CN112805743A - 用于基于知识图谱来提供内容的系统和方法 - Google Patents
用于基于知识图谱来提供内容的系统和方法 Download PDFInfo
- Publication number
- CN112805743A CN112805743A CN201980066278.XA CN201980066278A CN112805743A CN 112805743 A CN112805743 A CN 112805743A CN 201980066278 A CN201980066278 A CN 201980066278A CN 112805743 A CN112805743 A CN 112805743A
- Authority
- CN
- China
- Prior art keywords
- graph
- knowledge
- server
- model
- user
- 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
Links
- 238000000034 method Methods 0.000 title claims description 53
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 196
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000007635 classification algorithm Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 30
- 230000006870 function Effects 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 8
- 235000015220 hamburgers Nutrition 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioethics (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
提供一种使用机器学习算法的人工智能(AI)系统和AI系统的应用。一种用于基于知识图谱来提供内容的设备包括:处理器,被配置为执行指令以:获得与设备相关的上下文信息;通过输入所获得的上下文信息到用于确定与设备的用户相关的实体之间的关系的第一AI模型,获得设备的用户的第一设备知识图谱;从服务器请求由服务器生成的服务器知识图谱;接收服务器知识图谱;通过输入所获得的第一设备知识图谱和所接收的服务器知识图谱到用于扩展第一设备知识图谱的第二AI模型,获得用户的第二设备知识图谱;以及基于所获得的第二设备知识图谱来提供内容。
Description
技术领域
本公开涉及用于基于知识图谱来提供内容的系统和方法,并且更具体地,涉及用于基于考虑用户隐私的知识图谱来提供内容的系统和方法。
背景技术
不同于现有的基于规则的智能系统,人工智能(AI)系统是一种被配置为通过训练自己并且自发地做出决定以变得更智能的计算机系统。由于随着AI系统被越来越多地使用,AI系统的识别率提高并且AI系统更准确地理解用户喜好,基于规则的智能系统正在逐渐被基于深度学习的AI系统所取代。
AI技术包括机器学习(例如,深度学习)和使用机器学习的元素技术(elementtechnology)。机器学习是一种自分类/学习输入数据特征的算法技术,而元素技术是使用诸如深度学习的机器学习算法的技术,并且包括诸如语言理解、视觉理解、推断/预测、知识表示和运动控制的技术领域。
应用AI技术的各种领域如下。语言理解是一种用于识别和应用/处理人类语言/字符的技术,并且包括自然语言处理、机器翻译、对话系统、问题回答和语音识别/合成。视觉理解是一种用于像人类视觉系统一样识别和处理对象的技术,并且包括对象识别、对象追踪、图像搜索、人员识别、场景理解、空间理解和图像增强。推断/预测是一种用于判断信息并且在逻辑上对其进行推断和预测的技术,并且包括基于知识/概率的论证、优化预测、基于偏好的规划和推荐。知识表示是一种用于将人类经验信息并入知识数据中的自动化技术,并且包括知识建立(例如,数据生成/分类)和知识管理(例如,数据利用)。运动控制是一种用于控制自动驾驶车辆的自动行驶和机器人运动的技术,并且包括移动控制(例如,导航、碰转避免或驾驶)和操纵控制(例如,行为控制)。
此外,对于用于保护用户隐私并且有效地扩展与用户相关的知识图谱的AI技术有需求。
发明内容
提供了通过使用多个人工智能(AI)模型来获得和使用与用户相关的知识图谱的系统和方法。
还提供了用于保护个体隐私以及获得和使用与用户相关的知识图谱的系统和方法。
此外,提供了用于有效地扩展与用户相关的知识图谱并且通过设备和服务器之间的协作向用户提供推荐内容的系统和方法。
其他方面将部分地在之后的描述中被阐述,以及部分地从描述中将是显而易见的,或者可以通过给出的实施例的实践而获知。
附图说明
根据结合附图所进行的以下描述,本公开的某些实施例的以上和其他方面、特征和优点将变得更显而易见,附图中:
图1是根据实施例的用于基于关于用户的知识图谱来提供内容的系统的图解;
图2是根据实施例的由设备执行的通过使用基于人工智能(AI)模型的知识图谱来提供内容的方法的流程图;
图3是根据实施例的由设备执行的生成第一设备知识图谱的方法的流程图;
图4是根据实施例的由设备执行的设置类别与隐私等级来接收定制内容的方法的流程图;
图5是根据实施例的由设备执行的通过使用与具体类别对应的服务器知识图谱来扩展第一设备知识图谱的方法的流程图;
图6是根据实施例的由设备执行的通过使用设备操作信息和第二设备知识图谱来确定要向用户提供的内容的方法的流程图;
图7是根据实施例的由系统执行的向用户提供定制内容的方法的图解;
图8是示出根据实施例的设备通过使用指示与设备相关的上下文的文本来生成第一设备知识图谱的示例的图解;
图9是示出根据实施例的设备选择类别以接收定制内容的示例的图解;
图10是示出根据实施例的设备为类别选择隐私等级的示例的图解;
图11是示出根据实施例的第一设备知识图谱和第二设备知识图谱的图解;
图12是示出根据实施例的设备通过使用第一AI模型来生成第一设备知识图谱的示例的图解;
图13是示出根据实施例的设备通过使用第一AI模型和第二AI模型来生成第一设备知识图谱和第二设备知识图谱的示例的图解;
图14是示出根据实施例的设备通过使用第三AI模型来确定推荐内容的示例的图解;
图15是示出根据实施例的设备通过使用第四AI模型来生成第二设备知识图谱的示例的图解;
图16是示出根据实施例的设备通过使用第五AI模型来确定推荐内容的示例的图解;
图17是根据实施例的设备的框图;
图18是根据实施例的设备的框图;以及
图19是根据实施例的服务器的框图。
具体实施方式
根据本公开的方面,一种用于基于知识图谱来提供内容的设备包括:用于基于知识图谱来提供内容的设备,所述设备包括:通信接口;存储器,存储一个或多个指令;以及处理器,被配置为执行一个或多个指令以:获得与设备相关的上下文信息;通过输入所获得的上下文信息到用于确定与设备的用户相关的实体之间的关系的第一人工智能(AI)模型,获得设备的用户的第一设备知识图谱;控制从服务器请求由服务器生成的服务器知识图谱;控制从服务器接收服务器知识图谱;通过输入所获得的第一设备知识图谱和所接收的服务器知识图谱到用于扩展第一设备知识图谱的第二AI模型,获得用户的第二设备知识图谱;以及基于所获得的第二设备知识图谱来提供内容。
第一AI模型和第二AI模型中的每一个可以是通过使用以下中的至少一个作为AI算法来训练的AI模型:机器学习算法、神经网络算法、遗传算法、深度学习算法或者分类算法。
服务器知识图谱可以由服务器基于设备和至少一个其它设备提供到服务器的大数据而生成。
处理器还可以被配置为执行一个或多个指令以将上下文信息处理成指示顺序操作的文本,并且将文本输入到第一AI模型中。
处理器还可以被配置为执行一个或多个指令以确定第一设备知识图谱的隐私等级,并且将确定的隐私等级输入到第一AI模型;以及从第一AI模型输出的第一设备知识图谱中的部分数据可以包括根据隐私等级摘取的数据。
处理器还可以被配置为执行一个或多个指令以将类别输入到第一AI模型;以及可以从第一AI模型中输出与输入类别对应的第一设备知识图谱。
第一AI模型可以通过以下中的至少一个来输出第一设备知识图谱:实体提取、实体分析与摘取以及关系提取。
处理器还可以被配置为执行一个或多个指令以:控制向服务器发送关于用户的用户简档的信息;以及控制从服务器接收与用户简档相关的服务器知识图谱。
处理器还可以被配置为执行一个或多个指令以控制向服务器发送特定类别,以及从服务器接收与特定类别对应的服务器知识图谱。
处理器还可以被配置为执行一个或多个指令以:通过输入设备的操作信息和第二设备知识图谱到第三AI模型,确定要推荐给用户的内容;以及控制向内容提供服务器请求所确定的要推荐的内容。
根据本公开的另一个方面,一种由设备执行的基于知识图谱来提供内容的方法,包括:获得与设备相关的上下文信息;通过输入所获得的上下文信息到用于确定与设备的用户相关的实体之间的关系的第一人工智能(AI)模型,获得设备的用户的第一设备知识图谱;从服务器请求由服务器生成的服务器知识图谱;从服务器接收服务器知识图谱;通过输入所获得的第一设备知识图谱和所接收的服务器知识图谱到用于扩展第一设备知识图谱的第二AI模型,获得用户的第二设备知识图谱;以及基于所获得的第二设备知识图谱来提供内容。
第一AI模型和第二AI模型中的每一个可以是通过使用以下中的至少一个作为AI算法来训练的AI模型:机器学习算法、神经网络算法、遗传算法、深度学习算法或者分类算法。
服务器知识图谱可以由服务器基于设备和至少一个其它设备提供到服务器的大数据而生成。
该方法还可以包括将上下文信息处理成指示顺序操作的文本,其中,获得第一设备知识图谱可以包括输入文本到第一AI模型。
该方法还可以包括确定第一设备知识图谱的隐私等级,其中,获得第一设备知识图谱可以包括输入隐私等级到第一AI模型,以及其中,从第一AI模型输出的第一设备知识图谱中的部分数据可以包括根据隐私等级摘取的数据。
获得第一设备知识图谱可以包括输入类别到第一AI模型;以及可以从第一AI模型中输出与输入类别对应的第一设备知识图谱。
第一AI模型可以通过以下中的至少一个来输出第一设备知识图谱:实体提取、实体分析与摘取以及关系提取。
从服务器请求服务器知识图谱可以包括向服务器发送关于用户的用户简档的信息;以及接收服务器知识图谱可以包括从服务器接收与用户简档相关的服务器知识图谱。
从服务器请求服务器知识图谱可以包括向服务器发送特定类别;以及接收服务器知识图谱可以包括从服务器接收与特定类别对应的服务器知识图谱。
根据本公开的另一个方面,一种非暂时性计算机可读记录介质,其上记录有可由至少一个处理器执行的程序以执行:获得与设备相关的上下文信息;通过输入所获得的上下文信息到用于确定与设备的用户相关的实体之间的关系的第一人工智能(AI)模型,获得设备的用户的第一设备知识图谱;控制从服务器请求由服务器生成的服务器知识图谱;控制从服务器接收服务器知识图谱;通过输入所获得的第一设备知识图谱和所接收的服务器知识图谱到用于扩展第一设备知识图谱的第二AI模型,获得用户的第二设备知识图谱;以及基于获得的第二设备知识图谱来提供内容。
第一AI模型和第二AI模型中的每一个可以是通过使用以下中的至少一个作为AI算法来训练的AI模型:机器学习算法、神经网络算法、遗传算法、深度学习算法或者分类算法。
服务器知识图谱可以由服务器基于设备和至少一个其它设备提供到服务器的大数据而生成。
可以由至少一个处理器执行程序以进一步执行将上下文信息处理成指示顺序操作的文本;以及获得第一设备知识图谱可以包括输入文本到第一AI模型。
可以由至少一个处理器执行程序以进一步执行确定第一设备知识图谱的隐私等级;获得第一设备知识图谱可以包括输入隐私等级到第一AI模型;以及从第一AI模型输出的第一设备知识图谱中的部分数据可以包括根据隐私等级摘取的数据。
获得第一设备知识图谱可以包括输入类别到第一AI模型;以及可以从第一AI模型中输出与输入类别对应的第一设备知识图谱。
根据本公开的另一个方面,一种用于基于知识图谱来提供内容的设备包括:存储器,存储一个或多个指令;以及处理器,被配置为执行一个或多个指令以:通过输入与设备相关的上下文信息到用于确定与设备的用户相关的实体之间的关系的第一人工智能(AI)模型,获得设备的用户的第一设备知识图谱;控制从服务器接收服务器知识图谱;通过输入所获得的第一设备知识图谱和所接收的服务器知识图谱到用于扩展第一设备知识图谱的第二AI模型,获得用户的第二设备知识图谱;以及基于所获得的第二设备知识图谱来获得内容。
第一AI模型和第二AI模型中的每一个可以是通过使用以下中的至少一个作为AI算法来训练的AI模型:机器学习算法、神经网络算法、遗传算法、深度学习算法或者分类算法。
服务器知识图谱可以由服务器基于设备和至少一个其它设备提供到服务器的大数据而生成。
处理器还可以被配置为执行一个或多个指令以将上下文信息处理成指示顺序操作的文本,并且将文本输入到第一AI模型中。
处理器还可以被配置为执行一个或多个指令以确定第一设备知识图谱的隐私等级,并且将确定的隐私等级输入到第一AI模型;以及从第一AI模型输出的第一设备知识图谱中的部分数据可以包括根据隐私等级摘取的数据。
发明模式
在下文中,将详细描述本公开的实施例以充分传达本公开的范围并使得本领域的普通技术人员能够容易地实施和实践本公开。本公开的实施例可以以各种形式实施,并且本公开不限于以下详细描述的具体实施例。此外,相同的附图标记指代相同的元素。
在整个公开中,表述诸如“a、b或c中的至少一个”与“a、b和c中的至少一个”表示只有a,只有b,只有c,a和b两者,a和c两者,b和c两者,a、b和c全部,或者其变体。
在整个说明书中,可以理解的是,当提及一个元件“连接”到另一个元件时,该元件可以“直接连接”到另一个元件或者使用其间的中间元件“电连接”到另一个元件。还可以理解的是,当一个部分“包括”或者“包括”一个元件,除非另有定义,否则该部分可以进一步包括其它元件,而非排除其它元件。
在说明书中,设备知识图谱可以是在用户设备中生成的知识图谱。设备知识图谱可以通过反映用户设备中收集的用户隐私信息而生成。
另外,服务器知识图谱可以是在服务器中生成的知识图谱。服务器知识图谱可以基于从各种设备收集的大数据由服务器生成。
此外,人工智能(AI)模型可以是通过使用以下中的至少一个作为AI算法来训练的AI模型:机器学习算法、神经网络算法、遗传算法、深度学习算法或分类算法。
此外,内容可以是通过有线/无线通信网络提供的数字信息。内容的示例可以包括,但不限于:广告内容、动态图像内容(例如,电视节目、视频点播(VOD)、用户创建内容(UCC)、音乐视频或者YOUTUBE视频)、静止图像内容(例如,照片或者图片),文本内容(例如,包括诗歌和小说的电子书籍、信件或者工作文件)、音乐内容(例如,音乐、表演或者电台广播)、网页和应用执行信息。
现在将参考附图,更加充分地描述实施例。
图1是根据实施例的用于基于关于用户的知识图谱来提供内容的系统的图解。
参考图1,用于基于关于用户的知识图谱来提供内容的系统可以包括设备1000、服务器2000和内容提供服务器3000。
设备1000可以收集关于设备1000的上下文信息,并且可以通过使用所收集的上下文信息和至少一个AI模型来生成设备知识图谱。此外,设备1000可以从服务器2000接收由服务器2000生成的服务器知识图谱,并且可以通过使用所接收的服务器知识图谱和至少一个AI模型来扩展或扩大设备知识图谱。设备1000生成和扩展的设备知识图谱可以包括与用户隐私相关的信息,并且包括隐私信息的设备知识图谱可以在设备1000中使用和管理。此外,设备1000可以通过使用扩展的设备知识图谱来确定要推荐给用户的内容,并且可以从内容提供服务器3000接收所确定的推荐内容。
服务器2000可以基于从各种设备1000接收的大数据来生成服务器知识图谱。用于生成服务器知识图谱的大数据可以是不包括与用户隐私相关的信息的数据。例如,大数据可以包括从用户隐私信息中摘取的信息。
内容提供服务器3000可以是管理内容并且向设备1000提供内容的服务器。内容提供服务器3000可以是提供例如电影、游戏、广告等的服务器。
设备1000的示例可以包括,但不限于,智能手机、平板个人计算机(PC)、PC、智能电视(TV)、移动电话、个人数字助理(PDA)、笔记本电脑、媒体播放器、微型服务器、全球定位系统(GPS)设备、电子书籍终端、数字广播终端、导航系统、自助服务终端(kiosk)、MP3播放器、数码相机、家用电器、便携式媒体设备以及任何其他移动或者非移动计算设备。此外,设备1000的示例可以包括具有通信功能和数据处理功能的可穿戴设备,诸如手表、眼镜、发带或戒指。然而,可以理解的是,本公开不限于此,并且设备1000可以包括通过网络向服务器2000和内容提供服务器3000发送数据/从服务器2000和内容提供服务器3000接收数据的任何类型的设备。
网络的示例可以包括局域网(LAN)、广域网(WAN)、增值网络(VAN)、移动无线电通信网络、卫星通信网络以及其组合。此外,网络广义上是指用于网络组件之间顺畅通信的数据通信网络,并且网络的示例可以包括有线互联网、无线互联网以及移动无线通信网络。
无线通信的示例可以包括,但不限于,Wi-Fi、蓝牙、蓝牙低能耗、Zigbee、Wi-Fi直连(WFD)、超宽带(UWB)、红外线数据关联(IrDA)和近场通信(NFC)。
图2是根据实施例的由设备1000执行的通过使用基于AI模型的知识图谱来提供内容的方法的流程图。
参考图2,在操作S200,设备1000可以获得与设备1000相关的上下文信息。设备1000可以监控设备1000中应用的操作,并且可以从设备1000的传感器和与设备1000连接的另一个设备中收集与设备1000相关的信息。
上下文信息可以包括但不限于以下中的至少一个:设备1000的周围环境信息、设备1000的状态信息、使用设备1000的用户的状态信息、用户的设备使用历史信息或者用户的日程信息。设备1000的周围环境信息是指距离设备1000一定半径内的环境信息,并且可以包括但不限于以下中的至少一个:气象信息、温度信息、湿度信息、照度信息、噪音信息和声音信息。设备1000的状态信息可以包括但不限于以下中的至少一个:关于设备1000的模式(例如,声音模式、振动模式、静音模式、节电模式、截止模式、多窗口模式或者自动旋转模式)的信息、设备1000的位置信息、时间信息、通信模块的激活信息(例如,Wi-Fi开启,Bluetooth关闭,GPS开启,或者NFC关闭)、设备1000的网络连接状态信息和关于设备1000执行的应用的信息(例如,应用识别信息、应用类型、应用使用时间或者应用使用周期)。用户的状态信息是指关于用户移动或生活模式的信息,并且可以包括但不限于以下中的至少一个:关于用户的行走状态、运动状态、驾驶状态、睡眠状态和情绪状态的信息。用户的设备使用历史信息是指关于用户使用设备1000的事件的信息,并且可以包括但不限于关于以下中的至少一个的信息:应用的执行、应用执行的功能、用户的电话交谈和用户的文本消息。
在操作S210,设备1000可以通过输入上下文信息到第一AI模型来获得第一设备知识图谱。例如,设备1000可以处理上下文信息,并且可以通过输入所处理的上下文信息到第一AI模型来获得第一设备知识图谱。
第一设备知识图谱可以是基于与用户和/或设备1000相关的上下文生成的知识图谱,并且可以通过反映与用户隐私相关的信息来生成。第一AI模型可以是基于用户和/或设备1000的上下文来生成和更新知识图谱的AI模型。AI模型可以通过使用以下中的至少一个作为AI算法来训练:机器学习算法、神经网络算法、遗传算法、深度学习算法或分类算法。第一AI模型可以用于提取上下文信息中的实体,并且推断所提取的实体之间的关系。
设备1000可以为特定类别中的每一个生成第一设备知识图谱。设备1000可以根据隐私等级来生成第一设备知识图谱以保护用户的个人信息。隐私等级可以表示用户的个人信息被保护的程度,以及根据隐私等级,可以确定与第一设备知识图谱中的数据中的用户的隐私相关的数据被摘取的程度。
在操作S220,设备1000可以从服务器2000请求服务器知识图谱。例如,设备1000可以向服务器2000发送与用户简档相关的信息和用户选择的类别识别值中的至少一个,并且可以从服务器2000请求服务器知识图谱。
服务器知识图谱是由服务器2000生成的知识图谱,服务器知识图谱可以是基于从各种用户和各种设备接收的大数据所生成的知识图谱。用于生成服务器知识图谱的大数据可以包括与各种环境相关的上下文信息,以及可以是不包括与个体隐私相关的信息的数据。此外,服务器知识图谱可以由特定AI模型使用大数据作为输入值来生成,并且可以,例如,针对每一个类别和用户的简档特征来生成。
在操作S230,设备1000可以从服务器2000接收服务器知识图谱。设备1000可以接收与用户简档相关的服务器知识图谱。此外,设备1000可以接收与用户选择的类别相关的服务器知识图谱。
在操作S240,设备1000可以通过输入第一设备知识图谱和服务器知识图谱到第二AI模型来获得第二设备知识图谱。第二设备知识图谱可以是从第一设备知识图谱扩展的知识图谱。第二AI模型可以是用于扩展和更新第一设备知识图谱的AI模型。第二AI模型可以通过使用以下中的至少一个作为AI算法来训练:机器学习算法、神经网络算法、遗传算法、深度学习算法或分类算法。通过分析与整合第一设备知识图谱和服务器知识图谱,第二AI模型可以用于扩展第一设备知识图谱。
在操作S250,设备1000可以基于第二设备知识图谱来提供内容。设备1000可以识别设备1000的当前上下文,并且可以通过使用第二设备知识图谱来确定适合当前上下文的内容作为推荐内容。此外,设备1000可以从内容提供服务器3000请求所确定的推荐内容,并且可以从内容提供服务器3000接收所请求的推荐内容。
内容可以是通过有线/无线通信网络提供的数字信息。内容的示例可以包括,但不限于:广告内容、动态图像内容(例如,电视节目、VOD、UCC、音乐视频或者YOUTUBE视频)、静止图像内容(例如,照片或者图片),文本内容(例如,包括诗歌和小说的电子书籍、信件或者工作文件)、音乐内容(例如,音乐、表演或者电台广播)、网页、游戏内容、应用执行信息等。
图3是根据实施例的由设备1000执行的生成第一设备知识图谱的方法的流程图。
参考图3,在操作S300,设备1000可以获得与设备1000相关的上下文信息。上下文信息可以包括但不限于以下中的至少一个:设备1000的周围环境信息、设备1000的状态信息、使用设备1000的用户的状态信息、用户的设备使用历史信息或者用户的日程信息。通过监控安装在设备1000中的应用的操作,设备1000可以收集例如以下中的至少一个:应用执行的操作、输入到应用的数据和通过应用输出的数据。此外,通过获得由设备1000中传感器感测到的感测数据,设备1000可以获得关于设备1000的周围环境的信息和关于设备1000的状态的信息。
在操作S310,设备1000可以将上下文信息处理成指示顺序操作的文本。基于上下文信息,设备1000可以生成指示与设备1000和/或用户相关的上下文的句子。例如,设备1000可以生成诸如“用户下载了旅行应用”、“用户搜索了冲绳”和“用户在周六上午九点购买了相机”的文本。
在操作S320,设备1000可以设置设备知识图谱的隐私等级。为了摘取设备知识图谱中的数据中与用户隐私相关的数据,设备1000可以设置设备知识图谱的隐私等级。例如,设备1000可以显示用于设置设备知识图谱的隐私等级的图形用户界面(GUI),并且可以基于通过GUI的用户输入来设置设备知识图谱的隐私等级。
在操作S330,设备1000可以将操作S310中的文本和操作S320中设置的隐私等级应用于第一AI模型。设备1000可以通过输入文本和隐私等级到第一AI模型来摘取与个体隐私相关的数据,并且基于所摘取数据的第一用户知识数据可以从第一AI模型输出。此外,根据隐私等级,可以根据隐私等级确定第一设备知识图谱中的数据中与用户隐私相关的数据被摘取的程度。
例如,当文本“用户从麦当劳购买了巨无霸汉堡”和特定的隐私等级值“1”被输入到第一AI模型时,可以输出基于所摘取数据“用户从麦当劳购买了汉堡”的第一设备知识图谱。此外,例如,当文本“用户从麦当劳购买了巨无霸汉堡”和特定的隐私等级值“2”被输入到第一AI模型时,可以输出基于所摘取数据“用户从汉堡店购买了汉堡”的第一设备知识图谱。
图4是根据实施例的由设备1000执行的设置类别与隐私等级来接收定制内容的方法的流程图。
参考图4,在操作S400,设备1000可以在类别列表中选择用于接收用户定制内容的至少一个类别。设备1000可以在设备1000的屏幕上显示特定类别列表,并且可以接收在特定类别列表中选择了具体类别的用户输入。可以根据内容的类型、内容的领域或者内容的大小中的至少一个来划分类别。例如,类别可以划分为,但不限于,电影、运动、游戏和广告。
在操作S410,设备1000可以为每个所选择的类别设置隐私等级。设备1000可以在设备1000的屏幕上显示用于输入隐私等级的GUI,并且可以基于通过GUI的用户输入为每个类别设置隐私等级。相应地,可以为每个类别不同地设置隐私等级,并且设备1000可以根据所不同地设置的隐私等级为每个类别生成设备知识图谱。
图5是根据实施例的由设备1000执行的通过使用与具体类别对应的服务器知识图谱来扩展第一设备知识图谱的方法的流程图。
参考图5,在操作S500,设备1000可以选择知识图谱的类别,然后在操作S510,设备1000可以从服务器2000请求与所选择的类别对应的服务器知识图谱。通过使用从各种设备接收的大数据,服务器2000可以针对每个特定类别生成并存储服务器知识图谱。在这种情况下,通过输入大数据和类别值到特定AI模型,服务器2000可以针对每个类别生成服务器知识图谱。
在操作S520,设备1000可以从服务器2000接收服务器知识图谱。例如,设备1000可以从服务器2000接收与所选择的类别对应的服务器知识图谱。
在操作S530,设备1000可以将第一设备知识图谱、服务器知识图谱和隐私等级值应用于第二AI模型。设备1000可以从设备1000的存储器中提取与特定类别对应的第一设备知识图谱,并且可以输入所提取的第一设备知识图谱和与特定类别对应的服务器知识图谱到第二AI模型。此外,设备1000可以将针对与特定类别对应的第一设备知识图谱所设置的隐私等级值输入到第二AI模型。相应地,设备1000可以从第二AI模型获得从第一设备知识图谱扩展的第二设备知识图谱。
图6是根据实施例的由设备1000执行的通过使用设备1000的操作信息和第二设备知识图谱来确定要向用户提供的内容的方法的流程图。
参考图6,在操作S600,设备1000可以获得第二设备知识图谱。设备1000可以通过使用服务器知识图谱来获得从第一设备知识图谱扩展的第二设备知识图谱。
在操作S610,设备1000可以实时地获得设备1000的操作信息。设备1000可以获得与设备1000相关的上下文作为实时的设备1000的操作信息,该上下文诸如以下中的至少一个:设备1000中正在执行的应用、正在执行的应用的功能、设备1000的周围环境和设备1000中存储的日程信息。
在操作S620,设备1000可以通过应用第二设备知识图谱和设备1000的操作信息到第三AI模型来确定要向用户提供的推荐内容。第三AI模型可以是用于基于设备1000和/或用户的操作信息以及第二设备知识图谱来确定要推荐给用户的推荐内容的AI模型。第三AI模型可以通过使用以下中的至少一个作为AI算法来训练:机器学习算法、神经网络算法、遗传算法、深度学习算法或分类算法。根据设备1000的上下文和基于设备1000实时操作信息的第二设备知识图谱,第三AI模型可以用于推荐用户感兴趣的领域的内容。
在操作S630,设备1000可以向用户提供所确定的推荐内容。例如,设备1000可以识别提供所确定的推荐内容的内容提供服务器3000,并且可以从内容提供服务器3000请求推荐内容。此外,设备1000可以从内容提供服务器3000接收推荐内容。相应地,在没有向内容提供服务器3000提供与用户隐私相关的信息的情况下,设备1000可以向用户提供适合用户的推荐内容。此外,推荐内容的示例可以包括,但不限于:广告内容、动态图像内容(例如,电视节目、VOD、UCC、音乐视频或者YOUTUBE视频)、静止图像内容(例如,照片或者图片),文本内容(例如,包括诗歌和小说的电子书籍、信件或者工作文件)、音乐内容(例如,音乐、表演或者电台广播)、网页、游戏内容和应用执行信息。
图7是根据实施例的由系统执行的向用户提供定制内容的方法的图解。
参考图7,在操作S700,设备1000可以获得上下文信息。设备1000可以收集与设备1000和/或用户相关的上下文信息,并且可以将所收集的上下文信息处理成特定文本。
在操作S705,设备1000可以通过输入上下文信息到第一AI模型来获得第一设备知识图谱。例如,设备1000可以将从上下文信息处理的文本输入到第一AI模型中。此外,设备1000可以将隐私等级和类别值输入到第一AI模型。设备1000可以从第一AI模型获得第一设备知识图谱。
在操作S710,服务器2000可以生成服务器知识图谱。服务器2000可以从各种设备收集各种大数据,并且可以通过使用所收集的大数据来生成服务器知识图谱。服务器2000收集的大数据可以是从个体隐私信息中摘取的数据。
在操作S715,设备1000可以从服务器2000请求服务器知识图谱。例如,设备1000可以发送关于用户简档的信息和/或类别值到服务器2000,并且可以从服务器2000请求服务器知识图谱。在这种情况下,关于用户简档的信息中的关于用户隐私的信息可以是所摘取的信息。
在操作S720,设备1000可以从服务器2000接收服务器知识图谱。考虑到户简档和/或类别,服务器2000可以从数据库(DB)提取要提供给设备1000的服务器知识图谱,并且可以向设备1000提供所提取的服务器知识图谱。在这种情况下,服务器知识图谱可以根据用户简档和/或类别生成,并且可以被存储在服务器2000的DB中。
在操作S725,设备1000可以通过输入第一设备知识图谱和服务器知识图谱到第二AI模型来获得第二设备知识图谱。第二AI模型可以通过使用服务器知识图谱扩展第一设备知识图谱来输出第二设备知识图谱。
在操作S730,设备1000可以移除第二设备知识图谱中的隐私信息。设备1000可以摘取与第二设备知识图谱中的数据中的用户隐私相关的数据。
在操作S735,设备1000可以向服务器2000提供移除了隐私信息的设备知识图谱。
在操作S740,服务器2000可以通过使用移除了隐私信息的设备知识图谱来更新服务器知识图谱。通过将操作S710中生成的服务器知识图谱和操作S735中接收的设备知识图谱输入到特定AI模型,服务器2000可以更新服务器知识图谱。更新后的服务器知识图谱可以在之后被设备1000用于生成第二设备知识图谱。
在操作S745,设备1000可以通过将第二设备知识图谱应用到第三AI模型来确定要提供给用户的推荐内容。通过将设备1000的操作信息和第二设备知识图谱输入到第三AI模型,设备1000可以从第三AI模型接收关于推荐内容的信息。关于推荐内容的信息可以包括,但不限于以下中的至少一个:推荐内容的识别值、推荐内容的类型或者推荐内容的领域。
在操作S750,设备1000可以从内容提供服务器3000请求推荐内容,然后在操作S755,设备1000可以从内容提供服务器3000接收推荐内容。
图8是示出根据实施例的设备1000通过使用指示与设备相关的上下文的文本来生成第一设备知识图谱的示例的图解。
参考图8,设备1000可以获得存储在或者输入到设备1000中的关于设备使用记录和个人信息的上下文信息。此外,设备1000可以生成诸如“用户下载了旅行应用”、“用户搜索了冲绳”和“用户购买了相机”的文本。
设备1000可以输入所生成的文本到第一AI模型,并且第一AI模型可以输入定义了实体以及实体之间关系的第一设备知识图谱。例如,第一设备知识图谱的实体可以包括“我”、“冲绳”、“相机”和“旅行应用”。在这种情况下,实体“我”和实体“冲绳”之间的关系可以是“搜索”。此外,在此示例中,实体“我”和实体“相机”之间的关系可以是“购买”。同样,实体“我”和实体“旅行应用”之间的关系可以是“下载”。
图9是示出根据实施例的设备1000选择类别以接收定制内容的示例的图解。
参考图9,为使用户仅接收具体类别的用户定制内容,设备1000可以在设备1000的显示屏上显示用于选择具体类别的类别列表。例如,设备1000可以显示用于允许用户选择类别的指导段落,并且可以显示类别识别值,诸如“电影”、“运动”、“游戏”和“广告”,从而使用户能够选择具体类别。
图10是示出根据实施例的设备1000为类别选择隐私等级的示例的图解。
参考图10,设备1000可以显示用于允许用户为每个类别设置隐私等级的GUI,并且可以基于通过GUI的用户输入为每个类别设置隐私等级。例如,基于通过GUI的用户输入,设备1000可以设置类别“电影”的隐私等级为“2”,可以设置类别“运动”的隐私等级为“1”,可以设置类别“游戏”的隐私等级为“3”,以及可以设置类别“广告”的隐私等级为“4”。相应地,可以在不同的隐私等级上生成类别“电影”的第一设备知识图谱、类别“运动”的第一设备知识图谱、类别“游戏”的第一设备知识图谱和类别“广告”的第一设备知识图谱。
图11是示出根据实施例的第一设备知识图谱和第二设备知识图谱的图解。
参考图11,第一设备知识图谱110的实体可以包括“我”、“冲绳”、“相机”和“旅行应用”。此外,例如,实体“我”和实体“冲绳”之间的关系可以是“搜索”,实体“我”和实体“相机”之间的关系可以是“购买”,以及实体“我”和实体“旅行应用”之间的关系可以是“下载”。
通过将第一设备知识图谱110和从服务器2000接收的服务器知识图谱输入到第一AI模型,设备1000可以生成第二设备知识图谱120。第二设备知识图谱120可以是从第一设备知识图谱110扩展的知识图谱。第一设备知识图谱110中的实体与服务器知识图谱中的实体可以通过特定准则映射,并且根据特定准则,服务器知识图谱中的实体和第一设备知识图谱110中的实体可以整合在一起。例如,第二设备知识图谱120可以包括从实体“冲绳”扩展的实体“餐厅”和“水族馆”。此外,例如,实体“冲绳”和实体“餐厅”之间的关系可以被确定为“食物”,而实体“冲绳”和实体“水族馆”之间的关系可以被确定为“旅游”。
图12是示出根据实施例的设备1000通过使用第一AI模型来生成第一设备知识图谱的示例的图解。
参考图12,设备1000可以通过收集和预处理上下文信息来生成结构化数据,然后通过使用结构化数据来生成第一设备知识图谱。结构化数据可以是,例如,指示顺序操作的文本,也可以是指示与设备1000和/或用户相关的上下文的句子。
设备1000可以输入结构化数据到第一AI模型,然后通过使用结构化数据作为输入值,第一AI模型可以通过实体提取、实体解析和消歧(实体分析和摘取)以及关系提取来生成第一设备图谱。第一AI模型可以通过使用例如本体学习模块来实现,并且可以通过使用包括多个层的网络来实现。
图13是示出根据实施例的设备1000通过使用第一AI模型130和第二AI模型132来生成第一设备知识图谱和第二设备知识图谱的示例的图解。
参考图13,第一AI模型130可以接收上下文信息、隐私等级和类别,并且可以输出第一设备知识图谱。上下文信息可以被处理成指示顺序操作的文本,并且可以被输入到第一AI模型130。此外,第一AI模型130可以输出与输入类别对应的第一设备知识图谱。此外,第一设备知识图谱中的数据可以基于输入隐私等级被提取以保护用户隐私。
第二AI模型132可以接收第一设备知识图谱和服务器知识图谱,并且可以输出第二设备知识图谱。服务器知识图谱可以由服务器基于来自各种设备的大数据而生成。此外,第二AI模型132可以通过使用服务器知识图谱扩展第一设备知识图谱来输出第二设备知识图谱。
图14是示出根据实施例的设备1000通过使用第三AI模型140来确定推荐内容的示例的图解。
参考图14,第三AI模型140可以接收设备1000的操作信息、第二设备知识图谱和隐私设置信息,并且可以确定推荐内容。设备1000的操作信息可以实时地被设备1000收集,并且可以被输入到第三AI模型140中。在这种情况下,设备1000的操作信息可以被预处理成预设置格式。基于隐私设置信息,第三AI模型140可以确定要推荐给用户的推荐内容。第三AI模型140可以输出但不限于推荐内容的识别值。第三AI模型140可以输出以下中的至少一个:推荐内容类型、类别或者链接信息。此外,第三AI模型140可以接收关于用户设置的类别的信息,并且可以输出与用户设置的类别相关的推荐内容。
图15是示出根据实施例的设备1000通过使用第四AI模型150来生成第二设备知识图谱的示例的图解。
参考图15,第四AI模型150可以接收第一设备知识图谱、上下文信息、隐私等级、类别和服务器知识图谱,并且可以输出第二设备知识图谱。第四AI模型150可以是用于扩展和更新第一设备知识图谱的AI模型。第四AI模型150可以通过使用以下中的至少一个作为AI算法来训练:机器学习算法、神经网络算法、遗传算法、深度学习算法或者分类算法。通过分析与整合第一设备知识图谱和服务器知识图谱,第四AI模型150可以用于扩展第一设备知识图谱。
图16是示出根据实施例的设备1000通过使用第五AI模型160来确定推荐内容的示例的图解。
参考图16,第五AI模型160可以接收第一设备知识图谱、上下文信息、隐私等级、类别和服务器知识图谱,并且可以输出推荐内容。在这种情况下,第五AI模型160可以是用于通过使用服务器知识图谱来扩展第一设备知识图谱和确定推荐内容的AI模型。第五AI模型160可以通过使用以下中的至少一个作为AI算法来训练:机器学习算法、神经网络算法、遗传算法、深度学习算法或者分类算法。
图17和图18是根据一个或多个实施例的设备1000的框图.
如图17所示,根据实施例的设备1000可以包括用户输入器1100、输出器1200、控制器13000和通信器1500。然而,可以理解的是,设备1000可以包括比图17所示出的元件更多或更少的元件。
例如,如图18所示,除了用户输入器1100、输出器1200、控制器1300和通信器1500以外,根据实施例的设备1000可以进一步包括感测单元1400(例如,传感器)、音频/视频(A/V)输入器1600和存储器1700。
用户输入器1100是用户输入用于控制设备1000的数据的单元。用户输入器1100的示例可以包括但不限于以下中的至少一个:键盘、圆顶开关(dome switch)、触摸板(例如,接触式电容法、压力式电阻膜法、红外线感测法、表面超声波传输法、积分张力测量法或者压电效应法)、接近传感器、手势传感器、滚轮(jog wheel)和壶式开关(jug switch)。
用户输入器1100可以接收用于基于设备知识图谱来提供推荐内容的用户输入。
输出器1200可以输出音频信号、视频信号或者振动信号,并且可以包括显示器1210、声音输出器1220和振动电机1230。
显示器1210显示和输出由设备1000处理的信息。例如,显示器1210可以显示用于基于设备知识图谱来提供推荐内容的用户界面。
当显示器1210和触摸板具有层状结构以形成触摸屏时,显示器1210既可以用作输入设备又可以用作输出设备。
声音输出器1220输出从通信器1500中接受的或者存储器1700存储的音频数据。此外,声音输出器1220输出与设备1000执行的功能相关的声音信号(例如,呼叫信号接收声音、消息接收声音或者通知声音)。声音输出器1220可以包括扬声器或者蜂鸣器。
振动电机1230可以输出振动信号。例如,振动电机1230可以输出与音频数据或者视频数据的输出(例如,呼叫信号接收声音、消息接收声音或者通知声音)对应的振动信号。此外,当触摸被输入到触摸屏时,振动电机1230可以输出振动信号。
控制器1300(例如,至少一个处理器)通常控制设备1000的全部操作。例如,通过执行存储器1700中存储的程序或指令,控制器1300可以控制用户输入器1100、输出器1200、感测单元1400、通信器1500和A/V输入器1600。通过控制用户输入器1100、输出器1200、感测单元1400、通信器1500和A/V输入器1600,控制器1300可以控制设备1000的操作。
具体而言,控制器1300可以获得与设备1000相关的上下文信息。控制器1300可以监控设备1000中应用的操作,并且可以从设备1000的传感器和与设备1000相连接的另一个设备中收集与设备1000相关的信息。
通过输入上下文信息到第一AI模型,控制器1300可以获得第一设备知识图谱。通过处理上下文信息和输入所处理的上下文信息到第一AI模型,控制器1300可以获得第一设备知识图谱。控制器1300可以为每一个特定类别生成第一设备知识图谱。控制器1300可以根据隐私等级来生成第一设备知识图谱以保护用户的个人信息。
控制器1300可以从服务器2000请求服务器知识图谱。通过向服务器2000发送与用户简档相关的信息和用户选择的类别的识别值,控制器1300可以从服务器2000请求服务器知识图谱。
控制器1300可以从服务器2000接收服务器知识图谱。控制器1300可以接收与用户简档相关的服务器知识图谱。此外,控制器1300可以接收与用户选择的类别相关的服务器知识图谱。
通过输入第一设备知识图谱和服务器知识图谱到第二AI模型,控制器1300可以获得第二设备知识图谱。第二设备知识图谱可以是从第一设备知识图谱扩展的知识图谱。
控制器1300可以基于第二设备知识图谱来提供内容。控制器1300可以识别设备1000的当前上下文,并且通过使用第二设备知识图谱可以确定适合当前上下文的内容作为推荐内容。此外,控制器1300可以从内容提供服务器3000请求所确定的推荐内容,并且可以从内容提供服务器3000接收所请求的推荐内容。
控制器1300可以将上下文信息处理成指示顺序操作的文本。例如,控制器1300可以基于上下文信息来生成指示与设备1000和/或用户相关的上下文的句子。
控制器1300可以设置设备知识图谱的隐私等级。控制器1300可以设置设备知识图谱的隐私等级,以便从设备知识图谱的数据中摘取与用户隐私相关的数据。
控制器1300可以将文本和隐私等级应用到第一AI模型。通过输入文本和隐私等级到第一AI模型,控制器1300可以摘取与个体隐私相关的数据,并且可以从第一AI模型输出基于所摘取的数据的第一用户知识数据。
控制器1300可以在类别列表中选择用于接收用户定制内容的至少一个类别。控制器1300可以在设备1000的屏幕上显示特定类别列表,并且可以接收在特定类别列表中选择了具体类别的用户输入。
控制器1300可以为每个所选择的类别设置隐私等级。控制器1300可以在设备1000的屏幕上显示用于输入隐私等级的GUI,并且可以基于通过GUI的用户输入为每个类别设置隐私等级。相应地,可以为每个类别不同地设置隐私等级,并且控制器1300可以根据所不同地设置的隐私等级为每个类别生成设备知识图谱。
控制器1300可以实时地获得设备1000的操作信息。控制器1300可以获得与设备1000相关的上下文作为实时的设备1000的操作信息,该上下文诸如设备1000中正在执行的应用、正在执行的应用的功能、设备1000的周围环境以及设备1000中存储的日程信息。
通过将第二设备知识图谱和设备1000的操作信息应用到第三AI模型,控制器1300可以确定要提供给用户的推荐内容。
控制器1300可以向用户提供所确定的推荐内容。控制器1300可以识别提供所确定的推荐内容的内容提供服务器3000,并且可以从所识别的内容提供服务器3000请求推荐内容。此外,控制器1300可以从内容提供服务器3000接收推荐内容。相应地,在没有向内容提供服务器3000提供与用户隐私相关的信息的情况下,控制器1300可以向用户提供适合用户的推荐内容。
感测单元1400可以检测设备1000的状态或者设备1000周围的状态,并且可以发送所检测的信息到控制器1300。
感测单元1400可以包括但不限于以下中的至少一个:地磁传感器1410、加速度传感器1420、温度/湿度传感器1430、红外传感器1440、陀螺仪传感器1450、定位传感器(例如,全球定位系统(GPS))1460、气压传感器1470、接近传感器1480或者RGB传感器(例如,照度传感器)1490。
通信器1500可以包括一个或多个元件(例如,接口、电路、端口等),通过该一个或多个元件,设备1000与服务器2000和内容提供服务器3000进行通信。例如,通信器1500可以包括短程通信器1510、移动通信器1520和广播接收器1530。
短程通信器1510的示例可以包括但不限于:蓝牙通信器、蓝牙低能耗(BLE)通信器、近场通信器、WLAN(Wi-Fi)通信器、ZigBee通信器、红外线数据关联(IrDA)通信器、Wi-Fi直连(WFD)通信器、超宽带(UWB)通信器和Ant+通信器。
移动通信器1520通过移动通信网络向基站、外部终端或者服务器中的至少一个发送无线信号/从基站、外部终端或者服务器中的至少一个接收无线信号。无线信号的示例可以包括语音呼叫信号、视频呼叫信号和根据文本/多媒体消息发送/接收的各种数据片段中的任何一个。
广播接收器1530通过广播信道从外部接收广播信号和/或广播相关的信息。广播信道的示例可以包括卫星信道和地面信道。根据实施例,设备1000可以不包括广播接收器1530。
此外,通信器1500可以向服务器2000和内容提供服务器3000发送用于基于设备知识图谱来提供推荐内容的信息/从服务器2000和内容提供服务器3000接收用于基于设备知识图谱来提供推荐内容的信息。
用于输入音频信号或者视频信号的A/V输入器1600可以包括相机1610和麦克风1620。通过使用视频呼叫模式或者成像模式中的图像传感器,相机1610可以获得诸如静态图像或者动态图像的图像帧。图像传感器拍摄的图像可以由控制器1300或者附加的图像处理器处理。
相机16140处理的图像帧可以存储在存储器1700中或者可以通过通信器1500发送到外部。根据终端的配置,可以提供两个或更多个相机1610。
麦克风1620接收外部声音信号,并且将外部声音信号处理成电子语音数据。例如,麦克风1620可以从外部设备或者扬声器接收声音信号。麦克风1620可以使用各种噪音移除算法中的任何一个来移除当(例如,基于)接收外部声音信号时出现的噪音。
存储器1700可以存储用于处理和控制控制器1300的程序或者指令,并且可以存储输入到设备1000或者从设备1000输出的数据。
存储器1700可以包括以下中的至少一种类型的储存介质:闪速存储器型、硬盘型、多媒体卡微型、卡型存储器(例如,安全数字(SD)或者XD存储器)、随机存取存储器(RAM)、静态RAM(SRAM)、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、可编程FROM(PROM)、磁存储器、磁盘或者光盘。
存储器1700可以存储第一设备知识图谱和第二设备知识图谱。存储器1700可以为每个类别建立第一设备知识图谱的数据库,并且可以存储第一设备知识图谱。存储器1700可以为每个隐私等级建立第一设备知识图谱的数据库,并且可以存储第一设备知识图谱。
此外,存储器1700可以为每个类别建立第二设备知识图谱的数据库,并且可以存储第二设备知识图谱。存储器1700可以为每个隐私等级建立第二设备知识图谱的数据库,并且可以存储第二设备知识图谱。
根据存储器1700的功能,存储器1700中存储的程序可以被分类为多个模块,例如,用户界面(UI)模块1710,、触摸屏模块1720和通知模块1730。
UI模块1710可以为每个应用提供专门的UI或者与设备1000进行交互操作的GUI。触摸屏模块1720可以检测触摸屏上用户的触摸手势,并且可以发送关于触摸手势的信息到控制器1300。根据实施例的触摸屏模块1720可以识别和分析触摸代码。触摸屏模块1720可以被配置为单独的包括控制器的硬件。
各种传感器可以位于触摸屏内或者触摸屏附近,以便检测触摸屏的触摸或者接近触摸。用于检测触摸屏的触摸的传感器的示例可以是触觉传感器。触觉传感器是指检测对具体对象的接触达到人类可以感觉到的程度或者更高程度的传感器。触觉传感器可以检测诸如接触表面的粗糙度、接触对象的硬度或者接触点的温度的各种信息中的任何一个。
此外,用于检测触摸屏的触摸的传感器的示例可以是接近传感器。
接近传感器是指,在没有机械接触的情况下,通过使用电磁场或者红外线的强度来检测正在靠近特定检测表面或者相邻对象的对象的传感器。用户的触摸手势的示例可以包括点击、触摸并保持、双标签、拖动、平移、轻弹、拖放和滑动。
通知模块1730可以生成用于通知设备1000中发生的事件的信号。通知模块1730可以通过显示器1210将通知信号输出为视频信号;可以通过声音输出器1220将通知信号输出为音频信号;或者可以通过振动电机1230将通知信号输出为振动信号。
图19是根据实施例的服务器2000的框图。
参考图19,根据实施例的服务器2000可以包括通信器2100、储存器2200和处理器2300。
通信器2100可以包括一个或多个用于与设备1000和内容提供服务器3000通信的元件。例如,通信器2100可以包括短程通信器、移动通信器和广播接收器。此外,通信器2100可以向/从设备1000和内容提供服务器3000发送用于基于设备知识图谱来提供推荐内容的信息。
储存器2200可以存储用于处理和控制处理器2300的程序或指令,并且可以存储向服务器2000输入或从服务器2000输出的数据。此外,储存器2200可以存储服务器知识图谱。储存器2200可以为每个类别建立服务器知识图谱的数据库,并且可以存储服务器知识图谱。
处理器2300(例如,至少一个处理器)通常可以控制服务器2000的全部操作。例如,处理器2300可以通过执行存储在储存器2200的程序或指令来控制通信器2100和储存器2200。处理器2300可以通过控制通信器2100和储存器2200来控制服务器2000的操作。
具体而言,处理器2300可以生成服务器知识图谱。处理器2300可以从各种设备中收集各种大数据,并且可以通过使用所收集的大数据来生成服务器知识图谱。由处理器2300收集的大数据可以是从个体隐私信息中摘取的数据。
处理器2300可以从设备1000接收针对服务器知识图谱的请求。处理器2300可以从设备1000接收关于用户简档的信息和/或类别值。在这种情况下,关于用户简档的信息中的关于用户隐私的信息可以是摘取的信息。
处理器2300可以向设备1000提供服务器知识图谱。考虑到用户简档和/或类别,处理器2300可以从储存器2200提取要提供给设备1000的服务器知识图谱,并且可以提供所提取的服务器知识图谱给设备1000。在这种情况下,服务器知识图谱可以根据用户简档和类别生成,并且可以被存储在储存器2200中。
处理器2300可以从设备1000接收移除了隐私信息的设备知识图谱。处理器2300可以通过使用移除了隐私信息的设备知识图谱来更新服务器知识图谱。处理器2300可以通过输入服务器知识图谱和设备知识图谱到特定AI模型来更新服务器知识图谱。更新后的服务器知识图谱可以在之后被设备1000用于生成第二设备知识图谱。
根据实施例的AI相关功能通过处理器和存储器执行。处理器可以包括至少一个处理器。在这种情况下,至少一个处理器可以包括诸如中央处理单元(CPU)、接入点(AP)或者电子信号处理器(DSP)的通用处理器;诸如图形处理单元(GPU)或者视觉处理单元(VPU)的图形处理器;或者诸如神经处理单元(NPU)的AI处理器。根据预定义的操作规则或者存储器中存储的AI模型,至少一个处理器控制要处理的输入数据。替代地,当至少一个处理器是AI处理器时,AI处理器可以被设计成具有专用于处理具体AI模型的硬件结构。
预定义的操作规则或者AI模型是通过学习创建的。当预定义的操作规则或者AI模型是通过学习创建的时,这意味着当通过使用学习算法使用多个训练数据来训练基本AI模型时,为实现期望特性(或者目的)而设置的预定义的操作规则或者AI模型被创建。学习可以由使用根据实施例的AI的设备本身来执行,或者可以通过单独的服务器和/或系统执行。学习算法的示例可以包括,但不限于,监督学习、无监督学习、半监督学习或者强化学习。
AI模式可以包括多个神经网络层。多个神经网络层具有多个权重值,并且每个神经网络层通过多个权重值与前一层的计算结果之间的计算来执行神经网络操作。多个神经网络层的多个权重值可以被AI模型的训练结果优化。例如,在学习过程期间,多个权重值可以被更新以减少或最小化由AI模型获得的损失值或者成本值。人工神经网络可以包括深度神经网络(DNN),人工神经网络的示例可以包括,但不限于,卷积神经网络(CNN)、DNN、循环神经网络(RNN)、受限玻尔兹曼机(RBM)、深度信念网络(DBN)、双向递归深度神经网络(BRDNN)和深度Q网络。
此外,第一AI模型可以通过学习用于生成第一设备知识图谱的准则来生成。第一AI模型可以通过学习准则来生成,该准则用于确定哪些数据要被生成或者被使用以生成第一设备知识图谱,以及如何通过使用数据来生成第一设备知识图谱。
此外,第二AI模型可以通过学习用于生成第二设备知识图谱的准则来生成。第二AI模型可以通过学习准则来生成,该准则用于确定哪些数据要被使用以生成第二设备知识图谱,以及如何通过使用数据来生成第二设备知识图谱。
此外,第三AI模型可以通过学习用于确定推荐内容的准则来生成。第三AI模型可以通过学习准则来生成,该准则用于确定哪些数据要被使用以确定推荐内容,以及如何通过使用数据来确定推荐内容。
通过根据预设准则使用特定数据作为输入值,第一AI模型可以输出第一设备知识图谱。由第一AI模型使用所获得的数据作为输入值而输出的结果值可以被用于更新第一AI模型。
此外,通过根据预设准则使用特定数据作为输入值,第二AI模型可以输出第二设备知识图谱。由第二AI模型使用获得的数据作为输入值而输出的结果值可以被用于更新第二AI模型。
此外,通过根据预设准则使用特定数据作为输入值,第三AI模型可以确定推荐内容。由第三AI模型使用获得的数据作为输入值而输出的结果值可以被用于更新第三AI模型。
一个或多个实施例可以被实施为包括计算机可执行指令的记录介质,例如由计算机执行的程序模块。计算机可读介质可以是计算机可访问的任意可用介质,并且其示例包括所有易失性和非易失性介质,以及可分离和不可分离介质。此外,计算机可读介质的示例可以包括计算机储存介质和通信介质。计算机储存介质的示例包括通过任意方法或者技术实现的用于存储诸如计算机可读指令、数据结构、程序模块或者其他数据的信息的所有易失性和非易失性介质,以及可分离和不可分离介质。通信介质通常包括计算机可读指令、数据结构、程序模块或者调制数据信号的其他数据。
此外,本说明书使用的术语“单元”可以是诸如处理器或者电路的硬件组件,和/或诸如处理器的硬件组件中执行的软件组件。
尽管已经参照本公开的实施例特别示出和描述了本公开,但是本领域的普通技术人员可以理解的是,在不脱离至少如所附权利要求所限定的本公开的精神和范围的情况下,可以在其中做出形式和细节上的各种变化。因此,可以理解的是,上述描述的实施例不限制本公开的范围。例如,每个以单个类型描述的组件可以以分布方式执行,而分布描述的组件可以以集成形式执行。
本公开的范围至少由权利要求而不是详细描述所表示,并且应当理解的是,权利要求以及从权利要求的概念中得出的所有修改或者修改形式均包括在本公开的范围内。
Claims (15)
1.一种用于基于知识图谱来提供内容的设备,所述设备包括:
通信接口;
存储器,存储一个或多个指令;以及
处理器,被配置为执行所述一个或多个指令以:
获得与所述设备相关的上下文信息;
通过输入所获得的上下文信息到用于确定与所述设备的用户相关的实体之间的关系的第一人工智能(AI)模型,获得所述设备的用户的第一设备知识图谱;
控制从服务器请求由所述服务器生成的服务器知识图谱;
控制从所述服务器接收所述服务器知识图谱;
通过输入所获得的第一设备知识图谱和所接收的服务器知识图谱到用于扩展所述第一设备知识图谱的第二AI模型,获得所述用户的第二设备知识图谱;以及
基于所获得的第二设备知识图谱来提供内容。
2.根据权利要求1所述的设备,其中,所述第一AI模型和所述第二AI模型中的每一个是通过使用以下中的至少一个作为AI算法来训练的AI模型:机器学习算法、神经网络算法、遗传算法、深度学习算法或者分类算法。
3.根据权利要求1所述的设备,其中,所述服务器知识图谱由所述服务器基于所述设备和至少一个其它设备提供到所述服务器的大数据而生成。
4.根据权利要求1所述的设备,其中,所述处理器还被配置为执行所述一个或多个指令以将所述上下文信息处理成指示顺序操作的文本,并且将所述文本输入到所述第一AI模型中。
5.根据权利要求1所述的设备,其中:
所述处理器还被配置为执行所述一个或多个指令以确定所述第一设备知识图谱的隐私等级,并且将所确定的隐私等级输入到所述第一AI模型;以及
从所述第一AI模型输出的所述第一设备知识图谱中的部分数据包括根据所述隐私等级摘取的数据。
6.根据权利要求1所述的设备,其中
所述处理器还被配置为执行所述一个或多个指令以将类别输入到所述第一AI模型;以及
从所述第一AI模型中输出与所述输入类别对应的所述第一设备知识图谱。
7.根据权利要求1所述的设备,其中,所述第一AI模型通过以下中的至少一个来输出所述第一设备知识图谱:实体提取、实体分析与摘取以及关系提取。
8.根据权利要求1所述的设备,其中,所述处理器还被配置为执行所述一个或多个指令以:
控制向所述服务器发送关于所述用户的用户简档的信息;以及
控制从所述服务器接收与所述用户简档相关的所述服务器知识图谱。
9.根据权利要求1所述的设备,其中,所述处理器还被配置为执行所述一个或多个指令以控制向所述服务器发送特定类别,以及从所述服务器接收与所述特定类别对应的所述服务器知识图谱。
10.根据权利要求1所述的设备,其中,所述处理器还被配置为执行所述一个或多个指令以:
通过输入所述设备的操作信息和所述第二设备知识图谱到第三AI模型,确定要推荐给所述用户的内容;以及
控制向内容提供服务器请求所确定的要推荐的内容。
11.一种由设备执行的基于知识图谱来提供内容的方法,所述方法包括:
获得与所述设备相关的上下文信息;
通过输入所获得的上下文信息到用于确定与所述设备的用户相关的实体之间的关系的第一人工智能(AI)模型,获得所述设备的用户的第一设备知识图谱;
从服务器请求由所述服务器生成的服务器知识图谱;
从所述服务器接收所述服务器知识图谱;
通过输入所获得的第一设备知识图谱和所接收的服务器知识图谱到用于扩展所述第一设备知识图谱的第二AI模型,获得所述用户的第二设备知识图谱;以及
基于所获得的第二设备知识图谱来提供内容。
12.根据权利要求11所述的方法,其中,所述第一AI模型和所述第二AI模型中的每一个是通过使用以下中的至少一个作为AI算法来训练的AI模型:机器学习算法、神经网络算法、遗传算法、深度学习算法或者分类算法。
13.根据权利要求11所述的方法,其中,所述服务器知识图谱由所述服务器基于所述设备和至少一个其它设备提供到所述服务器的大数据而生成。
14.根据权利要求11所述的方法,还包括:
将所述上下文信息处理成指示顺序操作的文本,
其中,获得所述第一设备知识图谱包括输入所述文本到所述第一AI模型。
15.一种非暂时性计算机可读记录介质,其上记录有可由至少一个处理器执行的程序以执行:
获得与设备相关的上下文信息;
通过输入所获得的上下文信息到用于确定与所述设备的用户相关的实体之间的关系的第一人工智能(AI)模型,获得所述设备的用户的第一设备知识图谱;
控制从服务器请求由所述服务器生成的服务器知识图谱;
控制从所述服务器接收所述服务器知识图谱;
通过输入所获得的第一设备知识图谱和所接收的服务器知识图谱到用于扩展所述第一设备知识图谱的第二AI模型,获得所述用户的第二设备知识图谱;以及
基于所获得的第二设备知识图谱来提供内容。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2018-0123272 | 2018-10-16 | ||
KR1020180123272A KR20200042739A (ko) | 2018-10-16 | 2018-10-16 | 지식 그래프에 기초하여 콘텐트를 제공하는 시스템 및 방법 |
PCT/KR2019/013446 WO2020080773A1 (en) | 2018-10-16 | 2019-10-14 | System and method for providing content based on knowledge graph |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112805743A true CN112805743A (zh) | 2021-05-14 |
Family
ID=70160030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980066278.XA Pending CN112805743A (zh) | 2018-10-16 | 2019-10-14 | 用于基于知识图谱来提供内容的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200118010A1 (zh) |
EP (1) | EP3821390A4 (zh) |
KR (1) | KR20200042739A (zh) |
CN (1) | CN112805743A (zh) |
WO (1) | WO2020080773A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114827728A (zh) * | 2022-06-23 | 2022-07-29 | 中国传媒大学 | 节目数据推荐方法及系统 |
CN116069953A (zh) * | 2023-03-06 | 2023-05-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于知识图谱叠加时空属性的mdata知识表示方法 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200052448A (ko) * | 2018-10-30 | 2020-05-15 | 삼성전자주식회사 | 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법 |
KR20210045837A (ko) * | 2019-10-17 | 2021-04-27 | 삼성전자주식회사 | 지식 그래프를 업데이트하는 시스템 및 방법 |
CN111581343B (zh) * | 2020-04-24 | 2022-08-30 | 北京航空航天大学 | 基于图卷积神经网络的强化学习知识图谱推理方法及装置 |
CN111522967B (zh) * | 2020-04-27 | 2023-09-15 | 北京百度网讯科技有限公司 | 知识图谱构建方法、装置、设备以及存储介质 |
KR20210143608A (ko) * | 2020-05-20 | 2021-11-29 | 삼성전자주식회사 | 컴퓨팅 장치 및 그 동작 방법 |
US11070881B1 (en) | 2020-07-07 | 2021-07-20 | Verizon Patent And Licensing Inc. | Systems and methods for evaluating models that generate recommendations |
CN112101040B (zh) * | 2020-08-20 | 2024-03-29 | 淮阴工学院 | 一种基于知识图谱的古代诗词语义检索方法 |
CN116113939A (zh) * | 2020-09-01 | 2023-05-12 | 西门子(中国)有限公司 | 一种软件信息组织方法、装置和计算机可读介质 |
CN112069326A (zh) * | 2020-09-03 | 2020-12-11 | Oppo广东移动通信有限公司 | 知识图谱的构建方法、装置、电子设备及存储介质 |
CN114255056A (zh) * | 2020-09-19 | 2022-03-29 | 华为技术有限公司 | 广告显示方法及电子设备 |
KR102582744B1 (ko) * | 2020-11-16 | 2023-09-25 | 주식회사 포티투마루 | Qa 모델을 이용하여 지식 그래프를 구축하는 방법, 장치 및 컴퓨터 프로그램 |
CN112637024A (zh) * | 2020-12-03 | 2021-04-09 | 珠海格力电器股份有限公司 | 控制方法、装置、电子设备及存储介质 |
KR102523793B1 (ko) * | 2020-12-29 | 2023-04-26 | 대한민국(우정사업본부) | 디지털 취약계층을 위한 맞춤형 챗봇 상담 방법 및 시스템 |
CN113127627B (zh) * | 2021-04-23 | 2023-01-17 | 中国石油大学(华东) | 基于lda主题模型结合诗词知识图谱的诗词推荐方法 |
CN113220895B (zh) * | 2021-04-23 | 2024-02-02 | 北京大数医达科技有限公司 | 基于强化学习的信息处理方法、装置、终端设备 |
WO2023033538A1 (ko) * | 2021-08-31 | 2023-03-09 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 제어 방법 |
US20230153457A1 (en) * | 2021-11-12 | 2023-05-18 | Microsoft Technology Licensing, Llc | Privacy data management in distributed computing systems |
CN116205306A (zh) * | 2021-11-30 | 2023-06-02 | 华为云计算技术有限公司 | 一种数据处理方法及数据处理装置 |
CN114626530A (zh) * | 2022-03-14 | 2022-06-14 | 电子科技大学 | 一种基于双边路径质量评估的强化学习知识图谱推理方法 |
CN114861889B (zh) * | 2022-07-04 | 2022-09-27 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、目标对象检测方法和装置 |
KR20240034459A (ko) | 2022-09-07 | 2024-03-14 | 주식회사 케이티 | 질문 답변 방법 및 이를 위한 장치 |
CN116341660B (zh) * | 2023-05-30 | 2023-08-01 | 八爪鱼人工智能科技(常熟)有限公司 | 应用于人工智能的信息优化方法及服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150293904A1 (en) * | 2014-04-10 | 2015-10-15 | Palo Alto Research Center Incorporated | Intelligent contextually aware digital assistants |
US9178933B1 (en) * | 2013-05-31 | 2015-11-03 | Google Inc. | Content recommendation based on context |
US20160189028A1 (en) * | 2014-12-31 | 2016-06-30 | Verizon Patent And Licensing Inc. | Systems and Methods of Using a Knowledge Graph to Provide a Media Content Recommendation |
US20180075359A1 (en) * | 2016-09-15 | 2018-03-15 | International Business Machines Corporation | Expanding Knowledge Graphs Based on Candidate Missing Edges to Optimize Hypothesis Set Adjudication |
US20180150522A1 (en) * | 2016-08-09 | 2018-05-31 | Ripcord, Inc. | Systems and methods for contextual retrieval and contextual display of records |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2875459B1 (en) * | 2012-07-20 | 2021-02-17 | Intertrust Technologies Corporation | Information targeting systems and methods |
US9852375B2 (en) * | 2014-12-26 | 2017-12-26 | Intel Corporation | Techniques for mobile prediction |
US10991053B2 (en) * | 2015-07-02 | 2021-04-27 | DZee Solutions, Inc. | Long-term healthcare cost predictions using future trajectories and machine learning |
US10331480B2 (en) * | 2017-02-22 | 2019-06-25 | Microsoft Technology Licensing, Llc | Contextual application organizer framework for user life events |
US11488713B2 (en) * | 2017-08-15 | 2022-11-01 | Computer Technology Associates, Inc. | Disease specific ontology-guided rule engine and machine learning for enhanced critical care decision support |
US10223417B1 (en) * | 2018-06-13 | 2019-03-05 | Stardog Union | System and method for reducing query-related resource usage in a data retrieval process |
US10740866B2 (en) * | 2018-06-26 | 2020-08-11 | International Business Machines Corporation | Determining appropriate medical image processing pipeline based on machine learning |
-
2018
- 2018-10-16 KR KR1020180123272A patent/KR20200042739A/ko active Search and Examination
-
2019
- 2019-10-14 WO PCT/KR2019/013446 patent/WO2020080773A1/en unknown
- 2019-10-14 CN CN201980066278.XA patent/CN112805743A/zh active Pending
- 2019-10-14 EP EP19873945.0A patent/EP3821390A4/en active Pending
- 2019-10-16 US US16/654,584 patent/US20200118010A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9178933B1 (en) * | 2013-05-31 | 2015-11-03 | Google Inc. | Content recommendation based on context |
US20150293904A1 (en) * | 2014-04-10 | 2015-10-15 | Palo Alto Research Center Incorporated | Intelligent contextually aware digital assistants |
US20160189028A1 (en) * | 2014-12-31 | 2016-06-30 | Verizon Patent And Licensing Inc. | Systems and Methods of Using a Knowledge Graph to Provide a Media Content Recommendation |
US20180150522A1 (en) * | 2016-08-09 | 2018-05-31 | Ripcord, Inc. | Systems and methods for contextual retrieval and contextual display of records |
US20180075359A1 (en) * | 2016-09-15 | 2018-03-15 | International Business Machines Corporation | Expanding Knowledge Graphs Based on Candidate Missing Edges to Optimize Hypothesis Set Adjudication |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114827728A (zh) * | 2022-06-23 | 2022-07-29 | 中国传媒大学 | 节目数据推荐方法及系统 |
CN114827728B (zh) * | 2022-06-23 | 2022-09-13 | 中国传媒大学 | 节目数据推荐方法及系统 |
CN116069953A (zh) * | 2023-03-06 | 2023-05-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于知识图谱叠加时空属性的mdata知识表示方法 |
CN116069953B (zh) * | 2023-03-06 | 2023-06-02 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于知识图谱叠加时空属性的mdata知识表示方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3821390A1 (en) | 2021-05-19 |
EP3821390A4 (en) | 2021-08-25 |
KR20200042739A (ko) | 2020-04-24 |
WO2020080773A1 (en) | 2020-04-23 |
US20200118010A1 (en) | 2020-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112805743A (zh) | 用于基于知识图谱来提供内容的系统和方法 | |
KR20180055708A (ko) | 이미지를 처리하는 전자 장치 및 방법 | |
US11189278B2 (en) | Device and method for providing response message to user input | |
US11508364B2 (en) | Electronic device for outputting response to speech input by using application and operation method thereof | |
KR102606287B1 (ko) | 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법 | |
KR20220111241A (ko) | 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치 | |
KR102628037B1 (ko) | 제품의 판매 정보를 제공하는 방법 및 장치 | |
KR102628042B1 (ko) | 연락처 정보를 추천하는 방법 및 디바이스 | |
KR20190089628A (ko) | 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템 | |
KR20180132493A (ko) | 스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법 | |
KR20180072534A (ko) | 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치 | |
US20190251355A1 (en) | Method and electronic device for generating text comment about content | |
KR20200120557A (ko) | 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법 | |
EP3816917A1 (en) | Electronic device for updating artificial intelligence model, server, and operation method therefor | |
KR102630820B1 (ko) | 메신저 피싱 또는 보이스 피싱을 감지하는 전자 장치 및 그 동작 방법 | |
KR20190051255A (ko) | 영상 표시 장치 및 그 동작 방법 | |
KR102464906B1 (ko) | 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법 | |
US20190268666A1 (en) | Display apparatus and operation method of the same | |
US20210004702A1 (en) | System and method for generating information for interaction with a user | |
KR20180075227A (ko) | 전자 장치 및 전자 장치의 검색 서비스 제공 방법 | |
US20210216815A1 (en) | Electronic apparatus and operating method thereof | |
US11617957B2 (en) | Electronic device for providing interactive game and operating method therefor | |
US20200327433A1 (en) | Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model | |
US20200327451A1 (en) | Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model | |
US11961512B2 (en) | System and method for providing voice assistance service |
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 |