JP2009525547A - 質問分類のためのメタ学習 - Google Patents
質問分類のためのメタ学習 Download PDFInfo
- Publication number
- JP2009525547A JP2009525547A JP2008553450A JP2008553450A JP2009525547A JP 2009525547 A JP2009525547 A JP 2009525547A JP 2008553450 A JP2008553450 A JP 2008553450A JP 2008553450 A JP2008553450 A JP 2008553450A JP 2009525547 A JP2009525547 A JP 2009525547A
- Authority
- JP
- Japan
- Prior art keywords
- question
- artificial neural
- neural circuit
- ann
- data
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
【解決手段】自動質問分類及び自動回答システム並びに方法が開示される。メインの人工神経回路(ANN)と補助ANNを有するマルチパートANNは、複数の定義されたカテゴリのうちの1つに従って、受け付けた質問を分類する。一旦補助ANNが訓練するとウエイトは凍結されてメインのANNに移転される。メインのANNは、このとき、ラベル付けされた質問を使用して訓練され得る。本発明によれば、利用可能な情報を効率的に使用でき、単一パートANNを使用するのに比較して訓練時間及び誤差率を改善できる。
【選択図】図1
Description
本出願は、2006年2月1日に出願された“Meta Learning for Question Answering”と題する米国特許仮出願第60/764,412号、及び2006年4月24日に出願された“Meta Learning for Question Classification”と題する米国特許出願第11/410,443号を基礎とする優先権を米国特許法第119条(e)に基づき主張し、これらの出願はその全体がここに引用される。
更なる適用例として、年配者や障害者の支援も含み得る。人間形ロボットは、ロボットのユーザからの多くのタイプの命令や質問に対応することになると考えられている。このような質問は、幅広い主題をカバーし得る。例えば、質問は、“大統領は誰ですか”というような事実に関するものであってもよい。他の質問のタイプは、“天候はどうですか”というような条件に関するものであってもよい。更に、他の質問のタイプは、“冷蔵庫の中に食料はありますか”というような観測に関するものであってもよい。
ある代替的なアプローチは、言い換え変形語を認識する。例えば、Barzilay et al.は、コーパスから200個の2センテンステーマを分析し、7つの語彙統語的言い換え規則を抽出した。これらの規則は、統語的かつ語彙的言い換えの82%をカバーし、更に、言い換え語は全変形語の70%をカバーしていた。この説明は、“R.Barzilay, et al.,Information Fusion in the Context of Multi−Document Summarization,Proceedings of ACL,1999”の中に発見され得る。そしてこの文献はその全体がここに引用される。
Qi et al.は、確率的分類法を用いた多数カテゴリを考慮に入れていた。この説明は、“H.Qi, et al.,Question Answering and Novelty Tracks, Proceedings of TREC2002,The University of Michigan at Trec,2002”の中に発見され得る。そしてこの文献はその全体がここに引用される。
Lehnertによれば、質問の分類は、“何時かわかりますか”“はい”、“ジョンはどのようにして試験に合格しましたか”“ペンで”のような質問に対する回答を避けるために重要である。この説明は、“W.Lehnert, A Conceptual Theory of Question Answering, Proceedings of the Fifth international Joint Conference on Artificial Intelligence(IJCAI),158-164,1997”の中に発見され得る。そしてこの文献はその全体がここに引用される。
しかしながら、人間形ロボットのような自律機械に対してなされた質問のうち、事実に関するものは比較的少ない。それどころか、このような質問は、状況(例えば、赤ん坊が泣いていればどうすればよいかあなたは知っているか)、観測や進行中の事象に関する問合せ、及び黙示的な質問(例えば、応答を引き出すために提供されたステートメント)に対する応答にまで及ぶ。従って、自律機械は、適当な知識及び情報に対するリアルタイムのアクセスを必要とすることになる。
本発明は、自動的に質問を分類し、質問に対して回答するシステム及び方法を含む。ある実施形態において、1つのマルチパート人工神経回路(ANN)が、受け付けた質問を、複数の定義済カテゴリのうちの1つと関連するものとして分類するために適用される。このカテゴリは、例えば、日付に関する事実、人物に関する事実、ある特性を有する客体に対する応答、場所、及び事象や時間に関する観測等を含み得る。
このような分類は、質問が、複数の使用可能なデータベースのうちの1つ又はウエブに対してマッピングされ得るようにする。マルチパートANNは、1つのメインのANNと、1つの補助ANNを含む。それぞれのANNは、ノードとウエイトの階層を含む。
教師なし訓練は、補足的質問中の単語毎に品詞タグを生成する、補足的質問中の残存単語から疑問詞(例えばWhat,where,how)を予測する、及び1つの補足的質問中の2つの単語間の統語的関係の組を予測する、というような多重補助タスクを含み得る。補助的タスクは、ラベル付けされていないデータから、それによって基底となる予測的又は機能的な構造を学習するラベル付けされたデータを生成する。
図面と以下の説明は、図示された通りにのみ、本発明の言及された実施形態に関する。類似の参照番号が複数の図面で使用される場合は類似の機能を示している。各図は、単に例示目的で本発明の実施形態を描写している。当業者であれば、本発明の原理から逸脱することなく以下に例示する構成や方法の代替的実施形態を実施することが可能であることを後記する明細書の記載から容易に知り得るであろう。
質問分類のためのメタ学習のための方法及び装置が説明されている。以下の説明では、説明目的で、本発明の完全な理解を提供するために多くの詳細が説明される。しかしながら、当業者にとっては、特定された詳細なしでも本発明が実施され得ることが明らかであろう。他の場合には、本発明が不明確になるのを防ぐために、構造及び部材はブロック図で示される。
同様に、主記憶装置114は、スタンドアロンの記憶デバイス(RAM)であってもよいし、処理装置122付きのメモリーチップ(例えばキャッシュメモリ)であってもよい。
補助記憶装置118は、ハードディスク、DVD−R/RW、CD−R/RW又はRAMのような任意の大容量ストレージである。同様にコンピュータシステム110は、サーバ、パーソナルコンピュータのようなスタンドアロンのシステムであってよい。代替例として、コンピュータシステム110は、例えば、音声画像処理システムを備えるロボットのようなより大きなシステムの一部であってもよい。
また、入力装置112は、他のデータベース、他の聴覚システム、インターネットサーバのようなネットワークシステムから情報を受け付けるインタフェースであってもよい。このネットワークインタフェースは、USB、RS−232シリアルポート、イーサネットカードのような有線インタフェースであってもよいし、ブルートウース、WiFi、IEEE802.11のような無線プロトコルを使用した無線通信デバイスのような無線インタフェースモジュールであってもよい。音声画像処理装置120は、入力装置112を介して受け付けた音声命令又は質問あるいは画像の事前処理用に使用され、中央制御装置122が処理可能なフォーマットに音声命令又は質問あるいは画像を変換する。
入力装置112と同様に、入出力装置124は、有線であってもよいし、無線であってもよい。入出力装置124は、ストレージドライブインタフェース(例えばハードドライブ又は光学ドライバ)、ネットワークインタフェースデバイス(例えば、イーサネットインタフェースカード、無線インタフェースカード)、ディスプレイドライバ(例えばグラフィックカード)あるいは決定された情報又は応答を出力する任意の装置であってもよい。更に、入出力装置124は、機械的機能を達成することを受け持つ自律機械に対し適当な方法でインタフェースしてもよい。
図2は、本発明の一実施形態に係る、自動的に質問を分類しそれに回答する方法を示すフロー図である。例えば、マイクロホン130及び入力装置112を介して質問が受け付けられる(ステップ204)。受け付けられた質問は、人工神経回路(ANN)を使用して、解釈され質問カテゴリに関連付けられる(ステップ208)。ANNの形状と操作は後記する通りである。ある実施形態においては、図3のテーブル300に示されるカテゴリセット310のように、1組の質問カテゴリが予め定義されている。質問カテゴリ310は以下を含む。
カテゴリ310d〜eに対応する質問又は命令に対する回答は、同じく前記した米国特許出願“Responding to Situations Using Knowledge Representation and Inference”の中に発見され得る。
カテゴリ310m、nのような質問に対する回答は、ウエブ上で利用可能なデータベースのような、オープンデータベースの中に発見される可能性が最も高い。
テーブル300のカテゴリは例示的なものであるに過ぎず、当業者であれば、本発明の主旨を逸脱することなくカテゴリ310に対し変形や追加をすることが可能であることがわかる。
