CN106095950B - 一种人机对话中教授意图答案生成方法 - Google Patents

一种人机对话中教授意图答案生成方法 Download PDF

Info

Publication number
CN106095950B
CN106095950B CN201610422829.XA CN201610422829A CN106095950B CN 106095950 B CN106095950 B CN 106095950B CN 201610422829 A CN201610422829 A CN 201610422829A CN 106095950 B CN106095950 B CN 106095950B
Authority
CN
China
Prior art keywords
answer
sentence
current session
intended
indicate
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.)
Active
Application number
CN201610422829.XA
Other languages
English (en)
Other versions
CN106095950A (zh
Inventor
陶建华
杨明浩
张珂
那燊若阳
张大伟
高廷丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke extreme element (Hangzhou) Intelligent Technology Co., Ltd
Original Assignee
Limit Element (hangzhou) Intelligent Polytron Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Limit Element (hangzhou) Intelligent Polytron Technologies Inc filed Critical Limit Element (hangzhou) Intelligent Polytron Technologies Inc
Priority to CN201610422829.XA priority Critical patent/CN106095950B/zh
Publication of CN106095950A publication Critical patent/CN106095950A/zh
Application granted granted Critical
Publication of CN106095950B publication Critical patent/CN106095950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3343—Query execution using phonetics
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种人机对话中教授意图答案生成方法，所述方法包括：对于收到的对话，计算其句间相似度，然后对当前对话语句进行对话意图识别；如果当前对话的意图是闲聊意图，则将当前对话及其对应的询问意图值添加至历史记录中，并直接通过搜索知识库或者网络返回答案；如果当前对话的意图是教授意图则进入下一步骤；在所述历史记录中寻找当前对话对应的问句；结合当前对话及网络信息，进行多轮模拟自我对话获取相关答案集合；对于相关答案集合进行过滤；基于每条答案的权重进行摘要抽取，权重值最高的答案作为摘要抽取的结果及当前对话的回答返回。本发明能够对人机对话中教授意图下对用户的教授内容进行良好的反馈，提高人机对话的满意度。

Description

一种人机对话中教授意图答案生成方法
技术领域
本发明涉及人机对话技术领域，具体来说涉及一种人机对话中的教授意图答案生成方法。
背景技术
人机对话作为人工智能领域一个重要的研究课题，在对话过程中，用户的体验度十分重要。随着语音识别技术的发展，人机对话在聊天机器人、语音助手、虚拟人场景对话、儿童陪聊机器人等各个领域均具有重要作用。然而，在人机对话过程中，对于一些问题，机器人的回答并不正确，或者用户对机器人返回的答案持有不同的意见，此时，用户往往会表达自己的意见，来纠正或者教授机器人，这种情况下，用户更希望的是机器人能够针对他的观点进行回答，但目前的人机对话系统往往是直接返回知识库的答案或者给以模棱两可的回复，虽然这样的回复可以减少计算机的正面回答及回答的错误率，但带给用户的感觉是计算机并没有领会用户交流或者教授的意图，这样的对话体验并不友好。
发明内容
为解决上述的一个或多个问题，本发明提供了一种人机对话中教授意图答案生成方法，本发明能够对人机对话教授意图下对用户的教授内容进行良好的反馈，从而提高人机对话的满意度。
本发明提供的一种人机对话中教授意图答案生成方法包括以下步骤：
步骤1，对于收到的对话，计算其句间相似度，然后对当前对话语句进行对话意图识别；
步骤2，如果当前对话的意图是闲聊意图，则将当前对话及其对应的询问意图值添加至历史记录中，并直接通过搜索知识库或者网络返回答案；如果当前对话的意图是教授意图，则进入步骤3进行自我对话；
步骤3，在确认当前对话的意图是教授意图后，在所述历史记录中寻找当前对话对应的问句；
步骤4，根据所述步骤3找到的问句，结合当前对话及网络信息，进行多轮模拟自我对话获取相关答案集合；
步骤5，对于所述步骤4获得的相关答案集合进行过滤，去除不相关的答案；
步骤6，对于过滤后的答案集合，基于每条答案的权重进行摘要抽取，权重值最高的答案作为摘要抽取的结果，并作为当前对话的回答进行返回。
可选地，所述步骤1进一步包括以下步骤：
步骤11，对于当前对话所包含的句子进行分词操作，得到每个句子的词向量序列，所述词向量序列由每个句子分词后得到的词向量组成；
步骤12，基于每个句子的词向量序列，计算句间相似度；
步骤13，基于所述句间相似度，采用词向量模型对于当前对话进行对话意图识别，获得当前对话的对话意图。
可选地，所述步骤12中，采用如下公式计算句间相似度：
其中，S(x，y)表示句间相似度，x，y分别表示句子x和句子y的词向量序列。
可选地，所述对话意图至少包括闲聊意图和教授意图，其中，所述教授意图是指用户对计算机返回答案的纠正，或者用户对计算机答案表达自己的观点。
可选地，所述询问意图值是指用户对话是问句的概率。
可选地，所述步骤3中，采用下式在历史记录中寻找当前对话对应的问句：
其中，ρi表示第i条历史对话是当前对话语句对应问句的概率值，D(xi，xt)表示第i条历史对话与当前对话之间的距离，xt表示当前对话，xi表示第i条历史对话，Ask(xi)表示第i条历史对话询问意图值的大小，len表示对话历史记录的长度，α，β，γ分别表示权重；S(xi，xt)表示第i条历史对话与当前对话之间的句间相似度。
可选地，所述步骤4中，采用下式来进行多轮自我对话以获取相关答案集合：
ai+1＝F(q，ai)，0≤i≤n
其中，q表示步骤3找到的当前对话对应的问句，ai表示第i轮自我对话得到的答案，a0表示当前对话，F(q，ai)表示通过问句q和当前答案ai，得到的自我对话下一轮的答案，n为对话的最多轮数。
可选地，所述步骤5中，采用下式来迭代计算每条答案的权重：
其中，W(vj)表示第i条答案的权重，Vj表示第j条答案，vi表示第i条答案，Vk表示第k条答案，In(vi)是指存在指向第i条答案信息的句子集合，Out(vj)是第j条答案所指向的句子集合，S(i，j)及S(j，k)表示两个句子的相似程度。
可选地，所述步骤5中，当摘要抽取得到的信息数量较多时，采用句间词向量的相似度对得到的信息进行聚类，将相似度较高的一类信息作为摘要抽取的内容。
从上述技术方案可以看出，本发明在人机对话教授意图下具有以下有益效果：
(1)本发明能够自动判断用户对话的教授意图，针对用户教授内容，进行自我对话，生成与用户对话更加相关的答案；
(2)本发明针对人机对话中的教授意图，通过自我对话生成的答案具有更好的用户体验度。
附图说明
图1是根据本发明一实施例的人机对话中教授意图答案生成方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明针对人机对话中的教授意图，采用词向量模型对于用户对话语句进行意图识别，获得用户对话的询问意图；明确用户教授意图情况下，首先从对话历史中选出当前对话语句对应的问题；根据匹配到的问题，结合用户教授答案及互联网相关信息模拟多轮自我对话，然后对自我对话获取的多轮信息进行过滤和摘要抽取；最终将抽取得到的摘要作为计算机对用户教授意图的反馈。
在本发明的一个示例性实施例中，提供了一种人机对话中基于自我对话的用户教授意图答案生成方法。图1为根据本发明一实施例的人机对话中基于自我对话的用户教授意图答案生成方法的流程图。如图1所示，所述方法包括以下步骤：
步骤1，对于收到的用户的对话，计算其句间相似度，然后对当前对话语句进行对话意图识别；
所述步骤1进一步包括以下步骤：
步骤11，对于当前对话所包含的句子进行分词操作，得到每个句子的词向量序列，所述词向量序列由每个句子分词后得到的词向量组成；
步骤12，基于每个句子的词向量序列，采用如下公式计算句间相似度：
其中，S(x，y)表示句间相似度，x，y分别表示句子x和句子y的词向量序列，其由句子x，y分词后得到的词向量组成。
步骤13，基于所述句间相似度，采用词向量模型对于当前对话进行对话意图识别，获得当前对话的对话意图。
步骤2，如果当前对话的意图是闲聊意图，则将当前对话及其对应的询问意图值添加至历史记录中，并直接通过搜索知识库或者网络返回答案，无需进行自我对话步骤；如果当前对话的意图是教授意图，则进入步骤3，进行自我对话，生成最佳答案返回；
其中，教授意图是指用户对计算机返回答案的纠正，或者用户对计算机答案表达自己的观点；询问意图值是指用户对话是问句的概率。
步骤3，在确认当前对话的意图是教授意图后，在所述历史记录中寻找当前对话对应的问句；
在本发明一实施例中，采用下式在历史记录中寻找当前对话对应的问句：
其中，ρi表示第i条历史对话是当前对话语句对应问句的概率值，D(xi，xt)表示第i条历史对话与当前对话之间的距离，xt表示当前对话，xi表示第i条历史对话，Ask(xi)表示第i条历史对话询问意图值的大小，len表示对话历史记录的长度，len＜＝10，当前对话为第0条，当前对话的前一句历史对话为第1条历史，以此类推；α，β，γ分别表示权重；S(xi，xt)表示第i条历史对话与当前对话之间的句间相似度，其计算方法如公式(5)所示。
步骤4，根据所述步骤3找到的问句，结合当前对话及相关网络信息，进行多轮模拟自我对话获取相关答案集合；
在本发明一实施例中，采用下式来进行多轮自我对话以获取相关答案集合：
ai+1＝F(q，ai)0≤i≤n (7)
其中，q表示步骤3找到的当前对话对应的问句，ai表示第i轮自我对话得到的答案，a0表示当前对话，F(q，ai)表示通过问句q和当前答案ai，得到的自我对话下一轮的答案，n为对话的最多轮数，由此可以得到与当前对话相关的答案集合为{a0，a1，......an}。
步骤5，对于所述步骤4获得的相关答案集合进行过滤，去除不相关的答案；
其中，所述过滤可采用多种过滤方法，只要是能够过滤掉冗余信息和不相关信息的方法都可以使用，本发明对其不作具体限定。
步骤6，对于过滤后的答案集合，基于每条答案的权重进行摘要抽取，权重值最高的答案作为摘要抽取的结果，并作为当前对话的回答进行返回。
在本发明一实施例中，采用下式来计算每条答案的权重：
其中，W(vj)表示第i条答案的权重，Vj表示第j条答案，vi表示第i条答案，Vk表示第k条答案，In(vi)是指存在指向第i条答案信息的句子集合，在本方法中，默认除了第i条答案vi的其他答案集合为In(vi)，Out(vj)是第j条答案所指向的句子(这里的句子指的是答案集合中的答案)集合，在本方法中，默认除了第j条答案vj的其他答案集合为Out(vj)，求和的分子S(i，j)及分母S(j，k)表示两个句子的相似程度，其计算方法如公式(5)所示，d是阻尼系数。
公式(8)是一个迭代的过程，通过多次的迭代计算，所有句子的权值会收敛到一个稳定的值，最后获取权值最高的答案，即最重要的答案。
在本发明一实施例中，当摘要抽取得到的信息数量较多时，可采用句间词向量的相似度对得到的信息进行聚类，将相似度较高的一类信息作为摘要抽取的结果，其中，句间词向量的相似度计算如公式(1)所示。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种人机对话中教授意图答案生成方法，其特征在于，所述方法包括以下步骤：
步骤1，对于收到的对话，计算其句间相似度，然后对当前对话语句进行对话意图识别；
步骤2，如果当前对话的意图是闲聊意图，则将当前对话及其对应的询问意图值添加至历史记录中，并直接通过搜索知识库或者网络返回答案；如果当前对话的意图是教授意图，则进入步骤3进行自我对话；
步骤3，在确认当前对话的意图是教授意图后，在所述历史记录中寻找当前对话对应的问句，其中，所述教授意图是指用户对计算机返回答案的纠正，或者用户对计算机答案表达的观点；
步骤4，根据所述步骤3找到的问句，结合当前对话及网络信息，进行多轮模拟自我对话获取相关答案集合；
步骤5，对于所述步骤4获得的相关答案集合进行过滤，去除不相关的答案；
步骤6，对于过滤后的答案集合，基于每条答案的权重进行摘要抽取，权重值最高的答案作为摘要抽取的结果，并作为当前对话的回答进行返回。
2.根据权利要求1所述的方法，其特征在于，所述步骤1进一步包括以下步骤：
步骤11，对于当前对话所包含的句子进行分词操作，得到每个句子的词向量序列，所述词向量序列由每个句子分词后得到的词向量组成；
步骤12，基于每个句子的词向量序列，计算句间相似度；
步骤13，基于所述句间相似度，采用词向量模型对于当前对话进行对话意图识别，获得当前对话的对话意图。
3.根据权利要求2所述的方法，其特征在于，所述步骤12中，采用如下公式计算句间相似度：
其中，S(x，y)表示句间相似度，x，y分别表示句子x和句子y的词向量序列。
4.根据权利要求2所述的方法，其特征在于，所述对话意图至少包括闲聊意图和教授意图。
5.根据权利要求1所述的方法，其特征在于，所述询问意图值是指用户对话是问句的概率。
6.根据权利要求1所述的方法，其特征在于，所述步骤3中，采用下式在历史记录中寻找当前对话对应的问句：
其中，ρi表示第i条历史对话是当前对话语句对应问句的概率值，D(xi，xt)表示第i条历史对话与当前对话之间的距离，xt表示当前对话，xi表示第i条历史对话，Ask(xi)表示第i条历史对话询问意图值的大小，len表示对话历史记录的长度，α，β，γ分别表示权重；S(xi，xt)表示第i条历史对话与当前对话之间的句间相似度。
7.根据权利要求1所述的方法，其特征在于，所述步骤4中，采用下式来进行多轮自我对话以获取相关答案集合：
ai+1＝F(q，ai)，0≤i≤n
其中，q表示步骤3找到的当前对话对应的问句，ai表示第i轮自我对话得到的答案，a0表示当前对话，F(q，ai)表示通过问句q和当前答案ai，得到的自我对话下一轮的答案，n为对话的最多轮数。
8.根据权利要求1所述的方法，其特征在于，所述步骤5中，采用下式来迭代计算每条答案的权重：
其中，W(vj)表示第i条答案的权重，Vj表示第j条答案，vi表示第i条答案，Vk表示第k条答案，In(vi)是指存在指向第i条答案信息的句子集合，Out(vj)是第j条答案所指向的句子集合，S(i，j)及S(j，k)表示两个句子的相似程度，d是阻尼系数。
9.根据权利要求1所述的方法，其特征在于，所述步骤5中，当摘要抽取得到的信息数量较多时，采用句间词向量的相似度对得到的信息进行聚类，将相似度较高的一类信息作为摘要抽取的内容。
CN201610422829.XA 2016-06-14 2016-06-14 一种人机对话中教授意图答案生成方法 Active CN106095950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610422829.XA CN106095950B (zh) 2016-06-14 2016-06-14 一种人机对话中教授意图答案生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610422829.XA CN106095950B (zh) 2016-06-14 2016-06-14 一种人机对话中教授意图答案生成方法

Publications (2)

Publication Number Publication Date
CN106095950A CN106095950A (zh) 2016-11-09
CN106095950B true CN106095950B (zh) 2019-06-07

Family

ID=57846681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610422829.XA Active CN106095950B (zh) 2016-06-14 2016-06-14 一种人机对话中教授意图答案生成方法

Country Status (1)

Country Link
CN (1) CN106095950B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108073600B (zh) * 2016-11-11 2022-06-03 阿里巴巴集团控股有限公司 一种智能问答交互方法、装置以及电子设备
CN109697282B (zh) * 2017-10-20 2023-06-06 阿里巴巴集团控股有限公司 一种语句的用户意图识别方法和装置
CN108114469A (zh) * 2018-01-29 2018-06-05 北京神州泰岳软件股份有限公司 基于对话的游戏交互方法、装置、终端及游戏交互模型
CN110309275B (zh) * 2018-03-15 2024-06-14 北京京东尚科信息技术有限公司 一种对话生成的方法和装置
CN110580282B (zh) * 2018-05-22 2023-06-13 阿里巴巴集团控股有限公司 通过仿真用户与客服交互的方法及装置
CN109101537B (zh) * 2018-06-27 2021-08-06 北京慧闻科技发展有限公司 基于深度学习的多轮对话数据分类方法、装置和电子设备
CN109299231B (zh) * 2018-09-14 2020-10-30 苏州思必驰信息科技有限公司 对话状态跟踪方法、系统、电子设备及存储介质
CN109388695B (zh) * 2018-09-27 2022-11-25 深圳前海微众银行股份有限公司 用户意图识别方法、设备及计算机可读存储介质
CN109783623A (zh) * 2018-12-25 2019-05-21 华东师范大学 一种真实场景下用户与客服对话的数据分析方法
CN109753561B (zh) * 2019-01-16 2021-04-27 长安汽车金融有限公司 一种自动回复的生成方法及装置
CN109885683B (zh) * 2019-01-29 2022-12-02 桂林远望智能通信科技有限公司 一种基于K-means模型和神经网络模型的生成文本摘要的方法
CN110457454A (zh) * 2019-07-12 2019-11-15 卓尔智联(武汉)研究院有限公司 一种对话方法、服务器、对话系统及存储介质
CN110334201B (zh) * 2019-07-18 2021-09-21 中国工商银行股份有限公司 一种意图识别方法、装置及系统
CN110516056A (zh) * 2019-08-20 2019-11-29 深圳市奥拓电子股份有限公司 人机对话的自主学习方法、自主学习系统及存储介质
CN112181470B (zh) * 2020-09-22 2024-05-17 京东科技控股股份有限公司 一种部署补丁的方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101499078A (zh) * 2008-02-03 2009-08-05 黄林 用于查询个性化医药保健信息的人机对话系统及方案
WO2015021208A1 (en) * 2013-08-06 2015-02-12 Gamgee, Inc. Apparatus and methods for assisting and informing patients
CN105446491A (zh) * 2015-12-16 2016-03-30 北京光年无限科技有限公司 一种基于智能机器人的交互方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101499078A (zh) * 2008-02-03 2009-08-05 黄林 用于查询个性化医药保健信息的人机对话系统及方案
WO2015021208A1 (en) * 2013-08-06 2015-02-12 Gamgee, Inc. Apparatus and methods for assisting and informing patients
CN105446491A (zh) * 2015-12-16 2016-03-30 北京光年无限科技有限公司 一种基于智能机器人的交互方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Behavior Specific User Simulation in Spoken Dialogue Systems;Senthilkumar 等;《IEEE》;20120928;第1-4页
关于计算机理解自然查询语言的研究;张嘉伟;《信息技术与信息化》;20160430(第4期);第116-118页

Also Published As

Publication number Publication date
CN106095950A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN106095950B (zh) 一种人机对话中教授意图答案生成方法
CN107886949B (zh) 一种内容推荐方法及装置
CN107330130B (zh) 一种向人工客服推荐回复内容的对话机器人的实现方法
CN109582767A (zh) 对话系统处理方法、装置、设备及可读存储介质
WO2019237708A1 (zh) 基于深度学习的人际交互肢体语言自动生成方法及系统
CN106875940B (zh) 一种基于神经网络的机器自学习构建知识图谱训练方法
CN109543722A (zh) 一种基于情感分析模型的情感趋势预测方法
CN108829756B (zh) 一种利用分层注意力上下文网络解决多轮视频问答的方法
CN109933661B (zh) 一种基于深度生成模型的半监督问答对归纳方法和系统
CN106528616B (zh) 一种人机交互过程中的语言纠错方法及系统
CN103076893B (zh) 一种用于实现语音输入的方法与设备
Shevchenko et al. Reasoning over vision and language: Exploring the benefits of supplemental knowledge
CN108491808B (zh) 用于获取信息的方法及装置
CN106611604A (zh) 一种基于深度神经网络的自动语音叠音检测方法
CN107944911A (zh) 一种基于文本分析的推荐系统的推荐方法
CN110580516B (zh) 一种基于智能机器人的交互方法及装置
CN110059220A (zh) 一种基于深度学习与贝叶斯概率矩阵分解的电影推荐方法
CN114722839A (zh) 人机协同对话交互系统及方法
CN112132536A (zh) 一种岗位推荐方法、系统、计算机设备及存储介质
CN107977676A (zh) 文本相似度计算方法及装置
CN107506426A (zh) 一种智能电视自动智能应答机器人的实现方法
Liu et al. Perspective-corrected spatial referring expression generation for human–robot interaction
CN107967304A (zh) 会话交互处理方法、装置及电子设备
CN108197274B (zh) 基于对话的异常个性检测方法及装置
CN112786028B (zh) 声学模型处理方法、装置、设备和可读存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20190510

Address after: 310000 Room 1105, 11/F, Building 4, No. 9, Jiuhuan Road, Jianggan District, Hangzhou City, Zhejiang Province

Applicant after: Limit element (Hangzhou) intelligent Polytron Technologies Inc

Address before: 100190 Zhongguancun East Road, Haidian District, Haidian District, Beijing

Applicant before: Institute of Automation, Chinese Academy of Sciences

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 310000 Room 1105, 11/F, Building 4, No. 9, Jiuhuan Road, Jianggan District, Hangzhou City, Zhejiang Province

Patentee after: Zhongke extreme element (Hangzhou) Intelligent Technology Co., Ltd

Address before: 310000 Room 1105, 11/F, Building 4, No. 9, Jiuhuan Road, Jianggan District, Hangzhou City, Zhejiang Province

Patentee before: Limit element (Hangzhou) intelligent Polytron Technologies Inc.

CP01 Change in the name or title of a patent holder