JP2022531594A - 類似のテキスト文書のクラスタリング及び動的再クラスタリング - Google Patents
類似のテキスト文書のクラスタリング及び動的再クラスタリング Download PDFInfo
- Publication number
- JP2022531594A JP2022531594A JP2021564921A JP2021564921A JP2022531594A JP 2022531594 A JP2022531594 A JP 2022531594A JP 2021564921 A JP2021564921 A JP 2021564921A JP 2021564921 A JP2021564921 A JP 2021564921A JP 2022531594 A JP2022531594 A JP 2022531594A
- Authority
- JP
- Japan
- Prior art keywords
- text
- records
- cluster
- record
- clusters
- 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
- 238000010801 machine learning Methods 0.000 claims abstract description 203
- 238000000034 method Methods 0.000 claims abstract description 117
- 230000004044 response Effects 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 185
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 description 47
- 238000007726 management method Methods 0.000 description 45
- 238000013528 artificial neural network Methods 0.000 description 39
- 238000012549 training Methods 0.000 description 31
- 239000000523 sample Substances 0.000 description 26
- 230000006854 communication Effects 0.000 description 24
- 238000004891 communication Methods 0.000 description 23
- 230000008901 benefit Effects 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000013500 data storage Methods 0.000 description 13
- 230000005484 gravity Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000000670 limiting effect Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000003058 natural language processing Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 239000000470 constituent Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000008929 regeneration Effects 0.000 description 4
- 238000011069 regeneration method Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 102100033973 Anaphase-promoting complex subunit 10 Human genes 0.000 description 3
- OAUWKHSGCCPXOD-UHFFFAOYSA-N DOC1 Natural products C1=CC(O)=C2C(CC(=O)NCCCCCNCCCNCCCNCCCN)=CNC2=C1 OAUWKHSGCCPXOD-UHFFFAOYSA-N 0.000 description 3
- 101000779315 Homo sapiens Anaphase-promoting complex subunit 10 Proteins 0.000 description 3
- 101000737813 Homo sapiens Cyclin-dependent kinase 2-associated protein 1 Proteins 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102100035353 Cyclin-dependent kinase 2-associated protein 1 Human genes 0.000 description 1
- 206010012586 Device interaction Diseases 0.000 description 1
- 102100028572 Disabled homolog 2 Human genes 0.000 description 1
- 101000866272 Homo sapiens Double C2-like domain-containing protein alpha Proteins 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
Description
この出願は、2019年5月3日に出願された米国非仮特許出願第62/843,007の利益を主張し、その全体が参照によりその内容を組み込む。
大企業は、多くの相互に関連する動作を伴う複雑なエンティティである。これらの幾つかは、人材(HR)、サプライチェーン、情報技術(IT)、財務等、企業全体で見られる。しかしながら、各企業はまた、本質的な能力を提供し、及び/又は競争上の優位性を創出する独自の動作を有する。
図1は、コンピューティングデバイス100を例示する簡略化されたブロック図であり、本明細書の実施形態に従って動作するように配置されたコンピューティングデバイス内に含まれ得るコンポーネントの内の幾つかを説明する。コンピューティングデバイス100は、クライアントデバイス(例えば、ユーザによってアクティブに動作されるデバイス)、サーバデバイス(例えば、クライアントデバイスに計算サービスを提供するデバイス)、又は他の何らかのタイプの計算プラットフォームであり得る。幾つかのサーバデバイスは、特定の動作を実施するためにクライアントデバイスとして時折動作し得、幾つかのクライアントデバイスはサーバの機構を組み込み得る。
図3は、例示的実施形態に従ったリモートネットワーク管理アーキテクチャを描写する。このアーキテクチャは、3つの主要なコンポーネント、管理されるネットワーク300と、リモートネットワーク管理プラットフォーム320と、サードパーティネットワーク340とを含み、全てはインターネット350を経由して接続される。
