【技术实现步骤摘要】
[]本专利技术涉及大语言模型，具体地说是一种基于大语言模型自动生成结构示意图的装置及方法。
技术介绍
0、[
技术介绍
]
1、目前，现行的自动生成结构示意图技术主要依赖于人工编辑，编辑人员会手动阅读文本并对其中的结构进行标注；例如，使用图形符号、颜色、字体等来表示不同的元素；然后，编辑人员会将标注好的文本内容与预定义的模板进行匹配，生成对应的结构示意图。
2、然而，这种方法的效率较低，准确性不高，可定制性差。具体体现在：
3、(1)首先，人工标注需要大量的时间和精力，而且很难保证生成的结构示意图的准确性和完整性。
4、(2)其次，模板匹配的过程可能存在一定的误差，导致生成的结构示意图与模板中的元素不完全匹配。
5、(3)此外，这种技术主要适用于一些简单的文本内容，对于复杂的文本内容，其生成质量可能无法满足需求。
技术实现思路
0、[
技术实现思路
]
1、本专利技术的目的就是要解决上述的不足而提供一种基于大语言模型自动生成结构示意图的装置，能够根据用户的需求自动和快速地生成高质量的结构示意图，避免了人工手绘或使用其他工具绘制示意图的繁琐过程，提高了效率，且具有较强的自然语言理解和生成能力，可处理各种复杂的用户需求。
2、本专利技术一方面，提供了一种基于大语言模型自动生成结构示意图的装置，包括：
3、数据预处理和准备模块，用于进行数据的收集和预处理；
4、模型训练模块，用于采用大语言
5、需求解析模块，用于解析用户的需求，将自然语言转换成模型可以理解的形式；
6、结构图生成模块，用于生成满足需求的ui元素和结构化数据；
7、结构图渲染模块，用于进行图形渲染，将之前生成的结构图数据可视化。
8、作为一种实施例，所述数据预处理和准备模块使用numpy和pandas进行数据清洗和格式转换，数据标注则采用人工或者半自动工具进行处理。
9、作为一种实施例，所述模型训练模块基于transformers系列的预训练模型，包含但不限于bert和gpt模型，进行迁移学习，并结合自然语言处理技术，进行模型的定制训练。
10、作为一种实施例，所述需求解析模块利用机器阅读理解mrc和深度学习序列处理技术解析用户的需求，并将用户的需求转化为模型可以理解的形式。
11、作为一种实施例，所述结构图生成模块采用gpt、条件生成对抗网络conditionalgans、序列生成模型lstm或序列生成模型gru，结合具体的用户需求，生成满足需求的ui元素和结构化数据。
12、作为一种实施例，所述结构图渲染模块采用webgl、antv或者three.js图形库，结合html5、css3前端技术进行图形渲染。
13、作为一种实施例，还包括实时反馈模块，所述实时反馈模块通过apis收集用户的行为数据，并对用户的反馈进行数据分析，然后应用到模型优化过程中；所述实时反馈模块采用强化学习的方式，其工具包含但不限于tensorforce和openai gym。
14、本专利技术另一方面，提供了一种基于大语言模型自动生成结构示意图的方法，包括以下步骤：
15、1)数据预处理和准备：首先进行数据的收集和预处理，对数据进行清洗、标注、归一化处理；
16、2)模型训练：采用大语言模型，对前期整理好的数据进行训练；
17、3)用户需求解析：接收用户的输入需求后，通过nlp技术解析用户的需求，将自然语言转换成模型可以理解的形式；
18、4)生成结构图数据：采用生成模型，根据解析后的用户需求，生成满足需求的ui元素和结构化数据；
19、5)渲染结构图：在ui框架下进行图形渲染，将之前生成的结构图数据可视化，使用户看到直观的图形或界面。
20、作为一种实施例，步骤5)之后，还包括实时反馈的步骤：向用户提供实时的反馈，若用户对生成图不满，则反馈给装置，装置再根据用户反馈调整模型，启动新一轮的生成过程。
21、本专利技术第三方面，提出了一种电子设备，包括处理器和存储器，所述处理器与所述存储器通过总线连接，所述存储器上存储有可在所述处理器上运行的程序，当所述程序被所述处理器执行时，使得所述电子设备实现上述的方法。
22、本专利技术同现有技术相比，具有如下优点：
23、(1)高效性：本装置能够自动根据用户的需求生成结构示意图，避免了人工手绘或使用其他工具绘制示意图的繁琐过程，提高了效率；
