Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2312.02181

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2312.02181 (cs)
[提交于 2023年11月29日 ]

标题: 生成式AI如何在政府聊天机器人中有效使用

标题: How Generative-AI can be Effectively used in Government Chatbots

Authors:Zeteng Lin
摘要: 随着人工智能的快速发展以及机器学习和自然语言处理的突破,智能问答机器人已在政务领域得到广泛应用。 本文对广东省政府聊天机器人、ChatGPT和文心一言这两种大语言模型进行了横向比较,以分析现有政府聊天机器人和AIGC技术的优势与不足。 研究发现,政府聊天机器人与大语言模型之间存在显著差异。 中国的政府聊天机器人仍处于探索阶段,尚有差距需要弥补以实现“智能化”。 为了更深入地探讨政府聊天机器人的未来发展方向,本研究提出了有针对性的优化路径,以帮助生成式AI在政府聊天机器人对话中得到有效应用。
摘要: With the rapid development of artificial intelligence and breakthroughs in machine learning and natural language processing, intelligent question-answering robots have become widely used in government affairs. This paper conducts a horizontal comparison between Guangdong Province's government chatbots, ChatGPT, and Wenxin Ernie, two large language models, to analyze the strengths and weaknesses of existing government chatbots and AIGC technology. The study finds significant differences between government chatbots and large language models. China's government chatbots are still in an exploratory stage and have a gap to close to achieve "intelligence." To explore the future direction of government chatbots more deeply, this research proposes targeted optimization paths to help generative AI be effectively applied in government chatbot conversations.
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI); 机器学习 (cs.LG); 一般经济学 (econ.GN)
引用方式: arXiv:2312.02181 [cs.CL]
  (或者 arXiv:2312.02181v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2312.02181
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Zeteng Lin [查看电子邮件]
[v1] 星期三, 2023 年 11 月 29 日 07:27:15 UTC (227 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • 其他格式
查看许可
当前浏览上下文:
q-fin
< 上一篇   |   下一篇 >
新的 | 最近的 | 2023-12
切换浏览方式为:
cs
cs.AI
cs.CL
cs.LG
econ
econ.GN
q-fin.EC

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号