Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 金叶天成(北京)科技有限公司郭奇获国家专利权

金叶天成(北京)科技有限公司郭奇获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉金叶天成(北京)科技有限公司申请的专利基于RAG和LLM技术的医学文献智能问答系统和方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN118364088B

龙图腾网通过国家知识产权局官网在2025-07-08发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202410635924.2,技术领域涉及:G06F16/3329;该发明授权基于RAG和LLM技术的医学文献智能问答系统和方法是由郭奇;田立军设计研发完成,并于2024-05-21向国家知识产权局提交的专利申请。

基于RAG和LLM技术的医学文献智能问答系统和方法在说明书摘要公布了:本发明公开了一种基于RAG和LLM技术的医学文献智能问答系统和方法。系统包括embedding模型和GPT大模型;embedding模型由依次级联的输入层、词嵌入层、编码器、输出层组成;embedding模型训练方法包括数据收集、预训练数据准备、预训练、微调数据准备、微调模型步骤。问答方法包括构建本地知识库、通过向量检索的方法筛选出k条与用户提问最接近的答案作为参考依据、将问题和相关的答案构成prompt输入模型、通过大语言模型的理解分析生成最终答案步骤。本发明将RAG与医学文献相结合的方式,提升了用户获取内容的便利性,和用户获取知识的效率,实现大语言模型在医学领域的应用实践,提高医学研究人员的工作效率,帮助他们更快地获取所需信息,从而促进医学领域的创新和发展。

本发明授权基于RAG和LLM技术的医学文献智能问答系统和方法在权利要求书中公布了:1.一种基于RAG和LLM技术的医学文献智能问答系统,其特征在于:包括embedding模型和GPT大模型; embedding模型由依次级联的输入层、词嵌入层、编码器、输出层组成; 输入层:将输入的自然语言文本分割成一个以上token,各token依次排列形成序列,序列中各token使用词汇表转换成相应的ID,ID为整数;输出相应的ID序列; 嵌入层:将所述ID序列映射为固定维度的词向量,所述词向量由单词向量表示、token在序列中的位置信息、成对句子区分词向量组成;词嵌入层的输出向量为: ; 编码器:由1个以上结构相同但参数不同的编码层串联组成;各编码层包括自注意力机制层和前馈神经网络层; 自注意力机制层对词嵌入层的输出向量进行如下处理: 步骤Z1:生成查询向量、键向量和值向量:嵌入层的输出向量通过相应的权重矩阵生成查询向量、键向量和值向量; 步骤Z2:关注度分数的计算:每个查询向量与所有键向量计算点积,用于表示查询和键之间相似度的关注度分数; 步骤Z3:关注度权重的计算:对每个查询向量的关注度分数应用softmax函数,归一化为概率形式,表示对应键向量的关注度权重; 步骤Z4:注意力向量的计算:将关注度权重与值向量相乘,得到注意力向量; 前馈神经网络层:对注意力向量处理步骤如下: 步骤Q1:第一个线性变换层将注意力向量的维度扩展n倍,n为预设倍数,得到扩展注意力向量; 步骤Q2:应用非线性激活函数处理扩展注意力向量; 步骤Q3:第二个线性变换层将扩展注意力向量的维度缩小到1; 输出层的处理步骤为:提取最后一个编码层的输出向量输入一个全连接层进行线性变换,线性变换的结果会经过一个激活函数处理后输出。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人金叶天成(北京)科技有限公司,其通讯地址为:100024 北京市朝阳区朝阳北路白家楼甲1号红庄国际文化保税创新园区E-1-1;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

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。