CN111353075A - 信息处理装置、记录媒体及信息处理方法 - Google Patents

信息处理装置、记录媒体及信息处理方法 Download PDF

Info

Publication number
CN111353075A
CN111353075A CN201910468114.1A CN201910468114A CN111353075A CN 111353075 A CN111353075 A CN 111353075A CN 201910468114 A CN201910468114 A CN 201910468114A CN 111353075 A CN111353075 A CN 111353075A
Authority
CN
China
Prior art keywords
search
behavior
group
correlation
search behavior
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
Application number
CN201910468114.1A
Other languages
English (en)
Inventor
尾崎良太
宇野渉
加藤典司
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.)
Fujifilm Business Innovation Corp
Original Assignee
Fuji Xerox Co Ltd
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 Fuji Xerox Co Ltd filed Critical Fuji Xerox Co Ltd
Publication of CN111353075A publication Critical patent/CN111353075A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • 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
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/903—Querying
    • G06F16/9038—Presentation of query results
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种信息处理装置、记录媒体及信息处理方法，所述信息处理装置具有：组生成单元，根据按照时序而产生的各检索行为的产生时间，生成包含多个检索行为的检索行为组；及确定单元，根据各检索行为组之间的组相关性，确定同一检索活动中所包含的检索行为。

Description

信息处理装置、记录媒体及信息处理方法
技术领域
本发明涉及一种信息处理装置、记录媒体及信息处理方法。
背景技术
有时提取为了检索信息而产生的一系列的检索行为(例如，直至检索到目标信息为止产生的一系列的检索行为、直至用户的检索意图改变为止产生的一系列的检索行为等)作为检索活动，并分析该检索活动，从而推荐检索方法等。
专利文献1中记载有如下装置：将检索时所使用的关键词和与从使用该关键词检索到的检索结果中选择的多个对象有关的信息建立关联，并作为检索履历信息而存储在存储部，根据存储在存储部的检索履历信息而计算与关键词对应的多个对象之间的相似性，由该相似性来判定关键词的模糊性。
专利文献2中记载有一种服务器，其通过求出在查询检索中用户选择的网页所涉及的信息(标题及摘要)与检索到的查询的相关性而提出推荐查询。
专利文献1：日本特开2017-146926号公报
专利文献2：日本特开2009-169541号公报
发明内容
本发明的目的在于在提取为了检索目标信息而产生的各检索行为作为同一检索活动的情况下，与仅使用检索行为之间的相关性的情况相比，更准确地确定同一检索活动中所包含的检索行为。
方案1所涉及的发明为信息处理装置，其具有：组生成单元，根据按照时序而产生的各检索行为的产生时间，生成包含多个检索行为的检索行为组；及确定单元，根据各检索行为组之间的组相关性，确定同一检索活动中所包含的检索行为。
方案2所涉及的发明为方案1所述的信息处理装置，其特征在于，所述组生成单元生成包含以成为基准的检索行为的产生时间为基准在预先确定的时间范围内产生的一个或多个检索行为的检索行为组，并与进行了成为所述基准的检索行为的用户的检索能力对应地变更所述时间范围。
方案3所涉及的发明为方案2所述的信息处理装置，其特征在于，所述检索能力越高，所述组生成单元使所述时间范围越窄。
方案4所涉及的发明为方案1所述的信息处理装置，其特征在于，检索行为包含检索用查询和检索结果，所述组生成单元生成包含以成为基准的检索行为的产生时间为基准在预先确定的时间范围内产生的一个或多个检索行为的检索行为组，并与成为所述基准的检索行为中所包含的查询与检索结果之间的相关性对应地变更所述时间范围。
方案5所涉及的发明为方案4所述的信息处理装置，其特征在于，所述相关性越高，所述组生成单元使所述时间范围越窄。
方案6所涉及的发明为方案1至方案5中任一项所述的信息处理装置，其特征在于，所述确定单元根据基于所述组相关性确定的整合相关性与阈值的比较结果而确定同一检索活动中包含的检索行为，并与进行了检索行为的用户的检索能力对应地变更所述阈值。
方案7所涉及的发明为方案6所述的信息处理装置，其特征在于，所述确定单元将所述整合相关性成为所述阈值以上的多个检索行为的组合确定为同一检索活动中所包含的检索行为，所述检索能力越高，将所述阈值设定为越高的值。
方案8所涉及的发明为方案6或方案7所述的信息处理装置，其特征在于，所述整合相关性根据各检索行为之间的行为相关性和所述组相关性而确定。
方案9所涉及的发明为记录媒体，其记录有使计算机作为如下单元而发挥功能的程序：组生成单元，根据按照时序而产生的各检索行为的产生时间，生成包含多个检索行为的检索行为组；及确定单元，根据各检索行为组之间的组相关性，确定同一检索活动中所包含的检索行为。
方案10所涉及的发明为信息处理方法，其包括如下步骤：组生成步骤，根据按照时序而产生的各检索行为的产生时间，生成包含多个检索行为的检索行为组；及确定步骤，根据各检索行为组之间的组相关性，确定同一检索活动中所包含的检索行为。
发明效果
根据本发明的第1、8、9、10方案，在提取为了检索目标信息而产生的各检索行为作为同一检索活动的情况下，与仅使用检索行为之间的相关性的情况相比，能够更准确地确定同一检索活动中所包含的检索行为。
根据本发明的第2方案，能够生成与用户的检索能力对应的检索行为组。
根据本发明的第3方案，无论用户的检索能力如何，与将时间范围设为恒定的情况相比，排除可成为干扰的检索行为而能够生成检索行为组。
根据本发明的第4方案，能够生成与查询与检索结果之间的相关性对应的检索行为组。
根据本发明的第5方案，无论检索行为与检索结果之间的相关性如何，与使时间范围恒定的情况相比，排除可成为干扰的检索行为而能够生成检索行为组。
根据本发明的第6方案，按照与用户的检索能力对应的判定基准，能够确定同一检索活动中所包含的检索行为。
根据本发明的第7方案，无论用户的检索能力如何，与将阈值设为恒定的情况相比，同一检索活动中所包含的检索行为的确定精度变高。
附图说明
根据以下附图，对本发明的实施方式进行详细叙述。
图1是表示本实施方式所涉及的信息处理系统的结构的框图；
图2是表示本实施方式所涉及的信息处理装置的结构的框图；
图3是表示本实施方式所涉及的处理部的结构的框图；
图4是表示与运算行为相关性的识别器的学习处理有关的流程图的图；
图5是表示与基于本实施方式所涉及的信息处理装置的处理有关的流程图的图；
图6是表示检索行为列表的图；
图7是表示扩展检索行为组的图；
图8是表示行为相关性的图；
图9是表示扩展检索行为组的图；
图10是表示行为相关性的图；
图11是表示分析信息的图。
符号说明
10-信息处理装置，20-处理部，24-检索行为信息获取部，26-检索履历信息保存部，28-分析信息生成部，30-检索行为相关性运算部，32-扩展检索行为组生成部，34-组相关性运算部，36-整合相关性运算部，38-判定部。
具体实施方式
参考图1对本发明的实施方式所涉及的信息处理系统进行说明。图1表示本实施方式所涉及的信息处理系统的一例。
本实施方式所涉及的信息处理系统包括信息处理装置10和一个或多个终端装置12。图1中示出一个终端装置12，但多个终端装置12也可以包括在信息处理系统中。信息处理装置10及终端装置12例如具有经由通信路径N而彼此进行通信的功能。通信路径N例如为互联网或其他网络(例如LAN等)等。当然，信息处理装置10及终端装置12可以不经由通信路径N而直接与其他装置进行通信。并且，服务器等装置可以包括在信息处理系统中。
信息处理装置10构成为获取表示为了检索信息而产生的检索行为的信息，并确定同一检索活动中所包含的检索行为。以下，将表示检索行为的信息称作“检索行为信息”。成为检索对象的信息是文档数据、文本数据、图像数据(静态图像数据、动态图像数据)、网页及语音数据等。当然，也可以检索除此以外的信息。并且，成为检索对象的信息可以是存储在数据库中的信息，也可以是存储在网页服务器、文件服务器或云上的信息，也可以是存储在用户利用的终端装置12等中的信息，也可以是存储在其他存储器中的信息。
终端装置12是PC(个人计算机)、平板PC、智能手机或移动电话等，例如，在信息检索时通过用户而被利用。
另外，用户可以使用信息处理装置10来检索信息。并且，可以在信息处理装置10中组装有终端装置12。
以下，参考图2对信息处理装置10的结构详细地进行说明。图2表示信息处理装置10的结构的一例。
通信部14是通信接口，具有将信息发送到其他装置的功能、以及接收从其他装置发送过来的信息的功能。通信部14可以具有无线通信功能，也可以具有有线通信功能。
存储部16是存储各种信息的一个或多个存储区域。各存储区域可以定义为设置在信息处理装置10中的一个或多个存储装置(例如硬盘驱动器或存储器等物理驱动器)，也可以定义为设定在一个或多个存储装置中的逻辑分区或逻辑驱动器。
UI部18是用户界面，包括显示部和操作部。显示部例如是液晶显示器或EL显示器等显示装置。操作部是键盘或鼠标等输入装置。兼具显示部和操作部的用户界面(例如触摸面板等)可以用作UI部18。另外，信息处理装置10可以不具备UI部18。
处理部20构成为获取检索行为信息，并确定同一检索活动中所包含的检索行为。关于处理部20的详细内容，参考图3将在后面进行说明。
控制部22构成为控制信息处理装置10的各部的动作。
以下，参考图3对处理部20的结构详细地进行说明。图3表示处理部20的结构的一例。
检索行为信息获取部24构成为获取检索行为信息。检索行为信息获取部24例如可以从进行了检索的数据库、网页服务器、文件服务器或云等获取检索行为信息，也可以从检索中使用的终端装置12获取检索行为信息。检索行为信息获取部24可以在每次通过用户进行检索时获取检索行为信息，也可以每隔预先确定的时间统一获取检索行为信息。
在检索行为概念的范围中，例如，包括用户使用查询等来命令检索的行为及输出检索结果(例如显示)的处理。例如，在用户使用某一个查询来命令检索，该检索结果被显示，用户浏览了该检索结果的情况下，该一系列的行为或处理构成一个检索行为。在用户还使用另一个查询来命令检索，该检索结果被显示，用户浏览了该检索结果的情况下，该一系列的行为或处理构成另一个检索行为。
检索行为信息例如包括表示检索中使用的查询的信息、表示检索结果的信息、表示与检索有关的时间的信息、与检索中使用的网络浏览器的标签有关的信息及表示查询与检索结果之间的相关性的信息等。其中，至少一个信息可以包括在检索行为信息中。除此以外的信息且与检索有关的信息可以包括在检索行为信息中。并且，检索行为信息包括用于识别进行了检索的用户的用户识别信息(例如用户名或用户ID等)。代替用户识别信息或者与用户识别信息一同，装置识别信息(例如装置名称或MAC地址或IP地址等)可以包括在检索行为信息中，以识别检索中使用的装置(例如终端装置12)。网络浏览器的标签是用于切换网页而显示的用户界面。
查询例如是用户为了检索而输入的关键词或用户所选择的检索条件(例如AND检索或OR检索等检索式等)等。检索结果例如是通过检索而得到的记载于网页或文档数据等中的内容、摘要、标题等。除此以外，通过检索而得到的图像数据或语音数据等也可以包括在表示检索结果的信息中。与检索有关的时间例如为进行了检索的时间(例如日期和时间)、访问检索结果的时间(例如日期和时间)、用户浏览了检索结果的时间(例如日期和时间、用户浏览了检索结果的时间长度等)等。浏览时间例如为显示检索结果的时间(例如日期和时间、显示检索结果的时间长度等)。与标签有关的信息例如为用户在网络浏览器中创建标签的时间(例如日期和时间)、关闭标签的时间(例如日期和时间)、用于识别标签的标签识别信息(例如标签ID)等。查询与检索结果之间的相关性例如为检索结果中所包含的标题或摘录或内容与查询之间的相似性、检索结果彼此的相似性等。另外，这些相似性例如在检索行为信息的获取源即数据库、网页服务器、文件服务器、云及终端装置12等中被运算。检索行为信息获取部24可以运算这些相似性。
检索履历信息保存部26构成为获取表示进行了各检索时的检索履历的信息(以下，称作“检索履历信息”)并保存于存储部16。检索履历信息保存部26例如可以从进行了检索的数据库、网页服务器、文件服务器或云等中获取检索履历信息，也可以从检索中使用的终端装置12中获取检索履历信息。检索履历信息保存部26可以在每次通过用户而进行检索时获取检索履历信息，也可以每隔预先确定的时间统一获取检索履历信息。
并且，检索履历信息保存部26构成为将检索行为信息保存于存储部16。检索履历信息可以包含于检索行为信息中。该情况下，检索履历信息保存部26从检索行为信息获取部24中获取检索履历信息。
检索履历信息例如包括用户打开了各浏览页面时的标签信息(从新页面或其他页面移动)、表示各检索中的浏览页面数的信息、表示在各检索中用户所浏览的页面的排行的信息、表示检索中使用的查询的信息、表示用户所浏览的页面的信息、表示检索中所需时间的信息、及表示用户所浏览的检索结果的时间的信息等。其中，至少一个信息可以包括在检索履历信息中。除此以外的信息且与检索履历有关的信息可以包括在检索履历信息中。并且，检索履历信息包括用于识别进行了检索的用户的用户识别信息。代替用户识别信息或者与用户识别信息一同，用于识别使用于检索的装置的装置识别信息可以包括在检索行为信息中。
分析信息生成部28构成为根据保存在存储部16中的各用户的检索履历信息而生成表示每一个用户的检索特性的分析信息。分析信息生成部28可以针对多个用户所属的组织等的每个组生成分析信息。分析信息例如包括表示多任务程度的信息、表示检索速度的信息、表示浏览时间的信息、表示浏览速度的信息及表示兴趣领域的信息等。其中，至少一个信息可以包括在分析信息中。
多任务程度根据检索时同时使用的标签的数量(同时打开的标签的数量)或多个标签之间的切换次数等而被运算。作为一例，多任务程度是对预先确定的时间内(例如n分钟)同时打开的标签的数量乘以标签的切换次数而得到的值。检索速度根据各检索的时间间隔而被运算。作为一例，检索速度是各检索行为之间的平均时间间隔。浏览时间根据在各检索中用户浏览了网页、文档、图像等各信息的时间长度而被运算。浏览速度例如是网页、文档、图像等各信息的平均浏览时间。兴趣领域例如根据使用于检索的查询、用户所浏览的页面等而被确定。作为一例，兴趣领域通过用户所浏览的网页、文档、图像等信息中所包含的单词或查询中所包含的单词等而被确定。这些运算或确定处理通过分析信息生成部28而进行。
分析信息表示多任务程度、检索速度、浏览时间等，因此可以说表示用户的检索能力。即，越是检索速度快的用户，可推测为是越习惯于检索的用户或检索能力高的用户。并且，越是多任务程度高的用户(例如，越是同时使用的标签数量多的用户)，可推测为是越习惯于检索的用户或检索能力高的用户。并且，也可以说分析信息表示用户的检索的个性、特征、嗜好等。
检索行为相关性运算部30构成为从检索行为信息获取部24中获取多个检索行为信息，并运算各检索行为之间的相关性(以下，称作“行为相关性”)。检索行为相关性运算部30例如针对进行了检索的每个用户，或者针对检索中使用的终端装置12等每个装置，运算各检索行为之间的行为相关性。
检索行为相关性运算部30例如根据在各检索行为中使用的查询之间的莱文斯坦距离、查询之间的相似性、编辑字符数或各检索行为中的检索结果之间的相似性(标题、摘录、内容、URL等的相似性)等而运算行为相关性。检索行为相关性运算部30可以通过组合其中多个值而运算行为相关性。并且，可以将这些信息作为输入而使用，通过Deep NeuralNetwork、Random Forest、Adaboost、Gradient Boosting等机械学习方法，并通过预先学习而创建判断各检索行为是否彼此相关的识别器。该识别器的输出值可以用作行为相关性。检索行为相关性运算部30可以获取各用户的分析信息，并根据各用户的分析信息针对每个用户或每个组创建识别器。并且，检索行为相关性运算部30例如根据通过word2vec或seq2vec等方法而创建的特征量来运算查询的相似性或检索结果的相似性。
扩展检索行为组生成部32构成为从检索行为信息获取部24中获取一个或多个检索行为信息，并生成包含该一个或多个检索行为信息表示的一个或多个检索行为的扩展检索行为组。扩展检索行为组生成部32例如针对进行了检索的每个用户或者针对使用于检索的终端装置12等每个装置获取多个检索行为信息，并根据按照时序产生的各检索行为的产生时间而生成包含多个检索行为的检索行为组。检索行为的产生时间例如是进行了检索的时间(例如日期和时间)、访问检索结果的时间(例如日期和时间)、用户浏览了检索结果的时间(例如日期和时间)等。
扩展检索行为组生成部32例如生成包含以成为基准的检索行为的产生时间为基准在预先确定的时间范围内产生的一个或多个检索行为的扩展检索行为组。扩展检索行为组生成部32改变成为基准的检索行为，并针对成为基准的每个检索行为生成扩展检索行为组。该时间范围可以根据预实验等而预先确定，也可以根据用户或管理人员等而变更。例如，在关注某一检索行为的情况下，扩展检索行为组生成部32生成包含以该检索行为的产生时间为基准在上述时间范围内产生的一个或多个检索行为的扩展检索行为组。同样地，扩展检索行为组生成部32生成包含以另一个检索行为的产生为基准在上述时间范围内产生的一个或多个检索行为的扩展检索行为组。
扩展检索行为组生成部32可以从分析信息生成部28中获取分析信息，并与该分析信息表示的用户的检索能力对应地变更上述时间范围。作为另一例，扩展检索行为组生成部32可以与特定的检索行为中所包含的查询与检索结果之间的相关性对应地变更上述时间范围。关于这些处理，将在后面进行详细说明。
组相关性运算部34构成为运算各扩展检索行为组之间的相关性(以下，称作“组相关性”)。组相关性运算部34例如可以运算各扩展检索行为组之间的检索行为的重复率作为组相关性，也可以通过对扩展检索行为组中所包含的各检索行为之间的行为相关性进行与产生时间差对应的加权而运算组相关性。例如，产生时间差越大，权重变得越小。关于组相关性运算的详细内容，将在后面进行详细说明。
整合相关性运算部36构成为运算各检索行为之间的经整合的相关性(以下，称作“整合相关性”)。整合相关性运算部36例如根据各检索行为之间的行为相关性和组相关性而确定各检索行为之间的整合相关性。具体而言，整合相关性运算部36通过对各行为相关性乘以组相关性而运算各检索行为之间的整合相关性。整合相关性运算部36可以以各检索行为之间的产生时间越接近，整合相关性变得越高的方式进行加权，也可以以越是与使用了相同的标签的检索行为有关的整合相关性，整合相关性变得越高的方式进行加权。
判定部38构成为根据组相关性或整合相关性而判定各检索行为是否包括在同一检索活动中。判定部38作为确定同一检索活动中所包含的检索行为的确定单元的一例而发挥功能。
例如，在各扩展检索行为组之间的组相关性成为阈值以上的情况下，判定部38判定为该各扩展检索行为组中所包含的多个检索行为包括在同一检索活动中。作为另一例，在各检索行为之间的整合相关性成为阈值以上的情况下，判定部38可以判定为该各检索行为包括在同一检索活动中。阈值例如可以预先确定，也可以通过用户或管理人员等而变更。判定部38可以从分析信息生成部28中获取分析信息，并与用户的检索能力对应地变更阈值。关于该处理的详细内容，将在后面进行说明。
另外，可以是处理部20设置于终端装置12，并通过终端装置12而执行基于处理部20的处理，也可以是处理部20设置于服务器等装置，并通过该装置而执行基于处理部20的处理。
以下，参考图4对运算行为相关性的识别器的学习处理进行说明。图4表示与该学习处理有关的流程图的一例。
检索行为信息获取部24获取N个用户的检索行为信息(包含检索履历信息)(S01)。检索履历信息保存部26将该检索行为信息保存于存储部16(S02)。分析信息生成部28根据检索履历信息而生成每个用户的分析信息(S03)。检索行为相关性运算部30运算各检索行为中使用的查询之间的莱文斯坦距离、查询之间的相似性、编辑字符数、各检索行为中的检索结果之间的相似性(标题、摘录、内容、URL等的相似性)等，将这些作为特征量并通过学习而创建判断各检索行为是否彼此相关的识别器(S04)。可以使用如此创建的识别器而运算行为相关性。
以下，参考图5对基于本实施方式所涉及的信息处理装置10的处理进行说明。图5表示与该处理有关的流程图。以下，设为提取与用户A的检索行为有关的检索活动。
检索行为信息获取部24获取包含用户A的用户识别信息的多个检索行为信息(包含检索履历信息)(S10)。在此，获取检索行为信息B0～Bc，这些信息构成检索行为信息组B{B0、……、Bc}。
接着，分析信息生成部28根据检索行为信息组B而生成用户A的分析信息DA(S11)。
接着，检索行为相关性运算部30运算检索行为信息组B中所包含的各检索行为之间的行为相关性(S12)。如上所述，作为行为相关性，可以运算查询之间的莱文斯坦距离或相似性等，也可以使用通过学习而创建的识别器。
接着，扩展检索行为组生成部32根据检索行为信息组B而生成扩展检索行为组Ec{Ec1、……、Ec2}(S13)。C1、C2针对每个检索行为而设定。扩展检索行为组生成部32可以根据用户A的分析信息而变更生成扩展检索行为组时使用的时间范围。
接着，组相关性运算部34运算各扩展检索行为组之间的组相关性(S14)。
接着，整合相关性运算部36根据各检索行为之间的行为相关性和组相关性而运算整合相关性(S15)。
以下，进行基于判定部38的处理。
首先，判定部38将系数t设定为“1”(S16)。
接着，判定部38从检索行为信息组B中按时序顺序选择成为判定对象的Ft个检索行为信息，并从整合相关性运算部36中获取与该Ft个检索行为信息对应的整合相关性G{Gii+1、……、Gj-1j}(S17)。在此，i＝min，j＝max。
在不是Gii+1≥阈值Hc的情况下，(S18的否)，判定部38对检索行为Bi+1赋予新的检索活动ID(S19)。即，在整合相关性小于阈值Hc的情况下，判定为检索行为Bi和检索行为Bi+1不是彼此相关的检索行为，对检索行为Bi+1赋予与检索行为Bi不同的检索活动ID，检索行为Bi+1被分类成与检索行为Bi不同的检索活动。然后，处理转移到S23。
在Gii+1≥阈值Hc的情况下(S18的是)，在对检索行为Bi赋予检索活动ID的情况下(S20的是)，判定部38对检索行为Bi+1赋予与检索行为Bi相同的检索活动ID(S21)。
在Gii+1≥阈值Hc的情况下(S18的是)，在未对检索行为Bi赋予检索活动ID的情况下(S20的否)，判定部38对检索行为Bi赋予新的检索活动ID(S22)，对检索行为Bi+1赋予与检索行为Bi相同的检索活动ID(S21)。
即，在整合相关性为阈值Hc以上的情况下，判定为检索行为Bi和检索行为Bi+1是彼此相关的检索行为，检索行为Bi+1被赋予与检索行为Bi相同的检索活动ID，从而检索行为Bi+1被分类成与检索行为Bi相同的检索活动。
接着，判定部38将系数i变更为系数i+1(S23)。
在不是i≥j的情况下(S24的否)，处理转移到S17。
在i≥j的情况下(S24的是)，在对所有检索行为赋予了检索活动ID的情况下(S25的是)，处理结束。
在i≥j的情况下(S24的是)，在存在未被赋予检索活动ID的检索行为的情况下(S25的否)，系数t变更为系数t+1(S26)，处理转移到S16，执行S17以后的处理。由此，各检索行为被分类成彼此相同或不同的检索活动。
以下，举出具体例对基于信息处理装置10的处理详细地进行说明。
图6表示关于某一用户(例如用户A)的检索行为的一例。图6所示的各检索行为是通过检索行为信息获取部24而获取的各检索行为信息表示的检索行为，各检索行为信息保存在存储部16中。例如，用于识别检索行为的ID、表示检索行为产生的日期和时间的信息、表示检索行为的具体内容的信息彼此相关联地保存在存储部16中。图6中各检索行为按检索行为产生的日期和时间顺序排列。
例如，ID“001”的检索行为在2018年4月20日的13:45进行，该检索行为中，关键词“计算机视觉”和“国际会议”通过用户A而被输入以用于检索。在其他检索行为中，也通过用户A而使用用于检索的关键词。
另外，图6中，作为参考而示出与前面的检索的相关性(本实施方式、比较例)。本实施方式所涉及的相关性是考虑到上述组相关性的整合相关性。比较例所涉及的相关性是检索行为之间的相关性，是未考虑到组相关性的相关性。这些相关性作为参考而示出，并不包括在检索行为中。例如，若关注ID“002”的检索行为，则前面的检索是在时间顺序上前一个ID“001”的检索行为。ID“002”的检索行为与ID“001”之间的本实施方式所涉及的相关性(整合相关性)为“0.65”，比较例所涉及的相关性(行为相关性)为“0.6”。
扩展检索行为组生成部32例如生成包含以成为基准的检索行为的产生日期和时间为基准在预先确定的时间范围内产生的一个或多个检索行为的扩展检索行为组。扩展检索行为组生成部32改变成为基准的检索行为而生成扩展检索行为组。
具体而言，生成包含ID“001”、“002”的检索行为的扩展检索行为组1，生成包含ID“001”～“003”的检索行为的扩展检索行为组2，生成包含ID“003”、“004”的检索行为的扩展检索行为组3，生成包含ID“005”、“006”的检索行为的扩展检索行为组4。
接着，检索行为相关性运算部30运算各检索行为之间的行为相关性，组相关性运算部34运算各扩展检索行为组之间的组相关性。
例如，将扩展检索行为组1和扩展检索行为组2作为对象而运算行为相关性和组相关性。参考图7对该运算详细地进行说明。图7表示扩展检索行为组1、2。检索行为相关性运算部30运算ID“001”的检索行为与ID“001”的检索行为之间的行为相关性、ID“001”的检索行为与ID“002”的检索行为之间的行为相关性、ID“001”的检索行为与ID“003”的检索行为之间的行为相关性、ID“002”的检索行为与ID“002”的检索行为之间的行为相关性、以及ID“002”的检索行为与ID“003”的检索行为之间的行为相关性。图7中的箭头表示运算行为相关性时的检索行为的组合。
图8表示如上所述运算的各行为相关性的一例。图8中也示出各检索行为之间的产生时间差分(例如秒)。例如，ID“001”的检索行为与ID“002”的检索行为之间的行为相关性为“0.6”，时间差分为“5.0秒”。如上所述，行为相关性根据查询之间的相似性等而被运算。
组相关性运算部34运算扩展检索行为组1与扩展检索行为组2之间的组相关性。
组相关性运算部34例如将扩展检索行为组1、2之间的检索行为的重复率作为组相关性而运算。以下，将该组相关性称作“组相关性1”。组相关性1通过下式(1)而表示。扩展检索行为组1、2中包括ID“001”～“003”的检索行为，因此扩展检索行为组1、2中的所有检索行为的数量(ID彼此不同的检索行为的总数)为“3”。重复的检索行为的数量为“2”。由此，组相关性1成为“0.67”。
[数式1]
Figure BDA0002080018410000091
作为另一例，组相关性运算部34可以通过对扩展检索行为组1、2之间的各检索行为之间的行为相关性进行与产生时间差异对应的加权而运算组相关性。以下，将该组相关性称作“组相关性2”。组相关性2通过下式(2)而表示。在此，组相关性2是使用了产生时间差异的倒数的加权平均，其值为“0.907”。
[数式2]
Figure BDA0002080018410000092
作为又一例，组相关性运算部34可以运算通过使用了产生时间差异的倒数的加权平均和扩展检索行为组1、2之间的产生时间差异的平均倒数而确定的组相关性。以下，将该组相关性称作“组相关性3”。组相关性3通过下式(3)而表示。在此，组相关性3是通过对使用了产生时间差异的倒数的加权平均乘以扩展检索行为组1、2之间的产生时间差异的平均倒数而运算的值，其值为“0.15”。
[数式3]
Figure BDA0002080018410000093
作为组相关性而使用上述组相关性1、2或3中的任一个。可以使用组相关性1、2或3中的预先确定的组相关性，也可以使用通过用户或管理人员等而指定的组相关性。当然，除了组相关性1、2、3以外，可以将表示扩展检索行为组之间的相关性的值用作组相关性。
整合相关性运算部36根据各检索行为之间的行为相关性和组相关性而运算整合相关性。整合相关性运算部36例如通过对各行为相关性乘以组相关性而运算各检索行为之间的整合相关性。
例如，图8所示例中，在作为组相关性而使用组相关性1的情况下，整合相关性运算部36通过对图8所示的各行为相关性乘以组相关性1“0.67”而运算各检索行为之间的整合相关性。该情况下，ID“001”的检索行为与ID“002”的检索行为之间的整合相关性成为“0.6×0.67”，ID“001”的检索行为与ID“003”的检索行为之间的整合相关性成为“0.1×0.67”，ID“002”的检索行为与ID“003”的检索行为之间的整合相关性成为“0.3×0.67”。
在各检索行为之间的整合相关性成为阈值以上的情况下，判定部38判定为该各检索行为包括在同一检索活动中。例如，在ID“001”的检索行为与ID“002”的检索行为之间的整合相关性成为阈值以上的情况下，判定部38判定为ID“001”的检索行为与ID“002”的检索行为包括在同一检索活动中。关于其他检索行为也相同。另外，可以使用组相关性2或3来代替组相关性1。
作为另一例，在各扩展检索行为组之间的组相关性成为阈值以上的情况下，判定部38可以判定为该各扩展检索行为组中所包含的多个检索行为包括在同一检索活动中。例如，组相关性2、3是分别包括行为相关性的值，因此可以说组相关性2、3也表示检索行为之间的相关性。例如，在组相关性2成为阈值以上的情况下，判定部38可以判定为扩展检索行为组1、2中所包含的各检索行为(ID“001”～“003”的各检索行为)包括在同一检索活动中。在代替组相关性2而使用了组相关性3的情况下也相同。
关于除了扩展检索行为组1、2以外的组，也与扩展检索行为组1、2同样地运算行为相关性和组相关性。
图9表示扩展检索行为组3、4。检索行为相关性运算部30运算ID“003”的检索行为与ID“005”的检索行为之间的行为相关性、ID“003”的检索行为与ID“006”的检索行为之间的行为相关性、ID“004”的检索行为与ID“005”的检索行为之间的行为相关性、以及ID“004”的检索行为与ID“006”的检索行为之间的行为相关性。图9中的箭头表示运算行为相关性时的检索行为的组合。
图10表示如上所述运算的各行为相关性的一例。图10中也示出各检索行为之间的产生时间差分(例如秒)。
组相关性运算部34运算扩展检索行为组3与扩展检索行为组4之间的组相关性。
扩展检索行为组3与扩展检索行为组4之间的组相关性1通过下式(4)而表示。扩展检索行为组3、4中包含ID“003”～“006”的检索行为，因此扩展检索行为组3、4中的所有检索行为的数量为“4”。重复的检索行为的数量为“0”。由此，组相关性1为“0.0”。
[数式4]
Figure BDA0002080018410000101
并且，扩展检索行为组3与扩展检索行为组4之间的组相关性2通过下式(5)而表示。在此，组相关性2为“0.4005”。
[数式5]
Figure BDA0002080018410000111
并且，扩展检索行为组3与扩展检索行为组4之间的组相关性3通过下式(6)而表示。在此，组相关性3成为“0.00000694”。
[数式6]
Figure BDA0002080018410000112
图10所示例中，在作为组相关性而使用组相关性1的情况下，整合相关性运算部36通过对图10所示的各行为相关性乘以组相关性1“0.0”而运算各检索行为之间的整合相关性。在此，各整合相关性成为“0.0”，成为小于阈值。从而，判定部38判断为扩展检索行为组3中所包含的ID“003”、“004”的检索行为和扩展检索行为组4中所包含的ID“005”、“006”的检索行为不包括在同一检索活动中。在代替组相关性1而使用了组相关性2或3的情况下，判定部38通过整合相关性与阈值的比较而判定各检索行为是否包括在同一检索活动中。
上述例中，比较了扩展检索行为组1和扩展检索行为组2，并比较了扩展检索行为组3和扩展检索行为组4，但除此以外也可以比较扩展检索行为组1和扩展检索行为组3，也可以比较扩展检索行为组1和扩展检索行为组4。
如上所述，使用组相关性而判定各检索行为是否包括在同一检索活动中。由此，与仅使用检索行为之间的相关性的情况相比，更准确地确定包括在同一检索活动中的检索行为。
(变形例1)
以下，对变形例1进行说明。在变形例1中，扩展检索行为组生成部32获取用户的分析信息，并与该分析信息表示的该用户的检索能力对应地变更为了生成扩展检索行为组而使用的时间范围。例如，检索能力越高，扩展检索行为组生成部32将该时间范围设为越窄，以生成扩展检索行为组。
在此，参考图11对分析信息的一例进行说明。例如，作为各用户的分析信息，用于识别用户的用户ID、表示多任务程度的信息、表示检索速度的信息、表示浏览时间的信息、表示兴趣领域的信息彼此相关联。这些信息根据各用户的浏览履历信息并通过分析信息生成部28而生成。
例如，若对用户ID“001”的用户进行说明，则多任务程度为“高”，检索速度为“快”，浏览时间为“长”，兴趣领域为“计算机视觉”和“Python”。另外，多任务程度、检索速度及浏览时间可以通过数值来表现。
评价为多任务程度越高则检索能力越高，且评价为检索速度越快则检索能力越高。从而，多任务程度越高，扩展检索行为组生成部32将时间范围设为越窄，且检索速度越快，则将时间范围设为越窄。
越扩大扩展检索行为组的生成中使用的时间范围，无法包括在同一检索活动中的检索行为作为干扰而包括在同一扩展检索行为组的可能性变得越高。检索能力越高，将时间范围设为越窄，由此，去除如上所述的干扰而生成扩展检索行为组。例如，假定为与检索能力低的用户相比，检索能力高的用户在短时间内检索目标信息。因此，检索能力越高，将时间范围设为越窄，由此，生成去除了干扰的扩展检索行为组，从而同一检索活动的判定处理的精度提高。另一方面，假定为与检索能力高的用户相比，检索能力低的用户为了检索目标信息而所需要的时间变长。因此，检索能力越低，越扩大时间范围，由此，使用更多的检索行为信息而生成扩展检索行为组。
(变形例2)
以下，对变形例2进行说明。在变形例2中，关于扩展检索行为组生成部32，与用于生成扩展检索行为组的成为基准的检索行为中所包含的查询与检索结果之间的相关性对应地变更为了生成该扩展检索行为组而使用的时间范围。例如，该相关性越高，扩展检索行为组生成部32将该时间范围设为越窄，以生成扩展检索行为组。
如上所述，查询与检索结果之间的相关性例如是检索结果中所包含的标题、摘录及内容、查询之间的相似性、检索结果彼此的相似性等。
查询与检索结果之间的相关性越高，推测为检测到用户的目标信息，并推测为在更短时间内结束检索活动。因此，查询与检索结果之间的相关性越高，将时间范围设为越窄，以生成扩展检索行为组，由此，与扩大时间范围而生成扩展检索行为组的情况相比，生成干扰更少的扩展检索行为组，其结果，可提高同一检索活动的判定处理的精度。
(变形例3)
以下，对变形例3进行说明。在变形例3中，判定部38获取用户的分析信息，并与该分析信息表示的该用户的检索能力对应地变更用于判定同一检索活动的阈值。例如，检索能力越高，判定部38将阈值设定为越高的值。具体而言，多任务程度越高，判定部38将阈值设定为越高的值，检索速度越快，将阈值设定为越高的值。
检索能力越高，将阈值设定为越高的值，由此，排除可成为干扰的相关性更低的检索行为而确定同一检索活动中所包含的检索行为，因此同一检索活动的判定处理的精度变高。
(变形例4)
以下，对变形例4进行说明。在变形例4中，判定部38获取用户的分析信息，并与该分析信息表示的该用户的检索能力对应地选择或变更成为判定对象的检索行为。例如，多任务程度越高的用户，在短时间内进行各种检索的倾向越高。同样地，检索速度越快的用户，在短时间内进行各种检索的倾向越高。因此，与多任务程度更低的用户或检索速度更慢的用户相比，例如，如检索活动1、检索活动2、检索活动1那样，在同一检索活动之间产生另一个检索活动的可能性高。由此，在变形例4中，检索能力越高，判定部38将更多的检索行为作为判定对象的检索行为进行选择，从而判定各检索行为是否包括在同一检索活动中。
作为一例，上述信息处理装置10及终端装置12通过硬件和软件的协同作用而实现。具体而言，信息处理装置10及终端装置12具备未图示的CPU等一个或多个处理器。该一个或多个处理器读取并执行存储在未图示的存储装置中的程序，由此，实现信息处理装置10及终端装置12各自的各部的功能。上述程序经由CD或DVD等记录媒体或经由网络等通信路径而存储在存储装置。作为另一例，信息处理装置10及终端装置12各自的各部例如可以通过处理器、电子电路或ASIC(Application Specific Integrated Circuit：专用集成电路)等硬件资源而实现。在该实现中可以利用存储器等设备。作为又一例，信息处理装置10及终端装置12各自的各部可以通过DSP(Digital Signal Processor：数字信号处理器)或FPGA(FieldProgrammable Gate Array：现场可编程门阵列)等而实现。
上述本发明的实施方式是以例示及说明为目的而提供的。另外，本发明的实施方式并不全面详尽地包括本发明，并且并不将本发明限定于所公开的方式。很显然，对本发明所属的领域中的技术人员而言，各种变形及变更是自知之明的。本实施方式是为了最容易理解地说明本发明的原理及其应用而选择并说明的。由此，本技术领域中的其他技术人员能够通过对假定为各种实施方式的特定使用最优化的各种变形例来理解本发明。本发明的范围由以上的权利要求书及其等同物来定义。

Claims (10)

1.一种信息处理装置，其具有：
组生成单元，根据按照时序而产生的各检索行为的产生时间，生成包含多个检索行为的检索行为组；及
确定单元，根据各检索行为组之间的组相关性，确定同一检索活动中所包含的检索行为。
2.根据权利要求1所述的信息处理装置，其特征在于，
所述组生成单元生成包含以成为基准的检索行为的产生时间为基准在预先确定的时间范围内产生的一个或多个检索行为的检索行为组，并与进行了成为所述基准的检索行为的用户的检索能力对应地变更所述时间范围。
3.根据权利要求2所述的信息处理装置，其特征在于，
所述检索能力越高，所述组生成单元使所述时间范围越窄。
4.根据权利要求1所述的信息处理装置，其特征在于，
检索行为包含检索用查询和检索结果，
所述组生成单元生成包含以成为基准的检索行为的产生时间为基准在预先确定的时间范围内产生的一个或多个检索行为的检索行为组，并与成为所述基准的检索行为中所包含的查询与检索结果之间的相关性对应地变更所述时间范围。
5.根据权利要求4所述的信息处理装置，其特征在于，
所述相关性越高，所述组生成单元使所述时间范围越窄。
6.根据权利要求1至5中任一项所述的信息处理装置，其特征在于，
所述确定单元根据基于所述组相关性确定的整合相关性与阈值的比较结果而确定同一检索活动中包含的检索行为，并与进行了检索行为的用户的检索能力对应地变更所述阈值。
7.根据权利要求6所述的信息处理装置，其特征在于，
所述确定单元将所述整合相关性成为所述阈值以上的多个检索行为的组合确定为同一检索活动中所包含的检索行为，所述检索能力越高，将所述阈值设定为越高的值。
8.根据权利要求6或7所述的信息处理装置，其特征在于，
所述整合相关性根据各检索行为之间的行为相关性和所述组相关性而确定。
9.一种记录媒体，其记录有使计算机作为如下单元而发挥功能的程序：
组生成单元，根据按照时序而产生的各检索行为的产生时间，生成包含多个检索行为的检索行为组；及
确定单元，根据各检索行为组之间的组相关性，确定同一检索活动中所包含的检索行为。
10.一种信息处理方法，其包括如下步骤：
组生成步骤，根据按照时序而产生的各检索行为的产生时间，生成包含多个检索行为的检索行为组；及
确定步骤，根据各检索行为组之间的组相关性，确定同一检索活动中所包含的检索行为。
CN201910468114.1A 2018-12-21 2019-05-31 信息处理装置、记录媒体及信息处理方法 Pending CN111353075A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018240134A JP7346818B2 (ja) 2018-12-21 2018-12-21 情報処理装置及びプログラム
JP2018-240134 2018-12-21

Publications (1)

Publication Number Publication Date
CN111353075A true CN111353075A (zh) 2020-06-30

Family

ID=71099357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910468114.1A Pending CN111353075A (zh) 2018-12-21 2019-05-31 信息处理装置、记录媒体及信息处理方法

Country Status (3)

Country Link
US (1) US20200201858A1 (zh)
JP (1) JP7346818B2 (zh)
CN (1) CN111353075A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6990757B1 (ja) 2020-11-19 2022-01-12 ヤフー株式会社 生成装置、生成方法及び生成プログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1755687A (zh) * 2004-09-30 2006-04-05 微软公司 形成基于意图的聚类并由搜索引擎使用其来响应搜索请求
US20080270356A1 (en) * 2007-04-26 2008-10-30 Microsoft Corporation Search diagnostics based upon query sets
JP2009193465A (ja) * 2008-02-15 2009-08-27 Ntt Communications Kk 情報処理装置、情報提供システム、情報処理方法、およびプログラム
CN102929959A (zh) * 2012-10-10 2013-02-13 杭州东信北邮信息技术有限公司 一种基于用户行为的图书推荐方法
CN102955821A (zh) * 2011-08-30 2013-03-06 北京百度网讯科技有限公司 一种对查询序列进行扩展处理的方法与设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006309377A (ja) 2005-04-27 2006-11-09 Seiko Epson Corp 文書検索装置および文書検索方法ならびにそのプログラムと記録媒体
JP2009169519A (ja) 2008-01-11 2009-07-30 Nec Corp 情報提示装置、情報提示方法、および情報提示用プログラム
JP5514703B2 (ja) 2010-11-29 2014-06-04 Ｋｄｄｉ株式会社 検索ログに応じた関連情報を配信する検索配信サーバ、プログラム及び方法
JP2013092823A (ja) 2011-10-24 2013-05-16 Nifty Corp 情報処理装置、プログラム及び情報検索システム
US9405834B1 (en) * 2011-11-04 2016-08-02 Google Inc. System and method for identifying search results satisfying a search query

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1755687A (zh) * 2004-09-30 2006-04-05 微软公司 形成基于意图的聚类并由搜索引擎使用其来响应搜索请求
US20080270356A1 (en) * 2007-04-26 2008-10-30 Microsoft Corporation Search diagnostics based upon query sets
JP2009193465A (ja) * 2008-02-15 2009-08-27 Ntt Communications Kk 情報処理装置、情報提供システム、情報処理方法、およびプログラム
CN102955821A (zh) * 2011-08-30 2013-03-06 北京百度网讯科技有限公司 一种对查询序列进行扩展处理的方法与设备
CN102929959A (zh) * 2012-10-10 2013-02-13 杭州东信北邮信息技术有限公司 一种基于用户行为的图书推荐方法

Also Published As

Publication number Publication date
US20200201858A1 (en) 2020-06-25
JP7346818B2 (ja) 2023-09-20
JP2020102035A (ja) 2020-07-02

Similar Documents

Publication Publication Date Title
US11669579B2 (en) Method and apparatus for providing search results
US7685200B2 (en) Ranking and suggesting candidate objects
CN107103016B (zh) 基于关键词表示使图像与内容匹配的方法
US9846744B2 (en) Media discovery and playlist generation
US8352396B2 (en) Systems and methods for improving web site user experience
US8037051B2 (en) Matching and recommending relevant videos and media to individual search engine results
Athukorala et al. Beyond relevance: Adapting exploration/exploitation in information retrieval
US20110060717A1 (en) Systems and methods for improving web site user experience
JP6966158B2 (ja) 検索データを処理するための方法、装置及びプログラム
WO2016000555A1 (zh) 基于社交网络的内容、新闻推荐方法和系统
US10289642B2 (en) Method and system for matching images with content using whitelists and blacklists in response to a search query
CN110990696B (zh) 搜索意图推荐的方法及装置
CN111061954B (zh) 搜索结果排序方法、装置及存储介质
CN113039539A (zh) 使用ai模型推荐来扩展搜索引擎能力
CN111259173A (zh) 一种搜索信息推荐方法及装置
WO2018121198A1 (en) Topic based intelligent electronic file searching
CN114564666A (zh) 百科信息展示方法、装置、设备和介质
CN113127736A (zh) 一种基于搜索历史记录的分类推荐方法及装置
CN112836126A (zh) 基于知识图谱的推荐方法、装置、电子设备及存储介质
CN111353075A (zh) 信息处理装置、记录媒体及信息处理方法
CN110431550B (zh) 用于识别可视叶页面的方法和系统
Hamamreh et al. Tag ranking multi-agent semantic social networks
CN116301502A (zh) 一种电子书的目录处理方法、装置及计算机设备
JP2013156876A (ja) 推薦クエリ抽出装置及び方法及びプログラム
CN112084406A (zh) 短信处理方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information

Address after: No. 3, chiban 9, Dingmu 7, Tokyo port, Japan

Applicant after: Fuji film business innovation Co.,Ltd.

Address before: No. 3, chiban 9, Dingmu 7, Tokyo port, Japan

Applicant before: Fuji Xerox Co.,Ltd.

CB02 Change of applicant information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination