XiaoMi-AI文件搜索系统
World File Search System自然语言
使用人工智能自然语言处理的 VR 读书应用程序提案
所提出的 VR 应用的特点是使用 AI 自然语言处理来阅读和理解书中的日语单词，并在 VR 眼镜中显示适当的图像。通过一款名为 Immersion VR Reader 的应用程序已经实现了在 VR 中阅读书籍的功能，该应用程序专为 Oculus GO (2) 提供。但是，这个应用程序存在一个问题。当我们开始开发本文提出的 VR 应用程序时，它仅支持英语。另一个原因是，还没有开发其他支持日语阅读理解的应用程序。作为回应，我们将注意力转向了 IBM 已经宣布的 Watson (3) 的使用。 Watson 的机器学习使用自然语言处理，具有理解文本的能力。在自然语言处理阶段，句子被分成几个单词，这个过程称为“分词”，然后每个单词被分配一个词性。此外，我们决定从中自动搜索名词，并将相应的搜索结果投影为VR。作为制作的第一步，我们将使用 Tone Analyzer 功能，这是 Watson 中可用的功能之一，可以提取阅读一段文本时感受到的情绪。此外，我们希望将获取到的情绪和对应的背景颜色投射到VR中。因此，本申请的特点是，利用Watson从文本中获得的情感数据，通过游戏引擎（Unity）获取，并构建相应的VR。这款应用程序的工作方式是，当你戴上 VR 眼镜时，空白处就会出现一个白色方块。然后，正在阅读的书的文本就会显示在空间的中心。接下来，系统自动搜索文本中的名词，并利用VR以360°视角投射与名词对应的图像和背景颜色。如果句子中除了名词之外还有您感兴趣的单词，您可以使用蓝牙遥控器手动选择它们。此外，用户还可以通过音调分析器阅读眼前书籍的全文，并根据自然语言处理的结果显示VR环境的背景颜色，从而通过声音表达场景的氛围。图像和颜色。这将实现。
使用自然语言动作空间进行加固学习的语言模型
使用自然语言动作空间的强化学习通常由于自然语言的组合而遭受维度的诅咒。先前的研究利用了预验证的语言模型来限制动作语义并减少动作空间的大小。然而，由于经过验证的模型通常是在一般的竞争中训练的，因此在预审计的模型中编码的先验和特定RL环境的特征之间可能存在不匹配的不匹配。为了解决这个问题，我们提出了相互信息的正规政策选择，MIPO。MIPO可以使动作空间的隐式和动态减少。从审计的语言模型提供的先验开始，我们的方法基于相互信息正常化的指导在学习过程中动态调整了先验。从理论上讲，我们证明了这种政策优化过程会导致相互信息正规化RL目标的单位改进。从经验上讲，我们在各种环境中进行了实验，并证明了MIPO的有效性。
使用自然语言处理作为人工智能来分析消费者对广告的看法
随着技术在商业中的出现和融合，营销人员开始投资众多媒体平台来影响消费者的情绪。人工智能已被证明是改变消费者媒体习惯的数字化创新工具之一。由于电子商务的日益发展，传统的广告模式已不足。因此，广告商正在利用人工智能技术来满足当前的需求。因此，需要更深入地了解产品广告，并参考消费者情绪及其影响。当前的研究描述了人工智能在分析消费者注意力、认知和情感方面的贡献。目标产品是三星 Galaxy。当前研究的研究人员采用了 Think-aloud 程序进行数据分析。推文数据集分为 2 类。国际消费者情绪有 30,877 条推文，而巴基斯坦消费者情绪推文数据集有 26,834 条。对于数据分析，作者使用 Nvivo 生成主题。Nvivo 生成词云。使用巴基斯坦推文生成的词云显示，消费者对三星产品的依恋基于情感和注意力，三星产品的首选功能与情感和注意力相关。与此相反，世界其他地区的推文揭示了情感、注意力和认知在选择三星产品时决定了消费者的偏好。这项研究对移动公司针对全球人口很有用。消费者在选择手机时偏好各不相同。本研究将为手机公司提供更好的思路，帮助他们制造面向消费者的手机，从而获得更好的结果。此外，未来的研究应添加更多国家单独的数据，并对发达国家消费者和发展中国家消费者偏好进行比较研究。此外，对消费者有更好了解的公司可以在广告中突出手机最吸引人的功能。
