NIPS 24 | CausalStock : 基于端到端因果发现的新闻驱动股价预测模型

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

本文提出了一种名为 CausalStock 的新型新闻驱动多股股价预测框架。该框架旨在解决现有方法在处理新闻驱动多股股价预测任务时存在的两个关键问题:

1. 关系发现: 现有方法主要关注股票间的相关性建模,但公司间关系往往具有方向性,例如“供应商-客户”关系,因此因果关系更适合刻画股票间的相互影响。

2. 噪声处理: 新闻数据中存在大量噪声,有效信息的提取面临挑战。

针对上述问题,CausalStock 框架包含以下主要创新点:

1. 基于滞后依赖的时间因果发现机制: 该机制能够根据时间滞后关系直观地链接时间因果关系,更适合处理时间序列股票数据。

2. 基于大语言模型的去噪新闻编码器 (DNE): 该编码器利用大语言模型 (LLM) 对新闻文本进行多维度评分,包括相关性、情感极性、重要程度、对股价的影响以及影响持续时间,并生成去噪后的新闻表示。

3. 功能因果模型 (FCM): 该模型基于学习到的因果图和因果权重图,对市场信息(包括新闻和价格)进行聚合,预测未来股价走势。

1. 引言

金融服务业在采用数据科学技术进行投资决策方面一直处于领先地位,其中量化交易引起了学术界和工业界的广泛关注。预测股价走势(股价的涨跌)是量化交易的核心任务之一,现有方法主要分为以下几类:

  • 单股股价预测: 仅针对单只股票进行预测。

  • 多股股价预测: 同时预测多只股票的走势。

  • 新闻驱动股价预测: 利用新闻数据辅助预测股价走势。

近年来,随着自然语言处理 (NLP) 技术的发展,社交媒体和在线新闻文本已成为基本面分析的新兴数据源。传统方法主要使用循环神经网络 (RNN) 或长短期记忆网络 (LSTM) 对文本进行编码,但这些方法存在以下局限性:

  • 新闻文本数据通常包含大量噪声,例如来自不同来源且可信度不一的新闻报道、信息过载以及语言复杂性和歧义性等,这些噪声给有效信息的提取带来了挑战。

  • LLM 在文本理解和评估方面具有显著优势,可以更有效地从嘈杂的新闻文本中提取有价值的信息。

基于上述分析,本文提出了一种新的新闻驱动多股股价预测模型 CausalStock,该模型的主要特点包括:

  • 利用因果关系建模股票间的关系,而不是传统的相关性。

  • 采用 LLM 对新闻数据进行去噪处理,提取更有效的特征表示。

2. 相关工作

2.1 股价预测

传统的股价预测方法主要分为技术分析和基本面分析:

  • 技术分析: 主要依赖历史价格模式进行预测。

  • 基本面分析: 除了历史价格外,还考虑财务报表、行业趋势和经济状况等因素来评估股票的内在价值。

近年来,RNN 及其变体被广泛应用于股价预测,例如:

  • ALSTM: 结合双重注意力机制和 LSTM。

  • Adv-ALSTM: 通过对抗训练模拟价格变量的随机性和不稳定性。

此外,注意力机制也被用于建模股票间的复杂交互,例如:

  • DTML: 利用 Transformer 和 LSTM 捕捉股票间的非对称和动态相关性。

  • HAN: 设计了两个注意力网络,分别识别序列中的重要时间段和给定时间的重要新闻。

  • StockNet: 提出了一种具有循环、连续潜变量的深度生成模型。

  • MSHAN: 利用多阶段 TCN-LSTM 混合模型。

  • PEN: 提出了一种共享表示学习模块,用于捕捉价格数据和文本数据之间的交互。

然而,现有方法主要关注股票间的相关性建模,而忽略了因果关系的建模。

2.2 因果发现

因果发现的传统方法主要依赖于随机实验,但这种方法成本高昂且难以实现。近年来,因果发现,即从纯观测数据中推断因果关系,引起了机器学习领域的广泛关注。

因果发现方法主要分为以下几类:

