CN105631052A - 基于人工智能的检索方法和装置 - Google Patents
基于人工智能的检索方法和装置 Download PDFInfo
- Publication number
- CN105631052A CN105631052A CN201610115420.3A CN201610115420A CN105631052A CN 105631052 A CN105631052 A CN 105631052A CN 201610115420 A CN201610115420 A CN 201610115420A CN 105631052 A CN105631052 A CN 105631052A
- Authority
- CN
- China
- Prior art keywords
- user
- retrieval
- term
- result
- feedback
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明提出一种基于人工智能的检索方法和装置,该基于人工智能的检索方法包括:获取检索词;根据MDP模型,计算得到与所述检索词对应的检索结果;显示所述检索结果;获取用户对所述检索结果的反馈,以便根据MDP模型重新计算得到检索结果以及显示重新计算得到的检索结果。该方法能够更有效的与用户进行交互,更好满足用户需求,提升用户体验。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种基于人工智能的检索方法和装置。
背景技术
人工智能(ArtificialIntelligence,AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括智能机器人、语言识别、图像识别、自然语言处理和专家系统等。
搜索引擎作为当今互联网一重要应用,旨在将用户检索的信息展示给用户。现有的检索系统,是仅以用户提供的关键词为索引,召回一系列静态的结果。但是,在实际中,用户的需求往往表现为一个序列化的过程,当用户的需求有了横向或是纵向拓展时,现有的检索系统无法与用户形成真正的交互。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于人工智能的检索方法,该方法可以更有效的与用户进行交互,更好满足用户需求,提升用户体验。
本发明的另一个目的在于提出一种基于人工智能的检索装置。
为达到上述目的,本发明第一方面实施例提出的基于人工智能的检索方法,包括:获取检索词;根据MDP模型,计算得到与所述检索词对应的检索结果;显示所述检索结果;获取用户对所述检索结果的反馈,以便根据MDP模型重新计算得到检索结果以及显示重新计算得到的检索结果。
本发明第一方面实施例提出的基于人工智能的检索方法,通过获取用户的反馈,可以与用户进行多次交互,从而更有效的与用户进行交互,另外,通过采用MDP模型计算检索结果,可以更好满足用户需求,提升用户体验。
为达到上述目的,本发明第二方面实施例提出的基于人工智能的检索装置,包括:获取模块,用于获取检索词;计算模块,用于根据MDP模型,计算得到与所述检索词对应的检索结果;显示模块,用于显示所述检索结果;反馈模块,用于获取用户对所述检索结果的反馈,以便根据MDP模型重新计算得到检索结果以及显示重新计算得到的检索结果。
本发明第二方面实施例提出的基于人工智能的检索装置,通过获取用户的反馈,可以与用户进行多次交互,从而更有效的与用户进行交互,另外,通过采用MDP模型计算检索结果,可以更好满足用户需求,提升用户体验。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例提出的基于人工智能的检索方法的流程示意图;
图2是本发明另一实施例提出的基于人工智能的检索方法的流程示意图;
图3是本发明另一实施例提出的基于人工智能的检索装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一实施例提出的基于人工智能的检索方法的流程示意图。参见图1,该方法包括:
S11:获取检索词。
其中,初始时,用户可以输入检索词并发起检索,从而搜索引擎可以接收到用户输入的检索词。
用户可以以文本、语音、图片等形式输入检索词。
S12:根据MDP模型,计算得到与所述检索词对应的检索结果。
本实施例中,基于机器学习技术中的“增强学习”(ReinforcementLearning)技术,将搜索问题看作一个马尔科夫决策过程(MarkovDecisionProcess,MDP)。
MDP模型用三元组表示如下:状态(state)、行为(action)、反馈(reward)。
MDP要求解行为A,其中一种求解方式是选择使得收益值最大时的行为,用公式表示为:
A=argmaxA{Q(S,A)}公式(1)
上述公式表示:求解使得Q的值最大时的A。
其中,Q是收益函数,且是关于S和A的函数,S是状态(state),A是行为(action)。
Q的函数形式由R确定,例如,通过求解R=Q(S,A)来确定Q的函数形式。具体的,Q还可以表示为:Q(S,A)=sum(r0+r1+r2+...),是每一步的收益值,利用收益值,通过temporaldifference学习到Q(S,A)。
其中,R是反馈(reward)。初始时用户还未产生反馈时,反馈是空,值可以用0表示。
上述求解A的方式是采用收益值最大的策略,通常称为Greedy,也可以采用其他的求解方式,例如,采用Explore&Exploit方式,Explore&Exploit方式的特点是,不是每次都选择当前最好的,而是有一定几率去选择次优或者不确定好不好的策略,包括ε-greedy,softmax,sampling。
本实施例中,在检索时引入MDP模型时,MDP模型的上述三元组分别具体是:
S=state=检索词+上下文,其中,检索词+上下文与当前状态对应,以检索词为例,在不同的状态下检索词可以不同,例如,根据状态不同,检索词可以分别是:用户输入的检索词(例如初始用户发起搜索时)、搜索引擎推荐给用户的检索词(例如用户点击推荐的检索词时)、用户切换后的检索词(例如用户不满足检索结果重新发起检索时)。另外,上下文例如包括用户近期行为、浏览记录等。
A=action=检索结果=display(Query,R),其中,R是通常形式的网页结果,用于直接满足用户需求,Query是搜索引擎推荐给用户的检索词,用于导流激发。通常形式的网页结果例如在PC端显示的网页链接,或者在移动端显示的卡片形式的结果。与检索词对应的A可以根据公式(1)确定。
R=reward=用户根据显示的检索结果产生的用户行为,例如包括:用户点击购买行为(例如,检索结果中显示了商品的购买信息,用户基于此购买了商品)、用户点击某个结果进入相应网页后的停留时间(简称为点击时长)、用户在整个检索过程中的停留时间(简称为搜索时长)、用户对检索结果(网页结果和/或推荐的检索词)的点击、用户输入的切换后的检索词等。
因此,采用检索过程中的上述S、A、R以及上述的公式(1)可以求解出与检索词对应的A,也就是检索词对应的检索结果。
S13:显示所述检索结果。
搜索引擎获取到检索结果后,可以发送给客户端进行显示。
S14:获取用户对所述检索结果的反馈,以便根据MDP模型重新计算得到检索结果以及显示重新计算得到的检索结果。
通常的检索过程就是一次交互过程,而本实施例中用户可以与搜索引擎进行多次交互,搜索引擎多次交互时用户的反馈调整检索结果。
例如,参见图2,多轮交互的检索流程可以包括:
S21:用户发起检索。
例如,用户输入初始的检索词,并在点击搜索按钮后,可以发起检索。
S22:搜索引擎根据MDP模型计算出检索结果,并显示检索结果。
检索结果用action=display(Query,R)表示。
与当前的检索词对应的检索结果A(action)可以采用公式(1)计算得到。初始没有反馈时,将反馈作为空处理。
S23:接收用户的第一种反馈。
第一种反馈以用户点击某个网页结果为例,在图中表示为reward(click)。
S24:重新计算出检索结果,并显示检索结果。
检索结果用action=display(Query,R)表示。
与当前的检索词对应的检索结果A(action)可以采用公式(1)计算得到,其中的反馈采用上述的第一种反馈。
S25:接收用户的第二种反馈。
第二种反馈以用户点击搜索引擎推荐的检索词为例,在图中表示为QueryR(clickquery)。
S26:重新计算出检索结果,并显示检索结果。
检索结果用action=display(Query,R)表示。
与当前的检索词对应的检索结果A(action)可以采用公式(1)计算得到,其中的反馈采用上述的第二种反馈。
之后用户可以执行S27或S28。
S27:接收用户的第三种反馈。
第三种反馈以用户切换检索词为例,在图中表示为QueryR(search)。
例如,用户在获取到检索结果后,可以不点击网页结果,也不点击推荐的检索词,而是重新输入新的检索词。
之后,搜索引擎可以重新计算出检索结果,并显示检索结果。
检索结果用action=display(Query,R)表示。
与当前的检索词对应的检索结果A(action)可以采用公式(1)计算得到,其中的反馈采用上述的第三种反馈。
S28:结束。
例如,用户在获取到检索结果后,可以不进行后续的检索,结束检索流程。
上述以三种反馈为例,可以理解的是,在实际检索过程中,并不限于用户进行了上述三种反馈,用户可以进行上述的一种或任两种或进行其他种类的反馈。另外,交互次数也不限于三次,也可以进行其他次数的交互,不同次的交互时可以采用相同或不同种类的反馈。
本实施例中,通过获取用户的反馈,可以与用户进行多次交互,从而更有效的与用户进行交互,另外,通过采用MDP模型计算检索结果,可以更好满足用户需求,提升用户体验。进一步的,通过将搜索时长作为反馈的一种,由于行为的确定与反馈有关,因此可以将搜索时长作为优化目标,以便用户在检索的一次会话中停留更长时间。通过在检索结果中包括网页结果和推荐的检索词,可以将满足和导流激发作为整体来考虑。通过上述的反馈,可以建立检索词与网页结果(query-item),两种检索词(query-query),网页结果与检索词(item-query)等多向交错的引导和满足,能有效打造搜索生态的闭环。通过导流激发以及根据反馈调整检索结果,能够将用户的需求进行了横向和纵向的澄清,更注重的是用户整一个检索的过程,而非单个检索词的召回。
图3是本发明另一实施例提出的基于人工智能的检索装置的结构示意图。参见图3,该装置30包括:获取模块31、计算模块32、显示模块33和反馈模块34。
获取模块31,用于获取检索词。
其中,初始时,用户可以输入检索词并发起检索,从而搜索引擎可以接收到用户输入的检索词。
用户可以以文本、语音、图片等形式输入检索词。
计算模块32,用于根据MDP模型,计算得到与所述检索词对应的检索结果。
本实施例中,基于机器学习技术中的“增强学习”(ReinforcementLearning)技术,将搜索问题看作一个马尔科夫决策过程(MarkovDecisionProcess,MDP)。
MDP模型用三元组表示如下:状态(state)、行为(action)、反馈(reward)。
MDP要求解行为A,其中一种求解方式是选择使得收益值最大时的行为,用公式(1)表示。
一些实施例中,所述计算模块32采用的所述MDP模型的参数包括:
状态,采用检索词和上下文表示;
行为,采用检索结果表示;
反馈,采用用户对所述检索结果的反馈表示。
一些实施例中,所述检索词包括:
用户初始输入的检索词,推荐给用户的检索词,或者用户切换后的检索词。
一些实施例中,所述检索结果包括:
网页结果,以及,推荐给用户的检索词。
所述反馈包括如下项中的一项或多项:
用户对所述网页结果的点击;
用户对所述推荐给用户的检索词的点击;
用户输入的切换后的检索词;
用户的点击购买行为;
点击时长;
搜索时长。
具体的计算过程可以参见方法实施例中的说明,在此不再详细说明。
显示模块33,用于显示所述检索结果。
搜索引擎获取到检索结果后,可以发送给客户端进行显示。
反馈模块34,用于获取用户对所述检索结果的反馈,以便根据MDP模型重新计算得到检索结果以及显示重新计算得到的检索结果。
通常的检索过程就是一次交互过程,而本实施例中用户可以与搜索引擎进行多次交互,搜索引擎多次交互时用户的反馈调整检索结果。
一种多轮交互的检索流程可以参见图2,在此不再详细说明。
可以理解的是,本实施例与上述的方法实施例对应,具体内容可以参见方法实施例中的相关描述,在此不再详细说明。
本实施例中,通过获取用户的反馈,可以与用户进行多次交互,从而更有效的与用户进行交互,另外,通过采用MDP模型计算检索结果,可以更好满足用户需求,提升用户体验。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于人工智能的检索方法,其特征在于,包括:
获取检索词;
根据MDP模型,计算得到与所述检索词对应的检索结果;
显示所述检索结果;
获取用户对所述检索结果的反馈,以便根据MDP模型重新计算得到检索结果以及显示重新计算得到的检索结果。
2.根据权利要求1所述的方法,其特征在于,所述MDP模型的参数包括:
状态,采用检索词和上下文表示;
行为,采用检索结果表示;
反馈,采用用户对所述检索结果的反馈表示。
3.根据权利要求1或2所述的方法,其特征在于,所述检索词包括:
用户初始输入的检索词,推荐给用户的检索词,或者用户切换后的检索词。
4.根据权利要求1或2所述的方法,其特征在于,所述检索结果包括:
网页结果,以及,推荐给用户的检索词。
5.根据权利要求4所述的方法,其特征在于,所述反馈包括如下项中的一项或多项:
用户对所述网页结果的点击;
用户对所述推荐给用户的检索词的点击;
用户输入的切换后的检索词;
用户的点击购买行为;
点击时长;
搜索时长。
6.一种基于人工智能的检索装置,其特征在于,包括:
获取模块,用于获取检索词;
计算模块,用于根据MDP模型,计算得到与所述检索词对应的检索结果;
显示模块,用于显示所述检索结果;
反馈模块,用于获取用户对所述检索结果的反馈,以便根据MDP模型重新计算得到检索结果以及显示重新计算得到的检索结果。
7.根据权利要求6所述的装置,其特征在于,所述计算模块采用的所述MDP模型的参数包括:
状态,采用检索词和上下文表示;
行为,采用检索结果表示;
反馈,采用用户对所述检索结果的反馈表示。
8.根据权利要求6或7所述的装置,其特征在于,所述检索词包括:
用户初始输入的检索词,推荐给用户的检索词,或者用户切换后的检索词。
9.根据权利要求6或7所述的装置,其特征在于,所述检索结果包括:
网页结果,以及,推荐给用户的检索词。
10.根据权利要求9所述的装置,其特征在于,所述反馈包括如下项中的一项或多项:
用户对所述网页结果的点击;
用户对所述推荐给用户的检索词的点击;
用户输入的切换后的检索词;
用户的点击购买行为;
点击时长;
搜索时长。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610115420.3A CN105631052A (zh) | 2016-03-01 | 2016-03-01 | 基于人工智能的检索方法和装置 |
KR1020160132955A KR20170102411A (ko) | 2016-03-01 | 2016-10-13 | 인공지능을 기반으로 하는 검색 방법 및 장치 |
JP2016220983A JP6333342B2 (ja) | 2016-03-01 | 2016-11-11 | 人工知能に基づく検索方法及び装置 |
US15/392,017 US20170255879A1 (en) | 2016-03-01 | 2016-12-28 | Searching method and device based on artificial intelligence |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610115420.3A CN105631052A (zh) | 2016-03-01 | 2016-03-01 | 基于人工智能的检索方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105631052A true CN105631052A (zh) | 2016-06-01 |
Family
ID=56045984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610115420.3A Pending CN105631052A (zh) | 2016-03-01 | 2016-03-01 | 基于人工智能的检索方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20170255879A1 (zh) |
JP (1) | JP6333342B2 (zh) |
KR (1) | KR20170102411A (zh) |
CN (1) | CN105631052A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345941A (zh) * | 2017-01-23 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 一种参数调整方法和装置 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3058227B1 (fr) * | 2016-10-27 | 2018-11-02 | Thales | Radar fmcw multifaisceaux, notamment pour automobile |
US11347751B2 (en) * | 2016-12-07 | 2022-05-31 | MyFitnessPal, Inc. | System and method for associating user-entered text to database entries |
JP6881150B2 (ja) | 2017-08-16 | 2021-06-02 | 住友電気工業株式会社 | 制御装置、制御方法、およびコンピュータプログラム |
US11157488B2 (en) * | 2017-12-13 | 2021-10-26 | Google Llc | Reinforcement learning techniques to improve searching and/or to conserve computational and network resources |
EP3906508B1 (en) * | 2018-12-31 | 2024-03-13 | Intel Corporation | Securing systems employing artificial intelligence |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261634A (zh) * | 2008-04-11 | 2008-09-10 | 哈尔滨工业大学深圳研究生院 | 基于增量Q-Learning的学习方法及系统 |
CN101751437A (zh) * | 2008-12-17 | 2010-06-23 | 中国科学院自动化研究所 | 基于强化学习的网页页面主动式检索系统 |
CN102456018A (zh) * | 2010-10-18 | 2012-05-16 | 腾讯科技(深圳)有限公司 | 一种交互搜索方法及装置 |
CN104035958A (zh) * | 2014-04-14 | 2014-09-10 | 百度在线网络技术(北京)有限公司 | 搜索方法和搜索引擎 |
CN104331459A (zh) * | 2014-10-31 | 2015-02-04 | 百度在线网络技术(北京)有限公司 | 一种基于在线学习的网络资源推荐方法及装置 |
CN104573019A (zh) * | 2015-01-12 | 2015-04-29 | 百度在线网络技术(北京)有限公司 | 信息检索方法和装置 |
CN104573015A (zh) * | 2015-01-12 | 2015-04-29 | 百度在线网络技术(北京)有限公司 | 信息检索方法和装置 |
CN105183850A (zh) * | 2015-09-07 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 基于人工智能的信息查询方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000305932A (ja) * | 1999-04-20 | 2000-11-02 | Nippon Telegr & Teleph Corp <Ntt> | 関連語提示を伴う文書検索方法と文書検索装置ならびにプログラムを記録した記録媒体 |
JP4770868B2 (ja) * | 2008-04-21 | 2011-09-14 | ソニー株式会社 | 情報提供装置及び情報提供方法、並びにコンピュータ・プログラム |
JP2010033442A (ja) * | 2008-07-30 | 2010-02-12 | Ntt Docomo Inc | 検索システム評価装置、及び、検索システム評価方法 |
JP2010282402A (ja) * | 2009-06-04 | 2010-12-16 | Kansai Electric Power Co Inc:The | 検索システム |
JP5451673B2 (ja) * | 2011-03-28 | 2014-03-26 | ヤフー株式会社 | 検索ランキング生成装置及び方法 |
JP5620604B1 (ja) * | 2014-05-12 | 2014-11-05 | 株式会社ワイワイワイネット | ネット上での検索結果のランキングシステム |
-
2016
- 2016-03-01 CN CN201610115420.3A patent/CN105631052A/zh active Pending
- 2016-10-13 KR KR1020160132955A patent/KR20170102411A/ko not_active Application Discontinuation
- 2016-11-11 JP JP2016220983A patent/JP6333342B2/ja active Active
- 2016-12-28 US US15/392,017 patent/US20170255879A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261634A (zh) * | 2008-04-11 | 2008-09-10 | 哈尔滨工业大学深圳研究生院 | 基于增量Q-Learning的学习方法及系统 |
CN101751437A (zh) * | 2008-12-17 | 2010-06-23 | 中国科学院自动化研究所 | 基于强化学习的网页页面主动式检索系统 |
CN102456018A (zh) * | 2010-10-18 | 2012-05-16 | 腾讯科技(深圳)有限公司 | 一种交互搜索方法及装置 |
CN104035958A (zh) * | 2014-04-14 | 2014-09-10 | 百度在线网络技术(北京)有限公司 | 搜索方法和搜索引擎 |
CN104331459A (zh) * | 2014-10-31 | 2015-02-04 | 百度在线网络技术(北京)有限公司 | 一种基于在线学习的网络资源推荐方法及装置 |
CN104573019A (zh) * | 2015-01-12 | 2015-04-29 | 百度在线网络技术(北京)有限公司 | 信息检索方法和装置 |
CN104573015A (zh) * | 2015-01-12 | 2015-04-29 | 百度在线网络技术(北京)有限公司 | 信息检索方法和装置 |
CN105183850A (zh) * | 2015-09-07 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 基于人工智能的信息查询方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345941A (zh) * | 2017-01-23 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 一种参数调整方法和装置 |
CN108345941B (zh) * | 2017-01-23 | 2022-01-18 | 阿里巴巴集团控股有限公司 | 一种参数调整方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2017157191A (ja) | 2017-09-07 |
JP6333342B2 (ja) | 2018-05-30 |
KR20170102411A (ko) | 2017-09-11 |
US20170255879A1 (en) | 2017-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210279552A1 (en) | Method for making recommendations to a user and apparatus, computing device, and storage medium | |
CN105631052A (zh) | 基于人工智能的检索方法和装置 | |
US10282462B2 (en) | Systems, method, and non-transitory computer-readable storage media for multi-modal product classification | |
CN110263244B (zh) | 内容推荐方法、装置、存储介质和计算机设备 | |
US11042898B2 (en) | Clickstream purchase prediction using Hidden Markov Models | |
WO2021027256A1 (zh) | 处理交互序列数据的方法及装置 | |
CA3066832A1 (en) | Information search method, apparatus and system | |
EP3155540A1 (en) | Modeling interestingness with deep neural networks | |
CN110737778A (zh) | 基于知识图谱和Transformer的专利推荐方法 | |
CN104268292A (zh) | 画像系统的标签词库更新方法 | |
CN107463701A (zh) | 基于人工智能推送信息流的方法和装置 | |
CN110851699A (zh) | 基于深度强化学习的信息流推荐方法、装置、设备及介质 | |
Stephenson | Big Data Demystified: How to use big data, data science and AI to make better business decisions and gain competitive advantage | |
US20190354796A1 (en) | Systems and Methods for Slate Optimization with Recurrent Neural Networks | |
Shiue et al. | Development of machine learning‐based real time scheduling systems: using ensemble based on wrapper feature selection approach | |
Wang et al. | Intelligent dynamic control of stochastic economic lot scheduling by agent-based reinforcement learning | |
US20190378506A1 (en) | Method and apparatus for synthesizing adaptive data visualizations | |
KR20210012730A (ko) | 인공지능 모델의 학습 방법 및 전자 장치 | |
US10146876B2 (en) | Predicting real-time change in organic search ranking of a website | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN115269984A (zh) | 一种专业情报推荐方法和系统 | |
CN110020195A (zh) | 文章推荐方法及装置、存储介质、电子设备 | |
JP2024515373A (ja) | Ux-bitを利用した自動デザイン生成の人工神経網装置及び方法 | |
TWI582624B (zh) | 用於感知情境並推薦資訊之電子計算裝置、其方法及其電腦程式產品 | |
CN113486248A (zh) | 一种应用程序中功能模块的推荐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160601 |