リモートネットワーク管理プラットフォーム320が、管理されるネットワーク300のデバイス、アプリケーション、及びサービスを管理するために、リモートネットワーク管理プラットフォーム320は、如何なるデバイスが管理されるネットワーク300内に存在するか、これらのデバイスの構成及び動作ステータス、並びにデバイスにより提供されるアプリケーション及びサービス、並びに発見されたデバイス、アプリケーション、及びサービス間の関係をまず判定し得る。上記のように、各デバイス、アプリケーション、サービス、及び関係は、構成アイテムと称され得る。管理されるネットワーク300内で構成アイテムを定義するプロセスは、発見と称され、プロキシサーバ312によって少なくとも部分的に容易にされ得る。
自然言語処理は、活動の中でもとりわけ、人間の言語の構造及び意味を理解するためにコンピュータを使用することを含む分野である。この判定された構造及び意味は、以下に説明するように、ITインシデントの処理に適用可能であり得る。
テキストの2つのサンプル間の類似性の程度は、様々な方法で判定され得る。テキストの2つのサンプルは、インシデントレポートのテキストフィールドと、別のインシデントレポートのテキストフィールド、解決されたインシデントレポートのテキストフィールド、知識ベースの記事、又はインシデントレポートの解決、分類、若しくはその他の態様に関連し得るテキストのその他の何らかのサンプルとであり得る。追加的又は代替的に、サンプルの一方又は両方は、テキストのより大きなサンプル内のテキストのセグメントであり得る。上記のように、テキストの2つのサンプル及び/又は単語行列内に存在する(複数の)単語の同一性の間の重複の程度は、類似性の程度を判定するために使用され得る。追加的又は代替的に、テキストのコンテクスト又は他のセマンティックなコンテンツがテキストのサンプル間の判定された類似値に影響を与えるように、自然言語処理の1つ以上の技術は、テキストのサンプルを比較するために適用され得る。
“単語ベクトル”は、類似の意味(又は“セマンティックなコンテンツ”)を有する単語が、セマンティックに符号化されたベクトル空間内で相互に近い単語ベクトルと関連付けられるように、テキストレコードのコーパスに存在する各単語に対して判定され得る。こうしたベクトルは、数十、数百、又はそれ以上の要素を有し得る。これらの単語ベクトルは、単語の基本的な意味が比較されること、さもなければコンピューティングデバイスにより動作されることを可能にする。したがって、単語ベクトルの使用は、より単純な単語リスト又は単語行列の方法よりも著しく改善可能であり得る。
以前に論じたように、ANNモデル(例えば、800、900)は、単語のコンパクトでセマンティックに関連するベクトル表現を提供するために、周囲のコンテクストを使用する。トレーニング後、類似の意味を有する単語は、ベクトル空間内の類似の位置にマッピングし得る。例えば、“強力”と“強い”に対するベクトルは相互に近くに出現し得る一方で、“強力”と“パリ”に対するベクトルは更に離れていてもよい。単語ベクトル間の加算及び減算にも意味がある。判定された単語ベクトル上にベクトル代数を使用すると、“王”-“男性”+“女性”=“女王”等の類推の質問に答え得る。
クエリ、インシデントレポート、知識ベースの記事、及び/又はその他のテキスト若しくは非テキストのレコードは、纏めてクラスタリングされ得る。こうしたクラスタリングは、様々な利点を提供するために実施され得る。例えば、クラスタリングは、システム又は組織の動作に関連性を有するレコードのセット内のパターン又はグループを識別するために、レコードのセットに適用され得る。こうしたグループは、進行中の問題と関連付けられた特定のクラスタに割り当てられたレコードの時間依存性を測定することによって、進行中の問題(例えば、ネットワークの停止、ネットワークベースのサービスとインターフェースするユーザの混乱)の追跡を容易にし得る。こうしたグループは、例えば、新たに受信したレポート間の類似性を識別することによって、新たに出現する問題の早期の識別を容易にし得る。幾つかの例では、クラスタリングは、類似のレポートのセットに応答するために必要な時間を削減するために、類似のレポート(例えば、同じクラスタに対応するレポート)を共通して操作することを可能にし得る。例えば、ネットワークの停止に関連し、単一のクラスタに割り当てられるレポートは全て、ネットワークの停止の解決に続く単一の動作で解決され得る。
インシデントレポートのトレーニングセット内のインシデントレポート(又はその他のレコード)の関連するクラスタを識別するためにMLモデルを生成すること、並びに新たに生成されたインシデントレポートを識別されたクラスタに後で割り当てるためにそのMLモデルを使用することは、様々な利点を提供し得る。しかしながら、MLモデルを最初に生成するプロセスは、計算コストが高くなり得る。したがって、MLモデルは、その最初の生成後、長期間使用され得る。しかしながら、時間の経過と共に新たなインシデントレポートが生成されるので、MLモデルの有効性は低下し得る。このことは、新たに生成されたインシデントレポート内の関連するインシデントレポートの新規のクラスタの存在、識別されたクラスタの経時的なプロパティの変化(例えば、機構空間内の移動)、又はその他のプロセスに関連し得る。したがって、MLモデルは、指定されたスケジュール又はその他の基準に従って、新たに生成されたインシデントレポートに全体的又は部分的に基づいて再生成され得る。
図13は、例示的実施形態を説明するフローチャートである。図13に説明されるプロセスは、コンピューティングデバイス100等のコンピューティングデバイス、及び/又はサーバクラスタ200等のコンピューティングデバイスのクラスタによって実行され得る。しかしながら、プロセスは、他のタイプのデバイス又はデバイスサブシステムによって実行され得る。例えば、プロセスは、ラップトップ又はタブレットデバイス等のポータブルコンピュータによって実行され得る。
本開示は、様々な態様の例証として意図されている、この出願で説明する特定の実施形態に関して限定されるべきではない。当業者には明らかであるように、その範囲から逸脱することなく、多くの修正及び変形がなされ得る。本明細書に説明したものに加えて、開示の範囲内の機能的に同等の方法及び装置は、前述の説明から当業者には明らかであろう。そうした修正及び変形は、添付の特許請求の範囲内にあることが意図されている。
Claims (20)
- 管理されるネットワーク専用のエンドユーザ計算インスタンスと、
予測計算インスタンスであって、
前記エンドユーザ計算インスタンスから第1のテキストレコードを受信することと、
テキストレコードのクラスタのセットを表す機械学習(ML)クラスタリングモデルによって、前記第1のテキストレコードがテキストレコードのクラスタの前記セット内の特定のクラスタに対応すると判定することと、
前記エンドユーザ計算インスタンスへ前記特定のクラスタの表現を送信することと、
前記エンドユーザ計算インスタンスから第2のテキストレコードを受信することと、
前記MLクラスタリングモデルによって、前記第2のテキストレコードがテキストレコードのクラスタの前記セットのテキストレコードの何れのクラスタにも対応しないと判定することと、
前記第2のテキストレコードがテキストレコードのクラスタの前記セットのテキストレコードの何れのクラスタにも対応しないと判定することに応答して、前記第2のテキストレコードを残余のテキストレコードの格納されたセットに追加することと、
残余のテキストレコードの格納された前記セットに基づいて、テキストレコードの追加のクラスタを識別することと、
前記エンドユーザ計算インスタンスへテキストレコードの前記追加のクラスタの表現を送信すること
を含む動作を実施するように構成された前記予測計算インスタンスと
を含む、リモートネットワーク管理プラットフォーム。 - 前記予測計算インスタンスによって実施される前記動作は、
前記第1のテキストレコードを受信することの前に、前記エンドユーザ計算インスタンスから前記MLクラスタリングモデルを受信すること
を更に含む、請求項1に記載のリモートネットワーク管理プラットフォーム。 - 前記予測計算インスタンスによって実施される前記動作は、
テキストレコードの前記追加のクラスタを更に表すために、前記MLクラスタリングモデルを拡張すること
を更に含む、請求項1に記載のリモートネットワーク管理プラットフォーム。 - 前記予測計算インスタンスによって実施される前記動作は、
拡張された前記MLクラスタリングモデルを前記エンドユーザ計算インスタンスへ送信すること
を更に含む、請求項3に記載のリモートネットワーク管理プラットフォーム。 - 前記予測計算インスタンスは第1の予測計算インスタンスであり、前記MLクラスタリングモデルは第1のMLクラスタリングモデルであり、前記第1の予測計算インスタンスによって実施される前記動作は、
前記第1のテキストレコードを受信することの前に、前記エンドユーザ計算インスタンスから第1の複数のテキストレコードを受信することと、
前記第1の複数のテキストレコードに基づいて前記第1のMLクラスタリングモデルを判定するために非確率的反復アルゴリズムを使用することであって、前記第1のMLクラスタリングモデルを判定するために前記非確率的反復アルゴリズムを使用することは、順番に、前記非確率的反復アルゴリズムを介して前記第1のMLクラスタリングモデルを更新するために前記第1の複数のテキストレコード内の各テキストレコードを使用することを含むこと
を更に含み、
前記リモートネットワーク管理プラットフォームは、第2の予測計算インスタンスであって、
前記エンドユーザ計算インスタンスから第3のテキストレコードを受信することと、
前記第2の予測計算インスタンスが前記エンドユーザ計算インスタンスに対応する最新のMLクラスタリングモデルを含まないと判定することと、
前記第2の予測計算インスタンスが前記エンドユーザ計算インスタンスに対応する最新のMLクラスタリングモデルを含まないと判定することに応答して、前記エンドユーザ計算インスタンスから、前記第1の複数のテキストレコード、前記第1の複数のテキストレコード内のテキストレコードの順序の指標、及び前記第1のテキストレコードを受信することと、
前記第1の複数のテキストレコード及び前記第1のテキストレコードに基づいて、テキストレコードのクラスタのセットを表す第2のMLクラスタリングモデルを判定するために、前記非確率的反復アルゴリズムを使用することであって、前記第2のMLクラスタリングモデルを判定するために前記非確率的反復アルゴリズムを使用することは、順番に、前記非確率的反復アルゴリズムを介して前記第2のMLクラスタリングモデルを更新するために前記第1の複数のテキストレコード内の各テキストレコード及び前記第1のテキストレコードを使用することを含むことと、
前記第2のMLクラスタリングモデルによって、前記第3のテキストレコードがテキストレコードのクラスタの前記セット内の第2の特定のクラスタに対応すると判定することと、
前記エンドユーザ計算インスタンスへ前記第2の特定のクラスタの表現を送信すること
を含む動作を実施するように構成された前記第2の予測計算インスタンスを更に含む、
請求項1に記載のリモートネットワーク管理プラットフォーム。 - 前記MLクラスタリングモデルは第1のMLクラスタリングモデルであり、前記予測計算インスタンスによって実施される前記動作は、
前記エンドユーザ計算インスタンスから追加のテキストレコードを受信することと、
反復更新プロセスを介して前記第1のMLクラスタリングモデルを更新するために、前記追加のテキストレコードの各々を使用することと、
モデルリフレッシュ基準が満たされていると判定することと、
前記モデルリフレッシュ基準が満たされていると判定することに応答して、前記追加のテキストレコードに基づいて、テキストレコードのクラスタの第2のセットを表す第2のMLクラスタリングモデルを判定することであって、前記第2のMLクラスタリングモデルの各クラスタは、前記追加のテキストレコード内のテキストレコードの個別のセットに対応すること
を更に含む、請求項1に記載のリモートネットワーク管理プラットフォーム。 - 前記予測計算インスタンスによって実施される前記動作は、
前記第1のMLクラスタリングモデルによって表されるテキストレコードのクラスタの第1のセットの優先クラスタの指標を受信することであって、前記追加のテキストレコードに基づいて前記第2のMLクラスタリングモデルを判定することは、前記優先クラスタに基づいて前記第2のMLクラスタリングモデルのテキストレコードのクラスタの第2のセット内の第1のクラスタを判定することを含むこと
を更に含む、請求項6に記載のリモートネットワーク管理プラットフォーム。 - 前記MLクラスタリングモデルによって、前記第1のテキストレコードが、テキストレコードのクラスタの前記セットから選択された前記特定のクラスタに対応すると判定するすることは、
(i)第1のセマンティックに符号化されたベクトル空間内において前記第1のテキストレコードの個別の単語の意味を説明する単語ベクトルを判定するために前記MLモデルを使用し、前記特定のクラスタに対応する、前記第1のセマンティックに符号化されたベクトル空間内の位置又はボリュームの内の少なくとも1つと前記単語ベクトルを比較すること、又は
(ii)第2のセマンティックに符号化されたベクトル空間内において前記第1のテキストレコードの複数の単語の意味を説明する段落ベクトルを判定するために前記MLモデルを使用し、前記特定のクラスタに対応する、前記第2のセマンティックに符号化されたベクトル空間内の位置又はボリュームの内の少なくとも1つと前記段落ベクトルを比較すること
の内の少なくとも1つを含む、請求項1に記載のリモートネットワーク管理プラットフォーム。 - 前記MLクラスタリングモデルは、前記MLクラスタリングモデルによって表されるテキストレコードのクラスタの各セットの、ベクトル空間内における個別の位置を含み、前記MLクラスタリングモデルによって、前記第1のテキストレコードが、テキストレコードのクラスタの前記セットから選択された前記特定のクラスタに対応すると判定することは、
前記第1のテキストレコードに基づいて、前記ベクトル空間内の第1のテキストレコードの位置を判定することと、
前記第1のテキストレコードの位置と前記特定のクラスタの位置との間の前記ベクトル空間内の距離が閾値距離未満であると判定すること
を含む、請求項1に記載のリモートネットワーク管理プラットフォーム。 - 予測計算インスタンスによって、及びエンドユーザ計算インスタンスから、第1のテキストレコードを受信することであって、前記エンドユーザ計算インスタンスは管理されるネットワークに専用であり、前記予測計算インスタンス及び前記エンドユーザ計算インスタンスは両方とも、リモートネットワーク管理プラットフォーム内に配置されることと、