  • 基于约束的方法: 利用条件独立性等约束条件来推断因果关系。

  • 基于评分的方法: 通过优化评分函数来学习因果图。

  • 功能因果模型 (FCM): 利用非线性函数(例如神经网络)来优化因果图。

本文采用 FCM 来发现股票间的因果关系。

3. 初步知识与问题定义

3.1 初步知识

CausalStock 框架将模型输入与因果关系整合到 FCM 中进行预测。本节介绍 FCM 和时间因果图的基本概念。

时间因果图: 给定一个具有 D 个变量的多变量时间序列 { Xt }t=1, 时间因果图 G 通常被定义为一组具有最大时间滞后 L 的有向无环图 G = {Gt }t=1L = {G1, G2, …, GL} ∈ RL×D×D,其中 Gt ∈ RD×D 指定了 Xt-1 和 Xt 之间的滞后因果关系。

功能因果模型 (FCM): FCM 是一组生成函数,它根据因果知识(结构化为因果图)将输入特征整合起来,生成最终预测。优化预测精度同时可以改进潜在的因果图。

3.2 问题定义

本文重点解决新闻驱动多股股价预测任务。对于目标交易日 T,模型输入为 D 只股票过去 L 个时间步长的信息 X<T = {Xt }t=T-L:T-1 = [Ct, Pt ] = {[Ct, Pt ]}t=T-L:T-1,其中 Ct 和 Pt 分别表示第 i 只股票在时间步长 t 的新闻语料表示和历史价格特征表示。目标是在第 T 个交易日同时预测所有股票调整后收盘价 yT = {yi }i=1D ∈ RD×1 的走势,其中 yi ∈ {0, 1} 表示第 i 只股票在交易日 T 的价格是下跌还是上涨。

4. CausalStock 框架

4.1 模型概述

CausalStock 框架将条件概率分布分解为以下两部分:

P(yT |X<T) = ∫ p(yT |X<T, G)p(G |X<T)dG.

该模型由两个联合训练部分组成:时间因果图发现 p(G |X<T) 和给定因果关系的预测过程 p(yT |X<T, G)。

CausalStock 框架包含以下三个主要组件:

  1. 市场信息编码器 (MIE): 对新闻文本和价格特征进行编码。

  2. 滞后依赖时间因果发现 (Lag-dependent TCD) 模块: 利用变分推断根据给定的股票市场信息挖掘因果关系,即建模 p(G |X<T)。

  3. 功能因果模型 (FCM): 根据学习到的因果图对未来的价格走势进行预测,即建模 p(yT |X<T, G)。

4.2 市场信息编码器 (MIE)

MIE 将新闻语料和数值股票价格特征作为输入,输出具有时间滞后 L 的 D 只股票的历史市场信息表示 X<T = [Ct, Pt ] = {[Ct, Pt ]}t=T-L:T-1 = {Xt }t=T-L:T-1。

价格编码器: 对于第 i 只股票,将原始调整后的收盘价、最高价、最低价、开盘价、收盘价和交易量表示为 Pt = {Pt,0, Pt,h, Pt,l, Pt,o, Pt,c, Vt }. 将 Pt 输入到嵌入层后,历史价格可以表示为 Pt ∈ Rdpx1,其中 dp 是价格嵌入大小。

基于 LLM 的去噪新闻编码器 (DNE): 新闻编码器旨在嵌入与股票相关的新闻文本。现有方法主要使用 GRU 或 LSTM 等小型序列模型对文本进行编码,但新闻文本数据通常包含大量噪声,例如:

  • 新闻来源广泛,可信度和编辑标准不一,导致信息不一致和不准确。

  • 每天生成的新闻内容数量庞大,导致信息过载。

  • 使用复杂或模糊的语言也会增加噪声。

为了解决这些问题,本文提出了一种基于 LLM 的去噪新闻编码器,该编码器利用 LLM 对新闻文本进行多维度评分,包括:

  • 新闻与股票的相关性

  • 新闻的情感极性

  • 新闻事件的重要程度

  • 新闻对股票价格的影响

  • 新闻影响的持续时间

每项指标都进行评分,其中相关性和重要性范围为 0 到 10,情感极性范围为 -1 到 1。因此,第 i 篇新闻在第 t 天的表示为五维向量 Ci ∈ R1×5。经过嵌入层后,得到最终的去噪新闻嵌入 Ci ∈ R1×dm。

4.3 滞后依赖时间因果发现 (Lag-dependent TCD)

本节提出滞后依赖时间因果发现模块。该模块采用贝叶斯观点来建模时间因果图的分布,即学习后验分布 p(G |X<T)。由于 G 的组合空间巨大,因此难以计算精确的后验图。本文采用变分推断来获得近似器 qφ(G),其中 φ 表示变分推断的参数集。

图先验: 先验 p(G) 包含图稀疏先验和领域特定知识先验。

变分近似图后验: 根据公式 (3),将近似器 qφ(G) 分解为相同的形式。对于 G 中的每个潜在因果链接 Gl,ji,将后验 qφ(Gl,ji |Gl-1,ji) 服从伯努利分布 B。这样,qφ(G) 的概率分布可以表示为伯努利分布的乘积。

训练阶段采用 Gumbel-softmax 重参数化方法对 φ 进行随机估计。此外,设计了另一个参数化的可学习因果权重图 G = {Gl }l=1L ∈ RL×D×D 来衡量因果程度。因果存在图和因果权重图分开设计,可以更全面地建模因果关系。

4.4 功能因果模型 (FCM)

本节设计 FCM 来建模 p(yT |X<T, G),其中 θ 表示 FCM 的参数集。本文采用加性噪声 FCM 来生成 yT = {yi }i=1D:

yi = Fi(Pa(yt ), zi ) = fi(Pa(yt )) + zi ,

其中 zi 表示相互独立且序列独立的动态噪声,fi : RD×L → R1 是满足时间因果图 G 指定的关系的通用可微分非线性函数。

设计了一种新的 FCM,根据学习到的因果图 G 和因果权重图 G 对市场信息(包括新闻和价格)进行聚合:

fi(Pa(yt )) = Sigmoid(∑l=1L∑j=1D Gl,ji ,ji e(Pa(yt )-1), v(Ct )),

其中 Si, l 和 v 都是神经网络。(., .) 表示连接操作。应用逻辑 Sigmoid 函数输出 yi 的运动概率,并将其直接作为 CausalStock 的输出。

对于外生噪声 zi 的建模,采用高斯分布,即 zi ∼ N(0, σi2), 其中每变量的方差 σi2, i ∈ [1, D] 是可训练的参数,用于表示不确定性部分。

4.5 训练目标

模型通过最大化条件对数似然 log p(yT |X<T) 进行训练。模型目标的变分证据下界 (ELBO) 推导如下:

log p(yT |X<T) ≥ Eqφ(G)[log p(yT |X<T, G) + log p(G)] + H(qφ(G)).

其中,p(G) 表示因果图的先验,H(qφ(G)) 是后验近似器的熵。

此外,采用二元交叉熵损失作为另一个目标 BCE(gT, yT) 来提高学习性能,其中 gT 是目标交易日 T 的真实运动。

5. 实验

5.1 实验设置

除了新闻驱动多股股价预测任务外,CausalStock 模型还可以处理无新闻的多股股价预测任务。

数据集: 使用来自不同国家股票市场的六个数据集进行实验。前三个数据集用于基本分析模型,包含历史价格和文本数据。后三个数据集用于无新闻的多股股价预测任务。

评估指标: 使用准确率 (ACC) 和马修斯相关系数 (MCC) 评估模型预测性能。

基线模型: 对于新闻驱动多股股价预测任务,基线模型包括 HAN、StockNet、PEN 和 CMIN。对于无新闻的多股股价预测任务,基线模型包括 LSTM、ALSTM、Adv-ALSTM 和 DTML。

参数设置: 模型使用 Pytorch 实现,并在 4 个 NVIDIA Tesla V100 上进行优化。

5.2 预测精度结果

实验结果表明,CausalStock 在 ACC 和 MCC 方面均优于所有基线模型,在新闻驱动多股股价预测任务中表现出稳健的性能。

5.3 消融研究

消融研究结果表明:

  • 新闻数据对股价预测非常有帮助。

  • 滞后依赖机制比滞后独立机制具有更好的性能。

  • 变量依赖因果机制具有提高模型性能的潜力,但计算复杂度较高。

  • 去噪新闻编码器比传统新闻编码器具有更好的性能。

5.4 可解释性结果

DNE 模块的可解释性: DNE 模块能够有效地识别和量化新闻对相应股票价格的影响。

Lag-dependent TCD 模块的可解释性: 通过分析因果强度图,可以发现:

