- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
Tacq - Rocq 的上下文感知战术推荐
Tacq - Rocq 的上下文感知战术推荐 Tacq - Context Aware Tactic Recommendation for Rocq https://hal.science/hal-05428141v1 依赖项提供了关于用于定义目标的对象的重要上下文信息。 5.1 通用方法论 为评估上下文信息对战术预测的影响，我们在四种不同的提示配置下对每个 LLM 进行评估，这些配置提供不同程度的上下文： G：基线场景，仅提供当前目标。 本工作的一个创新点是将符号（notations）纳入上下文。 为验证符号的影响，我们进行了消融研究，比较仅包含依赖项及其文档字符串的上下文（G + D + L）与同时包含依赖项和符号及其文档字符串的上下文（G + D & N + L）。
8510编辑于 2026-03-11 - 来自专栏活动
推荐系统中的上下文感知技术
本文将详细介绍推荐系统中的上下文感知技术，并通过实例演示如何将其应用到实际的推荐系统中。 上下文感知推荐系统的发展 上下文感知推荐系统的发展经历了从静态推荐到动态推荐的演变。 上下文感知推荐系统的基本原理 上下文感知推荐系统通过分析用户的上下文信息，生成更加个性化的推荐内容。其基本原理包括以下几个方面： A. 上下文信息的获取 上下文信息的获取是上下文感知推荐系统的关键步骤。 上下文感知推荐算法 上下文感知推荐系统可以基于多种算法实现，以下是几种常见的算法： 技术方法 详细说明 基于上下文过滤的协同过滤 上下文增强的协同过滤：在传统协同过滤算法中引入上下文信息，如用户的地理位置 实例分析：上下文感知推荐系统的实现 在本节中，我们将通过一个实例，演示如何构建一个上下文感知推荐系统。
83601编辑于 2024-08-11 - 来自专栏自然语言处理
CAG: 基于上下文感知的检索增强生成
CAG: 基于上下文感知的检索增强生成 论文链接:https://arxiv.org/abs/2411.16133 代码链接:https://github.com/heydaari/CAG 论文概述 动态调整LLMs输入提示的需求：为了提高RAG系统在开放领域和封闭领域问答任务中的可靠性，论文提出了一种新的机制——上下文感知门（Context Awareness Gate, CAG），它能够根据用户查询是否需要外部上下文检索来动态调整 核心内容 论文提出了一个名为**上下文感知门（Context Awareness Gate, CAG）**的架构来解决检索不相关信息的问题。 上下文感知门（CAG） 查询分类：CAG利用一个监督的大型语言模型（LLM）来分类查询，判断是否需要进行检索增强生成（RAG）或不依赖RAG的响应。 这个数据集用于评估上下文感知系统和RAG语义路由器的性能。 论文实验 论文中进行的实验旨在评估上下文感知门（Context Awareness Gate, CAG）架构的性能和效果。
50510编辑于 2024-11-29 - 来自专栏自然语言处理(NLP)论文速递
SIGIR 2022 | FRNet：上下文感知的特征强化模块
另一方面，本文希望一个理想的特征细化模块应该识别重要的跨实例上下文信息，并学习不同上下文下显著不同的表示。 因此本文提出了一个模型无关的模块 Feature Refinement Network（FRNet）来学习上下文相关的特征表示，能够使得相同的特征在不同的实例中根据与共现特征的关系以及完整的上下文信息进行调整 主要贡献如下： 本文提出了一个名为 FRNet 的新模块，它是第一个通过将原始和互补的特征表示与比特级权值相结合来学习上下文感知特征表示的工作。 （Contextual Information Extractor）来共同学习上下文相关的信息。 以上两个单元分别学习了特征之间的关系，对输入信息进行压缩，保存了特征的上下文信息。
63210编辑于 2022-12-06 - 来自专栏学院君的专栏
Go 视图模板篇（四）：上下文感知与 XSS 攻击
Go 模板引擎一个有趣的地方是显示内容可以根据上下文变化，该功能的一个常见用处就是在适当的地方对内容进行相应的转义。 上下文感知转义 下面看个示例，编写一段服务端处理器示例代码： package main import ( "html/template" "net/http" ) func contextExample 这就是 Go 视图模板的上下文感知特性，它可以根据指令的位置输出不同的内容： ? 排除 XSS 攻击 我们可以基于这个特性在 Go 视图模板中防止 XSS 攻击。 可以看到视图模板中显示的是对应的 HTML 实体代码，而不是执行这段 JavaScript 代码，这里就应用了上下文感知的功能自动对 JavaScript 代码进行转义，我们可以在浏览器开发者工具通过源代码看到转义后的 上下文感知支持 HTML、URL、JavaScript 以及 CSS 格式文本的转义。 不转义 HTML 有的时候，我们不希望对 HTML 代码进行转义，比如富文本就是这样的场景。
63920发布于 2020-08-27 Elastic 的 Discover 的演变：从 ESQL 到上下文感知
我们已经将 Discover 从一个高效但通用的数据探索工具，根本性地演变为一个能够适应你工作流程的上下文感知数据探索工具。 现在会自动在表中渲染 log.level，在文档查看器中提供自定义的日志概览，并为每一行添加级别指示器——这些都是我们在 Elasticsearch 和 Kibana 8.16: Kibana 变得更加上下文感知和节省时间与成本 中引入的新上下文体验的一部分。这意味着更少的设置时间和更多的洞察时间，并且今天为日志量身定制的视图，接下来将扩展到追踪、指标和警报。 上下文推荐查询： 不知道从哪里开始？ES|QL 编辑器现在提供上下文推荐查询，帮助你入门，降低新用户和现有用户的学习曲线。 你现在可以在单一视图中并行运行多个探索，在不同数据集和上下文体验之间无缝切换而不丢失位置。
18710编辑于 2025-10-27Alexa语音合成新突破：上下文感知的说话风格适配
在人类言语中，说话风格和韵律通常取决于上下文，为了使Alexa与用户的互动尽可能自然，对她而言也应是如此。例如，设想以下交流：用户：Alexa，播放Village People。 借助说话风格适配，Alexa将开始以同样的方式改变韵律模式，以适应对话上下文。 说话风格适配的模型之一会以感知上下文的方式生成替代措辞，这样Alexa就不会反复问同一个问题。在一轮对话中，她可能会说：“你指的是歌曲吗？”，在另一轮中，则可能是：“那我应该播放歌曲吗？”，依此类推。 因此，说话风格适配标志着向“概念到语音”方向迈出了一步，这是文本到语音技术的预想后继者，它以概念的高级表示为输入，并基于上下文和其他信号，在如何传达该概念方面拥有相当大的自由度。 然而，这仍然是第一天，我们正在试验利用其他上下文信息来进一步定制Alexa的回应。
15910编辑于 2025-12-30- 来自专栏深度学习自然语言处理
CLarET：实现上下文到事件相关感知的预训练模型
Transformer for Event-Centric Generation and Classification》也是这样的思路[1]，选择在 BART 上增加三个事件相关的预训练任务，意图增强语言模型的事件感知推理能力 因此，可以通过构造与上下文不相关的负例事件，和正确的事件一起提供给模型，增强模型学习正确的事件描述及其上下文的相关性的能力。 第一个 case 显示 ClarET 能较好地掌握上下文，生成的结果比 BART 要完整。 第二个 case 显示，当 gold event 很复杂时，ClarET 的生成结果比较不理想，主要体现在，倾向于忽略比较细微的上下文。 应用于句子特征学习 苏州大学NLP团队文本生成&预训练方向招收研究生/博士生（含直博生） NIPS'22 | 重新审视区域视觉特征在基于知识的视觉问答中的作用 武汉大学提出：用于基于统一Aspect的情感分析的关系感知协作学习
1.1K20编辑于 2022-10-11 OpenAI推出Codex Security：上下文感知的代码漏洞检测与修复
Codex Security 被定位为一个上下文感知系统，试图缩小这一差距。Codex Security 如何工作？ 如果用户配置了为项目量身定制的环境，系统可以在运行中的应用程序上下文中验证潜在问题。这种更深入的验证可以进一步减少误报，并可能允许系统生成有效的概念验证。 第 3 步：利用系统上下文提出修复建议第三步是修复。Codex Security 利用完整的周围系统上下文提出修复建议，目标是生成既提高安全性又最小化回归问题的补丁。 从模式匹配到上下文感知审查的转变此工作流程反映了应用安全工具的更广泛转变。传统扫描器能有效发现已知类别的非安全模式，但它们通常难以区分理论上存在风险的代码和在特定部署中实际可利用的代码。 OpenAI 表示，它会分析项目上下文以识别漏洞、进行验证，并提出供开发者审查的补丁。
