CN110515921B - 一种计算机人工智能信息筛选装置 - Google Patents
一种计算机人工智能信息筛选装置 Download PDFInfo
- Publication number
- CN110515921B CN110515921B CN201910821369.1A CN201910821369A CN110515921B CN 110515921 B CN110515921 B CN 110515921B CN 201910821369 A CN201910821369 A CN 201910821369A CN 110515921 B CN110515921 B CN 110515921B
- Authority
- CN
- China
- Prior art keywords
- module
- screening
- elements
- layer
- limiting elements
- 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
Links
- 238000012216 screening Methods 0.000 title claims abstract description 74
- 238000013473 artificial intelligence Methods 0.000 title claims description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 31
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000002945 steepest descent method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明涉及计算机系统技术领域，具体为一种计算机人工智能信息筛选装置包括数据库、采集模块、转换模块、元素延展模块、预筛选模块、存储模块、执行模块和显示模块模块；所述采集模块用于读取当前计算机页面中的信息，并将所述当前计算机页面中的信息拆分为多个限制元素，通过预筛选模块将扩展元素和限制元素相关的数据从数据库中筛选出来，将筛选出来的结果存储到存储模块中，进而大大降低了后续的筛选强度，能够大大的提高后面步骤的筛选速度，在阅读网页或者文档时，只需直接用鼠标点击限制元素和扩展元素相对应的可视化按键即可进行筛选，大大方便了使用，提高了筛选的效率。
Description
技术领域
本发明涉及计算机系统技术领域，具体为一种计算机人工智能信息筛选装置。
背景技术
随着互联网技术的飞速发展，该技术已经成为人们日常生活中的一部分，人们可以通过互联网学习丰富的知识，查阅丰富的信息，获得大量有价值的情报资源。当我们在观看网页或者文档时，发现了一些不懂或者有趣的事物时，我们一般就需要打开互联网中的搜索引擎，并通过输入关键词查找，使用起来不够简单，但有些时候关键词我们不认识，且网页或文档不给我们复制的权限，此时我们就无法及时从互联网中筛选出我们想要的信息，同时，当我们通过关键词查找后会出现很多与我们想要的信息相近的链接，此时我们还需要手动输入其他的关键词进行限定，以便于获得更接近我们需要的信息，费时费力，使用起来不够方便。
发明内容
为了上述的问题，本发明提供一种计算机人工智能信息筛选装置。
本发明解决其技术问题采用以下技术方案来实现：
本发明所述的一种计算机人工智能信息筛选装置，包括数据库、采集模块、转换模块、元素延展模块、预筛选模块、存储模块、执行模块和显示模块模块；其中，
所述采集模块用于读取当前计算机页面中的信息，并将所述当前计算机页面中的信息拆分为多个限制元素；
所述元素延展模块用于对多个所述限制元素进行扩展，获取与所述限制元素对应的扩展元素；
所述转换模块用于将所述限制元素和所述扩展元素转换为可视化按键，所述可视化按键与对应的所述限制元素相关联；
所述预筛选模块用于对每个所述扩展元素和所述限制元素单独的作为筛选的限制条件，并在所述数据库中进行筛选，并将筛选的所有结果缓存到存储模块中，出现相互并列的所述限制元素时，则独立出另一个筛选结果，与其他筛选结果并列储存；
所述执行模块用于接收可视化按键的信号，并将与该可视化按键对应的限制元素输入到存储模块中，对存储模块中的所有筛选结果进行筛选，获取第一信息集，当另一个可视化按键被点击后，增加新的限制元素，进一步对第一信息集进行限定，得到第二信息集，通过点击多个可视化按键，以增加若干的限制元素，获得多层限定的信息集；
所述显示模块模块用于信息集的显示。
优选的，所述转换模块用于将所述限制元素和所述扩展元素转换为可视化按键具体包括：
利用图形用户接口工具将所述限制元素和所述扩展元素设置为可视化按键。
优选的，还包括统计模块，所述统计模块用于统计出限制元素的被引用率，剔除掉引用率过低的限制元素，对于引用率过高的限制元素，增加限制元素的扩展元素数量。
优选的，还包括优化模块，所述优化模块用于扩展元素的准确率判断，对扩展元素引用率进行排名，取引用率较高的所述扩展元素进行可视化按键的转换。
优选的，所述限制元素包括但不限于时间、地址、关键词、类别和用途。
优选的，还包括智能学习模块，所述智能学习模块用于在本装置待机时运行，智能学习模块是基于人工神经网络技术运行的，人工神经网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，主要包括输入层、隐含层和输出层，输入向量空间与输入层对应，所述隐含层由多个神经元组成，所述输出层输出运算结果，其中隐含层中的变换函数采取单极性的Sigmoid函数形式表示，对筛选算法进行逐渐优化。
优选的，所述筛选算法的优化方法包括：
1)初始化，设定连接权值Wij和Wjt，设定阈值Oj和Rt赋予(-1,1)内的随机值；
2)随机选取一组输入样本和目标样本Pk和Tk提供给神经网络；其中，
3)用输入样本Pk、连接权值Wij和阈值Oj计算中间层神经单元的输入值SJ,然后用SJ通过传递函数计算中间层输出Bj，如下式：
4)利用中间层的Bj、连接权值Wjt和阈值Rt计算输出层各单元的输出矩阵Lt,然后通过传递函数计算输出层神经单元的响应Ct，如下式：
5)利用目标样本Tk和输出层神经单元的响应Ct计算出输出层单元一般化误差dt,如下式：
6)利用连接权值Wjt、中间层的Bj和输出层的一般化误差dt计算出中间层的一般化误差
如下式：
7)利用输出层的一般化误差dt和中间层的Bj来修正连接权值Wjt和Rt；
8)利用中间层的一般化误差
和目标样本Pk来修正连接权值Wij和阈值Oj；
9)自动选取下一个学习样本提供给神经网络，返还到步骤3)；
10)重新从样本中随机先去输入样本和目标样本，返还到步骤3)，直到神经网络全局误差小于预设极小值，说明网络收敛，此时训练结束。
优选的，所述智能学习模块还包括温度检测单元，所述温度检测单元预设有阈值，当温度检测单元检测到温度超过阈值，此时自动降低筛选算法的优化速度。
与现有技术相比，本发明的有益效果是：本发明所述的一种计算机人工智能信息筛选装置，通过预筛选模块将扩展元素和限制元素相关的数据从数据库中筛选出来，将筛选出来的结果存储到存储模块中，进而大大降低了后续的筛选强度，能够大大的提高后面步骤的筛选速度，在阅读网页或者文档时，只需直接用鼠标点击限制元素和扩展元素相对应的可视化按键即可进行筛选，大大方便了使用，提高了筛选的效率；通过统计模块的统计，使得该装置能够逐渐的学习用户的使用习惯，逐渐提高用户的使用，在不影响用户的正常使用的情况下，利用智能学习模块，通过互联网获取信息渠道获取最新的算法，并通过计算运行后耗时的长短判定该算法是否有效，从而自主获取最新的筛选算法，通过设置温度检测单元，当温度检测单元检测到温度超过阈值，此时自动降低筛选算法的优化速度，避免智能学习模块占用过多的资源导致温度过高的风险，提高装置的安全性。
具体实施方式
下面将结合本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种计算机人工智能信息筛选装置，包括数据库、采集模块、转换模块、元素延展模块、预筛选模块、存储模块、执行模块和显示模块模块；其中，
所述采集模块用于读取当前计算机页面中的信息，并将所述当前计算机页面中的信息拆分为多个限制元素；
在用户使用计算机浏览网页或文档时，采集模块对网页和文档中的图文信息进行读取和识别，对网页或文档中的时间、地址、关键词、类别和用途等限制元素进行获取；
所述元素延展模块用于对多个所述限制元素进行扩展，获取与所述限制元素对应的扩展元素；
扩展元素为与限制元素相近似关联的对象，每个限制元素扩展出3-5个扩展元素；
所述转换模块利用图形用户接口工具将所述限制元素和所述扩展元素设置为可视化按键；
可视化按键可以通过鼠标点击的方式进行触发，将可视化按键关联至对应的限制元素和扩展元素，触发可视化按键后，能够直接将限制元素或扩展元素添加到执行模块中；
所述预筛选模块用于对每个所述扩展元素和所述限制元素单独的作为筛选的限制条件，并在所述数据库中进行筛选，并将筛选的所有结果缓存到存储模块中，出现相互并列的所述限制元素时，则独立出另一个筛选结果，与其他筛选结果并列储存；
预筛选模块将扩展元素和限制元素相关的数据从数据库中筛选出来，将筛选出来的结果存储到存储模块中，进而大大降低了后续的筛选强度，能够大大的提高后面步骤的筛选速度；
所述执行模块用于接收可视化按键的信号，并将与该可视化按键对应的限制元素输入到存储模块中，对存储模块中的所有筛选结果进行筛选，获取第一信息集，当另一个可视化按键被点击后，增加新的限制元素，进一步对第一信息集进行限定，得到第二信息集，通过点击多个可视化按键，以增加若干的限制元素，获得多层限定的信息集；
当用户浏览到想要去扩展了解的限制元素，只需点击与该限制元素对应的可视化按键，将该限制元素增加到执行模块中，此时再点击所需求的扩展元素来进一步限定筛选范围，当扩展元素中没有用户想要了解时，可以手动输入文字作为扩展元素，从而获取指定的信息集，并通过显示模块进行显示
作为本发明的一种实施方式，该装置还包括统计模块，所述统计模块用于统计出限制元素的被引用率，剔除掉引用率过低的限制元素，对于引用率过高的限制元素，增加限制元素的扩展元素数量；
通过统计模块的统计，使得该装置能够逐渐的学习用户的使用习惯，逐渐提高用户的使用。
作为本发明的一种实施方式，该装置还包括优化模块，所述优化模块用于扩展元素的准确率判断，对扩展元素引用率进行排名，取引用率较高的所述扩展元素进行可视化按键的转换；通过对扩展元素引用率进行排名，能够根据时间的不同实时的改变扩展元素可视化按键的转换。
作为本发明的一种实施方式，该装置还包括智能学习模块，所述智能学习模块用于在本装置待机时运行，智能学习模块是基于人工神经网络技术运行的，人工神经网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，主要包括输入层、隐含层和输出层，输入向量空间与输入层对应，所述隐含层由多个神经元组成，所述输出层输出运算结果，其中隐含层中的变换函数采取单极性的Sigmoid函数形式表示，对筛选算法进行逐渐优化。
作为本发明的一种实施方式，所述筛选算法的优化方法包括：
1)初始化，设定连接权值Wij和Wjt，设定阈值Oj和Rt赋予(-1,1)内的随机值；
2)随机选取一组输入样本和目标样本Pk和Tk提供给神经网络；其中，
3)用输入样本Pk、连接权值Wij和阈值Oj计算中间层神经单元的输入值SJ,然后用SJ通过传递函数计算中间层输出Bj，如下式：
4)利用中间层的Bj、连接权值Wjt和阈值Rt计算输出层各单元的输出矩阵Lt,然后通过传递函数计算输出层神经单元的响应Ct，如下式：
5)利用目标样本Tk和输出层神经单元的响应Ct计算出输出层单元一般化误差dt,如下式：
6)利用连接权值Wjt、中间层的Bj和输出层的一般化误差dt计算出中间层的一般化误差
如下式：
7)利用输出层的一般化误差dt和中间层的Bj来修正连接权值Wjt和Rt；
8)利用中间层的一般化误差
和目标样本Pk来修正连接权值Wij和阈值Oj；
9)自动选取下一个学习样本提供给神经网络，返还到步骤3)；
10)重新从样本中随机先去输入样本和目标样本，返还到步骤3)，直到神经网络全局误差小于预设极小值，说明网络收敛，此时训练结束；
利用智能学习模块，通过互联网获取信息渠道获取最新的算法，并通过计算运行后耗时的长短判定该算法是否有效，从而自主获取最新的筛选算法，只有在待机时启动，不影响用户的正常使用。
作为本发明的一种实施方式，所述智能学习模块还包括温度检测单元，所述温度检测单元预设有阈值，当温度检测单元检测到温度超过阈值，此时自动降低筛选算法的优化速度，避免智能学习模块占用过多的资源导致温度过高的风险，提高装置的安全性。
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。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
虽然在上文中已经参考实施例对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施例中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。
Claims (8)
1.一种计算机人工智能信息筛选装置，其特征在于，包括数据库、采集模块、转换模块、元素延展模块、预筛选模块、存储模块、执行模块和显示模块模块；其中，
所述采集模块用于读取当前计算机页面中的信息，并将所述当前计算机页面中的信息拆分为多个限制元素；
所述元素延展模块用于对多个所述限制元素进行扩展，获取与所述限制元素对应的扩展元素；
所述转换模块用于将所述限制元素和所述扩展元素转换为可视化按键，所述可视化按键与对应的所述限制元素相关联；
所述预筛选模块用于对每个所述扩展元素和所述限制元素单独的作为筛选的限制条件，并在所述数据库中进行筛选，并将筛选的所有结果缓存到存储模块中，出现相互并列的所述限制元素时，则独立出另一个筛选结果，与其他筛选结果并列储存；
所述执行模块用于接收可视化按键的信号，并将与该可视化按键对应的限制元素输入到存储模块中，对存储模块中的所有筛选结果进行筛选，获取第一信息集，当另一个可视化按键被点击后，增加新的限制元素，进一步对第一信息集进行限定，得到第二信息集，通过点击多个可视化按键，以增加若干的限制元素，获得多层限定的信息集；
所述显示模块模块用于信息集的显示。
2.根据权利要求1所述的一种计算机人工智能信息筛选装置，其特征在于：所述转换模块用于将所述限制元素和所述扩展元素转换为可视化按键具体包括：
利用图形用户接口工具将所述限制元素和所述扩展元素设置为可视化按键。
3.根据权利要求1所述的一种计算机人工智能信息筛选装置，其特征在于：还包括统计模块，所述统计模块用于统计出限制元素的被引用率，剔除掉引用率过低的限制元素，对于引用率过高的限制元素，增加限制元素的扩展元素数量。
4.根据权利要求1所述的一种计算机人工智能信息筛选装置，其特征在于：还包括优化模块，所述优化模块用于扩展元素的准确率判断，对扩展元素引用率进行排名，取引用率较高的所述扩展元素进行可视化按键的转换。
5.根据权利要求1所述的一种计算机人工智能信息筛选装置，其特征在于：所述限制元素包括但不限于时间、地址、关键词、类别和用途。
6.根据权利要求1所述的一种计算机人工智能信息筛选装置，其特征在于：还包括智能学习模块，所述智能学习模块用于在本装置待机时运行，智能学习模块是基于人工神经网络技术运行的，人工神经网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，主要包括输入层、隐含层和输出层，输入向量空间与输入层对应，所述隐含层由多个神经元组成，所述输出层输出运算结果，其中隐含层中的变换函数采取单极性的Sigmoid函数形式表示，对筛选算法进行逐渐优化。
7.根据权利要求6所述的一种计算机人工智能信息筛选装置，其特征在于：所述筛选算法的优化方法包括：
1)初始化，设定连接权值Wij和Wjt，设定阈值Oj和Rt赋予(-1,1)内的随机值；
2)随机选取一组输入样本和目标样本Pk和Tk提供给神经网络；其中，
3)用输入样本Pk、连接权值Wij和阈值Oj计算中间层神经单元的输入值SJ,然后用SJ通过传递函数计算中间层输出Bj，如下式：
4)利用中间层的Bj、连接权值Wjt和阈值Rt计算输出层各单元的输出矩阵Lt,然后通过传递函数计算输出层神经单元的响应Ct，如下式：
5)利用目标样本Tk和输出层神经单元的响应Ct计算出输出层单元一般化误差dt,如下式：
6)利用连接权值Wjt、中间层的Bj和输出层的一般化误差dt计算出中间层的一般化误差
如下式：
7)利用输出层的一般化误差dt和中间层的Bj来修正连接权值Wjt和Rt；
8)利用中间层的一般化误差
和目标样本Pk来修正连接权值Wij和阈值Oj；
9)自动选取下一个学习样本提供给神经网络，返还到步骤3)；
10)重新从样本中随机先去输入样本和目标样本，返还到步骤3)，直到神经网络全局误差小于预设极小值，说明网络收敛，此时训练结束。
8.根据权利要求7所述的一种计算机人工智能信息筛选装置，其特征在于：所述智能学习模块还包括温度检测单元，所述温度检测单元预设有阈值，当温度检测单元检测到温度超过阈值，此时自动降低筛选算法的优化速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910821369.1A CN110515921B (zh) | 2019-09-02 | 2019-09-02 | 一种计算机人工智能信息筛选装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910821369.1A CN110515921B (zh) | 2019-09-02 | 2019-09-02 | 一种计算机人工智能信息筛选装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110515921A CN110515921A (zh) | 2019-11-29 |
| CN110515921B true CN110515921B (zh) | 2021-11-02 |
Family
ID=68630263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910821369.1A Active CN110515921B (zh) | 2019-09-02 | 2019-09-02 | 一种计算机人工智能信息筛选装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110515921B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114528276B (zh) * | 2022-02-21 | 2024-01-19 | 新疆能源翱翔星云科技有限公司 | 一种基于人工智能的大数据采集存储管理系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020277A (zh) * | 2012-12-27 | 2013-04-03 | 北京百度网讯科技有限公司 | 一种搜索项建议方法和装置 |
| CN103294711A (zh) * | 2012-02-28 | 2013-09-11 | 阿里巴巴集团控股有限公司 | 一种确定网页中的页面元素的方法以及装置 |
| CN104102721A (zh) * | 2014-07-18 | 2014-10-15 | 百度在线网络技术（北京）有限公司 | 信息推荐方法和装置 |
| CN104462437A (zh) * | 2014-12-15 | 2015-03-25 | 北京奇虎科技有限公司 | 基于终端界面多次触控操作进行识别搜索的方法及系统 |
| CN105956683A (zh) * | 2016-04-19 | 2016-09-21 | 国网甘肃省电力公司电力科学研究院 | 公共机构电力需求侧管理系统以及电能质量预测方法 |
| CN106462596A (zh) * | 2014-06-18 | 2017-02-22 | 谷歌公司 | 生成上下文搜索呈现 |
| CN107919129A (zh) * | 2017-11-15 | 2018-04-17 | 百度在线网络技术（北京）有限公司 | 用于控制页面的方法和装置 |
| CN108280081A (zh) * | 2017-01-06 | 2018-07-13 | 百度在线网络技术（北京）有限公司 | 生成网页的方法和装置 |
| CN108304483A (zh) * | 2017-12-29 | 2018-07-20 | 东软集团股份有限公司 | 一种网页分类方法、装置及设备 |
| CN109416699A (zh) * | 2016-03-18 | 2019-03-01 | 亚马逊科技公司 | 用于显现相关结果的用户界面元素 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100114864A1 (en) * | 2008-11-06 | 2010-05-06 | Leedor Agam | Method and system for search engine optimization |
| GB201308974D0 (en) * | 2013-05-17 | 2013-07-03 | Dun Laoghaire Inst Of Art Design And Technology | System and method for searching information in databases |
-
2019
- 2019-09-02 CN CN201910821369.1A patent/CN110515921B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103294711A (zh) * | 2012-02-28 | 2013-09-11 | 阿里巴巴集团控股有限公司 | 一种确定网页中的页面元素的方法以及装置 |
| CN103020277A (zh) * | 2012-12-27 | 2013-04-03 | 北京百度网讯科技有限公司 | 一种搜索项建议方法和装置 |
| CN106462596A (zh) * | 2014-06-18 | 2017-02-22 | 谷歌公司 | 生成上下文搜索呈现 |
| CN104102721A (zh) * | 2014-07-18 | 2014-10-15 | 百度在线网络技术（北京）有限公司 | 信息推荐方法和装置 |
| CN104462437A (zh) * | 2014-12-15 | 2015-03-25 | 北京奇虎科技有限公司 | 基于终端界面多次触控操作进行识别搜索的方法及系统 |
| CN109416699A (zh) * | 2016-03-18 | 2019-03-01 | 亚马逊科技公司 | 用于显现相关结果的用户界面元素 |
| CN105956683A (zh) * | 2016-04-19 | 2016-09-21 | 国网甘肃省电力公司电力科学研究院 | 公共机构电力需求侧管理系统以及电能质量预测方法 |
| CN108280081A (zh) * | 2017-01-06 | 2018-07-13 | 百度在线网络技术（北京）有限公司 | 生成网页的方法和装置 |
| CN107919129A (zh) * | 2017-11-15 | 2018-04-17 | 百度在线网络技术（北京）有限公司 | 用于控制页面的方法和装置 |
| CN108304483A (zh) * | 2017-12-29 | 2018-07-20 | 东软集团股份有限公司 | 一种网页分类方法、装置及设备 |
Non-Patent Citations (3)
| Title |
|---|
| 基于Ontology的语义信息检索及应用;李春梅等;《楚雄师范学院学报》;20060928(第09期);第23-30页 * |
| 基于支持向量机的移动Web浏览性能优化研究;高岭等;《计算机学报》;20171129(第09期);第2077-2088页 * |
| 搜索引擎结果页面(SERP)研究述评;吴丹等;《情报学报》;20180224(第02期);第220-230页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110515921A (zh) | 2019-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10878550B2 (en) | Utilizing deep learning to rate attributes of digital images | |
| CN107346326B (zh) | 用于信息检索的方法和系统 | |
| WO2019114147A1 (zh) | 图像美学处理方法及电子设备 | |
| US20190034830A1 (en) | Methods and systems for evaluating training objects by a machine learning algorithm | |
| US7689615B2 (en) | Ranking results using multiple nested ranking | |
| US20190164084A1 (en) | Method of and system for generating prediction quality parameter for a prediction model executed in a machine learning algorithm | |
| US8880548B2 (en) | Dynamic search interaction | |
| US10642670B2 (en) | Methods and systems for selecting potentially erroneously ranked documents by a machine learning algorithm | |
| JP5984917B2 (ja) | 提案される語を提供するための方法および装置 | |
| CN108304371B (zh) | 热点内容挖掘的方法、装置、计算机设备及存储介质 | |
| US20080222725A1 (en) | Graph structures and web spam detection | |
| CN106611052A (zh) | 文本标签的确定方法及装置 | |
| CN107835113A (zh) | 一种基于网络映射的社交网络中异常用户检测方法 | |
| US20100114888A1 (en) | Digital image retrieval by aggregating search results based on visual annotations | |
| US10733534B2 (en) | Data evaluation as a service | |
| JP2005259145A (ja) | ユーザ意図の発見 | |
| CN113139134B (zh) | 一种社交网络中用户生成内容的流行度预测方法、装置 | |
| US10353951B1 (en) | Search query refinement based on user image selections | |
| US8326815B2 (en) | Session based click features for recency ranking | |
| CN109471944A (zh) | 文本分类模型的训练方法、装置及可读存储介质 | |
| Li et al. | From reputation perspective: a hybrid matrix factorization for qos prediction in location‐aware mobile service recommendation system | |
| CN110515921B (zh) | 一种计算机人工智能信息筛选装置 | |
| CN103324641A (zh) | 信息记录推荐方法和装置 | |
| CN117009621A (zh) | 信息搜索方法、装置、电子设备、存储介质及程序产品 | |
| CN115048530A (zh) | 融合邻居重要度和特征学习的图卷积推荐系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231019 Address after: Room 3012, Building 1, No. 6998 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province, 210098 Patentee after: Jiangsu Yuhong Education Technology Co.,Ltd. Address before: 221000 Xueyuan Road, Tongshan New District, Xuzhou City, Jiangsu Province Patentee before: JIANGSU VOCATIONAL INSTITUTE OF ARCHITECTURAL TECHNOLOGY |
|
| TR01 | Transfer of patent right |