e/b/4/ceb4890f05db090c02f2a533cbe27fc1/p11_1.jpg) ## Spoken Language Understanding (SLU) · 结构化表示自然语言的语义： ## act-slot-value tuples • act1 (slot1=value1, slot2=value2,…), act2 (slot1=value1,…), … • ## · 智能设备越来越多 - 手机、电脑、Pad、TV、盒子、Watch、AirPods、音箱、空气净化器、净水器 ·人迁就机器 → 机器迁就人 • GUI的孤独感、CUI的幸福感 ## 对话交互的价值：在哪儿/在那儿 • 行业早期，价值待验证 • “能帮我把转化率提升50%吗？” • 需求界定师：砍掉不合实际的需求 • “能不能把我的销售、客服全换成机器人？” • “能不能通过分析上课视频，来解答学生的问题？”

## 深度学习-自然语言处理和词嵌入 黄海广 副教授 2023年05月 ## 本章目录 01 词汇表征和文本数据处理 02 词嵌入 03 Word2Vec 04 GloVe 05 GPT ### 1. 词汇表征 01 词汇表征和文本数据处理 02 词嵌入 03 Word2Vec 04 GloVe 05 GPT ### 1. 词汇表征和文本数据处理 al 2017 ## Transformer ■ Transformer架构可分为自回归系列（例如GPT-3，偏好生成性任务）、双向Transformer+Mask的自编码系列（例如BERT，偏好自然语言理解）、Encoder-decoder架构（例如T5，使用双向/单向attention，偏好条件文本生成） 图：Transformer典型技术场景下的原理介绍如下所述 首先通过词嵌入(Word S)，即形成抽象认知并创造新词灵活概括 ，和抽取式文本摘要(EATS)，即直接抽取原始素材并拼接成简单概要 摘要/标题生成 对话式文本生成适用于智能客服等任务型和闲聊型机器人等非任务型人机交互场景，可分类为管道模式及端对端模式。结构性的文本生成，首先通过注意力机制、多层感知器等系统进行语句内容预选，对数值、时间等类型数据进行推理。增强数据间的结构信息。其次通过Transformer等模式结合上下文进行推导，生成最终文本。

上世纪70年代，大规模集成电路和新型CPU架构的引入，计算机逐渐迈向小型化，成本也随之大幅下降。紧接着，80年代初苹果公司率先推出了全球首台图形界面计算机，随后Windows操作系统面世，图形化的展现和交互方式大大降低了普通人使用计算机的门槛。在中国，包括联想在内的众多终端公司相继成立，快速推出个人电脑产品，迅速形成个人电脑产业链，也正式宣布人类进入个人电脑(PC)时代。1992年，联想在国内第一个推 更好、跟专属地服务于每一个人的发展趋势。通过云端的公共大模型和本地大模型之间的混合，可以让每一个人都拥有自己的个人大模型，实现AI真正惠及到每一个人。 这样的混合人工智能，对承载本地大模型的终端的交互能力、智能算力、应用场景、安全保护等方面都提出更高要求。在历史的召唤下，PC再一次成为AI普惠的首选终端，将承担起为用户带来划时代全新AI体验的历史使命，使PC再一次焕发新的活力，使AI真正成为每个人的专属助理（Personal 需要。 ## 能够进行多模态自然语言交互 大模型已经在内容生成方面体现了突出的优势，大模型具备卓越的语言理解、上下文感知、生成性语言、处理多模态数据等能力，这使得大模型能够准确理解用户输入，保持上下文对话的连贯性，生成自然且富有表达力的文本，实现自然交互，为用户提供更智能、个性化、更自然的交互体验。 这种交互体验要得到大规模落地和广泛普惠，必须依赖于多模态交互的设备和软硬件联合优化，这包括文

[Image](/uploads/documents/d/0/b/5/d0b536b0c25428641a6b5b361860fd00/p2_1.jpg) 自然语言到 SQL 01 自然语言到图表 02 GPTs 调用数据库 API 03 总结 04 ## 自然语言到SQL ## 💡  Select Count(*) TiDB ## 自然语言到图表  ### GitHub Data

support Python 模块索引 索引 PyWebIO 提供了一系列命令式的交互函数来在浏览器上获取用户输入和进行输出，将浏览器变成了一个“富文本终端”，可以用于构建简单的 Web 应用或基于浏览器的 GUI 应用。使用 PyWebIO，开发者能像编写终端脚本一样（基于 input 和 print 进行交互）来编写应用，无需具备 HTML 和 JS 的相关知识；PyWebIO 还可以方便地整合进现有的 __name__ == '__main__': bmi() 如果没有使用 PyWebIO，这只是一个非常简单的脚本，而通过使用 PyWebIO 提供的输入输出函数，你可以在浏览器中与代码进行交互： localhost Your Height(cm): Submit Reset ![Image](/uploads/documents/7/7/4/d/774d6f0a09fa898542 格式. ### 4.1 User's guide 如果你接触过 Web 开发，你可能对接下来描述的 PyWebIO 的用法感到不太习惯，不同于传统 Web 开发的后端实现接口、前端进行展示交互的模式，在 PyWebIO 中，所有的逻辑都通过编写 Python 代码实现。 你可以按照编写控制台程序的逻辑编写 PyWebIO 应用，只不过这里的终端变成了浏览器。通过 PyWebIO 提供的命令式

[Image](/uploads/documents/d/f/c/4/dfc44f46a4237adaa8b94a941ac32d21/p4_2.jpg) ## 1 Python NLP 入门 简单介绍自然语言处理的流程和使用corpus的EDA方法。 ## NLP基础 收集语料 前处理 分词 语义解析 ![Image](/uploads/documents/d/f/c/4/dfc44f46a

jpg) 概念：Natural Language Processing 自然语言处理  目的：让机器理解人类的语言，是人工智能领域的重要分支，用于分析、理解和生成自然语言，方便人机交流  应用：智能问答，机器翻译，文本分类，文本摘要，标签提取，情感分析，主题模型 ## NLP发展简史 以机器翻译为开端，作为早期尝试，但不是很成功 1950S 1980s 多数自然语言处理系统基于规则，人工修订等方式，包括问答、翻译、搜索等 基于统计机器学习技术及语料库，使用统计模型，NLP发展产生革新 1990s 2006~至今 深度学习起步、发展及成熟，同样影响NL 来自话题:用户界面设计师  高雪，勘厂交互设计师，公众号：雪糕同学  企业产品手册

多任务支持：支持多种任务，如文本生成、分类和问答。 ## Open AI o3 mini ☐ 小型化设计：轻量级模型，适合资源有限的环境。 ☐ 快速响应：优化推理速度，适合实时交互场景。 ☐ 通用性强：适用于多种自然语言处理任务，如对话生成和文本理解。 ### Claude 3.5 sonnet ☐ 平衡性能：在模型大小和性能之间取得平衡，适合中等规模任务。 ☐ 多模态支持：支持文本和图像处理，扩展应用场景。 多源数据融合分析：在智能交通和城市规划中，o3mini有助于将不同来源的数据（如交通流量、气象数据等）进行融合分析，预测交通拥堵，为城市规划提供决策支持。 交互式数据可视化：在商业智能和数据分析领域，o3mini可以将多维数据以可视化的方式呈现，并支持用户进行交互式分析。  ## 推理响应速度快 • 实时数据可视化与预警：在实时监控和数据分析中，o3mini可以实时将数据以可视化的方式展示，并支持用户与数据进行交互。  • 实时数据流处理与决策：利用o3mini在物联网和工业