JP4620721B2 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP4620721B2 JP4620721B2 JP2007332630A JP2007332630A JP4620721B2 JP 4620721 B2 JP4620721 B2 JP 4620721B2 JP 2007332630 A JP2007332630 A JP 2007332630A JP 2007332630 A JP2007332630 A JP 2007332630A JP 4620721 B2 JP4620721 B2 JP 4620721B2
- Authority
- JP
- Japan
- Prior art keywords
- context
- cluster
- user
- concept
- name
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
Flanagan, J A., Unsupervised clustering of context data and learning user requirements for a mobile device, in Proceedings of the 5th Conference on Modeling and Using Context (CONTEXT-05), pages 155-168, 2005
サンプリングされたコンテキストデータにおいて1つ以上のクラスタを特定するためにクラスタリングアルゴリズムを適用するステップと、
一連の所定の概念名(concept name)からある概念名を、1つ以上の前記クラスタのセマンティック分類として、自動的に決定するために推論エンジンを実行するステップと、
1つ以上の前記クラスタへ前記概念名を割当てるか、またはその割当てをユーザに提案するステップと、
前記推論エンジンを用いて状況に応じた推論を適用するステップであって、論理表現によりある概念名が割当てられている1つ以上の概念化されたクラスタを組み合わせ、ある概念名により表現されたタイプに属するものとして前記ユーザの状況を前記推論エンジンが自動的に分類できるようにし、これによって前記クラスタリングアルゴリズムにより見つかったクラスタの概念名または概念名の提案を決定するステップと
を含む、携帯機器によって得られたコンテキストデータに対してセマンティック分類を自動的に決定する方法が提供される。
サンプリングデータは、コンテキスト状態ベクトルのベクトル成分が前記複数のコンテキストデータストリームの1つに対応するものとなるようにコンテキスト状態ベクトルを求める(populate)ために使用されるものであり、
前記サンプリングは定期的な間隔で実行されるものであり、
各サンプリングは、サンプリングされた値により求められた対応するコンテキスト状態ベクトルを生じさせるものであって、
コンテキスト状態ベクトルにより張られるクラスタを得るために、サンプリングされた一連のコンテキスト状態ベクトルに対して前記クラスタリングアルゴリズムを実行するステップを更に含む。
前記クラスタリングアルゴリズムから得られたクラスタを定義するパラメータを前記推論エンジンが受信するステップであって、該推論エンジンはどの条件に基づいてどの概念名をクラスタへ割当てるべきかに関するナレッジを有するものである、ステップと、
クラスタを定義する前記パラメータを前記推論エンジンが処理して、前記クラスタに対する概念名の提案を前記推論エンジンが返信するステップと
を更に含む。
受信した前記コンテキスト情報に基づいて所与の一連の公理の全ての結果(consequece)を計算することができる推論エンジンを提供するステップと
を更に含む。
コンテキストデータストリームごとに独立なクラスタを得るために、異なる前記コンテキストデータストリームに対してクラスタリングを独立に実行するステップを更に含む。
定性的コンテキスト履歴をクエリするかまたは解析するためのインタフェースを提供するステップと、
定性的に追跡されたユーザコンテキストの履歴に基づいて新たなドキュメントまたは情報の集合を生成するステップと
を更に含む。
ある時間におけるユーザのコンテキストを示す概念名を監視することにより、ユーザのコンテキスト状況を監視するステップと、
1つ以上の概念名により示されたユーザのコンテキスト状況が、特定の定性的コンテキストを特定する所定の条件を満たす場合に、該ユーザの携帯機器により実行されるアクションをトリガするステップと
を更に含む。
前記携帯機器の特定のモードまたは機能を起動することと、
通知または警告を送信することと、
類似した定性的コンテキストにおけるユーザをアドホックグルーピングすることと、
定性的コンテキストに基づいてユーザデータへ自動的なアノテーションを付加することと、
定性的に追跡されたユーザコンテキストの履歴に基づいて新たなドキュメントを自動生成することと
を含む。
サンプリングされたコンテキストデータにおける1つ以上のクラスタを特定するためにクラスタリングアルゴリズムを適用する手段と、
一連の所定の概念名からある概念名を、1つ以上の前記クラスタのセマンティック分類として、自動的に決定するために推論エンジンを実行させる手段と、
前記概念名を1つ以上の前記クラスタへ割当てるか、またはその割当てをユーザに提案する手段と、
前記推論エンジンを用いて状況に応じた推論を適用する手段であって、論理表現によりある概念名が割当てられている1つ以上の概念化されたクラスタを組み合わせ、ある概念名により表現されたタイプに属するものとして前記推論エンジンがユーザの状況を自動的に分類できるようにし、これによって前記クラスタリングアルゴリズムにより見つかったクラスタの概念名または概念名の提案を決定する手段と
を備える、携帯機器によって得られた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装置が提供される。
・「あなたはどこにいますか?」と尋ねられたら、「オフィスにいます」と答え、「私の所在はベーカー通り10番です」とは答えない。
・「あなたの脈拍数はいくつですか?」と尋ねられたら、「高い」または「低すぎる」と答え、「79bpmです」とは答えない。
・「何をしていますか?」と尋ねられたら、「エレベータで食堂に向かっています」と答え、「私の加速度は−1.3m/s2」とは答えない。
・エンドユーザにとって価値と意味のあるコンテキストクラスタを与える機械学習アルゴリズムを提供する。一実施形態におけるクラスタリングは、コンテキスト情報の限られた時間窓とともにインクリメント方式で機能する。一実施形態におけるクラスタリングは経時的に劣化せず、クラスタの結合(joining)を可能にし、そしてユーザフィードバックに基づいて学習することができる。
・ユーザ入力に基づいて経時的に適応及び拡張する最も重要な概念をカバーするオントロジーを提供する。一実施形態におけるオントロジー上の推論(reasoning)は、例えば同等な概念を識別し、場合によっては結合するために、安定性と一貫性を保証する。
・ユーザが容易にクラスタをオントロジーと関係付け、異なるオントロジー概念を容易に閲覧し、検索できるようにする方法及び環境を提供する。
・更なる実施形態によれば、ユーザ間のクラスタリコメンデーションのためのアルゴリズムが提供される。その結果、友達及び仲間の既存のクラスタから新たなクラスタがブートストラップできるか、または名前と分類を転送及びパーソナライズできる。
・ルール駆動(rule driven):経験則によって自動的または半自動的に割当てられる。例えば、あるユーザが日中時間のほとんどを過ごす場所はおそらくそのユーザのオフィスである。
・データ駆動(data driven):以前の観測データから統計的プロセスによって自動的に割当てられる。例えば、ほとんどのユーザは、ミュンヘン(Munich)のマリエンプラーツ(Marienplatz)周辺のエリアにおけるクラスタに対してダウンタウン(downtown)を割当てた。
・モデル駆動(model driven):形式化されたバックグラウンドナレッジに基づいて、関係のあるユーザ間で概念の割当てを転送し、場合によっては論理的分類結果に基づいて割当てを完全に自動化するために論理的推論(logical inference)を使用することができる。例えば、ユーザの社会的関係を通して推論することができるものに基づいて、推奨された場所(place)の概念の事前選択がユーザへ提供される。同僚AがユーザB宅に定期的に訪れるとき、これはある時点でAに対して「同僚B宅」として推奨することができる。
<名前、タイプ、仕様>
ここで名前(Name)はクラスタのユーザ定義名、タイプ(Type)はオントロジーで定義されたその定性的価値を明示する概念の参照、仕様(Specification)は、例えば離散空間における一連のコンテキスト状態ベクトルと追加のメタデータといった、クラスタを定義する全てのコンテキストデータを包含する構造を表す。メタデータは例えば、クラスタのユーザにとっての重要度、またはユーザが該クラスタで既に費やした時間量、またはクラスタをインクリメンタルに更新するために要求される任意の他のパラメータを含むことができる。
1.ピンポイント(Pinpoint)−地理的位置(緯度、経度)だけで表される位置(度、度)
2.円(Circle)−ある半径を持つピンポイント(緯度、経度、半径)によって表される位置(度、度、メートル)
3.矩形(Rectangle)−南東のピンポイントと北西のピンポイントとで表される位置(ピンポイント、ピンポイント)
4.矩形群(Rectangles)−均一な矩形の集まり(rectangle[])
5.多角形(Polygon)−一連のピンポイントにより定まる多角形で取り囲まれた領域(pinpoint[])
6.ビーコン(Beacon)−ビーコンIDで定まる無線ビーコン(GSM、WiFi、Bluetooth)によりカバーされる領域
7.ハイブリッド(Hybrids)−上記定義1〜6の集まりによって特定される領域。例えば領域(4)と一連のGSMビーコン(6)とが集まった領域
(1)ピンポイントは、ユーザの簡易な手作業による場所(place)のタグ付けに有用である。これは距離または領域を推定(estimate)する人的スキルを要求せず、位置(location)のシンプルなピンポイントは十分である。精度推定(accuracy estimation)が欠落しているので、自動化の目的にはこれはあまり適していない。しかしながら、複数のユーザが同じ場所概念のピンポイントを提供することにより(事後的かつ増加する精度で)精度を得ることができる。
(2)円は、一定の精度で位置、例えばGPS受信機から得られる位置を提示する論理的方法である。オーバーラップが避けられないことから、より複雑なエリアをより小さな円の集まりとして提示することはあまり実現性がない。経度・緯度のあるペアが1つの円でカバーされる場合、あまり計算効率はよくない。
(3)矩形は、ピンポイントの集まりの最小の入れ物(container)を計算する論理的方法である。これは包含関係を計算する非常に有効な方法であり、矩形の集まりによって連続エリアを画定するために容易に使用することができる。場合によっては矩形の集まりは1つのより大きな矩形として表すことができることから、データを削減することができる。
(4)矩形群は、必ずしも連続的でないエリアを記述するフレキシブルで計算効率の高い方法である。包含計算(containment computation)は矩形の数に比例するが、圧縮によってもっと効率的にすることができる。全ての矩形がアトム矩形(atom rectangle)の整数倍である場合に最良の結果が得られる。アトムの大きさは粒度(granularity)を決定する。これは人間が適応するにはそれほど容易でないが、コンピュータ生成されたエリアには最適である。
(5)多角形は、連続エリアを記述するフレキシブルで直感的な方法である。人間が適応するには容易であるが、ピンポイントまたは円の集まりに対する最小の入れ物となる多角形を形成することはより複雑である。最悪ケースのシナリオでは、多角形の形状は非常に複雑になり、閉じ込め計算は多角形のノード数に比例する。これは多くのノードが存在するコンピュータ生成されたエリアにはあまり適さない。
(6)ビーコンは、ビーコンの信号が受信できるポジションによって定まる不定形エリアである。包含関係(containment relation)は非常にシンプルであるが、他の地理ベースの位置への変換はより複雑で、他のサンプルにも基づく。
(7)ハイブリッドは、基礎の技術及び利用できるデータにあまり依存しないエリアを表現するための強力な方法である。ハイブリッドな場所(place)内における存在は、基礎の技術(GSM、GPS、WiFi)の1つが(一時的に)利用できなくとも検出可能である。
・緯度と経度で表された地理的位置。これはGPSセンサから直接得られるか、または検出された静的ビーコンの既知のポジションから間接的に得られる。
・検出されたビーコンまでの近さで表された相対的位置。これはGSMアンテナまたはWifiアクセスポイントとすることができるが、検出された友人の電話機でもよい。
・近くの友人の位置を要求できるときの、ユーザの位置の尺度でもある推論位置。
・クラスタ内に滞在しているのか、通過しているのかを区別するための速度。
・曜日。人々は週周期のパターンを有する傾向があるからである。
・時間帯。ほとんどの人々は、例えばオフィスにおける業務時間や夜間は在宅などの日周期のパターンを有するからである。
・遷移確率を確実に計算するには発生数が小さすぎるとき、
・ノイズを抑えるために遷移確率がゼロに近いとき、
・2つの状態の間の距離メトリックが大きすぎるとき、
にはゼロに剪定される。
・利用可能であれば、2つの状態の間の物理的距離、
・決定可能であれば、状態における2つのセルの間の距離、
・2つの状態の間の時間差、
に基づく。
・ユーザによって選ばれる名前(Name)
・空間オントロジーとの関係を表すタイプ(Type)
・クラスタを張る一連のコンテキスト状態ベクトル
・当該クラスタにおける全ての位置測定値の加重平均である、推定(estimate)された地理的位置
・クラスタのオーナーであるユーザ(user)
・当該クラスタにおける全滞在時間、最後の位置測定値の参照、マージの推奨などを含むメタデータ(Meta data)
・オーソリティ(Authority): 地元の観光案内所、自治体または旅行代理店といったより信頼性の高い団体がいくつかの場所に名前を付ける。推論エンジンの内部では、よりオーソリティの高いソースからのデータが直接使用されるか、または例えば仲間の旅行者などのよりオーソリティの低いソースからのデータに最も低い優先順位が付けられる。
・経験則(Heuristics): ほとんどの個人に有効な共通のルールの集合、例えば、あなたが日中過ごす場所は(夜間過ごす場所と異なる場合には)通常、オフィス、作業場または学校である。
・統計(Statistics): 推奨は、他のユーザのより大きな集団がこの場所にどのように名前を付けて分類したかに基づく。例えば、80%のユーザがこの場所に「聖メアリ教会(Saint Mary's church)」と名付け、それを「教会」または「宗教施設」に分類した場合、これは良い推奨でもある。オントロジー推論は、特異性(specificity)と信頼(trust)との間の正しいバランスを有する概念を見つけるために使用される。このタイプの推奨は、公共的な場所に対しての方が、より大きな人々の集団にとってはあまり関心がなくアルゴリズムをトレーニングするのに利用できる少ないデータを有する私的な場所に対してよりも、よりうまく機能することが明らかである。
・コンテキストモデル(Context models): 形式化されたワールドナレッジ(world knowledge)が、ユーザ同士の間でクラスタを直接共有することをサポートし、関係したクラスタストリームの組み合わせからクラスタ推奨を直接導出するために使用される。例えば、社会的関係のある2人のユーザは、システムまたはユーザによって開始されたクラスタを共有する。例えば、ユーザが、彼の同僚によりホームとしてタグ付けされた場所を訪れるとき、この場所は「私の同僚であるマルコ(Marko)のホーム」としてタグ付けされ、またそのようにシステムによってユーザに推奨される。さらに、図5に示すように異なるドメイン(例えば、時間、位置及びBluetooth環境など)を表すいくつかのクラスタストリームがインターセクトしている場合、インターセクトしているクラスタの1つの欠落情報に対する提案が、対応する概念定義の論理分類によって導き出せる。例えば、位置概念Officeが上のように定義され、更に以下のような定義
Claims (13)
- コンテキストデータに対してセマンティック分類を自動的に決定する装置を用いて、コンテキストデータに対してセマンティック分類を自動的に決定する方法であって、前記装置は、サンプリング手段と、アルゴリズム適用手段と、推論エンジンと、割当て手段とを備えており、
前記サンプリング手段が1つ以上のコンテキストデータストリームをある一定の時間にわたってサンプリングするステップと、
前記アルゴリズム適用手段が、サンプリングされたコンテキストデータに対してクラスタリングアルゴリズムを適用して、1つ以上のクラスタを特定するステップと、
前記推論エンジンが、一連の所定の概念名からある概念名を、1つ以上の前記クラスタのセマンティック分類として自動的に決定するステップと、
前記割当て手段が、前記1つ以上のクラスタへ前記概念名を割当てるか、または当該概念名をユーザに提供するステップと、
前記サンプリング手段が、ある時間におけるユーザのコンテキストを示す概念名を監視することにより、ユーザのコンテキスト状況を監視するステップと、
1つ以上の概念名により示されたユーザのコンテキスト状況が、特定の定性的コンテキストを特定する所定の条件を満たす場合に、前記サンプリング手段が該ユーザの携帯機器により実行されるアクションをトリガするステップと
を含み、前記アクションが、
前記携帯機器の特定のモードまたは機能を起動することと、
通知または警告を送信することと、
類似した定性的コンテキストにおけるユーザをアドホックグルーピングすることと、
定性的コンテキストに基づいてユーザデータへ自動的なアノテーションを付加することと、
定性的に追跡されたユーザコンテキストの履歴に基づいて新たなドキュメントを自動生成することと
のうちの1つ以上を含むものである、方法。 - 名前が付けられていないクラスタが、既に名前が付けられた1つ以上の他のクラスタと1つ以上の座標において部分的または全体的にオーバーラップまたはインターセクトする場合に、前記推論エンジンが、前記名前が付けられていないクラスタの概念名を決定するステップであって、前記既に名前が付けられたクラスタの概念名を入力として用いて1つ以上の前記既に名前が付けられたクラスタの概念名を前記推論エンジンが論理的に組み合わせ、前記推論エンジンが公理を適用して前記名前が付けられていないクラスタの概念名を決定するステップを含む請求項1に記載の方法。
- 前記サンプリング手段は複数のコンテキストデータストリームをサンプリングするものであり、
サンプリングデータは、コンテキスト状態ベクトルのベクトル成分が前記複数のコンテキストデータストリームの1つに対応するものとなるようにコンテキスト状態ベクトルを求めるために使用されるものであり、
前記サンプリングは定期的な間隔で実行されるものであり、
各サンプリングは、サンプリングされた値により求められた対応するコンテキスト状態ベクトルを生じさせるものであって、
前記コンテキスト状態ベクトルにより張られるクラスタを得るために、サンプリングされた一連のコンテキスト状態ベクトルに対して前記アルゴリズム適用手段が前記クラスタリングアルゴリズムを実行するステップを更に含む請求項1または2に記載の方法。 - 前記推論エンジンが、前記クラスタに名前を付けるために使用することができる一連の定性的な表現の概念名を含むオントロジーを提供するステップと、
前記クラスタリングアルゴリズムから得られたクラスタを定義するパラメータを前記推論エンジンが受信するステップであって、該推論エンジンはどの条件に基づいてどの概念名をクラスタへ割当てるべきかに関するナレッジを有するものである、ステップと、
クラスタを定義する前記パラメータを前記推論エンジンが処理して、前記クラスタに対して提案された概念名を前記推論エンジンが返信するステップと
を更に含む請求項1〜3のいずれか一項に記載の方法。 - 前記処理するステップは、前記クラスタを定義するパラメータに基づいて、どのルールが満たされていて、結論として概念名を得るためにどの結論を導くべきかを決定するために、一連のルールを参照するサブステップを含むものである、請求項4に記載の方法。
- 前記処理するステップは、前記クラスタが距離測定に基づいてある閾値を伴う近傍に他のクラスタを有する場合で、かつ前記他のクラスタ間である閾値を超えた尤度である概念名が選ばれている場合に、前記クラスタに実際に名付ける概念名として該概念名を提供するサブステップを含むものである、請求項1〜5のいずれか一項に記載の方法。
- 前記推論エンジンが、一般的なワールドナレッジと、ある形式言語に関してクラスタコンテキストストリームに由来する実際の定性的コンテキスト情報とを形式化することにより実現されるコンテキストモデルを提供するステップと、
前記推論エンジンが、受信した前記コンテキスト情報に基づいて所与の一連の公理の全ての結果を計算するステップと
を更に含む請求項1〜6のいずれか一項に記載の方法。 - 前記推論エンジンが、論理表現によりある概念名が割当てられている1つ以上のコンテキスト要素又は1つ以上の概念化されたクラスタのうち少なくとも1つを組み合わせることによって状況に応じた推論を適用し、利用可能なコンテキスト情報に基づいてある概念名により表現されたタイプに属するものとして前記推論エンジンがユーザの状況を自動的に分類するステップを更に含む請求項1〜7のいずれか一項に記載の方法。
- 自動分類を適用して新たに割当てられた名前が概念空間に加えられた場合に、該新たに割当てられた名前がオントロジー内で既にコード化されたナレッジに関してつじつまが合うかどうかをチェックするために前記推論エンジンがコンシステンシーチェックを実行するステップを更に含む請求項1〜8のいずれか一項に記載の方法。
- 前記サンプリング手段は異なる複数のコンテキストデータストリームを受信するものであり、
コンテキストデータストリームごとに独立なクラスタを得るために、前記アルゴリズム適用手段が異なる前記コンテキストデータストリームに対してクラスタリングを独立に実行するステップを更に含む請求項1〜9のいずれか一項に記載の方法。 - 前記サンプリング手段が、クラスタに割当てられた1つ以上の概念名により与えられたものとして前記ユーザの定性的コンテキストを定性的コンテキスト履歴ストレージに記憶することにより、該定性的コンテキストを追跡するステップを更に含む請求項1〜10のいずれか一項に記載の方法。
- ある携帯機器が1つ以上のコンテキストデータストリームをある一定の時間にわたってサンプリングするための手段と、
サンプリングされたコンテキストデータに対してクラスタリングアルゴリズムを適用して、1つ以上のクラスタを特定する手段と、
一連の所定の概念名からある概念名を、1つ以上の前記クラスタのセマンティック分類として自動的に決定する推論エンジンと、
前記概念名を1つ以上の前記クラスタへ割当てるか、または当該概念名をユーザに提供する手段と、
を備えており、
前記サンプリングするための手段が、さらに、ある時間におけるユーザのコンテキストを示す概念名を監視することにより、ユーザのコンテキスト状況を監視するものであり、
1つ以上の概念名により示されたユーザのコンテキスト状況が、特定の定性的コンテキストを特定する所定の条件を満たす場合に、前記サンプリングするための手段が該ユーザの携帯機器により実行されるアクションをトリガするものであり、
前記アクションは、
前記携帯機器の特定のモードまたは機能を起動することと、
通知または警告を送信することと、
類似した定性的コンテキストにおけるユーザをアドホックグルーピングすることと、
定性的コンテキストに基づいてユーザデータへ自動的なアノテーションを付加することと、
定性的に追跡されたユーザコンテキストの履歴に基づいて新たなドキュメントを自動生成することと
のうちの1つ以上を含むものである、携帯機器によって得られた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装置。 - 請求項1〜11のいずれか一項に記載の方法をコンピュータに実行させるコンピュータプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP06127188A EP1939797A1 (en) | 2006-12-23 | 2006-12-23 | Method and apparatus for automatically determining a semantic classification of context data |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008171418A JP2008171418A (ja) | 2008-07-24 |
JP4620721B2 true JP4620721B2 (ja) | 2011-01-26 |
Family
ID=38006608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007332630A Expired - Fee Related JP4620721B2 (ja) | 2006-12-23 | 2007-12-25 | 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 |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP1939797A1 (ja) |
JP (1) | JP4620721B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200002527A (ko) * | 2018-06-29 | 2020-01-08 | 서울시립대학교 산학협력단 | 의미추론 서비스 디스커버리 시스템 |
US10872107B2 (en) | 2017-06-30 | 2020-12-22 | Keysight Technologies, Inc. | Document search system for specialized technical documents |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336299B2 (en) | 2009-04-20 | 2016-05-10 | Microsoft Technology Licensing, Llc | Acquisition of semantic class lexicons for query tagging |
US8595233B2 (en) * | 2009-04-27 | 2013-11-26 | Panasonic Corporation | Data processing apparatus, data processing method, program, and integrated circuit |
EP2513858A4 (en) * | 2009-12-15 | 2013-11-20 | Intel Corp | CONTEXTUAL INFORMATION USING SYSTEMS, APPARATUSES AND METHODS |
US20110246469A1 (en) * | 2009-12-15 | 2011-10-06 | Yarvis Mark D | Techniques to capture context and location information and utilize heuristics to turn location tracked over time and context information into semantic location information |
RU2013114722A (ru) * | 2010-09-17 | 2014-10-27 | Нокиа Корпорейшн | Способ и устройство для сегментации контекстной информации |
US9928296B2 (en) | 2010-12-16 | 2018-03-27 | Microsoft Technology Licensing, Llc | Search lexicon expansion |
EP2749036B1 (en) | 2011-08-25 | 2018-06-13 | Intel Corporation | System and method and computer program product for human presence detection based on audio |
ES2427690B1 (es) | 2012-01-20 | 2014-06-05 | Telefónica, S.A. | Método para la detección y etiquetado automático de puntos de interés de usuario |
CA2767676C (en) | 2012-02-08 | 2022-03-01 | Ibm Canada Limited - Ibm Canada Limitee | Attribution using semantic analysis |
US9740773B2 (en) * | 2012-11-02 | 2017-08-22 | Qualcomm Incorporated | Context labels for data clusters |
US9336295B2 (en) * | 2012-12-03 | 2016-05-10 | Qualcomm Incorporated | Fusing contextual inferences semantically |
JP6366606B2 (ja) * | 2013-01-03 | 2018-08-01 | シナラ システムズ プライベート リミテッド | モバイルユーザコンテキスト検出のための場所および時間認識システムおよび方法 |
US9679252B2 (en) * | 2013-03-15 | 2017-06-13 | Qualcomm Incorporated | Application-controlled granularity for power-efficient classification |
JP5795653B2 (ja) * | 2014-01-16 | 2015-10-14 | 株式会社ゼンリンデータコム | 属性特定システム、属性特定方法、および、コンピュータプログラム |
US9619523B2 (en) | 2014-03-31 | 2017-04-11 | Microsoft Technology Licensing, Llc | Using geographic familiarity to generate search results |
US9904932B2 (en) * | 2014-12-29 | 2018-02-27 | Google Llc | Analyzing semantic places and related data from a plurality of location data reports |
US10083215B2 (en) | 2015-04-06 | 2018-09-25 | International Business Machines Corporation | Model-based design for transforming data |
JP2015228247A (ja) * | 2015-08-13 | 2015-12-17 | 株式会社ゼンリンデータコム | システム、制御方法、および、制御プログラム |
JP2015228246A (ja) * | 2015-08-13 | 2015-12-17 | 株式会社ゼンリンデータコム | システム、制御方法、および、制御プログラム |
US9565521B1 (en) | 2015-08-14 | 2017-02-07 | Samsung Electronics Co., Ltd. | Automatic semantic labeling based on activity recognition |
JP6014289B2 (ja) * | 2016-04-19 | 2016-10-25 | 株式会社ゼンリンデータコム | 属性特定システム、属性特定方法、および、プログラム |
JP6247364B2 (ja) * | 2016-09-23 | 2017-12-13 | 株式会社ゼンリンデータコム | 属性特定システム、属性特定方法、および、プログラム |
JP6930180B2 (ja) * | 2017-03-30 | 2021-09-01 | 富士通株式会社 | 学習装置、学習方法及び学習プログラム |
US10990421B2 (en) | 2018-06-27 | 2021-04-27 | Microsoft Technology Licensing, Llc | AI-driven human-computer interface for associating low-level content with high-level activities using topics as an abstraction |
US11354581B2 (en) | 2018-06-27 | 2022-06-07 | Microsoft Technology Licensing, Llc | AI-driven human-computer interface for presenting activity-specific views of activity-specific content for multiple activities |
US11449764B2 (en) | 2018-06-27 | 2022-09-20 | Microsoft Technology Licensing, Llc | AI-synthesized application for presenting activity-specific UI of activity-specific content |
US11586659B2 (en) * | 2019-05-03 | 2023-02-21 | Servicenow, Inc. | Clustering and dynamic re-clustering of similar textual documents |
US11595484B2 (en) * | 2019-05-03 | 2023-02-28 | Servicenow, Inc. | Centralized machine learning predictor for a remote network management platform |
CN110738685B (zh) * | 2019-09-09 | 2023-05-05 | 桂林理工大学 | 一种融合颜色直方图响应的时空上下文跟踪方法 |
CN110991523A (zh) * | 2019-11-29 | 2020-04-10 | 西安交通大学 | 一种面向无人驾驶车辆检测算法性能的可解释性评估方法 |
CN111324789B (zh) * | 2020-02-13 | 2022-06-17 | 创新奇智(上海)科技有限公司 | 一种网络信息数据热度的计算方法 |
CN113642310B (zh) * | 2021-07-14 | 2022-04-19 | 广州市玄武无线科技股份有限公司 | 一种终端数据相似度度量方法 |
-
2006
- 2006-12-23 EP EP06127188A patent/EP1939797A1/en not_active Withdrawn
-
2007
- 2007-12-25 JP JP2007332630A patent/JP4620721B2/ja not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10872107B2 (en) | 2017-06-30 | 2020-12-22 | Keysight Technologies, Inc. | Document search system for specialized technical documents |
KR20200002527A (ko) * | 2018-06-29 | 2020-01-08 | 서울시립대학교 산학협력단 | 의미추론 서비스 디스커버리 시스템 |
KR102139733B1 (ko) | 2018-06-29 | 2020-07-30 | 서울시립대학교 산학협력단 | 의미추론 서비스 디스커버리 시스템 |
Also Published As
Publication number | Publication date |
---|---|
JP2008171418A (ja) | 2008-07-24 |
EP1939797A1 (en) | 2008-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4620721B2 (ja) | 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 | |
US20220277248A1 (en) | User objective assistance technologies | |
Ravi et al. | A collaborative location based travel recommendation system through enhanced rating prediction for the group of users | |
Nalepa et al. | Rule-based solution for context-aware reasoning on mobile devices | |
Ye et al. | Ontology-based models in pervasive computing systems | |
CN106845644B (zh) | 一种通过相互关系学习用户及移动应用的联系的异构网络 | |
Anagnostopoulos et al. | Situational computing: An innovative architecture with imprecise reasoning | |
US20100299319A1 (en) | Method, apparatus, and architecture for automated interaction between subscribers and entities | |
Cimino et al. | An adaptive rule-based approach for managing situation-awareness | |
Strobbe et al. | Hybrid reasoning technique for improving context-aware applications | |
Grifoni et al. | Context-awareness in location based services in the big data era | |
Colace et al. | BeCAMS: A behaviour context aware monitoring system | |
Zavala et al. | Platys: From position to place-oriented mobile computing | |
Bouneffouf | DRARS, a dynamic risk-aware recommender system | |
Lee et al. | Mobile context inference using two-layered Bayesian networks for smartphones | |
Li et al. | A contextualized and personalized model to predict user interest using location-based social networks | |
Rahimipour et al. | A hybrid of neuro-fuzzy inference system and hidden Markov Model for activity-based mobility modeling of cellphone users | |
Mousavi et al. | A new ontology-based approach for human activity recognition from gps data | |
De Paola et al. | A multi‐agent system for itinerary suggestion in smart environments | |
Ciaramella et al. | A situation-aware resource recommender based on fuzzy and semantic web rules | |
Castelli et al. | Extracting high-level information from location data: the w4 diary example | |
Min et al. | Social and personal context modeling for contact list recommendation on mobile device | |
Min et al. | Mining and visualizing mobile social network based on Bayesian probabilistic model | |
Mendoza Vazquez | Mobility Patterns for Context-aware Ridesharing Services | |
More et al. | Current trends in reality mining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100716 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100914 |
|
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: 20101015 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20101028 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131105 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |