CN113039535A - 搜索引擎用户接口ai蒙皮 - Google Patents
搜索引擎用户接口ai蒙皮 Download PDFInfo
- Publication number
- CN113039535A CN113039535A CN201980075463.5A CN201980075463A CN113039535A CN 113039535 A CN113039535 A CN 113039535A CN 201980075463 A CN201980075463 A CN 201980075463A CN 113039535 A CN113039535 A CN 113039535A
- Authority
- CN
- China
- Prior art keywords
- search
- data
- models
- 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 claims abstract description 41
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 161
- 238000004458 analytical method Methods 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007670 refining Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- G06F16/332—Query formulation
- G06F16/3325—Reformulation based on results of preceding query
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
- G06F16/337—Profile generation, learning or modification
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
将AI模型应用到使用用于用户的搜索引擎的搜索。一种方法包括在搜索引擎用户接口处接收用户搜索输入。利用搜索引擎来使用搜索输入以获取第一搜索结果。将一个或多个AI模型应用到第一搜索结果以获取附加搜索数据。搜索附加搜索数据以标识附加搜索结果。使用附加搜索结果,从第一搜索结果标识第二搜索结果构成的子集,同时从第一搜索结果过滤掉其他搜索结果。在用户接口中向用户提供第二搜索结果的至少一部分,同时阻止被过滤掉的其他搜索结果被显示在用户接口中,以使得用户接口处的用户具有作为用户搜索输入的结果而被返回的第二搜索结果。
Description
背景技术
在现代,搜索引擎的使用无处不在。搜索引擎允许用户从广泛的主题和源找到信息。的确,现代搜索引擎技术让用户能够访问几乎无限量的数据。然而,具有几乎无限量的可用数据存在缺点。例如,用户可以使用搜索引擎来执行特定的搜索,这可能产生包含成千、或者在一些情况下数百万个结果的搜索结果列表。这些结果指向底层数据可以被获取的端点。因此,用户可能需要手动筛选许多结果以找到特别感兴趣的结果。
当用户尝试执行某种专门目的搜索时,尤其如此。例如,考虑消费者期望购买家具和其他装饰品用于装饰工程的情况。消费者可能在选择要购买的项目时具有特定风格和协调考虑。但是,使用传统的搜索技术,用户可能难以标识符合特定风格和/或协调考虑的项目。
例如,如果用户要使用搜索引擎通过用项目修饰符和/或项目描述来搜索项目以查找项目,则搜索引擎结果可能会排除未被描述或标记有适当描述性词语的的项目。例如,考虑用户搜索装饰风艺术(Art Deco)沙发情况。如果用户使用搜索词“装饰风艺术沙发”,则只会返回在结果本身中、或者在于结果相关联的某个标签中将沙发描述为装饰风艺术的结果。真正的装饰风艺术、但是未被如此描述的沙发的信息将不会在搜索结果中被返回。如果用户选择通过简单地搜索沙发来扩大搜索范围,则会返回大量搜索结果,这要求用户在各种结果中筛选以尝试手动标识装饰风艺术的沙发。因此,当前搜索引擎用户接口难以用于专门化搜索,因为当前接口无法简洁地显示与用户最有关的搜索结果。搜索引擎往往包括过多的搜索结果或者包括不足的搜索结果,导致用户无法访问许多有用并且有价值的搜索结果。
本文所要求保护的主题不限于解决诸如上述那些的任何缺点或仅在诸如上述那些的环境中操作的实施例。而是,仅提供该背景来说明可以实践本文所描述的一些实施例的一个示例性技术领域。
发明内容
本文中所说明的一个实施例包括一种方法,该方法包括用于使用用户的搜索引擎来对搜索应用AI模型。该方法包括在搜索引擎用户接口处接收用户搜索输入。该方法还包括利用搜索引擎来使用搜索输入以获取第一搜索结果。该方法还包括向第一搜索结果应用一个或多个AI模型以获取附加搜索数据。该方法还包括搜索附加搜索数据以标识附加搜索结果。该方法还包括使用附加搜索结果,从第一搜索结果标识第二搜索结果构成的子集,同时从第一搜索结果过滤掉其他搜索结果。该方法还包括在用户接口中向用户提供第二搜索结果的至少一部分,同时阻止被过滤的其他搜索结果被显示在用户接口中,以使得用户接口处的用户具有作为用户搜索输入的结果而被返回的第二搜索结果。
提供本发明内容以简化的形式介绍了一些概念,这些概念将在一下具体实施方式中被进一步描述。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征,也不旨在用于协助确定所要求保护的主题的范围。
附加的特征和优势将在以下描述中阐述,并且部分地从该描述中将是明显的,或者可以通过本文中教导的实践而被了解。本发明的特征和优点可以通过所附权利要求书中所特别指出的手段和组合而被实现和获得。本发明的特征将从以下描述和所附的权利要求书,变得更加充分明显,或者可以通过如下文阐述的本发明的实践来了解本发明的特征。
附图说明
为了描述可以获得本发明的上述和其他优点和特征的方式,将参考在附图中所图示的特定实施例来对以上简要描述的主题进行更具体的描述。应理解这些附图仅描绘了典型实施例,并且因此不应被认为是限制范围的。鉴于此,将参照附图描述和解释本发明的示例实施例。附图中:
图1图示了搜索引擎,该搜索引擎包括利用AI模型对该搜索引擎的用户接口进行蒙皮的能力;
图2图示了具有选择UI蒙皮的元件的用户接口;
图3图示了对数据应用AI模型以创建蒙皮结果;
图4图示了对数据应用串联的AI模型来创建蒙皮结果;
图5图示了使用AI模型来创建AI模型;以及
图6图示了使用AI模型来对搜索引擎用户接口进行蒙皮的方法。
具体实施方式
文本中所说明的实施例一般涉及搜索引擎和随附的用户接口,该搜索引擎和随附的用户接口允许用户利用人工智能(AI)模型来对用户接口进行“蒙皮(skin)”。
注意本文中所说明的AI模型通常是增强AI模型。增强AI模型将某种数据、特别是人类可消费数据用作输入。增强AI模型产生数据,该数据根据增强AI模型的预定增强目标来增强输入数据。即是说,增强AI模型尝试产生与输入数据有关的某个类型增强数据(如由AI模型的目标定义),通常通过提供与输入数据的个体数据或者个体数据的分组有关的附加数据来产生上述增强数据,其中,附加数据的至少一部分先前未被包括在输入数据中,但是可以从输入数据被解释、重布置、推理、演绎和/或推测。
在一些实施例中,通过以下来生成增强数据:聚合输入数据中的个体数据的若干条数据的各方面以标识显著可分类方面,并且然后使用那些可分类方面来生成针对个体数据和/或个体数据的特定分组的增强数据。
基于AI模型的目标,某些语义被保留。这些语义可以被用于搜索所生成的增强数据以标识增强数据结果,该增强数据结果可以被用于标识输入数据中的与增强数据的搜索结果相关的数据。
如本文中所使用的,蒙皮是应用AI模型来向呈现用户接口的搜索引擎产生增强数据和增强数据的附加自动化搜索的过程,该过程使对用户接口中的搜索输入被AI模型和附加搜索影响以产生搜索结果,该搜索结果从对AI模型和附加搜索的应用被导出,而无需用户直接地选择或者应用AI模型和搜索。蒙皮是可以被应用于用户接口的AI模型和搜索的离散枚举。在一些实施例中,蒙皮可以是包括具体AI模型逻辑和搜索逻辑的可执行包。在用户可以选择蒙皮,并且该蒙皮可以具有相关联的AI模型和搜索的情况下,用户将无法直接选择AI模型和搜索,而是将能够选择预定义的蒙皮。
例如,如以上所图示,用户可以对搜索引擎的用户接口进行蒙皮,其中蒙皮是装饰风艺术蒙皮。在一个具体实施例中,这会使风格分析AI模型被应用到搜索结果,风格分析AI模型可以是被配置为执行自然语言处理、图像识别等以标识输入数据的风格的深度学习模型,该搜索结果作为用户在搜索引擎上执行搜索的结果而被接收。应用AI模型以用于风格分析会分析结果自身以标识各种风格。例如,模型可以分析如由模型确定的图像、文本、相关网页或者其他信息来标识被包括在结果中的项目的各种风格。
因此,应用AI模型生成关于结果的附加数据。该附加数据可以被过滤并且被语义地加索引以用于附加搜索。特别地,如由AI模型的目标定义的,AI模型是特定类型和/或子类型的模型。通过应用该AI模型所生成的附加数据与该AI模型的目标语义一致并且被加索引,其中索引键(即,要在索引中被搜索的词和/或概念)被语义地加索引,使得这些索引键与索引类型和/或子类型直接相关。因为在该具体示例中AI模型的目标是风格识别,所以附加数据被语义地加索引用于风格识别,以允许该附加数据针对该目的而被搜索。在其中用户接口针对装饰风艺术而被蒙皮的运行示例中,附加搜索将在新索引数据上自动地被执行,以标识根据要被应用的AI模型具有装饰风艺术特征和特性的结果。以这种方式,其他结果可以被过滤掉,使得只有被返回给用户的结果才是与装饰风艺术家具相关的结果。
因此,例如,用户使用针对装饰风艺术而被蒙皮的浏览器来执行针对沙发的搜索。向用户所返回的搜索结果会是装饰风艺术沙发,包括其中沙发未被某个先前索引指示符(诸如纹理指示符)定义为装饰风艺术的结果,该先前索引指示符被包括执行原始搜索所针对的索引中。确切地说,该结果会作为稍后在AI分析之后被加索引的、由图像或其他信息的AI风格分析标识为装饰风艺术的结果而被返回。即是说,使用在针对其执行了针对沙发的一般搜索的原始索引中未被原始地加索引的信息,装饰风艺术沙发被标识。确切地说,装饰风艺术特性从搜索通过向原始搜索结果应用AI模型所生成的附加数据而被标识。AI模型分析风格来生成可以针对装饰风艺术而搜索的数据。蒙皮用户接口和/或搜索引擎将过滤掉、或者移除不符合匹配标准的搜索结果。例如,被执行的来自原始搜索的结果将使如由从应用AI模型所生成的风格数据标识的不包括装饰风艺术元素的任何结果被过滤掉并且被移除,使得那些结果不在用户接口中被呈现给用户。
如先前所讨论的,增强AI模型可以与本文中所说明的本发明的实施例一起被使用。如以上所讨论,增强AI模型产生增强输入数据的附加数据。以下说明了增强AI模型的多个示例。注意这些不同类型的增强模型可以具有某种重叠和/或可以被一起使用以达成某个目标。
一种类型的增强AI模型是分类模型。分类模型具有对输入数据中的数据进行分类的目标。例如,分类模型可以将数据分类为表示动物、人、颜色、风格、或者几乎任何其他分类。
另一类型的增强AI模型是检测模型。检测模型具有检测数据中的某些特征的目标。例如,图像识别模型可能具有检测图像中的人的目标。
另一类型的增强AI模型是场景识别模型。场景识别模型具有检测数据中的特定实例的目标。例如,虽然检测模型可以一般地检测到人,但是场景识别模型可以具有检测特定的人的目标。
另一类型的增强AI模型是定位模型。定位模型具有检测关于时间和空间的细节的目标。例如,定位模型可以具有标识与数据有关的特定位置或时间的目标。例如,定位模型可以能够使用照片中的特征来(在某个概率和/或范围内)确定该照片在哪里以及何时被拍摄。
另一类型的增强AI模型是相似性/不相似性模型。相似性/不相似性模型具有标识不同数据中的相似性和/或差异的目标。例如,不相似性模型可以具有从一组照片之中确定特定个体何时在照片中缺失的目标。
另一类型的增强AI模型是关联模型。关联模型具有标识不同数据何时相关的目标。例如,关联AI模型可以具有确定哪些项目通常一起出现的目标。这样的模型可以被用于标识何时项目缺失。
另一类型的增强AI模型是预测模型。预测模型具有标识可能存在的数据的目标。例如,预测模型可以具有基于静态照片中的场景来确定接下来的时间中可能发生什么的目标。备选地或附加地,预测模型可以具有预测静态照片中的对象后面是什么的目标。
另一类型的增强AI模型是概括模型。概括模型具有从不同数据概括信息的目标。
另一类型的增强AI模型是变换模型。变换模型具有根据某个预定特性来改变数据的目标。例如,特定的变换模型可以具有将图像改变成梵高风格绘画的目标,其中梵高风格是特性。
现在参考图1,示出了一个示例实施例。图1所示的实施例示出了搜索引擎102。搜索引擎102包括被配置为代表使用用户接口104客户端来执行搜索的计算机硬件和软件。特别地,通常由搜索引擎102将用户界面104显示在客户端机器106处。通常,客户端机器106处于相对于搜索引擎102的远程位置。尽管如此,搜索引擎102使用各种通信和算法动作在客户端机器106处绘制用户接口104。客户端机器106处的用户可以在搜索框108中录入各种搜索词。这些搜索词被提供给搜索引擎102。搜索引擎102使用索引110来将被录入到搜索框108中的搜索词、运算符(诸如与、异或、或等)和/或过滤器(诸如时间过滤器、位置过滤器等)与索引110中的条目进行匹配。
索引110存储索引条目到存储数据的端点的相关性(correlation)。特别地,索引110对数据集112加索引。数据集112可以包括被存储在许多不同位置的多个不同数据存储库和数据集。例如,许多基于消费者的搜索引擎使用将来自各种源并且被存储在全世界的数据存储库中的数据加索引的索引。因此,数据集112可以在其范围上是几乎无限的。索引110存储与数据集112中的数据被存储的端点相关的各种关键词或者其他信息。索引110将向用户接口104返回标识端点的结果,用户可以从该端点获取与被录入搜索框108中的搜索词有关的数据。经常,该结果包括来自端点的数据的部分数据或者全部数据。
在用户接口104处,用户可以选择由索引110提供的各种链接来导航到具有感兴趣数据的数据源端点。在一些实施例中,搜索结果自身可以是相关结果而无需导航到不同的数据源。在一些这样的实施例中,搜索结果将不链接到其他数据源,而是链接到相关数据。在备选的实施例中,搜索结果是相关数据,但是可以仍然包括到相关数据或者可以找到相关数据的数据源的链接。
用户接口104可以利用一个或多个AI模型而被蒙皮。例如,图1图示了蒙皮选择元件116,其中用户可以选择用于用户接口104的特定蒙皮。使用搜索引擎102处的硬件和软件,蒙皮118被实现在搜索引擎102上。蒙皮118选择AI模型并且对由AI模型生成的数据执行搜索以完成蒙皮功能。
一旦蒙皮118选择(由AI模型120表示的)一个或多个AI模型,该一个或多个模型就被实例化。AI模型120将任何有关的数据用作输入。在一些实施例中,这样的数据可以是在用于蒙皮的AI模型被应用之前从使用数据集112的索引110的搜索所返回的数据。
AI模型120对各种输入操作以创建原始数据122。原始数据122被传递通过精炼器124以产生精炼数据126。精炼数据126可以被加索引以创建语义索引128。语义索引128能够由搜索引擎102在蒙皮118的指引下被搜索。这允许获取附加结果,该附加结果可以被用于过滤、概括或者以其他方式修改被显示在结果接口114中的结果。来自搜索语义索引128的被显示在结果接口114中的返回结果可以是精炼数据126中的数据,或者附加地或备选地可以是来自数据集112的与返回结果相关的数据。因此,使用先前的示例,精炼数据126可以标识数据集112中或者先前所返回的结果中具有风格的数据。如果新搜索时针对特定风格,则来自数据集112或来自先前搜索结果的数据可以被标识为具有该特定风格,使得来自数据集112或来自先前搜索结果的数据可以被返回,作为在精炼数据(与数据集112、搜索结果数据或者其他数据相关的)中搜索的结果。
以这种方式,可用结果由搜索引擎102通过标识AI模型来扩展,该AI模型可以被实现来增加可以由搜索引擎112搜索的(包括数据关系的)可用数据。在一些实施例中,精炼数据126被添加到数据集112,并且索引110被扩大以包括语义索引108,从而允许搜索引擎102既搜索现有数据、也搜索通过应用AI模型所创建的数据。
如以上所指出的,当AI模型对输入数据集操作时,产生原始数据。原始数据包括大量被产生的数据,其中很多数据通常不是用户感兴趣的。因此,一些实施例可以将原始数据精炼为搜索引擎120可以使用的精炼数据结构中。在一些实施例中,精炼器计算实体(诸如以上所讨论的精炼器124)可以被用于执行这种功能。精炼可以涉及精炼器124截断、转换、组合、和/或以其他方式变换AI模型输出的部分。精炼可以涉及精炼器124可能通过对输出排序或排名来区分输出的各部分的优先级、标记AI模型输出的各部分等。可以存在针对每个AI模型或模型类型所指定的不同精炼。甚至可以存在针对每个模型/数据组合所指定的不同精炼,每个模型/数据组合包括AI模型或模型类型以及相关联的输入数据集或输入数据集类型。响应于从AI模型获取输出数据,适当的精炼然后可以被应用。精炼可以使精炼器产生,例如,典型的用户会从被应用在给定数据上的给定AI模型发现什么是最相关的。实际执行的精炼可以由专用于AI模型的线索和/或由所习得的数据来增强或修改。
作为说明性示例,某些类型的AI模型通常被用于尝试产生某些类型的数据。因此,在原始输出数据中产生的、不是在使用特定AI模型时通常被评估的类型的数据可以被移除以创建精炼数据。
在一些实施例中,精炼数据然后可以被语义地加索引以提供语义索引(诸如语义索引128),该语义索引然后可以被用户查询。语义索引和被搜索引擎102使用的对应的检索方法涉及标识数据中的模式和关系。例如,实现语义索引的一些实施例可以标识原本在非结构化数据中存在的词和概念之间的关系。因此,语义索引器可以能够获得一组非结构化数据并且标识非结构化数据中的数据元素之间的各种潜在关系。以这种方式,语义索引器可以标识相似概念的表达,即使那些表达可能使用不同的语言来表达相同的概念。这允许数据语义地被索引,而不同于与仅基于按元素的相似性对数据加索引。
特性结构还可能包括查询引擎可以用来针对语义索引来查询的一个或多个运算符和/或词的集合。通过向查询引擎(诸如搜索引擎102)提供那些运算符,查询引擎可以从语义索引提取所期望的信息。
精炼还可以基于与该AI模型相关联的线索、和/或所习得的关于该AI模型通常如何被使用的行为。然后使用所确定的精炼来精炼所获取的结果。然后,这种更相关的精炼结果被语义地加索引以生成语义索引128。
在一些实施例中,被提供给用户的反馈基于被添加到语义空间中的新语义。特别地,搜索引擎102与图形用户接口一起能够标识什么词语被添加到新的或现有语义空间,该搜索引擎102是包括数据处理器和数据分析器的计算机实现的处理器。这些可以已经作为用户向搜索引擎102添加新数据源的结果和/或向搜索或搜索会话添加新AI模型的结果而被添加。
注意,虽然图示了特定用户接口,但是应理解其他类型的接口也可以被使用。例如,在一些实施例中,电子商务网站可以是搜索引擎的用户接口的部分。
现在参考图2,附加细节被图示。图2图示了用户接口104。用户接口104包括搜索框108。用户接口能够显示蒙皮结果114。在一些实施例中,可以在没有用户选择的情况下应用蒙皮。特别地,蒙皮用户接口可以接受或放弃它的基础上被呈现给用户,从而不允许用户选择特定蒙皮。然而,在一些实施例中,用户接口104还包括蒙皮选择元件116。蒙皮选择元件116允许用户基于用户希望应用到用户接口104的蒙皮来选择特定AI模型。特别地,在一些实施例中,当用户从蒙皮选择元件选择特定蒙皮时,用户已经间接地选择了将何种AI模型被应用于搜索结果、以及将对从应用AI模型所产生的数据自动地执行何种搜索。因此,例如,用户将录入包括各种词、运算符(诸如与、异或、或等)和/或过滤器(诸如时间过滤器、位置过滤器等)的搜索。用户然后可以执行与用户接口104的各种交互以使搜索被执行。将通过如以上所说明的将数据的各种集合加索引的索引110(见图1)来执行搜索。通常,这样的搜索会从索引110返回结果,该结果包括到数据集112中数据可以被获取的端点的指针。然而,本文中的实施例通过向基于蒙皮选择元件116所确定的AI模型120(或多个AI模型)提供结果而被修改。
现在参考图3,图3示出了更详细的示例使用蒙皮用户接口(诸如用户接口104)来应用AI模型和附加搜索的更详细的示例。针对所图示的示例,假设使用了单个AI模型并且执行对由AI模型产生的数据的单个附加搜索。图3图示了搜索结果113。从索引110的搜索来获取搜索结果。在一些实施例中,搜索结果113可以包括从数据集112所获取的数据,数据集112来自数据可以被获取的各种端点。因此,结果113不一定仅包括到数据的链接,但是还可以包括底层数据。在一些实施例中,有限数目的结果可以被包括在搜索结果中以用于由AI模型分析和附加搜索。再次返回到图3,搜索结果被提供给AI模型120。如先前所描述的,AI模型120将从搜索结果114产生附加数据。例如,这样的附加数据可以包括针对搜索结果的信息(诸如风格信息)。特别地,AI模型120(与前述其他元件一起)被用于创建精炼AI数据126和语义索引128。如图1所示的蒙皮118所指示,然后使用语义索引128对AI模型精炼的数据126执行蒙皮搜索130。蒙皮搜索130不是直接由用户录入的,而是作为用户先前在蒙皮选择元件116中选择蒙皮118(或者针对用户自动被选择)的结果而被搜索引擎102自动执行。特别地,通过蒙皮118搜索语义索引128来标识AI模型精炼的数据,蒙皮搜索130被执行。特别地,蒙皮搜索针对分析数据搜索,该分析数据是通过分析搜索结果113而被创建的。例如,蒙皮搜索130可以尝试标识具有某个标准的分析。具有某个标准的这些分析将在精炼数据126中被标识。一旦这些分析已经被标识,就可以生成返回到原始搜索结果113的链接,以标识搜索结果113中符合该标准的搜索结果,该符合标准的搜索结果通过搜索AI模型精炼的数据126而被标识。即是说,AI模型精炼的数据126包括对搜索结果113应用AI模型120的结果。因此,通过标识符合某个标准的分析,来自搜索结果113的某些搜索结果可以被标识为符合分析标准。
因此,例如在以上的运行示例中,如果搜索结果113包括针对沙发的对索引110的一般搜索,则AI模型120可以被配置为分析搜索结果以标识搜索结果113中的各种风格。那些风格可以由被包括在搜索结果113中的文本、被包括在搜索结果113中的图像分析和/或可以对搜索结果114所执行的其他分析来标识。然后关于分析生成精炼数据126。例如,精炼数据可以包括风格到搜索结果的相关性。语义索引128将AI模型精炼数据126加索引。注意,在所图示的示例中,语义索引128将包括不是以上示例中的装饰风艺术风格的若干不同风格。蒙皮搜索130将搜索语义索引128以找到针对装饰风艺术的条目。从蒙皮搜索130获取的结果可以在AI模型精炼数据126中标识结果,其然后可以使用被存储在AI模型精炼数据126中的相关性来标识结果113中的装饰风艺术沙发。然后,那些结果可以在图1和图2中的蒙皮结果114中被返回,以在用户接口104中向用户显示蒙皮结果。
图4图示了其中实施例可以通过将多个不同的AI模型和附加搜索链在一起而被实现的示例。例如,图4图示了搜索结果113被提供给由蒙皮(诸如蒙皮118(见图1))提供的各种AI模型和搜索机制。在该示例中,搜索结果113首先使AI模型420-1被应用,AI模型420-1产生如以上所描述的各种附加数据。附加数据可以由搜索430-1搜索,搜索430-1产生可以被输入到另一AI模型430-2的附加结果。这产生可以由搜索420-2搜索的附加数据。该过程可以继续直到适当的经蒙皮结果114被产生并且在用户接口(诸如图1中所图示的用户接口104)中被提供给用户为止。
注意,在备选的示例中,在对通过对数据应用AI模型所产生的数据执行任何蒙皮搜索之前,若干不同的AI模型可以被应用于搜索结果(诸如搜索结果113)。因此,实施例可以被实现,其中一个或多个不同的AI模型可以被协同使用,或者被线性使用(对数据应用AI模型并且将该AI模型的结果馈送到其他AI模型中)或者并行地(对相同数据应用不同的AI模型并且聚合来自不同AI模型的结果)。
注意,可以以多种不同的方式来产生蒙皮。例如,在一些实施例中,专家搜索者可以选择可以被应用到用户接口以将该用户接口进行蒙皮的各种AI模型和附加搜索。因此,例如,专家搜索者可以执行各种实验以微调通过在搜索中使用AI模型的各种组合而获取的结果的类型,以创建当被用户选择以供使用时、可以作为由搜索引擎可执行的可执行包而被应用的蒙皮。
在一些实施例中,其他AI模型可以被用于创建和选择在蒙皮过程中被使用的AI模型。例如,在一些实施例中,AI模型可以是被配置为从由用户执行的搜索中学习的学习模型。例如,考虑用户希望针对特定的人来应用模型的情况。例如,用户可以希望将其用户接口蒙皮为特定的名人或者特定的公众人物。在一些实施例中,通过使用AI模型来监视名人或公众人物特别感兴趣的搜索和搜索结果,蒙皮可以被创建。特别地,该名人或公众人物可能同意使其搜索被AI模型监视。监视名人或公众人物的AI模型然后可以产生其他AI模型,该其他AI模型被配置为变换其他用户做出的搜索(通过修改第一实例中的搜索、和/或通过分析并且修改第一实例中的来自用户的搜索的结果),以允许如果名人或公众人物正在搜索用户正在搜索的项目,则用户获取与的搜索结果与名人或公众人物获取的搜索结果是相似的。这允许用户体验到与名人或其他著名公众人物的搜索体验类似的搜索体验。
AI模型可以基于对具有一个或多个共同特征的某些数据的分析AI模型分析而被创建。分析AI模型可以分析多个不同参数之上的数据。例如,分析AI模型可以分析特定时间之上的数据。备选地或附加地,AI模型可以分析数据的特定子类之上的数据。备选地或附加地,分析AI模型可以分析关于位置或地理环境的数据。备选地或附加地,分析AI模型可以分析关于特定商业品牌的特性的数据。其他参数可以备选地或附加地被使用。分析AI模型的结果可以被用于创建将搜索引擎的用户接口进行蒙皮的模型。
在一个示例中,风格分析AI模型可以被应用到已知具有共同特征的某个分类的数据。这会允许针对一个项目类别所检测到的特性在针对不同类别的项目的搜索时被使用。例如,特定汽车品牌可以由风格AI模型来分析。例如,由汽车制造商生产的汽车的风格特征可以被分析以创建附加AI模型,该附加AI模型可以被用于应用到一般搜索结果以标识类似款式。因此,例如,用户可以进行针对具有与特定汽车品牌类似的款式的沙发的搜索。如以上所说明的,汽车的款式可以在特定时间段内被分析。因此,例如,在型号2005年与2015年之间制造的汽车可以由风格AI模型分析,以创建新的AI模型和/或附加的蒙皮搜索,该新的AI模型和/或附加的蒙皮搜索作为对用户接口的蒙皮的一部分、或者与对用户接口的蒙皮结合而被应用。
进一步说明,某些汽车制造商具有取决于销售国家的不同风格。因此,风格AI模型可以分析特定国家的汽车以标识针对该汽车制造商和国家的共同风格,该共同风格可以被用于创建附加AI模型,该附加AI模型可以被应用到蒙皮用户接口中的其他搜索。
作为又一示例,风格AI模型可以分析子类别。例如,在运行示例中,AI模型可以分析子类别(诸如皮卡卡车或其他子类别)来标识风格特性,以供在创建附加AI模型和/或附加搜索中使用,该附加AI模型和/或附加搜索可以被用于将搜索引擎的用户接口进行蒙皮。
因此,例如,通常AI模型被用于标识一个数据类别的某些特性,这些特性可以被用于创建AI模型,其中所创建的AI模型然后可以被使用并且被一般性地应用在搜索引擎处的搜索之上(即,被应用到任何适当的数据类别),以使用附加AI模型来产生蒙皮结果。
因此,例如,图5图示了其中样本数据被AI模型520-1分析的示例。该AI模型520-1基于对样本数据530的分析来产生不同的AI模型520-2。该附加的AI模型520-2可以作为向搜索引擎的用户接口应用蒙皮的部分而被应用,使得由搜索引擎102产生的搜索结果113可以使AI模型520-2如以上所说明的、以AI模型120如何被应用到搜索结果的方式而被应用到搜索结果113。
本文中所说明的实施例包括超过先前系统的多个明显优势。特别地,一些实施例允许用户通过蒙皮选择而具有对何种AI模型被应用到搜索会话的控制。备选地或附加地,实施例实现新用户接口,在该新用户接口中,通过标识与蒙皮相关的结果来以更有效的形式使专门的结果可用,同时排除其他不相关的结果。
现在,下面的讨论涉及可以被执行的多个方法和方法动作。尽管可以按某种顺序讨论该方法动作,或者在流程图中将该方法动作图示为以特定次序发生,但是除非具体说明,或因为动作取决于在执行该动作之前所完成的另一动作而被要求,否则不要求特定顺序。
现在参考图6,图6图示了方法600。该方法包括用于使用用户的搜索引擎来对搜索应用AI模型的动作。该方法包括在搜索引擎用户接口处接收用户搜索输入(动作610)。例如,如图1所示,用户可以在搜索框108中输入搜索词、运算符和/或过滤器。
该方法还包括利用搜索引擎来使用搜索输入以获取第一搜索结果(动作620)。例如,如图1所示,搜索引擎可以被用于获取图3中所示的搜索结果113。
该方法还包括对第一搜索结果应用一个或多个AI模型以获取附加搜索数据(动作630)。例如,如图1所示,精炼数据126可以使用AI模型120而被获取。
该方法还包括搜索附加搜索数据以标识附加搜索结果(动作640)。例如,如图3所图示,蒙皮搜索130可以被执行以获取附加搜索结果。
该方法还包括使用附加搜索结果,从第一搜索结果标识第二搜索结果构成的子集,同时从第一搜索结果过滤掉其他搜索结果(动作650)。例如,蒙皮结果114可以使用附加搜索结果而被获取。
该方法还包括在用户接口中向用户提供第二搜索结果的至少一部分,同时阻止被过滤的其他搜索结果被显示在用户接口中,以使得用户接口处的用户具有作为用户搜索输入的结果而被返回的第二搜索结果(动作660)。例如,如图1所示,蒙皮结果114可以被显示在用户接口104中。
方法600还包括接收选择用户接口蒙皮的用户输入,该接口蒙皮定义在搜索引擎用户接口处何种AI模型和附加搜索被应用到第一搜索结果。例如,用户可以使用蒙皮选择元件向用户接口104应用AI蒙皮118。
方法600可以被实践,其中应用一个或多个AI模型包括标识由第一搜索结果展现的风格,并且其中搜索附加数据包括标识具有特定预定风格的结果。
方法600可以被实践,其中应用一个或多个AI模型包括应用使用其他AI模型所创建的一个或多个模型,该其他AI模型被用于监视另一用户的搜索活动。
方法600可以被实践,其中应用一个或多个AI模型包括将使用分析一个类别的项目的一个或多个其他AI模型所生成一个或多个模型应用到不同的类别的项目。
方法600可以被实践,其中应用一个或多个AI模型包括应用被配置为分析至少一个特定时间段之上的数据的一个或多个模型。
方法600可以被实践,其中应用一个或多个AI模型包括应用被配置为分析特定地理环境之上的数据的一个或多个模型。
方法600可以被实践,其中应用一个或多个AI模型包括应用被配置为分析关于特定品牌的数据的一个或多个模型。
此外,该方法可以由计算机系统实践,该计算机系统包括一个或多个处理器和计算机可读介质(诸如计算机存储器)。特别地,计算机存储器可以存储计算机可读指令,该计算机可读指令当由一个或多个处理器执行时使各种功能被执行,诸如实施例中所叙述的动作。
本发明的实施例可以包括或利用包括计算机硬件的专用或通用计算机,如下文更详细地所讨论的。本发明范围内的实施例还包括用于携带或者存储计算机可执行指令和/或数据结构的物理和其他计算机可读介质。这样的计算机可读介质可以是可由通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是物理存储介质。携带计算机可执行指令的计算机可读介质是传输介质。因此,作为示例而非限制,本发明的实施例可以包括至少两种明显不同种类的计算机可读介质:物理计算机可读存储介质和传输计算机可读介质。
物理计算机可读存储介质包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储装置(例如CD、DVD等)、磁盘存储装置或其他磁性存储设备、或者可以被用于存储计算机可执行指令或数据结构的期望程序代码装置、并且可以由通用或专用计算机访问的任何其他介质。
“网络”被定义为一个或多个数据链路,该数据链路支持电子数据在计算机系统和/或模块和/或其他电子设备之间的传输。当信息是通过网络或另一通信连接(或者硬连线、无线,或者硬连线或无线的组合)被传输或者被提供到计算机时,计算机适当地将连接视为传输介质。传输介质可以包括网络和/或数据链路,该网络和/或数据链路可以被用于在其中计算机可执行指令或数据结构的期望程序代码装置、并且可以由通用或专用计算机访问的任何其他介质。以上的组合也被包括在计算机可读介质的范围内。
此外,在到达各种计算机系统组件时,计算机可执行指令或数据结构形式的程序代码装置自动地从传输计算机可读介质被传送到物理计算机可读存储介质(反之亦然)。例如,通过网络或数据链路所接收的计算机可执行指令或数据结构可以被缓冲在网络接口模块(例如“NIC”)内的RAM中,并且然后最终被传送到计算机系统RAM和/或计算机系统处的易失性较小的计算机可读物理存储介质。因此,计算机可读的物理存储介质可以被包括在计算机系统组件中,这些计算机系统组件也(或甚至主要地)利用传输介质。
计算机可执行指令包括例如使通用计算机、专用计算机或者专用处理设备执行某个功能或者某个功能的指令和数据。计算机可执行指令可以是例如二进制、中间格式指令(诸如汇编语言)、或者甚至源代码。尽管已经以特定与结构化特征和/或方法动作的语言描述了主题,但是应该理解,所附权利要求书中所定义的主题不一定限于所描述的特征或者以上所描述的动作。确切地说,所描述的特征和动作被公开为实现权利要求的示例形式。
本领域技术人员将理解,可以在具有许多类型的计算机系统配置的网络计算环境中实践本发明,这些计算机系统配置包括个人计算机、台式计算机、膝上型计算机、消息处理器、手持式设备、多处理器系统、基于微处理器的或可编程的消费电子设备、网络PC、小型计算机、大型计算机、移动电话、PDA、寻呼机、路由器、交换机等。还可以在分布式系统环境中实践本发明,在分布式系统环境中通过网络(或者由硬连线数据链路、无线数据链路、或者由有线和无线数据链路的组合)链接的本地和远程计算机系统都执行任务。在分布式系统环境中,程序模块可以位于本地和远程存储器存储设备中。
备选地或附加地,本文所描述的功能性可以至少部分地由一个或多个硬件逻辑组件执行。作为示例而非限制,可以被使用的示例性类型的硬件逻辑组件包括现场可编程的门阵列(FPGA)、程序专用集成电路(ASIC)、程序专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。
在不脱离本发明的精神或特性的情况下,可以以其他特定形式来实施本发明。所描述的实施例在所有方面都应被认为仅是示例性的而非限制性的。因此,本发明的范围由所附权利要求书而不是前述说明书指示。落入权利要求书的等效体的含义和范围内的所有改变都应被包含在其范围之内。
Claims (15)
1.一种计算机系统,包括:
一个或多个处理器;以及
一个或多个计算机可读介质,具有被存储在其上的指令,所述指令能够由所述一个或多个处理器执行以将所述计算机系统配置为将AI模型应用到使用用于用户的搜索引擎的搜索,所述指令包括能够执行以将所述计算机系统配置为执行以下至少一项的指令:
在搜索引擎用户接口处接收用户搜索输入;
利用所述搜索引擎以使用所述搜索输入来获取第一搜索结果;
对所述第一搜索结果应用一个或多个数据增强AI模型以获取附加搜索数据,其中所述一个或多个AI模型中的每个AI模型被配置为生成所述附加搜索数据,以根据预定增强目标来增强被应用所述AI模型的搜索数据,并且其中所述附加搜索数据是与所述一个或多个AI模型的所述增强目标语义一致的搜索数据;
搜索所述附加搜索数据以标识附加搜索结果;
使用所述附加搜索结果来从所述第一搜索结果标识第二搜索结果构成的子集,同时从所述第一搜索结果过滤掉其他搜索结果;以及
在所述用户接口中向所述用户提供所述第二搜索结果的至少一部分,同时阻止被过滤掉的所述其他搜索结果被显示在所述用户接口中,以使得所述用户接口处的用户具有作为所述用户搜索输入的结果而被返回的所述第二搜索结果。
2.根据权利要求1所述的计算机系统,其中一个或多个计算机可读介质还具有被存储在其上的如下指令,所述指令能够由所述一个或多个处理器执行,以将所述计算机系统配置为接收选择用户接口蒙皮的用户输入,所述用户接口蒙皮定义在所述搜索引擎处何种AI模型和附加搜索被应用到所述第一搜索结果。
3.根据权利要求1所述的计算机系统,其中应用所述一个或多个AI模型包括标识由所述第一搜索结果展现的风格,并且其中搜索所述附加数据包括标识具有特定预定风格的结果。
4.根据权利要求1所述的计算机系统,其中应用所述一个或多个AI模型包括应用使用其他AI模型所创建的一个或多个模型,所述其他AI模型被用于监视另一用户的搜索活动。
5.根据权利要求1所述的计算机系统,其中应用所述一个或多个AI模型包括将使用分析一个类别的项目的一个或多个其他AI模型所创建的一个或多个模型应用到不同类别的项目。
6.根据权利要求1所述的计算机系统,其中应用所述一个或多个AI模型包括应用被配置为分析特定时间段之上的数据的一个或多个模型。
7.根据权利要求1所述的计算机系统,其中应用所述一个或多个AI模型包括应用被配置为分析特定地理环境之上的数据的一个或多个模型。
8.根据权利要求1所述的计算机系统,其中应用所述一个或多个AI模型包括应用被配置为分析具有特定品牌的数据的一个或多个模型。
9.一种使用用户的搜索引擎对搜索应用AI模型的方法,所述方法包括:
在搜索引擎用户接口处接收用户搜索输入;
利用所述搜索引擎以使用所述搜索输入来获取第一搜索结果;
对所述第一搜索结果应用一个或多个数据增强AI模型以获取附加搜索数据,其中所述一个或多个AI模型中的每个AI模型被配置为生成所述附加搜索数据,以根据预定增强目标来增强被应用所述AI模型的搜索数据,并且其中所述附加搜索数据是与所述一个或多个AI模型的所述增强目标语义一致的搜索数据;
搜索所述附加搜索数据以标识附加搜索结果;
使用所述附加搜索结果来从所述第一搜索结果标识第二搜索结果构成的子集,同时从所述第一搜索结果过滤掉其他搜索结果;以及
在所述用户接口中向所述用户提供所述第二搜索结果的至少一部分,同时阻止被过滤掉的所述其他搜索结果被显示在所述用户接口中,以使得所述用户接口处的用户具有作为所述用户搜索输入的结果而被返回的所述第二搜索结果。
10.根据权利要求9所述的方法,还包括接收选择用户接口蒙皮的用户输入,所述用户接口蒙皮定义在所述搜索引擎用户接口处何种AI模型和附加搜索被应用到所述第一搜索结果。
11.根据权利要求9所述的方法,其中应用所述一个或多个AI模型包括标识由所述第一搜索结果展现的风格,并且其中搜索所述附加数据包括标识具有特定预定风格的结果。
12.根据权利要求9所述的方法,其中应用所述一个或多个AI模型包括应用使用其他AI模型所创建的一个或多个模型,所述其他AI模型被用于监视另一用户的搜索活动。
13.根据权利要求9所述的方法,其中应用所述一个或多个AI模型包括将使用分析一个类别的项目的一个或多个其他AI模型所创建的一个或多个模型应用到不同类别的项目。
14.根据权利要求9所述的方法,其中应用所述一个或多个AI模型包括应用被配置为分析特定时间段之上的数据的一个或多个模型。
15.根据权利要求9所述的方法,其中应用所述一个或多个AI模型包括应用被配置为分析特定地理环境之上的数据的一个或多个模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/192,688 US20200159860A1 (en) | 2018-11-15 | 2018-11-15 | Search engine user interface ai skinning |
US16/192,688 | 2018-11-15 | ||
PCT/US2019/060168 WO2020101988A1 (en) | 2018-11-15 | 2019-11-07 | Search engine user interface ai skinning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113039535A true CN113039535A (zh) | 2021-06-25 |
Family
ID=69160044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980075463.5A Pending CN113039535A (zh) | 2018-11-15 | 2019-11-07 | 搜索引擎用户接口ai蒙皮 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200159860A1 (zh) |
EP (1) | EP3881196A1 (zh) |
CN (1) | CN113039535A (zh) |
WO (1) | WO2020101988A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210012730A (ko) * | 2019-07-26 | 2021-02-03 | 삼성전자주식회사 | 인공지능 모델의 학습 방법 및 전자 장치 |
CN113626715A (zh) * | 2021-08-26 | 2021-11-09 | 北京字跳网络技术有限公司 | 查询结果显示方法、装置、介质和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010021934A1 (en) * | 2000-03-08 | 2001-09-13 | Takeshi Yokoi | Processing device for searching information in one language using search query in another language, and recording medium and method thereof |
US20090164929A1 (en) * | 2007-12-20 | 2009-06-25 | Microsoft Corporation | Customizing Search Results |
CN102542039A (zh) * | 2010-12-27 | 2012-07-04 | 微软公司 | 远程执行的应用的发现 |
CA2747145A1 (en) * | 2011-07-22 | 2013-01-22 | Open Text Corporation | Methods, systems, and computer-readable media for semantically enriching content and for semantic navigation |
US8924314B2 (en) * | 2010-09-28 | 2014-12-30 | Ebay Inc. | Search result ranking using machine learning |
US20180307725A1 (en) * | 2017-04-19 | 2018-10-25 | Fujitsu Limited | Non-transitory computer-readable storage medium, information output method, and information processing apparatus |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080208808A1 (en) * | 2007-02-27 | 2008-08-28 | Yahoo! Inc. | Configuring searches |
WO2010120929A2 (en) * | 2009-04-15 | 2010-10-21 | Evri Inc. | Generating user-customized search results and building a semantics-enhanced search engine |
CN106096037A (zh) * | 2016-06-27 | 2016-11-09 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果聚合方法、装置以及搜索引擎 |
CN106570116B (zh) * | 2016-11-01 | 2020-05-22 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果的聚合方法及装置 |
-
2018
- 2018-11-15 US US16/192,688 patent/US20200159860A1/en not_active Abandoned
-
2019
- 2019-11-07 EP EP19836005.9A patent/EP3881196A1/en not_active Withdrawn
- 2019-11-07 WO PCT/US2019/060168 patent/WO2020101988A1/en unknown
- 2019-11-07 CN CN201980075463.5A patent/CN113039535A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010021934A1 (en) * | 2000-03-08 | 2001-09-13 | Takeshi Yokoi | Processing device for searching information in one language using search query in another language, and recording medium and method thereof |
US20090164929A1 (en) * | 2007-12-20 | 2009-06-25 | Microsoft Corporation | Customizing Search Results |
US8924314B2 (en) * | 2010-09-28 | 2014-12-30 | Ebay Inc. | Search result ranking using machine learning |
CN102542039A (zh) * | 2010-12-27 | 2012-07-04 | 微软公司 | 远程执行的应用的发现 |
CA2747145A1 (en) * | 2011-07-22 | 2013-01-22 | Open Text Corporation | Methods, systems, and computer-readable media for semantically enriching content and for semantic navigation |
US20180307725A1 (en) * | 2017-04-19 | 2018-10-25 | Fujitsu Limited | Non-transitory computer-readable storage medium, information output method, and information processing apparatus |
Also Published As
Publication number | Publication date |
---|---|
WO2020101988A1 (en) | 2020-05-22 |
US20200159860A1 (en) | 2020-05-21 |
EP3881196A1 (en) | 2021-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11423216B2 (en) | Providing extraction results for a particular field | |
US11651149B1 (en) | Event selection via graphical user interface control | |
US10133823B2 (en) | Automatically providing relevant search results based on user behavior | |
US11609942B2 (en) | Expanding search engine capabilities using AI model recommendations | |
Johnson et al. | Web content mining techniques: a survey | |
Görg et al. | Combining computational analyses and interactive visualization for document exploration and sensemaking in jigsaw | |
US7917514B2 (en) | Visual and multi-dimensional search | |
US20190354599A1 (en) | Ai model canvas | |
US8930822B2 (en) | Method for human-centric information access and presentation | |
KR20160107187A (ko) | 검색 결과에서의 논리적인 질문 응답 기법 | |
Rossetto et al. | LifeGraph: a knowledge graph for lifelogs | |
CN113039535A (zh) | 搜索引擎用户接口ai蒙皮 | |
KR20120130196A (ko) | 정보 엔터티들의 자동 연관 | |
Khan et al. | An architecture for non-linear discovery of aggregated multimedia document web search results | |
JP5943756B2 (ja) | データ中のあいまいな箇所の検索 | |
US11847166B2 (en) | Search engine functionality using shared AI models | |
Nawazish et al. | Integrating “random forest” with indexing and query processing for personalized search | |
EP4009196A1 (en) | Systems and methods for fractal-based visual searching | |
CN112970014B (zh) | 使用共享的ai模型的搜索引擎功能性 | |
Ullah et al. | Visual-based items recommendation using deep neural network | |
Kumar et al. | An automatic intent modeling algorithm for interactive data exploration | |
JP2002215642A (ja) | フィードバック型インターネット検索方法及びその方法を実施するためのシステムとプログラム記録媒体 | |
KR101513660B1 (ko) | 기간쿼리기반의 역사 정보 검색 시스템 | |
Vaishakhi et al. | High quality facet generation by using a website wrapper | |
Gudivada | Relevance feedback in content-based image retrieval |
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 |