JP2021056941A - クラス分類と回帰分類を組み合わせたaiチャットボットの構築方法 - Google Patents
クラス分類と回帰分類を組み合わせたaiチャットボットの構築方法 Download PDFInfo
- Publication number
- JP2021056941A JP2021056941A JP2019181656A JP2019181656A JP2021056941A JP 2021056941 A JP2021056941 A JP 2021056941A JP 2019181656 A JP2019181656 A JP 2019181656A JP 2019181656 A JP2019181656 A JP 2019181656A JP 2021056941 A JP2021056941 A JP 2021056941A
- Authority
- JP
- Japan
- Prior art keywords
- input
- answer
- user
- information
- learning
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
例えば、特許文献1には、機械学習処理によりテキスト入力と回答情報との関係を学習し、学習結果である知識データに基づいてテキスト入力に適した回答情報を生成する(入力と入力に対する回答とのパターンであるチャットパターンの情報を保有し、これをもとに回答を生成する)、いわゆるAIチャットボットサーバー装置が記載されている。
また、直前の入力のみならず、それ以前の入力も再帰的に入力することにより、文脈を考慮して回答テキストを生成する人工知能(再帰的ニューラルネットワーク)を用いる例もある。
AIチャットボットによる自動回答は、単に雑談の相手をするだけではなく、コールセンターにおける問い合わせの受付けや、法律、医療などの高度な専門分野に関する回答など、幅広い用途が考えられる。
また、文脈を考慮して回答することを考慮して、再帰型のニューラルネットワークを用いて構築される人工知能チャットボットには、入力やそれに伴う処理量が増えることによってサーバー装置に高い負荷がかかるといった問題がある。また、勾配消失や勾配爆発が起きるなどして、期待通りの学習結果が得られるとは限らないといった問題もある。
そこで、特許文献2のように、チャットボットが受け付ける入力を予め定めた選択肢のみに限定し、その範囲で確実に動作するチャットボットが構築されることもある。しかし、予めプログラムされた選択肢の範囲内で動作するチャットボットは、すべての会話遷移パターンを予めプログラムすることがサービス提供側にとって負担となるし、動作としても単調なものにとどまるといった欠点がある。
所定のアルゴリズムにより次に前記利用者がする前記入力を予測して、当該予測の結果を次の入力候補として前記利用者に自動的に表示する入力候補表示装置と、
を備えることを特徴とする情報処理装置が提供される。
以下、図面を参照しながら、本発明の実施形態について説明する。
図1は、情報処理装置の一実施形態としてネットワークに接続された構成を示す図である。
利用者は、端末装置30を用いて情報処理装置10(以下、単に「装置10」と記す)にアクセスし、サービスを受ける。アクセスは、インターネット等のネットワーク20を介してなされる。利用者は、不特定の多数であってもよい。図1には接続態様の例として3台の端末装置30を記載しているが、接続する情報端末の数はこれに限定されず、例えば4台以上の任意の数であっても良い。
なお、図1に示す装置10は1台で構成され、回答装置15と候補表示装置16は装置10の構成要素として記載されているが、本発明はこの構成に限定されない。例えば、装置10、回答装置15、候補表示装置16は、複数台の情報処理装置で構成されていても良い。
次に、本実施形態の装置10のハードウェア構成について図2を用いて説明する。
図3は、装置10の機能的構成を示す機能ブロック図である。
このように、ログデータベース14にチャットの全記録を残すことにより、後述する回答データベース15c、回答学習用教師データ15e、入力データベース16bを生成するために活用したり、ログデータをビッグデータとして、分析対象として活用することができるようになる。
[送信データ生成の手順]
[回答装置15の機能構成と回答生成の手順]
回答学習演算部15bは、学習処理の結果である回答学習モデルを回答用人工知能アルゴリズム保存部15dに保存する。なお、回答学習演算部15bは、一度得られた重み係数を、例えば、バックプロパゲーション(誤差逆伝播法)を用いて更新してもよい。バックプロパゲーションは、出力側から入力側に向かって進みながら、各ニューロンの重みを局所誤差が小さくなるように修正する手法である。これにより、回答用人工知能アルゴリズムを目的に対してより誤差の少ないものに近づけることができる。
上記のペアの集合は、学習のための正例のデータであるが、適宜、学習のための負例のデータを準備してもよい。
上記の最も近似する回答指標iを求めるために、まず、あらかじめ、回答学習用教師データ15eの入力パターンとなるテキストを形態素解析により分解する。
ここで、形態素解析とは、自然言語で書かれた文字列を形態素(言語で意味を持つ最小単位)に分割する、コンピュータによる自然言語処理技術である。このような形態素解析については、公知の技術を用いることができる。
図8は、回答指標100001の「会社命令での半自宅待機だが労働基準法などには抵触しないか」という文章を形態素解析した結果の例である。形態素解析により、文章を意味上の最小単位に分解し、品詞ごとに分類することが可能となる。
文章のベクトル化によって、文章同士の類似度を定量的に把握することが可能となる。
回答推論部15aは、処理要求を受け取ると、入力されたテキストを形態素解析処理し、ベクトルデータに変換する。次に、既に計算された各回答候補のベクトルデータと当該入力されたテキストのベクトルデータのコサイン類似度を計算し、コサイン類似度の最も高い入力に対応する回答指標iを特定する。コサイン類似度は、ベクトル
、
として、以下の式によって求めることができる。
[候補表示装置16の機能構成と回答推論の手順]
また、候補推論部16aは、入力履歴データベース16cを参照し、統計的に予測をしてもよい。統計的に予測する手順は、過去のテキスト入力と、当該テキスト入力のn個前のテキスト入力を抽出し、入力履歴データベース16cから同じ組み合わせのテキスト入力の並びを検索して抽出する。そして、抽出された過去履歴の中から、次のテキスト入力を統計的に予測する。例えば、「入力されたテキストがA、その2個前がB、Cという順序」であった場合、候補推論部16aは、入力履歴データベース16cから「B、C、A」の入力の組み合わせを検索する。検索にあたっては、並び順を考慮して「B、C、A」のみを抽出してもよいし、並び順を考慮せず、「A、B、C」「B、C、A」「A、C、B」「B、A、C」「C、A、B」「C、B、A」のすべてを抽出してもよい。そして、抽出された入力履歴の次の入力履歴を多い順に抽出することによって入力候補を抽出する。例えば、「B、C、A」と一致する組み合わせと、その次に続く1個のテキスト入力を抽出したところ、「A、B、C、D」「B、C、A、E」「A、C、B、D」「B、A、C、F」「C、A、B、D」「C、B、A、F」という検索結果が得られたとする。この場合、「B、C、A」の組み合わせに続く入力候補として統計的に最も多いのはDであるから、Dを第一順位の入力候補と判断する。この場合、次に出現回数の多いFを第二順位の入力候補と判断してもよい。
上記のアルゴリズムは一例であり、これ以外のアルゴリズムによって入力候補を表示してもよいし、候補推論部16aの予測アルゴリズムが過度に固定的になることを防止するために、入力候補の一部にランダムに抽出された入力候補を混在させる構成としてもよい。
機械学習によって次の候補の推論をする方法は実施例2において後述する。
図13は、利用者が操作する端末装置30のインターフェースの例である。301aは利用者のテキスト入力であり、301bは入力に対する回答情報であり、301aと301bはチャットサービスにおける会話の履歴である。図13は上部のテキストほど古く、下部のテキストほど新しい表示例であるが、301aと301bの表示例はこの例に限られず、例えば、上部のテキストほど新しく、下部のテキストほど古くてもよい。
端末装置の利用者は、表示された次の入力候補301cの中から選択をすることによりテキスト入力をしてもよいし、入力候補を無視して自身が入力したいと考えるテキストを301dの入力エリアから入力してもよい。
利用者がテキストを入力すると、装置10は入力されたテキストに対応する送信データを生成して端末装置30に送信し、送信データを受信した端末装置30は、回答を301bに、その次に入力されることが予測される入力候補を301cに表示する。
候補表示装置16は、回答生成装置15が確実に認識するもののみを候補として表示するので、利用者は、入力候補を選択し続けていくことにより、確実に会話を進めることができる。また、利用者は、入力候補にないテキストを入力することもでき、これによって自分が知りたい回答情報にダイレクトにアクセスすることもできる。
これにより、「問い合わせしたい選択肢を見つけることができない」「該当する回答情報がなく有意な回答情報が得られない」といった、従来のチャットボットの欠点を補うAIチャットボットを構築することが可能となる。
実施例2として、候補推論部16aが、回答生成装置15とは異なる学習を行うことにより得られた人工知能アルゴリズムにより、次の候補を推論する方法について説明する。
数値に置き換える際には、図11のタグ情報を変換キーとして用いる。例えば、図11のタグ1、タグ2、タグ3は、相談分野の大項目、中項目、小項目を表すタグである。前述の通り、図11に記載されている各入力パターンに対して付加されるアノテーションの数に限定はなく、また、入力パターンごとに付与されるタグの数にはばらつきがあるが、本実施例による回帰分析をする場合には、最初のタグ1、タグ2、タグ3は分野を表すタグを保存する領域として予め確保しておき、すべての入力パターンにタグ1、タグ2、タグ3が付加されることとする。
そして、同じ名称のタグには同じ正の数値を割り当てて、タグ1の数値には100を、タグ2の数値には10を、タグ3の数値には1をそれぞれ乗じて足し合わせることによって入力パターンを数値化する。例えば、「労働」に1、「退職」に3、「退職届」に2の数値を割り当てた場合、回答指標100004の入力パターン「口頭で退職の意思を表明した場合、重ねて退職届を出す必要はあるか」は、132と数値化することができる。
タグごとに割り当てる数値は、同じ単語に同じ数値が重複して割り当てられないよう、任意に決定される。なお、タグ1、タグ2、タグ3の内部で10種類以上の単語がある場合には、整数ではなく小数を割り当てる。例えば、タグ1の種類として、労働、離婚、相続、といった異なる単語が存在するとして、その種類が10種類以内であれば、労働に1、離婚に2、相続に3、というように整数の値を割り当ててよいが、10種類以上の場合には、0.1、0.2という要領で小数値を割り当ててもよいが、このような処理をすると後述する文脈の違いが値の差として検出しにくくなるため、9.5、9.0、8.5といった要領で大きい数字から順に割り当てたり、タグ1に割り当てる桁数を2に増やしたり、タグ1の上に更に大きな項目を設けて、タグ1の種類を減らすなど、適宜割り当てのアルゴリズムやデータ形式を変更することが望ましい。
そして、同じ数値に変換された入力パターンが複数ある場合は、小数点以下の値に異なる値を割り振ることにより区別する。例えば、回答指標100004と同様に132と数値化された入力パターンがある場合は、132.1、132.2というように重複のない値となるように数値を割り当てる。なお、10以上の種類がある場合は小数点第二位以下の桁を用いる。
例えば、労働のトピックと離婚のトピックは100前後の値の差が生じることになるが、同じ労働のトピック内であれば値の差は相対的に小さくなり、タグ1、タグ2、タグ3のすべてが一致する入力パターンの数値の違いは1よりも小さくなる。
また、実施例3として、候補表示装置16を補助するために、強化学習装置17を用いて入力予測をする実施形態を説明する。
Q学習の場合、行動価値関数Q(s,a)の一般的な更新式である行動価値テーブルは、以下の数式(更新式)によって更新される。
強化学習においては、教師であるルールが存在しないため、学習当初は各々の状態sと行動aの組合せについて、正しい価値Q(s,a)の値は分かっていない。したがって、すべての状態とそのときに取り得る行動のs,aの組について、初期の価値Q(s,a)をランダムに決めておく。そして、報酬が付与されたときに、ある環境における最良の行動価値が、それ以前の環境における行動価値に順次伝搬するように行動価値関数を更新する。このプロセスを繰り返すことによって、時刻tにおける行動aの行動価値関数Qを、時刻t+1における最良の行動価値に近づけるように最適化する。
報酬計算部17aは、報酬更新イベントが発生した際に行動価値関数Qを更新する。報酬更新イベントは、チャットボットの対話がシステムの想定する望ましい状態まで続いて終了した場合(例えば、第3の実施形態に記載するような問い合わせ機能を用いて、利用者が問い合わせ行動を実施した場合)や、一定時間(例えば、10分間)利用者からの入力がなかった場合などである。例えば、利用者が問い合わせを実施するというイベントが発生し、そのイベントに報酬10が設定されていた場合には、その結果及びその他のパラメーター(例えば、利用開始からイベント発生までの時間など)に応じて報酬を決定する。
報酬増大基準を満たす場合(ステップS101:Yes)、報酬計算部17aは、報酬を増大させる(ステップS102)。報酬増大基準を満たさない場合(ステップS101:No)、報酬計算部17aは、報酬を減少させる(ステップS103)。
また、本実施例ではいくつかのパラメーター変数を最適化するために強化学習を行う方法を示したが、強化学習の対象はパラメーター変数を最適化に限られず、入力候補の選択や、利用者の挙動から同じ文脈で会話を継続すべきか、他の文脈に遷移すべきか、換言すれば、同じアノテーションの付加された入力候補を多く出すか、別のアノテーションの付加された入力候補を出すかの判断を強化学習アルゴリズムによって判断させてもよい。また、実施例2において説明したように、複数の予測アルゴリズムによって入力候補を生成した場合に、どの生成結果を重視すべきかを試行し、予測精度の高いアルゴリズムによって生成された生成結果を多く利用者に提示するようなパラメーター変数の調整を実施してもよい。
通常、文脈を理解するAIチャットボットを構築する場合には、再帰的ニューラルネットワークによる学習がなされることがある。例えば、「おなかがすいた」「中華料理のレストラン」という一連の入力がなされた場合に、連続する入力を総合的に認識して、中華料理のレストランを探していることを理解する動作を実現するために再帰的ニューラルネットワークが用いられることがある。再帰的ニューラルネットワークは、直近の入力だけでなく、それ以前の入力も考慮して次の行動を選択することができるため、「中華料理のレストラン」という入力だけでは理解できない「レストランを探す」という意図を認識することが可能となる。しかし、単一の人工知能で文脈を理解させる場合には、膨大な学習データが必要となるし、そのための計算負担も膨大なものとなる。また、この方法では利用者ごとに入力にバラツキがある場合への対処も学習によって吸収しなければならないし、学習データを増やしすぎることによって生じる過学習に対応する必要も生ずる。
他方で、本発明によると、人工知能アルゴリズムを組み合わせることにより、入力を認識するための人工知能は利用者の入力を精度よく認識できるよう集中して学習処理をすることができるようになるし、入力予測においては会話の流れをもとに次の入力を提示することのみに集中し、また、パラメーターの調整をする強化学習においては、回答データが増えすぎてかえって利用者が必要とする情報を探しづらくなる状況を避けるために入力候補の提示数を最適化することのみに集中することができるようになる。
本発明のように複数の人工知能を適切に配置することにより、より機能の高いチャットボットの構築が可能となる。
また、実施例4として、利用者がチャットボットを利用した履歴データをもとに、履歴データの生成や問い合わせ用の相談票を自動で生成する機能を設けることが考えられる。
まず、利用者が問い合わせの作成を開始する(ステップS201)。問い合わせは、例えばチャットボット内の会話で「問い合わせを開始する」と発話するなどすることにより開始することができる。問い合わせの作成を開始すると、問い合わせ生成部18aは問い合わせフォームデータベース18bから相談内容に応じた問い合わせフォームを選択する(ステップS202)とともに、ログデータベース14から、当該利用者の過去のテキスト入力を取得し(ステップS203)、また、入力候補データベースから関連する入力候補を取得して(ステップS204)、図21の自動問い合わせ生成画面180の「問い合わせ内容」表示部180aに過去のテキスト入力を、「関連するタグを追加で選択」表示部180bに関連する入力パターンを表示する(ステップS205、ステップS206)。この際、利用者は、問い合わせに記入したくないテキスト入力を×ボタンを押して削除することができる。また、「関連するタグを追加で選択」表示部180bで選択されたタグは、「問い合わせ内容」表示部180aに追加される。「問い合わせ内容」表示部180aに追加されたタグを削除したい場合は×ボタンを押して削除することができる。
さらに、追加質問部分180cには、利用者の年齢、性別、都道府県や、問い合わせに回答するために通常必要な質問項目が自動的に表示される。この質問項目は、問い合わせフォームデータベース18bに予め保存されている問い合わせフォームに付随する質問項目である。利用者は、必要に応じて表示された必要項目を選択する(ステップS207)。
さらに、問い合わせ内容表示部180dに質問事項を記入(ステップS208)した上で作成ボタン180eを押す(ステップS209)ことにより、問い合わせが電子的に生成される(ステップS210)。
作成された問い合わせは、電子メールに添付して送信したり、利用者が事後の相談をするために印刷したりして活用できる。
かかる機能により、利用者は自身の状況や相談内容を一から文章で入力することを要せずに、容易に問合せを生成することができるようになる。また、通常必要な質問項目が表示されることにより、相談に回答するために通常必要な情報を入力し忘れることにより生ずる再質問の手間を省くことができ、利用者がより簡便かつ迅速に回答を受領することができるようになる。
Claims (6)
- 1以上の入力パターンと、これに対する回答情報とを予め対応付けて記憶した回答データベースと、前記1以上の入力パターンと前記回答情報の対応関係を教師データとして教師あり学習を行うことにより得られた人工知能アルゴリズムにより、利用者の入力に応じた回答情報を自動的に提供する回答生成装置と、
所定のアルゴリズムにより次に前記利用者がする前記入力を予測して、当該予測の結果を次の入力候補として前記利用者に自動的に表示する入力候補表示装置と、
を備えることを特徴とする情報処理装置。 - 前記入力候補表示装置は、さらに、前記利用者又は/及び他の利用者の過去の入力及び入力順序を教師データとして、前記回答生成装置とは異なる学習を行うことにより得られた人工知能アルゴリズムにより、次に前記利用者がする前記入力を予測することを特徴とする、
請求項1に記載の情報処理装置。 - 前記情報処理装置は、さらに、前記利用者の利用が好ましい形態を呈するよう定められた報酬を設定してなされた強化学習を行うことにより得られた人工知能アルゴリズムにより、前記回答生成装置又は/及び前記入力候補表示装置の動作を制御することを特徴とする、
請求項1又は請求項2に記載の情報処理装置。 - 前記情報処理装置は、さらに、前記利用者の入力履歴を抽出し、抽出された前記入力履歴の全部又は一部を引用し、前記引用に前記利用者が追記をすることにより問い合わせを生成することができる問い合わせ生成装置を具備することを特徴とする、
請求項1から請求項3のいずれか一項に記載の情報処理装置。 - 1以上の入力パターンと、これに対する回答情報とを予め対応付けて記憶した回答データベースと、前記1以上の入力パターンと前記回答情報の対応関係を教師データとして教師あり学習を行うことにより得られた人工知能アルゴリズムにより、利用者の入力に応じた回答情報を自動的に提供する回答生成ステップと、
前記利用者又は/及び他の利用者の過去の入力及び入力順序を教師データとして、前記自動回答ステップとは異なる学習を行うことにより得られた人工知能アルゴリズムにより、次に前記利用者がする前記入力を予測して、当該予測の結果を次の入力候補として前記利用者に自動的に表示する入力候補表示ステップと、
を備える情報処理方法。 - 1以上の入力パターンと、これに対する回答情報とを予め対応付けて記憶した回答データベースと、前記1以上の入力パターンと前記回答情報の対応関係を教師データとして教師あり学習を行うことにより得られた人工知能アルゴリズムにより、利用者の入力に応じた回答情報を自動的に提供する回答生成ステップと、
前記利用者又は/及び他の利用者の過去の入力及び入力順序を教師データとして、前記自動回答ステップとは異なる学習を行うことにより得られた人工知能アルゴリズムにより、次に前記利用者がする前記入力を予測して、当該予測の結果を次の入力候補として前記利用者に自動的に表示する入力候補表示ステップと、
をコンピュータに実行させることを特徴とするプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019181656A JP6624539B1 (ja) | 2019-10-01 | 2019-10-01 | クラス分類と回帰分類を組み合わせたaiチャットボットの構築方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019181656A JP6624539B1 (ja) | 2019-10-01 | 2019-10-01 | クラス分類と回帰分類を組み合わせたaiチャットボットの構築方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6624539B1 JP6624539B1 (ja) | 2019-12-25 |
JP2021056941A true JP2021056941A (ja) | 2021-04-08 |
Family
ID=69100935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019181656A Active JP6624539B1 (ja) | 2019-10-01 | 2019-10-01 | クラス分類と回帰分類を組み合わせたaiチャットボットの構築方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6624539B1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4266193A1 (en) * | 2022-04-19 | 2023-10-25 | Enterprise Bot Private Limited | Autonomous conversational intelligence |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7237895B2 (ja) * | 2020-07-31 | 2023-03-13 | Kddi株式会社 | 情報処理装置、情報処理プログラム及び情報処理方法 |
CN113569025A (zh) * | 2021-07-23 | 2021-10-29 | 上海明略人工智能(集团)有限公司 | 数据处理的方法和装置、电子设备和存储介质 |
CN116955613B (zh) * | 2023-06-12 | 2024-02-27 | 广州数说故事信息科技有限公司 | 一种基于研报数据和大语言模型生成产品概念的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012068985A (ja) * | 2010-09-24 | 2012-04-05 | Yahoo Japan Corp | 質問回答検索装置及びその方法 |
JP2012150524A (ja) * | 2011-01-14 | 2012-08-09 | Toshiba Corp | 質問予測装置および質問予測方法 |
JP2019125145A (ja) * | 2018-01-16 | 2019-07-25 | ヤフー株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
JP2019521415A (ja) * | 2016-05-17 | 2019-07-25 | グーグル エルエルシー | メッセージ分類に基づくメッセージ交換スレッドの自動的拡張 |
JP6569846B1 (ja) * | 2018-03-02 | 2019-09-04 | 富士通株式会社 | 応答処理プログラム、応答処理方法、応答処理装置および応答処理システム |
-
2019
- 2019-10-01 JP JP2019181656A patent/JP6624539B1/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012068985A (ja) * | 2010-09-24 | 2012-04-05 | Yahoo Japan Corp | 質問回答検索装置及びその方法 |
JP2012150524A (ja) * | 2011-01-14 | 2012-08-09 | Toshiba Corp | 質問予測装置および質問予測方法 |
JP2019521415A (ja) * | 2016-05-17 | 2019-07-25 | グーグル エルエルシー | メッセージ分類に基づくメッセージ交換スレッドの自動的拡張 |
JP2019125145A (ja) * | 2018-01-16 | 2019-07-25 | ヤフー株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
JP6569846B1 (ja) * | 2018-03-02 | 2019-09-04 | 富士通株式会社 | 応答処理プログラム、応答処理方法、応答処理装置および応答処理システム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4266193A1 (en) * | 2022-04-19 | 2023-10-25 | Enterprise Bot Private Limited | Autonomous conversational intelligence |
Also Published As
Publication number | Publication date |
---|---|
JP6624539B1 (ja) | 2019-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210232763A1 (en) | Graphical systems and methods for human-in-the-loop machine intelligence | |
US12010073B2 (en) | Systems and processes for operating and training a text-based chatbot | |
JP6624539B1 (ja) | クラス分類と回帰分類を組み合わせたaiチャットボットの構築方法 | |
US9081411B2 (en) | Rapid development of virtual personal assistant applications | |
US9489625B2 (en) | Rapid development of virtual personal assistant applications | |
US11295071B2 (en) | Graphical systems and methods for human-in-the-loop machine intelligence | |
CN113360622B (zh) | 用户对话信息的处理方法、装置及计算机设备 | |
KR102285142B1 (ko) | 챗봇을 위한 학습 데이터 추천 장치 및 방법 | |
US20210398150A1 (en) | Method and computer network for gathering evaluation information from users | |
US11249751B2 (en) | Methods and systems for automatically updating software functionality based on natural language input | |
CN111898384A (zh) | 一种文本情感识别方法、装置、存储介质及电子设备 | |
KR20180072049A (ko) | 사용자 맞춤형 전문가 매칭 및 검색 시스템 및 그 방법 | |
KR20190075277A (ko) | 콘텐트 검색을 위한 방법 및 그 전자 장치 | |
Alterkavı et al. | Novel authorship verification model for social media accounts compromised by a human | |
US20200174776A1 (en) | Methods and systems for automated screen display generation and configuration | |
KR20210057308A (ko) | 머신러닝에 기반한 챗봇 서비스 제공방법 및 시스템 | |
US11314488B2 (en) | Methods and systems for automated screen display generation and configuration | |
US20230281252A1 (en) | Systems and methods for machine learning-enhanced pairing of user search stimuli-to-online digital profile data | |
CN115862840A (zh) | 关节疼痛疾病的智能辅助诊断方法和装置 | |
US11275903B1 (en) | System and method for text-based conversation with a user, using machine learning | |
Bouchachia et al. | Online and interactive self-adaptive learning of user profile using incremental evolutionary algorithms | |
JP2022075642A (ja) | 説明可能な予測に基づく共同議論のための討論者システム | |
CN115129833A (zh) | 具有人在回路策管的可扩展搜索、内容和对话管理系统 | |
Gu et al. | Robust and efficient algorithms for conversational contextual bandit | |
Rose Mary et al. | Text based smart answering system in agriculture using RNN. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191001 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20191001 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20191008 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191016 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191023 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191025 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191114 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6624539 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
R371 | Transfer withdrawn |
Free format text: JAPANESE INTERMEDIATE CODE: R371 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |