XiaoMi-AI文件搜索系统
World File Search Systemtextual
从文本描述到业务流程模型-Cal -Tek
当前，公司越来越多地转向处理建模，作为理解和增强其内部运营的工具，从而提高了效率。但是，执行这些过程有效地对组织构成了重大挑战。过程建模是朝着促进验证或模拟的正式模型的关键步骤，但对过程的初始描述通常依赖于自然语言。从此文本描述过渡到更正式的BPMN（业务流程模型和符号）表示，对于专家来说，这仍然是一项耗时且艰巨的任务。本文提出了探索生成人工智能的使用，尤其是大型模型语言模型（LLM），例如GPT（生成性预训练的变压器），以从文本描述中生成BPMN业务流程模型。此过程包括各种步骤，包括自然语言理解，相关信息的提取以及将此数据转换为结构化的BPMN元素。通过采用生成人工智能，目标是自动化和简化此过程，为业务过程建模提供更有效的方法。
文本开发计划分区地图更改应用程序附件
使用分区地图更改应用程序的开发计划的提交是可选的，除了以下分区区域中的请求：PDR，UC，CC，MU，MU，IP和RU-M或RUS或RS-M，如果由高度或密度触发（请参阅第6条）。可以使用文本开发计划来代替图形开发计划。，要提交开发计划的所有申请，请在分区请求中放置一个“（d）”，除了pdr。
使用文本数据机器学习识别金融危机
我们使用机器学习技术对文本数据进行分析，以识别金融危机。危机的爆发和持续时间对实际经济活动有影响，因此可以成为宏观审慎、货币和财政政策的宝贵投入。学术文献和政策领域主要依靠专家判断来确定危机，而且往往存在滞后。因此，危机持续时间和脆弱性的积累阶段通常只能事后才能确定。虽然我们可以使用传统的计量经济学技术和现成的市场数据在不同程度上识别和预测全球部分危机，但我们发现文本数据有助于减少此类模型样本外测试中的假阳性和假阴性，尤其是当危机被认为更为严重时。建立一个跨国家、实时一致的框架可以使世界各地的政策制定者受益，尤其是当不同政府政策需要国际协调时。JEL 分类：C53；C55；G01 关键词：金融危机；机器学习；自然语言处理
NLU-STR在Semeval-2024任务1：基于生成的增强和基于编码器的语义文本相关性评分
语义文本相关性是语义相似性的更广泛的影响。它衡量了两个文本传达相似含义或主题或共享相关概念或上下文的范围。这种相关性概念可以在各种应用中（例如文档聚类和汇总）中提出。SEMREL-2024是Semeval-2024中的共享任务，旨在通过为包括阿拉伯语在内的14种语言和方言提供数据集来减少语义相关性任务中的差距。本文介绍了我们参与轨道A（阿尔及利亚和摩洛哥方言）和轨道B（现代标准阿拉伯语）的参与。在监督轨道（a）中对基于BERT的模型进行了精心调整，而基于BERT的CONINE相似性则用于无监督的轨道（B）。我们的系统在Semrel-2024中对MSA排名第1，Spearman相关得分为0.49。，我们为摩洛哥排名第5位，而阿尔及利亚的排名分别为0.83和0.53。
使用生成AI
背景。软件系统的日益增长的复杂性在自动化各种开发任务方面已经提高了互动，将文本描述转换为结构化代码为这样一个领域。大型语言模型（LLMS）在自动化此过程方面表现出了巨大的希望，但是它们在生成基于XML的Java Spring Bean配置中的使用仍在探索中。本研究研究了如何利用LLM来增强代码生成。问题语句。LLM在软件开发中的越来越多的使用高光在测试配置代码生成中自动化的需求。尽管AI中有广告，但将文本测试案例描述转换为基于XML的Java Spring Beans配置仍然是一个挑战。该研究解决的问题是缺乏对如何有效利用LLM的理解来自动化此转换，从而确保具有适当的语法和命名会议的准确，结构化的代码。目标。该项目旨在探讨如何使用LLMS将文本测试案例描述有效地转换为测试配置代码。它涉及对生成优化代码并确定最合适的LLM所需的深度和参数化。项目构建并评估了经过训练的LLM实例，该实例将测试案例描述转换为测试配置代码，特别是基于XML的Java Spring Bean配置，证明了这种方法在自动化测试配置代码代码中的实际有效性。方法。结果。结论。这项研究使用实验和系统文献综述（SLR）来评估在测试描述中具有不同详细信息级别的数据集上选定的LLM。它探讨了不同的培训策略以优化模型性能，尤其是在处理不同的输入序列长度时。调查结果表明，Mistral-7b是通过SLR选择的模型中表现最好的模型。Phi-3-3.8b在选定的培训策略下，与Codellama-7B相比，PHI-3-3.8B显示出更好的代码生成能力。结果还表明，测试案例描述中的细节水平显着提高了基于XML的Java Spring Bean配置的准确性和质量。该研究得出的结论是，LLM，尤其是Mistral-7b，具有从文本描述中自动化基于XML的Java Spring Bean配置自动化的潜力。但是，需要进一步的研究来探索最佳模型，培训策略和参数以提高性能和效率。
生成AI从视觉和文本数据中解释人类情绪的能力：试点评估研究
背景：心理化是人类认知过程不可或缺的，这与对自己和其他人的概要状态的解释有关，包括情感，信念和意图。随着人工智能（AI）的出现以及在心理健康应用中大型语言模型的突出性，关于其情感理解能力的问题持续存在。openai的大型语言模型的先前迭代（chatgpt-3.5）展示了从文本数据中解释情绪，超过人类基准测试的高级能力。鉴于Chatgpt-4的引入，具有增强的视觉处理功能，并考虑了Google Bard的现有视觉功能，因此有必要严格评估其视觉心理化的水平。目的：研究的目的是批判性地评估Chatgpt-4和Google Bard在辨别视觉心理指标方面的能力方面的能力，这与其基于文本的心理能力形成鲜明对比。方法：Baron-Cohen和同事开发的眼睛测试中的阅读思维用于评估模型在解释视觉情感指标方面的熟练程度。同时，使用情感意识量表的水平来评估大型语言模型在文本心理化方面的才能。从两项测试中整理数据提供了对Chatgpt-4和Bard的心理功能的全面看法。结果：ChatGpt-4，在情绪识别方面表现出明显的能力，在2个不同的评估中获得了26和27分数，与随机响应范式显着偏离（p <.001）。这些分数与更广泛的人口统计学的既定基准相符。值得注意的是，Chatgpt-4表现出一致的反应，没有与模型的性别或情感性质有关的可见偏见。相比之下，Google bard的性能与随机响应模式保持一致，确保10和12的得分，并使进一步的详细分析冗余。在文本分析的领域中，Chatgpt和Bard都超过了一般人群的既定基准，他们的表现非常一致。结论：ChatGpt-4证明了其在视觉心理化领域的功效，与人类绩效标准紧密相符。尽管这两种模型在文本情感解释中都表现出值得称赞的敏锐度，但巴德在视觉情感解释中的功能需要进一步审查和潜在的精致。本研究强调了道德AI发展对情感认可的关键性，强调了对包容性数据的需求，与患者和心理健康专家的合作以及严格的政府监督，以确保透明度和保护患者的隐私。
文本情感分析基于智能系统的深度学习技术的改进的元启发式学
由于概括和建模一系列大脑信号的复杂性，发现感官残障人士的情绪仍在继续挑战。因此，使用大脑 - 计算机界面技术来研究基于大脑信号的人的情绪和行为。情绪分析是一种广泛使用且可靠的数据挖掘分析方法。它提供了一个绝佳的机会，可以监视，评估，确定和理解消费者对产品或服务的情感。然而，即使以前的研究已经提出了使用机器学习方法对感官残障人士的情绪分类，但尚未评估视觉症患者的情绪识别模型。因此，这项研究引入了一种新的SALP群算法，该算法具有深层的基于神经网络的文本情感分析（SSADRNN-TEA）技术，该技术针对残疾人。SSADRNN-TEA技术的主要目的是专注于对社交媒体内容中存在的情绪的检测和分类。在这项工作中，SSADRNN-TEA技术经历了预处理，以使输入数据与处理和BERT单词嵌入过程的后一个阶段兼容。此外，还利用了深层复发神经网络（DRNN）模型。最后，SSA被利用以最佳调整DRNN超参数。广泛的实验涉及模拟SSADRNN-TEA方法的实时性能。实验值揭示了SSADRNN-TEA技术在几个评估指标方面的性能提高。
文本商业内容的电子文摘形成和分类 Lyubomyr Chyrun a、Vasyl Andrunyk b、Liliya Chyrun b、Aleksandr
摘要 本文提出了一种实用且合乎逻辑的内容处理方法，作为文摘形成的一个阶段。内容处理方法将文摘形成和分类描述为内容生命周期的一个步骤，并简化了管理商业文本内容的信息技术。本文分析了处理商业内容的现有服务的主要问题。所提出的方法允许您创建用于处理信息资源的工具并实现用于管理商业内容的子系统。关键词 1 内容、智能系统、信息技术、文本挖掘、信息流、内容监控、自动摘要、主题接近性、源文本、潜在语义分析、商业内容、文本分析、内容分析、互联网环境、电子文摘、信息检索、文本内容、内容搜索、文本挖掘方法、空间矢量模型、信息系统、文本数据、现代机器学习技术