20700编辑于 2026-03-10- 来自专栏ATYUN订阅号
Pinterest推出感知上下文的可视化搜索工具Complete the Look
Pinterest推出了Complete the Look，这是一款为家居装饰和时尚类别开发的视觉搜索工具，可为照片中的多件物品提供样式建议，如衬衫，连衣裙，鞋子或太阳镜。
1.1K30发布于 2019-06-21 深度测评 MonkeyCode 的「上下文感知」代码补全系统
尤其是它那套号称“上下文感知”的代码补全系统，真的让我有种“卧槽，这才是我想要的 AI 助手”的感觉。 ——它的“上下文感知”代码补全系统。 什么是“上下文感知”？简单来说，就是 AI 不仅仅根据你当前正在输入的那一行代码来提供建议，而是会综合考虑你整个项目、当前文件、甚至是函数内部的逻辑关系，来给出更加精准、贴合实际需求的代码片段。 最重要的是，由于它强大的上下文感知能力，我发现自己越来越少地需要手动去查阅文档或翻找之前的代码。大部分时候，MonkeyCode 都能在我需要的时候，及时提供准确的信息和建议。 其核心的“上下文感知”代码补全系统，确实解决了传统 AI 助手存在的诸多痛点，让代码生成变得更加精准和高效。
74210编辑于 2025-09-29- 来自专栏phodal
AI 智能体交互语言 DevIns：构建上下文感知的 AI 驱动编程
在 AutoDev 项目中，我们通过构建上下文感知与自定义能力，来实现对于软件开发任务的智能辅助，如自动测试生成与运行、UI 自动生成等。 你可以将你的需求描述成自然语言： 解释代码 /file:src/main/java/com/example/Controller.java 而后，AutoDev 将会结合上下文，并将其编译成对应的指令文本
46010编辑于 2024-03-25 - 来自专栏3D视觉从入门到精通
用于视觉定位的上下文感知线描述符（IEEE2021）
利用NLP作为线段描述符，可以处理各种可变长度的线段； 提出的线段描述符通过关注线段上更有意义的点来理解线段的上下文。 考虑到点嵌入的上下文，transformers将其归纳为线嵌入或线描述符。第二个组件通过与邻域共享线的位置上下文来增强线描述符。
72530编辑于 2023-04-29 - 来自专栏DeepHub IMBA
构建自己的AI编程助手：基于RAG的上下文感知实现方案
而代码助手需要专门为代码设计的上下文感知的RAG（Retrieval-Augmented Generation）管道，这是因为代码跟普通文本不一样，结构严格，而且不能随便按字符随便进行分割。 上下文构建 单纯把代码片段扔给GPT还不够。它可能看到User类的定义，却不知道main.py里怎么实例化它。缺的是全局视角。 它会告诉你："重构PaymentProcessor需要修改_make_request方法，根据上下文，AsyncAPI初始化时需要await关键字……" 代码地图：应对大型代码库 上面的方案对中小项目就已经够用了 Aider、Cursor这类工具采用的进阶技术叫Repo Map，也就是把整个代码库压缩成一棵树结构，塞进上下文窗口： src/ auth/ login.py:
23810编辑于 2026-01-22 - 来自专栏时空探索之旅
MoiraiAgent（摩伊拉特工）：Salesforce 上下文感知时间序列预测智能体框架
通过突破传统预测的边界，MoiraiAgent所提供的预测不仅以数据为驱动，还能感知背景并响应现实世界的情况。 图 2：MoiraiAgent 对输入的数值和上下文信息进行分析和理解。 这些结果确立了MoiraiAgent作为最先进的时间序列预测模型的地位（state-of-the-art time-series forecasting model），并且是在实践中朝着更具适应性、更具上下文感知的预测迈出的有力一步 图3：GIFT-Eval基准测试的预测误差表现，数值越小越好 上下文感知的时间序列预测（Context-aware time-series forecasting） 虽然传统的预测模型擅长从数值时间序列中提取模式 作者们从上下文是关键（Context is Key, CIK）基准开始研究，发现它有许多样本要么仅通过上下文就能轻松预测，要么需要超出所提供上下文的额外知识。 GIFT-CTX基准测试的结果证明，最准确的预测不仅仅是数据驱动的，还需要具备上下文感知能力。
27210编辑于 2026-03-10 - 来自专栏openclaw系列
OpenClaw源码详解之消息上下文智能解析模块：`reaction-message-id.ts`上下文感知机制深度剖析
虽然这个模块仅有寥寥数行代码，但它体现了OpenClaw对用户体验的极致追求和对上下文感知的深刻理解。 模块定位与核心价值在OpenClaw架构中的位置reaction-message-id.ts位于OpenClaw项目的工具参数处理层，是一个专门用于消息ID解析的上下文感知工具函数。 ，支持上下文感知返回类型：string|number|undefined，兼容Discord消息ID的不同表示形式上下文类型定义展开代码语言：TXTAI代码解释typeReactionToolContext 上下文感知机制详解上下文的来源toolContext?. 便于链式调用接口简单，易于集成最佳实践启示对于开发者而言，reaction-message-id.ts模块提供了以下最佳实践启示：1.小而美的工具函数专注于解决一个具体问题保持接口简单确保高内聚、低耦合2.上下文感知设计考虑用户的实际使用场景提供智能的默认行为允许用户覆盖默认行为
23310编辑于 2026-04-03 - 来自专栏FreeBuf
Kiterunner：一款功能强大的上下文感知型内容搜索工具
长期以来，跟“内容搜索”相关的技术一直都是基于文件和文件夹查找来实现的。虽然这种方法对于托管静态文件或响应文件路径的Web服务器来说是有效的，但对于现代Web应用程序来说，这种方法的有效性就没那么高了，尤其是那些使用了API来实现功能的Web应用程序。
1.3K40发布于 2021-07-02 - 来自专栏秋枫学习笔记
RecSys22|CARCA：交叉注意力感知上下文和属性进行推荐
导读 本文将用户的上下文信息和商品的属性结合起来考虑，提出上下文和属性感知推荐模型 (CARCA) ，该模型可以通过多头自注意力块将上下文特征和商品属性结合起来。 ,i_{|P_t^u|}^P\} ，对应的属性为 A_t^u \in \mathbb{R}^{|P_t^u|\times j} ，交互的上下文特征为 C_t^u\in \mathbb{R}^{|P_t^ 左分支是一系列自注意力块，用于提取上下文信息和商品特征。右分支由一个多头交叉注意力块组成，该块捕获左分支的特征对目标商品 O_{t+1}^u 的影响，同时考虑目标商品的属性和上下文特征。 第二个函数 \psi 从上下文特征c和商品属性a中提取潜在特征 q_i \in \mathbb{R}^g 。 省略了位置编码，因为该信息已经明确存在于上下文特征中，例如交互的时间戳。 3.2.2 交叉注意力层 利用多头交叉注意力块来预测目标商品的似然分数。
83750编辑于 2022-09-19 - 来自专栏机器视觉工坊
感知
环境感知了确保无人车对环境的理解和把握，无人驾驶系统的环境感知部分通常需要获取周围环境的大量信息，具体来说包括：障碍物的位置，速度以及可能的行为，可行驶的区域，交通规则等等。 无人车通常是通过融合激光雷达（Lidar），相机（Camera），毫米波雷达（Millimeter Wave Radar）等多种传感器的数据来获取这些信息，本节我们简要地了解一下激光雷达和相机在无人车感知中的应用 对于反射点稀疏的目标（比如说行人），基于点云的分类并不可靠，所以在实践中，我们往往融合激光雷达和相机传感器，利用相机的高分辨率来对目标进行分类，利用Lidar的可靠性对障碍物检测和测距，融合两者的优点完成环境感知
64620发布于 2020-07-28 - 来自专栏hotarugaliの技术分享
感知机
感知机学习由训练数据集求得模型参数 和 ；感知机预测则根据学 习到的模型对新的输入实例给出其对应的输出类别。 3. 策略 给出了感知机模型的定义后，下一步便是探究这个模型是否能够有效地实现分类目标。为此，我们先给出一个条件假设：数据集的线性可分性，然后基于此此假设验证感知机的有效性。 3.2 感知机的学习策略 假设训练数据集是线性可分的，感知机学习的目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面 ，即确定感知机模型参数 和 。 算法 上述学习策略验证了感知机在线性可分数据集上的有效性，下面就是要给出如何在训练数据集上具体实现感知机学习过程。感知机学习问题有两种形式，一种是最直观的原始形式，一种是原始形式的对偶形式。 算法：感知机学习算法的对偶形式 输入：训练数据集 ，其中 ， ；学 习率 ； 输出： ；感知机模型 。
95920编辑于 2022-04-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号