CN111527492A - 社会情感与自然语言生成的量子的叠加与纠缠 - Google Patents
社会情感与自然语言生成的量子的叠加与纠缠 Download PDFInfo
- Publication number
- CN111527492A CN111527492A CN201980007015.1A CN201980007015A CN111527492A CN 111527492 A CN111527492 A CN 111527492A CN 201980007015 A CN201980007015 A CN 201980007015A CN 111527492 A CN111527492 A CN 111527492A
- Authority
- CN
- China
- Prior art keywords
- computer
- emotion
- natural language
- user query
- language text
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 212
- 230000004044 response Effects 0.000 claims abstract description 34
- 239000002245 particle Substances 0.000 claims abstract description 27
- 239000002096 quantum dot Substances 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003058 natural language processing Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 3
- 230000002996 emotional effect Effects 0.000 abstract description 14
- 238000012545 processing Methods 0.000 description 52
- 238000004891 communication Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 17
- 230000002085 persistent effect Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 230000008909 emotion recognition Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000006397 emotional response Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 239000004744 fabric Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 239000000835 fiber Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- LQIAZOCLNBBZQK-UHFFFAOYSA-N 1-(1,2-Diphosphanylethyl)pyrrolidin-2-one Chemical compound PCC(P)N1CCCC1=O LQIAZOCLNBBZQK-UHFFFAOYSA-N 0.000 description 1
- 206010063659 Aversion Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005233 quantum mechanics related processes and functions Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90332—Natural language query formulation or dialogue systems
-
- 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
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
提供对用户查询的自然语言文本响应。用户查询中的情感属性被编码到量子位作为粒子自旋。观察编码的情感量子位中的粒子自旋以生成自旋数据。基于所生成的自旋数据,针对用户查询的每个情感关键术语导出情感值。通过组合与用户查询的每个情感关键术语对应的导出的情感值来确定用户查询的总情感。基于所确定的用户查询的总情感,生成对用户查询的自然语言文本响应。经由网络向客户端设备发送自然语言文本响应。
Description
技术领域
本公开总体上涉及自然语言处理,并且更具体地涉及在社会情感的自然语言处理中的量子计算,以生成对应于从摄取的文本的自然语言章节中提取的情感关键术语的编码的情感量子位,并且然后基于编码的情感量子位以适合于在摄取的文本的自然语言章节中表达的情感的音调生成自然语言响应。
背景技术
自然语言处理是计算机理解人类语言的能力并且是人工智能的组成部分。自然语言处理可以例如将文本解析成可识别的部分,诸如单词、短语、数字和标点符号。自然语言处理可以执行用于分析文本的不同方法和技术,诸如例如句法分析、语义分析、词法分析等。进一步,自然语言处理可经配置以辨识和分析任何数目的不同语言。
此外,自然语言处理可将语音的一部分指派给每一词语。自然语言处理可基于词语的定义和词语的上下文来确定词语所对应的语音部分。词语的上下文可基于其与短语、句子或段落中的相邻和相关词语的关系。词语的上下文还可以取决于文本的一个或多个先前分析的段落。可被指派给单词的语音部分的示例包括但不限于名词、动词、形容词、副词等。
自然语言处理可以分析自然语言文本的章节,以例如确定特定产品的客户问题。此外,自然语言处理可包括情感分析,以识别文本段落中表达的情感,诸如愤怒、挫折、讽刺等。情感分析可识别和分类与感兴趣的关键词相关联的情感。
量子计算机是执行量子计算的硬件设备,其利用量子机械现象,诸如叠加和纠缠。量子叠加状态:任何两个或更多个量子状态可以被加在一起(即,叠加),并且结果将是另一个有效的量子状态。换言之,量子叠加规定在给定地点和时间的净响应由两个或更多的刺激引起,其是每种刺激引起的反应的总和。当两个或多个粒子相互作用以使得每个粒子的量子状态不能独立于其他粒子描述的方式时,即使粒子分开一定距离,也会发生量子纠缠。换言之,当独立粒子分开一定距离但关联在一起时,发生量子纠缠。因此,对于系统整体而言必须描述纠缠状态。
经典计算机具有由位组成的存储器,其中,每个位由一或零表示。量子计算机保持量子位或量子位的序列,这些量子位或量子位是量子计算的基本单位。一个单个的量子位可以表示一个、零个或者这两个量子位状态的任何量子叠加。例如,两个量子位可以处于4个状态的任何量子叠加中(即,包含4位的信息)并且三个量子位可以处于8个状态的任何叠加中(即,包含8位的信息)。总体上,具有“n”个量子位的量子计算机可以同时处于高达2n个不同状态的任意叠加。这与一个经典的计算机相比较,该经典的计算机在任一时刻只能处于两种状态之一。
量子位的实现方式的实例可以是使用具有两个自旋状态的粒子。一个自旋状态是自旋向下状态,其表示状态零。另一个自旋状态是自旋加快状态,其表示状态一。为了表示叠加,将诸如“a”或“b”的系数置于量子状态的前面。
社会情感识别和自然语言生成的问题这两个过程都是计算密集的,但是两个过程也需要实时或接近实时的解决方案。经典计算机上的传统社会情感识别至少进行O(n2)次操作。第一操作O(n)确定单词的情感,而第二操作O(n)是在滚动时间窗中表达的平均情感。经典计算机上的传统自然语言生成通常是遵循时隙填充符的概率性的。然而,目前不存在考虑到与传统社会情感识别和经典计算机上的自然语言生成相关联的问题的实时解决方案。
发明内容
根据一个说明性实施例,提供了一种用于生成对用户查询的自然语言文本响应的计算机实现的方法。计算机将用户查询的情感属性编码到量子位作为粒子自旋。计算机观察编码的情感量子位中的粒子自旋以生成自旋数据。计算机基于所生成的自旋数据导出用户查询的每个情感关键术语的情感值。计算机通过组合与用户查询的每个情感关键术语对应的导出的情感值来确定用户查询的总情感。计算机基于所确定的用户查询的总情感,生成对用户查询的自然语言文本响应。计算机经由网络向客户端设备发送自然语言文本响应。根据其他说明性实施例,提供了一种用于生成对用户查询的自然语言文本响应的计算机系统和计算机程序产品。
根据另一说明性实施例,提供了一种用于生成自然语言文本章节的计算机实现的方法,该自然语言文本章节表达与原始自然语言文本章节相反的情感。计算机使用自然语言处理来分析自然语言文本的原始段落。计算机基于该分析识别自然语言文本的原始章节中包括的第一组关键术语,该第一组关键术语具有反映在自然语言文本的原始章节中表达的情感的第一组合情感。基于量子叠加,计算机将具有反映在自然语言文本的原始段落中表达的情感的第一组合情感的第一组关键术语编码成多个社会情感量子位,以形成多个编码的社会情感量子位。计算机基于量子纠缠,从多个编码的社会情感量子位生成第二组关键术语,该第二组关键术语具有与第一组合情感相反的第二组合情感,使得第二组合情感与在自然语言文本的原始段落中表达的情感相反。计算机使用第二组关键术语生成自然语言文本的不同段落,其表达自然语言文本的原始段落的相反情感。根据另一说明性实施例,提供了一种用于生成自然语言文本章节的计算机程序产品,该自然语言文本章节表达与原始自然语言文本章节相反的情感。
因此,利用量子叠加和量子纠缠的说明性实施例能够减少社会情感识别和自然语言生成所需的计算次数。因此,说明性实施例通过减少计算机资源利用率来提高计算机本身的性能。量子叠加使得说明性实施例能够在一个操作中识别自然语言文本中的社会情感。量子纠缠提供说明性实施例基于产生社会情感的词来生成自然语言文本的能力,该社会情感与在文本的原始自然语言段落中表达的情感纠缠。
此外,说明性实施例利用这些量子位将情感数据编码到2n空间中而不是二进制n空间中,从而允许说明性实施例并行地编码和处理更多的情感数据。编码的社会情感量子位可以处于自旋向上、自旋向下或同时自旋向上和自旋向下的组合的位置。因此,通过说明性实施例的社会情感识别和自然语言生成是实时或接近实时比例的。此外,说明性实施例能够自动生成自然语言词,该自然语言词将产生与在文本的原始自然语言章节中表达的情感一致的社会情感或对比的社会情感。
此外,说明性实施例对与用户查询的每个情感关键术语对应的导出的情感值执行校验和。通过对导出的情感值执行校验和,说明性实施例能够确定说明性实施例是否生成对分析的原始自然语言文本章节的响应的正确情感。
附图说明
图1是其中可以实现说明性实施例的数据处理系统的网络的图形表示;
图2是可以实现说明性实施例的数据处理系统的图;
图3是根据说明性实施例示出叠加的量子特性的一个实例的示意图;
图4是简图,展示了根据说明性实施例的将情感编码到量子位作为粒子依情感关键词自旋;
图5A-5B是示出根据说明性实施例的用于生成对用户查询的自然语言文本响应的过程的流程图;并且
图6是示出根据说明性实施例的用于生成自然语言文本章节的过程的流程图,该自然语言文本章节表达与原始自然语言文本章节完全相反的情感。
具体实施方式
在任何可能的技术细节结合层面,本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图示出了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此,流程图或框图中的每个方框可以代表模块、段或指令的一部分,其包括用于实现规定的逻辑功能的一个或多个可执行指令。在一些替代实施例中,框中所标注的功能可以不以图中所标注的次序发生。例如,取决于所涉及的功能,连续示出的两个框实际上可以基本上同时执行,或者这些框有时可以以相反的顺序执行。还将注意的是,框图和/或流程图中的每个框、以及框图和/或流程图中的框的组合可以由基于专用硬件的系统来实现,所述基于专用硬件的系统执行指定的功能或动作或执行专用硬件与计算机指令的组合。
现在参考附图,并且具体地参见图1和图2,提供了可以实现说明性实施例的数据处理环境的图。应了解,图1和图2仅意在作为示例,且无意断言或暗示关于其中可实施不同实施例的环境的任何限制。可以对所描绘的环境进行许多修改。
图1描绘了可以实现说明性实施例的数据处理系统的网络的图形表示。网络数据处理系统100是可以在其中实现说明性实施例的计算机、数据处理系统和其他设备的网络。网络数据处理系统100包含网络102,网络102是用于提供计算机、数据处理系统和在网络数据处理系统100内连接在一起的其他设备之间的通信链路的介质。网络102可包括连接,诸如例如有线通信链路、无线通信链路和光纤电缆。
在所描绘的示例中,服务器104和服务器106与存储108一起连接到网络102。服务器104和服务器106可以是例如具有到网络102的高速连接的量子计算机。此外,服务器104和服务器106可以提供用于识别文本段落内的社会情感(例如,用户查询、文章、书籍、问题票证等)并生成自然语言文本响应的一组服务,该自然语言文本响应传达或表达适合于原始文本段落中的所识别的社会情感的情感。例如,服务器104可以将生气识别为由顾客表达的关于从客户端设备接收的用户查询中的产品的社会情感。在这种情况下,服务器104生成对用户查询的自然语言文本响应,该自然语言文本响应表达适当的具体情感以安抚生气(angry)顾客或安慰生气(pacify)顾客。此外,应注意,服务器104和服务器106可表示托管多个不同社会情感识别和自然语言生成服务的量子计算机的集群。可替代地,服务器104和服务器106可以表示提供社会情感识别和自然语言生成服务的云环境中的量子计算机。
客户端110、客户端112和客户端114也连接到网络102。客户端110、112和114是服务器104和服务器106的客户端。在该示例中,客户端110、112和114被示为具有到网络102的有线通信链路的台式或个人计算机。然而,应当注意,客户端110、112和114仅意在作为示例。换言之,客户端110、112和114可以包括具有到网络102的有线或无线通信链路的其他类型的数据处理系统,诸如例如网络计算机、膝上型计算机、手持计算机、智能电话、智能电视、智能手表、游戏设备等。客户端110、112和114的用户可利用客户端110、112和114访问由服务器104和服务器106提供的社会情感标识和自然语言生成服务。
存储器108是能够以结构化格式或非结构化格式存储任何类型的数据的网络存储设备。此外,存储器108可以表示多个网络存储设备。进一步,存储108可存储多个客户机设备的标识符;对应于多个不同信息域的信息;时间索引的词汇表;句子模板;等等。此外,存储单元108可存储其他类型的数据,例如可包含与系统管理员和客户端装置用户相关联的用户名、密码和生物特征数据的认证或凭证数据。
此外,应当注意,网络数据处理系统100可以包括任何数量的附加服务器、客户端、存储设备和未示出的其他设备。位于网络数据处理系统100中的程序代码可以被存储在计算机可读存储媒质上并且被下载到计算机或其他数据处理设备以供使用。例如,程序代码可以存储在服务器104上的计算机可读存储介质上,并且通过网络102下载到客户端110以供在客户端110上使用。
在所描绘的示例中,网络数据处理系统100可以被实现为多个不同类型的通信网络,诸如例如互联网、内联网、局域网(LAN)和广域网(WAN)。图1仅旨在作为实例,而不旨在作为不同说明性实施例的体系结构限制。
现在参见图2,描绘了根据说明性实施例的数据处理系统的图。数据处理系统200是量子计算机的实例,如图1中的服务器104,在该量子计算机中可以定位实施多个说明性实施例的过程的计算机可读程序代码或指令。在这个说明性示例中,数据处理系统200包括通信结构202,其提供处理器单元204、存储器206、持久存储装置208、通信单元210、输入/输出(I/O)单元212和显示器214之间的通信。
处理器单元204用于执行可加载到存储器206中的软件应用程序和程序的指令。处理器单元204可以是一组一个或多个硬件处理器设备或者可以是多处理器核,这取决于特定的实现。进一步,处理器单元204可使用一个或一个以上异构处理器系统来实施,其中主处理器与次要处理器一起存在于单个芯片上。作为另一说明性实例,处理器单元204可以是包含相同类型的多个处理器的对称多处理器系统。
存储器206和永久性存储器208是存储设备216的示例。计算机可读存储设备是能够存储信息的任何硬件,所述信息诸如例如但不限于,数据、函数形式的计算机可读程序代码、和/或在瞬态基础上和/或在持久基础上的其他合适的信息。进一步,计算机可读存储设备不包括传播介质。在这些实例中,存储器206可为(例如)随机存取存储器,或任何其他合适的易失性或非易失性存储装置。永久性存储器208可以采取不同形式,这取决于特定的实现方式。例如,永久存储器208可以包含一个或多个设备。例如,永久性存储器208可以是硬盘驱动器、闪速存储器、可重写光盘、可重写磁带或上述的某种组合。永久存储器208使用的介质可以是可移除的。例如,可移动硬盘驱动器可以用于持久存储装置208。
在该示例中,持久存储装置208存储自然语言处理器218。然而,应当注意,即使自然语言处理器218被示为驻留在持久存储装置208中,但在替代说明性实施例中,自然语言处理器218可以是数据处理系统200的单独组件。例如,自然语言处理器218可以是耦合到通信结构202的硬件组件或硬件和软件组件的组合。在另一替代说明性实施例中,自然语言处理器218的第一组组件可位于数据处理系统200上,而自然语言处理器218的第二组组件可位于第二数据处理系统(例如图1中的服务器106或客户端110)上。在又一替代说明性实施例中,除数据处理系统200之外或代替数据处理系统200,自然语言处理器218可位于客户端装置上。
自然语言处理器218控制分析摄取的文本的自然语言章节、识别在摄取的文本的自然语言章节中表达的社会情感、以及通过利用叠加和纠缠的量子属性生成自然语言文本响应的过程,该自然语言文本响应表达与在摄取的文本的自然语言章节中表达的识别的社会情感的适当(例如,相同或相反)情感。在该示例中,自然语言处理器218摄取用户查询220,该用户查询220可表示任何类型的文本段落,诸如电子邮件、文本消息、问题票证等。用户查询220可以是例如对信息的请求。用户查询220包括文本222和情感224。文本222可以是任何自然语言格式、任何语言,并且指代任何信息域或主题。情感224表示在用户查询220的文本222中传达的表现情感(诸如爱、高兴、悲伤、悲伤、生气、帽子、满意、不满意、歧义等)的一组关键术语或关键词。
信息域226是对应于特定信息域(诸如金融域、商业域、税务域、教育域、政府域等)的一组数据。然而,应当注意,信息域226可以表示多个不同的信息域。在该示例中,信息域226包括术语228的字典。术语词典228包含与信息域226相关联的一组关键术语或关键词。
自然语言处理器218可利用信息域226中的术语228的词典来识别用户查询220的题目或主题。此外,自然语言处理器218从情感224提取该组情感关键术语。自然语言处理器218将所提取的该组情感关键术语与情感关键术语值230相关联。情感关键术语值230表示对应于多个预定义的情感关键术语的多个预定义的值。换言之,情感关键术语值230中的每个情感关键术语值对应于特定的情感关键术语。
自然语言处理器218将从用户查询220中提取的该组情感关键术语编码成一组量子位。该组情感关键术语可以作为粒子自旋(例如,自旋向上、自旋向下或自旋向上和自旋向下的组合)被编码到该组量子位中。自然语言处理器218为该组量子位中编码的情感关键术语生成量子位自旋值232。换言之,自然语言处理器218为在该组量子位中编码的每个情感关键术语产生量子位自旋值。量子位自旋值可以是例如对应于特定粒子自旋的电压值。
此外,自然语言处理器218将量子位自旋值232中的每个自旋值映射到情感关键术语值230中的特定情感关键术语值。自然语言处理器218利用该映射基于生成的自旋值识别情感关键术语。此外,自然语言处理器218利用系数值234对不同的情感关键术语进行加权。例如,自然语言处理器218可对具有较高系数值的情感术语“爱”和具有较低系数值的情感术语“喜欢”进行加权。
此外,自然语言处理器218可利用时间索引的词汇236来修改对用户查询220的响应。时间索引的词汇236表示被索引到预定义时间段(诸如特定的十年(例如,1960-1969)或特定的世纪(1700-1799))的俚语或时段特定语言的词典。换言之,某些单词的含义随时间改变或者某些单词仅在某一时间段期间被使用。此外,应当注意,时间索引的词汇236可以表示多个不同的时间索引的词汇。换言之,自然语言处理器218利用时间索引的词汇236来修改对用户查询220的响应,以匹配在用户查询220中使用的俚语或时段特定语言的类型。
自然语言处理器218可以利用句子模板238来生成对用户查询220的响应。句子模板238表示用于生成自然语言句子的模板。此外,应当注意,句子模板238可以表示多个不同的句子模板,例如,其可以基于不同的语言。换言之,自然语言处理器218可以将单词插入到句子模板238中以生成自然语言响应,该自然语言响应在正确的时间索引的词汇表中表达适当的情感。
在此实例中,通信单元210经由网络(例如,图1中的网络102)提供与其他计算机、数据处理系统和装置的通信。通信单元210可通过使用物理和无线通信链路两者来提供通信。物理通信链路可以利用例如导线、电缆、通用串行总线、或任何其他物理技术来为数据处理系统200建立物理通信链路。无线通信链路可利用例如短波、高频、超高频、微波、无线保真(Wi-Fi)、技术、全球移动通信系统(GSM)、码分多址(CDMA)、第二代(2G)、第三代(3G)、第四代(4G)、4G长期演进(LTE)、高级LTE或任何其他无线通信技术或标准来建立数据处理系统200的无线通信链路。
输入/输出单元212允许与可以连接至数据处理系统200的其他设备进行数据的输入和输出。例如,输入/输出单元212可以通过小键盘、键盘、鼠标和/或一些其他合适的输入设备为用户输入提供连接。显示器214提供向用户显示信息的机制,并且可以包括允许用户通过例如用户界面或输入数据做出屏幕上选择的触摸屏能力。
操作系统、应用程序和/或程序的指令可位于存储装置216中,存储装置216通过通信结构202与处理器单元204通信。在这个说明性示例中,指令在永久存储器208上呈函数形式。这些指令可以被加载到存储器206中以便由处理器单元204运行。不同实施例的过程可由处理器单元204使用计算机实现的指令来执行,这些指令可位于存储器(诸如存储器206)中。这些程序指令被称为可由处理器单元204中的处理器读取和运行的程序代码、计算机可用程序代码或计算机可读程序代码。在不同的实施例中,程序指令可以体现在不同的物理计算机可读存储设备上,诸如存储器206或持久存储装置208。
程序代码240以函数形式位于计算机可读介质242上,所述计算机可读介质是可选择性地移除的并且可以被加载到或转移到数据处理系统200上以由处理器单元204运行。程序代码240和计算机可读介质242形成计算机程序产品244。在一个示例中,计算机可读介质242可以是计算机可读存储介质246或计算机可读信号介质248。计算机可读存储介质246可以包括例如光盘或磁盘,该光盘或磁盘被插入或放置到作为永久性存储器208的一部分的驱动器或其他设备中,以便转移到作为永久性存储器208的一部分的存储设备(诸如硬盘驱动器)上。计算机可读存储介质246还可以采取永久性存储器的形式,诸如连接到数据处理系统200的硬盘驱动器、拇指驱动器或闪存。在一些实例中,计算机可读存储介质246可能不能从数据处理系统200移除。
或者,可使用计算机可读信号介质248将程序代码240传送到数据处理系统200。计算机可读信号介质248可以是例如包含程序代码240的传播数据信号。例如,计算机可读信号介质248可以是电磁信号、光信号和/或任何其他合适类型的信号。这些信号可通过通信链路传输,例如无线通信链路、光纤电缆、同轴电缆、电线和/或任何其他合适类型的通信链路。换言之,在说明性实例中,通信链路和/或连接可以是物理的或无线的。计算机可读介质还可以采取非有形介质的形式,诸如包含程序代码的通信链路或无线传输。
在一些说明性实施例中,程序代码240可以通过计算机可读信号介质248从另一设备或数据处理系统通过网络下载到永久存储器208,以便在数据处理系统200内使用。例如,存储在数据处理系统中的计算机可读存储媒质中的程序代码可以通过网络从数据处理系统下载到数据处理系统200。提供程序代码240的数据处理系统可以是服务器计算机、客户端计算机或能够存储和传输程序代码240的一些其他设备。
针对数据处理系统200示出的不同组件不意味着对可以实施不同实施例的方式提供架构限制。可以在数据处理系统中实现不同的说明性实施例,该数据处理系统包括除了数据处理系统200所示出的那些组件之外的组件,或者代替数据处理系统200所示出的那些组件的组件。图2中所示的其他部件可以不同于所示的说明性实例。不同的实施例可以使用能够执行程序代码的任何硬件设备或系统来实现。作为一个实例,数据处理系统200可以包括与无机部件集成的有机部件和/或可以完全由排除人类的有机部件组成。例如,存储装置可包括有机半导体。
作为另一示例,数据处理系统200中的计算机可读存储设备是可存储数据的任何硬件装置。存储器206、持久存储装置208和计算机可读存储介质246是有形形式的物理存储装置的示例。
在另一示例中,总线系统可用于实现通信结构202,并且可包括一个或多个总线,诸如系统总线或输入/输出总线。当然,总线系统可以使用任何合适类型的架构来实现,所述架构在附接到总线系统的不同组件或设备之间提供数据传输。另外,通信单元可包括用于发送和接收数据的一个或多个设备,诸如调制解调器或网络适配器。进一步,存储器可以是例如存储器206或例如在可存在于通信结构202中的接口和存储器控制器集线器中找到的高速缓存。
说明性实施例考虑了传统社会情感识别和经典计算机上的自然语言生成相关联的问题并提供了该问题的解决方案。例如,利用本发明的示例性实施方式以及叠加和纠缠的量子特性的计算机能够减少社会情感识别和自然语言生成所需的计算的数量,因此,通过减少计算机资源利用来提高计算机本身的性能。量子叠加使得说明性实施例能够在一个操作中识别自然语言文本中的社会情感。例如,量子叠加陈述了在给定地点和时间由两个或更多个情感刺激引起的净情感响应是由每个情感刺激引起的情感响应的总和。量子纠缠提供说明性实施例基于产生社会情感的单词生成自然语言文本的能力,该社会情感与在文本的独立自然语言章节(诸如句子、段落或文章)中表达的情感纠缠。例如,当对应于特定情感关键术语的独立粒子分开一定距离但作为情感关键术语相关时,发生量子纠缠。
说明性实施例利用量子位将情感数据编码到量子计算机的2n空间中,而不是经典计算机的二进制n空间中。因此,说明性实施例能够在一个步骤或操作中识别文本的自然语言段落中表达的社会情感。然后,纠缠可以导致对某一距离处的其他粒子的改变,其映射到情感关键术语。基于从文本的原始自然语言段落中提取的情感关键术语,这些距离上的变化确定哪些情感关键术语说明性实施例将为响应生成。
例如,说明性实施例将情感关键术语或关键词(例如,爱、玩、喜欢和憎恶)编码到社会情感量子位中。类似地,说明性实施例可以将具有类似语言学型态的其他语言(例如,主题-动词-对象(SVO)、动词-主题-对象(VSO)、动词-对象-主题(VOS)等)的等同情感关键术语编码成等同的社会情感量子位。因此,说明性实施例能够将以一种语言表达的情感转换成以不同语言表达的相同或相反情感,该不同语言具有与原始语言相似的语言学拓扑。语言学拓扑是根据语言的结构和功能特征对语言进行研究和分类的语言学领域。在语言学拓扑中,SVO是语句结构,其中主题首先到来,其次是动词并且其次是对象。英语是SV0语言学类型的示例。
编码的社会情感量子位可以处于自旋加速、自旋减速或同时自旋加速和自旋减速的组合的位置。因此,社会情感是实时值标度的。说明性实施例可以使用系数将社会情感量子位关联在一起。说明性实施例对从原始自然语言文本章节中提取的每个情感关键术语对应的所有情感值进行求和,以生成说明性实施例可以观察到的总情感值。说明性实施例还使用系数值将不可见的叠加状态求和在一起。当说明性实施例观察最终情感状态时,那么说明性实施例提供对应于最终情感状态的自旋加快或自旋减慢,这失去了组合状态。通过进行重复观察,说明性实施例可以确定对文本的原始自然语言章节的适当情感响应的概率视图或置信度值。在说明性实施例确定置信度值之后,那么说明性实施例可使用时间索引的词汇表通过基于情感的纠缠来微调情感响应。
进一步地,说明性实施例利用量子计算的并行计算,其具有可以采取2n个状态的大编码空间。说明性实施例采取与原始自然语言文本章节中表达的基础情感相对应的粒子之间的纠缠状态,并且影响所生成的情感词序列的系数值。因此,说明性实施例可自动生成自然语言词,该自然语言词将产生与原始基本情感一致的(即,相同的)社会情感或与原始基本情感形成对比(即,相反的)的社会情感。
现在参见图3,根据说明性实施例描绘了展示叠加的量子特性的实例的图。叠加量子特性300可以在量子计算机中实施,例如图1中的服务器104或图2中的数据处理系统200。叠加量子特性300在302描述了由两个或更多个情感刺激在特定时间点引起的净情感响应是由每个单独的情感刺激引起的情感响应的总和。
关键术语304表示对应于摄取的文本的自然语言段落的一组提取的情感关键术语。自旋306表示对应于关键术语304中的每个特定情感关键术语的预定义粒子自旋。说明性实施例将关键术语304编码到量子位中作为自旋306。系数308表示对对应于关键术语304的每一值进行加权的预定义值。应注意,情感关键术语值是在编码到这些量子位中之前的特定时间点处确定的。说明性实施例可利用系数308来将自旋306的电压转换成情感关键术语值。总情感310表示对应于关键术语304的所有情感关键术语值的总和。相关性的线性组合312表示对应于总情感310的情感关键术语相关性的组合。
现在参见图4,根据说明性实施例描绘了简图,展示了将情感编码到量子位作为粒子依情感关键词自旋的实例。被编码到量子位中的情感作为依关键词的自旋400可以在量子计算机中实施,例如图1中的服务器104或图2中的数据处理系统200。被编码到量子位中的情感作为依关键词的自旋400表示多个情感关键术语,这些情感关键术语是从摄取的文本的自然语言段落中提取的,其作为粒子依情感关键术语自旋被编码到社会情感量子位中。
在402处,说明性实施例使用量子纠缠来寻找程度相似的关键词。在该实例中,从摄取的文本的自然语言段落中提取的情感关键术语是关键词404,其包括词爱、玩、喜欢和憎恶。同样在该示例中,说明性实施例生成相反的关键词406,其包括字词轻视、坐、厌恶和欣赏。相反关键词406表示与关键词404直接相对的情感的一组情感关键术语。
为了确保相反关键词406表达与关键词404相反的情感,说明性实施例执行校验和操作并生成校验和值408。在该示例中,校验和值408等于零,其指示关键词404和相反关键词406表达对立情感。例如,如果关键词404的情感关键术语值等于肯定40,相反关键词406的情感关键术语值等于否定40,则添加肯定语40和否定40的结果是零。然而,应当注意,说明性实施例可利用可接受的容差范围(诸如,例如±5%)用于校验和值408,以确定说明性实施例是否生成对摄取的文本的自然语言段落的响应的正确情感。
此外,应当注意,说明性实施例可生成表达与关键词404相同或相似情感的一组情感关键术语。在这种情况下,校验和值408将等于2x。换言之,如果关键词404的情感关键术语值等于40并且表达相同情感的一组情感关键术语的情感关键术语值等于40,则添加这两个值的结果是80。
现在参见图5A-5B,示出了根据说明性实施例的用于生成对用户查询的自然语言文本响应的过程的流程图。图5A-5B中所示的过程可以在量子计算机(例如,图1中的服务器104或图2中的数据处理系统200)中实施。
当该量子计算机通过网络从客户端装置接收用户查询请求在信息域内的信息时,该过程开始(步骤502)。量子计算机使用自然语言处理来分析用户查询,以确定对应于用户查询的用户身份和用户意图(步骤504)。进一步地,量子计算机使用与信息域相对应的嵌入单词和词典文件,从用户查询中提取关键术语(例如,关键词或短语)(步骤506)。
量子计算机对所提取的关键术语执行情感分析,以确定用户查询的情感属性(步骤508)。此外,量子计算机使用时间索引的俚语词汇表,为情感属性确定日期范围(步骤510)。用时间索引的俚语词汇是由所定义的时间段(例如几十年和/或几百年)引用的时段特定俚语语言的字典。例如,俚语的时间索引的词汇表可以包括术语“出色”,其主要在1960年代使用,并且意味着优秀、很棒或酷。换言之,如果用户查询包含俚语术语出色,则量子计算机可确定情感属性的日期范围是1960-1969。之后,量子计算机将用户查询的情感属性编码到量子位作为粒子自旋(步骤512)。
此外,量子计算机观察编码的情感量子位中的粒子自旋以生成自旋数据(步骤514)。自旋数据可以是例如自旋电压。此外,量子计算机基于所生成的自旋数据,为用户查询中的每个情感关键术语,导出情感值(步骤516)。例如,量子计算机可将自旋电压映射到情感值,情感值对应于特定的情感词。量子计算机还可使用不同的系数值将权重分配给每个特定的情感词。
应当注意,步骤518、520、522、524、526和528分别与步骤506、508、510、512、514和516基本相同。此外,应当注意,该量子计算机与步骤506-516同时执行步骤518-528。进一步地,应注意的是,该量子计算机可以并行执行任何数量的这些步骤。同样,应注意的是,在情感量子位的编码过程中在步骤512与524之间发生一种相互作用。
在执行步骤506-516和518-528之后,量子计算机对导出的情感值执行校验和(步骤530)。例如,量子计算机生成对应于导出的情感值的校验和值。如果量子计算机生成一组与原始用户查询中表达的情感关键术语完全相反的情感关键术语,则量子计算机应当生成等于零的校验和值。可替代地,如果量子计算机生成表达与原始用户查询相同的情感的一组情感关键术语,则量子计算机应当生成是原始用户查询的情感值的两倍的校验和值。
此外,量子计算机通过组合与用户查询的每个情感关键术语对应的导出的情感值来确定用户查询的总情感(步骤532)。通过确定该用户查询所表达的总情感,该量子计算机能够以音调进行响应,该音调将适当的情感传达给该用户查询中所表达的总情感的音调。量子计算机还基于在步骤510和522确定的日期范围生成用户查询的总情感的时间段正确的情感特征(步骤534)。时间段正确的情感是以适合于定义的时间段(诸如1960年代)的俚语语言表达的情感。换言之,该量子计算机能够根据特定的时间段生成日期敏感的情感。例如,量子计算机可以生成1960年的俚语中表达的情感,其对应于在用户查询中表达情感的方式。进一步,量子计算机使用生成的时间段正确的用户查询的情感特征来生成对用户查询的自然语言文本响应(步骤536)。然后,该量子计算机将该自然语言文本响应经由该网络传输到该客户端装置(步骤538)。之后,处理结束。
现在参见图6,示出了根据说明性实施例的用于生成自然语言文本章节的过程的流程图,该自然语言文本章节表达与原始自然语言文本章节完全相反的情感。图6中所示的过程可以在量子计算机(例如,图1中的服务器104或图2中的数据处理系统200)中实施。
当量子计算机从客户计算机接收自然语言文本的原始段落时,该过程开始(步骤602)。自然语言文本可以是任何类型的文本段落,诸如例如新闻文章、来自书籍的段落、电子邮件、文本消息、问题票证等。此外,自然语言文本可以是任何语言。
量子计算机使用自然语言处理来分析自然语言文本的原始段落(步骤604)。量子计算机基于自然语言处理分析识别自然语言文本的原始章节中包括的第一组关键术语,所述第一组关键术语具有反映在自然语言文本的原始章节中表达的情感的第一组合情感(步骤606)。然后,量子计算机基于叠加的量子特性,将具有反映在自然语言文本的原始段落中表达的情感的第一组合情感的第一组关键术语编码成多个社会情感量子位,以形成多个编码的社会情感量子位(步骤608)。
然后,量子计算机基于纠缠的量子特性,从多个编码的社会情感量子位中自动生成第二组关键术语,该第二组关键术语具有与第一组合情感等同且相反的第二组合情感,使得第二组合情感完全相反于在自然语言文本的原始段落中表达的情感(步骤610)。由该量子计算机,使用该第二组关键术语,自动生成不同的自然语言文本段落,其表达与该原始自然语言文本段落相反的情感(步骤612)。然后,量子计算机在客户端计算机的显示设备中显示自然语言文本的不同段落,其表达自然语言文本的原始段落的相反情感(步骤614)。之后,处理结束。
因此,本发明的示范性实施例提供使用量子计算的社会情感的自然语言处理的计算机实现方法、计算机系统和计算机程序产品,以生成对应于从摄取的文本的自然语言段落中提取的情感关键术语的编码的情感量子位,然后基于编码的情感量子位以适合于在摄取的文本的自然语言段落中表达的情感的音调生成自然语言响应。以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (25)
1.一种用于生成对用户查询的自然语言文本响应的计算机实现的方法,所述计算机实现的方法包括:
由计算机,将所述用户查询中的情感属性编码到量子位作为粒子自旋;
由所述计算机,观察编码的情感量子位中的粒子自旋,以生成自旋数据;
由所述计算机,基于所生成的自旋数据,导出所述用户查询的每个情感关键术语的情感值;
由所述计算机,通过组合对应于所述用户查询的每个情感关键术语的导出的情感值来确定所述用户查询的总情感;
由所述计算机,基于所确定的所述用户查询的总情感,生成对所述用户查询的自然语言文本响应;并且
由所述计算机,经由网络向客户端设备发送所述自然语言文本响应。
2.根据权利要求1所述的计算机实现方法,进一步包括:
由所述计算机,经由所述网络从所述客户端设备,接收信息域内的所述用户查询请求信息;
由所述计算机,使用自然语言处理,来分析所述用户查询,以确定对应于所述用户查询的用户身份和用户意图;并且
由所述计算机,使用所述信息域对应的嵌入词汇和词典文件,从所述用户查询中提取关键术语。
3.根据权利要求2所述的计算机实现方法,进一步包括:
由所述计算机,对所提取的关键术语执行情感分析,以确定所述用户查询的情感属性。
4.根据权利要求3所述的计算机实现方法,进一步包括:
由所述计算机,使用时间索引的词汇表,确定所述情感属性的日期范围。
5.根据权利要求4所述的计算机实现方法,进一步包括:
由所述计算机,基于所确定的日期范围,生成所述用户查询的时间段正确情感。
6.根据权利要求1所述的计算机实现方法,进一步包括:
由所述计算机,对与所述用户查询的每个情感关键术语对应的所述导出的情感值执行校验和。
7.根据权利要求1所述的计算机实现方法,其中,所述自旋数据是自旋电压,其中,每个自旋电压映射到特定情感关键术语值,并且其中,所述特定情感关键术语值识别特定情感关键术语。
8.一种用于生成自然语言文本章节的计算机实现的方法,所述自然语言文本章节表达与原始自然语言文本章节的情感相反的情感,所述计算机实现的方法包括:
由计算机,使用自然语言处理,来分析自然语言文本的原始段落;
由所述计算机,基于所述分析,识别自然语言文本的所述原始章节中包括的第一组关键术语,所述第一组关键术语具有反映在所述自然语言文本的所述原始章节中表达的情感的第一组合情感;
由所述计算机,基于量子叠加,将具有反映在自然语言文本的原始段落中表达的情感的第一组合情感的第一组关键术语编码到多个社会情感量子位中,以形成多个编码的社会情感量子位;
由所述计算机,基于量子纠缠,从所述多个编码的社会情感量子位生成第二组关键术语,所述第二组关键术语具有与所述第一组合情感相反的第二组合情感,使得所述第二组合情感与在自然语言文本的所述原始章节中表达的所述情感相反;并且
由所述计算机,使用所述第二组关键术语,生成自然语言文本的不同章节,所述不同章节表达与所述自然语言文本的原始章节的情感相反的情感。
9.如权利要求8所述的计算机实现的方法,进一步包括:
由所述计算机,在客户端计算机的显示设备中,显示表达与所述自然语言文本的原始章节的情感相反的情感的所述自然语言文本的不同章节。
10.一种用于生成对用户查询的自然语言文本响应的计算机系统,所述计算机系统包括:
总线系统;
连接到所述总线系统的存储设备,其中所述存储设备存储程序指令;并且
连接到所述总线系统的处理器,其中所述处理器执行所述程序指令以:
将所述用户查询中的情感属性编码到量子位作为粒子自旋;
观察编码的情感量子位中的粒子自旋以生成自旋数据;
基于所生成的自旋数据,导出所述用户查询的每个情感关键术语的情感值;
通过组合与所述用户查询的每个情感关键术语对应的导出的情感值,来确定所述用户查询的总情感;
基于所确定的所述用户查询的总情感,生成对所述用户查询的自然语言文本响应;并且
经由网络向客户端设备发送所述自然语言文本响应。
11.根据权利要求10所述的计算机系统,其中,所述处理器进一步执行所述程序指令以:
经由网络从客户端设备接收信息域内的用户查询请求信息;
使用自然语言处理来分析所述用户查询,以确定对应于所述用户查询的用户身份和用户意图;并且
使用与所述信息域对应的嵌入词和词典文件从所述用户查询中提取关键术语。
12.根据权利要求11所述的计算机系统,其中,所述处理器进一步执行所述程序指令以:
对提取的关键术语执行情感分析,以确定所述用户查询的情感属性。
13.根据权利要求12所述的计算机系统,其中,所述处理器进一步执行所述程序指令以:
使用时间索引的词汇表确定所述情感属性的日期范围。
14.根据权利要求13所述的计算机系统,其中,所述处理器进一步执行所述程序指令以:
基于所确定的日期范围生成所述用户查询的时间段正确情感。
15.根据权利要求10所述的计算机系统,其中,所述处理器进一步执行所述程序指令以:
对所述用户查询的每个情感关键术语对应的导出的情感值执行校验和。
16.根据权利要求10所述的计算机系统,其中,所述自旋数据是自旋电压,其中,每个自旋电压映射至特定情感关键术语值,并且其中,所述特定情感关键术语值识别特定情感关键术语。
17.一种用于生成对用户查询的自然语言文本响应的计算机程序产品,所述计算机程序产品包括计算机可读存储介质,所述计算机可读存储介质具有随其体现的程序指令,所述程序指令可由计算机执行以使所述计算机执行一种方法,所述方法包括:
由所述计算机,将所述用户查询中的情感属性编码到量子位作为粒子自旋;
通过所述计算机,观察编码的情感量子位中的粒子自旋以生成自旋数据;
由所述计算机,基于所生成的自旋数据,导出所述用户查询的每个情感关键术语的情感值;
由所述计算机,通过组合对应于所述用户查询的每个情感关键术语的导出的情感值来确定所述用户查询的总情感;
由所述计算机,基于所确定的所述用户查询的总情感生成对所述用户查询的自然语言文本响应;并且
由所述计算机,经由网络向客户端设备发送所述自然语言文本响应。
18.根据权利要求17所述的计算机程序产品,进一步包括:
由所述计算机,经由所述网络,从所述客户端设备接收信息域内的所述用户查询请求信息;
由所述计算机,使用自然语言处理来分析所述用户查询,以确定对应于所述用户查询的用户身份和用户意图;并且
所述计算机,使用所述信息域对应的嵌入词汇和词典文件从所述用户查询中提取关键术语。
19.根据权利要求18所述的计算机程序产品,进一步包括:
由所述计算机,对所提取的关键术语执行情感分析,以确定所述用户查询的情感属性。
20.根据权利要求19所述的计算机程序产品,进一步包括:
由所述计算机,使用时间索引的词汇表确定所述情感属性的日期范围。
21.根据权利要求20所述的计算机程序产品,进一步包括:
由所述计算机,基于所确定的日期范围,生成所述用户查询的时间段正确情感。
22.根据权利要求17所述的计算机程序产品,进一步包括:
由所述计算机,对与所述用户查询的每个情感关键术语对应的所述导出的情感值执行校验和。
23.根据权利要求17所述的计算机程序产品,其中,所述自旋数据是自旋电压,其中,每个自旋电压映射到特定的情感关键术语值,并且其中,所述特定的情感关键术语值识别特定的情感关键术语。
24.一种用于生成自然语言文本章节的计算机程序产品,所述自然语言文本章节表达与原始自然语言文本章节相反的情感,所述计算机程序产品包括计算机可读存储介质,所述计算机可读存储介质具有随其体现的程序指令,所述程序指令可由计算机执行以使所述计算机执行方法,所述方法包括:
由所述计算机,使用自然语言处理,来分析自然语言文本的原始段落;
由所述计算机,基于所述分析,识别自然语言文本的所述原始章节中包括的第一组关键术语,所述第一组关键术语具有反映在所述自然语言文本的所述原始章节中表达的情感的第一组合情感;
由所述计算机,基于量子叠加,将具有反映在自然语言文本的原始段落中表达的情感的第一组合情感的第一组关键术语编码到多个社会情感量子位中,以形成多个编码的社会情感量子位;
由所述计算机,基于量子纠缠,从所述多个编码的社会情感量子位生成第二组关键术语,所述第二组关键术语具有与所述第一组合情感相反的第二组合情感,使得所述第二组合情感与在自然语言文本的所述原始章节中表达的所述情感相反;并且
由所述计算机,使用所述第二组关键术语生成自然语言文本的不同章节,所述不同章节表达与所述自然语言文本的原始章节的情感相反的情感。
25.如权利要求24所述的计算机程序产品,进一步包括:
由所述计算机,在客户端计算机的显示设备中显示表达与所述自然语言文本的原始章节的情感相反的情感的所述自然语言文本的不同章节。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/888,314 | 2018-02-05 | ||
US15/888,314 US11188592B2 (en) | 2018-02-05 | 2018-02-05 | Quantum superposition and entanglement of social sentiment and natural language generation |
PCT/EP2019/051021 WO2019149524A1 (en) | 2018-02-05 | 2019-01-16 | Quantum superposition and entanglement of social sentiment and natural language generation |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111527492A true CN111527492A (zh) | 2020-08-11 |
CN111527492B CN111527492B (zh) | 2024-03-01 |
Family
ID=65041745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980007015.1A Active CN111527492B (zh) | 2018-02-05 | 2019-01-16 | 社会情感与自然语言生成的量子的叠加与纠缠 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11188592B2 (zh) |
JP (1) | JP7106647B2 (zh) |
CN (1) | CN111527492B (zh) |
WO (1) | WO2019149524A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11423221B2 (en) * | 2018-12-31 | 2022-08-23 | Entigenlogic Llc | Generating a query response utilizing a knowledge database |
US11487936B2 (en) * | 2020-05-27 | 2022-11-01 | Capital One Services, Llc | System and method for electronic text analysis and contextual feedback |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140171133A1 (en) * | 2012-12-18 | 2014-06-19 | Google Inc. | Query response |
CN104731773A (zh) * | 2015-04-17 | 2015-06-24 | 深圳证券信息有限公司 | 文本情感分析方法及系统 |
CN105453514A (zh) * | 2013-05-28 | 2016-03-30 | 格罗方德公司 | 使用自然语言处理进行的规则执行 |
CN106844646A (zh) * | 2017-01-22 | 2017-06-13 | 竹间智能科技(上海)有限公司 | 基于情绪预测的人工智能回话方法及装置 |
CN107332628A (zh) * | 2017-07-05 | 2017-11-07 | 哈尔滨理工大学 | 基于量子纠缠和最小二乘法的计算机编码方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5768297A (en) | 1995-10-26 | 1998-06-16 | Lucent Technologies Inc. | Method for reducing decoherence in quantum computer memory |
US20090138356A1 (en) | 2006-08-24 | 2009-05-28 | Skygrid, Inc. | Systems and methods for content delivery |
CN101075808A (zh) | 2007-05-16 | 2007-11-21 | 万继华 | 智能型组合门电路和jh量子编译器 |
US20130018875A1 (en) * | 2011-07-11 | 2013-01-17 | Lexxe Pty Ltd | System and method for ordering semantic sub-keys utilizing superlative adjectives |
US20130173254A1 (en) | 2011-12-31 | 2013-07-04 | Farrokh Alemi | Sentiment Analyzer |
CN103294108A (zh) | 2012-02-27 | 2013-09-11 | 高明利 | 经典计算机改造成自然语言量子计算机的一种方法 |
KR101423549B1 (ko) * | 2012-10-26 | 2014-08-01 | 고려대학교 산학협력단 | 감상 기반 질의 처리 시스템 및 방법 |
WO2014071330A2 (en) | 2012-11-02 | 2014-05-08 | Fido Labs Inc. | Natural language processing system and method |
US10037491B1 (en) * | 2014-07-18 | 2018-07-31 | Medallia, Inc. | Context-based sentiment analysis |
GB2554554B (en) * | 2015-03-09 | 2021-08-25 | Mosca Michele | Quantum circuit synthesis using deterministic walks |
US10311069B2 (en) | 2016-06-02 | 2019-06-04 | International Business Machines Corporation | Sentiment normalization using personality characteristics |
US10984034B1 (en) * | 2016-10-05 | 2021-04-20 | Cyrano.ai, Inc. | Dialogue management system with hierarchical classification and progression |
-
2018
- 2018-02-05 US US15/888,314 patent/US11188592B2/en active Active
-
2019
- 2019-01-16 WO PCT/EP2019/051021 patent/WO2019149524A1/en active Application Filing
- 2019-01-16 JP JP2020535521A patent/JP7106647B2/ja active Active
- 2019-01-16 CN CN201980007015.1A patent/CN111527492B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140171133A1 (en) * | 2012-12-18 | 2014-06-19 | Google Inc. | Query response |
CN105453514A (zh) * | 2013-05-28 | 2016-03-30 | 格罗方德公司 | 使用自然语言处理进行的规则执行 |
CN104731773A (zh) * | 2015-04-17 | 2015-06-24 | 深圳证券信息有限公司 | 文本情感分析方法及系统 |
CN106844646A (zh) * | 2017-01-22 | 2017-06-13 | 竹间智能科技(上海)有限公司 | 基于情绪预测的人工智能回话方法及装置 |
CN107332628A (zh) * | 2017-07-05 | 2017-11-07 | 哈尔滨理工大学 | 基于量子纠缠和最小二乘法的计算机编码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111527492B (zh) | 2024-03-01 |
JP7106647B2 (ja) | 2022-07-26 |
JP2021512384A (ja) | 2021-05-13 |
US20190243925A1 (en) | 2019-08-08 |
US11188592B2 (en) | 2021-11-30 |
WO2019149524A1 (en) | 2019-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220352B (zh) | 基于人工智能构建评论图谱的方法和装置 | |
JP7412060B2 (ja) | 自然言語分類のための訓練データの拡張 | |
US9886501B2 (en) | Contextual content graph for automatic, unsupervised summarization of content | |
US9881082B2 (en) | System and method for automatic, unsupervised contextualized content summarization of single and multiple documents | |
US10134389B2 (en) | Clustering user utterance intents with semantic parsing | |
US10170014B2 (en) | Domain-specific question-answer pair generation | |
US20210216580A1 (en) | Method and apparatus for generating text topics | |
US9373075B2 (en) | Applying a genetic algorithm to compositional semantics sentiment analysis to improve performance and accelerate domain adaptation | |
CN106960030B (zh) | 基于人工智能的推送信息方法及装置 | |
EP3343400A1 (en) | System and method for dynamically creating a domain ontology | |
US11157536B2 (en) | Text simplification for a question and answer system | |
JP7335300B2 (ja) | 知識事前訓練モデルの訓練方法、装置及び電子機器 | |
US20210056169A1 (en) | Example based entity extraction, slot filling and value recommendation | |
CN110929523B (zh) | 共指解析和实体链接 | |
US11328181B2 (en) | Knowledge graph-based query in artificial intelligence chatbot with base query element detection and graph path generation | |
CN111527492B (zh) | 社会情感与自然语言生成的量子的叠加与纠缠 | |
Shruthi et al. | A prior case study of natural language processing on different domain | |
Uteuov et al. | Combined document embedding and hierarchical topic model for social media texts analysis | |
US20210263732A1 (en) | Context-based word embedding for programming artifacts | |
CN114416941A (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 | |
Li et al. | Emotion analysis for the upcoming response in open-domain human-computer conversation | |
Wang et al. | Recognizing sentiment of relations between entities in text | |
CN112214600B (zh) | 一种聊天文本特征分类方法、装置及存储介质 | |
Kowsher | A Book on Mathematical and Statistical Procedures for Bangla Optimized Intelligence Bot | |
Sivasubramanian et al. | Sentiment analysis on micro-blogs |
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 |