申请/专利权人：青岛海尔科技有限公司;青岛海尔智能家电科技有限公司;海尔优家智能科技(北京)有限公司

申请日：2024-02-20

公开（公告）日：2024-05-24

公开（公告）号：CN117742792B

主分类号：G06F9/30

分类号：G06F9/30;G06N3/0442;G06N3/08;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.05.24#授权;2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本申请公开了一种基于大模型的指令执行设备选取方法、装置、设备和介质，涉及人工智能技术领域，该基于大模型的指令执行设备选取方法包括：响应于用户终端发送的语音交互信息，根据组件流设备选取事件记录，生成提示学习示例；根据提示学习示例、当前已知条件信息和预设任务描述，生成提示信息，获取混合专家网络模型根据提示信息输出的设备选取结果；混合专家网络模型是根据模型损失函数训练得到的，模型损失函数基于多个子网络模型的负载容量均衡程度，多个子网络模型输出的处理结果的权重分配平衡程度和混合专家网络模型的预测结果准确程度确定；基于混合专家网络模型的联合决策优势和学习能力，确保设备选择功能在复杂应用场景下的准确度。

主权项：1.一种基于大模型的指令执行设备选取方法，其特征在于，包括：响应于用户终端发送的语音交互信息，获取所述用户终端关联的组件流设备选取事件记录，并根据所述组件流设备选取事件记录，生成提示学习示例；其中，所述用户终端关联的组件流设备选取事件记录包括预先存储的多个设备选取事件，所述设备选取事件包括历史语音交互信息、所述历史语音交互信息对应的入口终端、所述历史语音交互信息对应的目标智能设备和历史设备信息列表；获取所述用户终端关联的多个候选设备的设备信息，根据所述用户终端、所述语音交互信息和所述设备信息，获取当前已知条件信息；根据所述提示学习示例、所述当前已知条件信息和预设任务描述，生成提示信息，并将所述提示信息输入预训练的混合专家网络模型，并获取所述混合专家网络模型根据所述提示信息输出的设备选取结果；其中，所述混合专家网络模型包括门控网络层、专家网络层和输出解码层，所述专家网络层包括多个子网络模型，每一所述子网络模型为一种生成式预训练GPT模型；所述混合专家网络模型是根据模型损失函数L训练得到的，模型损失函数L基于所述多个子网络模型的负载容量均衡程度，所述多个子网络模型输出的处理结果的权重分配平衡程度，以及所述混合专家网络模型的预测结果准确程度确定；其中，所述负载容量均衡程度是根据负载均衡损失函数确定的；所述权重分配平衡程度是根据贡献均衡损失函数确定的；控制所述设备选取结果指示的目标设备执行所述语音交互信息指示的操作；所述根据所述提示学习示例、所述当前已知条件信息和预设任务描述，生成提示信息，并将所述提示信息输入预训练的混合专家网络模型之后，所述方法包括：控制所述门控网络层获取所述提示信息的不同的词元，将所述不同的词元输入权重分配模型；控制所述门控网络层根据所述权重分配模型的输出结果，获取每个所述词元对应的权重集合，所述词元与所述权重集合是一一对应的，所述词元对应的权重集合包括每个所述子网络模型对所述词元的贡献权重；控制所述门控网络层根据每个所述词元对应的权重集合中的每个贡献权重和所述词元路由规则指示的筛选条件，确定所述每个词元对应的目标子网络模型，并将所述每个词元输入所述词元对应的目标子网络模型；控制所述门控网络层根据每个所述目标子网络模型对每个所述词元的贡献权重，获取所述目标子网络模型对每个所述词元的输出权重；控制所述混合专家网络模型中的专家网络层所包含的每一所述子网络模型根据所述门控网络层输入的不同的词元，输出对所述不同的词元的处理结果；控制所述混合专家网络模型中的所述输出解码层根据所述多个子网络模型的输出权重和所述多个子网络模型对所述不同的词元的处理结果，获取设备选取结果并输出所述设备选取结果。

全文数据：

权利要求：

百度查询： 青岛海尔科技有限公司;青岛海尔智能家电科技有限公司;海尔优家智能科技(北京)有限公司 基于大模型的指令执行设备选取方法、装置、设备和介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD