义词的单词或相似含义的单词的替换,已知为表达相同事物的其他方式的改写(例如用英语谈论“<noun1>of<有的管道是直接查找管道,因为UL本身应该已经给出足够的语义信息以被翻译回自然语各种示例中存在的优化是使用布隆过滤器来识别翻译的存储区中不存在的语言其他技术或者也自然地产生多个候选翻译或者可以容易地适应的语义节点匹配的未知项。在优选示例中,模板包括一段UL,例如(IsA0f88f8eb_fe72_使用这些模板进行翻译的方法可以是测试输入UL或自然语言是否与模板中的对种示例中,然后将所有未知项映射作为问题处理或者在UL段落数据中检查以测试其有效的基本真理翻译收集在一起以尝试并生成模板。在基本真理存在变体的情况下,可以用未知项代替这个变体来创建模板。可以处理来自被未知项替换的基本真理的语义节点以生成共类并添加匹配标准段落(IsA<unknown><lowest_common_class>),其中<unknown>是添加到模板的新未知项,并且<lowest_common_class>是正在查看的所有节点之间共享的最低公共类的节点。在通过子类链接的类树中,两个或更多个节点的最低公共类是所有节点都(WhatisthepopulationofEngland?)”和“马丁利的人口是多少WhatistheUL可以对自指和元语言陈述进行编码:可以在UL中描述如何以及何时进行翻译,存在归咎于失误的人的相当大的责任。自动招聘应用程序是试图自动为给定职位找到试根据它们与规范的统计匹配程度对求职进行排名。现有技术NLP的局限性将意味着排名决定并编入系统的任何结构化数据只能涵盖可能搜索的内[0244]图1示出了来自Jobe的手机上的推送通知的示例,通知用户一位新候选人非常匹[0245]图2示出了匹配的详细信息的示例,其中角色的要求与来自候选人的简历的数据[0246]在这些示例中,没有来自它们匹配的简历的任何证据与实际要求共享任何关键“7年的C++经验”在UL中可以表示为((ExperienceCPlusPlus)(Year((Experience(Programming(UnspecifiedMember((ProgrammingLanguage((Experience(Programming(UnspecifiedMember((ProgrammingLanguage(ComputationInputsGreaterThanOrEqualComputationUnitInputOne(ComputationLocalJavaLocationGreaterThanOrEqualComputationUnit"ai.putation.Comparison$Gr(ConsequenceOf((IsSubclassOfXY)(ConsequenceOf((IsAXProgrammingLanguage)(Implies(Experience(ConsequenceOf((IsAXActivity)(IsAYActivity)(ImpliesXY))(ConsequenceOf(IsAXProgrammingLanguage)(IsA(ProgrammingX)(ConsequenceOf((IsAXProgrammingLanguage)(IsAXC))(Implies(Implies((ExperienceCPlusPlus)(Year(RealNumber"7")))((Experience(Programming(UnspecifiedMember((ProgrammingLanguage(Implies(ExperienceCPlusPlus)(Experience(Programming(Implies(Experience(ProgrammingCPlusPlus))(Experience(Programming(UnspecifiedMember((ProgrammingLanguageObjectOriented)(IsA(Programming(UnspecifiedMember((ProgrammingLanguage(IsSubclassOf((ProgrammingLanguageObjectOriented)Major)(Implies(ProgrammingCPlusPlus)(Programming(UnspecifiedMember(QuantityWithinRange(Year(RealNumber"7"))(Year(AtLeast各种示例可以生成这些步骤的自然语言翻译,或者是示出每个步骤的完整示例,或者是跳过明显的常识步骤以创建更易于理解的简化解释。图7示出了由各种示例生成的[0250]招聘应用程序的各种示例可以将LLM或其他统计技术与使用UL的匹配结合使用或的匹配用作失效备援(failover)并且将来自LLM的结果与通过与UL匹配而生成的结果组[0251]具体方法包括向包含候选人的简历和工作规范中的行的LLM提供提示,并且提问LLM以产生陈述候选人是否是这个工作规范行的匹配的延续并提供简单的解释原因。在一[0252]LLM还可以用于从自由形式简历中提取相关技能。许多简历包含可能难以完全翻[0255]在某些示例中,LLM的另一用途是提供要求我们针对候选人应考虑的一个或多个软件工程工作规范的匹配仅限制于似乎适合这个[0257]LLM的另一个应用程序是在本文描述的类似情况下从通过UL匹配生成的更长解释水平健康应用程序是尝试记录和管理来自一个或多个用户的极其多样化的健康互作用非常复杂——并且营养的深层语义表示可以允许基于计算机的系统给出非常复杂[0260]更普遍的健康也是不合理广泛领域的示例。营养是这个极其广泛领域的子领跟踪个人的日常健康信息的应用程序需要结合大量健康测试,并且包括诸如下列项的领[0262]除了记录来自可穿戴设备和其他健康传感器的健康数据外,Chea还具有聊天窗传送的)组合的这些不确定性和变化可以组合以包括具有不确定性的该餐的详细语义分[0266]图4示出了一些示例见解,这些见解可以从示出水平健康和营养数据的时间段中了什么的详细语义信息使曲线图能够示出错误条,给出给定日期摄入的卡路里的准确范[0268]图6示出了能够从本发明的示例生成的另一个可视化的示例。它将用户上床睡觉能是亚硫酸盐不耐受——尤其是如果在与摄入该物质相关的时间范围内记录了其他已知一般结构化数据的示例是会计数据,其形式在很大程度上已经几个世纪没有改类账并将历史会计交易自动分配给它们而无需人类努[0276]在由本发明的示例激励的网络搜索系统中,文档存储区言成分转变为UL或将表格或其他结构化数字或基于现有技术的搜索来补充用UL生成的响应或作[0282]表示关于用户的信息的UL可以来自部分或全部翻译被包含在用户的社交媒体简替代地来自用户和系统之间的自然语言对话/交流,其中系统存储和记住用户已经给出的[0284]例如,对用户的社交媒体简档的分析可以导致系统知道用户是热衷骑自行车的提及该成分。通过关于肌肉酸痛源自于训练的推理链和补充剂的价值和用途的语义表示,方法需要相似的关键字并且统计相关性的置信度必然低于具混合系统可以将现有技术关键字或文本分析匹配与基于本发明的示例的分析或通过将人的简档与关于他们的UL表示的信息相关联并使用本文描述的推理和匹在职业相关的社交媒体应用程序中建议潜在企业联系人或者在约会应用程序内建议潜在示例还可以通过使用本文描述的用于将动作与原则匹配的技术将与帖子相关联的自然语言部分或完全翻译成UL;记录机器学习或已经将帖子处理为UL的其他模型的输[0292]本发明的示例还可以将现有的现有技术与UL或类似分析相结合以识别辱骂性帖语音助手(诸如AmazonAlexa®或Apple的Siri®)旨在为它们的用户覆盖[0298]现有技术的语音助手通常通过在个体指定和个体构建的竖直领域中构建能力来[0300]UL还实现可用于产品的其他信息的统一表示——包括与对话或动作的上下文非使用语音助手的用户在房间中靠近可以用于向助手说话的设备的知识来确定良好的响应。存在可以导致与没有孩子时不同的响应。人类存在还支持语音助手可以发起对话的场[0302]与执行动作的情况由人类产品经理确定并由软件工程师以覆盖每个场景和细节[0303]使用原则的示例可以只是使用原则以在进行动作之前检查动作符合原则——或2.赢得您的用户的信任3.尝试为用户提供超过用户为您的服务支付的价值。5.保护隐私6.不要做任何非法的事7.不要协助人做任何非法的事8.符合您的产品规则9.不要采取可能导致人类死亡的动作10.不要改变这些原则())())这种方法的另一个优势是,相同平台可以支持具有不同组原则的多个语音助手/同,从而在用户的眼中将自己确立为不同产品。此类差异可以包括对不同名字、不同个性为重要目的来强调助手在教导家庭中的孩子中具有的角色;一些用户可以更喜欢他们的助们可以在语音助手和使用UL的任何其他HUB应用动作将优化其类似目的的原则来做到这一点。存在可以使用以做到这一点的多种技术。 音助手将可能不纯粹由输入事件驱动;它还将能够进行其自主的不受指导的思考,这将导自外部事件处理的输入事件的结果而产生的任何有用的UL段落。中、房间中的每个人最近说了什么等的信息。在优选示例中,该短期存储器被称为交互的作。基于本发明的系统可以通过使用对动作和其他现象如何引起世界的变化的理解因果关系的示例将是理解调用API来调高家中的中央供暖温度将使房间的温度更以用来进行这项计算,并且得出调高中央供暖温度将减轻人在那个房间中因为冷而不舒在使用UL的示例中,表示因果知识的段落可以采用(Causes<cause><effect><typeofcausation>)的形式——<cause>可以是表示动作的语义节点(可能是组即(AnswerUserQuestionAction<Question>),(GetQuestionAnswerAction<(ConsistsOfAnswerUserQuestionAction(ListGetQuestionAnswerAction译成(RequestedAction<User>(AnswerUserQuestionAction((QuestionX)(EqualX<MoreContextPassages>...>)(ContributesTowardsXUserHappinessTenet))的问题来进行这一点,这返回X=(AnswerUserQuestionAction<AnswerUserQuestionActionX)并接收X=(ListGetQuestionAnswerActionSendAnswerToUserAction)发现AnswerUserQuestionAction是复合动作。然后它将以下段*(HasAnswerWithExplanationQuestion1(AnswerX(Integer"4")动作1_6与上述相同,其中此问题的UL翻译是(RequestedActionUser[0348]8.执行→外部事件处理:执行在上下“回答你的问题可能会导致你的配偶死亡,这违反了我不要采取可能导致人类死[0354]相关示例中的LLM的其他用途包括使用LLM来改述由本发明的示例生成的初始语且使用LLM来改变所生成的语言的风格而这是动机原则UserHappinessTenet的子(EventDescriptionE(RequestedActionUA))(IsAUUser)(Re)(((ActionDescriptionX(AnswerUserQuestionAction((QuestionUnknown1)))_>我们现在可以证明回答该问题具有与(ActionByActor(PoisonAction()_>我们现在可以证明回答该问题具有与(PoisonAction(PertainingToSpeaker(())_>我们现在可以证明回答该问题具有可能后果(Deat(())()NoExplicitContentForUnderEight()))当小乔尼说播放<歌曲>时,他被Brian的外部事件处理拾取并用翻译转换为用户[0360]为此,系统应该或者已经知道具有露骨内容的歌曲(即他在他的知识中具有沉思还利用短期存储器(3其保持对思考的状态和有助于生成与原则兼容的动2.有礼貌使用户开心[BrianBrainThread]INFOBrian——寻找可以实现动机的动作:(Increase[BrianBrainThread]INFOBrian——寻找可以实现动机的动作:(Increase[main]INFOBrian——(Not(HasAttributeMostRecentMessage[BrianBrainThread]INFOBrian——寻找可以实现动机的动作:(Increase[BrianBrainThread]INFOBrian——(ActionConsequence(SendMessageHi)[BrianBrainThread]INFOBrian——(HasAttribute(SendMessageHi)MostRecentMessageHasB[BrianBrainThread]INFOB[BrianBrainThread]INFOBrian——(IsA(UnspecifiedMember[BrianBrainThread]INFOBrian——(IsA(UnspecifiedMember[BrianBrainThread]INFOBrian——(ActionConsequence(SendMessage[BrianBrainThread]INFOBrian——(HasAttribute(SendMessageHello)MostRecentMessageHasB[BrianBrainThread]INFOB[BrianBrainThread]INFOBrian——(IsA(UnspecifiedMember[BrianBrainThread]INFOBrian——(IsA(UnspecifiedMember[BrianBrainThread]INFOBrian——(HasAttributeMostRecentMessage提问问题((QuestionX)(IsAXMot正在查看的动机)以找到将实现给定动机的动作。在我们的你好示例中,这将返回结果(SendMessageHello)和(Se(ConsequenceOf((IsA(UnspecifiedMemberMostRec((NotHasAttribute)MostRecentMessageHasBeenRepliedTo)(IsAXGreeting))代理可以处理其对环境的理解以尝试并实现其目的和动机的另一种方式是经由Hi)只是动作类型的一个示例,即向用户发送消息的动作。其他动作可以包括执行网络请[0374]SendMessage动作是通过首先使用翻译系统将段落的第二部分翻译成英语字符串Light1和Thermostat1是具体可控灯的昵称——在典型的示例中,它不太可能有(ActionRequirement(ActivateX)(IsAX(ActivatableDevice(ActionRequirement(DeactivateX)(IsAX(ActivatableDevice可以使用以下节点以类似方式对外部效果进行编码:Effect、PartialEffect、该示例还可以教导其他类(这些类是ActivatableDevice的子类以及这些类的1.首先使用问题处理器以及关于当前环境状态的信息检查是否可以满[0385]5.如果不是,则将新状态和选择的世界的版本的命题,并且计划过程然后尝试找到可以改变世界以使该命题为真的动作序[0388]根据各种示例,计划可以通过表示要基于检查结果执行的动作来包括条件分(Test<condition>(<subplaniftestistrue>)),其中Test是表示测试某事[0389]在其他示例中,计划可以用类似于顺序步骤(Plan(SequentialSteps(GetFood)(EatFood))或无序步骤(Plan(IndependentSteps<action1><action2>)或诸如本文描述的语音或文本系统的示例包括使用通用LLM来适当地来自用户的问题和[0391]示例还可以包括在此类情况下用于检查用户尚未请求将使LLM延续变得不合适的许动作发生之前双重检查动作与原则兼容——该单独的系统应该具有尽可能少的与第一多,因为支持新语言需要构建的仅有的部件是在新语言和UL之间反之亦然进行翻译的层。以激活设备并让它开始处理它听到的内容:这通常通过将房屋中的声音流式传输到云进行要从家或其他环境持续流式传输到云,在那里存储它涉及隐私,因为提供产品的雇员和公司将可访问这些私用家庭数据。[0396]由本发明的示例实现的语音助手的示例可以通过为家庭数据创建私用云环境来的一些示例也可以被视为专供家庭/住户使用并且知道和可以信任私用家庭数据和秘密的之间的关系受合同和一组程序的规制,这些程序严格规制了他们如何以及何时可以协作,其密钥的访问权并且已从用户获得请求和这种情况的合理证据的事件中将新第三密钥恢[0399]在各种示例中,不同助手可以相互通信以提问目的地助手知道的私用知识的问此通常遵守该指示并且可以回答一般问题或进行典型地先前在用来训练它们的文本中见[0401]LLM的一个重要问题在于通过生成基于在它们的训练数据中所见的混合语言模式用从它已经见到的训练数据中统计地学习的广泛规则来重写语言并且因此是近似的且容[0402]由LLM生成的语言的另一问题在于模型缺乏与人类感知世界的方式相对应的世界应的规则以语言和推理来陈述与人类思考世界的方式更密切地对应的世界模型而具有该[0403]LLM的另一个问题是缺乏对动态信息或发布日期比用来训练它们的文本晚的信息[0404]可以由本发明通过使本文描述的系统适当地将数据添加到包含有用信息的上下[0407]这个回答暴露了上述许多问题。LLM没有可靠地学习包括时间或日期顺序的世界由LLM生成的语言更可能将她而不是Y预[0410]在这种情况下,已经使用本发明来生成用于在LLM的延续之前扩充上下文的有用经被正确地描述,交互之前的提示包括提到Brian是可靠的答案源并且可能在对话期间有所贡献的一般说明,或者LLM已经用包含附加的有用文本并在其他方法适当地利用它们的示例进行了微调。献的文本中导出的计算和断言。在上述示例中,Brian的响应可以包括关于用户文本中提[0412]并且LLM然后将有一周中的准确一天以在用智能地使用由系统生成的准确信息的和质因数作为附加有用文本的一部分,然后LLM可以拾取该附加有用文本来用于流利的回[0414]UL可以通过包括表达确定性程度的断言周围的上下文来大部分或大多数真实的推理段落可以将该部确定性包括在它们生成的UL中作为推理的结使用该信息来改善其延续/响应而无需例如通过包括针对如何使用数据的指示来进行附加例如,被提供上下文“99999993是质数吗?”的LLM可能错误地继续这样“是,被定制来移除事实不准确性或具有其他改善的响应可以用于对底层模型的后续异知识推理这不是在英国且推理出不可能源于以在LLM完成其延续时或在任何部分地生从自然语言中提取在自然语言内断言的一个或多个事实断言的集合的步骤是通过向经适当训练的LLM提供自然语言和要求LLM提供生成事实断言[0429]5:根据条款3或4所述的方法,其中断言被翻译成与断言是真还是假相对应的问从较大的自然语言段落中提取事实断言的上述方法可以由本文描述的系统用来使该知识立即可供使用。这种技术与部分地记住其训练文本但训练过程非常慢且昂贵的此在需要时还将来源暴露给用户。用于本发明的示例以用于广泛多种应用。理段落然后可以用于在利用UL或类似技术的系统中进行真真从中我们可以推断UL:(ConsequenceOf(IsAXFish)(HasAttributeX提供根据自然语言文档的大语料库进行了训练本发明的一些示例可以包括分类器以识别提示何时可能导致准确性重要的延续。[0441]本发明的一些示例可以通过将要由计算单元执行的任务措辞为提示且然后将LLM[0442]本发明的一些示例可以使用根据UL或任选地除了其他语言外的类似语言进行了根据一般互联网进行了训练的LLM可能生成极度危险和不适当的内容。示例包括拒绝回答问题或生成不当内容且然后希望在所有类似的情况下都将由LLM生成这种响应的[0444]LLM的统计性质加上提问问题的方式有很多种的事实意味着这些技术将不可避免[0445]利用本文描述的技术的系统可以通过在输出被显示给用户之前将输出翻译成UL先将对系统的用户请求翻译成UL来将该请求识别为政策违反,并且然后由除了LLM以外的用LLM作为回答问题的技术的这种系统可以利用这种方法以在这样做被预先识别为危险、不道德或以其他方式违反政策时不生成基于LLLM已经根据极大量的数据进行了训练并且通常部分或完全地记住很多数据,能成此类材料的LLM的产品因此承担法律责任、诉讼以及向可能数十万版权所有者支付损害[0448]减少这种情况发生的机会的方法是维护LLM已经根据其进行了训练的文本的单独是否存在以及是否可以快速测试不同长度k的序列的极快识训练过程并不保留文档的来源或甚至文本何时匹配已经根据其进行了训练的文档以及何[0455]通过提供LLM已经根据其进行了训练的语言的数据库并将文本的来源包括在该数[0457]文本的来源可以包括对论文和书籍的书目参考连同潜在的页码;网页的URL以及[0458]一些示例可以通过在数据库中包括附加标签来组合用于引用来源和避免复制其提供用来训练LLM的文本的数据库,该数据库包括与存储的文本的每个章节相关提供分类器以确定延续的章节是否适合于引LLM经常会对问题的回答产生幻觉,并且在它们生成的文本中产生以现实为基础[0466]因此,使用LLM的问题回答或聊天应用程序可以通过在束搜索期间生成多个延续将不同的延续进行比较以识别响应的没有变化的部分和响应的发生变5.根据前述条款中任一项所述的方法,其中系统进一步可操作为进行推理以使6.根据前述条款中任一项所述的方法,其中来自一个或多个用户的语言输入是7.根据前述条款中任一项所述的方法,其中附加有用文本以将附加有用文本与来自一个或多个用户的语言输入区分开的方8.根据前述条款中任一项所述的方法,其中附加有用文本包括从语言输入中计9.根据前述条款中任一项所述的方法,其中附加有用文本包括被设计为确定语改善由LLM生成的延续的技术可以应用于LLM处理自然语言的其他用途和其他类型的语言。果与其他用户共享或可供其他用户使用,则自动成为通用语言或语料库中的该具体单词、概念C.目标解算器[0478]•自然语言单词、概念或其他事物的通用语料库从[0483]•具体单词、概念或其他事物的结构化表示可以与以下任一项相关:每个具体人[0484]•结构化表示是组合或链接的节点的经排序或部分排序的组合或网络中的语义节[0487]•机器学习系统通过从自然语言文档或对话自主学习来生成新节点和节点之间的作匹配的应用程序或健康应用程序或会计应用程序或聊天机器人性的相关的信号的分析来实现自动识别用于从数据存储区[0520](12)根据前述条款中任一项所述的系统,其中动作包括访问其他远程计算机系作为参考世界的机器可读表示进行推理以选[0524](16)根据条款15所述的系统,其中世界的机器可读表示包括有效推理步骤的表的计算能力的表示,并且其中系统进一步可操作为通过参考机器可读表示来利用计算能规范的哪些部分与候选人的技能和经验匹配的解释来解释候选人如液测试或测量的结果或身体成分或活动信息或遗传数据或微生物组数据或排便事件或睡眠数据或锻炼数据或活动数据或疾病症状或人类心情或月经或药物摄入或医疗状况或来人能够与一个或多个用户对话并使选择的其他人能够查看加密密钥中的第三个由不同于用户和系统提要第二唤醒单词的隐私保护状态并且其中第二唤醒单词足够长或不寻常以至于相对于第斯布里格斯量表上的位置或迈尔斯布里格斯分类或个性测试或且其中系统进一步可操作为通过参考原则进行且其中多个不同语音助手中选择的语音助手被映射到多组机器可读原则中选择的机器可个不同语音助手中选择的语音助手访问的私用[0582]•基于以UL表达的他们的网络搜索和网络浏览历史来识别相关广告和新闻以服务本附录1汇总了本说明书中公开的关键概念。我们将这些关键概念分为以下14个C.节点的嵌套E.任何客户可以生成语义节点或段落G.问题回答H.学习J.语义节点决议L.语音助手M.原则N.用例:N4.识别相关广告和新闻N5.新闻的聚合与汇总N6.使用UL在人之间匹配N7.识别社交媒体中的辱骂性或不真实帖子N8.顾客评论的分析N9.购物查询和产品请求都可以与来自任何一个或多个其他概念A_N的任何一个或化机器可读表示包括单个语法项以消除数据的结构[0599]•用于消除含义的歧义的单个语法项是用于消除数据的结构化机器可读表示的不[0600]•用于消除数据的结构化机器可读表示的不同组合的含义的歧义的单个语法项是[0604]•用于消除含义的歧义的单个语法项要求语义节点和段落只能以嵌套组合进行组[0605]•用于消除含义的歧义的单个语法项允许表达式被无限期嵌套,以允许用户将概念连同关于概念的上下文信息一起定义为语义节[0606]•用于消除含义的歧义的单个语法项允许组合语义节点包含任意有限数量的语义[0615]•句法是简单无歧义句法,其中数据的结构化机器可读表示只能以嵌套组合进行[0616]•句法允许表达式被无限嵌套以允许用户将概念连同关于概念的上下文信息一起[0617]•数据的结构化机器可读表示的组合可以包含任意有限数量的数据的结构化机器[0625]•句法是简单无歧义句法,其中数据的结构化机器可读表示只能以嵌套组合进行[0626]•句法允许表达式被无限嵌套以允许用户将概念连同关于概念的上下文信息一起[0627]•数据的结构化机器可读表示的组合可以包含任意有限数量的数据的结构化机器[0635]•标识符选自地址空间,该地址空间足够大以使得客户实体能够独立于其他客户[0640]•字符串可以将其自身标记为数据的结构化机器可读表示,并且其含义严格而言•字符串被表示为UUID或其他数字ID,并且单独的段落将字符串链接到该数字ID[0641]•用作数据的结构化机器可读表示的两个相同字符串具有与该字符串通用的意[0642]•任何用户都可以通过挑选未使用的标识符来用其自己的本地含义创造其自己的[0643]•任何用户都可以为语义节点创造自己的标识符,即使另一个标识符已经

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论