24、(2)智能性：装置采用大语言模型进行训练，具有较强的自然语言理解和生成能力，能够处理各种复杂的用户需求；
25、(3)用户体验好：本装置能实时反馈结构图生成结果，用户可以直观地看到需求转化成的结构示意图，并根据结果提出修改意见，提高用户体验；
26、(4)持续优化：通过收集用户反馈，装置可以持续学习和优化，提高结构示意图的生成质量和准确度；
27、(5)广泛适用性：结构示意图在很多领域里都有广泛应用，比如软件工程、系统架构设计、项目管理等，因此本装置具有很广的实用价值；
28、(6)准确性：通过大量的训练数据和先进的训练模型，装置能够精准地根据用户需求生成相应的结构示意图，具有较高的准确性；
29、综上，本专利技术提供了一种全新的方式来生成结构示意图，不仅能自动和快速地生成高质量的结构示意图，还能根据用户的需求和反馈进行持续优化，从而使得本装置在完成结构示意图生成任务时，具有很大的优势和价值，值得推广应用。
本文档来自技高网...【技术保护点】
1.一种基于大语言模型自动生成结构示意图的装置，其特征在于，包括：
2.如权利要求1所述的装置，其特征在于：所述数据预处理和准备模块使用numpy和pandas进行数据清洗和格式转换，数据标注则采用人工或者半自动工具进行处理。
3.如权利要求1所述的装置，其特征在于：所述模型训练模块基于Transformers系列的预训练模型，包含但不限于BERT和GPT模型，进行迁移学习，并结合自然语言处理技术，进行模型的定制训练。
4.如权利要求1所述的装置，其特征在于：所述需求解析模块利用机器阅读理解MRC和深度学习序列处理技术解析用户的需求，并将用户的需求转化为模型可以理解的形式。
5.如权利要求1所述的装置，其特征在于：所述结构图生成模块采用GPT、条件生成对抗网络Conditional GANs、序列生成模型LSTM或序列生成模型GRU，结合具体的用户需求，生成满足需求的UI元素和结构化数据。
6.如权利要求1所述的装置，其特征在于：所述结构图渲染模块采用WebGL、AntV或者Three.js图形库，结合HTML5、CSS
7.如权利要求1所述的装置，其特征在于：还包括实时反馈模块，所述实时反馈模块通过APIs收集用户的行为数据，并对用户的反馈进行数据分析，然后应用到模型优化过程中；所述实时反馈模块采用强化学习的方式，其工具包含但不限于TensorForce和OpenAI Gym。
8.一种基于大语言模型自动生成结构示意图的方法，其特征在于，包括以下步骤：
9.如权利要求8所述的方法，其特征在于，步骤5)之后，还包括实时反馈的步骤：向用户提供实时的反馈，若用户对生成图不满，则反馈给装置，装置再根据用户反馈调整模型，启动新一轮的生成过程。
10.一种电子设备，其特征在于：包括处理器和存储器，所述处理器与所述存储器通过总线连接，所述存储器上存储有可在所述处理器上运行的程序，当所述程序被所述处理器执行时，使得所述电子设备实现如权利要求8或9所述的方法。
...【技术特征摘要】
1.一种基于大语言模型自动生成结构示意图的装置，其特征在于，包括：
2.如权利要求1所述的装置，其特征在于：所述数据预处理和准备模块使用numpy和pandas进行数据清洗和格式转换，数据标注则采用人工或者半自动工具进行处理。
3.如权利要求1所述的装置，其特征在于：所述模型训练模块基于transformers系列的预训练模型，包含但不限于bert和gpt模型，进行迁移学习，并结合自然语言处理技术，进行模型的定制训练。
4.如权利要求1所述的装置，其特征在于：所述需求解析模块利用机器阅读理解mrc和深度学习序列处理技术解析用户的需求，并将用户的需求转化为模型可以理解的形式。
5.如权利要求1所述的装置，其特征在于：所述结构图生成模块采用gpt、条件生成对抗网络conditional gans、序列生成模型lstm或序列生成模型gru，结合具体的用户需求，生成满足需求的ui元素和结构化数据。
6.如权利要求1所述的装置，其特征在于：...
【专利技术属性】
技术研发人员：肖达，
申请(专利权)人：上海数珩信息科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。