CN113039567A - 自然语言处理系统 - Google Patents
自然语言处理系统 Download PDFInfo
- Publication number
- CN113039567A CN113039567A CN201980072486.0A CN201980072486A CN113039567A CN 113039567 A CN113039567 A CN 113039567A CN 201980072486 A CN201980072486 A CN 201980072486A CN 113039567 A CN113039567 A CN 113039567A
- Authority
- CN
- China
- Prior art keywords
- merchant
- vectors
- vector
- profile
- profiles
- 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
- 238000003058 natural language processing Methods 0.000 title claims abstract description 163
- 239000013598 vector Substances 0.000 claims abstract description 404
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000012552 review Methods 0.000 claims description 8
- 230000000977 initiatory effect Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 29
- 238000004891 communication Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920002239 polyacrylonitrile Polymers 0.000 description 1
- 201000006292 polyarteritis nodosa Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
- G06Q10/1095—Meeting or appointment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/243—Natural language query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Transfer Between Computers (AREA)
- Machine Translation (AREA)
Abstract
提供了一种用于基于自然语言查询确定商家的自然语言处理系统。所述系统可以包括用以执行以下操作的处理器:接收自然语言查询;使用至少一个神经网络将所述自然语言查询的至少一个字转换成向量,以形成向量集;确定从所述向量集到配置文件集中的每个配置文件的向量距离;基于每个配置文件到所述向量集的所述向量距离给所述配置文件集分等级;将所述配置文件集中包括的与至少一个商家相关联的商家数据传送到所述用户装置;从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及为所述用户装置的用户安排与所述第一商家的预约。还公开了一种计算机程序产品和方法。
Description
相关申请交叉引用
本申请要求2018年11月1日提交的标题为“自然语言处理系统”的第16/177,869号美国专利申请的优先权,所述申请的全部公开内容以引用的方式并入本文中。
技术领域
本公开大体上涉及用于基于自然语言查询确定信息的系统、装置、产品、设备和方法,并且在一个特定实施例中,涉及用于基于自然语言查询确定商家的系统、产品和方法。
背景技术
自然语言处理可以指涉及计算机与自然语言(例如,人类语言)之间的交互的计算机科学领域。例如,自然语言处理可以包括如何将计算机编程为处理和分析与自然语言相关联的大量自然语言数据的方法。
聊天服务可以包括(例如,聊天机器人(chatbot)、对话机器人(talkbot)、聊天盒子(chatterbot)、机器人(Bot)、即时通讯IM机器人、交互式代理、人工对话实体等)并且可以包括实施经由听觉方法和/或文本方法进行对话的软件应用程序的计算装置。例如,聊天服务可以包括实施软件应用程序的计算装置,所述软件应用程序被设计成令人信服地模拟人类将如何作为对话搭档。在一些实例中,可以出于各种目的而在对话系统中使用聊天服务,例如客户服务或信息采集目的。
然而,聊天服务可能依赖于人类在某一时刻与聊天服务的用户交互。例如,在聊天服务的用户可能希望基于聊天服务的会话与商家交互的情况下,可能需要与聊天服务相关联的人类采取动作以允许用户与商家交互。
发明内容
因此,提供了用于对服务请求消息进行分类的改进的系统、装置、产品、设备和/或方法。
根据一些非限制性实施例或方面,提供了一种用于基于自然语言查询确定商家的自然语言处理(NLP)系统,包括:被编程或配置成执行以下操作的至少一个处理器:从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;基于每个配置文件到所述向量集的所述向量距离给所述配置文件集中的每个配置文件分等级;将所述配置文件集中包括的与至少一个商家相关联的商家数据传送到所述用户装置,其中所述商家数据基于所述配置文件集的等级;从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及为所述用户装置的用户安排与所述第一商家的预约。
根据一些非限制性实施例或方面,提供了一种用于基于自然语言查询确定商家的计算机程序产品,所述计算机程序产品包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括一个或多个指令,所述一个或多个指令在由至少一个处理器执行时使得所述至少一个处理器执行以下操作:从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;基于每个配置文件到所述向量集的所述向量距离给所述配置文件集中的每个配置文件分等级;将所述配置文件集中包括的与至少一个商家相关联的商家数据传送到所述用户装置,其中所述商家数据基于所述配置文件集的等级;从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及为所述用户装置的用户安排与所述第一商家的预约。
根据一些非限制性实施例或方面,提供了一种用于基于自然语言查询确定商家的方法,包括:通过至少一个处理器从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;通过所述至少一个处理器使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;通过所述至少一个处理器确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;通过所述至少一个处理器基于每个配置文件到所述向量集的所述向量距离来给所述配置文件集中的每个配置文件分等级;通过所述至少一个处理器将所述配置文件集中包括的与每个商家相关联的商家数据传送到所述用户装置,其中所述商家数据是基于给所述配置文件集中的每个配置文件分等级而传送的;通过所述至少一个处理器从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及通过所述至少一个处理器为所述用户装置的用户安排与所述第一商家的预约。
在以下编号条款中阐述另外的非限制性实施例或方面。
条款1:一种用于基于自然语言查询确定商家的自然语言处理(NLP)系统,包括:被编程或配置成执行以下操作的至少一个处理器:从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;基于每个配置文件到所述向量集的所述向量距离给所述配置文件集中的每个配置文件分等级;将所述配置文件集中包括的与至少一个商家相关联的商家数据传送到所述用户装置,其中所述商家数据基于所述配置文件集的等级;从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及为所述用户装置的用户安排与所述第一商家的预约。
条款2:根据条款1所述的NLP系统,其中当接收所述自然语言查询时,所述至少一个处理器被编程或配置成:从所述用户装置上的聊天客户端接收所述自然语言查询。
条款3:根据条款1或2所述的NLP系统,其中当传送所述配置文件集中包括的与每个商家相关联的所述商家数据时,所述至少一个处理器被编程或配置成:将消息传送到所述用户装置上的所述聊天客户端,所述消息包括基于每个配置文件的所述等级的与所述配置文件集的子集相关联的每个商家的列表。
条款4:根据条款1至3中任一项所述的NLP系统,其中所述自然语言查询的所述至少一个字为至少一个第一字,其中所述向量集为第一向量集,其中所述配置文件集中的每个配置文件包括与所述商家相关联的数据,与所述商家相关联的所述数据包括至少一个第二字,其中每个配置文件与第二向量集相关联,所述第二向量集包括与所述至少一个第二字相关联的至少一个第二向量,并且其中,当确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离时,所述至少一个处理器被编程或配置成:基于从所述第一向量集中的至少一个第一向量到所述第二向量集中的所述至少一个第二向量的欧几里得距离来确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离。
条款5:根据条款1至4中任一项所述的NLP系统,其中所述向量距离包括用以根据以下公式使所述第一向量集中的每个向量变换为所述第二向量集中的每个向量的最小变换代价:
其中Tij为所述第一向量集中的向量i与所述第二向量集中的对应向量j之间的所述欧几里得距离c(i,j)的变换代价函数,并且其中W1i为所述第一向量集中的向量i的权重。
条款6:根据条款1至5中任一项所述的NLP系统,其中当给所述配置文件集中的每个配置文件分等级时,所述至少一个处理器被编程或配置成:基于以下各项中的至少一项来给所述配置文件集中的所述配置文件分等级:与配置文件相关联的商家的位置距所述用户装置的距离;由与配置文件相关联的商家提供的要价(offer);与配置文件相关联的商家的评论评级;与配置文件相关联的商家的规模;或其任何组合。
条款7:根据条款1至6中任一项所述的NLP系统,进一步包括:基于每个所述配置文件到所述向量集的所述向量距离确定所述配置文件集的子集,其中当将所述配置文件集中包括的与每个商家相关联的所述商家数据传送到所述用户装置时,所述至少一个处理器被编程或配置成:将配置文件的所述子集中包括的与每个商家相关联的所述商家数据传送到所述用户装置。
条款8:一种用于基于自然语言查询确定商家的计算机程序产品,所述计算机程序产品包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括一个或多个指令,所述一个或多个指令在由至少一个处理器执行时使得所述至少一个处理器执行以下操作:从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;基于每个配置文件到所述向量集的所述向量距离给所述配置文件集中的每个配置文件分等级;将所述配置文件集中包括的与至少一个商家相关联的商家数据传送到所述用户装置,其中所述商家数据基于所述配置文件集的等级;从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及为所述用户装置的用户安排与所述第一商家的预约。
条款9:根据条款8所述的计算机程序产品,其中使得所述至少一个处理器接收所述自然语言查询的所述一个或多个指令使得所述至少一个处理器:从所述用户装置上的聊天客户端接收所述自然语言查询。
条款10:根据条款8或9所述的计算机程序产品,其中使得所述至少一个处理器传送所述配置文件集中包括的与所述商家相关联的所述商家数据的所述一个或多个指令使得所述至少一个处理器:将消息传送到所述用户装置上的所述聊天客户端,所述消息包括基于每个配置文件的所述等级的与所述配置文件集的子集相关联的每个商家的列表。
条款11:根据条款8至10中任一项所述的计算机程序产品,其中所述自然语言查询的所述至少一个字为至少一个第一字,其中所述向量集为第一向量集,其中所述配置文件集中的每个配置文件包括与所述商家相关联的数据,与所述商家相关联的所述数据包括至少一个第二字,其中每个配置文件与第二向量集相关联,所述第二向量集包括与所述至少一个第二字相关联的至少一个第二向量,并且其中,使得所述至少一个处理器确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离的所述一个或多个指令使得所述至少一个处理器:基于从所述第一向量集中的至少一个第一向量到所述第二向量集中的所述至少一个第二向量的欧几里得距离来确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离。
条款12:根据条款8至11中任一项所述的计算机程序产品,其中所述向量距离包括用以根据以下公式使所述第一向量集中的每个向量变换为所述第二向量集中的每个向量的最小变换代价:
其中Tij为所述第一向量集中的向量i与所述第二向量集中的对应向量j之间的所述欧几里得距离c(i,j)的变换代价函数,并且其中W1i为所述第一向量集中的向量i的权重。
条款13:根据条款8至12中任一项所述的计算机程序产品,其中使得所述至少一个处理器给所述配置文件集中的每个配置文件分等级的所述一个或多个指令使得所述至少一个处理器:基于以下各项中的至少一项来给所述配置文件集中的所述配置文件分等级:与配置文件相关联的商家的位置距所述用户装置的距离;由与配置文件相关联的商家提供的要价;与配置文件相关联的商家的评论评级;与配置文件相关联的商家的规模;或其任何组合。
条款14:根据条款8至13中任一项所述的计算机程序产品,进一步包括:基于每个所述配置文件到所述向量集的所述向量距离确定所述配置文件集的子集,其中当将所述配置文件集中包括的与每个商家相关联的所述商家数据传送到所述用户装置时,所述至少一个处理器被编程或配置成:将配置文件的所述子集中包括的与每个商家相关联的所述商家数据传送到所述用户装置。
条款15:一种用于基于自然语言查询确定商家的方法,包括:通过至少一个处理器从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;通过所述至少一个处理器使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;通过所述至少一个处理器确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;通过所述至少一个处理器基于每个配置文件到所述向量集的所述向量距离来给所述配置文件集中的每个配置文件分等级;通过所述至少一个处理器将所述配置文件集中包括的与每个商家相关联的商家数据传送到所述用户装置,其中所述商家数据是基于所述配置文件集的等级传送的;通过所述至少一个处理器从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及通过所述至少一个处理器为所述用户装置的用户安排与所述第一商家的预约。
条款16:根据条款15所述的方法,其中所述自然语言查询的所述至少一个字为至少一个第一字,其中所述向量集为第一向量集,其中所述配置文件集中的每个配置文件包括对所述商家的描述,与所述商家相关联的所述数据包括至少一个第二字,其中每个配置文件与第二向量集相关联,所述第二向量集包括与所述至少一个第二字相关联的至少一个第二向量,并且其中确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离包括:基于从所述第一向量集中的至少一个第一向量到所述第二向量集中的所述至少一个第二向量的欧几里得距离来确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离。
条款17:根据条款15或16所述的方法,其中所述向量距离包括用以根据以下公式使所述第一向量集中的每个向量变换为所述第二向量集中的每个向量的最小变换代价:
其中Tij为所述第一向量集中的向量i与所述第二向量集中的对应向量j之间的所述欧几里得距离c(i,j)的变换代价函数,并且其中W1i为所述第一向量集中的向量i的权重。
条款18:根据条款15至17中任一项所述的方法,进一步包括:在转换所述自然语言查询的所述至少一个字之前基于第二配置文件集训练所述神经网络。
条款19:根据条款15至18中任一项所述的方法,其中所述神经网络包括跳字模型,所述跳字模型具有输入层、输出层以及将所述输入层连接到所述输出层的至少一个隐藏层,并且其中训练所述神经网络包括:反复地将所述第二配置文件集的第三字提供到所述输入层;以及将所述输出层的输出与所述第二配置文件集的多个字进行比较,其中所述多个字邻近所述第三字。
条款20:根据条款15至19中任一项所述的方法,进一步包括:在安排所述预约之前,在所述商家与所述用户装置的所述用户之间发起支付交易;从所述用户装置接收与所述用户相关联的用户数据,所述用户数据包括与所述用户的标识相关联的用户标识数据以及与所述用户的支付账户的账户标识符相关联的账户标识数据;以及基于所述用户数据存储与所述用户装置的所述用户相关联的配置文件,其中发起所述支付交易包括:将来自所述配置文件的所述账户标识数据和与所述商家相关联的商家标识数据传送到交易服务提供商系统以授权所述支付交易;以及从所述交易服务提供商系统接收已授权所述支付交易的指示。
在参考附图考虑以下描述和所附权利要求书时,本公开的这些和其它特征和特性以及相关结构元件和各部分的组合的操作方法和功能以及制造经济性将变得更加显而易见,所有附图形成本说明书的部分,其中相似附图标号在各图中标示对应部分。然而,应明确地理解,各图仅用于说明和描述目的,并非旨在作为本公开的限制的定义。如在说明书中和权利要求书中所用,除非上下文另外明确规定,否则单数形式“一”和“所述”包括复数指示物。
附图说明
下文参考附图中说明的示例性实施例更详细地解释本公开的额外优点和细节,在附图中:
图1是其中可以根据本公开的原理实施本文中所描述的系统、装置、产品、设备和/或方法的环境的非限制性实施例或方面的图式;
图2是图1的一个或多个装置的组件的非限制性实施例或方面的图式;
图3是用于基于自然语言查询确定商家的过程的非限制性实施例或方面的流程图;并且
图4A-4D是图3所示的过程的一些非限制性实施例或方面的实施方案的图式。
具体实施方式
下文出于描述的目的,术语“端”、“上”、“下”、“右”、“左”、“竖直”、“水平”、“顶部”、“底部”、“横向”、“纵向”以及其衍生词应涉及本公开如其在附图中的定向。然而,应理解,除了明确指定相反情况之外,本公开可以采用各种替代变化和步骤序列。还应理解,附图中所说明的以及在以下说明中描述的特定装置和过程仅仅是本公开的示例性实施例或方面。因此,除非另有指示,否则与本文公开的实施例或实施例的方面相关联的特定维度和其它物理特性不应被视为限制。
本文所使用的方面、组件、元件、结构、动作、步骤、功能、指令和/或其类似者都不应当被理解为关键的或必要的,除非明确地如此描述。且,如本文所使用,冠词“一”希望包括一个或多个项目,且可与“一个或多个”和“至少一个”互换使用。此外,如本文所使用,术语“集合”希望包括一个或多个项目(例如,相关项目、不相关项目、相关项目与不相关项目的组合等),并且可以与“一个或多个”或“至少一个”互换使用。在希望仅有一个项目的情况下,使用术语“一个”或类似语言。且,如本文所使用,术语“具有”等希望是开放式术语。另外,除非另外明确陈述,否则短语“基于”希望意味着“至少部分地基于”。
本文中描述了与阈值相关联的一些非限制性实施例。如本文所使用,满足阈值可以指值大于阈值、多于阈值、高于阈值、大于或等于阈值、小于阈值、少于阈值、低于阈值、小于或等于阈值、等于阈值等。
如本文所使用,术语“通信”可以指信息(例如,数据、信号、消息、指令、命令等)的接收、接纳、传输、传送、提供等。例如,一个单元(例如,装置、系统、装置或系统的组件、其组合等)与另一单元通信意味着所述一个单元能够从所述另一单元直接或间接地接收信息和/或向所述另一单元传输信息。即使信息可能会被修改、处理、转发和/或路由到一个单元与另一单元之间,所述一个单元也可以与所述另一单元进行通信。在一个实例中,即使第一单元接收信息且不会将信息传送到第二单元,所述第一单元也可以与所述第二单元进行通信。作为另一实例,如果中间单元(例如,位于第一单元与第二单元之间的第三单元)从第一单元接收信息、处理从第一单元接收到的信息以产生已处理信息并且将已处理信息传送到第二单元,则第一单元可以与第二单元通信。在一些非限制性实施例或方面中,消息可以指包括数据的包(例如,数据包、网络包等)。
如本文所使用,术语“发行方机构”、“便携式金融装置发行方”、“发行方”或“发行方银行”可以指一个或多个实体,所述一个或多个实体向用户(例如,客户、消费者等)提供一个或多个账户以进行交易(例如,支付交易),例如发起信用卡支付交易、借记卡支付交易和/或预付卡支付交易。例如,发行方机构可以向用户提供例如主账号(PAN)等账户标识符,所述账户标识符唯一地标识与所述用户相关联的一个或多个账户。账户标识符可以在例如实体金融工具(例如,支付卡)等便携式金融装置上体现,和/或可以是电子的且用于电子支付。在一些非限制性实施例或方面中,发行方机构可以与唯一地标识发行方机构的银行标识号码(BIN)相关联。如本文所使用,“发行方机构系统”可指由发行方机构或代表发行方机构操作的一个或多个计算机系统,例如执行一个或多个软件应用程序的服务器计算机。例如,发行方机构系统可包括用于授权支付交易的一个或多个授权服务器。
如本文所使用,术语“账户标识符”可以包括一个或多个PAN、令牌,或与客户账户相关联的其它标识符。术语“令牌”可以指用作PAN等原始账户标识符的替代或替换标识符的标识符。账户标识符可以是文数字或字符和/或符号的任何组合。令牌可与一个或多个数据结构(例如一个或多个数据库和/或其类似者)中的PAN或其它原始账户标识符相关联,使得令牌可用于进行交易而无需直接使用原始账户标识符。在一些实例中,例如PAN等原始账户标识符可以与用于不同个人或目的的多个令牌相关联。发行方机构可以与唯一地标识发行方机构的银行标识号(BIN)相关联。
如本文所使用,术语“账户标识符”可包括与用户账户相关联的一种或多种类型的标识符(例如,PAN、主账号、卡号、支付卡号、令牌等)。在一些非限制性实施例或方面中,发行方机构可向用户提供账户标识符(例如,PAN、令牌和/或其类似者),所述账户标识符唯一地标识与所述用户相关联的一个或多个账户。账户标识符可在物理金融工具(例如,便携式金融工具、支付卡、信用卡、借记卡等)上体现,和/或可为传送到用户使得用户可用于电子支付的电子信息。在一些非限制性实施例或方面中,账户标识符可以是原始账户标识符,其中在创建与账户标识符相关联的账户时,将原始账户标识符提供给用户。在一些非限制性实施例或方面中,账户标识符可以是在将原始账户标识符提供给用户之后提供给用户的账户标识符(例如,补充账户标识符)。例如,如果原始账户标识符被遗忘、被盗等,则补充账户标识符可提供给用户。在一些非限制性实施例或方面中,账户标识符可直接或间接地与发行方机构相关联,使得账户标识符可以是映射到PAN或其它类型账户标识符的令牌。账户标识符可以是字母数字、字符和/或符号的任何组合等。
如本文所使用,术语“令牌”可指代用作账户标识符(例如PAN)的替代或替换标识符的标识符。令牌可以与PAN或一个或多个数据结构中的其它账户标识符相关联,使得令牌可以用来进行交易,而无需直接使用例如PAN的账户标识符。在一些示例中,PAN等账户标识符可以与用于不同用途或目的的多个令牌相关联。
如本文所使用,术语“商家”可以指基于例如支付交易等交易向用户(例如,客户、消费者、商家的客户等)提供商品和/或服务和/或对商品和/或服务的访问权的一个或多个实体(例如,零售业务的运营商)。如本文所使用,“商家系统”可以指由商家或代表商家操作的一个或多个计算机系统,例如执行一个或多个软件应用程序的服务器计算机。如本文所使用,“商家销售点(POS)系统”可以指商家用以与顾客进行支付交易的一个或多个计算机和/或外围装置,包括一个或多个读卡器、近场通信(NFC)接收器、射频标识(RFID)接收器、矩阵条形码读取器(例如,快速响应(QR)代码读取器)和/或其它非接触式收发器或接收器、基于接触的接收器、支付终端、计算机、服务器、输入装置和/或可以用于发起支付交易的其它类似装置。商家POS系统还可以包括被编程或配置成通过网页、移动应用程序等等处理在线支付交易的一个或多个服务器计算机。如本文所使用,术语“产品”可以指商家提供的一种或多种商品和/或服务。
如本文所使用,“销售点(POS)系统”可以指商家用以与顾客进行支付交易的一个或多个计算机和/或外围装置,包括一个或多个读卡器、NFC接收器、RFID接收器、矩阵条形码读取器(例如,快速响应(QR)代码读取器)和/或其它非接触收发器或接收器、基于接触的接收器、支付终端、计算机、服务器、输入装置和/或可以用于发起支付交易的其它类似装置。POS系统(例如,商家POS系统)还可以包括被编程或配置成通过网页、移动应用程序等等处理在线支付交易的一个或多个服务器计算机。
如本文所使用,术语“交易服务提供商”可以指接收来自商家或其它实体的交易授权请求且在一些情况下通过交易服务提供商与发行方之间的协议来提供支付保证的实体。例如,交易服务提供商可以包括支付网络,例如American或处理交易的任何其它实体。如本文所使用,术语“交易服务提供商系统”可以指由交易服务提供商或代表交易服务提供商操作的一个或多个系统,例如执行与交易服务提供商相关联的一个或多个软件应用程序的交易服务提供商系统。在一些非限制性实施例或方面中,交易服务提供商系统可以包括由交易服务提供商或代表交易服务提供商操作的一个或多个服务器。
如本文所使用,术语“便携式金融装置”可以指例如电子支付装置、支付装置、支付卡(例如,信用卡或借记卡)、礼品卡、智能卡、智能介质、工资卡、医疗保健卡、腕带、包含账户信息的机器可读介质、钥匙链装置或吊坠、RFID应答器、零售商折扣或会员卡。在一些非限制性实施例中,便携式金融装置可以包括易失性或非易失性存储器以存储信息(例如,账户标识符、账户持有人的姓名等)。
如本文所使用,术语“客户端装置”可以指远离服务器、用于访问服务器提供的功能性的一个或多个装置(例如,客户端装置)或一个或多个系统(例如,客户端系统)。例如,客户端装置可以包括一个或多个计算装置(例如,一个或多个计算机器、一个或多个计算机、一个或多个处理器、一个或多个信息处理系统等)、蜂窝式电话、智能电话、可穿戴式装置(例如,手表、框架眼镜、隐形眼镜、衣服等)、个人数字助理(PDA)等。
如本文所使用,术语“服务器”可以指经由网络(例如,公共网络、专用网络、因特网等)向一个或多个装置(例如,一个或多个客户端装置)提供功能性的一个或多个装置。例如,服务器可包括一个或多个计算装置。
如本文所使用,术语“系统”可以指连接的或被配置成与一个或多个其它装置连接的一个或多个装置。例如,系统可以包括多个计算装置,所述多个计算装置包括软件应用程序,其中所述多个计算装置经由网络连接。
在一些非限制性实施例或方面中,如本文所使用,对“服务器”或“处理器”的引用可以指先前所述的陈述为执行先前步骤或功能的服务器和/或处理器、不同的服务器和/或处理器,和/或服务器和/或处理器的组合。例如,如在说明书和权利要求书中所使用,陈述为执行第一步骤或功能的第一服务器和/或第一处理器可指陈述为执行第二步骤或功能的相同或不同服务器和/或处理器。
本公开的非限制性实施例涉及用于基于自然语言查询确定商家的系统、方法和计算机程序产品。在一些非限制性实施例或方面中,一种自然语言处理(NLP)系统可以包括被编程或配置成执行以下操作的至少一个处理器:从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;基于每个配置文件到所述向量集的所述向量距离给所述配置文件集中的每个配置文件分等级;将所述配置文件集中包括的与至少一个商家相关联的商家数据传送到所述用户装置,其中所述商家数据是基于所述配置文件集的等级传送的;从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及基于对所述配置文件的选择使得保留与所述第一商家相关联的资源。以此方式,本公开的实施例允许用户基于自然语言查询与商家交互,而不需要人类采取动作以允许用户与商家交互。
参考附图,图1是其中可以实施本文中所描述的装置、系统和/或方法的示例环境100的图式。如图所示1,环境100包括自然语言处理(NLP)系统102、用户装置104、交易服务提供商系统106、商家系统108和网络110。NLP系统102、用户装置104、交易服务提供商系统106和/或商家系统108可以经由有线连接、无线连接或有线和无线连接的组合互连(例如,建立连接以进行通信)。
NLP系统102可以包括能够经由网络110从用户装置104、交易服务提供商系统106、商家系统108和/或其它装置接收信息和/或经由网络110将信息传送到用户装置104、交易服务提供商系统106、商家系统108和/或其它装置的一个或多个装置。例如,NLP系统102可以包括一个或多个计算装置,例如服务器(例如,交易处理服务器)、服务器群组和/或其它类似装置。在一些非限制性实施例或方面中,NLP系统102可以与金融机构、交易服务提供商和/或发行方相关联,如本文中所描述的。例如,NLP系统102可以由金融机构、交易服务提供商和/或发行方操作。在一些非限制性实施例或方面中,NLP系统102可以包括交易服务提供商系统106。例如,交易服务提供商系统106可以是NLP系统102的组件。
用户装置104可以包括能够经由网络110从NLP系统102、交易服务提供商系统106、商家系统108和/或另一装置(例如,另一用户装置104)接收信息和/或经由网络110将信息传送到NLP系统102、交易服务提供商系统106、商家系统108和/或另一装置(例如,另一用户装置104)的一个或多个装置。例如,用户装置104可以包括一个或多个计算装置,例如一个或多个服务器、一个或多个路由器、一个或多个调制解调器、一个或多个客户端装置(例如,一个或多个台式计算机、一个或多个便携式计算机、一个或多个平板计算机、一个或多个膝上型计算机,例如蜂窝式电话、智能电话、PDA的一个或多个移动装置等)。
交易服务提供商系统106可以包括能够经由网络110从NLP系统102、用户装置104和/或商家系统108接收信息和/或经由网络110将信息传送到NLP系统102、用户装置104和/或商家系统108的一个或多个装置。例如,交易服务提供商系统106可以包括计算装置,例如服务器、服务器群组和/或其它类似装置。在一些非限制性实施例或方面中,交易服务提供商系统106可以与操作信用卡网络并且处理信用账户、借记账户、信用卡、借记卡等的支付的实体(例如,交易服务提供商)相关联。在一些非限制性实施例或方面中,交易服务提供商系统106可以与数据存储装置通信,所述数据存储装置对于交易服务提供商系统106可以是本地或远程的。在一些非限制性实施例或方面中,交易服务提供商系统106能够从数据存储装置接收信息、将信息存储在数据存储装置中、将信息传送到数据存储装置,或搜索存储在数据存储装置中的信息。在一些非限制性实施例或方面中,交易服务提供商系统106可以包括NLP系统102。例如,NLP系统102可以是交易服务提供商系统106的组件。
商家系统108可以包括能够经由网络110从NLP系统102、用户装置104和/或交易服务提供商系统106接收信息和/或经由网络110将信息传送到NLP系统102、用户装置104和/或交易服务提供商系统106的一个或多个装置。商家系统108还可以包括能够经由网络110、与用户装置104的通信连接(例如,NFC通信连接、RFID通信连接、通信连接等)等从用户装置104接收信息和/或经由网络、通信连接等将信息传送到用户装置104的装置。例如,商家系统108可以包括计算装置、服务器、服务器群组、客户端装置、客户端装置群组和/或其它类似装置。在一些非限制性实施例或方面中,商家系统108可以包括一个或多个用户装置104。例如,商家系统108可以包括用户装置104,所述用户装置允许商家将信息传送到交易服务提供商系统106。
网络110可包括一个或多个有线和/或无线网络。例如,网络110可以包括蜂窝网络(例如,长期演进(LTE)网络、第三代(3G)网络、第四代(4G)网络、码分多址(CDMA)网络等)、公用陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如,公共交换电话网络(PSTN)、专用网络、临时网络、内联网、互联网、基于光纤的网络、云计算网络等,和/或这些或其它类型的网络的组合。
示例地提供图1中示出的装置和网络的数目和布置。可能存在与图1中所示的那些相比额外的装置和/或网络、更少的装置和/或网络、不同的装置和/或网络,或不同地布置的装置和/或网络。此外,图1中所示的两个或更多个装置可在单个装置内实施,或图1中所示的单个装置可实施为多个分布式装置。另外或替代地,环境100的一组装置(例如,一个或多个装置)可以执行被描述为由环境100的另一组装置执行的一个或多个功能。
现在参考图2,图2是装置200的实例组件的图式。装置200可以对应于NLP系统102、用户装置104、交易服务提供商系统106、商家系统108和/或NLP系统102的一个或多个装置、交易服务提供商系统106的一个或多个装置或商家系统108的一个或多个装置。在一些非限制性实施例或方面中,NLP系统102、用户装置104、交易服务提供商系统106和/或商家系统108可以包括至少一个装置200和/或装置200的至少一个组件。如图2所示,装置200可包括总线202、处理器204、存储器206、存储组件208、输入组件210、输出组件212和通信接口214。
总线202可包括准许装置200的组件之间的通信的组件。在一些非限制性实施例或方面中,处理器204可以在硬件、固件或硬件和软件的组合中实施。例如,处理器204可以包括处理器(例如,中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等)、微处理器、数字信号处理器(DSP)和/或可以被编程成执行功能的任何处理组件(例如,现场可编程门阵列(FPGA)、专用集成电路(ASIC)等)。存储器206可以包括随机存取存储器(RAM)、只读存储器(ROM),和/或存储供处理器204使用的信息和/或指令的另一类型的动态或静态存储装置(例如,快闪存储器、磁存储器、光学存储器等)。
存储组件208可以存储与装置200的操作和使用相关联的信息和/或软件。例如,存储组件208可以包括硬盘(例如,磁盘、光盘、磁光盘、固态磁盘等)、压缩光盘(CD)、数字多功能光盘(DVD)、软盘、盒带、磁带和/或另一类型的计算机可读介质,以及对应的驱动器。
输入组件210可以包括准许装置200例如通过用户输入(例如,触摸屏显示器、键盘、小键盘、鼠标、按钮、开关、麦克风等)接收信息的组件。另外或替代地,输入组件210可以包括用于感测信息的传感器(例如,全球定位系统(GPS)组件、加速度计、陀螺仪、致动器等)。输出组件212可以包括提供来自装置200的输出信息的组件(例如,显示器、扬声器、一个或多个发光二极管(LED)等)。
通信接口214可以包括收发器式组件(例如,收发器、独立的接收器和传输器等),所述收发器式组件使装置200能够例如经由有线连接、无线连接,或有线连接和无线连接的组合与其它装置通信。通信接口214可以准许装置200接收来自另一装置的信息和/或向另一装置提供信息。例如,通信接口214可以包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、接口、蜂窝网络接口等。
装置200可以执行本文所描述的一个或多个过程。装置200可以基于处理器204执行由例如存储器206和/或存储组件208的计算机可读介质存储的软件指令来执行这些过程。计算机可读介质(例如,非瞬态计算机可读介质)在本文中定义为非瞬态存储器装置。存储器装置包括位于单个物理存储装置内的存储器空间或跨多个物理存储装置扩展的存储器空间。
软件指令可以经由通信接口214从另一计算机可读介质或从另一装置读取到存储器206和/或存储组件208中。在被执行时,存储在存储器206和/或存储组件208中的软件指令可以使处理器204执行本文中所描述的一个或多个过程。另外或替代地,硬接线电路可替代或结合软件指令使用以执行本文中所描述的一个或多个过程。因此,本文所描述的实施例不限于硬件电路和软件的任何特定组合。
图2中所示的组件的数目和布置作为实例提供。在一些非限制性实施例或方面中,与图2中所示的那些相比,装置200可以包括额外组件、更少组件、不同组件或以不同方式布置的组件。另外或替代地,装置200的一组组件(例如一个或多个组件)可以执行被描述为由装置200的另一组组件执行的一个或多个功能。
现在参考图3,图3是用于基于自然语言查询确定商家的过程300的一些非限制性实施例或方面的流程图。在一些非限制性实施例或方面中,可以由NLP系统102(例如,NLP系统102的一个或多个装置)(例如,完全、部分地等)执行过程300的一个或多个步骤。在一些非限制性实施例或方面中,可以由不同于或包括NLP系统102的另一装置或装置群组——例如交易服务提供商系统106,(例如,完全、部分地等)执行过程300的一个或多个步骤。
如图3所示,在步骤302,过程300包括接收自然语言查询。例如,NLP系统102可以从计算装置(例如,用户装置104)接收自然语言查询。在一些非限制性实施例或方面中,自然语言查询可以包括文本,并且文本可以包括一个或多个字。例如,自然语言查询可以包括由人提供的文本(例如,由与用户装置104相关联的人提供的文本、包括由与用户装置104相关联的人输入的自然语言的文本等)和/或由计算装置生成的文本(例如,包括机器生成的文本的文本、包括由计算装置生成的自然语言的文本等)。
在一些非限制性实施例或方面中,文本可以包括由与用户装置104相关联的人提供的多个字,所述多个字包括为到聊天服务(例如,聊天机器人、对话机器人、聊天盒子、机器人、即时消息(IM)机器人、交互式代理等)的输入的一部分。例如,文本可以包括由与用户装置104相关联的人提供的多个字,所述多个字包括为到聊天服务的聊天客户端的输入并且聊天客户端在用户装置104上。在一些非限制性实施例或方面中,NLP系统102可以从用户装置104上的聊天服务的聊天客户端接收自然语言查询。在一些非限制性实施例或方面中,聊天服务和/或聊天客户端可以与商家(例如,与商家系统108相关联的商家)相关联。
在一些非限制性实施例或方面中,文本可以包括与产品和/或由商家提供的服务相关联的一个或多个字。例如,文本可以包括与由商家提供的产品和/或服务的标识(例如,产品和/或服务的名称)、商家的商家类别(例如,商家类别代码)、商家的位置(例如,建筑物的位置、商店的位置等)等相关联的一个或多个字。
如图3进一步所示,在步骤304,过程300包括将自然语言查询的字转换成向量,以形成向量集。例如,NLP系统102可以将自然语言查询的多个字中的每个字转换成向量,以形成向量集。
在一些非限制性实施例或方面中,NLP系统102可以生成神经网络模型,以将自然语言查询的一个或多个字转换成向量,以形成向量集。例如,NLP系统102可以基于与到聊天服务的输入相关联的数据(例如,与作为到聊天服务的输入提供的消息中包括的文本相关联的数据、与作为到聊天服务的输入提供的消息中包括的文本的一个或多个字相关联的数据等)生成神经网络模型。
在一些非限制性实施例或方面中,神经网络模型可以被设计成接收包括与到聊天服务的输入相关联的数据的自然语言查询作为输入,并且提供一个或多个向量作为输出,所述一个或多个向量的值指示一字作为向量空间中的一点且指示语义上与所述字相似的字作为向量空间中邻近的点。例如,神经网络模型可以接收包括与由商家提供的产品和/或服务相关联的多个字的自然语言查询作为输入,并且神经网络模型可以提供包括一个或多个向量(例如,向量、向量集等)的输出,所述一个或多个向量的值基于自然语言查询中包括的多个字同与一个或多个商家相关联的一个或多个配置文件中的字的语义相似度。
在一些非限制性实施例或方面中,与商家相关联的配置文件可以包括与所述商家相关联的一个或多个字。例如,一个或多个字可以与由商家提供的产品和/或服务、商家的位置、商家的简介、由商家的顾客提供的对商家的评论、涉及商家的交易、涉及商家的支付交易的交易金额等相关联。在一些非限制性实施例或方面中,配置文件可以包括电子文档,例如网页(例如,存储的网页副本)、字处理器文档、Adobe PDF文档、电子数据表文档等。
在一些非限制性实施例或方面中,NLP系统102可以从用户装置104和/或其它装置(例如,其它用户装置104)接收数据并将所述数据作为输入提供到神经网络模型。NLP系统102可以基于接收数据来分析数据以生成神经网络模型。在一些非限制性实施例或方面中,NLP系统102可以通过基于与到聊天服务的输入相关联的数据(例如,历史数据)生成用于神经网络模型的规则来生成神经网络模型。在一些非限制性实施例或方面中,历史数据可以包括与到用于确定商家的聊天服务的输入相关联的数据。
在一些非限制性实施例或方面中,NLP系统102可以处理所述数据,以获得神经网络模型的训练数据。例如,NLP系统102可以处理数据,以将数据改变为可以(例如,由NLP系统102)进行分析以生成神经网络模型的格式。更改的数据可以被称作训练数据。在一些非限制性实施例或方面中,NLP系统102可以基于接收数据来处理所述数据,以获得训练数据。另外或替代地,例如当NLP系统102接收在对应于所述数据的时间间隔内创建神经网络模型的指示时,NLP系统102可以基于NLP系统102接收NLP系统102将处理来自NLP系统102的用户的数据的指示来处理所述数据,以获得训练数据。
在一些非限制性实施例或方面中,NLP系统102可以基于神经网络模型的训练数据来训练所述神经网络模型。例如,NLP系统102可以使用训练数据来训练神经网络模型,然后使用所述神经网络模型将自然语言查询(接收到聊天服务的输入的自然语言查询)的字转换为向量。
在一些非限制性实施例或方面中,NLP系统102可以验证神经网络模型。例如,NLP系统102生成神经网络模型,然后NLP系统102可以验证所述神经网络模型。在一些非限制性实施例或方面中,NLP系统102可以基于待用于验证的训练数据的一部分来验证神经网络模型。例如,NLP系统102可以将训练数据分成第一部分和第二部分,其中第一部分可以用于生成神经网络模型,如上文所描述的。在此实例中,训练数据的第二部分(例如,验证数据)可以用于验证神经网络模型。
在一些非限制性实施例或方面中,NLP系统102可以生成包括跳字(skip-gram)模型的神经网络。例如,NLP系统102可以生成包括跳字模型的神经网络,所述跳字模型具有输入层和输出层以及将输入层连接到输出层的至少一个隐藏层。在此实例中,训练神经网络模型可以包括反复地提供配置文件集的字作为到输入层的输入,并且将输出层的输出与所述配置文件集的邻近所述字的多个字进行比较。
在一些非限制性实施例或方面中,一旦已验证神经网络模型,NLP系统102就可以基于接收新的训练数据来进一步训练神经网络模型和/或创建新的神经网络模型。新的训练数据可以包括与到聊天服务的一个或多个输入相关联的额外数据。
在一些非限制性实施例或方面中,NLP系统102可以存储神经网络模型。例如,NLP系统102可以将神经网络模型存储在数据结构(例如,数据库、链表、树等)中。数据结构可能位于NLP系统102内或外部,并且可能远离NLP系统102。
在一些非限制性实施例或方面中,NLP系统102可以将自然语言搜索查询的一个或多个字令牌化为一个或多个令牌和/或将配置文件集中的配置文件的一个或多个字令牌化为一个或多个令牌。例如,NLP系统102可以基于接收自然语言查询而使自然语言搜索查询的一个或多个字和/或配置文件集中的配置文件的一个或多个字令牌化。在一些非限制性实施例或方面中,NLP系统102可以通过删除拐点将一个或多个令牌转换成基础形式。例如,NLP系统102可以通过基于使一个或多个字令牌化删除拐点将一个或多个令牌转换成基础形式。另外或替代地,NLP系统102可以从一个或多个令牌删除标点并停用字。在一些非限制性实施例或方面中,NLP系统102可以使用神经网络将一个或多个令牌转换成向量,以形成一个或多个向量的集。以此方式,NLP系统102可以更准确、更有效地确定向量集中的向量与配置文件集中的配置文件之间的向量距离。
如图3进一步所示,在步骤306,过程300包括确定从向量集到配置文件集中的每个配置文件的向量距离。例如,NLP系统102可以确定从向量集到配置文件集中的每个配置文件的向量距离。在一些非限制性实施例或方面中,NLP系统102可以基于从向量集中的每个向量到基于配置文件集中的每个配置文件中的一个或多个字的向量集中的每个向量的欧几里得距离来确定向量距离。例如,NLP系统102可以基于将自然语言查询的一个或多个字转换成向量以形成向量集,而基于从向量集中的每个向量到基于配置文件集中的每个配置文件中的一个或多个字的向量集中的每个向量的欧几里得距离,来确定向量距离。
在一些非限制性实施例或方面中,向量距离可以包括从用于自然语言查询中的一个或多个字的向量集中的每个向量到用于配置文件集(例如,配置文件中的一个或多个字、配置文件集中的每个配置文件中的一个或多个字等)的向量集中的每个向量的最小欧几里得距离总和。
在一些非限制性实施例或方面中,NLP系统102可以接收与配置文件集中的每个配置文件中的一个或多个字相关联的向量集。例如,NLP系统102可以从交易服务提供商系统106接收与配置文件集中的每个配置文件中的一个或多个字相关联的向量集。在一些非限制性实施例或方面中,NLP系统102可以确定从向量集到配置文件集中的每个配置文件的向量距离。
在一些非限制性实施例或方面中,NLP系统102可以使用神经网络将每个配置文件的每个字转换成向量,以形成用于配置文件集的向量集。例如,NLP系统102可以使用神经网络将每个配置文件的每个字转换成向量,所述神经网络用于转换自然语言查询的字以形成用于配置文件集的向量集。
如图3进一步所示,在步骤308,过程300包括基于每个配置文件到向量集的向量距离给配置文件集中的配置文件分等级。例如,NLP系统102可以基于每个配置文件到向量集的向量距离给配置文件集中的配置文件分等级。在一些非限制性实施例或方面中,NLP系统102可以基于每个配置文件到向量集中的向量的向量距离给配置文件集中的配置文件分等级,其中向量对应于自然语言查询中的预定字。例如,NLP系统102可以基于每个配置文件到向量集中的向量的向量距离给配置文件分等级,其中向量对应于与和商家系统108相关联的商家提供的产品和/或服务相关联的字。
在一些非限制性实施例或方面中,NLP系统102可以基于每个配置文件到向量集的向量距离的阈值给配置文件集中的配置文件分等级。例如,NLP系统102可以给配置文件集中的配置文件分等级,所述配置文件满足每个配置文件到向量集的向量距离的阈值(例如,最大阈值、最小阈值、预定阈值等)。
在一些非限制性实施例或方面中,NLP系统102可以基于与商家相关联的参数给配置文件集中的配置文件分等级。例如,NLP系统102可以基于以下各项中的至少一项来给配置文件集中的配置文件分等级:由与用户装置104的用户相关的商家提供的产品和/或服务;与配置文件相关联的商家的位置距用户装置104的距离(与配置文件相关联的商家的位置距用户装置104的最短距离、与配置文件相关联的商家的位置距用户装置104的最远距离、与配置文件相关联的商家的位置距用户装置104的使得用户装置104沿一路线转送的距离等);由与配置文件相关联的商家提供的要价;与配置文件相关联的商家的评论评级;与配置文件相关联的商家的规模;与配置文件相关联的商家的熟练程度;与配置文件相关联的商家的产品和/或服务;或其任何组合。
如图3进一步所示,在步骤310,过程300包括基于配置文件集的等级来传送与配置文件集中的每个配置文件相关联的数据。例如,NLP系统102可以按配置文件集的等级的次序将与配置文件集中的配置文件相关联的数据传送到用户装置104。在一些非限制性实施例或方面中,与配置文件相关联的数据可以包括与商家相关联的商家数据,所述配置文件基于所述商家。例如,与配置文件相关联的数据可以包括:与由商家提供的产品相关联的产品数据(例如,产品的名称、产品类型的名称、与产品相关联的库存单位(SKU)数量、与产品相关联的商家代码等);与由商家提供的服务相关联的服务数据(例如,服务的名称、服务类型的名称、与服务相关联的库存单位(SKU)数量、与服务相关联的商家代码等);与商家的身份相关联的标识数据(例如,商家的唯一标识符、商家的名称等);与商家的商家类别相关联的商家类别数据(例如,用于商家类别的代码、商家类别的名称、商家类别的类型等);与商家的商家账户相关联的商家账户数据(例如,与商家的账户相关联的账户标识符、由与收单方系统相关联的收单方提供的与商家的账户相关联的账户标识符、与商家的账户相关联的PAN、与商家的账户相关联的令牌等);与由商家提供的资源的可用性相关联的可用性数据(例如,产品和/或服务);等。
在一些非限制性实施例或方面中,NLP系统102可以传送与配置文件集中的多个配置文件相关联的数据。例如,NLP系统102可以基于每个配置文件到向量集的向量距离来确定配置文件集的子集,所述向量集例如用户查询的向量集、从用户装置104接收到的自然语言查询的向量集等,并且NLP系统102可以将配置文件子集中包括的与每个商家相关联的数据传送到用户装置104。
在一些非限制性实施例或方面中,NLP系统102可以传送消息,所述消息包括与配置文件集中的配置文件相关联的数据。例如,NLP系统102可以将消息传送到用户装置104上的聊天客户端,所述消息包括与配置文件集中的配置文件相关联的数据。在一些非限制性实施例或方面中,消息可以包括基于每个配置文件的等级的与配置文件集中的一个或多个配置文件(例如,子集)相关联的每个商家的列表。
如图3进一步所示,在步骤312,过程300包括从配置文件集接收对配置文件的选择。例如,NLP系统102可以从配置文件集接收对配置文件的选择。在一些非限制性实施例或方面中,NLP系统102可以从用户装置104接收对来自配置文件集的配置文件的选择。例如,NLP系统102可以基于(和/或响应于)用户装置104的用户将选择输入到用户装置104而从用户装置104接收选择。
在一些非限制性实施例或方面中,用户装置104的用户可以响应来自NLP系统102的提示而输入选择。例如,用户装置104可以显示与配置文件集(或其子集)有关的信息(例如,信息表)。另外或替代地,与配置文件集(或其子集)有关的信息可以包括在从用户装置104上的聊天服务提供(例如,作为输出)的消息中。例如,消息可以包括提供与配置文件集(或其子集)有关的信息的文本。
在一些非限制性实施例或方面中,每个配置文件可以与商家相关联。另外或替代地,用户装置104可以显示和与配置文件集(或其子集)相关联的每个商家有关的信息。例如,NLP系统102可以将消息传送到用户装置104上的聊天客户端。在一些非限制性实施例或方面中,消息可以包括基于每个配置文件的等级的与配置文件集的子集相关联的每个商家的列表。例如,消息可以包括与具有最高等级的配置文件集的子集(例如,十个配置文件)相关联的商家的子集(例如,十个商家)的列表。另外或替代地,可以按等级次序在消息中列出商家的子集。在一些非限制性实施例或方面中,用户可以通过将文本输入到用户装置104上的聊天服务中来输入选择。例如,用户可以使用用户装置104将一个或多个商家的名称(或其它标识信息)输入到聊天服务中。另外或替代地,如果商家的列表被编号,则用户可以将与一个或多个商家相关联的号码输入到用户装置104的聊天客户端中。
如图3进一步所示,在步骤314,过程300包括基于对配置文件的选择使得保留资源。例如,NLP系统102可以基于对配置文件的选择使得保留与商家系统108相关联的资源。在一些非限制性实施例或方面中,NLP系统102可以使得在商家系统108中安排预约(例如,资源可以为与预约相关联的时间段)。另外或替代地,NLP系统102可以使得商家系统108保留由商家提供的一些服务。例如,可以在一时间段(例如,与预约相关联的时间段)内保留服务。另外或替代地,NLP系统102可以使得商家系统108保留商家的一些商品、设备、家具、地点、房间、物理对象等。例如,可以在一时间段(例如,与预约相关联的时间段)内保留这些资源。
在一些非限制性实施例或方面中,NLP系统102可以将消息(例如,请求)传送到商家系统108,以保留资源(例如,安排预约)。在一些非限制性实施例或方面中,来自NLP系统102的消息(例如,请求)可以包括一个或多个时间段,希望在所述时间段内保留资源。另外或替代地,来自NLP系统102的消息(例如,请求)可以包括与用户装置104的用户的标识相关联的用户标识数据。另外或替代地,来自NLP系统102的消息(例如,请求)可以包括其它用户数据(例如,与用户的通讯信息相关联的用户通讯数据、与用户的支付账户的账户标识符相关联的账户标识数据等)。
在一些非限制性实施例或方面中,NLP系统102可以从商家系统108接收消息(例如,响应)。例如,来自商家系统108的消息(例如,响应)可以指示已安排预约。另外或替代地,消息(例如,响应)可以包括一个或多个时间段(或替代时间段),可以在所述时间段内保留资源。在一些非限制性实施例或方面中,NLP系统102可以将时间段(或替代时间段)传送到用户装置104,可以利用商家系统108在所述时间段内保留资源。例如,与此时间段相关联的文本可以传送到用户装置104上的聊天服务,所述用户装置可以将此类文本显示给用户,如本文中所描述。另外或替代地,NLP系统102可以从用户装置104接收对一个或多个时间段之一的选择。例如,NLP系统102可以基于用户装置104的用户的输入(例如,经由用户装置104上的聊天服务,如本文中所描述)从用户装置104接收对时间段的选择。另外或替代地,NLP系统102可以将对所述时间段的选择传送到商家系统108(例如,以类似于用以安排预约的初始请求消息的消息)。
在一些非限制性实施例或方面中,NLP系统102可以从用户装置104接收与用户关联的用户数据。例如,用户数据可以包括与用户的标识相关联的用户标识数据。另外或替代地,用户数据可以包括与用户的支付账户的账户标识符相关联的账户标识数据。在一些非限制性实施例或方面中,NLP系统102可以基于用户数据存储与用户装置104的用户相关联的配置文件。例如,NLP系统102可以(例如,在用户注册时)存储与用户标识数据相关联的账户标识数据,并且NLP系统102可以在从用户装置104接收到用户标识数据时(例如,在此存储之后的一后续时间)检取账户标识数据。
在一些非限制性实施例或方面中,可以发起支付交易。例如,NLP系统102可以在保留资源之前,在所选(例如,商家系统108的)商家与用户装置104的用户之间发起支付交易。在一些非限制性实施例或方面中,NLP系统102可以(例如,响应于从用户装置104接收用户标识数据)从用户装置104接收账户标识数据和/或从用户装置104的用户的配置文件检取账户标识数据。另外或替代地,NLP系统102可以从商家系统108接收商家标识数据。在一些非限制性实施例或方面中,NLP系统102可以将账户标识数据和商家标识传送到交易服务提供商系统106以授权支付交易。另外或替代地,NLP系统102可以从交易服务提供商系统106接收已授权支付交易的指示。
图4A-4D是关于图3所示的过程300的实施方案400的一些非限制性实施例或方面的概述图式。如图4A-4D所示,实施方案400可以包括自然语言处理(NLP)系统402、用户装置404和商家系统408。在一些非限制性实施例或方面中,NLP系统402可以与NLP系统102相同或类似,用户装置404可以与用户装置104相同或类似,和/或商家系统408可以与商家系统108相同或类似,如上文所描述。
如图4A中的参考编号410所示,NLP系统402可以从用户装置404接收自然语言查询。例如,NLP系统402可以从用户装置404接收自然语言查询,所述自然语言查询包括与商家相关联的一个或多个字(例如,对应于商家的配置文件中的一个或多个字的一个或多个字)。
如图4A中的参考编号415进一步所示,NLP系统402可以使用神经网络模型将自然语言查询的每个字转换成向量,以形成向量集。例如,如图4A所示,针对神经网络模型的输入字w(t),NLP系统402可以确定输入字的向量表示,其中向量表示的每个值与词汇表中的另一字(例如,图4A所示的w(t-2)、w(t-1)、w(t+1)和w(t+2))将在输入字的上下文中的概率相关联。NLP系统402可以针对平均对数概率使用以下方程式,其中m为上下文的半径,T为词汇表中的字的数量,并且wt为中心字(例如,w(t),输入字):
如图4B中的参考编号420所示,NLP系统402可以确定从向量集中的向量(例如,源向量)到配置文件集中的每个配置文件中的每个字的向量(目的地向量)的向量距离。例如,NLP系统402可以确定从每个源向量到每个目的地向量的欧几里得距离。如图4B中的参考编号420所示,源向量集中的源向量D11或D12与目的地向量集中的目的地向量D21、D22、或D23之间的欧几里得距离为源向量与目的地向量(D11到D21、D11到D22、D11到D23、D12到D21、D12到D22或D12到D23)之间的变换代价。
在一些非限制性实施例或方面中,NLP系统402可以基于以下方程式确定欧几里得距离,以确定用以使国内主用语言查询的一个或多个字变换为配置文件集中的每个配置文件的最小变换代价,
其中T∈Rnxn可以是备用流矩阵,其中Tif≥0表示D11中有多少字i转送到D22中的字j。为了使D11全部变换为D22,需要确保来自字i的全部传出流等于W1i(例如,D11中的字i的权重),即∑j Tij=W1i。另外,到字j的传入流的量应与W2i(例如,D22中的字j的权重)匹配,即∑j Tij=W2i。然后,可以将自然语言查询与配置文件集中的每个配置文件之间的距离定义为将所有字从自然语言查询移到配置文件集中的相应配置文件所需的最小累积代价。自然语言查询与每个配置文件之间的相似性与其间的最小变换代价成反比。另外或替代地,基于自然语言查询的大小与配置文件集中的每个配置文件之间的大小差异,在已删除第二约束条件的情况下可以使用以下方程式:
上述方程式确保自然语言搜索查询的总权重流入到配置文件集中的每个配置文件中,而不需要每个配置文件的总权重流回到自然语言搜索查询中。在一些非限制性实施例或方面中,自然语言搜索查询中的字的权重或配置文件集中的每个配置文件中的字的权重分别是对自然语言搜索查询中的字的数量的计数或对每个配置文件中的字的数量的计数。
如图4C中的参考编号425所示,NLP系统402可以基于每个配置文件到向量集的向量距离给配置文件集中的配置文件分等级。如图4B中的参考编号430进一步所示,NLP系统402可以基于配置文件集的等级来传送与配置文件集中的每个配置文件相关联的数据。例如,NLP系统402可以按配置文件集的等级的次序针对配置文件集中的每个配置文件传送与商家相关联的商家数据。
如图4D中的参考编号435所示,NLP系统402可以从用户装置404接收对来自配置文件集的配置文件的选择,其中所述配置文件与商家相关联。例如,在NLP系统402针对配置文件集中的每个配置文件传送与商家(例如,与商家系统408相关联的商家)相关联的商家数据之后,NLP系统402可以从用户装置404接收对来自配置文件集的配置文件的选择。
如图4D中的参考编号440进一步所示,NLP系统402可以为用户装置404的用户安排与商家的预约。例如,NLP系统402可以通过将安排消息传送到自动安排与商家的预约的商家系统408,来为用户装置404的用户安排和与商家系统408相关联的商家的预约。
尽管已基于当前被认为是最切实可行和优选实施例的、出于说明的目的详细地描述了本公开,但应理解,此细节仅出于所述目的且本公开不限于所公开的实施例,相反地,本公开旨在涵盖修改和等效布置。例如,应理解,本公开预期,尽可能地,任何实施例的一个或多个特征可以与任何其它实施例的一个或多个特征组合。
Claims (40)
1.一种用于基于自然语言查询确定商家的自然语言处理(NLP)系统,包括被编程或配置成执行以下操作的至少一个处理器:
从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;
使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;
确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;
基于每个配置文件到所述向量集的所述向量距离给所述配置文件集中的每个配置文件分等级;
将所述配置文件集中包括的与至少一个商家相关联的商家数据传送到所述用户装置,其中所述商家数据是基于所述配置文件集的等级传送的;
从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及
为所述用户装置的用户安排与所述第一商家的预约。
2.根据权利要求1所述的NLP系统,其中当接收所述自然语言查询时,所述至少一个处理器被编程或配置成从所述用户装置上的聊天客户端接收所述自然语言查询。
3.根据权利要求2所述的NLP系统,其中当传送所述配置文件集中包括的与每个商家相关联的所述商家数据时,所述至少一个处理器被编程或配置成将消息传送到所述用户装置上的所述聊天客户端,所述消息包括基于每个配置文件的所述等级的与所述配置文件集的子集相关联的每个商家的列表。
4.根据权利要求1所述的NLP系统,其中所述自然语言查询的所述至少一个字为至少一个第一字,其中所述向量集为第一向量集,其中所述配置文件集中的每个配置文件包括与所述商家相关联的数据,与所述商家相关联的所述数据包括至少一个第二字,其中每个配置文件与第二向量集相关联,所述第二向量集包括与所述至少一个第二字相关联的至少一个第二向量,并且其中,当确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离时,所述至少一个处理器被编程或配置成基于从所述第一向量集中的至少一个第一向量到所述第二向量集中的所述至少一个第二向量的欧几里得距离来确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离。
6.根据权利要求1所述的NLP系统,其中当给所述配置文件集中的每个配置文件分等级时,所述至少一个处理器被编程或配置成基于以下各项中的至少一项来给所述配置文件集中的所述配置文件分等级:与配置文件相关联的商家的位置距所述用户装置的距离;由与配置文件相关联的商家提供的要价;与配置文件相关联的商家的评论评级;与配置文件相关联的商家的规模;或其任何组合。
7.根据权利要求1所述的NLP系统,进一步包括:
基于每个所述配置文件到所述向量集的所述向量距离确定所述配置文件集的子集,
其中当将所述配置文件集中包括的与每个商家相关联的所述商家数据传送到所述用户装置时,所述至少一个处理器被编程或配置成将配置文件的所述子集中包括的与每个商家相关联的所述商家数据传送到所述用户装置。
8.一种用于基于自然语言查询确定商家的计算机程序产品,所述计算机程序产品包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括一个或多个指令,所述一个或多个指令在由至少一个处理器执行时使得所述至少一个处理器执行以下操作:
从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;
使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;
确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;
基于每个配置文件到所述向量集的所述向量距离给所述配置文件集中的每个配置文件分等级;
将所述配置文件集中包括的与至少一个商家相关联的商家数据传送到所述用户装置,其中所述商家数据是基于所述配置文件集的等级传送的;
从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及
为所述用户装置的用户安排与所述第一商家的预约。
9.根据权利要求8所述的计算机程序产品,其中使得所述至少一个处理器接收所述自然语言查询的所述一个或多个指令使得所述至少一个处理器从所述用户装置上的聊天客户端接收所述自然语言查询。
10.根据权利要求8所述的计算机程序产品,其中使得所述至少一个处理器传送所述配置文件集中包括的与所述商家相关联的所述商家数据的所述一个或多个指令使得所述至少一个处理器将消息传送到所述用户装置上的所述聊天客户端,所述消息包括基于每个配置文件的所述等级的与所述配置文件集的子集相关联的每个商家的列表。
11.根据权利要求8所述的计算机程序产品,其中所述自然语言查询的所述至少一个字为至少一个第一字,其中所述向量集为第一向量集,其中所述配置文件集中的每个配置文件包括与所述商家相关联的数据,与所述商家相关联的所述数据包括至少一个第二字,其中每个配置文件与第二向量集相关联,所述第二向量集包括与所述至少一个第二字相关联的至少一个第二向量,并且其中,使得所述至少一个处理器确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离的所述一个或多个指令使得所述至少一个处理器基于从所述第一向量集中的至少一个第一向量到所述第二向量集中的所述至少一个第二向量的欧几里得距离来确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离。
13.根据权利要求8所述的计算机程序产品,其中使得所述至少一个处理器给所述配置文件集中的每个配置文件分等级的所述一个或多个指令使得所述至少一个处理器基于以下各项中的至少一项来给所述配置文件集中的所述配置文件分等级:与配置文件相关联的商家的位置距所述用户装置的距离;由与配置文件相关联的商家提供的要价;与配置文件相关联的商家的评论评级;与配置文件相关联的商家的规模;或其任何组合。
14.根据权利要求8所述的计算机程序产品,进一步包括:
基于每个所述配置文件到所述向量集的所述向量距离确定所述配置文件集的子集,
其中当将所述配置文件集中包括的与每个商家相关联的所述商家数据传送到所述用户装置时,所述至少一个处理器被编程或配置成将配置文件的所述子集中包括的与每个商家相关联的所述商家数据传送到所述用户装置。
15.一种用于基于自然语言查询确定商家的方法,包括:
通过至少一个处理器从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;
通过所述至少一个处理器使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;
通过所述至少一个处理器确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;
通过所述至少一个处理器基于每个配置文件到所述向量集的所述向量距离来给所述配置文件集中的每个配置文件分等级;
通过所述至少一个处理器将所述配置文件集中包括的与每个商家相关联的商家数据传送到所述用户装置,其中所述商家数据是基于给所述配置文件集中的每个配置文件分等级而传送的;
通过所述至少一个处理器从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及
通过所述至少一个处理器为所述用户装置的用户安排与所述第一商家的预约。
16.根据权利要求15所述的方法,其中所述自然语言查询的所述至少一个字为至少一个第一字,其中所述向量集为第一向量集,其中所述配置文件集中的每个配置文件包括对所述商家的描述,与所述商家相关联的所述数据包括至少一个第二字,其中每个配置文件与第二向量集相关联,所述第二向量集包括与所述至少一个第二字相关联的至少一个第二向量,并且其中确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离包括基于从所述第一向量集中的至少一个第一向量到所述第二向量集中的所述至少一个第二向量的欧几里得距离来确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离。
18.根据权利要求15所述的方法,进一步包括在转换所述自然语言查询的所述至少一个字之前基于第二配置文件集训练所述神经网络。
19.根据权利要求18所述的方法,其中所述神经网络包括跳字模型,所述跳字模型具有输入层、输出层以及将所述输入层连接到所述输出层的至少一个隐藏层,并且其中训练所述神经网络包括:
反复地将所述第二配置文件集的第三字提供到所述输入层;以及
将所述输出层的输出与所述第二配置文件集的多个字进行比较,其中所述多个字邻近所述第三字。
20.根据权利要求15所述的方法,进一步包括:
在安排所述预约之前,在所述商家与所述用户装置的所述用户之间发起支付交易;
从所述用户装置接收与所述用户相关联的用户数据,所述用户数据包括与所述用户的标识相关联的用户标识数据以及与所述用户的支付账户的账户标识符相关联的账户标识数据;以及
基于所述用户数据存储与所述用户装置的所述用户相关联的配置文件,其中发起所述支付交易包括:将来自所述配置文件的所述账户标识数据和与所述商家相关联的商家标识数据传送到交易服务提供商系统以授权所述支付交易;以及从所述交易服务提供商系统接收已授权所述支付交易的指示。
21.一种用于基于自然语言查询确定商家的自然语言处理(NLP)系统,包括被编程或配置成执行以下操作的至少一个处理器:
从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;
使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;
确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;
基于每个配置文件到所述向量集的所述向量距离给所述配置文件集中的每个配置文件分等级;
将所述配置文件集中包括的与至少一个商家相关联的商家数据传送到所述用户装置,其中所述商家数据是基于所述配置文件集的等级传送的;
从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及
为所述用户装置的用户安排与所述第一商家的预约。
22.根据权利要求21所述的NLP系统,其中当接收所述自然语言查询时,所述至少一个处理器被编程或配置成从所述用户装置上的聊天客户端接收所述自然语言查询。
23.根据权利要求21或22所述的NLP系统,其中当传送所述配置文件集中包括的与每个商家相关联的所述商家数据时,所述至少一个处理器被编程或配置成将消息传送到所述用户装置上的所述聊天客户端,所述消息包括基于每个配置文件的所述等级的与所述配置文件集的子集相关联的每个商家的列表。
24.根据权利要求21至23中任一项所述的NLP系统,其中所述自然语言查询的所述至少一个字为至少一个第一字,其中所述向量集为第一向量集,其中所述配置文件集中的每个配置文件包括与所述商家相关联的数据,与所述商家相关联的所述数据包括至少一个第二字,其中每个配置文件与第二向量集相关联,所述第二向量集包括与所述至少一个第二字相关联的至少一个第二向量,并且其中,当确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离时,所述至少一个处理器被编程或配置成基于从所述第一向量集中的至少一个第一向量到所述第二向量集中的所述至少一个第二向量的欧几里得距离来确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离。
26.根据权利要求21至25中任一项所述的NLP系统,其中当给所述配置文件集中的每个配置文件分等级时,所述至少一个处理器被编程或配置成基于以下各项中的至少一项来给所述配置文件集中的所述配置文件分等级:与配置文件相关联的商家的位置距所述用户装置的距离;由与配置文件相关联的商家提供的要价;与配置文件相关联的商家的评论评级;与配置文件相关联的商家的规模;或其任何组合。
27.根据权利要求21至26中任一项所述的NLP系统,进一步包括:
基于每个所述配置文件到所述向量集的所述向量距离确定所述配置文件集的子集,
其中当将所述配置文件集中包括的与每个商家相关联的所述商家数据传送到所述用户装置时,所述至少一个处理器被编程或配置成将配置文件的所述子集中包括的与每个商家相关联的所述商家数据传送到所述用户装置。
28.一种用于基于自然语言查询确定商家的计算机程序产品,所述计算机程序产品包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括一个或多个指令,所述一个或多个指令在由至少一个处理器执行时使得所述至少一个处理器执行以下操作:
从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;
使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;
确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;
基于每个配置文件到所述向量集的所述向量距离给所述配置文件集中的每个配置文件分等级;
将所述配置文件集中包括的与至少一个商家相关联的商家数据传送到所述用户装置,其中所述商家数据是基于所述配置文件集的等级传送的;
从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及
为所述用户装置的用户安排与所述第一商家的预约。
29.根据权利要求28所述的计算机程序产品,其中使得所述至少一个处理器接收所述自然语言查询的所述一个或多个指令使得所述至少一个处理器从所述用户装置上的聊天客户端接收所述自然语言查询。
30.根据权利要求28或29所述的计算机程序产品,其中使得所述至少一个处理器传送所述配置文件集中包括的与所述商家相关联的所述商家数据的所述一个或多个指令使得所述至少一个处理器将消息传送到所述用户装置上的所述聊天客户端,所述消息包括基于每个配置文件的所述等级的与所述配置文件集的子集相关联的每个商家的列表。
31.根据权利要求28至30中任一项所述的计算机程序产品,其中所述自然语言查询的所述至少一个字为至少一个第一字,其中所述向量集为第一向量集,其中所述配置文件集中的每个配置文件包括与所述商家相关联的数据,与所述商家相关联的所述数据包括至少一个第二字,其中每个配置文件与第二向量集相关联,所述第二向量集包括与所述至少一个第二字相关联的至少一个第二向量,并且其中,使得所述至少一个处理器确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离的所述一个或多个指令使得所述至少一个处理器基于从所述第一向量集中的至少一个第一向量到所述第二向量集中的所述至少一个第二向量的欧几里得距离来确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离。
33.根据权利要求28至32中任一项所述的计算机程序产品,其中使得所述至少一个处理器给所述配置文件集中的每个配置文件分等级的所述一个或多个指令使得所述至少一个处理器基于以下各项中的至少一项来给所述配置文件集中的所述配置文件分等级:与配置文件相关联的商家的位置距所述用户装置的距离;由与配置文件相关联的商家提供的要价;与配置文件相关联的商家的评论评级;与配置文件相关联的商家的规模;或其任何组合。
34.根据权利要求28至33中任一项所述的计算机程序产品,进一步包括:
基于每个所述配置文件到所述向量集的所述向量距离确定所述配置文件集的子集,
其中当将所述配置文件集中包括的与每个商家相关联的所述商家数据传送到所述用户装置时,所述至少一个处理器被编程或配置成将配置文件的所述子集中包括的与每个商家相关联的所述商家数据传送到所述用户装置。
35.一种用于基于自然语言查询确定商家的方法,包括:
通过至少一个处理器从用户装置接收自然语言查询,所述自然语言查询包括至少一个字;
通过所述至少一个处理器使用至少一个神经网络将所述自然语言查询的所述至少一个字转换成向量,以形成向量集;
通过所述至少一个处理器确定从所述向量集到配置文件集中的每个配置文件的向量距离,每个配置文件与商家相关联;
通过所述至少一个处理器基于每个配置文件到所述向量集的所述向量距离来给所述配置文件集中的每个配置文件分等级;
通过所述至少一个处理器将所述配置文件集中包括的与每个商家相关联的商家数据传送到所述用户装置,其中所述商家数据是基于给所述配置文件集中的每个配置文件分等级而传送的;
通过所述至少一个处理器从所述用户装置接收对与所述商家数据相关联的第一商家的选择;以及
通过所述至少一个处理器为所述用户装置的用户安排与所述第一商家的预约。
36.根据权利要求35所述的方法,其中所述自然语言查询的所述至少一个字为至少一个第一字,其中所述向量集为第一向量集,其中所述配置文件集中的每个配置文件包括对所述商家的描述,与所述商家相关联的所述数据包括至少一个第二字,其中每个配置文件与第二向量集相关联,所述第二向量集包括与所述至少一个第二字相关联的至少一个第二向量,并且其中确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离包括基于从所述第一向量集中的至少一个第一向量到所述第二向量集中的所述至少一个第二向量的欧几里得距离来确定从所述第一向量集到所述配置文件集中的每个配置文件的所述向量距离。
38.根据权利要求35至36中任一项所述的方法,进一步包括在转换所述自然语言查询的所述至少一个字之前基于第二配置文件集训练所述神经网络。
39.根据权利要求35至38中任一项所述的方法,其中所述神经网络包括跳字模型,所述跳字模型具有输入层、输出层以及将所述输入层连接到所述输出层的至少一个隐藏层,并且其中训练所述神经网络包括:
反复地将所述第二配置文件集的第三字提供到所述输入层;以及
将所述输出层的输出与所述第二配置文件集的多个字进行比较,其中所述多个字邻近所述第三字。
40.根据权利要求35至39中任一项所述的方法,进一步包括:
在安排所述预约之前,在所述商家与所述用户装置的所述用户之间发起支付交易;
从所述用户装置接收与所述用户相关联的用户数据,所述用户数据包括与所述用户的标识相关联的用户标识数据以及与所述用户的支付账户的账户标识符相关联的账户标识数据;以及
基于所述用户数据存储与所述用户装置的所述用户相关联的配置文件,其中发起所述支付交易包括:将来自所述配置文件的所述账户标识数据和与所述商家相关联的商家标识数据传送到交易服务提供商系统以授权所述支付交易;以及从所述交易服务提供商系统接收已授权所述支付交易的指示。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/177,869 US11144542B2 (en) | 2018-11-01 | 2018-11-01 | Natural language processing system |
US16/177,869 | 2018-11-01 | ||
PCT/US2019/057183 WO2020092037A1 (en) | 2018-11-01 | 2019-10-21 | Natural language processing system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113039567A true CN113039567A (zh) | 2021-06-25 |
CN113039567B CN113039567B (zh) | 2024-03-15 |
Family
ID=70459624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980072486.0A Active CN113039567B (zh) | 2018-11-01 | 2019-10-21 | 自然语言处理系统 |
Country Status (4)
Country | Link |
---|---|
US (3) | US11144542B2 (zh) |
CN (1) | CN113039567B (zh) |
SG (1) | SG11202104079UA (zh) |
WO (1) | WO2020092037A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902854B1 (en) * | 2019-05-17 | 2021-01-26 | Eyeballs Financial, LLC | Systems and methods for generating responses to questions about user accounts |
US11562735B1 (en) * | 2020-03-31 | 2023-01-24 | Amazon Technologies, Inc. | Multi-modal spoken language understanding systems |
US20230063562A1 (en) * | 2021-08-30 | 2023-03-02 | Capital One Services, Llc | Account authentication excluding merchants based on merchant logos |
CN114090885B (zh) * | 2021-11-12 | 2022-09-16 | 北京百度网讯科技有限公司 | 产品标题核心词提取方法、相关装置及计算机程序产品 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030088562A1 (en) * | 2000-12-28 | 2003-05-08 | Craig Dillon | System and method for obtaining keyword descriptions of records from a large database |
US20110307257A1 (en) * | 2010-06-10 | 2011-12-15 | Nice Systems Ltd. | Methods and apparatus for real-time interaction analysis in call centers |
US20140136259A1 (en) * | 2012-11-15 | 2014-05-15 | Grant Stephen Kinsey | Methods and systems for the sale of consumer services |
US20160321705A1 (en) * | 2015-04-30 | 2016-11-03 | Visa International Service Association | Systems and methods of natural language processing and statistical analysis to identify matching categories |
US20160329044A1 (en) * | 2015-05-08 | 2016-11-10 | International Business Machines Corporation | Semi-supervised learning of word embeddings |
US20170193091A1 (en) * | 2016-01-05 | 2017-07-06 | International Business Machines Corporation | Readability awareness in natural language processing systems |
US20170262783A1 (en) * | 2016-03-08 | 2017-09-14 | International Business Machines Corporation | Team Formation |
US20170351989A1 (en) * | 2016-06-03 | 2017-12-07 | Perfaware | Providing supply chain information extracted from an order management system |
US20180012163A1 (en) * | 2016-07-06 | 2018-01-11 | Mastercard International Incorporated | Method and system for providing sales information and insights through a conversational interface |
US20180285343A1 (en) * | 2017-04-03 | 2018-10-04 | Uber Technologies, Inc. | Determining safety risk using natural language processing |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6460036B1 (en) * | 1994-11-29 | 2002-10-01 | Pinpoint Incorporated | System and method for providing customized electronic newspapers and target advertisements |
US6134532A (en) | 1997-11-14 | 2000-10-17 | Aptex Software, Inc. | System and method for optimal adaptive matching of users to most relevant entity and information in real-time |
US6795808B1 (en) * | 2000-10-30 | 2004-09-21 | Koninklijke Philips Electronics N.V. | User interface/entertainment device that simulates personal interaction and charges external database with relevant data |
US11468128B1 (en) * | 2006-10-20 | 2022-10-11 | Richard Paiz | Search engine optimizer |
KR100776697B1 (ko) * | 2006-01-05 | 2007-11-16 | 주식회사 인터파크지마켓 | 고객 구매행동 분석에 기반한 지능화된 상품 검색 방법 및 시스템 |
US8204988B2 (en) * | 2009-09-02 | 2012-06-19 | International Business Machines Corporation | Content-based and time-evolving social network analysis |
US9275409B2 (en) * | 2012-04-10 | 2016-03-01 | Cbs Interactive Inc. | Method, medium, and system for building a product finder |
US20160239847A1 (en) | 2015-02-12 | 2016-08-18 | Mastercard International Incorporated | Systems and Methods for Processing Support Messages Relating to Features of Payment Networks |
US9984062B1 (en) * | 2015-07-10 | 2018-05-29 | Google Llc | Generating author vectors |
US11176145B2 (en) | 2015-10-17 | 2021-11-16 | Ebay Inc. | Generating personalized user recommendations using word vectors |
US10268752B2 (en) * | 2015-12-21 | 2019-04-23 | Ebay Inc. | Automatic taxonomy mapping using sequence semantic embedding |
US20170177712A1 (en) * | 2015-12-21 | 2017-06-22 | Ebay Inc. | Single step cross-linguistic search using semantic meaning vectors |
US20170243112A1 (en) * | 2016-02-24 | 2017-08-24 | International Business Machines Corporation | Deep learning approach to identify comparative reference incidents |
US20180018973A1 (en) * | 2016-07-15 | 2018-01-18 | Google Inc. | Speaker verification |
US20180032305A1 (en) | 2016-07-29 | 2018-02-01 | Paul Charles Cameron | Systems and methods for automatic-creation of soundtracks for text |
US20180068031A1 (en) * | 2016-08-16 | 2018-03-08 | Ebay Inc. | Enhancing user queries using implicit indicators |
US10891673B1 (en) * | 2016-12-22 | 2021-01-12 | A9.Com, Inc. | Semantic modeling for search |
CN110268424A (zh) * | 2017-02-10 | 2019-09-20 | 维萨国际服务协会 | 用于基于以往数据确定偏好的系统 |
US10268646B2 (en) * | 2017-06-06 | 2019-04-23 | Facebook, Inc. | Tensor-based deep relevance model for search on online social networks |
CN107729937B (zh) * | 2017-10-12 | 2020-11-03 | 北京京东尚科信息技术有限公司 | 用于确定用户兴趣标签的方法及装置 |
US11138248B2 (en) * | 2017-11-03 | 2021-10-05 | Dell Products L.P. | Understanding user product queries in real time without using any rules |
US10803055B2 (en) * | 2017-12-15 | 2020-10-13 | Accenture Global Solutions Limited | Cognitive searches based on deep-learning neural networks |
US20190197398A1 (en) * | 2017-12-27 | 2019-06-27 | Microsoft Technology Licensing, Llc | Embedded learning for response prediction |
US10782986B2 (en) * | 2018-04-20 | 2020-09-22 | Facebook, Inc. | Assisting users with personalized and contextual communication content |
US20190340945A1 (en) * | 2018-05-03 | 2019-11-07 | Microsoft Technology Licensing, Llc | Automatic generation and personalization of learning paths |
US11514915B2 (en) * | 2018-09-27 | 2022-11-29 | Salesforce.Com, Inc. | Global-to-local memory pointer networks for task-oriented dialogue |
-
2018
- 2018-11-01 US US16/177,869 patent/US11144542B2/en active Active
-
2019
- 2019-10-21 CN CN201980072486.0A patent/CN113039567B/zh active Active
- 2019-10-21 SG SG11202104079UA patent/SG11202104079UA/en unknown
- 2019-10-21 WO PCT/US2019/057183 patent/WO2020092037A1/en active Application Filing
-
2021
- 2021-09-03 US US17/466,027 patent/US11803542B2/en active Active
-
2023
- 2023-09-15 US US18/368,666 patent/US20240004873A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030088562A1 (en) * | 2000-12-28 | 2003-05-08 | Craig Dillon | System and method for obtaining keyword descriptions of records from a large database |
US20110307257A1 (en) * | 2010-06-10 | 2011-12-15 | Nice Systems Ltd. | Methods and apparatus for real-time interaction analysis in call centers |
US20140136259A1 (en) * | 2012-11-15 | 2014-05-15 | Grant Stephen Kinsey | Methods and systems for the sale of consumer services |
US20160321705A1 (en) * | 2015-04-30 | 2016-11-03 | Visa International Service Association | Systems and methods of natural language processing and statistical analysis to identify matching categories |
US20160329044A1 (en) * | 2015-05-08 | 2016-11-10 | International Business Machines Corporation | Semi-supervised learning of word embeddings |
US20170193091A1 (en) * | 2016-01-05 | 2017-07-06 | International Business Machines Corporation | Readability awareness in natural language processing systems |
US20170262783A1 (en) * | 2016-03-08 | 2017-09-14 | International Business Machines Corporation | Team Formation |
US20170351989A1 (en) * | 2016-06-03 | 2017-12-07 | Perfaware | Providing supply chain information extracted from an order management system |
US20180012163A1 (en) * | 2016-07-06 | 2018-01-11 | Mastercard International Incorporated | Method and system for providing sales information and insights through a conversational interface |
US20180285343A1 (en) * | 2017-04-03 | 2018-10-04 | Uber Technologies, Inc. | Determining safety risk using natural language processing |
Also Published As
Publication number | Publication date |
---|---|
US11144542B2 (en) | 2021-10-12 |
US20200142889A1 (en) | 2020-05-07 |
SG11202104079UA (en) | 2021-05-28 |
US11803542B2 (en) | 2023-10-31 |
US20240004873A1 (en) | 2024-01-04 |
US20210397606A1 (en) | 2021-12-23 |
WO2020092037A1 (en) | 2020-05-07 |
CN113039567B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11907274B2 (en) | Hyper-graph learner for natural language comprehension | |
CN113039567B (zh) | 自然语言处理系统 | |
US20230018081A1 (en) | Method, System, and Computer Program Product for Determining Relationships of Entities Associated with Interactions | |
US20200327548A1 (en) | Merchant classification based on content derived from web crawling merchant websites | |
US20210118004A1 (en) | Method and system for personalizing offers | |
US20230297552A1 (en) | System, Method, and Computer Program Product for Monitoring and Improving Data Quality | |
US20210103925A1 (en) | Feature subspace isolation and disentanglement in merchant embeddings | |
US20240086422A1 (en) | System, Method, and Computer Program Product for Analyzing a Relational Database Using Embedding Learning | |
US20230368111A1 (en) | System, Method, and Computer Program Product for Implementing a Hybrid Deep Neural Network Model to Determine a Market Strategy | |
US20220327514A1 (en) | System, method, and computer program product for generating embeddings for objects | |
US20230298056A1 (en) | System, Method, and Computer Program Product for Determining a Dominant Account Profile of an Account | |
US20150095194A1 (en) | Systems and methods for search term prioritization | |
US11861324B2 (en) | Method, system, and computer program product for normalizing embeddings for cross-embedding alignment | |
US20200257666A1 (en) | "System, Method, and Computer Program Product for Monitoring and Improving Data Quality" | |
US20240134599A1 (en) | Method, System, and Computer Program Product for Normalizing Embeddings for Cross-Embedding Alignment | |
US20240160854A1 (en) | System, Method, and Computer Program Product for Debiasing Embedding Vectors of Machine Learning Models | |
US20240086926A1 (en) | System, Method, and Computer Program Product for Generating Synthetic Graphs That Simulate Real-Time Transactions | |
US11960480B2 (en) | System, method, and computer program product for generating code to retrieve aggregation data for machine learning models | |
CN116830140A (zh) | 用于生成模拟实时交易的合成图的系统、方法和计算机程序产品 | |
CN116529707A (zh) | 用于学习实时支付交易的连续嵌入空间的系统、方法和计算机程序产品 |
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 |