基于LLM的SPARQL查询生成从自然语言上通过联合知识图
在生物信息学中，查询复杂知识图（kgs）的能力对于提取有意义的见解至关重要。但是，手动制作SPARQL查询，尤其是跨多个连接的KGS的联合查询，甚至对于专家而言，甚至可能是一项耗时且具有挑战性的任务。这导致人们对知识图答录（KGQA）系统的需求不断增长，该系统可以将自然语言查询转化为SPARQL，从而弥合用户问题与可用结构化数据之间的差距。大型语言模型（LLMS）提供了一个令人兴奋的机会来应对这一挑战，从而有可能自动从自然语言输入中产生准确的SPARQL查询。然而，尽管LLM在该领域表现出了令人印象深刻的能力[1] [2]，但当前的系统难以处理大规模，不断发展的kg，例如SIB Swiss Swiss生物信息学研究所的目录[3]。在这项工作中，我们提供了一种解决方案，旨在帮助SIB的生物信息学KGS [4]，例如Uniprot [5]，BGEE [6]或OMA [7]，以探索和查询可用数据。我们的方法利用LLM和端点元数据来生成SPARQL查询，同时解决动态整合不断发展的数据集的挑战，而无需持续不断的再培训。通过提供可扩展的系统1，以适应生物信息学知识的复杂且不断变化的景观，我们的目标是显着减少在联邦公里范围内查询的时间和专业知识所需的时间和专业知识。
使用自然语言处理对细菌蛋白的KEGG矫正预测
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：// creativecommons.org/licenses/4.0/。Creative Commons公共领域奉献豁免（http://creativecommons.org/publicdo- main/Zero/Zero/1.0/）适用于本文提供的数据，除非在数据信用额度中另有说明。
NL4AI 2024：第八届人工智能自然语言研讨会 (NL4AI 2024) 概述
摘要 人工智能自然语言 (NL4AI) 研讨会是一个探索自然语言处理 (NLP) 和人工智能 (AI) 交叉领域的平台，特别强调意大利在这两个领域开展的最新活动。第八届研讨会共收到 18 份提交，其中 16 份被接受。提交的内容涵盖了广泛的主题，包括基础 NLP 研究、应用 NLP 以及连接 NLP 和 AI 领域的工作。本届研讨会展示了强大的国际影响力，有来自 6 个国家的作者做出贡献。提交的内容还反映了语言（例如英语、意大利语）和模式（例如文本、视觉）的多样性，强调了研讨会对包容性和全面探索的承诺。
自然危机期间情感分析的混合自然语言处理模型
摘要：本文介绍了一种新颖的自然语言处理（NLP）模型，作为一种原始的情感分析方法，重点是理解重大灾难或冲突期间的情绪反应。该模型是专门针对克罗地亚人创建的，是基于umigrams的，但可以与任何支持N-gram模型并扩展到多个单词序列的语言一起使用。提出的模型生成的情感分数与离散和维情感模型，可靠性指标以及使用情感数据集的单个单词分数相符，扩展了ENEW和NRC WordMotion Association Lexicon。情感分析模型结合了不同的方法，包括基于词典的机器学习和混合方法。预处理的过程包括翻译，诱饵和数据改进，使用自动翻译服务以及南斯拉夫语言的clarin知识中心（ClassLA）库，并特别强调了变节标记校正和代币化。在最近影响克罗地亚的三个主要自然危机上对提出的模型进行了实验评估。该研究的发现表明，在Covid-19大流行期间，情绪维度发生了显着转变，尤其是降低的价，唤醒和优势，这与两个月的恢复期相对应。此外，2020年克罗地亚地震引起了各种各样的负面离散情绪，包括愤怒，恐惧和悲伤，休养时期的时间比COVID-19。这项研究代表了情感分析的进步，尤其是在语言特定的环境中，并提供了对主要社会事件形成的情感景观的见解。
使用线性时间逻辑，分离行动地标和自然语言指令
1简介AI的使用通常需要一个人类的循环组合，以便用户能够做出明智的决定。这样的决定是识别并为特定用户选择最佳计划。有可能引起用户偏好（Das等人2019; Mantik，Li和Porteous 2022）和/或以计划者可以推荐的语言指定这些偏好，例如PDDL3.0（Gerevini and Long 2005），然后让计划者选择一个最佳计划。但是，该解决方案是不切实际的，尤其是在没有所有偏好和约束的情况下，请先使用所有偏好和约束。为此，要么以Top-K计划的形式生成多个计划问题的工作历史（Riabov，Sohrabi和Udrea 2014； Katz等人。2018），高质量的计划（Katz，Sohrabi和Udrea 2020）或多样化的计划（Srivastava等人。2007; Nguyen等。 2012; Vadlamudi和Kambhampati 2016; Katz和Sohrabi 2020; Katz，Sohrabi和Udrea 2022）。 最近，有几个应用程序生成了第一个多个计划，然后在选择过程中使用了用户。 其中一些应用在患者监测领域（Sohrabi，Udrea和Riaibov 2014），企业风险管理（Sohrabi等人。 2018），对话系统（Chakraborti等人。 2022; Rizk等。 2020; Sreedharan等。 2020b）和Web服务com-（Brachman等人） 2022）。 但是，与此类系统交互的用户相互交互几乎没有得到关注。2007; Nguyen等。2012; Vadlamudi和Kambhampati 2016; Katz和Sohrabi 2020; Katz，Sohrabi和Udrea 2022）。最近，有几个应用程序生成了第一个多个计划，然后在选择过程中使用了用户。其中一些应用在患者监测领域（Sohrabi，Udrea和Riaibov 2014），企业风险管理（Sohrabi等人。2018），对话系统（Chakraborti等人。2022; Rizk等。2020; Sreedharan等。2020b）和Web服务com-（Brachman等人2022）。但是，与此类系统交互的用户相互交互几乎没有得到关注。例如，在（Chakraborti等人。2021），所有计划均显示为可以选择的单独序列 - 当然不会扩展到较大集
机器学习和自然语言处理用于预测航空事故报告中的人为因素
摘要：在航空领域，人为因素是安全事故的主要原因。多年来，人们开发了能够评估人为状态和管理风险的智能预测系统来识别和预防人为因素。然而，缺乏大量有用的标记数据往往是这些系统开发的障碍。本研究提出了一种从航空事故报告中识别和分类人为因素类别的方法。对于特征提取，开发了文本预处理和自然语言处理 (NLP) 管道。对于数据建模，考虑了半监督标签扩展 (LS) 和监督支持向量机 (SVM) 技术。采用随机搜索和贝叶斯优化方法进行超参数分析和模型性能改进，以 Micro F1 分数衡量。最佳预测模型在分类框架的每个级别分别获得了 0.900、0.779 和 0.875 的 Micro F1 得分。所提出方法的结果表明，基于文本数据的人为因素分类可以获得良好的预测性能。尽管如此，建议在未来的研究中使用更大的数据集。
利用自然语言处理打造联合国 2030 年互联互通平台
联合国 2030 Connect 于 2020 年 7 月创建，是“联合国会员国要求的一个在线平台，作为联合国系统内外通向科学、技术和创新资源的门户，以协助实现 2030 年议程”（联合国，nd-a）。2030 年议程是联合国当前的倡议，旨在通过实施 17 项具体的可持续发展目标来创建一个更加公平和繁荣的世界（联合国，nd-b）。2030 Connect 平台由机构间任务组创建，通过将政策制定者和社会其他成员与他们做出明智决策所需的信息联系起来，为这一努力提供支持（IISD，nd）。优化该平台的有效性并最大限度地发挥其影响符合联合国的最大利益，因为这将实现更迅速、更简洁的知识共享。