  • 低市值公司的股票因果关系较弱。

  • 大市值公司对其他公司具有更大的影响。

5.5 投资模拟

投资模拟结果表明,CausalStock 能够在真实交易场景中实现更高的利润,并有效地平衡风险和收益。

6. 结论

本文提出了一种新的新闻驱动多股股价预测框架 CausalStock。该模型利用滞后依赖时间因果发现机制和功能因果模型,能够有效地挖掘股票间的因果关系,并预测未来股价走势。实验结果表明,CausalStock 在多个真实数据集上均表现出优异的性能,并提供了清晰的可解释性。

如何学习AI大模型 ?

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云,朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利: 👉👉优快云大礼包:《最新AI大模型学习资源包》免费分享 👈👈

(👆👆👆安全链接,放心点击)

对于0基础小白入门:

如果你是零基础小白,想快速入门大模型是可以考虑的。

一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。

对于从来没有接触过AI大模型的同学,我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。(全套教程文末领取哈)
在这里插入图片描述

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字,我也为大家准备了视频教程,每个章节都是当前板块的精华浓缩。

在这里插入图片描述
在这里插入图片描述

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(全套教程文末领取哈)

在这里插入图片描述

👉4.大模型落地应用案例PPT👈

光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。(全套教程文末领取哈)

在这里插入图片描述

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。(全套教程文末领取哈)
img

在这里插入图片描述

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个,在大模型纵横的时代,不仅大模型技术越来越卷,就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道,我总结了大模型常考的面试题。(全套教程文末领取哈)

在这里插入图片描述
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云,朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利: 👉👉优快云大礼包:《最新AI大模型学习资源包》免费分享 👈👈

(👆👆👆安全链接,放心点击)
船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

swupdate-签名验证

swupdate加密部分具体在中可以查看。

qq_28219531的博客 1150

NeurIPS 2024 | 量化交易相关论文(附论文链接)

写在前面第38届神经信息处理系统大会(NeurIPS 2024)于12月9日至15日在加拿大温哥华举行,今年的NeurIPS大会共收到了15671篇有效论文投稿,录取率为25.8%。本文介绍了NeurIPS2024 中收录的几篇量化交易相关的论文。论文标题:CausalStock: Deep End-to-end Causal Discovery for News-driven Stock Mo...

敲代码的quant的博客 3123

ESP32-CAM实战:从零构建高精度QR二维码识别系统

本文详细介绍了如何使用ESP32-CAM构建高精度QR二维码识别系统,涵盖硬件配置、开发环境搭建、二维码识别库选择与优化、完整系统实现及实战问题排查。通过优化识别算法和电源管理,系统可实现快速、稳定的二维码识别,适用于物联网设备绑定等场景。

weixin_42524703的博客 437

AI推介-大语言模型LLMs论文速览(arXiv方向):2024.11.05-2024.11.10

标题:摘要2附录:学术评论提升 LLM 长期语境能力摘要大型语言模型(LLMs)在各种任务中都表现出了不俗的性能,但它们处理长语境阅读的能力仍然具有挑战性。本研究探讨了利用高质量学术同行评议数据对 LLM 进行微调以增强其长语境能力的有效性。我们比较了直接偏好优化(DPO)方法和监督微调(SFT)方法,证明了 DPO 的优越性和数据效率。我们的实验表明,微调后的模型比 phi-3 提高了 4.04 个点,在 Qasper 基准上提高了 2.6% (仅使用 2000 个样本)。

小小帅 1001

永久关闭Windows更新的5种方法

很多家用电脑,如果系统自动更新的话,会变得越来越卡顿,且硬件型号兼容也并不完美。那么我们该如何彻底关闭Win11的自动更新呢?以下准备了5种方法,您可以根据自身实际情况选择合适的方法!

qq_43652793的博客 1万+

基于任务的后勤智能体:三段构建与演进设计探究

这是系统智能化的核心难点。例如,对于一个“加强连级滩头阵地防御”子任务,系统会根据防御时长、预期敌军攻击强度、地形等因素,计算出所需的弹药(不同弹种的具体数量)、构筑工事的器材、人员的给养和饮水量、以及医疗救护的药品和血包数量。首先进行分词、词性标注等基础处理,然后利用在军事语料库上训练的命名实体识别(NER)模型,提取出关键实体,如任务类型(“夺控作战”)、作战对象(“Y岛”)、时间约束(“D日H时”、“24小时内”)、成功标准(“建立稳固滩头阵地”)、保障重点(“弹药充足”、“及时救治”)等。

weixin_49042442的博客 1088

NeurIPS 2024量化交易论文解读:从因果发现到LLM多智能体,这些创新点值得关注

本文解读了NeurIPS 2024量化交易领域的前沿论文,重点分析了因果推理引擎CausalStock和多智能体系统FINCON的技术突破。CausalStock通过时间滞后因果图和LLM驱动的语义蒸馏器提升新闻分析准确性,而FINCON采用分层决策智能体架构优化交易策略。这些创新为量化交易系统提供了可复用的技术框架,显著提升收益风险比和响应速度。

b3n4m5q6w7的博客 275

【FPGA】安路FPGA下载器驱动安装教程

#来自学渣的问候 最近正在参加19年的FPGA创新设计大赛,然后我们选择了安路(全名:上海安路信息科技有限公司)的 FPGA 开发板。安路算是国产FPGA中还不错的一家,和紫光一样,除了自主生产的FPGA,也开始拥有了自己的编译环境。 好了。言归正传,写这篇博客的原因是,前几天在安装 安路 的编译环境和下载器驱动的时候,出了点问题,弄得心烦意乱。所以打算解决之后写篇博客,避开这个神奇的问题。 首先...

Ninquelote的博客 2万+

机器学习的可解释性:因果推理和稳定学习

分享嘉宾:况琨浙江大学 助理教授 编辑整理:有感情的打字机、闫建飞 导读:机器学习方法已经在许多领域取得了巨大的成功,但是其中大多数都缺乏可解释性和稳定性。其主要原因是目前机器学习方法是关联驱动的,且没有区分数据中的因果关联和虚假关联。 因果推理是用于解释分析的强大建模工具,可以帮助恢复数据中的因果关联,用于指导机器学习,实现可解释的稳定预测。在本次分享中,主要介绍了大数据背景下如何进...

小壁虎的春天 8770

OpenClaw史上最全最简单一键部署教程(建议收藏!)

《OpenClaw多平台一键部署指南》对比了6个主流平台的部署方案,重点推荐飞书妙搭的免费方案(每日100万Tokens额度)。教程详细展示了飞书妙搭1分钟快速部署流程,包括创建机器人、飞书集成、快捷指令使用等核心功能,并通过实战案例演示了自动创建多维表格、视频转文章等场景。同时介绍了扣子(99元/月起)、Kimi(200元/月)等付费方案的特色功能与部署要点。所有方案均强调小白友好性,无需复杂配置即可完成部署,满足不同用户的AI助手需求。

Maynor的博客 1777

YOLO11-pose关键点检测:训练实战篇 | 自己数据集从labelme标注到生成yolo格式的关键点数据以及训练教程

教会你如何用自己的数据集转换成对应格式的数据集以及如何训练YOLO11-pose关键点检测

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 5421

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 338

Ubuntu-22.04安装VMware虚拟机并安装Windows10

最近在研究虚拟机,主要集中在KVM、Virtualbox和VMware这三种虚拟机上。前面我已经研究了前两种虚拟机的安装和使用方式,这篇文章介绍3兄弟中最后一个虚拟机安装和使用方式。Virtualbox虚拟机安装和使用KVM虚拟机安装和使用相比于前两种,VMware的安装方式最麻烦,但是综合体验下来我感觉流畅度最好。如果你确实有在Linux上使用VMware虚拟机的需求,那不妨跟着我看下去吧。1、gcc版本和内核版本一定要匹配上,否则会出各种错误。

jiexijihe945的博客 4118

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 614

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 273

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 206

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 340

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 349

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 84

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 157

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 511

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 614

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

405

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 401

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5156

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 564
上一篇: NeurIPS 2024 | 阿里云提出个性化提示策略IAP,突破大语言模型零样本推理局限
下一篇: 阿里多模态检索智能体,自带o1式思考过程!复杂问题逐步拆解,动态调整下一步检索策略
大模型产品经理
博客等级 码龄3年 1万+粉丝 1120原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值