当前位置：网站首页 » 热点 » 内容详情

编辑距离最新视觉报道_编辑距离算法(2024年12月全程跟踪)

内容来源：麦吉窗影视所属栏目：热点更新日期：2024-12-01

编辑距离

斯坦福新库！简化字符串比在自然语言处理的应用中，字符串比较是一个常见的任务。无论是计算语言相关性、人名去重，还是生物信息学中的基因序列比较，都可以归结为字符串比较的问题。最近，斯坦福NLP推出了一个名为string2string的Python库，该库集成了各种常见的字符串比较方法。这些方法包括传统的Jaccard相似度、编辑距离和KMP算法，以及一些先进的方法，如BERTScore和BARTScore。此外，该库还提供了一些可视化的工具，方便用户使用。通过使用这个库，可以大大减少重复造轮子的工作量，提高开发效率。

OCR技术新突破：精准识别，效率翻倍！ 𐟓š 光学字符识别（OCR）是一种将图像中的文字转换为可编辑文本的技术。想象一下，你扫描了一份表格或收据，计算机可以将扫描结果保存为图像文件。虽然你无法直接编辑、搜索或统计图像中的文字，但通过OCR技术，你可以将图像转换为文本文档，方便后续操作。 𐟚€ 生成式AI和多模态LLM为OCR带来了新的发展动力！GOT（通用OCR理论）是一个580M的端到端OCR-2.0模型，其性能远超现有方法。GOT包含一个Vision-Encoder，用于将图像转换为Transformer处理的token，以及一个解码器，用于生成多种格式的OCR输出，如纯文本、Markdown、Mathpix。GOT的设计使其能够应对复杂的任务，如表格、公式和几何图形。 𐟔砥Ž𐦭婪䯼š 1️⃣ 视觉编码器预训练：编码器（VitDet）使用场景文本和文档OCR数据进行训练，能够识别切片和整页输入。 2️⃣ 联合训练：编码器与解码器（Qwen-0.5B）连接，进行更广泛的OCR任务训练（如公式、乐谱、几何图形）。 3️⃣ 后期训练：使用新的合成数据集对模型进行特定任务微调，如细粒度OCR、多页PDF和动态分辨率等任务。 𐟌Ÿ 亮点： 𐟧 编码器-解码器架构，80M（VitDet）编码器与500M（Qwen2）解码器，支持8k上下文长度。 𐟥‡ 在纯文本OCR任务中，取得0.035的编辑距离和0.972的BLEU分数。 𐟓Š 在文档和场景文本OCR中，性能超越LLaVA-NeXT和Qwen-VL-Max。 𐟧ƒ𝤻ŽArxiv提取LaTeX公式，并转换为Mathpix格式。 𐟓ƒ 支持动态分辨率和多页OCR。 𐟖𜯸 最大支持1024x1024的输入分辨率。通过这些技术，OCR不仅提升了识别精度，还扩展了应用范围，为各行各业带来了巨大的便利。

360大模型提前批一面经历分享最近参加了360大模型提前批的一面，真是累到不行。这是秋招的第二场面试，感觉每个问题都像是在挑战我的记忆力。面试内容概览 𐟓‹ 基本情况介绍：面试官首先让我介绍一下自己的基本情况，包括实习和项目经历。实习经历：面试官针对我的实习经历问了一些具体的问题，比如怎么评估实习效果的。比赛评价指标：介绍了一些比赛的评价指标，比如准确率、召回率等。 SQL使用：问我是否平时写SQL，以及如何优化SQL查询。 fastapi：有没有用过fastapi，了解它的哪些特性。设计模式：了解常见的设计模式，比如单例、工厂模式等。 embedding模型：如何训练embedding模型，有哪些著名的embedding模型。手撕注意力：面试官让我写伪代码实现注意力机制。其他问题：最后问了些关于编辑距离、字典树等算法的问题，但没有具体手撕。面试感受 𐟤” 整个面试过程持续了一个小时左右，感觉时间过得飞快。最后我反问了一下业务主要是agent相关的，面试官也没有多说什么。总体来说，这次面试体验还不错，虽然有些问题没记住，但整体表现还算可以。总结 𐟓 这次360大模型提前批一面的经历让我对自己的技术水平和表达能力有了更清晰的认识。虽然有些问题没答上来，但也学到了不少新知识。希望能在后面的面试中继续加油！

上海AI实验室的LLM评估新技巧 𐟓–标题：TP-Eval: 优化LLM提示，解锁AI潜能 𐟌来源：arXiv, 2410.18071 𐟛Ž️文章简介 𐟔𘧠”究问题：多模态大语言模型（MLLM）在评估时，由于提示设计不当，可能导致模型能力被低估。 𐟔𘤸𛨦贡献：论文提出了TP-Eval框架，通过定制化提示优化来提升MLLM在评估中的表现，揭示了模型的真实能力。 𐟓重点思路 𐟔𚧛𘥅𓥷夽œ 𐟔𘦏示敏感性研究：微小的提示修改可能对LLM输出产生重大影响，这一特性已被用于创建对抗性示例。 𐟔𘥿멀Ÿ工程和优化：为了减少手动工作，研究人员探索了自动提示优化方法，分为连续方法和离散方法。离散方法使用强化学习或提示编辑，连续方法在LLM的嵌入空间内执行优化。 𐟔𚨮𚦖‡方案 𐟔𘔐-Eval框架：通过自动提示优化来定制化适用于不同模型的最佳提示，提升MLLM在评估中的表现。 𐟔𘤼˜化器设计：使用GPT4o-mini作为优化器，生成新的提示集。通过设计一个元提示，结合历史提示及其评分和自省信息，生成新的提示。 𐟔𘦏示定制化方法：在提示优化过程中，使用衰减编辑距离来限制提示的变化，确保优化过程的平滑性，同时避免忽略最优提示。 𐟔Ž分析总结 𐟔𘦏示定制化的有效性：通过提示定制化，模型在MMT-S上的表现显著提升，例如LLaVA模型在32个任务上的表现提升了25.1%，整体得分提高了4%。 𐟔𘦨ᥞ‹对提示变化的敏感性：即使是微小的提示变化，也能显著影响模型的输出，说明现有基准中的提示设计存在缺陷，导致模型能力被低估。 𐟔𘦜€优提示的模型特异性：为某个特定模型优化的提示在其他模型上的表现可能下降，这表明最优提示具有模型特异性，需要为每个模型定制化提示。 𐟔𘔐-Eval框架的有效性：TP-Eval框架能够有效支持提示定制化，揭示了模型的真实能力，证明了提示设计在MLLM评估中的重要性。 𐟒ᤸꤺ𚨧‚点论文的核心在于自动找到最佳提示，使模型在评测时表现最佳。

模糊匹配：解决企业名称不规范问题的利器 𐟒𛠥œ襤„理专利数据时，企业名称的不规范是一个常见的问题。同一企业可能在不同的文档中以不同的名称形式出现，例如拼写错误、缩写或字符顺序颠倒。这时候，Levenshtein Distance（编辑距离）结合模糊匹配代码包就能帮你搞定一切！ 𐟔 Levenshtein Distance 简介 Levenshtein Distance 是一种计算两个字符串之间最小编辑操作次数的算法。操作包括插入、删除和替换字符。例如，将“Company”变为“Compny”需要一次替换操作，因此它们的Levenshtein Distance为1。这个值越小，两个字符串的相似度就越高。 𐟓ˆ Python中的模糊匹配代码包在Python中，常用的模糊匹配代码包如fuzzywuzzy和python-Levenshtein，可以轻松实现Levenshtein Distance的计算。这些工具包不仅能处理拼写错误，还能帮助匹配那些可能因为字符顺序或格式不同而看似不同的企业名称。例如，使用fuzzywuzzy包的代码如下： from fuzzywuzzy import fuzz name1 = "Techno Corp" name2 = "Tech Corp" similarity = fuzz.ratio(name1, name2) print(f"相似度：{similarity}") 𐟛 ️ 实际应用中的优势 Levenshtein Distance 尤其适用于处理拼写错误、字符丢失或多余的情况。例如，在处理手写输入或扫描错误时，这种方法可以显著提高匹配准确性。此外，它还能处理字符顺序颠倒的问题，如将“ABC Corp”与“ACB Corp”进行比较，并发现它们之间的相似性。 𐟓œ 总结 Levenshtein Distance 与模糊匹配代码包的结合是解决专利数据中企业名称不规范问题的强大工具。它为企业创新分析提供了更加准确的基础，值得每一个数据科学家掌握。

20个经典算法题目及Python实现以下是一些经典的算法题目及其Python实现：最大子序列和问题 𐟏† 给定一个整数数组，找到一个具有最大和的连续子数组。最长递增子序列问题 𐟓ˆ 给定一个整数数组，找到其中最长的递增子序列的长度。最小生成树问题 𐟌𓊧𛙥𘀤𘪥𘦦ƒ重的无向图，找到一个最小生成树，使得所有边的权重之和最小。最短路径问题 𐟛䯸给定一个带权重的有向图，找到从起点到终点的最短路径。背包问题 𐟎’ 给定一组物品的重量和价值，以及一个背包的容量，找到能够装入背包的物品的最大总价值。图的拓扑排序问题 𐟔„ 给定一个有向无环图，对其进行拓扑排序。两数之和问题 𐟔 给定一个整数数组和一个目标值，找出数组中和为目标值的两个数。最小编辑距离问题 ✏️ 给定两个字符串，找到将一个字符串转换为另一个字符串所需的最小编辑次数（插入、删除、替换）。最长公共子序列问题 𐟌€ 给定两个字符串，找到它们的最长公共子序列的长度。无重复字符的最长子串问题 𐟌 给定一个字符串，请你找出其中不含有重复字符的最长子串的长度。最长回文子串问题 𐟔„ 给定一个字符串，找到它的最长回文子串。最小覆盖子串问题 𐟓抧𛙥𘀤𘪥헧즤𘲯𜌦‰𞥈𐨦†盖所有字符的最小子串。单词拆分问题 𐟓– 给定一个字符串和一个字典，判断该字符串是否可以被拆分成字典中的单词。最小基因变化问题 𐟧슧𛙥𘀧𛄥Ÿ𚥛 序列，找到将一个基因序列转换为另一个基因序列所需的最少变化次数。任务调度器问题 ⏰ 给定一组任务和它们的截止日期，找到一个最优的任务调度方案。单词接龙问题 𐟎𒊧𛙥𘀧𛄥•词，找到从第一个单词到最后一个单词的最长接龙路径。课程表问题 𐟓… 给定一组课程的时间安排，找到不冲突的课程表。二叉树的最近公共祖先问题 𐟌𓊧𛙥𘀤𘪤𚌥‰树，找到该树中两个指定节点的最近公共祖先。二叉树的层序遍历问题 𐟚€ 给定一个二叉树，返回其按层序遍历得到的节点值（从左到右，逐层访问）。二叉树的最大深度问题 𐟏”️ 给定一个二叉树，找出其最大深度。这些题目涵盖了各种经典的算法问题，通过Python实现可以加深对算法的理解和掌握。希望这些题目能帮助你提升编程能力！

力扣适合什么人刷 𐟓… 为了在面试中脱颖而出，制定一个高效的刷题计划至关重要。以下是8周刷完Leetcode的详细计划，帮助你快速掌握重要算法。 𐟔 第一周：链表、栈、队列时间复杂度与空间复杂度单链表反转链表 (LeetCode 206) 相交链表 (LeetCode 160) 合并两个有序链表 (LeetCode 21) 分隔链表 (LeetCode 86) 环形链表 (LeetCode 142) 栈的基础知识有效的括号 (LeetCode 20) 基本计算器 (LeetCode 224) 最小栈 (LeetCode 155) 验证栈序列 (LeetCode 946) 每日温度 (LeetCode 739) 接雨水 (LeetCode 42) 队列的基础知识用栈实现队列 (LeetCode 232) 滑动窗口最大值 (LeetCode 239) 设计循环双端队列 (LeetCode 641) 𐟔 第二周：递归与基础算法递归基础知识冒泡排序基础知识选择排序基础知识插入排序基础知识快速排序基础知识计数排序基础知识归并排序剑指Offer 40.最小的k个数剑指Offer 41.数据流中的中位数剑指Offer 51.数组中的逆序对合并K个升序链表 (LeetCode 23) 合并两个有序数组 (LeetCode 88) 颜色分类 (LeetCode 75) 部分排序 (面试题 16) 计算右侧小于当前元素的个数 (LeetCode 315) 有序数组的平方 (LeetCode 977) 盛最多水的容器 (LeetCode 11) 两数之和 (LeetCode 1) 分发饼干 (LeetCode 455) 柠檬水找零 (LeetCode 860) 𐟔 第三周：二叉树与搜索树二叉树概念与基础知识二叉树的前序遍历 (LeetCode 144) 二叉树的后序遍历 (LeetCode 145) 二叉树的层序遍历 (LeetCode 102) 二叉树的锯齿形层序遍历 (LeetCode 103) 从前序与中序遍历序列构造二叉树 (LeetCode 105) 路径总和 (LeetCode 113) 二叉树的最近公共祖先 (LeetCode 236) 二叉树的右视图 (LeetCode 199) 二叉树展开为链表 (LeetCode 114) 将有序数组转换为二叉搜索树 (LeetCode 108) 把二叉搜索树转换为累加树 (LeetCode 538) 删除二叉搜索树中的节点 (LeetCode 450) 二叉树的序列化与反序列化 (LeetCode 700) 𐟔 第四周：高级算法与数据结构动态规划基础知识爬楼梯 (LeetCode 70) 斐波那契数 (LeetCode 509) 最大子序和 (LeetCode 53) 零钱兑换 (LeetCode 322) 零钱兑换 (LeetCode 518) 最小路径和 (LeetCode 64) 编辑距离 (LeetCode 72) 买卖股票的最佳时机 (LeetCode 121) 买卖股票的最佳时机 II (LeetCode 122) 买卖股票的最佳时机 III (LeetCode 123) 买卖股票的最佳时机 IV (LeetCode 188) 最佳买卖股票时机含冷冻期 (LeetCode 309) 买卖股票的最佳时机含手续费 (LeetCode 714) 完全平方数 (LeetCode 279) 三角形最小路径和 (LeetCode 120) 不同路径 I (LeetCode 62) 不同路径 II (LeetCode 63) 整数拆分 (LeetCode 343) 地下城游戏 (LeetCode 174)

专栏内容推荐

1784 x 1226 · png
最短编辑距离 - AcWing
素材来自:acwing.com
1080 x 990 · png
经典动态规划：编辑距离-CSDN博客
素材来自:blog.csdn.net

1260 x 841 · jpeg
最短编辑距离
素材来自:fly63.com
694 x 219 · jpeg
动态规划——编辑距离 - 知乎
素材来自:zhuanlan.zhihu.com

1920 x 1080 · png
AcWing 899. 编辑距离 - AcWing
素材来自:acwing.com

1058 x 194 · png
【编辑距离】编辑距离算法_本关任务:计算两个单词之间的最小编辑距离。-CSDN博客
素材来自:blog.csdn.net

864 x 721 · png
“编辑距离”系列总结，一文读懂（Java实现） | 极客之音
素材来自:bmabk.com
1019 x 520 · png
编辑距离理解_编辑距离知乎-CSDN博客
素材来自:blog.csdn.net

820 x 477 · png
图形编辑距离_全球百科
素材来自:vibaike.com
1914 x 801 · png
AcWing 902. 最短编辑距离 - AcWing
素材来自:acwing.com

1514 x 368 · jpeg
编辑距离原理和实现 - 知乎
素材来自:zhuanlan.zhihu.com

600 x 196 · jpeg
理解编辑距离算法 - 知乎
素材来自:zhuanlan.zhihu.com

883 x 726 · png
编辑距离（Levenshtein距离）-CSDN博客
素材来自:blog.csdn.net
1280 x 720 · png
编辑距离的动态规划_编辑距离动态规划-CSDN博客
素材来自:blog.csdn.net

1080 x 698 · png
经典动态规划：编辑距离-CSDN博客
素材来自:blog.csdn.net
1180 x 470 · png
编辑距离算法原理及其实现-CSDN博客
素材来自:blog.csdn.net

1421 x 527 · png
算法笔记：字符串编辑距离（Edit Distance on Real sequence，EDR）/ Levenshtein距离-CSDN博客
素材来自:blog.csdn.net

1813 x 889 · png
AcWing 902. 最短编辑距离 - AcWing
素材来自:acwing.com

1257 x 996 · png
经典题：编辑距离_编辑距离洛谷-CSDN博客
素材来自:blog.csdn.net
2386 x 1491 · jpeg
编辑距离与ASR评测 - 知乎
素材来自:zhuanlan.zhihu.com

678 x 618 · jpeg
动态规划——编辑距离 - 知乎
素材来自:zhuanlan.zhihu.com
600 x 866 · jpeg
理解编辑距离算法 - 知乎
素材来自:zhuanlan.zhihu.com

1441 x 755 · png
编辑距离算法
素材来自:ppmy.cn

831 x 788 · png
编辑距离问题 DP_编辑距离dp方程不允许替换-CSDN博客
素材来自:blog.csdn.net
1038 x 541 · jpeg
创造一个表格编辑距离指标_求编辑距离表格-CSDN博客
素材来自:blog.csdn.net

840 x 591 · png
“编辑距离”系列总结，一文读懂（Java实现）_java编辑距离算法-CSDN博客
素材来自:blog.csdn.net
817 x 716 · jpeg
SLP3：2.5 最小编辑距离 - 知乎
素材来自:zhuanlan.zhihu.com

779 x 677 · png
⭐【编辑距离问题】并通过回溯输出编辑过程_编辑距离问题的编辑过程-CSDN博客
素材来自:blog.csdn.net
848 x 599 · png
编辑距离计算_编辑距离算法-CSDN博客
素材来自:blog.csdn.net

461 x 329 · jpeg
Levenshtein python 编辑距离编辑距离计算python_footballboy的技术博客_51CTO博客
素材来自:blog.51cto.com
928 x 617 · png
编辑距离理解_编辑距离知乎-CSDN博客
素材来自:blog.csdn.net

2016 x 1260 · jpeg
最长公共子序列编辑距离【基础算法精讲 19】 - 哔哩哔哩
素材来自:bilibili.com
709 x 50 · png
文本相似性计算之编辑距离详解_编辑距离相似度-CSDN博客
素材来自:blog.csdn.net

1280 x 720 · jpeg
详解一道经典面试题：编辑距离 - 知乎
素材来自:zhuanlan.zhihu.com

1327 x 656 · png
编辑距离算法原理及其实现-CSDN博客
素材来自:blog.csdn.net

素材来自:查看更多內容

当前用户设备UA：Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)