大型语言模型（LLMs）和多模态LLMs的最新进展令人瞩目。然而，这些模型仍然仅依赖于其参数化知识，这限制了它们生成最新信息的能力，并增加了产生错误内容的风险。检索增强生成（RAG）通过结合外部数据源部分缓解了这些问题，但对数据库和检索系统的依赖可能会引入无关或不准确的文档，从而削弱性能和推理质量。在本文中，我们提出了多模态知识型检索增强生成（MMKB-RAG），这是一种新颖的多模态RAG框架，它

转载自：http://www.itongji.cn/article/100Q2012012.html随着客服中心的规范化、精细化管理成为行业发展方向，数据分析在运营管理及决策支撑中扮演了越来越重要的角色，很多客服中心认识到数据分析的重要性并积极开始追求各种复杂数据分析技术的应用，但效果往往不佳。其实，笔者认为就国内客服中心运营管理的发展状态而言，能够熟练运用基础的数据分析方法就能够解决运营

转载自：http://blog.csdn.net/hwwn2009/article/details/38311389K-Means算法的基本思想是初始随机给定K个簇中心，按照最邻近原则把待分类样本点分到各个簇。然后按平均法重新计算各个簇的质心(这个点可以不是样本点)，从而确定新的簇心。一直迭代，直到簇心的移动距离小于某个给定的值。 K-Means聚类算法主要分为三个步骤：

本文介绍了Agentar-Scale-SQL框架，该框架通过三阶段协同优化显著提升了Text-to-SQL的转换准确率。当前Text-to-SQL模型在BIRD基准上执行准确率仅75%左右，远低于人类专家的92.96%。该框架创新性地采用"orchestrated test-time scaling"策略，在推理阶段通过任务理解、SQL生成缩放（双生成器互补+迭代优化）和SQL

大型语言模型（LLM）的快速发展催生了数据分析领域中多样化的智能体系统，这些系统利用LLM的能力来提升洞察生成和可视化。本文介绍了一种智能体系统，通过模块化LLM智能体自动化数据到仪表盘的流程（见图1），这些智能体能够进行领域检测、概念提取、多视角分析生成以及迭代自反思。与现有的图表问答系统[19, 21, 32, 34]不同，我们的框架通过检索领域相关知识并适应多样化数据集来模拟业务分析师的分析

大型语言模型（LLMs）的出现使得许多应用成为可能，包括在聊天机器人和其他对话助手中的查询响应生成。由于训练数据量庞大，LLMs通常会经历严重的过拟合，导致生成额外和错误的数据，从而在输出生成中产生幻觉。此类问题的根本原因之一是缺乏及时、准确和个性化的信息输入到LLM中。本文提出了一种通过使用知识图谱（KGs）辅助的检索增强生成（RAG）来解决这些问题的方法，以实现针对用户的个性化响应生成。KGs

质性研究通常涉及难以扩展同时保持分析深度的劳动密集型过程。本文介绍了人工智能共民族志学者（AICoE），这是一种为质性研究开发的新颖端到端管道，旨在超越单纯自动编码分配的限制，提供更集成的方法。AICoE 组织整个过程，涵盖开放编码、编码整合、编码应用，甚至模式发现，从而对质性数据进行全面分析。

情感计算领域专注于识别、解释和响应人类情感，在教育、儿童发展以及人类健康与福祉方面有着广泛的应用。然而，由于缺乏支持多模态、多领域情感识别应用的软件框架，开发情感计算流水线仍然是一项劳动密集型任务。这通常导致在为不同应用构建流水线时产生冗余努力。尽管最近的一些框架试图解决这些挑战，但在减少手动工作量和确保跨域泛化能力方面仍存在局限性。我们介绍了AffectEval，这是一种模块化且可定制的框架，旨

物联网（IoT）复杂性和规模的不断增加，使得安全成为了一个关键问题。本文提出了一种基于大型语言模型（LLM）的新型综合威胁检测与预防框架，适用于物联网环境。该系统集成了在物联网特定数据集（IoT-23、TON_IoT）上微调的轻量级LLM，用于实时异常检测和针对资源受限设备优化的情境感知自动化缓解策略。模块化的Docker部署方式支持在多样化网络条件下进行可扩展且可重现的评估。在模拟物联网环境中的

大语言模型驱动的 AI 角色的兴起引发了对心理障碍患者等脆弱用户的安全性担忧。为应对这些风险，我们提出了 EmoAgent，这是一个多代理 AI 框架，旨在评估并减轻人类与 AI 互动中的心理健康危害。EmoAgent 包含两个组件：EmoEval 模拟虚拟用户，包括表现心理脆弱个体的用户，以评估与 AI 角色互动前后的心理健康变化。它使用经过临床验证的心理学和精神病学评估工具（PHQ-9、PDI