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

Abstract

コンピュータ実装の方法は、クラスタに分割された複数のテキストレコードと、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複数のテキストレコードをクラスタに分割したことを含む。方法はまた、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、ＭＬクラスタリングモデルを経由して、及び類似性メトリックに基づいて、特定のテキストレコードがクラスタの何れにも適合しないと判定することを含む。方法は、特定のテキストレコードが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、特定のテキストレコードをテキストレコードの残余のセットに追加することを更に含む。方法は、ＭＬクラスタリングモデルを経由して、テキストレコードの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を更に含み得る。

Description

［関連出願へのクロスリファレンス］
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。

テキストのサンプルを類似のグループにクラスタリングすることは、様々なアプリケーションにおいて有益である。このことは、テキストサンプルのコーパス内のテキストサンプルの相互に関連するグループを識別することによってテキスト検索を容易にするために行われ得る。こうしたグループ化は、関連するテキストサンプルのクラスタ（例えば、クエリテキスト文字列に類似したテキストサンプルのクラスタ）内のテキストサンプルに検索を限定することによって、テキスト検索又はその他のテキスト関連の処理を容易にし得、関連するテキストサンプルのクラスタ内にはないテキストレコードを通じた検索の時間及び計算コストを回避する。また、（例えば、地理的情報、タイムスタンプ、気象関連情報、技術システムの性能又は動作に関連する情報を含む）非テキスト情報を含むレコードのテキスト部分内のそうしたクラスタを識別することは、非テキスト情報に基づく動作を容易にし得る。

自然言語処理又はその他の方法は、テキストサンプルのクラスタを生成することと、個々のテキストサンプルに対して、個々のテキストサンプルが割り当てられるべき１つ以上のクラスタを識別することのために使用され得る。このことは、テキストサンプル間及び／又はテキストサンプルとクラスタ内のテキストサンプルとの間の判定された類似性に基づいて行われ得る。このクラスタリングは、（例えば、サンプルレベルの検索を検索クエリに関連する識別されたクラスタ内のテキストサンプルに限定することによって）テキストサンプル内の検索を容易にすることと、その動作がテキストサンプルに関連する管理されるネットワークのモデリングを容易にすることと、クラスタに割り当てられた他のテキストサンプルに応答して実装された場合に有効であった一連の活動を識別及び／又は自動的に実装することと、特定のクラスタ内のテキストサンプルと関連付けられたインシデントレポートの全てを解決すること、さもなければグループとして操作することと、又はその他の利点を提供することのために行われ得る。

１つの可能な例では、クエリは、ユーザが経験している問題を説明するテキストのサンプルを含み得る。機械学習（ＭＬ）モデル又はその他の何らかのアルゴリズムは、クエリを、該クエリに類似する他のテキストレコード（ｔｅｘｔｕａｌ ｒｅｃｏｒｄ）のクラスタ（例えば、他のクエリ、クエリ及び／又はその解決策を含むインシデントレポート、知識ベースの記事）に割り当てるためにその後適用され得る。選択されたクラスタに関連する情報は、ユーザ及び／又は技術者にその後提供され得る。こうした情報は、知識ベースの記事、解決された類似のインシデントレポート、又はクエリに対する解決策及び／若しくは回答を提供し得るその他の何らかの情報を含み得る。追加的又は代替的に、解決策の判定及び／又はクエリへの回答を容易にするために、選択されたクラスタ内の類似のクエリ又はその他の情報が提供され得る。このクラスタリングは、ユーザに提供される結果の品質を改善し得、及び／又はクエリにより表される問題への解決策を判定及び実装する前にユーザが費やす時間の量を削減し得る。

しかしながら、そうしたクラスタリングを実装することは、計算コストが高くなり得、テキストレコードのトレーニングコーパスに基づいてＭＬクラスタリングモデルを生成するために、大規模なプロセッササイクル、メモリ、又はその他のリソースを必要とする。したがって、ＭＬモデルは、規則的なスケジュールに従って、テキストレコードの更新されたトレーニングセットに基づいて再生成され得る。ユーザは、価値を有するクラスタを手動で指定し得、指定されたクラスタは、指定されたクラスタの利点を維持するために、ＭＬモデルの再生成を通じて保持され得る。例えば、識別されたクラスタは、進行中のイベント、及び／又はユーザが引き続き経験する可能性のあるインシデントのクラスに対応し得る。指定されたクラスタを保持することは、指定されたクラスタに基づいて、再生成されたＭＬモデル内のクラスタの内の１つを定義することを含み得る。例えば、再生成されたＭＬモデル内のクラスタは、指定されたクラスタに属するトレーニングテキストサンプルの識別に基づいて、指定されたクラスタを定義する重心又はその他の情報に基づいて、又は指定されたその他の何らかの特徴に基づいて定義され得る。追加的に又は代替的に、指定されたクラスタを保持することは、ＭＬモデルの再生成のシードとして、指定されたクラスタについての情報を使用することを含み得る。

ＭＬモデルのスケジュールされた再生成の間に、追加のテキストレコード（例えば、新たに生成されたインシデントレポート）が蓄積され得る。これらの追加レコードは、ＭＬモデルに反映されていない追加のクラスタに属し得、そのため、ＭＬモデルのクラスタに誤って割り当てられ得、及び／又は残余のテキストレコードのセットに割り当てられ得る。追加のテキストレコードを含むためにＭＬモデルを完全に再生成する計算コストを回避するために、ＭＬモデルは、追加のテキストレコードによって表される情報を考慮に入れるために、反復更新アルゴリズムを介して更新され得る。

このことは、残余のテキストレコードのセット内からテキストレコードの追加のクラスタを形成することを試みることを含み得る。新たなテキストレコードが受信された場合、それは既存のクラスタと比較され得る。新たなテキストレコードが（例えば、指定された閾値類似性よりもクラスタの各々との類似性が低いことによって）既存のクラスタの何れにも適合しない場合、新たなテキストレコードは残余のテキストレコードのセットに割り当てられ得る。したがって、残余のテキストレコードのセットは、ＭＬモデルにより定義されたクラスタの何れにも属さないとＭＬモデルにより判定されたテキストレコードを含むようになる。残余内で１つ以上の追加のクラスタが識別された場合、ＭＬモデルは、追加のクラスタを含むように更新され得る。また、識別された追加のクラスタに対応する、残余のテキストレコードのセット内からの任意のテキストレコードは、残余のセットから追加のクラスタに再割り当てされ得る。

幾つかの例では、ユーザは、クラスタ形成が起こるべきアプリオリな条件を手動で指定し得る。こうした手動で指定された条件は、地理的位置、タグ若しくは他のメタデータ、テキストレコードと関連付けられた個人の識別子（例えば、テキストレコードの一部を形成するインシデントレポートを生成したユーザ）に従って、又はその他の何らかの考慮事項に従って指定され得る。ユーザ指定の条件内で更なるクラスタがその後識別され得る。この手動の事前クラスタリングは、様々な利点を提供し得る。例えば、クラスタリングアルゴリズムは、より少ないテキストレコードを動作することによって、より効率的に実施し得る。これらの方法はまた、生成されたクラスタがそれらの考慮事項と揃うように、識別されたクラスタを組織の考慮事項と揃えることによって利点を提供し得る。また、ユーザ指定の条件内で生成されたクラスタは、ユーザ指定の条件によって可能になる事前パーティション化に起因して改善され得る。

テキストレコードのコーパス内の１つ以上のテキストレコードの表現を送信することは、様々な異なる情報を送信することを含み得る。幾つかの例では、テキストレコードの表現を送信することは、識別番号（例えば、グローバルユニーク識別子（ＧＵＩＤ））、日時スタンプ、データベース内の位置、又はエンドユーザインスタンスがデータベース内の表現されたテキストレコードを識別すること、さもなければ表現されたテキストレコードにアクセスすることを可能にし得るその他の何らかの識別情報を送信することを含む。追加的又は代替的に、テキストレコードの表現を送信することは、テキストレコード自体又はその一部分のコピーを送信することを含み得る。例えば、テキストレコードの表現を送信することは、インシデントレポートの“問題解決”フィールドのコピーを送信することを含み得る。

テキストレコードのコーパス内の１つ以上のテキストレコードの表現を送信することは、テキストレコードの１つ以上のクラスタの表現を送信することを含み得る。このことは、識別番号（例えば、ＧＵＩＤ）、データベース内の位置、又はエンドユーザインスタンスがテキストレコードの表現されたクラスタを識別することを可能にし得るその他の何らかの識別情報を送信することを含み得る。追加的又は代替的に、テキストレコードのクラスタのコンテンツの表現が送信され得る。このことは、クラスタ内のテキストレコードに対する識別情報（例えば、ＧＵＩＤ、データベース内の位置）、クラスタ内のテキストレコードのコンテンツの全て又は一部（例えば、クラスタ内のインシデントレポートの“問題解決”フィールドからのテキスト）、クラスタと関連付けられた１つ以上の代表的なテキストレコードのコンテンツ（例えば、クラスタと関連付けられた知識ベースの記事、“問題解決”フィールド、又はクラスタの重心に近いインシデントレポートのその他のコンテンツ）、又はクラスタと関連付けられたその他の何らかのコンテンツを送信することを含み得る。

テキストレコード間の類似性を判定すること、及びそうした判定された類似性に基づいてクラスタリングを実施することのための本明細書に説明する方法は、他のタイプのレコードに適用され得ることに留意されたい。例えば、テキストの態様（例えば、問題、問題の解決策、又はその他の何らかの情報を説明するインシデントレポートのテキストフィールド）と非テキストの態様（例えば、日付、地理的位置、列挙されたカテゴリ、ユーザ若しくは技術者に関連する識別子、又はインシデントレポートの他の非テキスト情報）とは、テキスト情報と非テキスト情報との両方に基づいてＭＬモデルによってクラスタリングされ得る。実際、本明細書に説明する方法は、数値的類似性を判定すること、及び／又は完全に非テキストのレコード（例えば、治療を受ける個人の遺伝子型／表現型情報の組み合わせ、メディア又はネットワークサービスのユーザに対する過去の使用統計等）に対してそうした判定された数値的類似性に基づいてクラスタリングを実行することのために適用され得る。

したがって、第１の例示的実施形態は、（ｉ）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、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専用であり、予測計算インスタンス及びエンドユーザ計算インスタンスの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備されることと、（ｉｉ）テキストレコードのクラスタのセットを表す予測計算インスタンスのＭＬクラスタリングモデルによって、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、（ｉｉｉ）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へ、特定のクラスタの表現を送信することと、（ｉｖ）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２のテキストレコードを受信することと、（ｖ）ＭＬクラスタリングモデルによって、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、（ｖｉ）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、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第２のテキストレコードを追加することと、（ｖｉｉ）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、（ｖｉｉｉ）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へ、テキストレコードの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を含み得る。

第２の例示的実施形態では、コンピュータ実装方法は、（ｉ）第１の複数のテキストレコードを受信することと、（ｉｉ）複数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１のセットを表す第１のＭＬクラスタリングモデルを判定することであって、第１のＭＬクラスタリングモデルの各クラスタは、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個別のセットに対応することと、（ｉｉｉ）追加のテキストレコードを受信することと、（ｉｖ）反復更新プロセスを介して第１のＭＬクラスタリングモデルを更新するために追加のテキストレコードを使用することと、（ｖ）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と、（ｖｉ）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、（ｖｉｉ）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、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、第２のＭＬクラスタリングモデルの各クラスタは、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し、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のクラスタは、優先クラスタに基づいて判定されることを含む。

第３の例示的実施形態では、コンピュータ実装方法は、（ｉ）クラスタに分割された複数のテキストレコード及びテキストレコードの残余のセットを取得することであって、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複数のテキストレコードを分割したことと、（ｉｉ）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、（ｉｉｉ）ＭＬクラスタリングモデルを経由して、及び類似性メトリックに基づいて、特定のテキストレコードがクラスタの何れにも適合しないと判定することと、（ｉｖ）特定のテキストレコードが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、特定のテキストレコードをテキストレコードの残余のセットに追加することを含む。

第４の例示的実施形態では、製品は、コンピューティングシステムにより実行されると、コンピューティングシステムに第１、第２、又は第３の例示的実施形態に従った動作を実施させるプログラム命令をその上に格納した、非一時的コンピュータ可読媒体を含み得る。

第５の例示的実施形態では、コンピューティングシステムは、少なくとも１つのプロセッサ、並びにメモリ及びプログラム命令を含み得る。プログラム命令は、メモリ内に格納され得、少なくとも１つのプロセッサによって実行されると、コンピューティングシステムに第１、第２、又は第３の例示的実施形態に従った動作を実行させ得る。

第６の例示的実施形態では、システムは、第１、第２、又は第３の例示的実施形態の動作の各々を実行するための様々な手段を含み得る。

これらの並びにその他の実施形態、態様、利点、及び代替物は、添付の図面を適切に参照して、以下の詳細な説明を読むことによって当業者に明らかになるであろう。更に、この発明の概要並びに本明細書で提供される他の説明及び図は、例としてのみ実施形態を説明することを意図しており、したがって、多くの変形が可能である。実例として、構造要素及びプロセスステップは、請求されるような実施形態の範囲内にとどまりながら、再配置され得、組み合され得、分散され得、省略され得、さもなければ変更され得る。

例示的実施形態に従ったコンピューティングデバイスの概略図を説明する。 例示的実施形態に従ったサーバデバイスクラスタの概略図を説明する。 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。 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含む通信環境を描写する。 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含む別の通信環境を描写する。 例示的実施形態に従ったフローチャートである。 例示的実施形態に従ったインシデントレポートを描写する。 例示的実施形態に従ったデータベースクエリアーキテクチャを描写する。 例示的実施形態に従った、単語のコンテクスト上の意味を学習するために構成された人工ニューラルネットワーク（ＡＮＮ）を描写する。 例示的実施形態に従った、図９ＡのＡＮＮのためのトレーニングデータのセットを描写する。 例示的実施形態に従った、単語のコンテクスト上の意味を学習するために構成された人工ニューラルネットワーク（ＡＮＮ）を描写する。 例示的実施形態に従った、図９ＡのＡＮＮのためのトレーニングデータのセットを描写する。 例示的実施形態に従った、段落ベクトルに対するＡＮＮのトレーニングを描写する。 例示的実施形態に従った、段落ベクトルに対するＡＮＮのトレーニングを描写する。 例示的実施形態に従った、段落ベクトルに対するＡＮＮのトレーニングを描写する。 例示的実施形態に従った、以前に見られなかった段落の段落ベクトルを判定するために、トレーニングされたＡＮＮを使用することを描写する。 例示的実施形態に従った２次元空間内のレコードの位置を示す。 例示的実施形態に従った、クラスタにグループ化された図１１Ａのレコードを描写する。 例示的実施形態に従った、クラスタにグループ化された図１１Ａのレコードを描写する。 例示的実施形態に従った、クラスタにグループ化された図１１Ａのレコードを描写する。 例示的実施形態に従った、クラスタにグループ化された図１１Ａのレコードを描写する。 例示的実施形態に従った、クラスタにグループ化された図１１Ａのレコードを描写する。 例示的実施形態に従った、２次元空間内のレコードの位置を描写する。 例示的実施形態に従った、レコードの内の幾つかがクラスタの何れにも属さない、クラスタにグループ化された図１２Ａのレコードを描写する。 例示的実施形態に従った、レコードの内の幾つかがクラスタの何れにも属さない、クラスタにグループ化された図１２Ａのレコードと、追加のレコードのセットとを描写する。 例示的実施形態に従った、レコードの内の幾つかがクラスタの何れにも属さない、クラスタにグループ化された図１２Ｃのレコードを描写する。 例示的実施形態に従ったフローチャートである。 例示的実施形態に従ったフローチャートである。

例示的な方法、デバイス、及びシステムが本明細書に説明される。本明細書では、単語“例”及び“例示的”は、“例、実例、又は例証として役立つ”ことを意味するために使用されることを理解すべきである。“例”又は“例示的”であるとして本明細書に説明される任意の実施形態又は機構は、そのように述べられない限り、必ずしも他の実施形態又は機構よりも好ましい又は有利であると解釈されるべきではない。したがって、本明細書に提示される主題の範囲から逸脱することなく、他の実施形態が利用され得、他の変更がなされ得る。

したがって、本明細書に説明する例示的実施形態は、限定することを意図しない。本明細書に一般的に説明され、図に説明されるような本開示の態様が、多種多様な異なる構成で配置され得、置換され得、組み合わされ得、分離され得、及び設計され得ることは容易に理解されるであろう。例えば、“クライアント”コンポーネントと“サーバ”コンポーネントとへの機構の分離は、様々な方法で生じ得る。

更に、文脈が他のことを示唆しない限り、図の各々に示される機構は、相互に組み合わせて使用され得る。したがって、図は、一般的に、各実施形態に対して全ての説明された機構が必要であるとは限らないことを理解すると共に、１つ以上の全体的な実施形態のコンポーネントの態様としてみなされるべきである。

また、この明細書又は特許請求の範囲における要素、ブロック、又はステップの任意の列挙は、明確にする目的のためのものである。したがって、そうした列挙は、これらの要素、ブロック、又はステップが特定の配置に準拠すること、又は特定の順序で実行されることを必要とする又は暗示するものとして解釈されるべきではない。

Ｉ． はじめに
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。

広く実装された動作をサポートするために、企業は通常、顧客関係管理（ＣＲＭ）及び人的資本管理（ＨＣＭ）パッケージ等の既製のソフトウェアアプリケーションを使用する。しかしながら、それらの独自の要件を満たすためにカスタムソフトウェアアプリケーションを必要とすることもあり得る。大企業は、数十又は数百のこれらのカスタムソフトウェアアプリケーションをしばしば有する。それにもかかわらず、本明細書の実施形態によって提供される利点は、大企業に限定されず、任意の規模の企業又は任意の他のタイプの組織に適用可能であり得る。

多くのそうしたソフトウェアアプリケーションは、企業内の個々の部門によって開発される。これらは、単純なスプレッドシートからカスタムビルドのソフトウェアツール及びデータベースにまで及ぶ。しかしながら、サイロ化されたカスタムソフトウェアアプリケーションの急増は、多くの欠点を有する。そのことは、その動作を運営及び拡大し、革新し、規制要件を満たす企業の能力に悪影響を及ぼす。企業は、そのサブシステムとデータとを統合する単一のシステムを欠くことに起因して、その動作を統合、合理化、及び強化することが難しいと感じることがある。

カスタムアプリケーションを効率的に作成するために、企業は、不必要な開発の複雑さを排除する、リモートでホストされたアプリケーションプラットフォームからの利益を得るであろう。そうしたプラットフォームの目標は、ソフトウェアエンジニア及び他の役割の個人が独自の高価値の機構の開発に集中できるように、時間のかかる反復的なアプリケーション開発タスクを削減することであろう。

この目標を達成するために、企業全体のワークフローをインテリジェントに自動化するように、サービスとしてのアプリケーションプラットフォーム（ａＰａａＳ）の概念が導入される。ａＰａａＳシステムは企業からリモートでホストされるが、安全な接続を経由して企業内のデータ、アプリケーション、及びサービスにアクセスし得る。そうしたａＰａａＳシステムは、幾つかの有利な能力及び特徴を有し得る。これらの利点及び特徴は、ＩＴ、ＨＲ、ＣＲＭ、顧客サービス、アプリケーション開発、及びセキュリティに対する企業の動作とワークフローとを改善することが可能であり得る。

ａＰａａＳシステムは、モデルビューコントローラ（ＭＶＣ）アプリケーションの開発及び実行をサポートし得る。ＭＶＣアプリケーションは、情報の表現をユーザに情報が提示される方法から分離するために、それらの機能を３つの相互接続された部分（モデル、ビュー、及びコントローラ）に分割し、それによって、効率的なコードの再利用と並列開発とを可能にする。これらのアプリケーションはウェブベースであり得、作成、読み出し、更新、削除（ＣＲＵＤ）機能を提供し得る。このことは、新たなアプリケーションが共通のアプリケーションインフラストラクチャ上に構築されることを可能にする。

ａＰａａＳシステムは、グラフィカルユーザインターフェース（ＧＵＩ）開発のためのウィジェットの標準化されたセット等の標準化されたアプリケーションコンポーネントをサポートし得る。このように、ａＰａａＳシステムを使用して構築されたアプリケーションは、共通のルックアンドフィールを有する。他のソフトウェアコンポーネント及びモジュールも標準化され得る。幾つかの場合、このルックアンドフィールは、企業のカスタムロゴ及び／又は配色でブランド化又はスキン化され得る。

ａＰａａＳシステムは、メタデータを使用してアプリケーションの挙動を構成する能力をサポートし得る。このことは、アプリケーションの挙動が特定のニーズに合わせて迅速に適応されることを可能にする。こうしたアプローチは、開発時間を削減し、柔軟性を増加させる。更に、ａＰａａＳシステムは、メタデータの作成と管理とを容易にするＧＵＩツールをサポートし得、したがって、メタデータのエラーを削減する。

ａＰａａＳシステムは、ソフトウェア開発者が望ましくないアプリケーション間の依存性を回避し得るように、アプリケーション間の明確に定義されたインターフェースをサポートし得る。したがって、ａＰａａＳシステムは、永続的な状態情報及びその他のデータが格納されるサービス層を実装し得る。

ａＰａａＳシステムは、その上のアプリケーションが従来のアプリケーション及びサードパーティアプリケーションと相互作用し得るように、統合機構の豊富なセットをサポートし得る。実例として、ａＰａａＳシステムは、従来のＨＲ、ＩＴ、及び会計システムと統合するカスタム社員オンボーディングシステムをサポートし得る。

ａＰａａＳシステムは、企業グレードのセキュリティをサポートし得る。更に、ａＰａａＳシステムはリモートでホストされ得るので、それは、企業内のシステムと、又は企業外でホストされたサードパーティのネットワーク及びサービスと相互作用する場合にも、セキュリティ手順を利用すべきである。例えば、ａＰａａＳシステムは、一般的なセキュリティの脅威を検出及び識別するために、企業及び他の関係者の間でデータを共有するように構成され得る。

ａＰａａＳシステムの他の機構、機能、及び利点が存在し得る。この説明は例を目的としており、限定することを意図しない。

ａＰａａＳ開発プロセスの例として、ソフトウェア開発者は、ａＰａａＳシステムを使用して新たなアプリケーションを作成するようにタスクを課され得る。まず、開発者は、アプリケーションが使用するデータのタイプとそれらの間の関係とを特定するデータモデルを定義し得る。その後、ａＰａａＳシステムのＧＵＩを介して、開発者はデータモデルを入力（例えば、アップロード）する。ａＰａａＳシステムは、対応するデータベーステーブル、フィールド、及び関係の全てを自動的に作成し、それらは、オブジェクト指向サービス層を介してその後アクセスされ得る。

また、ａＰａａＳシステムは、クライアント側インターフェース及びサーバ側ＣＲＵＤロジックを備えた完全に機能するＭＶＣアプリケーションをも構築し得る。この生成されたアプリケーションは、ユーザに対して更なる開発の基礎として役立ち得る。有利なことに、開発者は基本的なアプリケーション機能に多くの時間を費やす必要がない。更に、アプリケーションはウェブベースであり得るので、それは、インターネット対応の任意のクライアントデバイスからアクセスされ得る。代替的又は追加的に、実例としてインターネットサービスが利用可能ではない場合、アプリケーションのローカルコピーにアクセスすることが可能であり得る。

ａＰａａＳシステムは、アプリケーションに追加され得る事前定義された機能の豊富なセットをもサポートし得る。これらの機構は、検索、電子メール、テンプレート、ワークフロー設計、レポート、分析、ソーシャルメディア、スクリプト、モバイルフレンドリーな出力、及びカスタマイズされたＧＵＩに対するサポートを含む。

以下の実施形態は、例示的なａＰａａＳシステムのアーキテクチャ及び機能の態様、並びにその機構及び利点を説明する。

ＩＩ． コンピューティングデバイス及びクラウドベースのコンピューティング環境の例
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。

この例では、コンピューティングデバイス１００は、プロセッサ１０２、メモリ１０４、ネットワークインターフェース１０６、及び入力／出力ユニット１０８を含み、それらの全ては、システムバス１１０又は同様のメカニズムによって結合され得る。幾つかの実施形態では、コンピューティングデバイス１００は、他のコンポーネント及び／又は周辺デバイス（例えば、取り外し可能なストレージ及びプリンタ等）を含み得る。

プロセッサ１０２は、中央処理装置（ＣＰＵ）、コプロセッサ（例えば、数学、グラフィックス、又は暗号化コプロセッサ）、デジタル信号プロセッサ（ＤＳＰ）、ネットワークプロセッサ、及び／又はプロセッサの動作を実施する集積回路若しくはコントローラの形式等の任意のタイプのコンピュータ処理要素の内の１つ以上であり得る。幾つかの場合、プロセッサ１０２は、１つ以上のシングルコアプロセッサであり得る。他の場合、プロセッサ１０２は、複数の独立した処理ユニットを備えた１つ以上のマルチコアプロセッサであり得る。プロセッサ１０２はまた、実行されている命令及び関連データを一時的に格納するためのレジスタメモリ、並びに最近使用された命令及びデータを一時的に格納するためのキャッシュメモリを含み得る。

メモリ１０４は、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、及び不揮発性メモリ（例えば、フラッシュメモリ、ハードディスクドライブ、ソリッドステートドライブ、コンパクトディスク（ＣＤ）、デジタルビデオディスク（ＤＶＤ）、及び／又はテープストレージ）を含むがそれらに限定されない任意の形式のコンピュータ使用可能メモリであり得る。したがって、メモリ１０４は、メインメモリユニットと長期ストレージとの両方を表す。その他のタイプのメモリは、生体メモリを含み得る。

メモリ１０４は、プログラム命令及び／又はプログラム命令が動作し得るデータを格納し得る。例として、メモリ１０４は、この明細書又は添付の図面に開示される方法、プロセス、又は動作の内の何れかを実行するためにプロセッサ１０２によって命令が実行可能であるように、これらのプログラム命令を非一時的コンピュータ可読媒体上に格納し得る。

図１に示されるように、メモリ１０４は、ファームウェア１０４Ａ、カーネル１０４Ｂ、及び／又はアプリケーション１０４Ｃを含み得る。ファームウェア１０４Ａは、コンピューティングデバイス１００の内の幾つか又は全てをブート、さもなければ開始するために使用されるプログラムコードであり得る。カーネル１０４Ｂは、メモリ管理、プロセスのスケジューリング及び管理、入力／出力、並びに通信のためのモジュールを含むオペレーティングシステムであり得る。カーネル１０４Ｂはまた、オペレーティングシステムがコンピューティングデバイス１００のハードウェアモジュール（例えば、メモリユニット、ネットワークインターフェース、ポート、及びバス）と通信することを可能にするデバイスドライバを含み得る。アプリケーション１０４Ｃは、ウェブブラウザ又は電子メールクライアント等の１つ以上のユーザ空間ソフトウェアプログラム、並びにこれらのプログラムにより使用される任意のソフトウェアライブラリであり得る。メモリ１０４はまた、これらの及びその他のプログラム及びアプリケーションにより使用されるデータを格納し得る。

ネットワークインターフェース１０６は、イーサネット（例えば、ファストイーサネット及びギガビットイーサネット等）等の１つ以上の有線インターフェースの形式を取り得る。ネットワークインターフェース１０６はまた、同軸ケーブル若しくは電力線等の１つ以上の非イーサネット媒体を介して、又は同期光ネットワーク（ＳＯＮＥＴ）若しくはデジタル加入者線（ＤＳＬ）技術等の広域媒体を介して通信をサポートし得る。ネットワークインターフェース１０６は更に、ＩＥＥＥ ８０２．１１（Ｗｉｆｉ）、ＢＬＵＥＴＯＯＴＨ（登録商標）、全地球測位システム（ＧＰＳ）、又は広域無線インターフェース等の１つ以上の無線インターフェースの形式を取り得る。しかしながら、他の形式の物理層インターフェース及び他のタイプの標準又は独自の通信プロトコルがネットワークインターフェース１０６を介して使用され得る。更に、ネットワークインターフェース１０６は、複数の物理インターフェースを含み得る。実例として、コンピューティングデバイス１００の幾つかの実施形態は、イーサネット、ＢＬＵＥＴＯＯＴＨ（登録商標）、及びＷｉｆｉインターフェースを含み得る。

入力／出力ユニット１０８は、コンピューティングデバイス１００とのユーザ及び周辺デバイスの相互作用を容易にし得る。入力／出力ユニット１０８は、キーボード、マウス、及びタッチスクリーン等の１つ以上のタイプの入力デバイスを含み得る。同様に、入力／出力ユニット１０８は、スクリーン、モニタ、プリンタ、及び／又は１つ以上の発光ダイオード（ＬＥＤ）等の１つ以上のタイプの出力デバイスを含み得る。追加的又は代替的に、コンピューティングデバイス１００は、例えば、ユニバーサルシリアルバス（ＵＳＢ）又は高品位マルチメディアインターフェース（ＨＤＭＩ）ポートインターフェースを使用して他のデバイスと通信し得る。

幾つかの実施形態では、コンピューティングデバイス１００のような１つ以上のコンピューティングデバイスは、ａＰａａＳアーキテクチャをサポートするように配備され得る。これらのコンピューティングデバイスの正確な物理的位置、接続、及び構成は、クライアントデバイスにとって不明であり得、及び／又は重要ではないことがある。したがって、コンピューティングデバイスは、様々なリモートデータセンタの位置にホストされ得る“クラウドベースの”デバイスと称され得る。

図２は、例示的実施形態に従ったクラウドベースのサーバクラスタ２００を描写する。図２では、コンピューティングデバイス（例えば、コンピューティングデバイス１００）の動作は、サーバデバイス２０２、データストレージ２０４、及びルータ２０６の間で分散され得、これらの全ては、ローカルクラスタネットワーク２０８によって接続され得る。サーバクラスタ２００内のサーバデバイス２０２、データストレージ２０４、及びルータ２０６の数は、サーバクラスタ２００に割り当てられたコンピューティングタスク及び／又はアプリケーションに依存し得る。

例えば、サーバデバイス２０２は、コンピューティングデバイス１００の様々なコンピューティングタスクを実施するように構成され得る。したがって、コンピューティングタスクは、サーバデバイス２０２の内の１つ以上の間で分散され得る。これらのコンピューティングタスクが並行して実施され得る範囲で、タスクのこうした分散は、これらのタスクを完了して結果を返すための合計時間を削減し得る。簡単にする目的のために、サーバクラスタ２００及び個々のサーバデバイス２０２の両方は、“サーバデバイス”と称され得る。この命名法は、１つ以上の別個のサーバデバイス、データストレージデバイス、及びクラスタルータがサーバデバイスの動作に関与し得ることを意味すると理解すべきである。

データストレージ２０４は、ハードディスクドライブ及び／又はソリッドステートドライブのグループへの読み出し及び書き込みアクセスを管理するように構成されたドライブアレイコントローラを含むデータストレージアレイであり得る。ドライブアレイコントローラはまた、単独で、又はサーバデバイス２０２と組み合わせて、サーバデバイス２０２の内の１つ以上がデータストレージ２０４のユニットにアクセスすることを妨げるドライブの障害又は他のタイプの障害から保護するように、データストレージ２０４内に格納されたデータのバックアップ又は冗長コピーを管理するように構成され得る。ドライブ以外の他のタイプのメモリが使用されてもよい。

ルータ２０６は、サーバクラスタ２００に内部及び外部の通信を提供するように構成されたネットワーク機器を含み得る。例えば、ルータ２０６は、（ｉ）ローカルクラスタネットワーク２０８を介したサーバデバイス２０２とデータストレージ２０４との間のネットワーク通信、及び／又は（ｉｉ）ネットワーク２１２への通信リンク２１０を介したサーバクラスタ２００と他のデバイスとの間のネットワーク通信を提供するように構成された１つ以上のパケットスイッチング及び／又はルーティングデバイス（スイッチ及び／又はゲートウェイを含む）を含み得る。

また、ルータ２０６の構成は、サーバデバイス２０２及びデータストレージ２０４のデータ通信要件、ローカルクラスタネットワーク２０８のレイテンシ及びスループット、通信リンク２１０のレイテンシ、スループット、及びコスト、並びに／又はシステムアーキテクチャのコスト、速度、フォールトトレランス、復元性、効率、及び／若しくはその他の設計目標に寄与し得るその他の要因に少なくとも部分的に基づき得る。

可能な例として、データストレージ２０４は、ストラクチャードクエリ言語（ＳＱＬ）データベース等の任意の形式のデータベースを含み得る。テーブル、アレイ、リスト、ツリー、及びタプル等を含むがこれらに限定されない様々なタイプのデータ構造がこうしたデータベース内に情報を格納し得る。更に、データストレージ２０４内の任意のデータベースは、モノリシックであり得、又は複数の物理デバイスに分散され得る。

サーバデバイス２０２は、データストレージ２０４へデータを送信し、データストレージ２０４からデータを受信するように構成され得る。この送信及び検索は、ＳＱＬクエリ又は他のタイプのデータベースクエリ、及びそうしたクエリの出力の形式を夫々取り得る。追加のテキスト、画像、ビデオ、及び／又は音声も含まれ得る。更に、サーバデバイス２０２は、受信したデータをウェブページ表現に編成し得る。こうした表現は、ハイパーテキストマークアップ言語（ＨＴＭＬ）、拡張可能マークアップ言語（ＸＭＬ）、又はその他の何らかの標準化された又は独自のフォーマット等のマークアップ言語の形式を取り得る。更に、サーバデバイス２０２は、Ｐｅｒｌ、Ｐｙｔｈｏｎ、ＰＨＰハイパーテキストプリプロセッサ（ＰＨＰ）、アクティブサーバページ（ＡＳＰ）、及びＪＡＶＡＳＣＲＩＰＴ（登録商標）等であるがこれらに限定されない、様々なタイプのコンピュータ化されたスクリプト言語を実行する能力を有し得る。これらの言語で書き込まれたコンピュータプログラムコードは、クライアントデバイスへのウェブページの提供、及びウェブページとのクライアントデバイスの相互作用を容易にし得る。

ＩＩＩ． リモートネットワーク管理アーキテクチャの例
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。

管理されるネットワーク３００は、例えば、データの格納と共に、コンピューティング及び通信タスクのためにエンティティによって使用される企業ネットワークであり得る。したがって、管理されるネットワーク３００は、クライアントデバイス３０２、サーバデバイス３０４、ルータ３０６、仮想マシン３０８、ファイアウォール３１０、及び／又はプロキシサーバ３１２を含み得る。クライアントデバイス３０２は、コンピューティングデバイス１００によって具現化され得、サーバデバイス３０４は、コンピューティングデバイス１００又はサーバクラスタ２００によって具現化され得、ルータ３０６は、任意のタイプのルータ、スイッチ、又はゲートウェイであり得る。

仮想マシン３０８は、コンピューティングデバイス１００又はサーバクラスタ２００の内の１つ以上によって具現化され得る。一般的に、仮想マシンは、コンピューティングシステムのエミュレーションであり、物理的コンピュータの機能（例えば、プロセッサ、メモリ、及び通信リソース）を模倣する。サーバクラスタ２００等の１つの物理的コンピューティングシステムは、最大数千の個々の仮想マシンをサポートし得る。幾つかの実施形態では、仮想マシン３０８は、個々の仮想マシンへの物理的コンピューティングリソースの割り当て、並びに性能及びエラーレポートを容易にする集中型サーバデバイス又はアプリケーションによって管理され得る。企業は、必要に応じて効率的にコンピューティングリソースを割り当てるために、仮想マシンをしばしば用いる。仮想化コンピューティングシステムのプロバイダは、ＶＭＷＡＲＥ（登録商標）及びＭＩＣＲＯＳＯＦＴ（登録商標）を含む。

ファイアウォール３１０は、管理されるネットワーク３００から開始される許可された通信を可能にしつつ、管理されるネットワーク３００をその中のデバイス、アプリケーション、及びサービスへの不正なアクセスの試みから保護する１つ以上の特殊なルータ又はサーバデバイスであり得る。ファイアウォール３１０は、侵入検出、ウェブフィルタリング、ウイルススキャン、アプリケーション層ゲートウェイ、及びその他のアプリケーション又はサービスを提供する。図３に示されていない幾つかの実施形態では、管理されるネットワーク３００は、リモートネットワーク管理プラットフォーム３２０と通信する１つ以上の仮想プライベートネットワーク（ＶＰＮ）ゲートウェイを含み得る（以下を参照）。

管理されるネットワーク３００はまた、１つ以上のプロキシサーバ３１２を含み得る。プロキシサーバ３１２の実施形態は、管理されるネットワーク３００、リモートネットワーク管理プラットフォーム３２０、及びサードパーティネットワーク３４０の間の通信及びデータの移動を容易にするサーバデバイスであり得る。特に、プロキシサーバ３１２は、リモートネットワーク管理プラットフォーム３２０の１つ以上の計算インスタンスとの安全な通信セッションを確立及び維持することが可能であり得る。そうしたセッションを経由して、リモートネットワーク管理プラットフォーム３２０は、管理されるネットワーク３００及びそのコンポーネントのアーキテクチャ及び構成の態様を発見及び管理することが可能であり得る。可能性としてプロキシサーバ３１２の助けを借りて、リモートネットワーク管理プラットフォーム３２０はまた、管理されるネットワーク３００により使用されるサードパーティネットワーク３４０の態様を発見及び管理することが可能であり得る。

ファイアウォール３１０等のファイアウォールは、そうしたセッションがファイアウォールの背後から（すなわち、管理されるネットワーク３００上のデバイスから）最終的に開始されない限り、又はファイアウォールがセッションをサポートするように明示的に構成されていない限り、通常、インターネット３５０を経由して着信する全ての通信セッションを拒否する。プロキシサーバ３１２を（例えば、管理されるネットワーク３００内に、ファイアウォール３１０によって保護される）ファイアウォール３１０の背後に配置することによって、プロキシサーバ３１２は、ファイアウォール３１０を通じてこれらの通信セッションを開始することが可能であり得る。したがって、ファイアウォール３１０は、リモートネットワーク管理プラットフォーム３２０からの着信セッションをサポートするように特別に構成される必要がなくてもよく、それによって、管理されるネットワーク３００に対する潜在的なセキュリティリスクを回避する。

幾つかの場合、管理されるネットワーク３００は、僅かなデバイスと少数のネットワークとからなり得る。他の配備では、管理されるネットワーク３００は、複数の物理的な位置に及び得、数百のネットワークと数十万のデバイスとを含み得る。したがって、図３に描写されたアーキテクチャは、桁違いにスケールアップ又はスケールダウンすることが可能である。

更に、管理されるネットワーク３００のサイズ、アーキテクチャ、及び接続に依存して、様々な数のプロキシサーバ３１２がその中に配備され得る。例えば、プロキシサーバ３１２の各々１つは、管理されるネットワーク３００の一部に関してリモートネットワーク管理プラットフォーム３２０と通信することに責任を負い得る。代替的に又は追加的に、２つ以上のプロキシサーバのセットは、負荷分散、冗長性、及び／又は高可用性の目的で、管理されるネットワーク３００のそうした部分に割り当てられ得る。

リモートネットワーク管理プラットフォーム３２０は、ユーザ、特に管理されるネットワーク３００のオペレータにａＰａａＳサービスを提供するホストされた環境である。これらのサービスは、実例として、ウェブベースのポータルの形式を取り得る。したがって、ユーザは、実例として、クライアントデバイス３０２から、又は潜在的に、管理されるネットワーク３００の外部のクライアントデバイスから、リモートネットワーク管理プラットフォーム３２０に安全にアクセスし得る。ウェブベースのポータルを経由して、ユーザは、アプリケーションを設計、テスト、及び展開し得、レポートを生成し得、分析を表示し得、その他のタスクを実施し得る。

図３に示されるように、リモートネットワーク管理プラットフォーム３２０は、４つの計算インスタンス３２２、３２４、３２６、及び３２８を含む。これらのインスタンスの各々は、特定の顧客が利用可能なウェブポータル、サービス、及びアプリケーションのセット（例えば、完全に機能するａＰａａＳシステム）を提供する１つ以上のサーバデバイス及び／又は１つ以上のデータベースを表し得る。幾つかの場合、１人の顧客が複数の計算インスタンスを使用し得る。例えば、管理されるネットワーク３００は、リモートネットワーク管理プラットフォーム３２０の企業顧客であり得、計算インスタンス３２２、３２４、及び３２６を使用し得る。１人の顧客に複数のインスタンスを提供する理由は、顧客がそのアプリケーション及びサービスを独立して開発、テスト、及び展開することを望み得ることである。したがって、計算インスタンス３２２は、管理されるネットワーク３００に関連するアプリケーション開発に専用であり得、計算インスタンス３２４は、これらのアプリケーションのテストに専用であり得、計算インスタンス３２６は、テストされたアプリケーション及びサービスのライブ動作に専用であり得る。計算インスタンスは、ホストされたインスタンス、リモートインスタンス、顧客インスタンス、又はその他の何らかの呼称でも称され得る。計算インスタンス上に展開された任意のアプリケーションは、計算インスタンス内のデータベースへのそのアクセスがその中のある一定の要素（例えば、１つ以上の特定のデータベーステーブル又は１つ以上のデータベーステーブルを備えた特定の行）に制限され得るという点で、スコープ付きアプリケーションであり得る。

明確の目的のために、本明細書の開示は、物理的ハードウェア、ソフトウェア、及びそれらの配置を“計算インスタンス”と称する。ユーザは、それによって提供されるグラフィカルユーザインターフェースを口語的に“インスタンス”と称し得ることに留意されたい。しかしながら、本明細書で別段の定義がない限り、“計算インスタンス”は、リモートネットワーク管理プラットフォーム３２０内に配備されたコンピューティングシステムである。

リモートネットワーク管理プラットフォーム３２０のマルチインスタンスアーキテクチャは、マルチインスタンスアーキテクチャが幾つかの利点を示す従来のマルチテナントアーキテクチャとは対照的である。マルチテナントアーキテクチャでは、異なる顧客（例えば、企業）からのデータが単一のデータベースに混合される。これらの顧客のデータは相互に分離されるが、該分離は単一のデータベースを動作するソフトウェアによって実施される。結果として、このシステムにおけるセキュリティ違反は、全ての顧客のデータに影響を与え得、特に政府、医療、及び／又は金融規制の対象となるエンティティに追加のリスクを創出する。更に、１人の顧客に影響を与える任意のデータベース動作は、そのデータベースを共有する全ての顧客におそらく影響を与えるであろう。したがって、ハードウェア又はソフトウェアのエラーに起因する停止がある場合、この停止はそうした全ての顧客に影響を与える。同様に、１人の顧客のニーズを満たすためにデータベースがアップグレードされる場合、それは、アップグレードプロセスの間、全ての顧客にとって利用不可能であろう。多くの場合、共有されるデータベースのサイズに起因して、こうしたメンテナンスウィンドウは長いであろう。

対照的に、マルチインスタンスアーキテクチャは、各顧客に、専用のコンピューティングインスタンス内の独自のデータベースを提供する。このことは、顧客データの混合を防止し、各インスタンスが独立して管理されることを可能にする。例えば、ある顧客のインスタンスがエラー又はアップグレードに起因する停止を経験した場合、他の計算インスタンスは影響を受けない。データベースは１人の顧客のデータのみを含むので、メンテナンスのダウン時間は限定される。更に、マルチインスタンスアーキテクチャのよりシンプルな設計は、各顧客データベース及びインスタンスの冗長コピーが地理的に多様な方法で展開されることを可能にする。このことは、高可用性を容易にし、障害が検出された場合、又はメンテナンスが実施されている場合に、顧客のインスタンスのライブバージョンは動かされ得る。

幾つかの実施形態では、リモートネットワーク管理プラットフォーム３２０は、このプラットフォームを動作するエンティティによって制御される１つ以上の中央インスタンスを含み得る。計算インスタンスと同様に、中央インスタンスは、幾つかの数の物理サーバ又は仮想サーバとデータベースデバイスとを含み得る。こうした中央インスタンスは、計算インスタンスの内の少なくとも幾つかの間で共有され得るデータに対するリポジトリとして機能し得る。実例として、計算インスタンス上で発生し得る一般的なセキュリティ脅威の定義、計算インスタンス上で一般的に発見されるソフトウェアパッケージ、及び／又は計算インスタンスに展開され得るアプリケーションに対するアプリケーションストアは、中央インスタンス内に存在し得る。計算インスタンスは、このデータを取得するために、明確に定義されたインターフェースを経由して中央インスタンスと通信し得る。

効率的な方法で複数の計算インスタンスをサポートするために、リモートネットワーク管理プラットフォーム３２０は、単一のハードウェアプラットフォーム上にこれらの複数のインスタンスを実装し得る。例えば、ａＰａａＳシステムがサーバクラスタ２００等のサーバクラスタ上に実装される場合、それは、様々な量の計算、ストレージ、及び通信リソースをインスタンス専用にする仮想マシンを動作し得る。しかしながら、サーバクラスタ２００の完全な仮想化は必要なくてもよく、インスタンスを分離するために他のメカニズムが使用され得る。幾つかの例では、各インスタンスは、サーバクラスタ２００上に専用のアカウント及び１つ以上の専用のデータベースを有し得る。或いは、計算インスタンス３２２は、複数の物理デバイスに及び得る。

幾つかの場合、リモートネットワーク管理プラットフォーム３２０の単一のサーバクラスタは、複数の独立した企業をサポートし得る。更に、以下で説明するように、リモートネットワーク管理プラットフォーム３２０は、負荷分散、冗長性、及び／又は高可用性を容易にするために、地理的に多様なデータセンタ内に配備された複数のサーバクラスタを含み得る。

サードパーティネットワーク３４０は、外部委託された計算、データストレージ、通信、及びサービスホスト動作に使用され得るリモートサーバデバイス（例えば、サーバクラスタ２００等の複数のサーバクラスタ）であり得る。これらのサーバは仮想化され得る（すなわち、サーバは仮想マシンであり得る）。サードパーティネットワーク３４０の例は、ＡＭＡＺＯＮ ＷＥＢ ＳＥＲＶＩＣＥＳ（登録商標）及びＭＩＣＲＯＳＯＦＴ（登録商標）ＡＺＵＲＥ（登録商標）を含み得る。リモートネットワーク管理プラットフォーム３２０と同様に、サードパーティネットワーク３４０をサポートする複数のサーバクラスタは、負荷分散、冗長性、及び／又は高可用性の目的で、地理的に異なる位置に配備され得る。

管理されるネットワーク３００は、そのクライアント及び顧客にアプリケーション及びサービスを展開するために、サードパーティネットワーク３４０の内の１つ以上を使用し得る。実例として、管理されるネットワーク３００がオンライン音楽ストリーミングサービスを提供する場合、サードパーティネットワーク３４０は、音楽ファイルを格納し得、ウェブインターフェース及びストリーミング能力を提供し得る。このようにして、管理されるネットワーク３００の企業は、これらの動作のために独自のサーバを構築及び維持する必要がない。

リモートネットワーク管理プラットフォーム３２０は、仮想マシンとその中の管理されるサービスとを管理されるネットワーク３００に公開するために、サードパーティネットワーク３４０と統合するモジュールを含み得る。モジュールは、ユーザが仮想リソースをリクエストし、サードパーティネットワークに柔軟なレポートを提供することを可能にし得る。この機能を確立するために、管理されるネットワーク３００からのユーザは、サードパーティネットワーク３４０でアカウントを最初に確立し、関連付けられたリソースのセットをリクエストし得る。その後、ユーザは、リモートネットワーク管理プラットフォーム３２０の適切なモジュールにアカウント情報を入力し得る。これらのモジュールは、アカウント内の管理可能なリソースを自動的にその後発見し得、使用、性能、及び支払い請求に関連するレポートをも提供し得る。

インターネット３５０は、グローバルインターネットの一部分を表し得る。しかしながら、インターネット３５０は、代わりに、プライベートワイドエリア又はローカルエリアパケット交換ネットワーク等の異なるタイプのネットワークを表し得る。

図４は、管理されるネットワーク３００と計算インスタンス３２２との間の通信環境を更に説明し、追加の機構及び代替の実施形態を紹介する。図４では、計算インスタンス３２２は、データセンタ４００Ａ及び４００Ｂに渡って複製されている。これらのデータセンタは、おそらく異なる都市又は異なる国に、相互に地理的に離れていてもよい。各データセンタは、管理されるネットワーク３００及びリモートユーザとの通信を容易にするサポート機器を含む。

データセンタ４００Ａでは、外部デバイスとの間のネットワークトラフィックは、ＶＰＮゲートウェイ４０２Ａ又はファイアウォール４０４Ａの何れかを通じて流れる。ＶＰＮゲートウェイ４０２Ａは、インターネットプロトコルセキュリティ（ＩＰＳＥＣ）又はトランスポートレイヤセキュリティ（ＴＬＳ）等のセキュリティプロトコルを経由して、管理されるネットワーク３００のＶＰＮゲートウェイ４１２とピアリングされ得る。ファイアウォール４０４Ａは、ユーザ４１４及びリモートユーザ４１６等の許可されたユーザからのアクセスを可能にし、許可されていないユーザへのアクセスを拒否するように構成され得る。ファイアウォール４０４Ａを経由して、これらのユーザは、計算インスタンス３２２、及び可能性として他の計算インスタンスにアクセスし得る。ロードバランサ４０６Ａは、計算インスタンス３２２をホストする１つ以上の物理又は仮想サーバデバイス間でトラフィックを分散するために使用され得る。ロードバランサ４０６Ａは、データセンタ４００Ａ（例えば、計算インスタンス３２２）の内部構成をクライアントデバイスから隠すことによってユーザアクセスを単純化し得る。実例として、計算インスタンス３２２が、複数のデータベースへのアクセスを共有する複数の物理的又は仮想コンピューティングデバイスを含む場合、ロードバランサ４０６Ａは、あるコンピューティングデバイス又はデータベースがその他よりも著しく多忙にならないように、ネットワークトラフィック及び処理タスクをこれらのコンピューティングデバイス及びデータベースに渡って分散し得る。幾つかの実施形態では、計算インスタンス３２２は、ＶＰＮゲートウェイ４０２Ａ、ファイアウォール４０４Ａ、及びロードバランサ４０６Ａを含み得る。

データセンタ４００Ｂは、データセンタ４００Ａ内のコンポーネントの独自のバージョンを含み得る。したがって、ＶＰＮゲートウェイ４０２Ｂ、ファイアウォール４０４Ｂ、及びロードバランサ４０６Ｂは、ＶＰＮゲートウェイ４０２Ａ、ファイアウォール４０４Ａ、及びロードバランサ４０６Ａと同じ又は同様の動作を夫々実施し得る。更に、リアルタイム又は凡そリアルタイムのデータベースの複製及び／又はその他の動作を経由して、計算インスタンス３２２は、データセンタ４００Ａ及び４００Ｂ内に同時に存在し得る。

図４に示すようなデータセンタ４００Ａ及び４００Ｂは、冗長性及び高可用性を容易にし得る。図４の構成では、データセンタ４００Ａはアクティブであり、データセンタ４００Ｂはパッシブである。したがって、データセンタ４００Ａは、管理されるネットワーク３００との間の全てのトラフィックに仕えているが、データセンタ４００Ｂ内の計算インスタンス３２２のバージョンは、凡そリアルタイムで更新されている。両方のデータセンタがアクティブな構成等、他の構成がサポートされ得る。

データセンタ４００Ａが何らかの方法で故障するか、さもなければユーザにとって利用不可能になった場合、データセンタ４００Ｂがアクティブなデータセンタとして引き継ぎ得る。例えば、計算インスタンス３２２のドメイン名をデータセンタ４００Ａの１つ以上のインターネットプロトコル（ＩＰ）アドレスと関連付けるドメイン名システム（ＤＮＳ）サーバは、ドメイン名をデータセンタ４００Ｂの１つ以上のＩＰアドレスと関連付け直し得る。この関連付け直しが完了した後（これには１秒又は数秒未満かかり得る）、ユーザは、データセンタ４００Ｂを経由して計算インスタンス３２２にアクセスし得る。

図４はまた、管理されるネットワーク３００の可能な構成を説明する。上記のように、プロキシサーバ３１２及びユーザ４１４は、ファイアウォール３１０を通じて計算インスタンス３２２にアクセスし得る。プロキシサーバ３１２はまた、構成アイテム４１０にアクセスし得る。図４では、構成アイテム４１０は、クライアントデバイス３０２、サーバデバイス３０４、ルータ３０６、及び仮想マシン３０８の内の何れか又は全て、それらの上で実行する任意のアプリケーション又はサービス、並びにデバイス、アプリケーション、及びサービス間の関係の内の何れか又は全てを指し得る。したがって、用語“構成アイテム”は、任意の物理デバイス若しくは仮想デバイス、又は計算インスタンス３２２によりリモートで発見可能な又は管理される任意のアプリケーション若しくはサービス、又は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の省略表現であり得る。構成アイテムは、計算インスタンス３２２の構成管理データベース（ＣＭＤＢ）内で表され得る。

上記のように、ＶＰＮゲートウェイ４１２は、ＶＰＮゲートウェイ４０２Ａに、専用のＶＰＮを提供し得る。こうしたＶＰＮは、管理されるネットワーク３００と計算インスタンス３２２との間に大量のトラフィックがある場合、又はセキュリティポリシーがこれらのサイト間のＶＰＮの使用を提案する又は必要とする場合に役立ち得る。幾つかの実施形態では、ＶＰＮを介して直接通信する、管理されるネットワーク３００及び／又は計算インスタンス３２２内の任意のデバイスには、パブリックＩＰアドレスが割り当てられる。管理されるネットワーク３００及び／又は計算インスタンス３２２内の他のデバイスには、プライベートＩＰアドレス（例えば、サブネット１０．０．０．０／８及び１９２．１６８．０．０／１６として夫々省略表現で表される、１０．０．０．０～１０．２５５．２５５．２５５又は１９２．１６８．０．０～１９２．１６８．２５５．２５５の範囲から選択されるＩＰアドレス）が割り当てられ得る。

ＩＶ． デバイス、アプリケーション、及びサービス発見の例
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。

本明細書の実施形態の目的のために、“アプリケーション”は、１つ以上のプロセス、スレッド、プログラム、クライアントモジュール、サーバモジュール、又はデバイス若しくはデバイスのグループ上で実行する任意のその他のソフトウェアを指し得る。“サービス”は、相互に連携して働く１つ以上のデバイス上で実行する複数のアプリケーションによって提供される高レベルの能力を指し得る。例えば、高レベルのウェブサービスは、あるデバイス上で実行する複数のウェブアプリケーションサーバスレッドと、別のデバイスで実行するデータベースアプリケーションからのアクセス情報とを含み得る。

図５Ａは、構成アイテムがどのように発見され得るか、並びに発見された構成アイテムに関連する情報がどのように格納され得るかについての論理的描写を提供する。簡単にするために、リモートネットワーク管理プラットフォーム３２０、サードパーティネットワーク３４０、及びインターネット３５０は示されていない。

図５Ａでは、ＣＭＤＢ５００及びタスクリスト５０２は、計算インスタンス３２２内に格納される。計算インスタンス３２２は、発見コマンドをプロキシサーバ３１２へ送信し得る。応答において、プロキシサーバ３１２は、管理されるネットワーク３００内の様々なデバイス、アプリケーション、及びサービスへプローブを送信し得る。これらのデバイス、アプリケーション、及びサービスは、プロキシサーバ３１２へ応答を送信し得、プロキシサーバ３１２は、発見された構成アイテムに関する情報を、その中への格納のためにＣＭＤＢ５００にその後提供し得る。ＣＭＤＢ５００内に格納された構成アイテムは、管理されるネットワーク３００の環境を表す。

タスクリスト５０２は、プロキシサーバ３１２が計算インスタンス３２２に代わって実施する活動のリストを表す。発見が行われると、タスクリスト５０２はポピュレートされる。プロキシサーバ３１２は、タスクリスト５０２を繰り返し照会し、その中の次のタスクを取得し、タスクリスト５０２が空になる、又は別の停止条件に達するまで、このタスクを実施する。

発見を容易にするために、プロキシサーバ３１２は、プロキシサーバ３１２を経由して到達可能な管理されるネットワーク３００内の１つ以上のサブネットに関する情報で構成され得る。実例として、プロキシサーバ３１２には、サブネットとしてＩＰアドレス範囲１９２.１６８．０／２４が与えられ得る。その後、計算インスタンス３２２は、この情報をＣＭＤＢ５００内に格納し得、これらのアドレスの各々でのデバイスの発見のためにタスクリスト５０２内にタスクを配置し得る。

図５Ａはまた、構成アイテム５０４、５０６、５０８、５１０、及び５１２として、管理されるネットワーク３００内のデバイス、アプリケーション、及びサービスを描写する。上記のように、これらの構成アイテムは、物理及び／又は仮想デバイス（例えば、クライアントデバイス、サーバデバイス、ルータ、又は仮想マシン）、それらの上で実行するアプリケーション（例えば、ウェブサーバ、電子メールサーバ、データベース、又はストレージアレイ）、それらの間の関係、並びに複数の個々の構成アイテムを含むサービスのセットを表す。

タスクをタスクリスト５０２内に配置することは、発見を発動し得、さもなければプロキシサーバ３１２に発見を開始させ得る。代替的又は追加的に、発見は、手動で発動され得、又は発動イベントに基づいて自動的に発動され得る（例えば、発見は、特定の時間に１日１回自動的に開始し得る）。

一般的に、発見は、スキャン、分類、識別、及び探索の４つの論理フェーズで進行し得る。発見の各フェーズは、プロキシサーバ３１２によって、管理されるネットワーク３００内の１つ以上のデバイスへ送信される様々なタイプのプローブメッセージを含む。これらのプローブへの応答は、プロキシサーバ３１２によって受信及び処理され得、その表現はＣＭＤＢ５００へ送信され得る。したがって、各フェーズは、より多くの構成アイテムが発見され、ＣＭＤＢ５００内に格納されることをもたらし得る。

スキャンフェーズにおいて、プロキシサーバ３１２は、デバイスの一般的なタイプを判定するために、オープンな伝送制御プロトコル（ＴＣＰ）及び／又はユーザデータグラムプロトコル（ＵＤＰ）ポートに対して、指定された範囲のＩＰアドレス内の各ＩＰアドレスを精査し得る。ＩＰアドレスにおけるこうしたオープンなポートの存在は、ＩＰアドレスが割り当てられるデバイス上で特定のアプリケーションが動作していることを指し示し得、このことは、順に、デバイスにより使用されるオペレーティングシステムを識別し得る。例えば、ＴＣＰポート１３５がオープンである場合、デバイスはＷＩＮＤＯＷＳ（登録商標）オペレーティングシステムを実行している可能性がある。同様に、ＴＣＰポート２２がオープンである場合、デバイスはＬＩＮＵＸ（登録商標）等のＵＮＩＸ（登録商標）オペレーティングシステムを実行している可能性がある。ＵＤＰポート１６１がオープンである場合、デバイスは簡易ネットワーク管理プロトコル（ＳＮＭＰ）を通じて更に識別可能であり得る。他の可能性が存在する。特定のＩＰアドレスとそのオープンなポートとにおいてデバイスの存在が一旦発見されると、これらの構成アイテムはＣＭＤＢ５００内に保存される。

分類フェーズにおいて、プロキシサーバ３１２は、そのオペレーティングシステムのバージョンを判定するために、発見された各デバイスを更に精査（ｐｒｏｂｅ）し得る。特定のデバイスに対して使用されるプローブは、スキャンフェーズの間にデバイスについて収集された情報に基づく。例えば、ＴＣＰポート２２がオープンであるデバイスが見つかった場合、ＵＮＩＸ（登録商標）固有のプローブのセットが使用され得る。同様に、ＴＣＰポート１３５がオープンであるデバイスが見つかった場合、ＷＩＮＤＯＷＳ（登録商標）固有のプローブのセットが使用され得る。何れの場合にも、プロキシサーバ３１２が実行するために、タスクの適切なセットがタスクリスト５０２内に配置され得る。これらのタスクは、プロキシサーバ３１２がログオンすること、さもなければ特定のデバイスからの情報にアクセスすることをもたらし得る。実例として、ＴＣＰポート２２がオープンである場合、プロキシサーバ３１２は、特定のデバイスへのセキュアシェル（ＳＳＨ）接続を開始して、ファイルシステム内の特定の位置からその上のオペレーティングシステムについての情報を取得するように命令され得る。この情報に基づいて、オペレーティングシステムが判定され得る。例として、ＴＣＰポート２２がオープンであるＵＮＩＸ（登録商標）デバイスは、ＡＩＸ（登録商標）、ＨＰＵＸ、ＬＩＮＵＸ（登録商標）、ＭＡＣＯＳ（登録商標）、又はＳＯＬＡＲＩＳ（登録商標）として分類され得る。この分類情報は、１つ以上の構成アイテムとしてＣＭＤＢ５００内に格納され得る。

識別フェーズにおいて、プロキシサーバ３１２は、分類されたデバイスについての具体的詳細を判定し得る。このフェーズの間に使用されるプローブは、分類フェーズの間に特定のデバイスについて収集された情報に基づき得る。例えば、デバイスがＬＩＮＵＸ（登録商標）として分類された場合、ＬＩＮＵＸ（登録商標）固有のプローブのセットが使用され得る。同様に、デバイスがＷＩＮＤＯＷＳ（登録商標）２０１２として分類された場合、ＷＩＮＤＯＷＳ（登録商標）２０１２固有のプローブのセットとして使用され得る。分類フェーズの場合と同様に、プロキシサーバ３１２が実行するために、タスクの適切なセットがタスクリスト５０２内に配置され得る。これらのタスクは、ベーシック入力／出力システム（ＢＩＯＳ）情報、シリアル番号、ネットワークインターフェース情報、これらのネットワークインターフェースに割り当てられたメディアアクセス制御アドレス、及び特定のデバイスにより使用されるＩＰアドレス等の情報を特定のデバイスからプロキシサーバ３１２が読み出すことをもたらし得る。この識別情報は、１つ以上の構成アイテムとしてＣＭＤＢ５００内に格納され得る。

探索フェーズにおいて、プロキシサーバ３１２は、分類されたデバイスの動作状態についての更なる詳細を判定し得る。このフェーズの間に使用されるプローブは、分類フェーズ及び／又は識別フェーズの間に特定のデバイスについて収集された情報に基づき得る。この場合も、プロキシサーバ３１２が実行するために、タスクの適切なセットがタスクリスト５０２内に配置され得る。これらのタスクは、プロセッサ情報、メモリ情報、及び実行中のプロセス（アプリケーション）のリスト等の追加情報を特定のデバイスからプロキシサーバ３１２が読み出すことをもたらし得る。再度、発見された情報は、１つ以上の構成アイテムとしてＣＭＤＢ５００内に格納され得る。

ルータ等のネットワークデバイス上で発見を実行することは、ＳＮＭＰを利用し得る。実行中のプロセス又はその他のアプリケーション関連情報のリストを判定することの代わりに、又はそのことに加えて、発見は、ルータに認識されている追加のサブネットと、ルータのネットワークインターフェースの動作状態（例えば、アクティブ、非アクティブ、キューの長さ、ドロップしたパケット数等）とを判定し得る。追加のサブネットのＩＰアドレスは、更なる発見手順に対する候補であり得る。したがって、発見は、反復的又は再帰的に進行し得る。

発見が一旦完了すると、発見された各デバイス、アプリケーション、及びサービスのスナップショット表現がＣＭＤＢ５００内で利用可能である。例えば、発見後、管理されるネットワーク３００内のクライアントデバイス、サーバデバイス、及びルータに対するオペレーティングシステムのバージョン、ハードウェア構成、及びネットワーク構成の詳細、並びにそれらの上で実行するアプリケーションが格納され得る。この収集された情報は、デバイスのハードウェア構成及び動作ステータス、並びに複数のデバイスとアプリケーションとに及ぶサービスの特徴をユーザが見ることを可能にするように、様々な方法でユーザに提示され得る。

更に、ＣＭＤＢ５００は、構成アイテム間の依存性及び関係に関するエントリを含み得る。より具体的には、特定のサーバデバイス上で実行しているアプリケーション、及びこのアプリケーションに依存するサービスは、ＣＭＤＢ５００内でそのように表され得る。実例として、データベースアプリケーションがサーバデバイス上で実行していると仮定し、並びにこのデータベースアプリケーションが新入社員オンボーディングサービス及び給与サービスにより使用されると仮定する。したがって、サーバデバイスがメンテナンスのために動作を停止した場合、社員オンボーディングサービス及び給与サービスが影響を受けるであろうことは明らかである。同様に、構成アイテム間の依存性及び関係は、特定のルータが故障した場合に影響を受けるサービスを表すことが可能であり得る。

一般的に、構成アイテム間の依存性及び関係は、ウェブベースのインターフェース上に表示され得、階層的方法で表され得る。したがって、こうした依存性及び関係の追加、変更、又は削除は、このインターフェースを経由して達成され得る。

更に、管理されるネットワーク３００からのユーザは、ある一定の調整された活動が複数の発見されたデバイスに渡って行われることを可能にするワークフローを開発し得る。実例として、ＩＴワークフローは、単一の動作で、全ての発見されたＬＩＮＵＸ（登録商標）デバイスに共通の管理者パスワードをユーザが変更することを可能にし得る。

上で説明した方法で発見が行われるために、プロキシサーバ３１２、ＣＭＤＢ５００、及び／又は１つ以上のクレデンシャルストアは、発見されるデバイスの内の１つ以上に対するクレデンシャルで構成され得る。クレデンシャルは、デバイスにアクセスするために必要な任意のタイプの情報を含み得る。これらは、ユーザＩＤ／パスワードの対及び資格証明書等を含み得る。幾つかの実施形態では、これらのクレデンシャルは、ＣＭＤＢ５００の暗号化されたフィールド内に格納され得る。プロキシサーバ３１２は、発見されているデバイスにログオンするため、さもなければアクセスするためにこれらのクレデンシャルをプロキシサーバ３１２が使用し得るように、クレデンシャルに対する復号化キーを含み得る。

発見プロセスは、図５Ｂにフローチャートとして描写されている。ブロック５２０において、計算インスタンス内のタスクリストは、実例として、ＩＰアドレスの範囲でポピュレートされる。ブロック５２２において、スキャンフェーズが行われる。したがって、プロキシサーバは、これらのＩＰアドレスを使用してデバイスに対するＩＰアドレスを精査し、これらのデバイス上で実行しているオペレーティングシステムの判定を試みる。ブロック５２４において、分類フェーズが行われる。プロキシサーバは、発見されたデバイスのオペレーティングシステムのバージョンの判定を試みる。ブロック５２６において、識別フェーズが行われる。プロキシサーバは、発見されたデバイスのハードウェア及び／又はソフトウェア構成の判定を試みる。ブロック５２８において、探索フェーズが行われる。プロキシサーバは、発見されたデバイス上で実行している動作状態及びアプリケーションの判定を試みる。ブロック５３０において、発見されたデバイス及びアプリケーションを表す構成アイテムの更なる編集が行われ得る。この編集は、本質的に自動化され得、及び／又は手動で行われ得る。

図５Ｂに表したブロックは、例示を目的とする。発見は、より多くの又はより少ないフェーズを有し得る高度に構成可能な手順であり得、各フェーズの動作は変更し得る。幾つかの場合、１つ以上のフェーズがカスタマイズされ得、さもなければ上記の例示的な説明から逸脱し得る。

Ｖ． テキストクエリの自然言語処理
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。

各インシデントは、インシデントレポートとして表され得る。インシデントレポートは様々なフォーマットで存在し得、様々なタイプの情報を含み得るが、例示的なインシデントレポート６００が図６に示されている。インシデントレポート６００は、左の列内の幾つかのフィールドからなり、それらの内の少なくとも幾つかは、右の列内の値と関連付けられる。

フィールド６０２は、インシデントの発信者、この場合はボブ・スミスを識別する。フィールド６０４は、インシデントが作成された時刻、この場合は２０１８年２月７日午前９時５６分を識別する。フィールド６０５は、問題の簡単な説明を提供するテキスト文字列である。フィールド６０６は、発信者によって提供されるような問題の説明を識別する。したがって、フィールド６０６は、数語から数文以上までの辺りを含む自由形式のテキスト文字列であり得る。フィールド６０８は、インシデントのカテゴリ分類であり、この場合は電子メールである。このカテゴリ分類は、発信者、インシデントが割り当てられたＩＴ担当者によって提供され得、又は問題説明フィールドのコンテクストに基づいて自動的に提供され得る。

フィールド６１０は、（該当する場合）インシデントが割り当てられるＩＴ担当者、この場合はアリスジョーンズを識別する。フィールド６１２は、インシデントのステータスを識別する。ステータスは、実例として、“オープン”、“割り当て済み”、“作業中”、又は“解決済み”の内の１つであり得る。フィールド６１４は、（該当する場合）インシデントがどのように解決されたかを識別する。このフィールドは、インシデントが割り当てられたＩＴ担当者又は別の個人によって記入され得る。フィールド６１６は、インシデントが解決された時刻、この場合は２０１８年２月７日午前１０時１０分を識別する。フィールド６１８は、（該当する場合）インシデントのクローズコードを指定し、“クローズ（永続的）”、“クローズ（ワークアラウンド）”、“クローズ（再現不可）”等の値を取り得る。フィールド６２０は、インシデントが割り当てられたＩＴ担当者等によって、レコードに追加された任意の追加のメモを識別する。フィールド６２２は、ユーザが将来同様の問題に対処する必要を回避するのに役立ち得るオンライン記事へのリンクを識別する。

インシデントレポート６００は、例の目的で提示されている。他のタイプのインシデントレポートが使用され得、これらのレポートは、より多くの、より少ない、及び／又は異なるフィールドを含み得る。

インシデントレポート６００等のインシデントレポートは、様々な方法で作成され得る。実例として、ウェブフォーム、指定されたアドレスへ送信される電子メール、及び音声からテキストへの変換を使用するボイスメールボックス等を経由する。これらのインシデントレポートは、照会可能なインシデントレポートデータベース内に格納され得る。例として、テキスト文字列の形式のクエリは、テキスト文字列内の単語を含む１つ以上のインシデントレポートを返し得る。追加的又は代替的に、インシデントレポートの１つ以上の要素（例えば、“簡単な説明”フィールド）は、知識ベースの記事、他のインシデントレポート、又はテキストのその他の何らかのコーパスのデータベースを照会するために使用され得る。このことは、他のインシデントレポート、解決された過去のインシデントレポート、過去の問題の解決に関するレポート、知識ベースの記事、又はインシデントレポートで表される問題の解決を容易にするためのインシデントレポートに関連し得るその他の情報を識別するために行われ得る。

このプロセスは、図７に説明されている。テキストクエリは、ウェブインターフェース７００に入力され得る。このウェブインターフェースは、リモートネットワーク管理プラットフォーム３２０の計算インスタンスを経由して供給され得る。ウェブインターフェース７００は、テキストクエリをデータベースクエリ（例えば、ＳＱＬクエリ）に変換し、ＳＱＬクエリをデータベース７０２に提供する。このデータベースは、ＣＭＤＢ５００又は何らかのその他のデータベースであり得る。データベース７０２は、図６に示されるような問題説明フィールドを備えた幾つかのインシデントレポートを含む。それにもかかわらず、データベース７０２は、クエリを行い、一致する結果をウェブインターフェース７００に返す。１つ以上のそうした結果が返され得る。ウェブインターフェース７００は、これらの結果をウェブページとして提供する。

例えば、テキストクエリが“電子メール”である場合、ウェブインターフェース７００は、このクエリをデータベース７０２のＳＱＬクエリに変換し得る。例えば、クエリは、インシデントレポートを含むテーブルの問題説明フィールドを見ることがある。クエリに一致する、すなわち、用語“電子メール”を含むこうした任意のインシデントレポートは、クエリ結果内に提供され得る。したがって、“私の電子メールクライアントは新たな電子メールをダウンロードしていません”、“電子メールがクラッシュしました”、“電子メールに接続できません”という問題説明を有するインシデントレポートが提供される一方で、問題説明“ＶＰＮがタイムアウトしました”を有するインシデントレポートは返されない。

このマッチング技術は単純であり、幾つかの欠点がある。それは、インシデント内のクエリのテキストの存在のみを考慮する。したがって、それは、クエリテキストの前後に出現する単語等のコンテクスト情報を考慮しない。また、クエリテキストの同義語（例えば、“メール”又は“メッセージ”）及びクエリテキストのスペルミス（例えば、“ｅｍｉａｌ”）は、この例では何ら結果を返さないであろう。

更に、そうした解決策を展開することは、英語の各単語に対する１次元のエントリと、各インシデントの問題説明に対する別次元のエントリとを有する、非効率的な疎行列の使用を含むであろう。英単語の正確な数は議論の余地があるが、少なくとも１５０，０００語～２００，０００語あり、一般的な使用では約２０，０００語未満である。多忙なＩＴ部門が数万件のインシデントのデータベースを有し得ることを考えると、この行列は、最も一般的に使用される２０，０００語だけが含まれている場合であっても、非常に大きく、格納するのに無駄があるであろう。

したがって、上記の比較方法は、テキストサンプルのセマンティックなコンテンツ及び／又はコンテクストを比較する様々な方法によって置き換えられ、及び／又はそれらを用いて増強され得る。これらの方法は、自然言語処理を容易にするように、様々な機械学習技術を改善し得る。そうした技術は、テキストのサンプルから単語及び／若しくは段落ベクトルを判定すること、人工ニューラルネットワーク若しくは他の深層学習アルゴリズムを適用すること、感情分析、又はテキストのサンプル間の類似性を判定するためのその他の技術を含み得る。例えば、これらの又はその他の自然言語処理技術は、インシデントレポートの１つ以上のテキストフィールドと他のインシデントレポート、解決されたインシデントレポート、知識ベースの記事、又は他の潜在的に関連するテキストのサンプルとの間の類似性を判定するために適用され得る。

ＶＩ． セマンティックなコンテンツに基づくテキストクエリの自然言語処理
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。

こうした技術は、インシデントレポートに関連するテキストクエリのマッチングを改善するために適用され得る。これらの技術は、テキストのサンプルに基づいてトレーニングされ得る様々な機械学習アルゴリズムを含み得る。トレーニングに使用されるテキストのサンプルは、インシデントレポートの過去の例、知識ベースの記事、又はトレーニングされるモデルが適用されるであろうテキストサンプルと同じ性質のその他のテキストサンプルを含み得る。このことは、その意図するアプリケーション内の一般的な語彙、トピック、慣用的な単語の使用に一意に適合されているモデルを提供する利点を有する。

こうした技術は、テキストのサンプルから単語及び／又は段落ベクトルを判定すること、ＡＮＮ若しくはその他の深層学習アルゴリズムを適用すること、感情分析を実施すること、又はテキストのサンプル間の類似性を判定するため、トピック若しくはコンテンツに従ってテキストの複数のサンプルを共にグループ化するため、テキストのサンプルを別個の内部関連セグメントに分割するため、単語間の統計的関連付けを判定するため、又はその他の何らかの言語処理タスクを実施するためのその他の技術を含み得る。以下に、単語及びテキスト文字列のコンパクトでセマンティックな表現を提供するＡＮＮモデルを使用して、テキストのサンプル間の類似値を判定するための特定の方法が、そうした技術の非限定的な例として提供される。しかしながら、本明細書の他の場所で適用されるように、テキストのサンプル間の類似値を生成するために他の技術が適用され得る。以下の論考では、単語のセマンティックな意味を表すためにＡＮＮモデルをトレーニングするための２つのアプローチ、単語ベクトル及び段落ベクトルがある。これらの技術は、相互に又は他の技術と組み合わされ得る。

Ａ． 単語ベクトル
“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。

単語ベクトルは、テキストのサンプルの全体的なセマンティックなコンテンツを迅速かつ効率的に比較するために使用され得、テキストのサンプル間の類似値を判定することを可能にする。このことは、テキストサンプルの各々内の単語の単語ベクトル間の距離、コサイン類似度、又はその他の何らかの類似性の尺度を判定することを含み得る。例えば、テキストサンプルの各々内の単語ベクトルの平均が判定され得、平均間のコサイン類似度は、テキストサンプル間の類似性の尺度としてその後使用され得る。追加的又は代替的に、単語ベクトルは、感情分析を実施するため、テキストのサンプルを分類又はクラスタリングするため、テキストのサンプル間の類似性のレベルを判定するため、又は他の何らかの言語処理タスクを実施するために、ＡＮＮ、サポートベクトルマシン、決定木、又はその他の何らかの機械学習アルゴリズムへの入力として提供され得る。

単語ベクトルは、様々な方法で単語のセットに対して判定され得る。一例では、単語ベクトルの行列は、ＡＮＮの入力層であり得る。（単語ベクトルの行列を含む）ＡＮＮは、これらのテキスト文字列内に出現する単語間のコンテクスト関係を判定するために、データベースからの多数のテキスト文字列を用いてその後トレーニングされ得る。こうしたＡＮＮ８００は図８Ａに示されている。ＡＮＮ８００は、入力層８０２を含み、それは、隠れ層８０４に供給され、それは、順に、出力層８０６に供給される。入力層８０２及び出力層８０６のノードの数は、事前定義された語彙又は辞書内の単語の数（例えば、２０，０００語、５０，０００語、又は１００，０００語）に等しくてもよい。隠れ層８０４内のノードの数は、遥かに少なくてもよい（例えば、図８Ａに示されるような６４、又は１６、３２、１２８、５１２、１０２４等の他の値）。

データベース内のテキスト文字列毎に、ＡＮＮ８００は単語の１つ以上の配置を用いてトレーニングされる。実例として、図８Ｂでは、ＡＮＮ８００は、入力単語“電子メール”と、出力（コンテクスト）単語“できません”、“接続”、“に”とを用いてトレーニングされていることが示されている。出力単語は、出力層８０６によって生成された結果が比較されるグラウンドトゥルース出力値として機能する。この配置は、データベース７０２内のテキスト文字列において“電子メール”が“できません”、“接続”、及び“に”に近接して出現することを反映する。

実装では、このことは、１の入力を受信するノードＩ_２、及び０の入力を受信する入力層８０２内の他の全てのノードとして表され得る。同様に、ノードＯ_１は“できません”のグラウンドトゥルース値と関連付けられ、ノードＯ_２は“接続”のグラウンドトゥルース値と関連付けられ、ノードＯ_３は“に”のグラウンドトゥルース値と関連付けられる。実装において、このことは、ノードＯ_１、Ｏ_２、及びＯ_３が１のグラウンドトゥルース値と関連付けられ、出力層８０６内の他の全てのノードが０のグラウンドトゥルース値と関連付けられることとして表され得る。損失関数は、例えば、上記の入力に応答して出力層８０６により生成された出力と、出力層ノードと関連付けられたグラウンドトゥルース値を含むベクトルとの間の二乗誤差の和であり得る。

データベース７０２からのこのテキスト文字列の他の配置は、ＡＮＮをトレーニングするために使用され得る。実例として、図Ａに示すように、ＡＮＮ９００の入力層９０２への入力単語は“できません”であり得、出力層９０６の出力単語は“接続”、“に”、及び“電子メール”であり得る。別の例では、図９Ｂに示すように、入力単語は“接続”であり得、出力単語は“できません”、“に”、及び“電子メール”であり得る。

一般的に、これらの配置は、出力単語が入力単語のｗ個の単語内にあり（例えば、ｗは１、２、３、５等）、出力単語が入力単語と同じ文内にあり、出力単語が入力単語と同じ段落内にある等々のように選択され得る。更に、データベース７０２内の各テキスト文字列の様々な単語の配置は、ＡＮＮ（例えば、ＡＮＮ８００又はＡＮＮ９００）をトレーニングするために使用され得る。これらのテキスト文字列は、簡単な説明フィールド６０５、問題説明フィールド６０６、カテゴリフィールド６０８、解決策フィールド６１４、メモフィールド６２０、及び／又はインシデントレポート内の任意の他のフィールド若しくはフィールドの組み合わせから選択され得る。

ＡＮＮ（例えば、８００、９００）がテキスト文字列のこれらの配置を用いてトレーニングされた後、ＡＮＮの隠れ層（例えば、８０４、９０４）は、入力単語のコンテクスト及び意味のコンパクトなベクトル表現になる。すなわち、入力層内の特定のノード（例えば、Ｉ_３）から隠れ層への重み付けは、特定のノードに対応する単語（例えば、“できません”）の単語ベクトルの要素を表す。例えば、ＡＮＮが（より多くの又はより少ないテキスト文字列が使用され得るが）１０，０００語程度のテキスト文字列のコーパスを用いて完全にトレーニングされていると仮定すると、“電子メール”の入力単語は“メール”の入力単語の類似のベクトル表現を有し得る。直感的には、ＡＮＮが入力単語のコンテクストを判定しなければならないのは隠れ層だけなので、２つの単語が類似のコンテクストを有する場合、それらは類似したベクトル表現を有する可能性が高くなる。

幾つかの実施形態では、ＡＮＮは、出力ノードＯ_１・・・Ｏ_ｎと関連付けられた入力単語と、入力ノードＩ_１・・・Ｉ_ｎと関連付けられた出力（コンテクスト）単語とを用いてトレーニングされ得る。この配置は、隠れ層に対して同一又は類似のベクトルを産出し得る。

更に、この方法で生成されたベクトルは相加的である。したがって、“電子メール”のベクトル表現から“メール”のベクトル表現を減算することは、値が０に近いベクトルを産出することが予想される。しかしながら、“電子メール”のベクトル表現から“ＶＰＮ”のベクトル表現を減算することは、より高い値のベクトルを産出することが予想される。このように、モデルは、“電子メール”及び“メール”が“電子メール”及び“ＶＰＮ”よりも近い意味を有することを指し示す。

関心のある全ての単語に対してベクトル表現が一旦判定されると、これらのベクトルの線形及び／又は乗法の集約が、テキスト文字列を表すために使用され得る。実例として、テキスト文字列“電子メールに接続できません”に対するベクトルは、単語“できません”、“接続”、“に”、及び“電子メール”に対する個々のベクトルを合算することで見つけられ得る。幾つかの場合、平均又は他の何らかの動作が単語に対するベクトルに適用され得る。これは、その中の各エントリをｍで割ったｍ個のベクトルｖ_ｉのベクトル和として以下で表され得、ｉ＝｛１・・・ｍ｝である。しかしながら、加重平均等の他の可能性が存在する。

集約がどのように判定されるかに関係なく、この一般的な技術は、データベース７０２内の各テキスト文字列に対するベクトル表現を見つけることを可能にする。これらのベクトル表現は、それらの関連付けられたテキスト文字列と共に、又は別々に、データベース７０２内にも格納され得る。これらのベクトル表現は、テキスト文字列を比較し、テキスト文字列をクラスタリング又はグループ化し、他の何らかの機械学習分類器をトレーニングするため、又は他の何らかのタスクを実行するためにその後使用され得る。例えば、特定のクエリテキストに対する一致するテキスト文字列は、クエリテキストのベクトル表現とデータベース７０２内のテキストのサンプルの格納されたベクトル表現との間のコサイン類似度又は他の類似値を判定することによって判定され得る。

比較は、この方法で“一致する（ｍａｔｃｈ）”データベース７０２からの１つ以上のテキスト文字列ベクトルを識別し得る。幾つかの場合、これは、最も高い類似性を有するｋ個のテキスト文字列ベクトル、又は事前に決定された値よりも大きい類似性を有する任意のテキスト文字列ベクトルであり得る。識別されたテキスト文字列ベクトルは、データベース７０２内に記録されたインシデントレポートのより大きなコーパス内の、クエリテキスト文字列ベクトルに対応する追加のインシデントレポートに関連する、インシデントレポートのサブセットに対応し得る。識別されたテキスト文字列ベクトルの各々に対して、関連付けられたテキスト文字列は、データベース７０２内で検索され得、出力テキスト文字列として提供され得る。幾つかの場合、関連付けられたインシデントレポートも提供され得る。

幾つかの場合、事前に決定された寿命よりも古くないインシデントレポートのみが提供される。実例として、システムは、過去３か月、６か月、又は１２か月以内に解決されたインシデントレポートからのみテキスト文字列ベクトルを識別するように構成され得る。或いは、システムは、過去３か月、６か月、又は１２か月以内にオープンにされたインシデントレポートからのみテキスト文字列ベクトルを識別するように構成され得る。

このようにして、入力されたテキスト文字列のものと類似の問題説明を有するインシデントレポートが迅速に識別され得る。特に、このシステムは、入力されたテキスト文字列に関連し、入力されたテキスト文字列に有意である可能性がより高いコンテクスト結果を提供する。その結果、問題説明内のものと類似の問題が過去にどのように報告され、対処されたかを判定するために、個人はこれらのインシデントレポートを確認し得る。このことは、インシデントの解決にかかる時間が大幅に削減されることをもたらし得る。

追加的又は代替的に、これらの実施形態は、インシデントレポートのコーパス内のセマンティックに及び／又はコンテクスト上類似のインシデントレポートのクラスタを検出及び識別するために適用され得る。例えば、ＩＴシステムのユーザに影響を与える可能性のある類似の問題に関連するインシデントレポートのクラスタ、ＩＴシステムの１つ以上の態様の進行中の誤構成、ＩＴシステムのコンポーネントにおける進行性のハードウェア障害、又はＩＴシステム内で繰り返し発生するその他の何らかの問題。関連するインシデントレポートのこうしたクラスタを識別することは、（例えば、障害のある、又は一貫性なく実施しているハードウェア若しくはソフトウェアを交換及び／又は再構成することによって）ＩＴシステムが修復又はアップグレードされること、よくある間違いを回避するようにユーザがトレーニングされること、滅多に発生しないハードウェア若しくはソフトウェアの問題が検出及び修正されること、又はその他の利益を可能にし得る。

関連するインシデントレポートのこうしたクラスタは、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、インシデントレポートに対応する集約された単語（及び／又は段落）ベクトルを識別することによって検出及び／又は識別され得る。セマンティックに符号化されたベクトル空間内のそうしたクラスタを検出するために、様々な方法、例えば、ｋ平均クラスタリング、サポートベクトルマシン、ＡＮＮ（例えば、利用可能なトレーニング例のコーパス内のトレーニング例の関連サブセットを識別するように構成及び／又はトレーニングされた教師なしのＡＮＮ）、又はベクトル空間内の関連するベクトルのクラスタを識別するためのその他の何らかの分類若しくはその他の方法が用いられ得る。

Ｂ． 段落ベクトル
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。

しかしながら、文又はその他の節（例えば、句、複数の文、段落、テキストのより大きなサンプル内のテキストセグメント、又は文書）の完全なセマンティックな意味は、（例えば、ベクトル代数を適用することによって）文の個々の単語ベクトルから常に捕捉できるとは限らない。単語ベクトルは、個々の単語のセマンティックなコンテンツを表し得、短いコンテクストウィンドウを使用してトレーニングされ得る。したがって、語順のセマンティックなコンテンツ、及び短いコンテクストウィンドウ外の何らかの情報は、単語ベクトルのみに基づいて動作する場合には喪失される。

例えば、“私は、今、大きな緑色のセルが欲しい”という文を考えてみる。この場合、個々の単語の単純なベクトル代数は、単語“セル”が複数の可能な意味を有し、したがって、曖昧になり得るので、単語“セル”の正しいセマンティックな意味を提供することに失敗することがある。コンテクストに依存して、“セル”は、生物学的細胞、居房、又は通信ネットワークのセルであり得る。したがって、所与の単語がサンプリングされる段落、文、又は句は、重要なコンテクスト情報を提供し得る。

別の例では、文“あなたはどこにいますか＿”が与えられた場合、文がシェイクスピアについての段落から派生していると言われた場合には、欠落している単語を“ロミオ”として予測することは簡単である。したがって、段落全体のセマンティックなベクトル表現を学習することは、その段落からサンプリングされた単語のコンテクストを予測するのに役立ち得る。

単語ベクトルを学習するための上記の方法と同様に、ＡＮＮ又はその他の機械学習構造は、段落全体、文、句、又は他のマルチワードのテキストサンプルのコンテクスト上の意味を判定するため、並びにコーパス内の段落を構成する個々の単語の意味を判定するために、コーパス内の多数の段落を使用してトレーニングされ得る。こうしたＡＮＮ１０００は図１０Ａに示されている。ＡＮＮ１０００は、入力層１００２を含み、それは、隠れ層１００４に供給され、それは、順に、出力層１００６に供給される。入力層１００２は、２つのタイプの入力部分構造、単語を表す（入力ノードI_１・・・I_ｍからなる）上部部分構造１０１０と、段落（文書）を表す（入力ノードＤ_１・・・Ｄ_ｍからなる）下部部分構造１０１０とからなることに留意されたい。出力層１００６及び最上部の入力層部分構造１００８内のノードの数は、コーパス全体内の一意な単語の数に等しくてもよい。底部の入力層部分構造１０１０内のノードの数は、コーパス全体内の一意な段落の数と同等であり得る。本明細書で使用されるとき、“段落”は、文、段落、インシデントレポートの１つ以上のフィールド、テキストのより大きな文字列のセグメント、又はテキストの他の何らかのマルチワードの文字列であり得ることに留意されたい。

コーパス内の各段落に対して、ＡＮＮ１０００は、段落に渡ってスライディングウィンドウを移動することから生成された固定長のコンテクストを用いてトレーニングされる。したがって、所与の段落ベクトルは、そのソース段落から作成された全てのトレーニングコンテクスト間で共有されるが、他の段落から作成されたトレーニングコンテクスト間では共有されない。単語ベクトルは、全ての段落から作成されたトレーニングコンテクスト間で共有され、例えば、“できません”に対するベクトルは全ての段落に対して同じである。段落のサイズに制限はなく、それらは、文書全体と同じくらい大きくても、文又は句と同じくらい小さくてもよい。図１０Ａでは、ＡＮＮ１０００が単一のトレーニング反復で示され、入力単語コンテクスト“できません”、“接続”、及び“に”、入力段落コンテクストＤＯＣ１、並びに出力単語“電子メール”を用いてトレーニングされている。出力単語は、出力層１００６によって産出された結果が比較されるグラウンドトゥルース出力値として機能する。この配置は、“電子メール”が“できません”、“接続”、及び“に”に近接して出現し、ＤＯＣ１内にあることを反映している。

実装では、これは、１のグラウンドトゥルース値を受信する出力ノードＯ_４、並びに０のグラウンドトゥルース値を有する出力層１００６内の他の全てのノードとして表され得る。同様に、ノードＩ_１は“できません”のグラウンドトゥルース値を有し、ノードＩ_２は“接続”のグラウンドトゥルース値を有し、ノードＩ_３は、“に”のグラウンドトゥルース値を有し、ノードＤ_１はＤＯＣ１のグラウンドトゥルース値を有する。実装では、これは、１の値と関連付けられているノードＩ_１、Ｉ_２、Ｉ_３、及びＤ_１、並びに値０を有する入力層１００２内の他の全てのノードとして表され得る。損失関数は、例えば、出力層１００６の出力と、グラウンドトゥルース値を含むベクトルとの間の二乗誤差の和であり得る。対応する単語ベクトル及び段落ベクトルの重み値、並びに全ての出力層パラメータ（例えば、ソフトマックス重み付け）は、（例えば、バックプロパゲーションを介して）損失関数に基づいて更新される。

図１０Ｂは、後続のコンテクストウィンドウを用いてトレーニングされているＡＮＮ１０００を示す。このコンテクストウィンドウは同じ文書から派生するが、文書内の単語を前にシフトし、入力単語コンテクスト“接続”、“に”、及び“電子メール”、入力段落コンテクストＤＯＣ１、並びに出力単語“サーバ”を使用する。実装では、これらの入力及び出力は、上の説明と同様にグラウンドトゥルース値で符号化され得る。

図１０Ｃは、コーパス内の別の文書を用いてトレーニングされたＡＮＮ１０００のインスタンスを示す。コンテクストウィンドウはこの文書から派生し、入力単語コンテクスト“できません”、“ロード”、及び“私の”、入力段落コンテクストＤＯＣ２、並びに出力単語“データベース”を使用する。実装では、これらの入力及び出力は、上の説明と同様にグラウンドトゥルース値で符号化され得る。

ＡＮＮ１０００がトレーニングされた後、隠れ層１００４と関連付けられた重みは、入力された単語及び段落のコンテクスト及び意味のコンパクトなベクトル表現になる。例えば、ＡＮＮ１０００が１，０００段落のコーパスを用いて完全にトレーニングされ、コーパス全体が１０，０００語の一意の単語を含むとすると、各段落及び各単語は、隠れ層１００４内の隠れノードの数に等しい長さを有する一意のベクトルによって表され得る。これらの一意のベクトルは、段落内の単語又は段落自体のコンテクスト上の意味を符号化する。

図１０Ｄは、以前は見られていない新たな段落に対する段落ベクトルを計算するために、推論ステップを実施する予測時におけるＡＮＮ１０００を示す。この推論ステップは、見られていない段落（ＤＯＣ Ｍ＋１）を表す追加の入力ノード１０１２を入力層部分構造１０１０に追加することによって開始する。この推論プロセスの間、単語ベクトル部分構造１００８の係数、及び隠れ層１００４と出力層１００６との間の学習された重みは固定されたままである。したがって、モデルは、見られていない段落の新たなセマンティックなベクトル表現を取得するために、入力段落ベクトル部分構造１０１０内の見られていない段落に対応する追加の段落ベクトル１０１２を生成する。入力ノードを入力層部分構造１０１０に追加することによって、同様のプロセスを通じて、追加の見られていない段落がトレーニングされ得る。

或いは、段落ベクトルは、入力層の単語コンテクストを無視し、入力として段落ベクトルのみを使用し、出力層内の段落からランダムにサンプリングされた異なる単語コンテクストをモデルに予測させることによってトレーニングされ得る。こうしたＡＮＮの入力層は段落ベクトルのみからなる一方で、出力層は、所与の段落からランダムに生成された単一のコンテクストウィンドウを表す。こうしたＡＮＮをトレーニングすることは、コーパス内の段落のセマンティックなコンテンツに対するベクトル表現をもたらし得るが、必ずしも、その中の単語に対する何らかのセマンティックなベクトル表現を提供するとは限らないであろう。

コーパス内の段落に対してベクトル表現が一旦判定されると、関心のあるトピックを表すために、これらのベクトルの線形及び／又は乗法の集約が使用され得る。更に、ＡＮＮ１０００に示されているように、段落ベクトルの次元が単語ベクトルの次元と同じである場合、単語ベクトルと段落ベクトルとの間の線形及び乗法の集約が取得され得る。例えば、百科事典をコーパスとして使用して“ジュリアスシーザー”に相当する中国語を見つけるには、ベクトル演算ＰＶ（“ジュリアスシーザー”）－ＷＶ（“ローマ語”）＋ＷＶ（“中国語”）によって実現され得、ＰＶは（ウィキペディアの記事全体を表す）段落ベクトルであり、ＷＶは単語ベクトルである。したがって、段落ベクトルは、よりコンテクストベースの結果を有する単語ベクトルと同じ種類の類推を実現し得る。

実際には、そうした学習された段落ベクトルは、感情予測モデル等の他の教師あり学習モデルへの入力として使用され得る。ＡＮＮ、サポートベクトルマシン（ＳＶＭ）、又は単純ベイズ分類器を含み得るがこれらに限定されないこうしたモデルでは、段落ベクトルは、対応する感情ラベルを出力として有する入力として使用される。段落のコーパス内の類似したトピックに関する段落を見つける又はグループ化するために、コサイン類似度及び最近傍クラスタリングアルゴリズム等の他のメトリックが段落ベクトルに適用され得る。

本実施形態では、学習された単語ベクトルと段落ベクトルとの組み合わせは、インシデントレポート、例えば、図６に示したようなインシデントレポート６００の構造及び意味を判定するのに役立ち得る。インシデントレポート６００は、左の列内の複数のフィールドからなり、その内の少なくとも幾つかは、右の列内の値と関連付けられる。簡単な説明フィールド６０５、問題説明フィールド６０６、解決策フィールド６１４、及びメモフィールド６２０等のより長いテキストフィールドに対しては、テキストを形成する個々の単語ベクトルを集約するのではなく、むしろよりコンテクスト上の意味を取得するために、関連する右の列のテキストを段落ベクトルとして、又は右の列のテキスト内の個別のテキストセグメントに対応する複数の段落ベクトルとして表すことが好ましいことがある。インシデントレポート６００は、例の目的で提示されている。インシデントレポートの様々なフィールドは、段落ベクトル、単語ベクトル、又はそれら２つの重み付けされた組み合わせとして表されるように配置され得る。他のタイプのインシデントレポート、問題レポート、ケースファイル、又は知識ベースの記事も使用され得、これらのレポートは、より多くの、より少ない、及び／又は異なるフィールドを含み得る。

異なるフィールドを段落ベクトル、単語ベクトル、又はそれら２つの重み付けされた組み合わせとして表現した後、インシデント全体を表すための単一のベクトルが、連結（ｃｏｎｃａｔｅｎａｔｉｎｇ）、ベクトル和の生成、さもなければ個々のインシデントフィールドの単語及び／又は段落ベクトル表現の集約によって生成され得る。単一の集約インシデントベクトル表現を用いて、システムは、コサイン類似度又は上で論じたような他のメトリックに基づいて、類似の集約ベクトル（したがって類似のインシデントレポート）を識別するように構成され得る。或いは、類似のインシデントレポートに対する検索は、１つ以上の個々のフィールドの段落テキストのみを使用し得る。このようにして、インシデントレポート内の１つ以上の個々のフィールドからのテキストは、テキストの単一の段落に組み合わされ得る。段落ベクトルは、連結されたテキストのこの単一の大きな段落からその後生成され得、類似のインシデントを検索するために使用され得る。

このプロセスは、以前に説明したＡＮＮ構造の観点から説明され得る。まず、テキスト文字列は、図７のデータベース７０２から取得される。上記のように、これらのテキスト文字列は、インシデントレポートの一部からのものであり得る。その後、テキスト文字列から単語が抽出される。抽出される単語は、テキスト文字列内の単語の全て、又はこれらの単語の内の幾つかであり得る。これらの抽出された単語は、図９Ａ～図９ＢのＡＮＮ９００への入力として提供される。これらの単語の部分文字列コンテクストは、テキスト文字列から抽出される。部分文字列コンテクストは、抽出された関連付けられた単語の前、後、又は周囲の単語を含む１つ以上の部分文字列であり得る。これらのベクトル表現は、それらの個別のテキストサンプルと（例えば、コサイン類似度を使用して）比較するためにその後使用され得る。

比較は、この方法で“一致する”データベース７０２からの１つ以上のインシデントレポートを識別し得る。幾つかの場合、これは、類似性が最も高いｋ個のインシデントレポート、又は類似性が事前に決定された値よりも大きい任意のインシデントレポートであり得る。ユーザには、これらの識別されたインシデントレポート又はその参照が提供され得る。

幾つかの場合、事前に決定された寿命より古くないインシデントレポートのみが提供される。実例として、システムは、過去３か月、６か月、又は１２か月以内に解決されたインシデントレポートのみを識別するように構成され得る。或いは、システムは。過去３か月、６か月、又は１２か月以内にオープンにされたインシデントレポートのみを識別するように構成され得る。

このようにして、入力されたインシデントレポートのものと類似のコンテンツを有するインシデントレポートが迅速に識別され得る。その結果、個人は、該インシデントのものと類似の問題が過去にどのように報告され、対処されたかを判定するために、これらのインシデントレポートを確認し得る。このことは、インシデントの解決にかかる時間が大幅に削減されることをもたらし得る。

このセクションは、単語ベクトル及び段落ベクトルの幾つかの可能な実施形態を説明しているが、他の実施形態が存在し得る。例えば、異なるＡＮＮ構造と異なるトレーニング手順とが使用され得る。

ＶＩＩ． テキストクエリ又はその他のレコードのクラスタリング
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。

幾つかの例では、クラスタリングは、専門性、熟知度、又はその他の要因に従って、技術者へのレポートの割り当てを容易にし得る。追加的に又は代替的に、それらがクラスタに割り当てられるときにレポートの解決を容易にするために、識別されたクラスタ毎に知識ベースの記事、解決フローチャート、又はその他の資料が作成され得る。クエリ、インシデントレポート、又はその他のテキスト若しくは非テキストレコードのセット内のクラスタを識別することは、追加の又は代替の利点を提供し得る。

インシデントレポート、クエリ、知識ベースの記事、又はテキスト要素及び／若しくは非テキスト要素を含み得るレコードのタイプは、様々な方法でクラスタにグループ化され得る。こうしたクラスタリングは、トレーニングレコードの手動で分類されたセットに従って、新規のレコードをクラスタに割り当てるクラスタリングアルゴリズムを生成するために、教師ありの方法で実施され得る。追加的に又は代替的に、クラスタリングは、手動でラベルが付されたレコードを必要とせずにクラスタを生成するため、トレーニングデータ内の以前に識別されていないクラスタを識別するため、又はその他の何らかの利点を提供するために、教師なしの方法で実施され得る。

様々な方法及び／又は機械学習アルゴリズムは、レコードのセット内のクラスタを識別するため、及び／又はレコード（例えば、新たに受信又は生成されたレコード）を既に識別されたクラスタに割り当てるために適用され得る。例えば、決定木、人工ニューラルネットワーク、ｋ平均、サポートベクトルマシン、独立成分分析、主成分分析、又はその他の方法は、利用可能なレコードを分類するため及び／又は利用可能なレコードのトレーニングセット内に存在しないレコードを分類するためにＭＬモデルを生成するために、利用可能なレコードのセットに基づいてトレーニングされ得る。こうしたＭＬモデルへの入力は、レコードの様々な機構（ｆｅａｔｕｒｅ）を含み得る。こうした機構は、レコード（例えば、日時、ステータスフラグ、ユーザＩＤ）内に存在し得、及び／又はレコードに既に存在する情報（例えば、単語ベクトル、段落ベクトル）から判定され得る。入力機構は、日時、又はレコードに関連するその他の数値情報を含み得る。入力機構は、ユーザＩＤ番号又はステータスフラグ等のカテゴリ情報（例えば、“オープン”、“クローズド解決済み”、“クローズド未解決”）を含み得る。入力機構は、レコードのテキスト情報（例えば、“問題説明”フィールド）に関連する情報を含み得る。例えば、入力機構は、レコードのテキストフィールドから生成された単語及び／若しくは段落ベクトル、並びに／又は自然言語処理を使用して生成されたその他の機構に関連し得る。入力機構は、ＭＬモデルに適用される前に、マッピング（例えば、非線形変換、次元削減）を受け得る。

図１１Ａは、レコードの例示的なセット１１００を示す。レコードのクラスタリングを説明する目的のために、各レコードは、２次元空間内の個別の位置によって表されている。空間内の所与のレコードの位置は、所与のレコードの２つの機構の値（例えば、レコードの生成時間及びレコードの解決時間、レコードのテキストから生成された段落ベクトルの２つの次元）に関連し得る。或いは、所与のレコードの位置は、線形又は非線形の次元削減技術又はその他のマッピング方法を使用して、レコードの３つ以上の機構を２次元空間に投影することに関連し得る。

類似値は、レコードのセット１１００内のレコードの対に対して判定され得る。こうした類似値は、ある意味で“類似”であるレコードが同じクラスタに割り当てられる一方で、非常に“非類似”であるレコードは異なるクラスタに割り当てられるように、レコード１１００をクラスタリングするためのＭＬモデルを生成するために使用され得。そうした類似値は、何らかの空間、例えば、図１１Ａの２次元空間、レコードのテキストの態様から判定された単語及び／又は段落ベクトルに関連するセマンティックに符号化されたベクトル空間、レコードの生成時間又はレコードのその他の数値的及び／若しくはカテゴリ情報に関連する次元を含むベクトル空間等おけるレコード間の距離尺度に対応し得る。こうした距離は、ユークリッド距離、マンハッタン距離、又はアプリケーションに従ったその他の何らかの距離尺度であり得る。

図１１Ｂは、レコードのセット１１００から識別される３つのクラスタ１１１０Ａ、１１２０Ａ、１１３０Ａの内の１つに割り当てられたレコードのセット１１００内の各レコードを示す。各レコードの割り当ては、レコードを指し示すために使用される形状、第１のクラスタ１１１０Ａに対する黒丸と、第２のクラスタ１１２０Ａに対する白丸と、第３のクラスタ１１３０Ａに対する四角とによって指し示されている。レコードの全てがクラスタに割り当てられ、実際には、レコードをクラスタに割り当てるために使用されるＭＬモデルは、随意に、レコードをクラスタに割り当てる代わりに、レコードの残余のセットにレコードを割り当て得、又はその他の何らかの活動を取り得ることに留意されたい。このことは、例えば、レコードと潜在的なクラスタとの間の類似性が類似性の最小程度未満である場合に、クラスタへのレコードの割り当てを回避するために行われ得る。

上記のように、レコードを２つ以上のクラスタに割り当てる、及び／又はレコードを残余の未割り当てのレコードのセットに割り当てるＭＬモデルを生成するために様々な方法が使用され得る。ＭＬモデルが一旦判定されると、ＭＬモデルは、ＭＬモデルにより表される識別されたクラスタに追加のレコードを割り当てるため、及び／又は残余のレコードのセットにレコードを割り当てるために適用され得る。ＭＬモデルは、パラメータ値、ニューラルネットワークハイパーパラメータ、機構空間内のクラスタ重心位置、機構空間内のクラスタ境界位置、閾値類似値、又はレコードを何れのクラスタに割り当てるかを判定するため、及び／若しくはレコードがクラスタに割り当てられるべきではない（例えば、残余の未割り当てのレコードのセット内に格納されるべきである）と判定するためにＭＬモデルによって使用されるその他の情報を含み得る。こうした情報は、各クラスタに対応する機構空間内の領域を定義し得る。すなわち、ＭＬモデル内の情報は、レコードの機構が特定のクラスタに対して定義された領域内の機構空間内の位置に対応する場合に、ＭＬモデルが特定のクラスタにレコードを割り当てるようなものであり得る。定義された領域は、クローズであり（境界で完全に囲まれ）得るか、オープンであり（１つ以上の境界を有するが、機構空間内の１つ以上の方向に無限に外側に延伸し）得る。

図１１Ｃは、図１１Ａの例示的な２次元機構空間内のそうした領域１１１０Ｂ、１１２０Ｂ、１１３０Ｂを説明する。レコードのセット１１００のレコードは、領域１１１０Ｂ、１１２０Ｂ、１１３０Ｂ内にあり、したがって、ＭＬモデルによって、領域１１１０Ｂ、１１２０Ｂ、１１３０Ｂに対応するクラスタに割り当てられるであろう。領域１１１０Ｂ、１１２０Ｂ、１１３０Ｂの外側の位置を有するレコードは、残余のレコードのセットに割り当てられ得る。ＭＬモデルは、スプライン、超平面、セル、超球、又はＭＬモデルにより表されるクラスタに対応する機構空間内の領域１１１０Ｂ、１１２０Ｂ、１１３０Ｂの境界及び／若しくは範囲を明示的に定義するその他の形状についての位置、形状、範囲、又はその他の情報を指し示す情報を含み得る。追加的又は代替的に、ＭＬモデルは、ネットワーク重みパラメータ、出力ユニットスケーリングパラメータ、又は領域１１１０Ｂ、１１２０Ｂ、１１３０Ｂの境界及び／若しくは範囲を間接的に定義するニューラルネットワーク構造若しくはその他のアルゴリズムについてのその他の情報を含み得る。

幾つかの例では、ＭＬモデルは、クラスタの機構空間内の位置を指し示す重心又はその他の位置情報を含み得る。重心は、クラスタ内のレコードの位置の算術的又は幾何学的平均の位置、判定された幾何学的中心、又はクラスタのレコードに適合したハイパースフィア、ハイパーエリプソイド、若しくはその他の形状のその他の定義位置、又は機構空間内のクラスタの全体的な位置及び／若しくは範囲に関連するその他の何らかの位置であり得る。こうした例では、機構空間内のレコードの位置が、それが何れかの他のクラスタの重心にあるよりも特定のクラスタの重心に近い場合に、レコードは特定のクラスタに割り当てられ得る。こうした方法で編成されたＭＬモデルは、ｋ平均分類器を含み得る。説明される例として、図１１Ｄは、機構空間内に３つの重心１１１５Ｃ、１１２５Ｃ、１１３５Ｃを含む。各重心は、個別のクラスタに対応する。レコードのセット１１００からのレコードは、重心１１１５Ｃ、１１２５Ｃ、１１３５Ｃの内の何れが機構空間内のレコードの位置に最も近いかに基づいて、クラスタに割り当てられ得る。そうした配置の下で、レコードは、レコードの位置がオープン領域１１１０Ｃ、１１２０Ｃ、１１３０Ｃの内の何れの中にあるかに基づいてクラスタに割り当てられるであろう。

幾つかの例では、クラスタとレコードとの間の類似性の程度が類似性閾値よりも大きくない限り、レコードは、特定のクラスタへの割り当てから除外され得る。このことは、レコードの位置と、クラスタの重心又はその他の特徴的な位置との間の距離が閾値距離未満であることを含み得る。何れかのクラスタ内への包含から除外されたレコードは、残余のレコードのセットに追加され得る。説明される例として、図１１Ｅは、機構空間内に３つの重心１１１５Ｄ、１１２５Ｄ、１１３５Ｄを含む。各重心は、個別のクラスタに対応する。レコードのセット１１００からのレコードは、重心１１１５Ｄ、１１２５Ｄ、１１３５Ｄの内の何れが機構空間内のレコードの位置に最も近く、レコードの位置から閾値距離ｄ未満であるかに基づいて、クラスタに割り当てられ得る。そうした配置の下で、レコードは、レコードの位置が、クローズ領域１１１０Ｄ、１１２０Ｄ、１１３０Ｄの内の何れの中にあるかに基づいて、クラスタに割り当てられるであろう。閾値距離はクラスタ間で異なり得ることに留意されたい。例えば、閾値距離は、ＭＬモデルのトレーニングの間に各クラスタに割り当てられたレコードの分散に基づき得る。

幾つかの例では、ＭＬモデルは、レコードが各クラスタに割り当てられるべきか否かを判定するために、指定された順序で動作し得る。例えば、ＭＬモデルは、（例えば、第１のクラスタの重心とレコードの位置との間の距離を閾値距離と比較することによって）レコードが第１のクラスタに割り当てられるべきか否かをまず判定し得る。レコードが第１のレコードに割り当てられるべきではないと判定された場合、ＭＬモデルは、レコードが第２のクラスタに割り当てられるべきか否かを判定するように動作し得る等々。こうした方法は、レコードをクラスタに割り当てること（又はレコードが何れのクラスタにも割り当てられるべきではないと判定すること）の予想される計算コストを削減する利点を有し得る。追加的又は代替的に、こうした方法は、既存のクラスタの内の何れかと以前に関連付けられていた新たなクラスタに機構空間の何れの領域を再割り当てすることなく、追加のクラスタがモデルに追加されること可能にし得る。このことは、レコードがクラスタの何れかに割り当てられるべきか否かを判断するために、新たに追加されたクラスタをシーケンスの最後に配置することによって行われ得る。

説明される例として、図１１Ｆは、機構空間内に３つの重心１１１５Ｅ、１１２５Ｅ、１１３５Ｅを含む。各重心は、個別のクラスタに対応する。レコードのセット１１００からのレコードは、クラスタの指定されたシーケンスに従って、機構空間内のレコードの位置が、クラスタの重心の位置から閾値距離未満であるか否かを判定することによって、クラスタに割り当てられ得る。そうした配置の下で、レコードは、レコードの位置がクローズ領域１１１０Ｅ、１１２０Ｅ、１１３０Ｅの内の何れの中にあるかに基づいて、クラスタに割り当てられるであろう。閾値距離はクラスタ間で異なることに留意されたい。

上で説明したクラスタリング及びＭＬモデルのトレーニング動作は、本明細書の他の場所で説明されるように、リモートネットワーク管理プラットフォームの要素間で分散され得る。例えば、リモートネットワーク管理プラットフォーム内のエンドユーザ計算インスタンスは、特定のユーザの管理に専用であり、ウェブページを提供し、インシデントレポートの生成及び格納を管理し、知識ベースの記事のセットを維持及び提供し、管理されるネットワークのサーバを管理するように、又はユーザの管理されるネットワークの保守及び運用に関連するその他の幾つかの動作を実施するように構成され得る。

インシデントレポート、知識ベースの記事、又はエンドユーザ計算インスタンス及び／若しくは管理されるネットワークに関連するその他のテキストレコードに基づいてＭＬモデルを生成及び／又は適用するために、計算リソースの追加のセットが割り当てられ得る。タスクのこの分散は、メモリであり得、計算に時間がかかり得るＭＬ関連のタスクが他のネットワーク管理タスク（例えば、ウェブページの提供、サーバの管理、インシデントレポートの生成）とは別に実施されることを可能にするため、ＭＬモデルを生成又は適用する場合にそれらの他のネットワーク管理タスクの性能を劣化させない。また、タスクのこの分散は、ＭＬモデルの生成及び適用に使用されるリソースが、効率を増加させるために、リモートネットワーク管理プラットフォームの異なるユーザ間で共有されることを可能にし得る。

幾つかの例では、トレーニング計算インスタンスは、最初にＭＬモデルを生成し得る。これは、エンドユーザ計算インスタンスからのこうしたことに対するリクエストに応答して行われ得る。トレーニングインスタンスは、（例えば、エンドユーザ計算インスタンスからそうした情報を受信することによって）エンドユーザ計算インスタンスに関連するインシデントレポート又はその他のレコードのセットにその後アクセスし得、ＭＬモデルを生成するためにその情報を使用し得る。生成されたＭＬモデルは、後の使用のためにトレーニングインスタンスによってその後格納され得、格納／後の使用のためにエンドユーザインスタンスへ送信され得、及び／又は後の使用のために他の何らかの位置内に格納され得る。

追加のインシデントレポート又はその他のレコードは、トレーニングされたＭＬモデルを使用して、クラスタにその後割り当てられ得、及び／又は残余のレコードのセットに追加され得る。このことは、エンドユーザインスタンスによって行われ得る。或いは、リモートネットワーク管理プラットフォーム内の予測計算インスタンスは、エンドユーザインスタンスからそうした分類に対するリクエストを受信し得る。こうしたリクエストは、分類されるインシデントレポート又はレコードの指標を含み得る。予測インスタンスは、インシデントレポート又はその他のレコードをクラスタに、又は残余のレコードのセットに割り当てるために、ＭＬモデルをその後適用し得る。予測インスタンスは、ローカルメモリから又は予測インスタンスの一部ではないデータベースからＭＬモデルにアクセスし得る。例えば、予測インスタンスは、関連するＭＬモデルが予測インスタンスのメモリ（例えば、ハードドライブ、データベース）に存在しないと判定し得、その判定に応答して、予測インスタンスは、ＭＬモデルのコピーに対するリクエストをエンドユーザインスタンスへ送信し得る。予測インスタンスがインシデントレポート又はその他のレコードを特定のクラスタに一旦割り当てると、予測インスタンスは、エンドユーザインスタンスへ特定のクラスタの表現を送信し得る。

テキストレコードのコーパス内のテキストレコードの１つ以上のクラスタの表現を送信することは、表現されたクラスタに関連する様々な情報を送信することを含み得る。このことは、識別番号（例えば、ＧＵＩＤ）、データベース内の位置、又はエンドユーザインスタンスがテキストレコードの表現されたクラスタを識別することを可能にし得るその他の識別情報を送信することを含み得る。追加的又は代替的に、テキストレコードのクラスタのコンテンツの表現が送信され得る。このことは、クラスタ内のテキストレコードに対する識別情報（例えば、ＧＵＩＤ、データベース内の位置）、クラスタ内のテキストレコードのコンテンツの全て又は一部（例えば、クラスタ内のインシデントレポートの“問題解決”フィールドからのテキスト）、クラスタと関連付けられた１つ以上の代表的なテキストレコードのコンテンツ（例えば、クラスタと関連付けられた知識ベースの記事、“問題解決”フィールド、若しくはクラスタの重心に近いインシデントレポートのその他のコンテンツ）、又はクラスタと関連付けられたその他の何らかのコンテンツを送信することを含み得る。

テキストレコードのコーパス内の１つ以上のテキストレコードの表現を送信することは、様々な異なる情報を送信することを含み得る。幾つかの例では、テキストレコードの表現の送信することは、識別番号（例えば、グローバルユニーク識別子（ＧＵＩＤ））、日時スタンプ、データベース内の位置、又はエンドユーザインスタンスがデータベース内の表現されたテキストレコードを識別すること、さもなければ表現されたテキストレコードにアクセスすることを可能にし得るその他の何らかの識別情報を送信することを含む。追加的又は代替的に、テキストレコードの表現を送信することは、テキストレコード自体又はその一部分のコピーを送信することを含み得る。例えば、テキストレコードの表現を送信することは、インシデントレポートの“問題解決”フィールドのコピーを送信することを含み得る。

ＶＩＩＩ． テキストクエリ又はその他のレコードのクラスタリング
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。

これらの更新間のＭＬモデルの精度は、ＭＬモデル内で既に識別されたクラスタに割り当てられていない残余のインシデントレポートに基づいて部分的な更新を実施することによって更に向上し得る。こうした残余のインシデントレポートは、識別されたクラスタの全てに対して類似性が類似性閾値よりも低いことに起因して、残余のレコードのセットに追加されていることがある。例えば、残余のインシデントレポートは全て、機構空間内において、識別されたクラスタの重心又はその他の位置からの最大距離を超え得る。したがって、これらの残余のレコードは、データ内の未識別のクラスタを表し得、追加のクラスタがＭＬモデルに追加されるべきか否かを判定するために、ＭＬモデルの完全な再生成の間に定期的に分析され得る。この解決策は、新たに生成されたインシデントレポート内に出現するクラスタをＭＬモデルが検出することを可能にしつつ、ＭＬモデルを完全に再生成するよりも計算コストが低い利点を有し得る。

図１２Ａは、レコードの例示的なセット１２００を説明する。レコードのクラスタリングを説明する目的で、各レコードは、２次元空間内の個別の位置によって表されている。レコードのセット１２００内のレコードの対に対して類似値が判定され得、ある意味で“類似”しているレコードが同じクラスタに割り当てられる一方で、非常に“非類似”であるレコードが異なるクラスタに割り当てられるように、レコード１２００をクラスタリングするためのＭＬモデルを生成するために使用され得る。

図１２Ｂは、レコードのセット１２００内の各レコードと、レコードのセット１２００から識別された３つのクラスタ１２１０、１２２０、１２３０のセットとを示す。（黒丸で指し示される）レコードのサブセットは、クラスタ１２１０、１２２０、１２３０に割り当てられている。例えば、それらのレコードが識別されたクラスタ１２１０、１２２０、１２３０の何れに対しても類似性の閾値程度よりも類似性が低いことに起因して、レコード１２００のばらばらなサブセットは、（白丸で指し示される）残余のインシデントレポートのセットに追加されている。図１２Ｂに示されるように、類似性のこうした閾値程度は、機構空間内における最大距離に対応し得、類似性の閾値レベルは、クラスタ間で異なり得る。

時間の経過と共に、追加のインシデントレポートが生成され得る。図１２Ｃは、（黒丸で指し示されている）インシデントレポートの元のセット１２００と、識別されたクラスタ１２１０、１２２０、１２３０と、（黒四角で指し示されている）新たに生成されたインシデントレポートのセットとを示している。ＭＬモデルは、追加のインシデントレポート（黒四角）の内の幾つかを対応するクラスタに割り当てるために、これらの追加のインシデントレポートに適用されている。識別されたクラスタ１２１０、１２２０、１２３０の何れにも対応しないと判断された追加のインシデントレポートは、残余のインシデントレポート（白四角）のセットに追加されている。

ＭＬモデルを完全に再生成する前に、ＭＬモデルにまだ存在していない追加のクラスタを識別するために、残余のインシデントレポートのセットが分析され得る。この分析は、設定されたスケジュールに従って（例えば、１５分毎に）生じ得る。追加的又は代替的に、残余のインシデントレポートのセットから追加のクラスタを識別するための分析は、他の何らかの基準に応答して生じ得る。例えば、分析は、指定された数の追加のインシデントレポートが残余のインシデントレポートのセットに追加されることに応答して生じ得る。

図１２Ｄは、図１２Ｃに示した残余のレコード（白丸／白四角）のセットから識別された追加のクラスタ１２４０を示す。新たに識別されたクラスタ１２４０に対応する残余のインシデントレポートのセットからのインシデントレポートは、残余のインシデントレポートのセットから削除され、新たに識別されたクラスタ１２４０に割り当てられている。新たに識別されたクラスタ１２４０に割り当てられたインシデントレポートは、インシデントレポートの元のトレーニングセットの一部であったインシデントレポートと、その後に生成されたインシデントレポートとの両方を含み得ることに留意されたい。

残余のインシデントレポートのセットから追加のクラスタを識別するために使用されるアルゴリズムは、ＭＬモデルを元々生成するために使用されたものと同じアルゴリズムであり得る。或いは、別の方法を適用され得る。ＭＬモデルは、新たに識別されたクラスタを含むように拡張され得る。この拡張されたＭＬモデルは、（例えば、他の予測及び／又はトレーニングインスタンスに配布するために、エンドユーザのデータを保護する目的のために）対応するエンドユーザ計算インスタンスへ、又は予測インスタンスによる若しくは他のシステム若しくはコンポーネントによる後の使用のために何らかの他のデータベースへ送信され得る。

上で説明したプロセスは、インシデントレポートの残余のセットに基づいてＭＬモデルにクラスタを繰り返し追加するように機能し得る。新たなクラスタが識別されると、新たなクラスタに属するインシデントレポートは、残余のインシデントレポートのセットから削除される。したがって、インシデントレポートがＭＬモデルに適用され、したがって残余のインシデントレポートのセットに追加される可能性のある順序は、この方法を介して識別されるクラスタに影響を与え得る。クラスタの同じセットが複数の異なる予測インスタンス（又はこれらの動作を実施するその他のインスタンス）によって識別されることを確実にするために、インシデントレポートの順序は記録され、予測インスタンスが利用可能なように作られ得る。

例えば、予測インスタンスは、それがＭＬモデルの古いバージョンを有すると判定し得る。生成された関連するインシデントレポートの全てを表していないことに起因して、ＭＬモデルのバージョンは古くなっていることがある。ＭＬモデルのそのローカルバージョンが古くなっていると判定することに応答して、予測インスタンスは、エンドユーザインスタンスから、新たに生成されたインシデントレポートと、それらのインシデントレポートが受信された順序とについての情報をリクエストし得る。予測インスタンスは、ＭＬモデルの古いバージョンを更新するために、新たに生成されたインシデントレポートをその後適用し得る。こうした更新スキームの下で、複数の異なる予測インスタンスは、同一の更新されたＭＬモデルを独立して生成し得る。

上記の方法は、ＭＬモデルを最初に生成するために使用されなかったインシデントレポートに基づいてＭＬモデルを更新するために適用され得る。定期的に、これらの方法を介して更新されたＭＬモデルは完全に再生成され得る。このことは、より正確で最新のクラスタを提供するため、又はその他の利点を提供するために、指定されたスケジュールに従って、又は他の基準（“リフレッシュ基準”）に応答して行われ得る。幾つかの実例では、以前のＭＬモデルから、識別されたクラスタの内の１つ以上を何らかの方法で維持することが有益であり得る。このことは、有用になっている、（例えば、知識ベースの記事、解決ワークフロー、若しくはその他の取り組みを作成するために）重要な開発作業の焦点となっている、進行中の関心事又はイベント（例えば、ネットワーク若しくはサービスの停止）に関連する、又はその他の何らかの方法で望ましい、クラスタを維持するために行われ得る。こうした例では、ユーザは、維持される１つ以上のクラスタを指定し得、ＭＬモデルを再生成するために、指定したクラスタに関連する何らかの情報が使用され得る。

以前のモデルから１つ以上の指定されたクラスタを維持するようにＭＬモデルを生成することは、様々なプロセスを含み得る。幾つかの例では、新たなＭＬモデルの対応するクラスタは、指定されたクラスタに従って設定され得る。このことは、新たなＭＬ内の対応するクラスタを、以前のＭＬモデルからの指定されたクラスタの対応するプロパティに従って、同じ重心、最大距離閾値、又はその他のプロパティを有するように定義することを含み得る。追加的又は代替的に、（例えば、指定されたクラスタに関連する基礎となるプロセスのプロパティの変更を説明するために）新たなＭＬモデルの対応するクラスタが、指定されたクラスタと僅かに異なり得るように、新たなＭＬモデル内の１つ以上のクラスタの初期の状態又はシードは、指定されたクラスタのそうした情報に設定され得る。

幾つかの例では、指定されたクラスタのメンバーの内の幾つか又は全てが同じクラスタ内に留まるように、新たなＭＬモデルは生成され得る。このことは、同じ“真の”出力分類を有するものとしてタグ付けされた指定されたクラスタのメンバーを有する教師ありモデル生成アルゴリズムを使用することを含み得る。ＭＬモデル生成アルゴリズムは、これらのタグ及びその他の情報に基づいてその後動作し得る。このことは、ハード要件であり得、指定されたクラスタのメンバーの全てが、新たなＭＬモデルによって共通して単一のクラスタに割り当てられる必要がある。或いは、このことは、ソフト要件であり得、指定されたクラスタのメンバーの内の幾つかが、新たなＭＬモデル内の複数の異なるクラスタ間で分離されることを可能にする。

ＩＸ． 動作の例
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。

図１３の実施形態は、その中に示されている機構の内の何れか１つ以上を除去することによって簡略化され得る。更に、これらの実施形態は、以前の図の内の何れかの機構、態様、及び／又は実装と組み合わされ、さもなければ本明細書に説明され得る。

図１３の例示的方法は、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（１３００）を含む。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、予測計算インスタンス及び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備される。

図１３の例示的方法は、ＭＬパイプラインを対象データセットに適用すること（１３００）を更に含む。図１３の例示的方法は、テキストレコードのクラスタのセットを表す予測計算インスタンスのＭＬクラスタリングモデルによって、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（１３０２）を更に含む。図１３の例示的方法は、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へ、特定のクラスタの表現を送信すること（１３０４）を更に含む。

図１３の例示的方法は、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２のテキストレコードを受信すること（１３０６）を更に含む。図１３の例示的方法はまた、ＭＬクラスタリングモデルによって、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（１３０８）を含む。図１３の例示的方法は、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、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第２のテキストレコードを追加すること（１３１０）を更に含む。

図１３の例示的方法は、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（１３１２）を更に含む。図１３の例示的方法はまた、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へ、テキストレコードの追加のクラスタの表現を送信すること（１３１４）を含む。

図１３の例示的方法は、追加の又は代替のステップを含み得る。幾つかの例では、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、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、図１３の例示的な方法は、（ｉ）第１の予測計算インスタンスによって、及び第１のテキストレコードを受信する前に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、（ｉｉ）第１のテキストレコードを受信することの前に、第１の予測計算インスタンスによって、第１の複数のテキストレコードに基づいて第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と、（ｉｉｉ）第２の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２のテキストレコードを受信することと、（ｉｖ）第２の予測計算インスタンスによって、第２の予測計算インスタンスが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、（ｖ）第２の予測計算インスタンスが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、第２の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の複数のテキストレコード、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、及び第１のテキストレコードを受信することと、（ｖｉ）第２の予測計算インスタンスによって、第１の複数のテキストレコード及び第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、非確率的反復アルゴリズムを使用することであって、第２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は、非確率的反復アルゴリズムを介して第２のＭＬクラスタリングモデルを更新するために、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第１のテキストレコードを使用することを含むことと、（ｖｉｉ）第２のＭＬクラスタリングモデルによって、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、（ｖｉｉｉ）第２の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へ、特定のクラスタの表現を送信することを更に含む。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は、非確率的反復アルゴリズムを介して第１のＭＬクラスタリングモデルを更新するために、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。

幾つかの例では、ＭＬクラスタリングモデルによって、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、第１のテキストレコードの個々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ＭＬモデルを使用し、特定のクラスタに対応する、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、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ＭＬモデルを使用し、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１つと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。

幾つかの例では、ＭＬクラスタリングモデルは、ＭＬクラスタリングモデルにより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む。そうした例では、ＭＬクラスタリングモデルによって、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は、（ｉ）第１のテキストレコードに基づいて、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、（ｉｉ）第１のテキストレコードの位置と特定のクラスタの位置との間の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み得る。

図１４は、例示的実施形態を説明するフローチャートである。図１４により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。

図１４の実施形態は、その中に示されている機構の内の何れか１つ以上を除去することによって簡略化され得る。更に、これらの実施形態は、以前の図の内の何れかの機構、態様、及び／又は実装と組み合わされ、さもなければ本明細書に説明され得る。

図１４の例示的な方法は、クラスタに分割された複数のテキストレコード及びテキストレコードの残余のセットを取得することであって、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複数のテキストレコードを分割したこと（１４００）を含む。図１４の例示的方法は、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（１４０２）を更に含む。図１４の例示的な方法は、ＭＬクラスタリングモデルを経由して、及び類似性メトリックに基づいて、特定のテキストレコードがクラスタの何れにも適合しないと判定すること（１４０４）も含む。図１４の例示的な方法は、特定のテキストレコードが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、テキストレコードの残余のセットに特定のテキストレコードを追加すること（１４０６）を更に含む。図１４の例示的方法は、追加の又は代替の手順を含み得る。幾つかの例では、図１４の例示的方法は、（ｉ）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、（ｉｉ）ＭＬクラスタリングモデルを経由して、類似性メトリックに基づいて、第２の特定のテキストレコードが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、（ｉｉｉ）第２の特定のテキストレコードがクラスタの特定のクラスタに適合すると判定することに応答して、第２の特定のテキストレコードを特定のクラスタに追加することを更に含む。そうした例では、特定のテキストレコードが特定のクラスタに適合すると判定することは、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特定のテキストレコードが特定のクラスタにより良く適合することを類似性メトリックが指し示すと判定することを含み得る。追加的又は代替的に、特定のテキストレコードが特定のクラスタに適合すると判定することは、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特定のクラスタに適合することを類似性メトリックが指し示すと判定することを含み得る。追加的又は代替的に、ＭＬクラスタリングモデルは、テキストレコードの各クラスタの各々の、ベクトル空間内の個別の位置を含み得、第２の特定のテキストレコードが特定のクラスタに適合すると判定することは、（ｉ）第２の特定のテキストレコードに基づいて、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、（ｉｉ）第２のテキストレコードの位置と特定のクラスタの位置との間の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み得る。

幾つかの例では、図１４の例示的方法は、（ｉ）ＭＬクラスタリングモデルを経由して、テキストレコードの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、（ｉｉ）テキストレコードのクラスタに更なるクラスタを追加することと、（ｉｉｉ）テキストレコードの残余のセットから、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み得る。幾つかの例では、特定のテキストレコードが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、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ＭＬクラスタリングモデルを使用し、クラスタに夫々対応する、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、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ＭＬモデルを使用し、クラスタに夫々対応する、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つを含み得る。

Ｘ． 結論
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。

上記の詳細な説明は、添付の図を参照して、開示されたシステム、デバイス、及び方法の様々な機構及び動作を説明している。本明細書及び図で説明した例示的実施形態は、限定することを意味しない。本明細書に提示される主題の範囲から逸脱することなく、他の実施形態が利用され得、他の変更がなされ得る。本明細書に一般的に説明され、図に説明されるような本開示の態様が、多種多様な異なる構成で配置され得、置換され得、組み合され得、分離され得、設計され得ることは容易に理解されるであろう。

図中のメッセージフロー図、シナリオ、及びフローチャートの内の何れか又は全てに関して、本明細書で論じたように、各ステップ、ブロック、及び／又は通信は、例示的実施形態に従った情報の処理及び／又は情報の送信を表し得る。代替的実施形態は、これらの例示的実施形態の範囲内に含まれる。これらの代替的実施形態では、例えば、ステップ、ブロック、送信、通信、リクエスト、応答、及び／又はメッセージとして説明される動作は、関係する機能に依存して、実質的に同時又は逆の順序を含め、示された又は論じられた順序とは異なる順序で実行され得る。更に、より多くの又はより少ないブロック及び／又は動作は、本明細書で論じられるメッセージフロー図、シナリオ、及びフローチャートの内の何れかと共に使用され得、これらのメッセージフロー図、シナリオ、及びフローチャートは、部分的に又は全体的に相互に組み合され得る。

情報の処理を表すステップ又はブロックは、本明細書で説明する方法又は技術の具体的な論理機能を実施するように構成され得る回路に対応し得る。代替的又は追加的に、情報の処理を表すステップ又はブロックは、モジュール、セグメント、又はプログラムコードの一部（関連データを含む）に対応し得る。プログラムコードは、方法又は技術において具体的な論理演算又は活動を実装するためにプロセッサにより実行可能な１つ以上の命令を含み得る。プログラムコード及び／又は関連データは、ＲＡＭ、ディスクドライブ、ソリッドステートドライブ、又は別のストレージ媒体を含むストレージデバイス等の任意のタイプのコンピュータ可読媒体上に格納され得る。

コンピュータ可読媒体はまた、レジスタメモリ及びプロセッサキャッシュのような短期間にデータを格納するコンピュータ可読媒体等の非一時的コンピュータ可読媒体を含み得る。コンピュータ可読媒体は、プログラムコード及び／又はデータをより長期間格納する非一時的コンピュータ可読媒体を更に含み得る。したがって、コンピュータ可読媒体は、例えば、ＲＯＭ、光又は磁気ディスク、ソリッドステートドライブ、コンパクトディスクリードオンリーメモリ（ＣＤ－ＲＯＭ）のような二次的又は永続的な長期ストレージを含み得る。コンピュータ可読媒体はまた、その他の任意の揮発性又は不揮発性のストレージシステムであり得る。コンピュータ可読媒体は、例えば、コンピュータ可読ストレージ媒体、又は有形ストレージデバイスとみなされ得る。

更に、１つ以上の情報送信を表すステップ又はブロックは、同じ物理デバイス内のソフトウェア及び／又はハードウェアモジュール間の情報送信に対応し得る。しかしながら、その他の情報送信は、異なる物理デバイス内のソフトウェアモジュール及び／又はハードウェアモジュール間であり得る。

図に示される特定の配置は、限定的とみなされるべきではない。他の実施形態は、所与の図に示される各要素の内の多少を含み得ることを理解すべきである。更に、説明された要素の内の幾つかは、組み合わされ得、又は省略され得る。更に、例示的実施形態は、図に説明されない要素を含み得る。

様々な態様及び実施形態が本明細書に開示されているが、他の態様及び実施形態は当業者には明らかであろう。本明細書に開示される様々な態様及び実施形態は、例証を目的とし、限定することを意図せず、真の範囲は、以下の特許請求の範囲によって示される。

Claims (20)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。
16. 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。
17. 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。
18. 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。
19. 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。
20. 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。

Images