例えば、“赤ん坊が泣いていれば、どうすればよいかあなたは知っているか”という例を考える。参照される客体は“赤ん坊”であり、参照される特性は“泣いている”である。識別されたカテゴリ、客体及び特性は、適当な回答を含む可能性が最も高いデータベースに対して(データベース内のテーブルに対しての場合もある)マッピングされる(ステップ216)べきクエリを定式化するために使用される。
システムクエリ言語(SQL)に基づくこのようなマッピングの例が、図4のテーブル400に示されている。
現在の質問例410bに対する回答は、マッピング420bを使用してあるデータベースに対して検索をかける(ステップ220)ことによって発見され得る。このマッピングは、関連付けられた客体が“赤ん坊”であり、関連付けられた特性が“泣いている”であるような、データベース内の状況に対する応答に基づく。
同様に、客体“スーツケース”を含む(が特性は含まない)他の質問例410aに対する回答は、マッピング420aを使用して発見され得る。
他の質問例410cに対する回答は、例えばマッピング420cに基づき、あるサーチエンジンを使用してウエブサーチを実行することによって発見され得る。
前記したように、受け付けられた質問は、解釈されて、人工神経回路(ANN)を使用して質問カテゴリに関連付けられる(ステップ208)。ANNは、アルゴリズム的な解決が利用可能ではないが、関連付けられた行動の多くの例が利用可能であるような問題に対して有用であり、また、利用可能なデータから構造が識別可能である場合にも有用である。
汎用ANNは、図5の概念図を参照することによって理解され得る。
多重入力510は、受け付けられると、入力層を有する1組のノード520によって示される。
第一のウエイトの組530(例えば、乗数)は、入力層ノード520上で動作し、中位層すなわち隠れ層を有する他の組のノードによって1組の合計値を生成する。
隠れ層のノード540に対応する値は、他の組のウエイトを乗ぜられ、出力層のノード560によって合計された値からなる他の組を生成する。1組の出力570は、ノード560から提供される。
出力570は、例えば、0から1まで、又は−1から1までの範囲を占めるように拡大・縮小される。
入力510から出力570までの伝播処理は、前進行動と呼ばれることがある。ANNのウエイト530、550は、初期化されてデフォルト値に設定され、入力510から出力570の最初の組を生成し得る。この説明は、“Artifical Neural Networks:An Introduction,K.Priddy and P.Keller,The International Society for Optical Engineering,2005”の中に発見され得る。そしてこの文献はその全体がここに引用される。
例えば、前記したように、質問カテゴリ310に対応している14個の出力570があり得る。最大値を有する出力570が入力質問に対して決定されるカテゴリに対応するように、ANNは作られている。質問に対応するカテゴリを決定し、指示する別の方法によって、ANN500の様々な代替例が作られ得ることが当業者であればわかるであろう。
ANN500は、前進行動と逆伝播の反復起動、すなわちエポック(epoch)によって訓練され、別のラベル付けされた例を適用し、各エポックの期間中に、ANNの出力とウエイトを更新することができる。このプロセスは、1つの期待出力誤差が獲得されるまで続く。このような時点で、ANNは、収束した、又は訓練されたといわれ、ウエイトは固定され得る。この説明は、前記“Priddy,et al.”の中に発見され得る。
Δwt=η(∂e/∂w)+δ(Δwt−1)−γwt (1)
ここで、Δwtは、現在のウエイト変化であり、ηは、ANN内のウエイトが訓練の間に調整されていく率を決定するために用いられるスカラー量の学習率であり、∂e/∂wは、誤差をウエイトで偏微分した偏微分係数であり、δは、現在のウエイト変化に対する直前のウエイト変化の割合を加えるために使用される運動量因子である。運動量因子は、ウエイトが、グローバルというより局所的な、誤差の最小値に収束していくことを回避し得る平滑化効果を提供する。Δwt−1は、直前のウエイト変化であり、γは、不安定性を防止するために使用されるウエイト減衰(weight decay)である。本発明の一実施形態によれば、ηは0.1に設定され、δとγはゼロに設定される。
ANN500のようなANNは、事前に定義された期待回答が要求されないように、その入力510に対して単に適合するように作られ得る。このようにしてラベル付けされていないデータは、ラベル付けされているデータに代替し得る。このようなANNは、教師なしANNと呼ばれる。この説明は、前記“Priddy,et al.”の中に発見され得る。
ラベル付けされていないデータは、補助ANNと呼ばれる第1のANN630aに適用される。第1のANNは、ラベル付けされていないデータからラベル付けされているデータを生成し、その結果、データの基底予測構造又は基底機能構造を学習する。例えば、ラベル付けされていないデータは、その上で平滑機能分類が定義され得るデータ多様体(グラフ構造)を生成するのに使用され得る。これは、構造学習と呼ばれる。補助ANN630aが1つ以上の補助タスク、単一の問題に対する予測子(predictor)の役割を果たすキャッシュを有し得る。別々の問題毎の複数の多重予測子が観測されるとき、基底予測子空間が、複数の予測子に共有される共通の基底構造を発見するために分析され得る。逆に言えば、1つの共通な基底構造が複数の多重予測問題に共有される場合は、その構造は、より確実に学習され得る。予測空間上の重要な予測構造が一旦発見されると、その情報は、それぞれの個別の予測問題を改良するために使用され得る。
ラベル付けされていないデータに作用する複数の多重補助タスクから学習される予測構造は、ラベル付けされたデータを使用するターゲット教師付問題、すなわちメインタスクに作用するメインのANN630bに移転され得る。これは、帰納的移転と呼ばれる。帰納的移転は、学習された基底構造がターゲット教師付問題に役立つ場合により有益である。もし1つの補助タスクによって解決される問題がメインの問題に関係しているならば、帰納的移転は、ターゲット問題を解決するのに役立つ。このようにして、1つの補助タスクに扱われる問題は、メインタスクに扱われる問題に関連付けられるべきである。この説明は、“A Framework for Learning Predictive Structures from Multiple Tasks and Unlabeled Data,R.Ando and T.Zhang,Journal of Machine Learning Research,2005”の中に発見され得る。そしてこの文献はその全体がここに引用される。
ある実施形態においては、ウエイト642aに対応する中央制御装置122内の実装リソースは、補助ANN630aとメインのANN630bとの間で共有される。他の実施形態においては、このような実装リソースは分離したままであり、補助ANN630aは、ウエイトのメインのANN630bへの移転を補助するためにはもはや用いられない。
メインのANN630bのようなANNは、別々の神経回路の部分を共通の出力層に結合することから、マルチパート神経回路、すなわちMPNNと呼ばれることがある。ある実施形態においては、Omは、質問カテゴリの数に等しく、この例で言えば14である。この実施形態においては、出力ノード652は、入力質問毎に決定されたカテゴリを指示する検出器又は検出アルゴリズムによって処理され得る。この検出器は、正しい検出確率と誤った検出確率との間の最適トレードオフを実現するために調整され得る閾値を実装し得る。このトレードオフは、レーダ受信機の設計との類似性に基づいて、受動者動作特性曲線上の点選択と呼ばれることがある。この説明は、前記“Priddy,et al.”の中に発見され得る。
各カテゴリは、例えば、名詞はNN、動詞はVBというような、質問中の単語の品詞ラベルである。関係は、2つのカテゴリ間の有向統語的関係(例えば、客体に対してはOBJ、主題に対してはSUBJ、接続語に対してはCONJ)であり、係り受けツリーのリンクに対応する。
例えば、“赤ん坊が泣いていたらあなたはどうしますか?”という質問中、泣く[VB]は、赤ん坊[NN]の主題[SUBJ]であり、対応する統語的関係は、VB:SUBJ:NNである。“ジョンは問題に対する解決を発見した”というセンテンスに対する統語的関係のタグの組が図9に示されている。この説明は、“Dependency Based Evaluation of Minipar,Workshop on the Evaluation of Parsing Systems,Granada,Spain,1998”の中に発見され得る。そしてこの文献はその全体がここに引用される。
移転されたウエイトは、メインのANN630bがウエイト空間の特定の領域を見ることに限定し、それによって、メインのANN630bが利用できる仮説空間を削減するので、移転された複数のウエイトは、1つの帰納的バイアスを表すことになる。この背後にある考え方は、補助タスクには重要ではなかったが、メインのタスクには重要であるかも知れないラベル付けされた入力データからメインのタスクが新たな特徴を抽出することを可能にするということである。補助タスクを経て基底構造を学習するプロセスはメタ学習と呼ばれる。
従って、このセンテンス内の2つの関係は、VB:s:NN及びVB:obj:NNである。これらの関係(例えば、ノード620、630)に対応する入力ノードは、値「1」を有することとなる。同様に、3−グラム[ADJ VB NN]、[VB NN NN]及び[NN NN VB](ノード812,820、830)に対応する入力は値「1」を有することとなる。他の入力ノードの値は「0」となる。
従って、推定誤差を削減するには小さな仮説空間が望ましい一方で、近似誤差を削減するには大きな仮説空間が望ましい。このことは、バイアス/分散トレードオフとして知られている。
予測子pの質は、Dに対する損失関数によって計測され得る。m個の学習タスクと、1組の仮説空間Hθがあるとする。ここで、θは、仮説空間に索引を付けるために使用される共通構造パラメータである。メタ学習問題は、m個のタスクについての予測子の平均期待リスクを最小化するθの値を学習することである。この問題は、次の式(2)で示される、m個のタスクに対する複合最適化問題として提起され得る。
(実験結果)
例えば、疑問詞予測タスクは、疑問詞の候補毎に1つの、20の2値の出力を含んでいた。3つの補助タスクの出力は、組み合わされて649個の2値の出力となっており、効果的に649個の2クラス分類タスクを有していた。補助ANN630aは、Na=20個のノードを有する1つの隠れ層を有していた。
また、逆エラー伝播アルゴリズムは、ウエイト642a、bよりも、(出力層652により近い)ウエイト650a、bを速く修正する傾向がある。それで、移転されたウエイト付のMPNNの部分をより注視し得る。帰納的移転に関するこれらの2つの因子は、より速い収束を促進する。MPNNの部分がすべて訓練可能であるという事実は、帰納的移転を伴う最終的精度が、少なくとも、帰納的移転なしの場合と同程度には良好であることを保証する。
図10の誤差バーの垂直に立ち上がった部分は、ある標準偏差に相当し、帰納的移転なしよりも帰納的移転を伴うほうが、小さい傾向がある。検定装置の誤分類率が、図11に示されている。この率は、それぞれ誤差バー1110と1120によって示されるように、帰納的移転を伴わない20.65%から、帰納的移転を伴う15.95%までの間に収まっている。
前記した補助タスクに使用されたデータは、排除された。なぜならば、メインのタスクのためのラベルは、補助タスクには適用できないからであり、大量の利用可能な補助タスクのデータは、メインのタスクの学習を圧倒するからでもある。この説明は、“Multitask leaning,Machine Leaning,28,41-75,R.Caruana 1997”の中に発見され得る。そしてこの文献はその全体がここに引用される。
図13に見られるように、MTLの検定誤差1310は、帰納的移転を伴う学習の誤差(1120)と、帰納的移転なしの学習の誤差(1110)との間の値を取る。帰納的移転を伴う学習のためのMPNNが隠れノード644a、bを合計40個しか使用しない一方、このパフォーマンスは、ANN中の60個の隠れ層のノードを使用することによって得られる。図12、13のデータは、補助タスクからの帰納的移転の追加的な利点を論証しているように見える。
Claims (19)
- 第1の質問を自動的に分類する方法であって、
前記方法は、
ラベル付けされていないデータを受け付け、
前記ラベル付けされていないデータを自動的にラベル付けし、第1のウエイトの組を有する第1の人工神経回路を使用して第1のラベル付けされたデータを作成し、
前記第1のウエイトの組を第2の人工神経回路に移転し、
第2の質問と対応する回答を有する第2のラベル付けされたデータを受け付け、
前記第2のラベル付けされたデータを使用して前記第2の人工神経回路を訓練し、
前記第1の質問を受け付け、
前記第2の人工神経回路を使用して、質問カテゴリを前記第1の質問に関連付ける、
ことを含むことを特徴とする方法。 - 前記質問カテゴリに基づき、前記第1の質問を、複数のデータベースのうちの第1のデータベースにマッピングするステップを更に有する、
ことを特徴とする請求項1に記載の方法。 - 前記自動的にラベル付けすることは、
前記ラベル付けされていないデータ内で予測構造を学習することを有する、
ことを特徴とする請求項1に記載の方法。 - 前記ラベル付けされていないデータは、第3の質問を有する、
ことを特徴とする請求項1に記載の方法。 - 前記ラベル付けされていないデータを自動的にラベル付けすることは、
前記第3の質問毎に品詞タグを自動的に生成すること、
前記第3の質問内に残存する1又は複数の単語から疑問詞を自動的に予測すること、及び、
前記第3の質問内の2つの単語間の統語的関係組を自動的に予測すること、のうちの少なくとも1つを有すること、
を特徴とする請求項3に記載の方法。 - 前記質問カテゴリは、
事実−日付、事実−人物、事実−他、客体−特性に対する応答、人物−行為に対する応答、客体−特性に対する黙示の応答、人物−行為に対する黙示の応答、場所、観測−事象−時刻、観測−客体−状態、観測−人物−行為、ステップ、ウエブ現在事象、及びウエブ天候からなるグループに属する1つである、
ことを特徴とする請求項1に記載の方法。 - 前記質問カテゴリをシステムクエリ語(SQL)のクエリにマッピングするステップを更に有する、
ことを特徴とする請求項1に記載の方法。 - 前記第1及び第2の人工神経回路のそれぞれは、1つの入力層、1つの隠れ層、及び1つの出力層を有する、
ことを特徴とする請求項1に記載の方法。 - 前記第2の人工神経回路の前記学習は、前進活動及び逆エラー伝播を有する、
ことを特徴とする請求項1に記載の方法。 - 前記ラベル付けされていないデータは、人間によって分散データコレクションを介して提供される、
ことを特徴とする請求項1に記載の方法。 - 前記第1のウエイトの組を前記第2の人工神経回路に移転する前に、前記第1のウエイトの組を固定するステップを更に有する、
ことを特徴とする請求項1に記載の方法。 - 前記第1の質問内の客体及び特性のうちの少なくとも1つを特定するステップを更に有する、
ことを特徴とする請求項2に記載の方法。 - 前記客体及び前記特性に従って、前記第1のデータベースに問い合わせるステップを更に有する、
ことを特徴とする請求項11に記載の方法。 - 前記第2の人工神経回路は、
1組の出力ノードを有し、
前記質問カテゴリは、
前記出力ノードの組のうち最強の出力ノードに従って、前記質問カテゴリが前記第1の質問と関連付けられる、
ことを特徴とする請求項1に記載の方法。 - 第1の質問を自動的に分類する装置であって、
前記装置は、入力部と、制御部とを有し、
前記入力部は、
ラベル付けされていないデータを受け付け、
第2の質問と対応する回答を有する第2のラベル付けされたデータを受け付け、
前記第1の質問を受け付け、
前記制御部は、
前記ラベル付けされていないデータを自動的にラベル付けし、第1のウエイトの組を有する第1の人工神経回路を使用して第2のラベル付けされたデータを作成し、
前記第1のウエイトの組を第2の人工神経回路に移転し、
前記第1のラベル付けされたデータを使用して前記第2の人工神経回路を訓練し、
前記第2の人工神経回路を使用して、質問カテゴリを前記第1の質問に関連付ける、
ことを特徴とする装置。 - 前記第1及び第2の人工神経回路は、マルチパート人工神経回路を有すること、
を特徴とする請求項15に記載の装置。 - 第1の質問を自動的に分類する装置であって、
ラベル付けされていないデータを受け付ける手段と、
前記ラベル付けされていないデータを自動的にラベル付けし、第1のウエイトの組を有する第1の人工神経回路を使用して第1のラベル付けされたデータを作成する手段と、
前記第1のウエイトの組を第2の人工神経回路に移転する手段と、
第2の質問と対応する回答を有する第2のラベル付けされたデータを受け付ける手段と、
前記第2のラベル付けされたデータを使用して前記第2の人工神経回路を訓練する手段と、
前記第1の質問を受け付ける手段と、
前記第2の人工神経回路を使用して、質問カテゴリを前記第1の質問に関連付ける手段と、
を有することを特徴とする装置。 - 前記第1及び第2の人工神経回路は、マルチパート人工神経回路を有すること、
を特徴とする請求項17に記載の装置。 - コンピュータの制御部に、第1の質問を自動的に分類する方法を実装させるコンピュータプログラム指示を格納する、コンピュータに読取り可能な媒体を含むコンピュータプログラム製品であって、
前記方法は、
前記ラベル付けされていないデータを自動的にラベル付けし、第1のウエイトの組を有する第1の人工神経回路を使用して第1のラベル付けされたデータを作成することと、
前記第1のウエイトの組を第2の人工神経回路に移転することと、
第2の質問と対応する回答を有する第2のラベル付けされたデータを受け付けることと、
前記第2のラベル付けされたデータを使用して前記第2の人工神経回路を訓練することと、
前記第1の質問を受け付けることと、
前記第2の人工神経回路を使用して、質問カテゴリを前記第1の質問に関連付けることと、
を含むことを特徴とするコンピュータプログラム製品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US76441206P | 2006-02-01 | 2006-02-01 | |
US11/410,443 US7603330B2 (en) | 2006-02-01 | 2006-04-24 | Meta learning for question classification |
PCT/US2007/061061 WO2007090033A2 (en) | 2006-02-01 | 2007-01-25 | Meta learning for question classification |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009525547A true JP2009525547A (ja) | 2009-07-09 |
JP2009525547A5 JP2009525547A5 (ja) | 2010-03-11 |
Family
ID=38328097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008553450A Pending JP2009525547A (ja) | 2006-02-01 | 2007-01-25 | 質問分類のためのメタ学習 |
Country Status (3)
Country | Link |
---|---|
US (1) | US7603330B2 (ja) |
JP (1) | JP2009525547A (ja) |
WO (1) | WO2007090033A2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017076403A (ja) * | 2015-10-16 | 2017-04-20 | バイドゥ・ユーエスエイ・リミテッド・ライアビリティ・カンパニーBaidu USA LLC | 人間から示唆を得た簡単質問応答(hisqa)システム及び方法 |
JP2018533148A (ja) * | 2015-10-02 | 2018-11-08 | ネイバー コーポレーションNAVER Corporation | データのカテゴリ分類のための方法およびシステム |
JP2019057280A (ja) * | 2017-09-18 | 2019-04-11 | タタ・コンサルタンシー・サーヴィシズ・リミテッド | トレーニングデータにおける言語的トレーニングバイアスを補正するための技法 |
WO2019235283A1 (ja) * | 2018-06-05 | 2019-12-12 | 日本電信電話株式会社 | モデル学習装置、方法及びプログラム |
Families Citing this family (107)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7930263B2 (en) * | 2007-01-12 | 2011-04-19 | Health Information Flow, Inc. | Knowledge utilization |
US7966316B2 (en) * | 2008-04-15 | 2011-06-21 | Microsoft Corporation | Question type-sensitive answer summarization |
US8332394B2 (en) | 2008-05-23 | 2012-12-11 | International Business Machines Corporation | System and method for providing question and answers with deferred type evaluation |
US8275803B2 (en) * | 2008-05-14 | 2012-09-25 | International Business Machines Corporation | System and method for providing answers to questions |
US20100057708A1 (en) * | 2008-09-03 | 2010-03-04 | William Henry Billingsley | Method and System for Computer-Based Assessment Including a Search and Select Process |
US8407158B2 (en) * | 2008-09-19 | 2013-03-26 | Verizon Patent And Licensing Inc. | System and method for providing interactive troubleshooting |
CN101739484B (zh) | 2008-11-07 | 2012-08-22 | 北京索为高科系统技术有限公司 | 一种基于知识组件的工程设计方法 |
US8788498B2 (en) * | 2009-06-15 | 2014-07-22 | Microsoft Corporation | Labeling data samples using objective questions |
US9904436B2 (en) | 2009-08-11 | 2018-02-27 | Pearl.com LLC | Method and apparatus for creating a personalized question feed platform |
US9646079B2 (en) | 2012-05-04 | 2017-05-09 | Pearl.com LLC | Method and apparatus for identifiying similar questions in a consultation system |
US8788260B2 (en) * | 2010-05-11 | 2014-07-22 | Microsoft Corporation | Generating snippets based on content features |
US8892550B2 (en) | 2010-09-24 | 2014-11-18 | International Business Machines Corporation | Source expansion for information retrieval and information extraction |
US9569724B2 (en) | 2010-09-24 | 2017-02-14 | International Business Machines Corporation | Using ontological information in open domain type coercion |
US20120078062A1 (en) | 2010-09-24 | 2012-03-29 | International Business Machines Corporation | Decision-support application and system for medical differential-diagnosis and treatment using a question-answering system |
WO2012040356A1 (en) | 2010-09-24 | 2012-03-29 | International Business Machines Corporation | Providing question and answers with deferred type evaluation using text with limited structure |
US8943051B2 (en) | 2010-09-24 | 2015-01-27 | International Business Machines Corporation | Lexical answer type confidence estimation and application |
WO2012040350A1 (en) | 2010-09-24 | 2012-03-29 | International Business Machines Corporation | Lexical answer type confidence estimation and application |
WO2012047530A1 (en) | 2010-09-28 | 2012-04-12 | International Business Machines Corporation | Providing answers to questions using logical synthesis of candidate answers |
US9317586B2 (en) | 2010-09-28 | 2016-04-19 | International Business Machines Corporation | Providing answers to questions using hypothesis pruning |
US8738617B2 (en) * | 2010-09-28 | 2014-05-27 | International Business Machines Corporation | Providing answers to questions using multiple models to score candidate answers |
US9292667B1 (en) | 2010-11-10 | 2016-03-22 | Amazon Technologies, Inc. | Location based community |
US8799188B2 (en) * | 2011-02-08 | 2014-08-05 | International Business Machines Corporation | Algorithm engine for use in a pattern matching accelerator |
CN102903008B (zh) | 2011-07-29 | 2016-05-18 | 国际商业机器公司 | 用于计算机问答的方法及系统 |
US9098547B1 (en) * | 2012-03-23 | 2015-08-04 | The Mathworks, Inc. | Generation of results to a search query with a technical computing environment (TCE)-based search engine |
US9501580B2 (en) | 2012-05-04 | 2016-11-22 | Pearl.com LLC | Method and apparatus for automated selection of interesting content for presentation to first time visitors of a website |
US9275038B2 (en) * | 2012-05-04 | 2016-03-01 | Pearl.com LLC | Method and apparatus for identifying customer service and duplicate questions in an online consultation system |
US9229974B1 (en) | 2012-06-01 | 2016-01-05 | Google Inc. | Classifying queries |
US10621880B2 (en) | 2012-09-11 | 2020-04-14 | International Business Machines Corporation | Generating secondary questions in an introspective question answering system |
US9171478B2 (en) * | 2013-03-15 | 2015-10-27 | International Business Machines Corporation | Learning model for dynamic component utilization in a question answering system |
US9262938B2 (en) | 2013-03-15 | 2016-02-16 | International Business Machines Corporation | Combining different type coercion components for deferred type evaluation |
US10346626B1 (en) * | 2013-04-01 | 2019-07-09 | Amazon Technologies, Inc. | Versioned access controls |
US9728184B2 (en) | 2013-06-18 | 2017-08-08 | Microsoft Technology Licensing, Llc | Restructuring deep neural network acoustic models |
US9589565B2 (en) | 2013-06-21 | 2017-03-07 | Microsoft Technology Licensing, Llc | Environmentally aware dialog policies and response generation |
US9311298B2 (en) | 2013-06-21 | 2016-04-12 | Microsoft Technology Licensing, Llc | Building conversational understanding systems using a toolset |
US9899021B1 (en) * | 2013-12-20 | 2018-02-20 | Amazon Technologies, Inc. | Stochastic modeling of user interactions with a detection system |
US10210156B2 (en) * | 2014-01-10 | 2019-02-19 | International Business Machines Corporation | Seed selection in corpora compaction for natural language processing |
US9324321B2 (en) | 2014-03-07 | 2016-04-26 | Microsoft Technology Licensing, Llc | Low-footprint adaptation and personalization for a deep neural network |
US9529794B2 (en) | 2014-03-27 | 2016-12-27 | Microsoft Technology Licensing, Llc | Flexible schema for language model customization |
US9614724B2 (en) | 2014-04-21 | 2017-04-04 | Microsoft Technology Licensing, Llc | Session-based device configuration |
US9520127B2 (en) * | 2014-04-29 | 2016-12-13 | Microsoft Technology Licensing, Llc | Shared hidden layer combination for speech recognition systems |
US10565533B2 (en) | 2014-05-09 | 2020-02-18 | Camelot Uk Bidco Limited | Systems and methods for similarity and context measures for trademark and service mark analysis and repository searches |
US11100124B2 (en) | 2014-05-09 | 2021-08-24 | Camelot Uk Bidco Limited | Systems and methods for similarity and context measures for trademark and service mark analysis and repository searches |
US9965547B2 (en) | 2014-05-09 | 2018-05-08 | Camelot Uk Bidco Limited | System and methods for automating trademark and service mark searches |
US10111099B2 (en) | 2014-05-12 | 2018-10-23 | Microsoft Technology Licensing, Llc | Distributing content in managed wireless distribution networks |
US9430667B2 (en) | 2014-05-12 | 2016-08-30 | Microsoft Technology Licensing, Llc | Managed wireless distribution network |
US9874914B2 (en) | 2014-05-19 | 2018-01-23 | Microsoft Technology Licensing, Llc | Power management contracts for accessory devices |
US10037202B2 (en) | 2014-06-03 | 2018-07-31 | Microsoft Technology Licensing, Llc | Techniques to isolating a portion of an online computing service |
US9740985B2 (en) | 2014-06-04 | 2017-08-22 | International Business Machines Corporation | Rating difficulty of questions |
US9367490B2 (en) | 2014-06-13 | 2016-06-14 | Microsoft Technology Licensing, Llc | Reversible connector for accessory devices |
US9717006B2 (en) | 2014-06-23 | 2017-07-25 | Microsoft Technology Licensing, Llc | Device quarantine in a wireless network |
US9892192B2 (en) | 2014-09-30 | 2018-02-13 | International Business Machines Corporation | Information handling system and computer program product for dynamically assigning question priority based on question extraction and domain dictionary |
US20160140216A1 (en) * | 2014-11-19 | 2016-05-19 | International Business Machines Corporation | Adjusting Fact-Based Answers to Consider Outcomes |
US10387793B2 (en) | 2014-11-25 | 2019-08-20 | International Business Machines Corporation | Automatic generation of training cases and answer key from historical corpus |
US9684714B2 (en) | 2014-12-22 | 2017-06-20 | International Business Machines Corporation | Using paraphrase metrics for answering questions |
US10147047B2 (en) | 2015-01-07 | 2018-12-04 | International Business Machines Corporation | Augmenting answer keys with key characteristics for training question and answer systems |
US9460386B2 (en) | 2015-02-05 | 2016-10-04 | International Business Machines Corporation | Passage justification scoring for question answering |
US20160232441A1 (en) * | 2015-02-05 | 2016-08-11 | International Business Machines Corporation | Scoring type coercion for question answering |
US10387430B2 (en) | 2015-02-26 | 2019-08-20 | International Business Machines Corporation | Geometry-directed active question selection for question answering systems |
US10325212B1 (en) | 2015-03-24 | 2019-06-18 | InsideView Technologies, Inc. | Predictive intelligent softbots on the cloud |
US9684876B2 (en) * | 2015-03-30 | 2017-06-20 | International Business Machines Corporation | Question answering system-based generation of distractors using machine learning |
WO2017003491A1 (en) * | 2015-07-02 | 2017-01-05 | Halliburton Energy Services, Inc. | Cognitive computing meeting facilitator |
US10878320B2 (en) | 2015-07-22 | 2020-12-29 | Qualcomm Incorporated | Transfer learning in neural networks |
EP3430531A1 (en) | 2016-03-16 | 2019-01-23 | Maluuba Inc. | Parallel-hierarchical model for machine comprehension on small data |
KR102201936B1 (ko) * | 2016-03-18 | 2021-01-12 | 구글 엘엘씨 | 신경망을 사용한 텍스트 세그먼트의 의존성 파스 생성 |
US10083451B2 (en) | 2016-07-08 | 2018-09-25 | Asapp, Inc. | Using semantic processing for customer support |
US9805371B1 (en) | 2016-07-08 | 2017-10-31 | Asapp, Inc. | Automatically suggesting responses to a received message |
US9842297B1 (en) * | 2016-09-29 | 2017-12-12 | International Business Machines Corporation | Establishing industry ground truth |
US11069335B2 (en) * | 2016-10-04 | 2021-07-20 | Cerence Operating Company | Speech synthesis using one or more recurrent neural networks |
US10984034B1 (en) * | 2016-10-05 | 2021-04-20 | Cyrano.ai, Inc. | Dialogue management system with hierarchical classification and progression |
US10977247B2 (en) * | 2016-11-21 | 2021-04-13 | International Business Machines Corporation | Cognitive online meeting assistant facility |
US10109275B2 (en) | 2016-12-19 | 2018-10-23 | Asapp, Inc. | Word hash language model |
CN106649746A (zh) * | 2016-12-26 | 2017-05-10 | 北京云知声信息技术有限公司 | 一种答案获取方法及装置 |
US11729120B2 (en) * | 2017-03-16 | 2023-08-15 | Microsoft Technology Licensing, Llc | Generating responses in automated chatting |
KR102304701B1 (ko) | 2017-03-28 | 2021-09-24 | 삼성전자주식회사 | 사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치 |
JP6897335B2 (ja) * | 2017-05-31 | 2021-06-30 | 富士通株式会社 | 学習プログラム、学習方法および物体検知装置 |
US20180365590A1 (en) * | 2017-06-19 | 2018-12-20 | International Business Machines Corporation | Assessment result determination based on predictive analytics or machine learning |
US11836611B2 (en) * | 2017-07-25 | 2023-12-05 | University Of Massachusetts | Method for meta-level continual learning |
US10497004B2 (en) | 2017-12-08 | 2019-12-03 | Asapp, Inc. | Automating communications using an intent classifier |
US10489792B2 (en) | 2018-01-05 | 2019-11-26 | Asapp, Inc. | Maintaining quality of customer support messages |
JP6973515B2 (ja) * | 2018-02-07 | 2021-12-01 | 日本電気株式会社 | 情報処理装置、情報処理方法及びプログラム |
US10210244B1 (en) | 2018-02-12 | 2019-02-19 | Asapp, Inc. | Updating natural language interfaces by processing usage data |
US11397851B2 (en) * | 2018-04-13 | 2022-07-26 | International Business Machines Corporation | Classifying text to determine a goal type used to select machine learning algorithm outcomes |
US10169315B1 (en) | 2018-04-27 | 2019-01-01 | Asapp, Inc. | Removing personal information from text using a neural network |
KR20200015048A (ko) | 2018-08-02 | 2020-02-12 | 삼성전자주식회사 | 메타-학습에 기반하여 기계학습의 모델을 선정하는 방법 및 장치 |
US11216510B2 (en) | 2018-08-03 | 2022-01-04 | Asapp, Inc. | Processing an incomplete message with a neural network to generate suggested messages |
US10747957B2 (en) | 2018-11-13 | 2020-08-18 | Asapp, Inc. | Processing communications using a prototype classifier |
US11551004B2 (en) | 2018-11-13 | 2023-01-10 | Asapp, Inc. | Intent discovery with a prototype classifier |
US11573991B2 (en) * | 2018-11-30 | 2023-02-07 | Samsung Electronics Co., Ltd. | Deep reinforcement learning-based multi-step question answering systems |
US10937416B2 (en) | 2019-02-01 | 2021-03-02 | International Business Machines Corporation | Cross-domain multi-task learning for text classification |
US11120225B2 (en) | 2019-02-05 | 2021-09-14 | International Business Machines Corporation | Updating an online multi-domain sentence representation generation module of a text classification system |
JP7259596B2 (ja) * | 2019-07-01 | 2023-04-18 | 富士通株式会社 | 予測プログラム、予測方法および予測装置 |
US11425064B2 (en) | 2019-10-25 | 2022-08-23 | Asapp, Inc. | Customized message suggestion with user embedding vectors |
CN110852447B (zh) * | 2019-11-15 | 2023-11-07 | 腾讯云计算(北京)有限责任公司 | 元学习方法和装置、初始化方法、计算设备和存储介质 |
CN111177379B (zh) * | 2019-12-20 | 2023-05-23 | 深圳市优必选科技股份有限公司 | 低精度问题的归类方法、智能终端及计算机可读存储介质 |
TWI737101B (zh) * | 2019-12-27 | 2021-08-21 | 財團法人工業技術研究院 | 問答學習方法、應用其之問答學習系統及其電腦程式產品 |
US20210279606A1 (en) * | 2020-03-09 | 2021-09-09 | Samsung Electronics Co., Ltd. | Automatic detection and association of new attributes with entities in knowledge bases |
WO2021234860A1 (ja) * | 2020-05-20 | 2021-11-25 | 日本電信電話株式会社 | 推定装置、学習装置、推定方法、学習方法及びプログラム |
US11907670B1 (en) | 2020-07-14 | 2024-02-20 | Cisco Technology, Inc. | Modeling communication data streams for multi-party conversations involving a humanoid |
US11875362B1 (en) | 2020-07-14 | 2024-01-16 | Cisco Technology, Inc. | Humanoid system for automated customer support |
CN111857343B (zh) * | 2020-07-21 | 2024-04-19 | 心行者科技(杭州)有限责任公司 | 一种能部分实现数字永生并可与用户交互的系统 |
US20220138585A1 (en) * | 2020-10-30 | 2022-05-05 | ConcertAI, LLC | Systems and methods for applying a lens function generated using supervised learning techniques to segment data provided to an unsupervised learning model |
CN112487805B (zh) * | 2020-11-30 | 2024-02-02 | 武汉大学 | 一种基于元学习框架的小样本Web服务分类方法 |
CN113269734B (zh) * | 2021-05-14 | 2023-04-07 | 成都市第三人民医院 | 一种基于元学习特征融合策略的肿瘤图像检测方法及装置 |
US20220374420A1 (en) * | 2021-05-24 | 2022-11-24 | Peter Relan | System and method for supporting ad hoc multilingual natural language database questions which are transformed in realtime to database queries using a suite of cascading, deep neural networks which are initially and continuously trained through schema information and question-query examples |
US20230128497A1 (en) * | 2021-10-22 | 2023-04-27 | Tekion Corp | Machine learning-implemented chat bot database query system for multi-format database queries |
US20230153534A1 (en) * | 2021-11-15 | 2023-05-18 | Adobe Inc. | Generating commonsense context for text using knowledge graphs |
CN114821136B (zh) * | 2022-04-11 | 2023-04-21 | 成都信息工程大学 | 一种自适应的云微粒子图像数据处理方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4638445A (en) | 1984-06-08 | 1987-01-20 | Mattaboni Paul J | Autonomous mobile robot |
US4884217A (en) | 1987-09-30 | 1989-11-28 | E. I. Du Pont De Nemours And Company | Expert system with three classes of rules |
US5717598A (en) | 1990-02-14 | 1998-02-10 | Hitachi, Ltd. | Automatic manufacturability evaluation method and system |
US5555403A (en) | 1991-11-27 | 1996-09-10 | Business Objects, S.A. | Relational database access system using semantically dynamic objects |
US5392382A (en) | 1992-12-01 | 1995-02-21 | Schoppers; Marcel J. | Automated plan synthesizer and plan execution method |
US5835684A (en) | 1994-11-09 | 1998-11-10 | Amada Company, Ltd. | Method for planning/controlling robot motion |
DE4440859C2 (de) | 1994-11-15 | 1998-08-06 | Alexander Kaske | Verfahren und Vorrichtung zum Steuern eines autonom explorierenden Roboters |
US6169981B1 (en) | 1996-06-04 | 2001-01-02 | Paul J. Werbos | 3-brain architecture for an intelligent decision and control system |
WO1998034825A1 (en) | 1997-02-07 | 1998-08-13 | Ge-Harris Railway Electronics, L.L.C. | A system and method for automatic train operation |
US6353814B1 (en) | 1997-10-08 | 2002-03-05 | Michigan State University | Developmental learning machine and method |
US6687685B1 (en) | 2000-04-07 | 2004-02-03 | Dr. Red Duke, Inc. | Automated medical decision making utilizing bayesian network knowledge domain modeling |
US6604094B1 (en) | 2000-05-25 | 2003-08-05 | Symbionautics Corporation | Simulating human intelligence in computers using natural language dialog |
US6766316B2 (en) | 2001-01-18 | 2004-07-20 | Science Applications International Corporation | Method and system of ranking and clustering for document indexing and retrieval |
EP1262844A1 (en) | 2001-06-01 | 2002-12-04 | Sony International (Europe) GmbH | Method for controlling a man-machine-interface unit |
US6954744B2 (en) * | 2001-08-29 | 2005-10-11 | Honeywell International, Inc. | Combinatorial approach for supervised neural network learning |
US7379993B2 (en) | 2001-09-13 | 2008-05-27 | Sri International | Prioritizing Bayes network alerts |
US7187790B2 (en) * | 2002-12-18 | 2007-03-06 | Ge Medical Systems Global Technology Company, Llc | Data processing and feedback method and system |
US20050278362A1 (en) | 2003-08-12 | 2005-12-15 | Maren Alianna J | Knowledge discovery system |
US7917460B2 (en) | 2004-06-30 | 2011-03-29 | Northrop Grumman Corporation | Systems and methods for generating a decision network from text |
-
2006
- 2006-04-24 US US11/410,443 patent/US7603330B2/en active Active
-
2007
- 2007-01-25 JP JP2008553450A patent/JP2009525547A/ja active Pending
- 2007-01-25 WO PCT/US2007/061061 patent/WO2007090033A2/en active Application Filing
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018533148A (ja) * | 2015-10-02 | 2018-11-08 | ネイバー コーポレーションNAVER Corporation | データのカテゴリ分類のための方法およびシステム |
JP2017076403A (ja) * | 2015-10-16 | 2017-04-20 | バイドゥ・ユーエスエイ・リミテッド・ライアビリティ・カンパニーBaidu USA LLC | 人間から示唆を得た簡単質問応答(hisqa)システム及び方法 |
JP2019057280A (ja) * | 2017-09-18 | 2019-04-11 | タタ・コンサルタンシー・サーヴィシズ・リミテッド | トレーニングデータにおける言語的トレーニングバイアスを補正するための技法 |
WO2019235283A1 (ja) * | 2018-06-05 | 2019-12-12 | 日本電信電話株式会社 | モデル学習装置、方法及びプログラム |
JPWO2019235283A1 (ja) * | 2018-06-05 | 2021-06-03 | 日本電信電話株式会社 | モデル学習装置、方法及びプログラム |
JP7031741B2 (ja) | 2018-06-05 | 2022-03-08 | 日本電信電話株式会社 | モデル学習装置、方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2007090033A3 (en) | 2008-01-17 |
WO2007090033A2 (en) | 2007-08-09 |
US20070203863A1 (en) | 2007-08-30 |
US7603330B2 (en) | 2009-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2009525547A (ja) | 質問分類のためのメタ学習 | |
Poliak et al. | Collecting diverse natural language inference problems for sentence representation evaluation | |
Guo | Deep learning approach to text analysis for human emotion detection from big data | |
CN111143576A (zh) | 一种面向事件的动态知识图谱构建方法和装置 | |
US7917460B2 (en) | Systems and methods for generating a decision network from text | |
Glickman et al. | A probabilistic classification approach for lexical textual entailment | |
Hassanpour et al. | A framework for the automatic extraction of rules from online text | |
Yadav et al. | A novel automated depression detection technique using text transcript | |
Atkinson-Abutridy | Text Analytics: An Introduction to the Science and Applications of Unstructured Information Analysis | |
KR102240910B1 (ko) | 머신 러닝 기반 한국 고객 서비스 어시스턴트 보조 시스템 | |
Daswani et al. | CollegeBot: A conversational AI approach to help students navigate college | |
Ahmed et al. | Temporal positional lexicon expansion for federated learning based on hyperpatism detection | |
Im et al. | Multilayer CARU Model for Text Summarization | |
Zhao et al. | Does attention mechanism possess the feature of human reading? A perspective of sentiment classification task | |
Alvarado et al. | Detecting Disaster Tweets using a Natural Language Processing technique | |
Saquete et al. | Combining automatic acquisition of knowledge with machine learning approaches for multilingual temporal recognition and normalization | |
Lilian et al. | Anti-negation method for handling negation words in question answering system | |
Suta et al. | Matching question and answer using similarity: an experiment with stack overflow | |
Jayale et al. | Aspect-Level Drug Reviews Sentiment Analysis and COVID-19 Drug prediction using PPI & Deep Learning | |
Ahmed et al. | Semi-supervised lexicon-aware embedding for news article time estimation | |
Zheng et al. | Answer selection in community question answering by normalizing support answers | |
Rahim | Measuring semantic similarity for Arabic sentences using machine learning | |
Ahmed et al. | Automatically temporal labeled data generation using positional lexicon expansion for focus time estimation of news articles | |
Wang | A study of the tasks and models in machine reading comprehension | |
Sinhababu et al. | Medical information retrieval and interpretation: a question-answer based interaction Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100122 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100122 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20100122 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20100209 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100223 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20100525 |