PulseAugur
中
实时 14:49:31
中文(ZH) Jev / TEV 能不能干掉 Embedding 做意图识别？ 不能完全替代，但可以干掉一大半传统 Embedding 意图识别的场景，二者有明确分工，不是简单谁取代谁。 先把两套方案本质讲通俗： 1、老方案：Embedding 向量做意图识别 流程：句子 → 向量化 → 向量相似度检索，匹配预先写好的意图库 原理：

Jev/TEV 与 Embedding 在 AI 意图识别中的对比：混合方法

作者 PulseAugur 编辑部 · [3 个来源] ·

文章讨论了在 AI 系统中，使用 Jev/TEV（System-One 决策模型）与传统嵌入向量进行意图识别的对比。嵌入向量适用于基于语义相似性的大型固定意图集，而 Jev/TEV 则在涉及复杂逻辑、条件和否定的小型动态意图集方面表现出色。Jev/TEV 可直接整合业务规则，并为多个判断同时提供校准后的概率，但其在选择数量上有限制，并且与嵌入向量相比，在处理全新、长尾意图方面可能表现不佳。最佳方法通常涉及混合模型：使用嵌入向量进行广泛的初步意图召回，然后使用 Jev/TEV 基于特定标准进行精确分类。 AI

影响 阐明了基于规则的决策模型和基于嵌入的检索在意图识别中的不同用例，指导开发人员进行最优系统设计。

排序理由 该集群讨论了两种用于意图识别的 AI 技术的优缺点，提供了分析和建议，而不是宣布新产品或研究突破。

在 Mastodon — mastodon.social 阅读 →

AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →

Jev/TEV 与 Embedding 在 AI 意图识别中的对比：混合方法

本文如何被排名

Signal score
2 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Commentary
该集群讨论了两种用于意图识别的 AI 技术的优缺点，提供了分析和建议，而不是宣布新产品或研究突破。
Source corroboration
3 independent sources
Multiple independent publishers reporting the same story raises confidence that it's real and newsworthy.
Topics
model release, product, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
Same-day
Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [3]

  1. dev.to — LLM tag TIER_1 中文(ZH) · cognitalk ·

    JEV / TEV 能否取代 Embedding 进行意图识别？

    <h1> Jev / TEV 能不能干掉 Embedding 做意图识别？ </h1> <p><strong>不能完全替代，但可以干掉一大半传统 Embedding 意图识别的场景，二者有明确分工，不是简单谁取代谁。</strong></p> <p>先把两套方案本质讲通俗：</p> <h2> 1、老方案：Embedding 向量做意图识别 </h2> <blockquote> <p>流程：句子 → 向量化 → 向量相似度检索，匹配预先写好的意图库</p> <ul> <li>原理：<strong>语义相似度匹配</strong>，靠向量空间远近判断属于哪个…

  2. Mastodon — mastodon.social TIER_1 English(EN) · [email protected] ·

    经典机器学习算法非常擅长处理结构化数据，例如...的行和列 # ai # deeplearning # 30dayaiseries # software # coding

    Classical machine learning algorithms are very good at structured data, like the rows and columns of... # ai # deeplearning # 30dayaiseries # software # coding # development # engineering # inclusive # community Day 3: Inside Neural Networks — The Engine of Modern Deep Learning

    链接 dev.to/…/day-3-inside-neural-networks-the…
  3. Mastodon — mastodon.social TIER_1 中文(ZH) · [email protected] ·

    Jev/TEV能否取代Embedding进行意图识别？它不能完全取代，但可以取代很大一部分传统Embedding意图识别的场景。两者分工明确，并非简单的谁取代谁。我们先通俗地解释一下两套方案的本质：1.旧方案：Embedding向量进行意图识别流程：句子→向量化→向量相似度检索，匹配预先写好的意图库原理：

    Jev / TEV 能不能干掉 Embedding 做意图识别？ 不能完全替代，但可以干掉一大半传统 Embedding 意图识别的场景，二者有明确分工，不是简单谁取代谁。 先把两套方案本质讲通俗： 1、老方案：Embedding 向量做意图识别 流程：句子 → 向量化 → 向量相似度检索，匹配预先写好的意图库 原理： 语义相似度匹配 ，靠向量空间远近判断属于哪个意图 适合：意图集合 固定、提前建好库 ；意图数量可以很大（几千、上万） 痛点： 只看语义相似， 不理解逻辑条件、约束规则 。 例：“我要退款但订单已经超过180天”，向量会匹配“退款意图”，但…

    链接 dev.to/…/can-jev-tev-replace-embedding-fo…

相关实体

相关话题