テキストレコードのクラスタのセットを表す前記予測計算インスタンスの機械学習(ML)クラスタリングモデルによって、前記第1のテキストレコードが、テキストレコードのクラスタの前記セットから選択された特定のクラスタに対応すると判定することと、
前記予測計算インスタンスによって、及び前記エンドユーザ計算インスタンスへ、前記特定のクラスタの表現を送信することと、
前記予測計算インスタンスによって、及び前記エンドユーザ計算インスタンスから、第2のテキストレコードを受信することと、
前記MLクラスタリングモデルによって、前記第2のテキストレコードがテキストレコードのクラスタの前記セットのテキストレコードの何れのクラスタにも対応しないと判定することと、
前記第2のテキストレコードがテキストレコードのクラスタの前記セットのテキストレコードの何れのクラスタにも対応しないと判定することに応答して、前記予測計算インスタンスによって、残余のテキストレコードの格納されたセットに前記第2のテキストレコードを追加することと、
前記予測計算インスタンスによって、残余のテキストレコードの格納された前記セットに基づいてテキストレコードの追加のクラスタを識別することと、
前記予測計算インスタンスによって、及び前記エンドユーザ計算インスタンスへ、テキストレコードの前記追加のクラスタの表現を送信すること
を含むコンピュータ実装方法。 - 前記予測計算インスタンスは第1の予測計算インスタンスであり、前記MLクラスタリングモデルは第1のMLクラスタリングモデルであり、前記コンピュータ実装方法は、
前記第1の予測計算インスタンスによって、及び前記第1のテキストレコードを受信することの前に前記エンドユーザ計算インスタンスから、第1の複数のテキストレコードを受信することと、
前記第1のテキストレコードを受信することの前に、前記第1の予測計算インスタンスによって、前記第1の複数のテキストレコードに基づいて前記第1のMLクラスタリングモデルを判定するために非確率的反復アルゴリズムを使用することであって、前記第1のMLクラスタリングモデルを判定するために前記非確率的反復アルゴリズムを使用することは、順番に、前記非確率的反復アルゴリズムを介して前記第1のMLクラスタリングモデルを更新するために前記第1の複数のテキストレコード内の各テキストレコードを使用することを含むことと、
第2の予測計算インスタンスによって、及び前記エンドユーザ計算インスタンスから、第2のテキストレコードを受信することと、
前記第2の予測計算インスタンスによって、前記第2の予測計算インスタンスが、前記エンドユーザ計算インスタンスに対応する最新のMLクラスタリングモデルを含まないと判定することと、
前記第2の予測計算インスタンスが、前記エンドユーザ計算インスタンスに対応する最新のMLクラスタリングモデルを含まないと判定することに応答して、前記第2の予測計算インスタンスによって、及び前記エンドユーザ計算インスタンスから、前記第1の複数のテキストレコード、前記第1の複数のテキストレコード内のテキストレコードの順序の指標、及び前記第1のテキストレコードを受信することと、
前記第2の予測計算インスタンスによって、前記第1の複数のテキストレコード及び前記第1のテキストレコードに基づいてテキストレコードのクラスタのセットを表す第2のMLクラスタリングモデルを判定するために前記非確率的反復アルゴリズムを使用することであって、前記第2のMLクラスタリングモデルを判定するために前記非確率的反復アルゴリズムを使用することは、順番に、前記非確率的反復アルゴリズムを介して前記第2のMLクラスタリングモデルを更新するために前記第1の複数のテキストレコード内の各テキストレコード及び前記第1のテキストレコードを使用することを含むことと、
前記第2のMLクラスタリングモデルによって、前記第2のテキストレコードが、テキストレコードのクラスタの前記セットから選択された特定のクラスタに対応すると判定することと、
前記第2の予測計算インスタンスによって、及び前記エンドユーザ計算インスタンスへ、前記特定のクラスタの表現を送信すること
を更に含む、請求項10に記載のコンピュータ実装方法。 - 前記MLクラスタリングモデルによって、前記第1のテキストレコードが、テキストレコードのクラスタの前記セットから選択された前記特定のクラスタに対応すると判定することは、
(i)第1のセマンティックに符号化されたベクトル空間内において前記第1のテキストレコードの個別の単語の意味を説明する単語ベクトルを判定するために前記MLモデルを使用し、前記特定のクラスタに対応する、前記第1のセマンティックに符号化されたベクトル空間内の位置又はボリュームの内の少なくとも1つと前記単語ベクトルを比較すること、又は
(ii)第2のセマンティックに符号化されたベクトル空間内において前記第1のテキストレコードの複数の単語の意味を説明する段落ベクトルを判定するために前記MLモデルを使用し、前記第2のセマンティックに符号化されたベクトル空間内の位置又はボリュームの内の少なくとも1つと前記段落ベクトルを比較すること
の内の少なくとも1つを含む、請求項10に記載のコンピュータ実装方法。 - 前記MLクラスタリングモデルは、前記MLクラスタリングモデルによって表されるテキストレコードのクラスタの各セットのベクトル空間内の個別の位置を含み、前記MLクラスタリングモデルによって、前記第1のテキストレコードが、テキストレコードのクラスタの前記セットから選択された前記特定のクラスタに対応すると判定することは、
前記第1のテキストレコードに基づいて、前記ベクトル空間内の第1のテキストレコードの位置を判定することと、
前記第1のテキストレコードの位置と前記特定のクラスタの位置との間の前記ベクトル空間内の距離が閾値距離未満であると判定すること
を含む、請求項10に記載のコンピュータ実装方法。 - クラスタに分割された複数のテキストレコードと前記テキストレコードの残余のセットとを取得することであって、機械学習(ML)クラスタリングモデルは、類似性メトリックに基づいて前記複数のテキストレコードを分割したことと、
クライアントデバイスから、クエリを表す特定のテキストレコードを受信することと、
前記MLクラスタリングモデルを経由して、及び前記類似性メトリックに基づいて、前記特定のテキストレコードが前記クラスタの何れにも適合しないと判定することと、
前記特定のテキストレコードが前記クラスタの何れにも適合しないと判定することに応答して、前記特定のテキストレコードを前記テキストレコードの前記残余のセットに追加すること
を含む、コンピュータ実装方法。 - 前記クライアントデバイスから、第2のクエリを表す第2の特定のテキストレコードを受信することと、
前記MLクラスタリングモデルを経由して、及び前記類似性メトリックに基づいて、前記第2の特定のテキストレコードが前記クラスタの特定のクラスタに適合すると判定することと、
前記第2の特定のテキストレコードが前記クラスタの前記特定のクラスタに適合すると判定することに応答して、前記第2の特定のテキストレコードを前記特定のクラスタに追加すること
を更に含む、請求項14に記載のコンピュータ実装方法。 - 前記特定のテキストレコードが前記特定のクラスタに適合すると判定することは、前記特定のテキストレコードが他の全てのクラスタに適合するよりも前記特定のテキストレコードが前記特定のクラスタにより良く適合することを前記類似性メトリックが指し示すと判定することを含む、請求項15に記載のコンピュータ実装方法。
- 前記特定のテキストレコードが前記特定のクラスタに適合すると判定することは、前記特定のテキストレコードが指定された閾値類似性を超える程度に前記特定のクラスタに適合することを前記類似性メトリックが指し示すと判定することを含む、請求項15に記載のコンピュータ実装方法。
- 前記MLクラスタリングモデルは、前記テキストレコードの前記クラスタの各々のベクトル空間内の個別の位置を含み、前記第2の特定のテキストレコードが前記特定のクラスタに適合すると判定することは、
前記第2の特定のテキストレコードに基づいて、前記ベクトル空間内の第2のテキストレコードの位置を判定することと、
前記第2のテキストレコードの位置と前記特定のクラスタの位置との間の前記ベクトル空間内の距離が閾値距離未満であると判定すること
を含む、請求項15に記載のコンピュータ実装方法。 - 前記MLクラスタリングモデルを経由して、前記テキストレコードの前記残余のセットが更なるクラスタを含むことを識別することと、
前記テキストレコードの前記クラスタに前記更なるクラスタを追加することと、
前記テキストレコードの前記残余のセットから、前記更なるクラスタの構成テキストレコードを削除すること
を更に含む、請求項14に記載のコンピュータ実装方法。 - 前記特定のテキストレコードが前記クラスタの何れにも適合しないと判定することは、
(i)第1のセマンティックに符号化されたベクトル空間内において前記特定のテキストレコードの個別の単語の意味を説明する単語ベクトルを判定するために前記MLクラスタリングモデルを使用し、前記クラスタに夫々対応する、前記第1のセマンティックに符号化されたベクトル空間内の位置又はボリュームの内の少なくとも1つと前記単語ベクトルを比較すること、又は
(ii)第2のセマンティックに符号化されたベクトル空間内において前記特定のテキストレコードの複数の単語の意味を説明する段落ベクトルを判定するために前記MLモデルを使用し、前記クラスタに夫々対応する、前記第2のセマンティックに符号化されたベクトル空間内の位置又はボリュームの内の少なくとも1つと前記段落ベクトルを比較すること
の内の少なくとも1つを含む、請求項14に記載のコンピュータ実装方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962843007P | 2019-05-03 | 2019-05-03 | |
US62/843,007 | 2019-05-03 | ||
US16/434,888 | 2019-06-07 | ||
US16/434,888 US11586659B2 (en) | 2019-05-03 | 2019-06-07 | Clustering and dynamic re-clustering of similar textual documents |
PCT/US2020/031173 WO2020227150A1 (en) | 2019-05-03 | 2020-05-01 | Clustering and dynamic re-clustering of similar textual documents |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022531594A true JP2022531594A (ja) | 2022-07-07 |
JP7462678B2 JP7462678B2 (ja) | 2024-04-05 |
Family
ID=73016230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021564921A Active JP7462678B2 (ja) | 2019-05-03 | 2020-05-01 | 類似のテキスト文書のクラスタリング及び動的再クラスタリング |
Country Status (6)
Country | Link |
---|---|
US (2) | US11586659B2 (ja) |
EP (1) | EP3963475A1 (ja) |
JP (1) | JP7462678B2 (ja) |
KR (1) | KR20220002652A (ja) |
AU (1) | AU2020270417B2 (ja) |
WO (1) | WO2020227150A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200410091A1 (en) * | 2019-06-25 | 2020-12-31 | Paypal, Inc. | Threat Detection Using Machine Learning Query Analysis |
CN111191428B (zh) * | 2019-12-27 | 2022-02-25 | 北京百度网讯科技有限公司 | 评论信息处理方法、装置、计算机设备和介质 |
CN114398534B (zh) * | 2021-01-05 | 2023-09-12 | 上海邮电设计咨询研究院有限公司 | 事件聚类文本检索系统 |
CN113420142A (zh) * | 2021-05-08 | 2021-09-21 | 广东恒宇信息科技有限公司 | 一种个性化自动文摘算法 |
CN113282756B (zh) * | 2021-06-29 | 2023-01-10 | 华南农业大学 | 一种基于混合聚类的文本聚类智能评估方法 |
US11695645B2 (en) * | 2021-09-08 | 2023-07-04 | Capital One Services, Llc | Methods and systems for dynamic re-clustering of nodes in computer networks using machine learning models |
US20230325424A1 (en) * | 2022-04-08 | 2023-10-12 | Language Logic, Llc | Systems and methods for generating codes and code books based using cosine proximity |
CN115017269B (zh) * | 2022-08-05 | 2022-10-25 | 中科雨辰科技有限公司 | 一种确定相似文本的数据处理系统 |
CN116910259B (zh) * | 2023-09-12 | 2024-04-16 | 深圳须弥云图空间科技有限公司 | 一种知识库的知识诊断方法及装置 |
CN117688140B (zh) * | 2024-02-04 | 2024-04-30 | 深圳竹云科技股份有限公司 | 文档查询方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008171418A (ja) * | 2006-12-23 | 2008-07-24 | Ntt Docomo Inc | コンテキストデータのセマンティック分類を自動的に決定する方法及び装置 |
US20170243112A1 (en) * | 2016-02-24 | 2017-08-24 | International Business Machines Corporation | Deep learning approach to identify comparative reference incidents |
US20190102682A1 (en) * | 2017-10-02 | 2019-04-04 | Servicenow, Inc. | Machine Learning Classification with Confidence Thresholds |
Family Cites Families (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6983321B2 (en) | 2000-07-10 | 2006-01-03 | Bmc Software, Inc. | System and method of enterprise systems and business impact management |
US6609122B1 (en) | 2000-08-01 | 2003-08-19 | Bmc Software, Inc. | Navigation of view relationships in database system |
US7028301B2 (en) | 2000-12-08 | 2006-04-11 | Bmc Software, Inc. | System and method for automatic workload characterization |
US7170864B2 (en) | 2001-03-08 | 2007-01-30 | Bmc Software, Inc. | System and method for WAP server management using a single console |
US7506047B2 (en) | 2001-03-30 | 2009-03-17 | Bmc Software, Inc. | Synthetic transaction monitor with replay capability |
US7089245B1 (en) | 2001-08-31 | 2006-08-08 | Bmc Software, Inc. | Service desk data transfer interface |
US7617073B2 (en) | 2002-03-01 | 2009-11-10 | Bmc Software, Inc. | System and method for assessing and indicating the health of components |
US7131037B1 (en) | 2002-06-05 | 2006-10-31 | Proactivenet, Inc. | Method and system to correlate a specific alarm to one or more events to identify a possible cause of the alarm |
US7020706B2 (en) | 2002-06-17 | 2006-03-28 | Bmc Software, Inc. | Method and system for automatically updating multiple servers |
US7062683B2 (en) | 2003-04-22 | 2006-06-13 | Bmc Software, Inc. | Two-phase root cause analysis |
US7945860B2 (en) | 2003-05-14 | 2011-05-17 | Hewlett-Packard Development Company, L.P. | Systems and methods for managing conversations between information technology resources |
US7925981B2 (en) | 2003-05-14 | 2011-04-12 | Hewlett-Packard Development Company, L.P. | Systems and methods for managing web services via a framework of interfaces |
US7882213B2 (en) | 2003-06-03 | 2011-02-01 | Bmc Software, Inc. | Network management system to monitor managed elements |
US7689628B2 (en) | 2005-05-19 | 2010-03-30 | Atul Garg | Monitoring several distributed resource elements as a resource pool |
US8224683B2 (en) | 2003-07-08 | 2012-07-17 | Hewlett-Packard Development Company, L.P. | Information technology service request level of service monitor |
US7133884B1 (en) | 2003-11-26 | 2006-11-07 | Bmc Software, Inc. | Unobtrusive point-in-time consistent copies |
US7219085B2 (en) | 2003-12-09 | 2007-05-15 | Microsoft Corporation | System and method for accelerating and optimizing the processing of machine learning techniques using a graphics processing unit |
WO2006069359A2 (en) | 2004-12-21 | 2006-06-29 | Bmc Software, Inc. | System and method for business service management and modeling |
US7716353B2 (en) | 2005-12-21 | 2010-05-11 | Bmc Software, Inc. | Web services availability cache |
US7610512B2 (en) | 2006-01-06 | 2009-10-27 | Hewlett-Packard Development Company, L.P. | System and method for automated and assisted resolution of it incidents |
US8887133B2 (en) | 2006-04-28 | 2014-11-11 | Bmc Software, Inc. | Bi-directional communication between change management tool and implementation tools |
US8555287B2 (en) | 2006-08-31 | 2013-10-08 | Bmc Software, Inc. | Automated capacity provisioning method using historical performance data |
US8924938B2 (en) | 2006-09-28 | 2014-12-30 | Nec Laboratories America, Inc. | Software testing using machine learning |
US8051164B2 (en) | 2007-12-14 | 2011-11-01 | Bmc Software, Inc. | Impact propagation in a directed acyclic graph having restricted views |
US20100023515A1 (en) * | 2008-07-28 | 2010-01-28 | Andreas Marx | Data clustering engine |
US8266096B2 (en) | 2008-10-24 | 2012-09-11 | Bmc Software, Inc. | Vendor portfolio management in support of vendor relationship management analysis, planning and evaluation |
US8743121B2 (en) | 2009-12-23 | 2014-06-03 | Bmc Software, Inc. | Smart impact views |
US9805322B2 (en) | 2010-06-24 | 2017-10-31 | Bmc Software, Inc. | Application blueprint and deployment model for dynamic business service management (BSM) |
US9122536B2 (en) | 2009-12-30 | 2015-09-01 | Bmc Software, Inc. | Automating application provisioning for heterogeneous datacenter environments |
US8457928B2 (en) | 2010-03-26 | 2013-06-04 | Bmc Software, Inc. | Automatic determination of dynamic threshold for accurate detection of abnormalities |
US8478569B2 (en) | 2010-03-26 | 2013-07-02 | Bmc Software, Inc. | Auto adjustment of baseline on configuration change |
US8832652B2 (en) | 2010-03-26 | 2014-09-09 | Bmc Software, Inc. | Method for customizing software applications |
US8674992B2 (en) | 2010-06-24 | 2014-03-18 | Bmc Software, Inc. | Spotlight graphs |
US8402127B2 (en) | 2010-06-28 | 2013-03-19 | Bmc Software, Inc. | System and method for offering virtual private clouds within a public cloud environment |
US8689241B2 (en) | 2011-09-30 | 2014-04-01 | Bmc Software, Inc. | Dynamic evocations for computer event management |
EP3591538B1 (en) * | 2011-11-15 | 2021-01-20 | AB Initio Technology LLC | Data clustering, segmentation, and parallelization |
US8914768B2 (en) | 2012-03-28 | 2014-12-16 | Bmc Software, Inc. | Automated blueprint assembly for assembling an application |
US9122552B2 (en) | 2012-06-29 | 2015-09-01 | Bmc Software, Inc. | Hybrid cloud infrastructures |
US10706359B2 (en) | 2012-11-30 | 2020-07-07 | Servicenow, Inc. | Method and system for generating predictive models for scoring and prioritizing leads |
US10671926B2 (en) | 2012-11-30 | 2020-06-02 | Servicenow, Inc. | Method and system for generating predictive models for scoring and prioritizing opportunities |
US9280739B2 (en) | 2012-11-30 | 2016-03-08 | Dxcontinuum Inc. | Computer implemented system for automating the generation of a business decision analytic model |
US9645833B2 (en) | 2012-12-31 | 2017-05-09 | Bmc Software, Inc. | Additive independent object modification |
US9317327B2 (en) | 2013-02-28 | 2016-04-19 | Bmc Software, Inc. | Computing infrastructure planning |
US9098322B2 (en) | 2013-03-15 | 2015-08-04 | Bmc Software, Inc. | Managing a server template |
US9654473B2 (en) | 2013-06-28 | 2017-05-16 | Bmc Software, Inc. | Authentication proxy agent |
US20170293625A1 (en) * | 2014-10-02 | 2017-10-12 | Hewlett-Packard Development Company, L.P. | Intent based clustering |
US9535737B2 (en) | 2015-01-30 | 2017-01-03 | Bladelogic, Inc. | Dynamic virtual port provisioning |
US20180024859A1 (en) * | 2016-07-20 | 2018-01-25 | Qualcomm Incorporated | Performance Provisioning Using Machine Learning Based Automated Workload Classification |
US10430446B2 (en) * | 2016-08-16 | 2019-10-01 | Ebay Inc. | Semantic reverse search indexing of publication corpus |
US11080588B2 (en) | 2016-10-17 | 2021-08-03 | Servicenow, Inc. | Machine learning with partial inversion |
AU2017355420B2 (en) * | 2016-11-03 | 2022-07-21 | Thomson Reuters Enterprise Centre Gmbh | Systems and methods for event detection and clustering |
US11036764B1 (en) * | 2017-01-12 | 2021-06-15 | Parallels International Gmbh | Document classification filter for search queries |
US10706554B2 (en) * | 2017-04-14 | 2020-07-07 | Adobe Inc. | Three-dimensional segmentation of digital models utilizing soft classification geometric tuning |
US11164108B2 (en) * | 2018-04-20 | 2021-11-02 | International Business Machines Corporation | Transfer learning without local data export in multi-node machine learning |
-
2019
- 2019-06-07 US US16/434,888 patent/US11586659B2/en active Active
-
2020
- 2020-05-01 JP JP2021564921A patent/JP7462678B2/ja active Active
- 2020-05-01 KR KR1020217039592A patent/KR20220002652A/ko unknown
- 2020-05-01 WO PCT/US2020/031173 patent/WO2020227150A1/en unknown
- 2020-05-01 EP EP20729889.4A patent/EP3963475A1/en active Pending
- 2020-05-01 AU AU2020270417A patent/AU2020270417B2/en active Active
-
2023
- 2023-01-17 US US18/155,553 patent/US20230153342A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008171418A (ja) * | 2006-12-23 | 2008-07-24 | Ntt Docomo Inc | コンテキストデータのセマンティック分類を自動的に決定する方法及び装置 |
US20170243112A1 (en) * | 2016-02-24 | 2017-08-24 | International Business Machines Corporation | Deep learning approach to identify comparative reference incidents |
US20190102682A1 (en) * | 2017-10-02 | 2019-04-04 | Servicenow, Inc. | Machine Learning Classification with Confidence Thresholds |
Also Published As
Publication number | Publication date |
---|---|
US20200349183A1 (en) | 2020-11-05 |
US11586659B2 (en) | 2023-02-21 |
AU2020270417A1 (en) | 2021-11-25 |
AU2020270417B2 (en) | 2023-03-16 |
WO2020227150A1 (en) | 2020-11-12 |
KR20220002652A (ko) | 2022-01-06 |
EP3963475A1 (en) | 2022-03-09 |
US20230153342A1 (en) | 2023-05-18 |
JP7462678B2 (ja) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020201298B2 (en) | Selectively generating word vector and paragraph vector representations of fields for machine learning | |
JP7462678B2 (ja) | 類似のテキスト文書のクラスタリング及び動的再クラスタリング | |
US11651032B2 (en) | Determining semantic content of textual clusters | |
AU2020248738B2 (en) | Determining semantic similarity of texts based on sub-sections thereof | |
AU2021200509B2 (en) | Persistent word vector input to multiple machine learning models | |
WO2021119175A1 (en) | Determining semantic content of textual clusters | |
AU2020269378B2 (en) | Centralized machine learning predictor for a remote network management platform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211227 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230307 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230601 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230919 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231124 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240112 |
|
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: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240326 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7462678 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |