CN110622158A - 通过机器学习进行精化搜索 - Google Patents
通过机器学习进行精化搜索 Download PDFInfo
- Publication number
- CN110622158A CN110622158A CN201880028968.1A CN201880028968A CN110622158A CN 110622158 A CN110622158 A CN 110622158A CN 201880028968 A CN201880028968 A CN 201880028968A CN 110622158 A CN110622158 A CN 110622158A
- Authority
- CN
- China
- Prior art keywords
- search
- search criteria
- refined
- selection
- criteria
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 72
- 230000009471 action Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241000949463 Correa reflexa Species 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本文件描述了用于通过机器学习进行精化搜索的技术和设备。这些技术通过使得能够选择在先前搜索中使用的搜索标准,并基于所述选择提供精化的搜索结果而改善计算机辅助搜索。此外,能够改变搜索引擎的机器学习组件,以基于所述选择和所述精化的搜索结果的可取性的指示改进将来的搜索结果。
Description
相关申请的交叉引用
本申请根据35U.S.C.§119(e)要求2017年12月15日提交的美国临时专利申请62/599,603的优先权,其公开内容在此通过引用以其整体并入本文。
背景技术
计算机辅助搜索不仅对于数十亿人而言司空见惯,而且在许多人的日常生活中几乎是必不可少的。因此,常规的搜索技术使用复杂的搜索算法来提供更好的搜索结果,并更好地适合人们的搜索需求。
然而,即使使用这些复杂的搜索算法,常规搜索技术也可能无法提供期望的结果。这可能是由于缺乏信息,或更常见的原因是未能正确使用信息的不同部分,诸如哪个术语的置信度高于其它术语,以及如何关联不同的术语和用户活动以识别重要内容以及如何使用它们来获得理想结果。例如,假设某人在过去几分钟内一直在拨打各种业务电话,然后输入“医疗提供商”的搜索查询。搜索引擎可能会通过将先前的业务电话与搜索词一起用作搜索标准来确定这个人想要拨打电话给他或她的保险提供商或当地医生,而不是想要急诊室或救护车服务。然而,假设提供的结果(这个人的保险提供商和当地医生)不是期望的结果。在此示例中,并且通常是在全球范围内的数十亿次搜索中,结果都无法满足人们的需求。
提供背景技术是为了大致呈现本公开的背景。除非本文另外指出,否则本节中所述的材料既不明确也不暗示地被承认为本公开或所附权利要求的现有技术。
发明内容
本文件描述了用于通过机器学习进行精化搜索的技术和设备。这些技术通过启用先前搜索中使用的搜索标准的选择并基于该选择提供精化的搜索结果来改进计算机辅助搜索。此外,能够基于该选择和精化的搜索结果的可取性的指示来改变搜索引擎的机器学习组件,从而改进将来的搜索结果。
一方面,描述了一种用于基于多个搜索标准来确定搜索结果并呈现搜索结果的方法。通过所呈现的结果,还呈现了与用于确定结果的多个搜索标准相关联的可选项,并且通过选择接收这些可选项之一。响应于接收到所选项,该方法确定精化的搜索结果,精化的搜索结果基于与所选项相关联的搜索标准和多个搜索标准中的至少另一个,之后呈现精化的搜索结果。
另一方面,描述了一种用于接收对多个搜索标准之一的选择的方法,该多个搜索标准先前用于使用搜索引擎来生成搜索结果,该搜索结果先前或同时通过在其中接收到多个搜索标准之一的选择的设备来提供。然后,接收针对精化的搜索结果的肯定或否定指示,所述搜索结果是基于所选的搜索标准生成的精化,所述精化的搜索结果是先前或同时通过确定精化的结果的肯定或否定指示的设备来提供的。然后,该方法可以基于所选择的搜索标准、多个搜索标准以及针对精化的搜索结果的肯定或否定指示来改变搜索引擎。
又另一方面,描述了一种系统,该系统包括一个或多个计算机处理器和一个或多个计算机可读介质。该介质包括指令,这些指令响应于被一个或多个计算机处理器执行而执行操作。这些操作包括使用搜索引擎并基于多个搜索标准来确定搜索结果,并将搜索结果提供给用户设备以显示在用户设备上。然后,从用户设备接收用于执行修改的搜索的多个搜索标准之一的选择。响应于接收到所选择的搜索标准,这些操作使用搜索引擎并基于所选择的搜索标准和多个搜索标准中的一个或多个其它标准来执行修改的搜索,该执行向用户设备提供精化的搜索结果以在用户设备上显示。从用户设备接收对精化的搜索结果的可取性的肯定或否定指示。这些操作基于肯定或否定指示以及所选的搜索标准来改变搜索引擎,这种改变有效地改变了以后基于相同的多个搜索标准进行的确定的搜索结果。
提供本发明内容是为了介绍与通过机器学习进行的精化搜索有关的简化概念,下面将在具体实施方式中对其进行进一步描述。本发明内容无意确认所要求保护主旨的必要特征,也无意用于确定所要求保护主题的范围。
附图说明
参考以下附图描述能够通过机器学习实现精化搜索的技术和设备的各方面。在整个附图中都使用相同的附图标记来指代相似的特征和组件:
图1示出其中能够通过机器学习实现精化搜索的示例环境。
图2示出用于执行搜索和精化搜索,可选地包括改变搜索引擎的示例方法。
图3示出基于计算设备的用户阅读的文章的搜索结果。
图4示出对图3的搜索结果中所示的项目的可选择控件。
图5示出图4中所示的一种控件的选择,这种控件与Julia Morgan相关联。
图6示出用于改变搜索引擎以基于所选择的搜索标准以及来自用户的响应于精化的搜索结果的肯定或否定指示改进搜索引擎性能的示例方法。
图7示出图1的计算设备,其示出正在进行的通话以及基于正在拨打的电话的搜索结果。
图8示出用于提供图7中所示的搜索结果的搜索标准的可选择控件。
图9示出基于所选择的搜索标准的修改的搜索结果。
图10示出使得能够通过机器学习进行精化搜索,或者其中可实现使得能够使用通过机器学习进行的精化搜索的技术的示例电子设备。
具体实施方式
概述
本文件描述了使得能够通过机器学习进行精化搜索的技术。这些技术通过启用先前搜索中使用的搜索标准的选择并基于该选择提供精化的搜索结果来改进计算机辅助搜索。此外,能够基于该选择和精化的搜索结果的可取性的指示来改变搜索引擎的机器学习组件,从而改进将来的搜索结果。
例如,考虑某人选择在网页上查看文章的情况。该用户活动足以使搜索引擎基于文章标题和文章中的文本提供搜索结果。假定用户选择了Gotham Times网站,以阅读有关如果有一天半的时间访问加利福尼亚州奥克兰市该怎么安排的文章。假设搜索引擎使用标题中的术语Oakland和文章中的四个术语Cesar Chavez Park、Julia Morgan、OaklandBasketball Team和Jim’s Candy Corn。搜索结果主要基于术语Oakland,并提供与奥克兰相关的两个可选择网页,即TripGuru和Info-Pedia的网页。因而,在这种情况下,将用户活动以及有关该活动的数据用作搜索标准,而不是键入搜索项。搜索结果由搜索引擎自愿提供,以供搜索引擎确定为用户可能感兴趣的其它信息。然而,假设这些不是如通常情况那样地有所帮助,相反用户对TripGuru或Info-Pedia的关于加利福尼亚州奥克兰市的信息不感兴趣。在这种情况下,使用屏幕空间,使用计算资源,并且经常消耗无线带宽,所有这些都提供了无价值的信息。
相反,考虑用于精化搜索和机器学习的技术,这些技术或者基于先前的机器学习预先提供更好的结果,或者相反,提供一种易于使用的方式来进行精化搜索。假设这些技术从Gotham Times的文章中突出显示了重要性较低的其它四个术语。这些技术能够使这些术语中的每一个成为易于选择的可视控件(例如按钮),从而使该术语更加可信。假设用户点击了Julia Morgan,其后呈现精化搜索,其显示有关赫斯特城堡(Julia Morgan是建筑师)的Info-Pedia文章,以及地图映射应用程序的界面以选择驶向赫斯特城堡的指导。精化搜索不仅对用户有价值,而且可以使用Julia Morgan的选择来更改和改进搜索引擎。下一次有人阅读关于加利福尼亚州奥克兰市的Gotham Times文章时,Julia Morgan的置信度可能会比以前更高。这样,这些技术提供精化搜索,并能够通过机器学习此用户和其它用户的精化搜索选择来改进搜索引擎。
本文文件现在参考示例环境,之后描述示例方法、用户界面以及计算系统。
示例环境
图1示出了示例环境100,其中能够实现利用机器学习进行精化搜索的技术。环境100包括示例计算设备102,计算设备102具有一个或多个计算机处理器104和计算机可读介质106,计算机可读介质106包括存储器介质和存储介质。计算机可读介质106包括体现为计算机可读指令的搜索管理器108、各种应用程序110和操作系统(未示出)。搜索管理器108包括或可以访问具有机器学习组件114的搜索引擎112,以及搜索界面116。环境100还包括示例远程设备118,远程设备118包括一个或多个远程计算机处理器120和远程计算机可读介质(CRM)122。作为计算机设备102的替选或除此之外,远程CRM 122可包括搜索引擎112和机器学习组件114。
通常,搜索管理器108与搜索引擎112和搜索界面116一起使用以接收搜索标准,执行搜索并提供搜索结果。这可包括使得能够选择用于修改搜索的搜索标准之一,以及确定修改的搜索结果是被用户肯定还是否定地接收。搜索管理器108能够将这种信息提供给搜索引擎112,由此使搜索引擎112能够更改和改进机器学习组件114。通过这种方式,将来的搜索能够更有效,并且更经常被用户或其它用户肯定地接受,从而节省用户时间并改善他们的体验。
计算设备102以及远程计算设备118可包括用于通过有线、无线或光网络进行数据通信的网络接口124。网络接口124可通过诸如局域网(LAN)、无线局域网(WLAN)、个人区域网(PAN)、广域网、内联网、因特网、对等网络、点对点网络、网状网络等进行数据通信。计算设备102还包括诸如图1中所示的显示器之一的显示器128或能够与之通信。
图1中示出了计算设备102的示例配置,诸如智能电话102-1、计算眼镜102-2、膝上型计算机102-3、冰箱102-4以及电视机102-5。也可以使用其它设备,诸如家庭自动化和控制系统、娱乐系统、音频系统、台式计算机、其它家用电器、安全系统、上网本、智能电话、汽车、小型可穿戴计算机和电子阅读器。应注意,计算设备102能够为可穿戴的、不可穿戴的但可移动的或相对不移动的(例如,台式机和家用电器)。
下面更详细地阐述这些和其它能力与配置以及图1的实体起作用和相互作用的方式。这些实体可进一步划分、合并等等。图1的环境100和以下附图的详细图示示出了能够采用所述技术的许多可能界面、环境和设备中的一些。
示例方法
图2和图6示出了使得能够通过机器学习实现精化搜索的方法。图2中的方法200基于先前搜索的搜索标准的选择来执行精化搜索。图6中的方法600基于所选择的搜索标准以及来自用户的响应于基于选择的搜索标准的精化搜索的肯定或否定指示来改变搜索引擎从而改善性能。
这些方法被示为所执行的一组操作或动作,但是不必限于本文中所示的操作的顺序或组合。此外,可以重复、组合、重组或链接任何一个或多个操作,以提供各种各样的另外和/或可替选方法。在下文讨论的多个部分中,可参考仅作为示例的图1的环境100。这些技术不限于由在一个设备上操作的一个实体或多个实体来执行。
在202,基于多个搜索标准来确定搜索结果。能够以各种方式来接收所使用的搜索标准,诸如主动地通过音频接收系统、触摸屏、键盘等。相反,或者也能够基于用户的历史记录、设备或动作(诸如阅读电子邮件、拨打电话或查看网页)来被动地接收(或确定)搜索标准。例如,搜索查询能够作为键入的文本、语音查询或根据用户的动作来确定。如果用户选择阅读网页,则即使用户未明确请求搜索结果,也能够使用与该网页相关联的文本来提供搜索结果。因而,可用于搜索引擎112的搜索标准的数量和类型可能是巨大的,使得难以确定使用什么、如何置信(或指配置信度)、使其平衡和相关等等。
在204,呈现搜索结果。通过正在进行的示例,假设上述Gotham Times示例中的用户相反地正在使用包括搜索管理器108的计算设备102。在操作202和204处,搜索管理器108确定并基于用户正阅读的文章304呈现搜索结果302,如图3中所示。图3示出了文章304、其标题306以及文章304的主体308中的文本。对于该示例,假设用户对搜索结果302不感兴趣。
在206,呈现与多个搜索标准相关联的可选项。这些可选项能够以各种方式呈现,诸如呈现在唯一的用户界面中,呈现在与搜索结果相同的界面中,或者通过在搜索标准上更改或覆盖界面呈现,即使这些标准是由这些技术被动选择的。如以上部分中所述,搜索标准能够为来自基于文本的文档的文本,其是为了由用户呈现而选择的。在这种情况下,能够通过使文本高亮而呈现一个或更多可选项,并且使其可独立地从基于文本的文档(例如,电子邮件、文字处理文档、电子书或网页)中选择。
继续参考当前示例,搜索管理器108呈现用于生成搜索结果302的一些但不是全部搜索标准,如图3中所示。这里,搜索标准按照置信度(例如,指配给每个搜索标准的置信度或搜索值),Oakland、California、Cesar Chavez Park、the Oakland Basketball Team、Jim’s Candy Corn以及Julia Morgan。搜索管理器108通过搜索界面116针对四个低置信度搜索标准中的每一个呈现图4中的可选择控件402-1、402-2、402-3以及402-4,由此排除了对最高置信度标准(Oakland)的选择。虽然没有要求,但是搜索界面116可以示出某种视觉表示以指示可选择的搜索标准的相对置信度,其示例在图4中示出,其中控件402的深色阴影指示较高的置信度。这些控件可能是网页、另一应用程序的一部分,通过应用程序编程界面(API)呈现,或者可以是叠加层,其看起来可以是也可以不是单独界面。在该示例中,搜索界面116将可选择控件呈现为网页上的叠加层。
在208,接收对可选项之一的选择。能够以上述各种方式来接收选择,诸如轻击与在用户界面中呈现的搜索标准相关联的控件,对与搜索标准相关联的基于文本的项目进行口语选择等等。继续参考当前示例,假设用户点击控件402-4,控件402-4与低置信度搜索标准Julia Morgan相关联。因而,该选择由搜索界面116接收,并且将由搜索管理器108使用,如下所述。
在210,响应于所选项的接收来确定精化的搜索结果。因而,通过用户选择上次搜索中使用的一种搜索标准来增强置信度(或降低置信度),这些技术能够精化化或重新运行搜索,足以提供精化的搜索结果。尽管没有要求,但是这些技术可以在执行精化搜索时使用一个或多个未选择的先前搜索标准。在许多情况下,先前搜索被指配了置信度,或者以某种方式对每个搜索标准进行了不同处理,因而,所呈现的项目与具有不同置信度的搜索标准相关联。在这种情况下,通过可选项选择搜索标准相对于至少一个其它未选择的搜索标准改变了置信度或处理。这种更改置信度的选择可能很简单,如在高亮文本上轻敲,类似于上所示,但是也可以是更高级的。更高级的选择能够包括在用户界面中移动项目以设置其置信度(例如,对呈现的最终结果的重要性或价值),诸如从上到下。或者,能够选择一个项目并将其丢弃(从搜索中删除),或者只是将置信度增加一点。更进一步,搜索界面116能够使用户能够以连续的方式改变置信度,诸如利用滑块或项目在显示器上的移动。当以在屏幕上移的方式调整项目的置信度时,搜索管理器108能够继续实时呈现和改变精化的搜索结果。
在212,呈现精化的搜索结果。这些精化的搜索结果能够在与做出选择的相同用户界面中,在显示器上的公共搜索结果区域中,或者以用于呈现搜索结果的各种方式呈现。继续参考当前示例,参见图5,该图示出了与Julia Morgan相关联的控件402-4的选择以及精化的搜索结果502的呈现。应注意,精化的搜索结果502示出了与所选搜索标准(JuliaMorgan)相关联的两项,但能够使用其它搜索标准,即使这些标准的置信度低于所选标准。因而,在该示例中,精化搜索中仍使用加利福尼亚州奥克兰市,因而,在指导结果504中未包括由茱莉亚·摩根设计但不在奥克兰附近的其它建筑物。利用Info-Pedia结果506所示的关于茱莉亚·摩根的信息不依赖于奥克兰搜索标准。应注意,这是搜索管理器108可以使用选择来精化化搜索结果,或者可以替代地完全或几乎完全依赖于所选择的搜索标准的一种方式。
可选地,这些技术可重复该方法的部分,诸如再次呈现可选项,并因而重新执行操作206、208、210和212,以进一步精化化搜索结果(以虚线示出,从212到206)。如上所述,这能够通过在项目上的轻敲手势来完成,或者甚至能够实时地反复执行,其中通过用户选择来移动或以其它方式继续调整项目的置信度。
如上所述,精化的搜索结果以及用户为激发精化搜索而做出的选择能够用于改变搜索引擎。因而,可选地,在214,能够接收针对精化的搜索结果的肯定或否定指示。这种指示能够与所选择的搜索标准一起使用,从而在216改变搜索引擎。这种改变不需要指示,而是可替代地简单地使用选择了搜索标准的事实。
结束当前示例,机器学习组件114能够使用对Julia Morgan的控件402-4的选择来更改搜索引擎112。然而,用户对期望精化的搜索结果的指示能够帮助机器学习组件114学习如何最好地改变搜索引擎112。因而,如果用户选择了另一搜索标准,例如Jim’s CandyCorn,如图4和图5中所示,则机器学习组件114可以确定不期望精化的搜索结果。然而,如果用户阅读精化的搜索结果,或者没有进一步精化化或选择结果(例如,获取指导或阅读Info-Pedia中有关茱莉亚·摩根的完整文章),则这些都是期望精化的搜索结果的肯定指示。这种确定能够用于以后的搜索或精化搜索。在下面的方法600中更详细地阐述了这些技术使用机器学习的方式。
如图6中所示,方法600基于选择的搜索标准以及来自用户的响应于精化的搜索结果的肯定或否定指示来改变搜索引擎从而提高性能。
在602,接收多个搜索标准之一的选择。从中进行选择的多个搜索标准先前已用于使用搜索引擎生成搜索结果。类似于方法200的某些方面,搜索结果是先前或同时通过在其中接收多个搜索标准之一的选择的设备提供的。上面阐述了能够呈现这些搜索标准、启用选择等的方式。因而,方法200的操作可在方法600的操作之前或与之交织。
在604,接收或确定针对精化的搜索结果的肯定或否定指示。类似于方法200的操作,基于所选择的搜索标准生成精化的搜索结果。而且,能够通过接收或确定精化的结果的肯定或否定指示的设备来提供精化的搜索结果。
更详细地,能够基于对精化的结果的选择或基于精化的搜索结果的动作来确定肯定指示。因而,在上述示例中,如果搜索界面116(或能够从中接收数据的其它一些界面)接收到选择以查看精化的搜索结果而无需请求发散性新搜索,则能够认为这是搜索引擎112提供了期望的结果的肯定指示。
关于否定指示,能够基于用户选择不同的搜索标准或输入新的搜索来确定否定指示。或者,如果用户不与精化的搜索结果进行交互,或者搜索完全不相关,则表明缺乏兴趣。如果搜索或精化搜索要求更多有关朱莉娅·摩根的信息,则该选择可能表明精化的搜索结果不足或不理想。
然而,在某些情况下,指示比肯定或否定更为复杂。因而,如果查看精化的搜索结果的用户选择了解更多关于朱莉娅·摩根的生活、到她的博物馆的方向或她写的书的信息,则这可能部分表示肯定或否定指示。可以认为它是肯定的,因为它引起了更多的兴趣,因而它可能是理想且有用的精化的搜索结果。也可以看成是否定的,因为精化的搜索结果提供的信息被用户认为是不够的,否则他或她将不会选择了解不同于搜索的一些内容(通常是通过另一个搜索或更新的搜索以寻找不同内容,而非深入同一主题)。通过对用户动作和所选搜索标准的这种分析,机器学习组件114能够改进将来的搜索。
在606,基于所选搜索标准、多个搜索标准以及针对精化的搜索结果的肯定或否定指示来改变搜索引擎。如上所述,指示能够部分是肯定和否定的,或者仅是复杂的,并且虽然复杂但是可用。因而,如果指示是针对后续搜索或进一步精化搜索,则机器学习组件114可以改变搜索引擎112,使得将来的搜索添加来自进一步精化搜索的一些信息,并指示精化搜索是肯定的,因而,应为所选搜索标准指配较高的原始搜索可信度。
如图1中所示,搜索引擎112和机器学习组件114可以位于用户操作的本地设备(计算设备102)或远程计算设备118上,或对其进行操作。因而,被改变的搜索引擎112可以是远程的、本地的或两者。这些改变可以是通用的,由此通常应用于搜索引擎112,或者是特定于做出选择的用户。
在608,利用改变的搜索引擎执行新搜索。在机器学习组件114对搜索引擎212进行更改的情况下,至少在某些情况下,搜索引擎212的行为与改变之前的行为不同。在此,新搜索的执行与更改搜索引擎之前的执行不同。基于对搜索标准(或其它未选择的搜索标准)的选择、精化的搜索结果以及那些精化的搜索结果被用户如何评价的指示,能够将这种改变反映为对搜索标准的提高置信度或降低置信度。如上所述,所选搜索标准的影响不需要像指配置信度那样简单,因为搜索引擎通常会考虑复杂的关系,而当通过技术改变时,情况往往会如此。
作为示例,参考图7,其示出了方法600的操作以及方法200的部分起作用并相互作用的一种示例方式。在此,将图1的示例环境100的元素描述为参与者,尽管这不是必需的。图7示出了具有显示器128以及呼叫界面702的计算设备102(在此为智能电话102-1)。该呼叫界面702示出了正在进行的与被称为HealthCo(保险公司)的公司的通话。
在602之前,诸如方法200的操作202和204,搜索管理器108确定并使用搜索标准以提供搜索结果704。这里,用户未明确输入搜索项。相反,搜索管理器108确定搜索标准是呼叫本身、呼叫实体(用户)以及被叫实体,名为HealthCo。基于这些搜索标准,搜索管理器108在本地和非本地执行搜索,在这种情况下,前两个结果来自用户的本地来源(她的电子邮件),在其中找到了索赔编号,然后是她的电子钱包,其中可以找到她的会员编号。因而,搜索管理器108呈现搜索结果704,其具有来自两个不同应用程序的两组不同数据,分别以第一结果706和第二结果708示出。搜索管理器108还为了用户方便提供搜索字段710。
类似于图2至图5中所述的示例,参考图8,图8示出了用于搜索标准的可选择控件,这里包括与用户的先前动作有关的六个搜索标准和基于那些动作找到的搜索标准。因而,呼叫是先前动作,用户的身份是背景,被叫实体是先前动作,而莎拉·李的丈夫和两位父母是确定为相关且在搜索中使用但重要性较低的搜索标准。这些控件显示在802-1、802-2、802-3、802-4、802-5和802-6处,它们分别对应于呼叫本身(与phone控件一起显示)、被叫实体,名为HealthCo,呼叫者实体Sarah Lee、她的丈夫、母亲和父亲。尽管没有要求,但是能够自动呈现最终的三个搜索标准,或者响应于轻击或触摸搜索字段710进行选择而呈现,因为与搜索字段710的交互可能指示用户期望比立即显示的那些相关性低的搜索标准。
搜索界面116在操作602处接收到对多个搜索标准之一的选择。所选择的搜索标准是莎拉·李的母亲苏,具有可选择控件802-6。因而,在响应中,精化搜索提供了苏的会员编号和与苏而非莎拉相关联的索赔编号,其在图9中的精化的搜索结果902处示出。精化的搜索结果902在精化的结果904处示出了苏的会员编号,在精化的结果906处示出了苏的索赔编号。这都能够在通话期间执行,允许用户可以容易地与具有相关信息的实体进行通话。更进一步,在操作604,通过接收到精化的搜索结果是正确的可听指示(例如,听见用户复述苏的会员编号和索赔编号),假设搜索界面116接收到肯定指示。
结束示例,在606,机器学习组件114改变搜索引擎112以至少在用户呼叫健康相关公司时为算法增加更大的置信度,或否则增加算法的值。这种改变增加了在用户呼叫健康相关公司时呈现将来用户的父母数据的可能性。
在某些情况下,如图1中所示,搜索引擎112远离计算设备102,而是全部或部分在远程设备118上运行。在这种情况下,计算设备102和远程设备118使用网络接口124和网络126进行通信。在方法200和600的背景下,在远程设备118处远程执行搜索结果和精化的搜索结果的确定。在这种情况下,远程设备118从计算设备102接收信息,诸如搜索标准或所选搜索标准,并在响应中分别提供搜索结果或修改的搜索结果。这些结果由计算设备102提供以向用户显示。能够由远程计算设备118从计算设备102接收肯定或否定指示,之后能够由机器学习组件114来改变搜索引擎112。在针对特定用户而非全部或几乎全部用户(例如,通过因特网从搜索引擎提供商请求搜索的那些用户)不同地改变搜索引擎112的情况下,通过将差异与特定用户或特定用户设备(这里是计算设备102)相关联,能够在计算设备102上本地反映或远程反映该差异。
前面的讨论描述了与通过机器学习进行精化搜索有关的方法。这些方法的各方面可以通过硬件(例如,固定逻辑电路)、固件、软件、手动处理或其任意组合来实现。这些技术可以实现在图1和图10中所示的一个或多个实体上(在下面的图10中描述电子设备1000),这些实体可以进一步划分、组合等等。因而,这些图示出了能够采用所述技术的许多可能的系统或设备中的一些。这些图的实体通常代表软件、固件、硬件、整个设备或网络或其组合。
示例电子设备
图10示出了示例电子设备1000(设备1000)的各种组件,设备1000能够被实现为参考先前的图1至图9所述的任何类型的客户端、服务器和/或计算设备,以通过机器学习来实现精化搜索。
设备1000包括通信设备1002,通信设备1002使得能够进行设备数据1004(例如,接收到的数据、正在接收的数据、为广播而调度的数据、数据的数据分组等)的有线和/或无线通信。设备数据1004或其它设备内容能够包括设备的配置设置、存储在设备上的媒体内容和/或与设备的用户相关联的信息(例如,执行动作的参与者的身份)。存储在设备1000上的媒体内容能够包括任何类型的音频、视频和/或图像数据。设备1000包括一个或多个数据输入端1006,通过数据输入端1006,能够接收任何类型的数据、媒体内容和/或输入,诸如人的话语、与雷达或其它传感器场的交互、用户可选择的输入(显式或隐式)、消息、音乐、电视媒体内容、录制的视频内容以及从任何内容和/或数据源接收到的任何其它类型的音频、视频和/或图像数据。
设备1000还包括通信接口1008,其能够被实现为串行和/或并行接口、无线接口、任何类型的网络接口、调制解调器以及任何其它类型的通信接口中的任何一个或多个。通信接口1008提供设备1000与通信网络之间的连接和/或通信链路,其它电子、计算和通信设备通过该连接和/或通信链路与设备1000进行数据通信。
设备1000包括一个或多个处理器1010(例如,微处理器、控制器等中的任何一种),其处理各种计算机可执行指令以提供计算机实现的方法来控制设备1000的操作,并且支持用于或能够体现通过机器学习进行精化搜索的技术。可替选地或另外,设备1000能够利用与在1012处一般地标识的处理和控制电路相关地实现的硬件、固件或固定逻辑电路的任何一种或组合来实现。虽然未示出,但是设备1000能够包括耦合设备内各个组件的系统总线或数据传输系统。系统总线能够包括不同总线结构中的任何一种或组合,诸如存储器总线或存储器控制器、外围总线、通用串行总线和/或利用多种总线体系结构中的任何一种的处理器或本地总线。
设备1000还包括计算机可读介质1014,诸如能够进行持久性和/或非暂时性数据存储(即,与仅进行信号传输相反)的一个或多个存储器设备,其示例包括随机存取存储器(RAM)、非易失性存储器(例如,只读存储器(ROM)、闪存、EPROM、EEPROM等中的任何一种或多种)以及磁盘存储设备。磁盘存储设备可以被实现为任何类型的磁性或光学存储设备,诸如硬盘驱动器、可记录和/或可覆写光盘(CD)、任何类型的数字多功能光盘(DVD)等。设备1000还能够包括大容量存储介质设备(存储介质)1016。
计算机可读介质1014提供数据存储机制以存储设备数据1004和各种设备应用程序1018以及与设备1000的操作方面有关的任何其它类型的信息和/或数据。例如,操作系统1020能够利用计算机可读介质1014被保持为计算机应用程序,并且在处理器1010上被执行。设备应用程序1018可包括设备管理器,诸如任何形式的控制应用程序、软件应用程序、信号处理和控制模块,特定设备固有的代码、特定设备的硬件抽象层等等。设备应用程序1018还包括系统组件、引擎或管理器,以通过机器学习来实现精化搜索,诸如搜索管理器108、搜索引擎112、机器学习组件114以及搜索界面116。
除了以上描述之外,还可以向用户提供控件,以允许用户对本文所述的系统、程序或特征是否及何时能够进行用户信息(例如,关于用户的搜索选择、搜索精化化、社交网络、社交动作或活动、职业、用户偏好或用户的当前位置的信息)的收集,以及是否从服务器向用户发送了内容或通信两者进行选举。另外,在存储或使用某些数据之前,可以通过一种或多种方式处理这些数据,以便删除个人身份信息。例如,可以处理用户的身份,以便无法确定该用户的任何个人身份信息,或者可以在获得位置信息的情况下将用户的地理位置概括化(诸如概括为城市、邮政编码或州级别),以便无法确定用户的特定位置。因而,用户可控制收集用户的哪些信息,如何使用该信息以及向用户提供哪些信息。
总结
尽管已经以特定于特征和/或方法的语言描述了通过机器学习进行精化搜索的技术的各个方面,但是应理解,所附权利要求的主题不必限于所述的特定特征或方法。相反,将特定特征和方法公开为通过机器学习执行精化搜索的方式的示例实现。
Claims (20)
1.一种计算机实现的方法,包括:
基于多个搜索标准来确定搜索结果;
呈现所述搜索结果;
呈现与用于确定所述结果的所述多个搜索标准相关联的可选项;
接收对所述可选项中的一个可选项的选择;
响应于接收到所选项,确定精化的搜索结果,所述精化的搜索结果基于与所选项相关联的搜索标准和所述多个搜索标准中的至少另一个搜索标准;以及
呈现所述精化的搜索结果。
2.根据权利要求1所述的计算机实现的方法,其中,所述可选项与所述多个搜索标准中的较低置信度搜索标准相关联,所述较低置信度搜索标准比所述多个搜索标准中的至少另一个搜索标准具有更低的置信度。
3.根据权利要求1或权利要求2所述的计算机实现的方法,还包括基于对所选项的选择来改变搜索引擎。
4.根据权利要求3所述的计算机实现的方法,其中,改变所述搜索引擎还基于与所述精化的搜索结果相关联的肯定或否定指示。
5.根据上述权利要求中的任一项所述的计算机实现的方法,其中,确定所述搜索结果向所述多个搜索标准指配不同的置信度,并且呈现所述可选项呈现与被指配了不同的置信度的那些所述搜索标准相关联的所述可选项,并且其中,确定所述精化的搜索结果向与用于确定所述精化的搜索结果的所选项相关联的搜索标准比向用于确定所述搜索结果的所选项相关联的搜索标准指配更高的置信度。
6.根据上述权利要求中的任一项所述的计算机实现的方法,其中,至少一个所述搜索标准是来自基于文本的文档的文本,并且其中,呈现所述可选项高亮并使所述基于文本的文档中的文本独立地可选择。
7.根据上述权利要求中的任一项所述的计算机实现的方法,其中,呈现所述可选项对与所述可选项相关联的所述多个搜索标准中的每个搜索标准都呈现置信度的可视表示。
8.根据上述权利要求中的任一项所述的计算机实现的方法,其中,接收对所选项的选择基于在所选项上做出的轻敲手势来接收所述选择。
9.根据上述权利要求中的任一项所述的计算机实现的方法,还包括确定多个其它精化的搜索结果,并响应于所选项的置信度的移动或其它连续调整而实时地呈现多个其它精化的搜索结果,所述移动或其它连续调整通过对所述可选项的用户选择来接收的。
10.一种计算机实现的方法,包括:
接收对多个搜索标准中的一个搜索标准的选择,所述多个搜索标准先前用于使用搜索引擎来生成搜索结果,所述搜索结果是先前或同时通过接收到对所述多个搜索标准中的一个搜索标准的选择的设备来提供的;
接收针对精化的搜索结果的肯定或否定指示,所述精化的搜索结果是基于所选择的搜索标准生成的,所述精化的搜索结果是先前或同时通过确定所述精化的搜索结果的肯定或否定指示的所述设备提供的;以及
基于所选择的搜索标准、所述多个搜索标准以及针对所述精化的搜索结果的所述肯定或否定指示来改变所述搜索引擎。
11.根据权利要求10所述的计算机实现的方法,还包括在接收选择之前,作为可选控件呈现所述多个搜索标准,所述可选控件中的至少一个可选控件表示用作所述搜索标准中的一个搜索标准的先前动作,并且其中所述选择是通过对表示所述先前动作的所述可选控件的选择来接收的。
12.根据权利要求10或权利要求11所述的计算机实现的方法,其中,接收所述肯定或否定指示接收所述肯定指示,所述肯定指示基于对所述精化的搜索结果的选择,或者基于所述精化的搜索结果的动作。
13.根据权利要求10至12中的任一项所述的计算机实现的方法,其中,接收所述肯定或否定指示接收所述否定指示,所述否定指示基于对不同搜索标准的选择或新搜索的输入。
14.根据权利要求10至13中的任一项所述的计算机实现的方法,还包括在接收所述选择之前,通过相关联的可选控件以文本格式呈现所述多个搜索标准,并且其中所述选择是通过对所述可选控件中的一个可选控件的选择来接收的。
15.根据权利要求10至14中的任一项所述的计算机实现的方法,其中,改变所述搜索引擎是通过机器学习组件来执行的,所述机器学习组件处于远程设备处,所述远程设备远离接收所述选择的设备。
16.根据权利要求10至15中的任一项所述的计算机实现的方法,其中,对所述多个搜索标准中的一个搜索标准的选择是通过同时地提供所述搜索结果的相同界面来接收的。
17.一种系统,包括:
一个或多个计算机处理器;以及
一个或多个计算机可读介质,所述一个或多个计算机可读介质上存储有指令,所述指令响应于被所述一个或多个计算机处理器执行而执行操作,所述操作包括:
使用搜索引擎并基于多个搜索标准来确定搜索结果;
将所述搜索结果提供给用户设备以显示在所述用户设备上;
从所述用户设备接收对所述多个搜索标准中的一个搜索标准的选择,以利用其执行修改的搜索;
响应于接收到所选择的搜索标准,使用所述搜索引擎并基于所选择的搜索标准和所述多个搜索标准中的一个或多个其它搜索标准来执行所述修改的搜索从而确定精化的搜索结果;
向所述用户设备提供所述精化的搜索结果以在所述用户设备上显示;
从所述用户设备接收对所述精化的搜索结果的可取性的肯定或否定指示;以及
基于所述肯定或否定指示以及所选择的搜索标准来改变所述搜索引擎,所述改变有效地改变以后基于与所述多个搜索标准相同的搜索标准进行的确定的搜索结果。
18.根据权利要求17所述的系统,其中,改变所述搜索引擎在将来搜索中与所述多个搜索标准中的至少另一个搜索标准一起使用所选择的搜索标准时,改变与所选择的搜索标准相关联的置信度。
19.根据权利要求17所述的系统,其中,所选择的搜索标准是用户动作,所述用户动作用于确定所述搜索结果。
20.根据权利要求17所述的系统,其中,提供所述搜索结果也提供与用于确定所述搜索结果的所述多个搜索标准中的两个或更多个搜索标准相关联的置信度,以有效地使得能够显示与所述多个搜索标准中的两个或更多个搜索标准中的每个相关联的置信度的视觉指示器。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762599603P | 2017-12-15 | 2017-12-15 | |
US62/599,603 | 2017-12-15 | ||
US16/008,021 US11568003B2 (en) | 2017-12-15 | 2018-06-13 | Refined search with machine learning |
US16/008,021 | 2018-06-13 | ||
PCT/US2018/047122 WO2019118011A1 (en) | 2017-12-15 | 2018-08-20 | Refined search with machine learning |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110622158A true CN110622158A (zh) | 2019-12-27 |
CN110622158B CN110622158B (zh) | 2024-05-07 |
Family
ID=66816070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880028968.1A Active CN110622158B (zh) | 2017-12-15 | 2018-08-20 | 通过机器学习进行精化搜索 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11568003B2 (zh) |
EP (1) | EP3602322A1 (zh) |
CN (1) | CN110622158B (zh) |
WO (1) | WO2019118011A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783013B2 (en) | 2017-12-15 | 2020-09-22 | Google Llc | Task-related sorting, application discovery, and unified bookmarking for application managers |
US11568003B2 (en) * | 2017-12-15 | 2023-01-31 | Google Llc | Refined search with machine learning |
US10846109B2 (en) | 2017-12-20 | 2020-11-24 | Google Llc | Suggesting actions based on machine learning |
US20230177216A1 (en) * | 2021-12-03 | 2023-06-08 | International Business Machines Corporation | Verification of authenticity of documents based on search of segment signatures thereof |
US11741103B1 (en) * | 2022-03-14 | 2023-08-29 | Optum Services (Ireland) Limited | Database management systems using query-compliant hashing techniques |
US11734281B1 (en) * | 2022-03-14 | 2023-08-22 | Optum Services (Ireland) Limited | Database management systems using query-compliant hashing techniques |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1758248A (zh) * | 2004-10-05 | 2006-04-12 | 微软公司 | 用于提供个性化搜索和信息访问的系统、方法和接口 |
US20090144262A1 (en) * | 2007-12-04 | 2009-06-04 | Microsoft Corporation | Search query transformation using direct manipulation |
US7801885B1 (en) * | 2007-01-25 | 2010-09-21 | Neal Akash Verma | Search engine system and method with user feedback on search results |
US20110295847A1 (en) * | 2010-06-01 | 2011-12-01 | Microsoft Corporation | Concept interface for search engines |
CN102968480A (zh) * | 2011-11-17 | 2013-03-13 | 微软公司 | 浏览器工具栏中的查询精化 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7503012B2 (en) | 2004-01-13 | 2009-03-10 | International Business Machines Corporation | Invoking user designated actions based upon selected computer content |
US7599918B2 (en) * | 2005-12-29 | 2009-10-06 | Microsoft Corporation | Dynamic search with implicit user intention mining |
US8520000B2 (en) | 2008-07-02 | 2013-08-27 | Icharts, Inc. | Creation, sharing and embedding of interactive charts |
US8707198B2 (en) | 2010-06-04 | 2014-04-22 | Microsoft Corporation | Related tasks and tasklets for search |
US9251185B2 (en) * | 2010-12-15 | 2016-02-02 | Girish Kumar | Classifying results of search queries |
US20120159395A1 (en) | 2010-12-20 | 2012-06-21 | Microsoft Corporation | Application-launching interface for multiple modes |
US20130218836A1 (en) | 2012-02-22 | 2013-08-22 | Microsoft Corporation | Deep Linking From Task List Based on Intent |
US9560305B2 (en) * | 2012-05-31 | 2017-01-31 | At&T Intellectual Property I, L.P. | Notification of upcoming media content of interest |
US9342567B2 (en) * | 2013-08-23 | 2016-05-17 | International Business Machines Corporation | Control for persistent search results and iterative searching |
US20150074101A1 (en) * | 2013-09-10 | 2015-03-12 | Microsoft Corporation | Smart search refinement |
US20150128058A1 (en) | 2013-11-05 | 2015-05-07 | Avaya Inc. | System and method for predictive actions based on user communication patterns |
US9684546B2 (en) | 2014-12-16 | 2017-06-20 | Microsoft Technology Licensing, Llc | Job scheduling and monitoring in a distributed computing environment |
US10200824B2 (en) | 2015-05-27 | 2019-02-05 | Apple Inc. | Systems and methods for proactively identifying and surfacing relevant content on a touch-sensitive device |
US20170099250A1 (en) | 2015-10-02 | 2017-04-06 | Facebook, Inc. | Predicting and facilitating increased use of a messaging application |
US10013783B1 (en) | 2016-04-19 | 2018-07-03 | Polaris Wireless, Inc. | System and method for graphical representation of spatial data |
CN108713205B (zh) | 2016-08-22 | 2022-11-11 | 甲骨文国际公司 | 用于自动映射与数据流环境一起使用的数据类型的系统和方法 |
US20180060982A1 (en) * | 2016-09-01 | 2018-03-01 | Eric Milles | Legal research recommendation system |
US10467509B2 (en) | 2017-02-14 | 2019-11-05 | Microsoft Technology Licensing, Llc | Computationally-efficient human-identifying smart assistant computer |
US10360733B2 (en) | 2017-06-20 | 2019-07-23 | Bank Of America Corporation | System controlled augmented resource facility |
US10783013B2 (en) | 2017-12-15 | 2020-09-22 | Google Llc | Task-related sorting, application discovery, and unified bookmarking for application managers |
US11568003B2 (en) * | 2017-12-15 | 2023-01-31 | Google Llc | Refined search with machine learning |
US10846109B2 (en) | 2017-12-20 | 2020-11-24 | Google Llc | Suggesting actions based on machine learning |
-
2018
- 2018-06-13 US US16/008,021 patent/US11568003B2/en active Active
- 2018-08-20 EP EP18773890.1A patent/EP3602322A1/en active Pending
- 2018-08-20 CN CN201880028968.1A patent/CN110622158B/zh active Active
- 2018-08-20 WO PCT/US2018/047122 patent/WO2019118011A1/en unknown
-
2022
- 2022-12-21 US US18/069,605 patent/US20230121138A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1758248A (zh) * | 2004-10-05 | 2006-04-12 | 微软公司 | 用于提供个性化搜索和信息访问的系统、方法和接口 |
US7801885B1 (en) * | 2007-01-25 | 2010-09-21 | Neal Akash Verma | Search engine system and method with user feedback on search results |
US20090144262A1 (en) * | 2007-12-04 | 2009-06-04 | Microsoft Corporation | Search query transformation using direct manipulation |
US20110295847A1 (en) * | 2010-06-01 | 2011-12-01 | Microsoft Corporation | Concept interface for search engines |
CN102968480A (zh) * | 2011-11-17 | 2013-03-13 | 微软公司 | 浏览器工具栏中的查询精化 |
Also Published As
Publication number | Publication date |
---|---|
WO2019118011A1 (en) | 2019-06-20 |
EP3602322A1 (en) | 2020-02-05 |
US20230121138A1 (en) | 2023-04-20 |
US11568003B2 (en) | 2023-01-31 |
CN110622158B (zh) | 2024-05-07 |
US20190188322A1 (en) | 2019-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110622158B (zh) | 通过机器学习进行精化搜索 | |
US10521189B1 (en) | Voice assistant with user data context | |
Coelho et al. | A literature survey on older adults' use of social network services and social applications | |
US8620935B2 (en) | Personalizing an online service based on data collected for a user of a computing device | |
US11429402B2 (en) | Multi-user configuration | |
CN112262381A (zh) | 汇编和评估对隐私问题的自动助理响应 | |
CN115437505A (zh) | 注意力感知虚拟助理清除 | |
US20170353414A1 (en) | Methods and Systems for Displaying Messages in an Asynchronous Order | |
CN109076083B (zh) | 促进数字个人助理之间的交互 | |
US20140136995A1 (en) | Event Notification | |
AU2017201571A1 (en) | Image presentation | |
US11749278B2 (en) | Recommending automated assistant action for inclusion in automated assistant routine | |
AU2013345254A1 (en) | Image panning and zooming effect | |
WO2019125503A1 (en) | Methods and systems for responding to inquiries based on social graph information | |
AU2014244601B2 (en) | Modifying content of components in a user interface | |
Niemantsverdriet et al. | Designing for awareness in interactions with shared systems: the DASS framework | |
Morgan et al. | My partner’s media use: A qualitative study exploring perceptions of problems with a partner’s media use | |
Namara et al. | The potential for user-tailored privacy on facebook | |
Wang | Parent–child role reversal in ICT domestication: media brokering activities and emotional labours of Chinese “study mothers” in Singapore | |
US20210406736A1 (en) | System and method of content recommendation | |
US20120278078A1 (en) | Input and displayed information definition based on automatic speech recognition during a communication session | |
EP3502927A1 (en) | Methods and systems for responding to inquiries based on social graph information | |
CN112352223A (zh) | 用于输入建议的方法和系统 | |
US20140115065A1 (en) | Guiding a presenter in a collaborative session on word choice | |
Platt et al. | Should I text or should I call?: How college students navigate mediated connections with family |
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 |