CN115605858A - 推理装置、更新方法和更新程序 - Google Patents
推理装置、更新方法和更新程序 Download PDFInfo
- Publication number
- CN115605858A CN115605858A CN202080100874.8A CN202080100874A CN115605858A CN 115605858 A CN115605858 A CN 115605858A CN 202080100874 A CN202080100874 A CN 202080100874A CN 115605858 A CN115605858 A CN 115605858A
- Authority
- CN
- China
- Prior art keywords
- inference
- node
- result
- input information
- nodes
- 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
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
- G06N5/04—Inference or reasoning models
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
推理装置(100)具有:第1取得部(120),其取得第1输入信息;存储部(110),其存储包含与多个单词对应的多个节点的知识图;推理执行部(130),其将多个节点中的基于第1输入信息的节点作为开始推理的推理开始节点,根据知识图执行推理;输出部(140),其输出基于推理的结果的信息;第2取得部(150),其取得表示用户针对推理的结果的意向且包含第1单词的第2输入信息;以及控制部(160),其根据基于推理的结果的信息和第2输入信息来判定推理的结果是否适当,在推理的结果不适当的情况下,从多个节点中确定第1单词的节点,将AND节点追加到知识图中,经由AND节点将推理开始节点和第1单词的节点关联起来。
Description
技术领域
本公开涉及推理装置、更新方法和更新程序。
背景技术
具有对话型的HMI(Human Machine Interface:人机接口)的装置正在普及。例如,装置是汽车导航仪、家电、智能音箱等。为了实现与装置之间的对话,根据状态图、流程图等来设计场景。但是,复杂且多样的对话和认为聪明的对话的设计很难。
因此,提出了通过基于知识图的推理来实现对话的推理装置(参照专利文献1)。知识图是用图表达事物的属性、事物的关联性、因果关系等的知识表现。推理装置将表示观测到的事实的节点作为起点,使用知识图内的各节点的重要度导出推理的结果。然后,输出基于推理的结果的应答。例如,根据从传感器信息得到的“热”这样的观测的事实和“白天时”这样的观测的事实,推理出“吃凉的食物”这样的知识。然后,输出“由于热、且是白天,所以吃凉的食物吗?”这样的应答。这样,通过使用知识图,不用制作复杂的场景。
现有技术文献
专利文献
专利文献1:日本特许第6567218号公报
非专利文献
非专利文献1:L.Page,S.Brin,R.Motwani,and T.Winograd、“The pagerankcitation ranking:bringing order to The web”、1999年
发明内容
发明要解决的课题
在上述的技术中,依赖于起点的节点的选择方式和知识图的构造来进行推理。因此,有时未必得到期望的推理的结果。
本公开的目的在于,得到期望的推理的结果。
用于解决课题的手段
提供本公开的一个方式的推理装置。推理装置具有:第1取得部,其取得第1输入信息;存储部,其存储包含与多个单词对应的多个节点的知识图;推理执行部,其将所述多个节点中的基于所述第1输入信息的节点作为开始推理的推理开始节点,根据所述知识图执行所述推理;输出部,其输出基于所述推理的结果的信息;第2取得部,其取得第2输入信息,该第2输入信息表示用户针对所述推理的结果的意向且包含第1单词;以及控制部,其根据基于所述推理的结果的信息和所述第2输入信息来判定所述推理的结果是否适当,在所述推理的结果不适当的情况下,从所述多个节点中确定所述第1单词的节点,将第1节点追加到所述知识图中,经由所述第1节点将所述推理开始节点和所述第1单词的节点关联起来。
发明效果
根据本公开,能够得到期望的推理的结果。
附图说明
图1是示出通信系统的例子的图。
图2是示出推理装置具有的硬件的图。
图3是用于详细说明推理执行部的图。
图4是示出推理处理的具体例的图。
图5是示出推理装置执行的处理的例子的流程图。
图6是示出推理处理的例子的流程图。
图7是示出页面等级值的更新的例子的图。
图8是示出更新处理的例子的流程图。
图9是示出更新处理的具体例的图。
具体实施方式
下面,参照附图对实施方式进行说明。以下的实施方式只不过是例子,能够在本公开的范围内进行各种变更。
实施方式
图1是示出通信系统的例子的图。通信系统包含推理装置100、存储装置200、传感器300、输入装置400和输出装置500。
推理装置100经由网络与存储装置200、传感器300、输入装置400和输出装置500连接。例如,网络是有线网络或无线网络。
推理装置100是执行更新方法的装置。
存储装置200是存储各种信息的装置。例如,存储装置200存储当前的季节、星期几、时刻等时间信息、表示当前位置的导航信息、交通信息、天气信息、新闻信息、以及表示用户的日程、兴趣等的简介信息。
传感器300是感测用户的状态或周边状况的传感器。例如,传感器300是可穿戴传感器。
例如,输入装置400是摄像头或麦克风。这里,下面,麦克风称为麦克。例如,在输入装置400是摄像头的情况下,向推理装置100输入摄像头进行拍摄而得到的图像。此外,例如,在输入装置400是麦克的情况下,向推理装置100输入从麦克输出的语音信息。此外,输入装置400也可以通过用户的操作而向推理装置100输入信息。
推理装置100能够从存储装置200、传感器300和输入装置400取得信息。此外,也可以在该信息中包含车速、方向盘的角度等车辆信息。
例如,输出装置500是扬声器或显示器。另外,输入装置400和输出装置500也可以包含在推理装置100中。
这里,对推理装置100具有的硬件进行说明。
图2是示出推理装置具有的硬件的图。推理装置100具有处理器101、易失性存储装置102和非易失性存储装置103。
处理器101对推理装置100整体进行控制。例如,处理器101是CPU(CentralProcessing Unit:中央处理单元)、GPU(Graphics Processing Unit:图形处理单元)、FPGA(Field Programmable Gate Array:现场可编程门阵列)等。处理器101也可以是多处理器。推理装置100也可以代替处理器101而具有处理电路。处理电路也可以是单一电路或复合电路。
易失性存储装置102是推理装置100的主存储装置。例如,易失性存储装置102是RAM(Random Access Memory:随机存取存储器)。非易失性存储装置103是推理装置100的辅助存储装置。例如,非易失性存储装置103是HDD(Hard Disk Drive:硬盘驱动器)或SSD(Solid State Drive:固态驱动器)。
返回图1,对推理装置100的功能进行说明。
推理装置100具有存储部110、第1取得部120、推理执行部130、输出部140、第2取得部150和控制部160。另外,控制部160也可以称为更新部。
存储部110也可以作为在易失性存储装置102或非易失性存储装置103中确保的存储区域来实现。
第1取得部120、推理执行部130、输出部140、第2取得部150和控制部160的一部分或全部也可以通过处理电路实现。此外,第1取得部120、推理执行部130、输出部140、第2取得部150和控制部160的一部分或全部也可以作为处理器101执行的程序的模块来实现。例如,处理器101执行的程序也称为更新程序。例如,更新程序被记录于记录介质中。
存储部110存储知识图111。知识图111保持推理所需要的信息。一般而言,知识图111是以图形式保持各种域的信息的关系数据库。例如,图形式使用RDF(ResourceDescription Framework:资源描述框架)。在RDF中,利用主语、谓语、宾语这三元组(三组)表现信息。例如,“今天是星期五”这样的信息被表现为三元组(今天、星期、星期五)。
第1取得部120能够从存储装置200、传感器300和输入装置400取得信息。这里,该信息称为第1输入信息。
推理执行部130根据第1输入信息和知识图111执行推理。例如,推理的处理是专利文献1所记载的推理的处理。这里,对推理执行部130进行详细说明。
图3是用于详细说明推理执行部的图。推理执行部130具有动态信息更新部131、重要度计算部132和检索部133。
动态信息更新部131根据第1输入信息对知识图111进行更新。另外,如后所述,在表示第1输入信息的内容已经登记在知识图111中的情况下,动态信息更新部131不更新知识图111。
重要度计算部132将多个节点中的基于第1输入信息的节点设为开始推理的推理开始节点。这里,对基于第1输入信息的节点进行说明。首先,第1输入信息也可以包含1个以上的单词即输入单词。1个以上的单词可以是名词、形容词等单词。在通过动态信息更新部131将输入单词的节点追加到了知识图111中的情况下,基于第1输入信息的节点是指输入单词的节点。在输入单词的节点已经登记在知识图111中的情况下,基于第1输入信息的节点是指输入单词的节点。此外,在根据第1输入信息得到的单词的节点通过动态信息更新部131追加到了知识图111中的情况下,基于第1输入信息的节点是指根据第1输入信息得到的单词的节点。在根据第1输入信息得到的单词的节点已经登记在知识图111中的情况下,基于第1输入信息的节点是指根据第1输入信息得到的单词的节点。这里,对根据第1输入信息得到的单词进行说明。例如,在第1输入信息表示当前时刻“17:24”的情况下,根据第1输入信息得到的单词是“傍晚”。
重要度计算部132将推理开始节点作为起点,执行随机行走,计算与知识图111内的各节点的重要度相当的值即页面等级值。另外,在后述的AND节点包含在知识图111中的情况下,重要度计算部132使用应用了模糊运算的页面等级计算算法。
检索部133在知识图111内检索符合与查询一致的模式的三元组的节点。检索部133根据与检索到的节点对应的页面等级值对检索到的节点进行排序。检索部133将页面等级值最高的节点设为推理的结果。此外,检索部133也可以将页面等级值高的多个节点设为推理结果。
这里,例示向正在驾驶汽车的驾驶员建议推荐的餐饮店的情况。另外,在建议中,设为建议汉堡店。
图4是示出推理处理的具体例的图。首先,第1取得部120取得时刻信息作为第1输入信息。时刻信息表示星期五的傍晚。此外,图4示出知识图111包含与多个单词对应的多个节点。例如,图4示出知识图111包含与“汉堡”对应的节点和与“拉面”对应的节点。
动态信息更新部131将节点“星期五”和节点“傍晚”追加到知识图111中。另外,在节点“星期五”和节点“傍晚”已经登记在知识图111中的情况下,动态信息更新部131不追加节点“星期五”和节点“傍晚”。重要度计算部132将节点“星期五”和节点“傍晚”作为推理开始节点,计算各节点的页面等级值。检索部133在知识图111内检索符合与查询一致的模式的三元组的节点。由此,检索到节点“汉堡”和节点“拉面”。检索部133根据与检索到的节点对应的页面等级值对检索到的节点进行排序。检索部133将跟与节点“餐饮店”连接的边“is-a”相连、且页面等级值最高的节点即节点“汉堡”设为推理的结果。
返回图1,对输出部140进行说明。
输出部140将基于推理的结果的信息输出到输出装置500。例如,在图4的情况下,输出部140将“汉堡怎么样”这样的信息输出到输出装置500。由此,例如,在输出装置500是扬声器的情况下,输出装置500利用语音输出“汉堡怎么样”这样的信息。
第2取得部150取得表示用户针对推理的结果的意向的信息。对表示用户的思考的信息进行具体说明。图4中说明的驾驶员平时吃汉堡。但是,驾驶员有在星期五的傍晚吃拉面的习惯。因此,驾驶员针对推理的结果说出“不,不想吃汉堡,想吃拉面”。例如,第2取得部150经由输入装置400取得表示驾驶员的发言内容即用户的意向的信息。由此,推理装置100学习到在取得了“星期五的傍晚”这样的输入信息的情况下,不将节点“汉堡”设为推理的结果,而优选将节点“拉面”设为推理的结果。这里,在以下的说明中,将推理的结果的节点称为prediction node(预测节点)。例如,在图4中,节点“汉堡”是预测节点。此外,将期望设为推理的结果的节点称为target node或目标节点T。例如,在图4中,节点“拉面”是targetnode。
控制部160根据表示用户的思考的信息对知识图111进行更新。具体而言,控制部160在知识图111中追加AND节点。例如,在图4中,控制部160向知识图111中追加(星期五、吃、AND)、(傍晚、吃、AND)和(AND、吃、拉面)。由此,在下次的推理中,推理出节点“拉面”。
接着,使用流程图对推理装置100执行的处理进行说明。
图5是示出推理装置执行的处理的例子的流程图。
(步骤S11)第1取得部120取得第1输入信息。
(步骤S12)推理执行部130根据第1输入信息和知识图111执行推理处理。
(步骤S13)输出部140将基于推理的结果的信息输出到输出装置500。例如,输出部140将“汉堡怎么样”这样的信息输出到输出装置500。
(步骤S14)推理装置100执行更新处理。
图6是示出推理处理的例子的流程图。图6的处理对应于步骤S12。
(步骤S21)动态信息更新部131根据第1输入信息对知识图111进行更新。例如,在第1输入信息表示当前时刻是“17:24”的情况下,动态信息更新部131将三元组(当前时刻、value、17:24)追加到知识图111中。此外,例如,在存在“如果查询(当前时刻、value、?x)的x在16:00~18:00之间,则追加三元组(当前、时间段、傍晚)”这样的规则的情况下,动态信息更新部131将三元组(当前、时间段、傍晚)追加到知识图111中。
(步骤S22)重要度计算部132将推理开始节点作为起点,执行随机行走,计算与知识图111内的各节点的重要度相当的值即页面等级值。关于页面等级值的计算方法,提出了多个方法。例如,提出了迭代法。在迭代法中,页面等级初始值被赋予给各节点。在由边连接的节点间进行页面等级值的授受,直到页面等级值收敛为止。此外,一定比例的页面等级值被提供给推理开始节点。另外,迭代法记载于非专利文献1中。
这里,在AND节点包含在知识图111中的情况下,重要度计算部132使用应用了模糊运算的页面等级计算算法。换言之,在推理开始节点和目标节点经由AND节点关联起来后、对包含AND节点的多个节点的页面等级值进行更新的情况下,重要度计算部132使用应用了模糊运算的页面等级计算算法。
在应用了模糊运算的页面等级计算算法中,AND节点周边的页面等级值的更新方法具有特征。另外,AND节点周边表示AND节点和经由边与AND节点连接的节点。一般而言,在使用逻辑积(AND)的命题“A AND B”中,在A和B双方同时为真(1)的情况下,该命题也为真(1)。模糊运算将只能处理真(1)或伪(0)这2个值的逻辑运算扩展成能够处理连续值,由此能够处理模糊性,逻辑积被定义为取最小值的运算。例如,在A为真的程度是0.1(即几乎为伪)、B为真的程度是0.8(即几乎为真)的情况下,命题“A AND B”成为0.1(=min(0.1,0.8))。而且,解释为几乎为伪。这种模糊运算被应用于页面等级计算算法。而且,在AND节点周边的节点的页面等级值的更新处理中,根据页面等级量的最小值,页面等级量流入AND节点。此外,最小值以外的页面等级量被提供给推理开始节点。
接着,对应用了模糊运算的页面等级计算算法进行具体说明。
图7是示出页面等级值的更新的例子的图。图7示出节点S1、S2、u、v。另外,节点S1、S2是推理开始节点。此外,图7示出AND节点。实线的箭头表示边。另外,AND节点周边示出AND节点和节点S1、u、v。此外,节点S1和节点u也称为多个第2节点。
节点内的数字表示基于迭代法的计算中的某个步骤中的页面等级值。箭头周边的数字是下一个步骤中授受的页面等级量。虚线的箭头表示针对推理开始节点的随机转移。随机转移以一定概率发生。
重要度计算部132在从经由边连接的节点S1和节点u提供给AND节点的多个页面等级量中确定最小值。例如,重要度计算部132从页面等级量“4”和页面等级量“6”中确定页面等级量“4”。重要度计算部132将从节点S1和节点u分别提供给AND节点的页面等级量限制为最小值。由此,来自节点u的页面等级量被限制为“4”。而且,来自节点S1的页面等级量“4”和来自节点u的页面等级量“4”流入AND节点。AND节点流出页面等级量“8”。重要度计算部132对节点u进行限制,由此剩余页面等级量“2(=6-4)”。重要度计算部132将剩余的页面等级量“2”提供给节点S1、S2。虚线的箭头表示剩余的页面等级量被提供给节点S1、S2。这样,重要度计算部132将该多个页面等级量中的未提供给AND节点的页面等级量“2”提供给节点S1、S2。
由此,重要度计算部132能够使全部节点的页面等级值的总和保持恒定。此外,重要度计算部132使全部节点的页面等级值的总和保持恒定,由此,能够使页面等级值适当地收敛。详细地讲,重要度计算部132反复进行全部节点的页面等级值的更新,直到全部节点的页面等级值没有变化为止。换言之,重要度计算部132反复进行全部节点的页面等级值的更新,直到全部节点的页面等级值收敛为止。收敛时的页面等级值成为页面等级值的计算结果。这里,在全部节点的页面等级值未保持恒定的情况下,页面等级值可能未适当地收敛。在全部节点的页面等级值未保持恒定的情况下,在该更新的反复处理的过程中,反复进行页面等级量的消失。而且,最终,页面等级量成为零。由此,得到“在全部节点中页面等级值为零”这样的计算结果。即,页面等级值未适当地收敛。为了防止该情况,重要度计算部132执行上述的处理。由此,重要度计算部132能够使全部节点的页面等级值的总和保持恒定。
(步骤S23)检索部133在知识图111内检索符合与查询一致的模式的三元组的节点。检索部133根据与检索到的节点对应的页面等级值对检索到的节点进行排序。检索部133将页面等级值最高的节点设为推理的结果。
图8是示出更新处理的例子的流程图。图8的处理对应于步骤S14。
(步骤S31)第2取得部150取得表示用户针对推理的结果的意向的信息。表示用户针对推理的结果的意向的信息称为第2输入信息。此外,第2输入信息也可以称为反馈信息。例如,第2取得部150取得“不,想吃拉面”这样的第2输入信息。这里,第2输入信息包含第1单词。第1单词是名词、形容词等单词。例如,第1单词是“不,想吃拉面”的“拉面”。
(步骤S32)控制部160根据基于推理的结果的信息和第2输入信息,判定推理的结果是否适当。
对判定处理进行具体说明。例如,基于推理的结果的信息是“汉堡怎么样”这样的信息。第2输入信息是“不,想吃拉面”这样的信息。控制部160对基于推理的结果的信息中包含的单词(例如汉堡)和第2输入信息中包含的单词(例如拉面)进行比较。在比较对象的单词不一致的情况下,控制部160判定为推理的结果不适当。
在推理的结果不适当的情况下,控制部160判定为对知识图111进行更新。然后,控制部160使处理进入步骤S33。在推理的结果适当的情况下,控制部160结束处理。
(步骤S33)控制部160根据第2输入信息,从知识图111中包含的多个节点中确定目标节点T。例如,控制部160将第2输入信息中包含的第1单词(例如拉面)的节点确定为目标节点T。控制部160经由AND节点将推理开始节点S1、…、Sn和目标节点T关联起来。使用具体例对更新处理进行说明。
图9是示出更新处理的具体例的图。控制部160将AND节点追加到知识图111中。这里,AND节点也称为第1节点。
控制部160在推理开始节点S1与AND节点之间生成有向边。控制部160在推理开始节点S2与AND节点之间生成有向边。控制部160在AND节点与目标节点T之间生成有向边。这样,控制部160在推理开始节点S1、S2与目标节点T之间生成经由AND节点的路径。由此,在下次的推理中,推理出节点“拉面”。
这里,对在下次的推理中推理出节点“拉面”的理由进行说明。从全部节点向推理开始节点S1、S2提供页面等级量。因此,推理开始节点S1、S2的页面等级值大。由此,从推理开始节点S1、S2流出的页面等级量也多。而且,大量的页面等级量经由AND节点流入目标节点T。因此,目标节点T的页面等级值变大。换言之,目标节点T的重要度变高。因此,推理出节点“拉面”。
根据实施方式,例如,推理装置100通过对知识图111进行更新,在下次的推理中推理出节点“拉面”。由此,推理装置100能够得到期望的推理的结果。
标号说明
100:推理装置;101:处理器;102:易失性存储装置;103:非易失性存储装置;110:存储部;111:知识图;120:取得部;130:推理执行部;131:动态信息更新部;132:重要度计算部;133:检索部;140:输出部;150:取得部;160:控制部;200:存储装置;300:传感器;400:输入装置;500:输出装置。
Claims (4)
1.一种推理装置,其具有:
第1取得部,其取得第1输入信息;
存储部,其存储包含与多个单词对应的多个节点的知识图;
推理执行部,其将所述多个节点中的基于所述第1输入信息的节点作为开始推理的推理开始节点,根据所述知识图执行所述推理;
输出部,其输出基于所述推理的结果的信息;
第2取得部,其取得第2输入信息,该第2输入信息表示用户针对所述推理的结果的意向且包含第1单词;以及
控制部,其根据基于所述推理的结果的信息和所述第2输入信息来判定所述推理的结果是否适当,在所述推理的结果不适当的情况下,从所述多个节点中确定所述第1单词的节点,将第1节点追加到所述知识图中,经由所述第1节点将所述推理开始节点和所述第1单词的节点关联起来。
2.根据权利要求1所述的推理装置,其中,
在所述推理开始节点和所述第1单词的节点被经由所述第1节点关联起来后、对包含所述第1节点的所述多个节点的页面等级值进行更新的情况下,所述推理执行部在从经由边连接的多个第2节点向所述第1节点提供的多个页面等级量中确定最小值,将从所述多个第2节点分别向所述第1节点提供的页面等级量限制为所述最小值,将所述多个页面等级量中的没有被提供给所述第1节点的页面等级量提供给所述推理开始节点。
3.一种更新方法,其中,
推理装置进行如下处理:
取得第1输入信息,
将知识图中包含的与多个单词对应的多个节点中的、基于所述第1输入信息的节点作为开始推理的推理开始节点,根据所述知识图执行所述推理,
输出基于所述推理的结果的信息,
取得第2输入信息,该第2输入信息表示用户针对所述推理的结果的意向且包含第1单词,
根据基于所述推理的结果的信息和所述第2输入信息来判定所述推理的结果是否适当,
在所述推理的结果不适当的情况下,从所述多个节点中确定所述第1单词的节点,将第1节点追加到所述知识图中,
经由所述第1节点将所述推理开始节点和所述第1单词的节点关联起来。
4.一种更新程序,其使推理装置执行以下处理:
取得第1输入信息,
将知识图中包含的与多个单词对应的多个节点中的、基于所述第1输入信息的节点作为开始推理的推理开始节点,根据所述知识图执行所述推理,
输出基于所述推理的结果的信息,
取得第2输入信息,该第2输入信息表示用户针对所述推理的结果的意向且包含第1单词,
根据基于所述推理的结果的信息和所述第2输入信息来判定所述推理的结果是否适当,
在所述推理的结果不适当的情况下,从所述多个节点中确定所述第1单词的节点,将第1节点追加到所述知识图中,
经由所述第1节点将所述推理开始节点和所述第1单词的节点关联起来。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/020077 WO2021234896A1 (ja) | 2020-05-21 | 2020-05-21 | 推論装置、更新方法、及び更新プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115605858A true CN115605858A (zh) | 2023-01-13 |
Family
ID=78708578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080100874.8A Pending CN115605858A (zh) | 2020-05-21 | 2020-05-21 | 推理装置、更新方法和更新程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230034515A1 (zh) |
JP (1) | JP7118319B2 (zh) |
CN (1) | CN115605858A (zh) |
DE (1) | DE112020006904T5 (zh) |
WO (1) | WO2021234896A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023195051A1 (ja) * | 2022-04-04 | 2023-10-12 | 三菱電機株式会社 | 関連情報表示装置、プログラム及び関連情報表示方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62205426A (ja) * | 1986-03-06 | 1987-09-10 | Fujitsu Ltd | リンク更新方法 |
US10380169B2 (en) * | 2016-07-29 | 2019-08-13 | Rovi Guides, Inc. | Systems and methods for determining an execution path for a natural language query |
WO2020065906A1 (ja) | 2018-09-28 | 2020-04-02 | 三菱電機株式会社 | 推論装置、推論方法、及び推論プログラム |
-
2020
- 2020-05-21 JP JP2022524793A patent/JP7118319B2/ja active Active
- 2020-05-21 DE DE112020006904.4T patent/DE112020006904T5/de active Pending
- 2020-05-21 CN CN202080100874.8A patent/CN115605858A/zh active Pending
- 2020-05-21 WO PCT/JP2020/020077 patent/WO2021234896A1/ja active Application Filing
-
2022
- 2022-10-14 US US17/965,995 patent/US20230034515A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JPWO2021234896A1 (zh) | 2021-11-25 |
US20230034515A1 (en) | 2023-02-02 |
WO2021234896A1 (ja) | 2021-11-25 |
JP7118319B2 (ja) | 2022-08-15 |
DE112020006904T5 (de) | 2023-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230069847A1 (en) | Method and system for providing query suggestions based on user feedback | |
CN110998567B (zh) | 用于对话语义分析的知识图谱 | |
JP7017640B2 (ja) | データ拡張方策の学習 | |
JP6567218B1 (ja) | 推論装置、推論方法、及び推論プログラム | |
CN109241412B (zh) | 一种基于网络表示学习的推荐方法、系统及电子设备 | |
EP3602412A1 (en) | Multitask neural network systems | |
EP3586277A1 (en) | Training policy neural networks using path consistency learning | |
CN107463701B (zh) | 基于人工智能推送信息流的方法和装置 | |
WO2015072349A1 (en) | Method for predicting destinations during travel | |
CN112766607A (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
JP2005107743A (ja) | 学習システム | |
KR20190056720A (ko) | 뉴럴 네트워크 학습 방법 및 디바이스 | |
JP2006107469A (ja) | クエリグラフ | |
WO2022166115A1 (en) | Recommendation system with adaptive thresholds for neighborhood selection | |
JP6390239B2 (ja) | 情報処理装置、及びプログラム | |
US20180314972A1 (en) | Application display and discovery by predicting behavior through machine-learning | |
CN115114542B (zh) | 一种对象推荐方法、系统、训练方法、介质及计算机设备 | |
US11624624B2 (en) | Methods and apparatuses for predicting user destinations | |
Ben-Shimon et al. | An ensemble method for top-N recommendations from the SVD | |
CN115605858A (zh) | 推理装置、更新方法和更新程序 | |
CN111552549A (zh) | 一种智能设备的多任务请求动态配置方法及系统 | |
KR20210082977A (ko) | 컴퓨팅 장치 및 그 동작 방법 | |
WO2022166125A1 (en) | Recommendation system with adaptive weighted baysian personalized ranking loss | |
JP7287490B2 (ja) | 学習装置、学習方法、及び、プログラム | |
CN113761289A (zh) | 图学习方法、框架、计算机系统及可读存储介质 |
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 |