JP7149976B2 - 誤り訂正方法及び装置、コンピュータ読み取り可能な媒体 - Google Patents

Description

本開示の実施例は、インターネット技術の分野に関し、特に、誤り訂正方法及び装置、コンピュータ読み取り可能な媒体に関する。

現在、情報化の急速な発展において、ネットワークはすでに社会のあちこちまで広がり、インタラクション機器がますます普及している。ユーザは、キーボードなどによる入力方式によってクエリ要求を入力し、インタラクション機器は、ユーザが候補項目を選択するように、予め設定された標準マッピングに基づいて当該クエリ要求に対応する候補項目に変換して示される。

実際の応用では、入力方法、キーボードの押し間違いなどにより、ユーザが検索する時に入力したクエリ要求に誤りがあると、検索エンジンによって返信される検索結果は、ユーザの要求する結果と大きく相違してしまう（検索エンジンは、このような誤りクエリ要求を正確に誤り訂正することができないからである）。

本開示の実施例は、誤り訂正方法及び装置、コンピュータ読み取り可能な媒体を提供する。

本開示の実施例の一態様によれば、本開示の実施例は、誤り訂正方法を提供し、受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定するステップと、各前記ターゲット候補エンティティが正当なエンティティである第１の確率を計算するステップと、各前記ターゲット候補エンティティを評価し、評価結果を取得するステップであって、一つの前記ターゲット候補エンティティは、一つの評価結果に対応するステップと、前記第１の確率と前記評価結果とに基づいて前記クエリ要求に対応する真の意図エンティティを決定するステップと、を含む。

いくつかの実施例では、在受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定する前に、前記クエリ要求の入力が正確である第２の確率を計算するステップをさらに含み、前記受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定するステップは、具体的には、前記第２の確率が予め設定された第１の閾値より小さいことに応答して、受信されたクエリ要求に基づいて、前記辞書ツリーから前記ターゲット候補エンティティを決定するステップを含む。

いくつかの実施例では、前記受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定するステップは、具体的には、前記クエリ要求における文字列及び前記辞書ツリーを計算して、複数の初期候補エンティティを取得するステップと、予め設定された第２の閾値に基づいて、複数の前記初期候補エンティティから前記クエリ要求に対応する前記ターゲット候補エンティティを選択するステップと、を含む。

いくつかの実施例では、前記予め設定された第２の閾値に基づいて、複数の前記初期候補エンティティから前記クエリ要求に対応する前記ターゲット候補エンティティを選択するステップは、各前記初期候補エンティティと前記クエリ要求との第１の距離を計算するステップと、各前記第１の距離をそれぞれ前記第２の閾値と比較するステップと、前記第２の閾値以下の第１の距離に対応する初期候補エンティティを前記ターゲット候補エンティティとして決定するステップと、を含む。

いくつかの実施例では、前記第２の閾値が第３の閾値と第４の閾値とを含む場合、前記予め設定された第２の閾値に基づいて、複数の前記初期候補エンティティから前記クエリ要求に対応する前記ターゲット候補エンティティを選択するステップは、第１のアルゴリズムに基づいて各前記初期候補エンティティと前記クエリ要求との第２の距離を計算するステップと、前記第２の距離を前記第３の閾値と比較するステップと、複数の前記初期候補エンティティから前記第３の閾値以下の第２の距離に対応する第１の候補エンティティを抽出するステップと、第２のアルゴリズムに基づいて各前記第１の候補エンティティと前記クエリ要求との第３の距離を計算するステップと、前記第４の閾値以下の第３の距離に対応する第１の候補エンティティを前記ターゲット候補エンティティとして決定するステップと、を含む。

いくつかの実施例では、前記第１のアルゴリズムが編集距離アルゴリズムである場合、第２のアルゴリズムはジャッカード距離アルゴリズムであり、前記第１のアルゴリズムが前記ジャッカード距離アルゴリズムである場合、前記第２のアルゴリズムは前記編集距離アルゴリズムである。

いくつかの実施例では、各前記ターゲット候補エンティティを評価するステップは、各前記ターゲット候補エンティティに対応する属性情報を抽出するステップと、各前記ターゲット候補エンティティの属性情報の重みを決定するステップと、前記重みに基づいて各前記ターゲット候補エンティティを評価するステップと、を含む。

いくつかの実施例では、前記第１の確率と前記評価結果に基づいて前記クエリ要求に対応する真の意図エンティティを決定するステップは、具体的には、各前記ターゲット候補エンティティに対応する第１の確率及び評価結果に対して重み付けを行い、各前記ターゲット候補エンティティに対応する加重値を取得するステップと、最大の加重値に対応するターゲット候補エンティティを前記真の意図エンティティとして決定するステップと、を含む。

いくつかの実施例では、前記方法は、予め設定された知識ベースから複数のエンティティを抽出するステップと、各前記エンティティを予め設定された辞書ツリーのノードとし、各前記エンティティのエンティティセンス（ｓｅｎｓｅ）を、それが属するエンティティの子ノードとし、各前記エンティティセンスに唯一の識別子を割り当て、前記辞書ツリーを取得するステップと、をさらに含む。

本開示の実施例に係る別の態様において、本開示の実施例は、誤り訂正装置をさらに提供し、受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定するための取得モジュールと、各前記ターゲット候補エンティティが正当なエンティティである第１の確率を計算するための確率計算モジュールと、各前記ターゲット候補エンティティを評価し、評価結果を取得するための評価モジュールであって、一つの前記ターゲット候補エンティティは、一つの評価結果に対応する評価モジュールと、前記第１の確率と前記評価結果とに基づいて前記クエリ要求に対応する真の意図エンティティを決定するための決定モジュールと、を含む。

いくつかの実施例では、前記確率計算モジュールは、さらに、前記クエリ要求の入力が正確である第２の確率を計算するために用いられ、前記取得モジュールは、具体的には、前記第２の確率が予め設定された第１の閾値より小さいことに応答して、受信されたクエリ要求に基づいて、前記辞書ツリーから前記ターゲット候補エンティティを決定する。

いくつかの実施例では、前記取得モジュールは、具体的には、前記クエリ要求における文字列及び前記辞書ツリーを計算して、複数の初期候補エンティティを取得し、予め設定された第２の閾値に基づいて、複数の前記初期候補エンティティから前記クエリ要求に対応する前記ターゲット候補エンティティを選択する。

いくつかの実施例では、前記取得モジュールは、具体的には、各前記初期候補エンティティと前記クエリ要求との第１の距離を計算し、各前記第１の距離をそれぞれ前記第２の閾値と比較し、前記第２の閾値以下の第１の距離に対応する初期候補エンティティを前記ターゲット候補エンティティとして決定する。

いくつかの実施例では、前記第２の閾値が第３の閾値と第４の閾値とを含む場合、前記取得モジュールは、具体的には、第１のアルゴリズムに基づいて各前記初期候補エンティティと前記クエリ要求との第２の距離を計算し、前記第２の距離を前記第３の閾値と比較し、複数の前記初期候補エンティティから前記第３の閾値以下の第２の距離に対応する第１の候補エンティティを抽出し、第２のアルゴリズムに基づいて各前記第１の候補エンティティと前記クエリ要求との第３の距離を計算し、前記第４の閾値以下の第３の距離に対応する第１の候補エンティティを前記ターゲット候補エンティティとして決定する。

いくつかの実施例では、前記第１のアルゴリズムが編集距離アルゴリズムである場合、第２のアルゴリズムはジャッカード距離アルゴリズムであり、前記第１のアルゴリズムが前記ジャッカード距離アルゴリズムである場合、前記第２のアルゴリズムは前記編集距離アルゴリズムである。

いくつかの実施例では、前記評価モジュールは、具体的には、各前記ターゲット候補エンティティに対応する属性情報を抽出し、各前記ターゲット候補エンティティの属性情報の重みを決定し、前記重みに基づいて各前記ターゲット候補エンティティを評価する。

いくつかの実施例では、前記決定モジュールは、具体的には、各前記ターゲット候補エンティティに対応する第１の確率及び評価結果に対して重み付けを行い、各前記ターゲット候補エンティティに対応する加重値を取得し、最大の加重値に対応するターゲット候補エンティティを前記真の意図エンティティとして決定する。

いくつかの実施例では、前記装置は、予め設定された知識ベースから複数のエンティティを抽出するための抽出モジュールと、各前記エンティティを予め設定された辞書ツリーのノードとし、各前記エンティティのエンティティセンスを、それが属するエンティティの子ノードとし、各前記エンティティセンスに唯一の識別子を割り当て、前記辞書ツリーを取得するための構築モジュールと、をさらに含む。

本開示の実施例に係る別の態様において、本開示の実施例は、コンピュータプログラムが記憶されているコンピュータ読み取り可能な媒体をさらに提供し、前記プログラムがプロセッサにより実行される場合に、前記の方法を実現する。

本開示の実施例により提供される受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定し、各ターゲット候補エンティティが正当なエンティティである第１の確率を計算し、各ターゲット候補エンティティを評価し、評価結果を取得し、一つのターゲット候補エンティティは、一つの評価結果に対応し、第１の確率及び評価結果に基づいてクエリ要求に対応する真の意図エンティティを決定することで、従来技術の誤り訂正効果が良くないとの問題を回避し、誤り訂正コストを削減し、誤り訂正効率と正確率を向上させる技術的効果を実現する。

図面は本開示の実施例に対するさらなる理解を提供し、明細書の一部を構成し、本開示の実施例とともに本開示を解釈するために用いられ、本開示に対する制限を構成するものではない。図面を参照して詳細な例示的な実施例を説明することによって、以上の他の特徴や利点は、当業者にとってさらに明らかになる。
本開示の実施例に係る誤り訂正方法の概略図である。 本開示の実施例に係るターゲット候補エンティティを決定する方法の概略図である。 本開示の別の実施例に係るターゲット候補エンティティを決定する方法の概略図である。 本開示の別の実施例に係るターゲット候補エンティティを決定する方法の概略図である。 本開示の実施例に係る辞書ツリーを構築する方法の概略図である。 本開示の実施例に係る評価の方法の概略図である。 本開示の実施例に係る真の意図エンティティを決定する方法の概略図である。 本開示の実施例に係る誤り訂正装置の概略図である。 本開示の実施例に係る誤り訂正装置のフレーム概略図である。

当業者が本発明の技術案をより良く理解できるようにするために、以下の図面を組み合わせて本発明により提供される誤り訂正方法及び装置、コンピュータ読み取り可能な媒体を詳細に説明する。

以下では、図面を参照して例示的な実施例をより十分に説明するが、前記例示的な実施例は、異なる形式で体現することができ、本明細書で説明される実施例に限定されると解釈されるべきではない。逆に、これらの実施例を提供する目的は、当業者に、本開示の範囲を明確且つ完全に、十分理解させることである。

本明細書で使用される「及び／又は」との用語は、１つ又は複数の関連する列挙項目のいずれか及びすべての組み合わせを含む。

本明細書で使用される用語は、特定の実施例の説明のみに用いられ、本開示を限定することを意図しない。本明細書で使用されるように、文脈が別に明確に指摘されていない限り、単数形式の「一つ」と「当該」も複数の形式を含むことを意図している。また、本明細書で用語「含む」及び／又は「～から生成される」が使用される場合、特徴、全体、ステップ、操作、要素、及び／又はコンポーネントが存在することを指定するが、1つまたは複数の他の特徴、全体、ステップ、操作、要素、コンポーネント及び／又はグループの存在または追加を排除することはできないことを理解されたい。

本明細書の実施例は、本願の理想的な概略図を介して平面図及び／又は断面図を参照して説明することができる。製造技術及び／又は許容範囲により、例示的な図面を修正することができる。実施例は、図示される実施例に限定されず、製造プロセスによって形成される配置の変更を含む。図示される領域は、概略的な属性を有し、図示される領域の形状は、要素の領域の具体的な形状を示すが、限定することを意図しない。

他に限定されない限り、本明細書で使用される全ての用語（技術用語や科学用語を含む）の意味は、当業者が通常理解している意味と同じである。また、一般的に辞書に限定されている用語は、関連技術及び本開示の背景における意味と一致する意味を有すると解されるべきであり、本明細書に明確に限定されない限り、理想化又は過度の形式上の意味を有すると解されないことを理解されたい。

本開示の実施例の一態様によれば、本開示の実施例は、誤り訂正方法を提供する。

図１を参照すると、図１は、本開示の実施例に係る誤り訂正方法の概略図である。

図１に示すように、当該方法は、以下のステップを含む。
ステップＳ１では、受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定する。

具体的には、ユーザがユーザ端末を介して入力されたクエリ要求に応答して、予め設定された辞書ツリーを取得する。辞書ツリーとクエリ要求とに基づいてｍ個のターゲット候補エンティティを決定する。ｍは１より大きい整数である。ユーザ端末は、携帯電話、ノートパソコン、タブレット、ＰＤＡなどのモバイルデバイスであってもよく、デスクトップコンピュータなどの固定デバイスであってもよい。

辞書ツリーは、単語検索ツリー、トライ木（Ｔｒｉｅ）とも呼ばれるツリー構造であり、ハッシュ木の変形である。その利点は、文字列の共通プレフィックスを利用してクエリ時間を短縮し、不必要な文字列比較を最大限に減らすことであり、クエリ効率がハッシュ木より高い。

本開示の実施例では、「辞書ツリー」を介して「ターゲット候補エンティティ」に対してターゲット候補エンティティを決定することにより、選択されたターゲット候補エンティティの効率性、包括性、及び多様性を実現することができ、正確な誤り訂正を実現することができる。

いくつかの実施例では、クエリ要求を受信した後、Ｓ１の前に、クエリ要求の入力が正確である第２の確率を計算するステップをさらに含み、第２の確率が予め設定された第１の閾値より小さいことに応答して、Ｓ１を実行する。

具体的には、クエリ要求は、正しいクエリ要求（認識可能であるか、又はスペルが正しいクエリ要求）を入力することも、誤ったクエリ要求（認識することができないか、又はスペルが間違ったクエリ要求である）を入力することも可能であり、第２の確率は、クエリ要求が正しい入力のクエリ要求の確率である。第２の確率は、言語モデル（ＮＧＲＡＭ言語モデルなど）に基づいてクエリ要求の正しい入力を計算して取得する。

第２の確率が第１の閾値以上である場合、クエリ要求は、正しい入力のクエリ要求であることを意味する。

第２の確率が第１の閾値より小さい場合、クエリ要求は、誤った入力のクエリ要求であることを意味する。当該クエリ要求に対して誤り訂正を行う必要がある場合、Ｓ１を実行する。

第１の閾値は、ニーズに応じて設定することができる。高精度のニーズの適用シーンでは、より大きい第１の閾値を設置することができ、低精度のニーズの適用シーンでは、より小さい第１の閾値を設置することができる。つまり、第１の閾値の設定は、適用シーンの相違に応じて適宜設定することができる。高精度のニーズの適用シーンに対応する第１の閾値は、低精度のニーズの適用シーンに対応する第１の閾値より大きい。

本開示の実施例により提供される第２の確率を第１の閾値と比較し、第２の確率が第１の閾値より小さい場合には、クエリ要求を誤り訂正する。従来技術において、直接クエリ要求の誤りを訂正することにより、時間と資源を消費する技術欠点を回避して、誤り訂正コストを低減することができるという技術的効果を実現する。

図２から分かるように、いくつかの実施例では、Ｓ１は、以下のステップを含む。
ステップＳ１－１では、クエリ要求における文字列及び辞書ツリーを計算し、複数の初期候補エンティティを取得する。

具体的には、クエリ要求は文字列で構成される。本明細書に記載される「文字列」は、テキスト形式の文字、数字、アルファベット、記号などのうちの一つ又は複数のシーケンスを含むことができることを理解されたい。

具体的には、従来技術におけるマッチングアルゴリズムによって、辞書ツリーから文字列にマッチングする複数の初期候補エンティティを抽出するように、文字列及び辞書ツリーを計算することができる。

いくつかの実施例では、辞書ツリーから文字列に対応する初期候補エンティティを選択するように、マルチモードマッチングアルゴリズムによって文字列及び辞書ツリーを計算する。初期候補エンティティの数は複数存在する。

本開示の実施例における文字列及び辞書ツリーを計算する技術案によって、誤り訂正結果の正確性に影響するエンティティを排除することができる。すなわち、いくつかのエンティティから一部のクエリ要求に関連するエンティティを選択し、一部の関連しないエンティティを除去する。一方では、後続の処理フローの複雑さを減らすことができ、他方では、誤り訂正の効率性と正確性を向上させることもできる。

ステップＳ１－２では、予め設定された第２の閾値に基づいて、複数の初期候補エンティティからクエリ要求に対応するターゲット候補エンティティを選択する。

第２の閾値は、適用シーンに基づいて設定することもできるが、ここでは説明しない。

Ｓ１－１は、エンティティを初めてフィルタリングするステップに相当し、Ｓ１－２は、エンティティを再フィルタリングするステップに相当する。同様に、エンティティを再フィルタリングするステップに基づいて、後続処理フローの複雑さをさらに減らすことができ、誤り訂正の効率性と正確性をさらに向上させることができる。

図３から分かるように、いくつかの実施例では、Ｓ１－２は、以下のステップを含む。
ステップＳ１－２－１では、各初期候補エンティティとクエリ要求との第１の距離を計算する。

具体的には、従来技術における距離を計算する方法によって各初期候補エンティティとクエリ要求内の誤り部分との第１の距離を計算することができる。

ステップＳ１－２－２では、各第１の距離を第２の閾値とそれぞれ比較する。

ステップＳ１－２－３では、第２の閾値以下の第１の距離に対応する初期候補エンティティをターゲット候補エンティティとして決定する。

第１の距離は、第２の閾値より大きくてもよく、第２の閾値以下であってもよいことが理解される。第１の距離が第２の閾値より大きい場合、不必要な計算資源の消費を低減して計算効率を向上させるように、当該第１の閾値に対応する初期候補エンティティを除去する。第１の距離が第２の閾値以下である場合には、誤り訂正の信頼性と精度を向上させるように、当該第１の閾値に対応する初期候補エンティティをターゲット候補エンティティとして決定する。

図４から分かるように、いくつかの実施例では、第２の閾値が第３の閾値と第４の閾値とを含む場合、Ｓ１－２は、具体的には、以下のステップを含む。
ステップＳ１－２－４では、第１のアルゴリズムに基づいて各初期候補エンティティとクエリ要求との第２の距離を計算する。

具体的には、従来技術での距離を計算するアルゴリズムによって各初期候補エンティティとクエリ要求内の誤り部分との第２の距離を計算することができる。

ステップＳ１－２－５では、各第２の距離を第３の閾値とそれぞれ比較する。

ステップＳ１－２－６では、複数の初期候補エンティティから第３の閾値以下の第２の距離に対応する第１の候補エンティティを抽出する。

同様に、第２の距離は、第３の閾値より大きくてもよく、第３の閾値以下であってもよい。第２の距離が第３の閾値より大きい場合には、不必要な計算資源の消費を低減し、計算効率を向上させるように、当該第２の閾値に対応する初期候補エンティティを除去する。第２の距離が第３の閾値以下である場合には、当該第２の距離に対応する初期候補エンティティを第１の候補エンティティとして選択する。

ステップＳ１－２－７では、第２のアルゴリズムに基づいて各第１の候補エンティティとクエリ要求との第３の距離を計算する。

第２のアルゴリズムは、第１のアルゴリズムとは異なる従来技術による距離を計算するアルゴリズムである。

ステップＳ１－２－８では、第４の閾値以下の第３の距離に対応する第１の候補エンティティをターゲット候補エンティティとして決定する。

本開示の実施例では、初期候補エンティティから順次選出するように、二つの異なるアルゴリズムを使用してそれぞれ計算し、最終的にターゲット候補エンティティを決定する技術案によって、不必要な計算資源の消費を低減し、計算効率を向上させる。本開示の実施例では、具体的な距離算出方法を特に限定しない。

いくつかの実施例では、第１のアルゴリズムが編集距離アルゴリズムである場合、第２のアルゴリズムはジャッカード距離アルゴリズムである。第１のアルゴリズムがジャッカード距離アルゴリズムである場合、第２のアルゴリズムは編集距離アルゴリズムである。

第３の閾値と第４の閾値は、適用シーンに基づいて設定することもでき、第３の閾値と第４の閾値との間は、必然的な大小関係がないので、ここでは説明しない。

図５から分かるように、Ｓ１の前に、初期化ステップ、すなわち辞書ツリーを構築するステップをさらに含み、具体的には、以下のステップを含む。
ステップＳ０１では、予め設定された知識ベースから複数のエンティティを抽出する。

ステップＳ０２では、各エンティティを予め設定された辞書ツリーのノードとし、各エンティティのエンティティセンスを、それが属するエンティティの子ノードとし、各エンティティセンスに唯一の識別子を割り当て、辞書ツリーを取得する。

本実施例では、従来技術の辞書ツリーを改善する。

具体的には、従来技術では、辞書ツリーを構築する際に、まず、知識ベースから複数のエンティティを抽出し、次に、各エンティティを予め設定された辞書ツリー（すなわち事前に作成された辞書ツリーモデル）のノードとする。しかし、本開示の実施例では、知識ベースから複数のエンティティを抽出し、各エンティティをいずれも予め設定された辞書ツリーのノードとした後、各エンティティのエンティティセンスを当該エンティティのノード内に挿入して、当該エンティティのノードの子ノードとし、各エンティティセンスに一つの唯一の識別子を割り当てる。

一つのエンティティが複数のエンティティセンスに対応可能である場合、各エンティティセンスをいずれも当該エンティティの子ノードとし、各エンティティセンスにいずれも唯一の識別子を割り当てる。例えば、エンティティＡは、１０つのエンティティセンスを共有する場合、１０つのエンティティセンスをいずれもエンティティＡのノードに挿入し、エンティティＡの１０つの子ノードになる。

具体的には、センスは、見出し語、項目などであり、各異なる概念の事物を記述する内容を指すことができる。候補エンティティのエンティティセンスは、当該候補エンティティに対応するすべてのエンティティセンス又は一部のエンティティセンスであってもよい。一部の候補エンティティとエンティティセンスの選択は、さまざまな状況に応じて行うことができる。具体的な選択方式は、本明細書では限定しない。

具体的には、「知識ベース」との用語は、知識グラフ又は他の適切なデータベースのようなノードとエッジで構成される図に似たデータ構造を指す。知識ベースにおいて、各ノードは、現実世界に存在する「エンティティ」を表し、各エッジは、エンティティとエンティティとの間の「関係」を示す。知識ベースは、関係の有效的な表示方式である。言い換えると、知識ベースは、異なる種類の情報を連結して取得される一つのリレーショナルネットワークによって、「関係」の観点から問題を分析する能力を提供する。

本開示の実施例は、各エンティティのエンティティセンスを、それが属するエンティティの子ノードとすることにより、異なるセンスエンティティを区分することができ、辞書ツリーを柔軟かつ全面的に構築することによって、効率的かつ正確な誤り訂正を実現することができる。各エンティティセンスに唯一の識別子を割り当て、当該唯一の識別子に基づいて具体的なエンティティセンスを正確に特定することによって、迅速な誤り訂正を実現することができる。

ステップＳ２では、各ターゲット候補エンティティが正当なエンティティである第１の確率を計算する。

正当なエンティティは、表現が正しいエンティティを指す。

当該ステップでは、第１の確率は、ターゲット候補エンティティが正当なエンティティ（又は正しいエンティティ）であるか否かの可能性を表す。具体的には、言語モデル（ＮＧＲＡＭ言語モデルなど）に基づいて各ターゲット候補エンティティを計算し、各ターゲット候補エンティティに対応する第１の確率を取得する。

ステップＳ３では、各ターゲット候補エンティティを評価し、評価結果を取得する。一つのターゲット候補エンティティは、一つの評価結果に対応する。

従来技術における評価方法を使用して各ターゲット候補エンティティを評価することができる。従来技術における評価モデルによって評価するか、又は計算方法を介して計算することによって、評価する。勿論、ニューラルネットワークモデルを使用して評価することもできる。

好ましくは、ランキングＬＴＲモデルを使用して各ターゲット候補エンティティを評価する。

ランキングＬＴＲモデルは、機械学習によるランキングであり、ランキングｌｅａｒｎｉｎｇ ｔｏ ｒａｎｋモデルと呼ばれ、その基本原理は、線形モデルである。本開示の実施において、エンティティの重み、文法、字句、依存、ｔｅｒｍ重要度、ｗｏｒｄ ｅｍｂｅｄｄｉｎｇ（単語埋め込みベクトル）などの特徴に基づいてランキングＬＲＴモデルを構築する。

具体的には、ランキングＬＴＲモデルは複数のターゲット候補エンティティをそれぞれ評価し、ランキングＬＴＲモデルは各ターゲット候補エンティティをそれぞれスコアリングする。つまり、あるターゲット候補エンティティをランキングＬＴＲモデルに入力する場合、ランキングＬＴＲモデルは、当該ターゲット候補エンティティに対応するスコアを出力することができる。

本開示の実施例では、ターゲット候補エンティティとランキングＬＴＲモデルを組み合わせて、当該ターゲット候補エンティティの評価結果の技術案を取得することにより、複数のターゲット候補エンティティのうちの各ターゲット候補エンティティの評価結果を区分することができる。すなわち、各ターゲット候補エンティティの相違を理解することができる。

図６から分かるように、いくつかの実施例では、Ｓ３は、以下のステップを含む。
ステップＳ３－１では、各ターゲット候補エンティティに対応する属性情報を抽出する。

当該ステップでは、各ターゲット候補エンティティの関連知識情報（すなわち属性情報）は、完全に同じではない。各ターゲット候補エンティティに対応する関連知識情報（すなわち属性情報）を抽出する。

ステップＳ３－２では、各ターゲット候補エンティティの属性情報の重みを決定する。

本開示の実施例では、各ターゲット候補エンティティの属性情報の重みを決定する方式は、様々な方式がある。例えば、現在の適用シーンに基づいて各ターゲット候補エンティティに対応する重みを決定するか、又は、従来技術における属性情報と重みの付け方法に基づいて、ターゲット候補エンティティの重みを決定する。

好ましくは、予め設定された属性情報と重みとの対応関係に基づいて、各ターゲット候補エンティティの重みを決定する。

具体的には、異なる属性情報に対して予め重み付けを行い、すなわち優先度に基づいて対応する優先度の重みを予め設置する。重みと属性情報との対応関係を構築する。例えば、マッピングテーブルの方式によって両者（すなわち重みと属性情報）の対応関係を構築することができる。あるターゲット候補エンティティに対応する属性情報を抽出した後、当該属性情報をマッピングテーブルとマッチングし、マッピングテーブルおける属性情報に対応する重みを見つけることができる。すなわち、当該ステップは、実際に「重みラベル付け」のステップである。複数のターゲット候補エンティティに重みのラベル付けを行うプロセスは、互いに干渉せず、並列して実行可能である。

具体的な例を合わせて詳細に説明する。例えば、ユーザがクエリ要求Ａを検索し、上記の方法に基づいて複数のターゲット候補エンティティを決定した後、ターゲット候補エンティティＢ（例えば《タイムレイダース》（Ｔｉｍｅ Ｒａｉｄｅｒｓ））を評価する場合、まず、ターゲット候補エンティティＢの属性情報（俳優、ターゲット候補エンティティＢのカテゴリ、映画のカテゴリ、上映時間など）を取得し、対応する属性情報に基づいて重みのラベル付けを行う。具体的には、グラフの形式によってラベル付け結果（中間結果と最終結果を含む）を示すことができる。

ステップＳ３－３では、重みに基づいて各ターゲット候補エンティティを評価する。

好ましくは、ランキングＬＴＲモデルに基づいて各ターゲット候補エンティティを評価する。

本開示の実施例により提供される各ターゲット候補エンティティを評価する考案は、ターゲット候補エンティティの関連知識情報（すなわち属性情報）及び各パラメータなどを総合的に考慮している。このため、正確性が高い評価結果を出力するという技術的効果を実現することができる。

ステップＳ４では、第１の確率及び評価結果に基づいてクエリ要求に対応する真の意図エンティティを決定する。

真の意図エンティティとは、クエリ要求に対応するエンティティを最もよく実現することを指す。つまり、真の意図エンティティは、ユーザが期待するクエリ結果を最もよく実現することに対応するエンティティである。

本開示の実施例では、取得されたターゲット候補エンティティの具体的な包括性及び精度の特徴と、取得されたターゲット候補エンティティの評価結果は高い正確性を有するため、各ターゲット候補エンティティの第１の確率及び評価結果に基づいて高い正確度の真の意図エンティティを取得することができる。さらに、誤り訂正の効率と誤り訂正の正確率を向上させることができる。

図７から分かるように、いくつかの実施例では、Ｓ４は、具体的には、以下のステップを含む。
ステップＳ４－１では、各ターゲット候補エンティティに対応する第１の確率及び評価結果に対して重み付けを行い、各ターゲット候補エンティティに対応する加重値を取得する。

ステップＳ４－２では、最大の加重値に対応するターゲット候補エンティティを真の意図エンティティとして決定する。

具体的には、複数の加重値を昇順又は降順で並び、その中から最大の加重値を選択し、次に、最大の加重値に対応するターゲット候補エンティティを真の意図エンティティとして決定する。

本開示の実施例における、最大の加重値に対応するターゲット候補エンティティを選択し、当該ターゲット候補エンティティをユーザの真に検索を期待するエンティティとして決定する考案によって、ユーザの真の検索意図を正確に決定し、ユーザの検索体験を向上させる技術的効果を実現することができる。

本開示の実施例に係る別の態様において、本開示の実施例は、誤り訂正装置をさらに提供する。

図８を参照すると、図８は、本開示の実施例に係る誤り訂正装置の概略図である。

図８に示すように、当該装置は、受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定するための取得モジュール１と、各ターゲット候補エンティティが正当なエンティティである第１の確率を計算するための確率計算モジュール２と、各ターゲット候補エンティティを評価し、評価結果を取得するための評価モジュール３であって、一つのターゲット候補エンティティは、一つの評価結果に対応する評価モジュール３と、第１の確率及び評価結果に基づいてクエリ要求に対応する真の意図エンティティを決定するための決定モジュール４と、を含む。

いくつかの実施例では、確率計算モジュール２は、さらに、クエリ要求の入力が正確な第２の確率を計算する。
取得モジュール１は、具体的には、第２の確率が予め設定された第１の閾値より小さいことに応答して、受信されたクエリ要求に基づいて、辞書ツリーから各ターゲット候補エンティティを決定する。

いくつかの実施例では、取得モジュール１は、具体的には、クエリ要求における文字列及び辞書ツリーを計算し、複数の初期候補エンティティを取得し、予め設定された第２の閾値に基づいて、複数の初期候補エンティティからクエリ要求に対応するターゲット候補エンティティを選択する。

いくつかの実施例では、取得モジュール１は、具体的には、各初期候補エンティティとクエリ要求との第１の距離を計算し、各第１の距離を第２の閾値とそれぞれ比較し、第２の閾値以下の第１の距離に対応する初期候補エンティティをターゲット候補エンティティとして決定する。

いくつかの実施例では、前記第２の閾値が第３の閾値と第４の閾値とを含む場合、前記取得モジュールは、具体的には、第１のアルゴリズムに基づいて各前記初期候補エンティティと前記クエリ要求との第２の距離を計算し、前記第２の距離を前記第３の閾値と比較し、複数の前記初期候補エンティティから前記第３の閾値以下の第２の距離に対応する第１の候補エンティティを抽出し、第２のアルゴリズムに基づいて各前記第１の候補エンティティと前記クエリ要求との第３の距離を計算し、前記第４の閾値以下の第３の距離に対応する第１の候補エンティティを前記ターゲット候補エンティティとして決定する。

いくつかの実施例では、前記第１のアルゴリズムが編集距離アルゴリズムである場合、第２のアルゴリズムはジャッカード距離アルゴリズムであり、前記第１のアルゴリズムが前記ジャッカード距離アルゴリズムである場合、前記第２のアルゴリズムは前記編集距離アルゴリズムである。

いくつかの実施例では、評価モジュール３は、具体的には、各ターゲット候補エンティティに対応する属性情報を抽出し、各ターゲット候補エンティティの属性情報の重みを決定し、重みに基づいて各ターゲット候補エンティティを評価する。

いくつかの実施例では、決定モジュール４は、具体的には、各ターゲット候補エンティティに対応する第１の確率及び評価結果に対して重み付けを行い、各ターゲット候補エンティティに対応する加重値を取得し、最大の加重値に対応するターゲット候補エンティティを真の意図エンティティとして決定する。

図８を合わせて分かるように、いくつかの実施例では、当該装置は、予め設定された知識ベースから複数のエンティティを抽出するための抽出モジュール５と、各エンティティを予め設定された辞書ツリーのノードとし、各エンティティのエンティティセンスを、それが属するエンティティの子ノードとし、各エンティティセンスに唯一の識別子を割り当て、辞書ツリーを取得するための構築モジュール６と、をさらに含む。

図９を参照すると、図９は、本開示の実施例に係る誤り訂正装置のフレーム概略図である。

図９に示される誤り訂正装置は、単なる一つの例であり、本発明の実施例の機能と使用範囲を制限するものではない。

図９に示すように、誤り訂正装置は、汎用コンピューティングデバイスの形式として表される。誤り訂正装置のコンポーネントは、一つ又は複数のプロセッサ又は処理ユニット１１と、メモリ１２、異なるコンポーネント（メモリ１２と処理ユニット１１とを含む）を接続するバス１３と、を含むことができるが、これらに限定されない。

バス１３は、下記のような複数のバス構造のうちの一つ又は複数のものを示し、前記複数のバス構造は、メモリバス又はメモリコントローラ、周辺バス、アクセラレーテッドグラフィックスポート、プロセッサ又は多様なバス構造のうちの任意のバス構造を使用するローカルバスを含む。例をあげると、これらのアーキテクチャは、インダストリスタンダードアーキテクチャ（ＩＳＡ）バス、マイクロチャネルアーキテクチャ（ＭＡＣ）バス、拡張ＩＳＡバス、ビデオエレクトロニクススタンダーズアソシエーション（ＶＥＳＡ）ローカルバス、及びペリフェラルコンポーネントインターコネクト（ＰＣＩ）バスを含むが、これらに限定されない。

誤り訂正装置は、典型的には、多種類のコンピュータシステム読み取り可能な媒体を含む。これらの媒体は、誤り訂正装置がアクセスすることができる任意の使用可能な媒体であってもよく、揮発性媒体及び不揮発性媒体、リムーバブル媒体及びノンリムーバブル媒体を含む。

メモリ１２は、ランダムアクセスメモリ（ＲＡＭ）１４及び／又はキャッシュ１５（すなわちキャッシュメモリ）などの揮発性メモリの形態のコンピュータシステム読み取り可能な媒体を含んでもよい。誤り訂正装置は、他のリムーバブル／ノンリムーバブル、揮発性／不揮発性コンピュータシステム記憶媒体をさらに含んでもよい。単なる一例として、ストレージシステム１６は、ノンリムーバブル、不揮発性磁気媒体（図９に示されていないが、通常「ハードアクチュエー」と呼ぶ）に対して読み出し及び書き込みをするために用いることができる。図９に示されていないが、リムーバブル、不揮発性磁気ディスク（例えば、「フロッピーディスク」）に対して読み出し及び書き込みをするための磁気ディスクアクチュエー、及びリムーバブル、不揮発性光学ディスク（例えば、コンパクトディスク読み取り専用メモリ（ＣＤ－ＲＯＭ）、デジタルビデオディスク読み取り専用メモリ（ＤＶＤ－ＲＯＭ）又は他の光学媒体）に対して読み出し及び書き込みをするための光学ディスクアクチュエーを提供することができる。この場合、各アクチュエーは、一つ又は複数のデータメディアインターフェイスを介してバス１３に接続することができる。メモリ１２は、本発明の各実施例に記載の機能を実行するように構成されるワンセットのプログラムモジュール（例えば、少なくとも一つ）を有する少なくとも一つのプログラム製品を含んでもよい。

ワンセットのプログラムコンポーネント１７（少なくとも一つ）を有するプログラム／ユーティリティ８４０は、例えば、メモリ１２に記憶されてもよく、このようなプログラムコンポーネント１７は、オペレーティングシステム、一つ又は複数のアプリケーションプログラム、他のプログラムコンポーネント、及びプログラムデータを含むことができるがこれらに限定されない。これらの例のそれぞれ又はいずれか組み合わせには、ネットワーク環境の実装が含まれる可能性がある。プログラムコンポーネント１７は、通常、本発明に記載の実施例における機能及び／又は方法を実行する。

誤り訂正装置は、一つ又は複数の外部デバイス１９（例えば、キーボード、ポインティングデバイス、ディスプレイ２０など）と通信することができ、ユーザが誤り訂正装置とインタラクションすることを可能にする一つ又は複数の機器と通信することもでき、及び／又は誤り訂正装置が一つ又は複数の他のコンピューティングデバイスと通信することを可能にする任意の機器（例えば、ネットワークカード、モデムなど）と通信することもできる。そのような通信は、入力／出力（Ｉ／Ｏ）インターフェイス２１を介して行うことができる。また、誤り訂正装置は、ネットワークアダプタ２２を介して、一つ又は複数のネットワーク（例えば、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、及び／又はパブリックネットワーク、例えば、インターネット）と通信することができる。図に示すように、ネットワークアダプタ２２は、バス１３を介して、誤り訂正装置の他のコンポーネントと通信する。なお、図示されていないが、マイクロコードや機器アクチュエー、冗長処理ユニット、外部ディスクドライブアレイ、ＲＡＩＤシステム、テープドライバ、及びデータバックアップトレージシステムなどを含むが、これらに限定されない他のハードウェア及び／又はソフトウェアモジュールを、誤り訂正装置と組み合わせて使用することができる。

処理ユニット１１は、メモリ１２に記憶される複数のプログラムにおける少なくとも一つのプログラムを実行することにより、多様な機能アプリケーション及びデータ処理を実行し、例えば、本発明の実施例によって提供される誤り訂正方法を実現する。

本開示の実施例に係る別の態様において、本開示の実施例は、コンピュータプログラムが記憶されているコンピュータ読み取り可能な媒体をさらに提供し、前記プログラムがプロセッサにより実行される場合に、前記の方法を実現する。

当業者であれば、上記で開示された方法のすべて又はいくつかのステップ、システム、装置における機能モジュール／ユニットは、ソフトウェア、ファームウェア、ハードウェア、及び適切な組み合わせとして実施されてもよいことが理解されよう。ハードウェア実施形態において、上記の説明で提出した機能モジュール／ユニットの間の区分は、必ずしも物理コンポーネントの区分に対応するものではなく、例えば、１つの物理コンポーネントは、複数の機能を有してもよく、または１つの機能又はステップは、複数の物理コンポーネントによって連携して実行されてもよい。いくつかの物理コンポーネント又はすべての物理コンポーネントは、中央処理装置、デジタル信号プロセッサ、又はマイクロプロセッサなどのプロセッサによって実行されるソフトウェアとして実施されてもよく、又はハードウェアとして実施されてもよく、又は特定用途向け集積回路のような集積回路に実施されてもよい。このようなソフトウェアは、コンピュータ読み取り可能な媒体に配置されてもよく、コンピュータ読み取り可能な媒体は、コンピュータ記憶媒体（又は非一時的な媒体）と通信媒体（又は一時的な媒体）を含むことができる。当業者に周知の通り、コンピュータ記憶媒体という用語は、情報（例えばコンピュータ読み取り可能なコマンド、データ構造、プログラムモジュール、又は他のデータ）を記憶するための任意の方法又は技術において実施される揮発性と不揮発性、リムーバブル媒体と非リムーバブル媒体を含む。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ又は他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）又は他の光ディスクメモリ、マグネットボックス、デープ、ディスクストレージ又は他の磁気メモリ装置、又は所望の情報を記憶し、コンピュータによってアクセスされることができる他の任意の媒体を含むことができるが、これらに限定されない。また、当業者に周知であるように、通信媒体は、通常、コンピュータ読み取り可能な媒体、データ構造、プログラムモジュール、又は例えば搬送波や他の伝送方式などの変調データ信号における他のデータを含み、任意の情報配信媒体を含むことができる。

本明細書では、例示的な実施例が開示され、具体的な用語が使用されているが、一般的な説明的な意味として解釈されることのみに用いられ、限定の目的には用いられない。いくつかの実施例において、当業者にとって明らかなことは、他に明確に指摘しない限り、特定の実施例と組み合わせて説明した特徴、特性及び／又は要素を単独で使用することもできるし、または他の実施例と組み合わせて説明した特徴、特性及び／又は要素と組み合わせて使用することもできる。よって、当業者は、添付された請求項により開示された本願の範囲を逸脱することなく、様々な形式および詳細な変更を行うことができる。

１ 取得モジュール
２ 確率計算モジュール
３ 評価モジュール
４ 決定モジュール
５ 抽出モジュール
６ 構築モジュール
１１ 処理ユニット（又はプロセッサ）
１２ メモリ
１３ バス
１４ ＲＡＭ
１５ キャッシュ
１６ ストレージシステム
１７ プログラムコンポーネント
１８ 実用ツール
１９ 外部デバイス
２０ ディスプレイ
２１ Ｉ／Ｏインターフェイス
２２ ネットワークアダプタ

Claims (17)

1. 受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定するステップと、
   言語モデルに基づいて、各前記ターゲット候補エンティティが正当なエンティティである第１の確率を計算するステップと、
   各前記ターゲット候補エンティティを評価し、評価結果を取得するステップであって、一つの前記ターゲット候補エンティティは、一つの評価結果に対応するステップと、
   前記第１の確率と前記評価結果とに基づいて前記クエリ要求に対応する真の意図エンティティを決定するステップと、を含み、
   前記受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定するステップの前に、
   言語モデルに基づいて、前記クエリ要求の入力が正確である第２の確率を計算するステップであって、前記クエリ要求の入力が正確であることは、該クエリ要求が認識可能であるか、またはスペルが正しいクエリ要求を指すステップを含み、
   前記受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定するステップが、
   前記第２の確率が予め設定された第１の閾値より小さいことに応答して、受信されたクエリ要求に基づいて、前記辞書ツリーから前記ターゲット候補エンティティを決定するステップを含む誤り訂正方法。
2. 前記受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定するステップは、
   前記クエリ要求における文字列及び前記辞書ツリーを計算して、複数の初期候補エンティティを取得するステップと、
   予め設定された第２の閾値に基づいて、複数の前記初期候補エンティティから前記クエリ要求に対応する前記ターゲット候補エンティティを選択するステップと、を含む請求項１に記載の誤り訂正方法。
3. 前記予め設定された第２の閾値に基づいて、複数の前記初期候補エンティティから前記クエリ要求に対応する前記ターゲット候補エンティティを選択するステップは、
   各前記初期候補エンティティと前記クエリ要求との第１の距離を計算するステップと、
   各前記第１の距離をそれぞれ前記第２の閾値と比較するステップと、
   前記第２の閾値以下の第１の距離に対応する初期候補エンティティを前記ターゲット候補エンティティとして決定するステップと、を含む請求項２に記載の誤り訂正方法。
4. 前記第２の閾値が第３の閾値および第４の閾値のみからなる場合、前記予め設定された第２の閾値に基づいて、複数の前記初期候補エンティティから前記クエリ要求に対応する前記ターゲット候補エンティティを選択するステップは、
   第１のアルゴリズムに基づいて各前記初期候補エンティティと前記クエリ要求との第２の距離を計算するステップと、
   前記第２の距離を前記第３の閾値と比較するステップと、
   複数の前記初期候補エンティティから前記第３の閾値以下の第２の距離に対応する第１の候補エンティティを抽出するステップと、
   第２のアルゴリズムに基づいて各前記第１の候補エンティティと前記クエリ要求との第３の距離を計算するステップと、
   前記第４の閾値以下の第３の距離に対応する第１の候補エンティティを前記ターゲット候補エンティティとして決定するステップと、を含む請求項２に記載の誤り訂正方法。
5. 前記第１のアルゴリズムが編集距離アルゴリズムである場合、第２のアルゴリズムはジャッカード距離アルゴリズムであり、
   前記第１のアルゴリズムが前記ジャッカード距離アルゴリズムである場合、前記第２のアルゴリズムは前記編集距離アルゴリズムである請求項４に記載の誤り訂正方法。
6. 前記各前記ターゲット候補エンティティを評価するステップは、
   各前記ターゲット候補エンティティに対応する属性情報を抽出するステップと、
   各前記ターゲット候補エンティティの属性情報の重みを決定するステップと、
   前記重みに基づいて各前記ターゲット候補エンティティを評価するステップと、を含む請求項１に記載の誤り訂正方法。
7. 前記第１の確率と前記評価結果に基づいて前記クエリ要求に対応する真の意図エンティティを決定するステップは、
   各前記ターゲット候補エンティティに対応する第１の確率及び評価結果に対して重み付けを行い、各前記ターゲット候補エンティティに対応する加重値を取得するステップと、
   最大の加重値に対応するターゲット候補エンティティを前記真の意図エンティティとして決定するステップと、を含む請求項１に記載の誤り訂正方法。
8. 予め設定された知識ベースから複数のエンティティを抽出するステップと、
   各前記エンティティを予め設定された辞書ツリーのノードとし、各前記エンティティのエンティティセンスを、それが属するエンティティの子ノードとし、各前記エンティティセンスに唯一の識別子を割り当て、前記辞書ツリーを取得するステップと、を含む請求項１から７のいずれかに記載の誤り訂正方法。
9. 受信されたクエリ要求に基づいて、予め設定された辞書ツリーから複数のターゲット候補エンティティを決定するための取得モジュールと、
   各前記ターゲット候補エンティティが正当なエンティティである第１の確率を計算するための確率計算モジュールと、
   各前記ターゲット候補エンティティを評価し、評価結果を取得するための評価モジュールであって、一つの前記ターゲット候補エンティティは、一つの評価結果に対応する評価モジュールと、
   前記第１の確率と前記評価結果とに基づいて前記クエリ要求に対応する真の意図エンティティを決定するための決定モジュールと、を備え、
   前記確率計算モジュールが、前記クエリ要求の入力が正確である第２の確率を計算し、前記クエリ要求の入力が正確であることは、該クエリ要求が認識可能であるか、またはスペルが正しいクエリ要求を指し、
   前記取得モジュールが、前記第２の確率が予め設定された第１の閾値より小さいことに応答して、受信されたクエリ要求に基づいて、前記辞書ツリーから前記ターゲット候補エンティティを決定する誤り訂正装置。
10. 前記取得モジュールは、
    前記クエリ要求における文字列及び前記辞書ツリーを計算して、複数の初期候補エンティティを取得し、
    予め設定された第２の閾値に基づいて、複数の前記初期候補エンティティから前記クエリ要求に対応する前記ターゲット候補エンティティを選択する請求項９に記載の誤り訂正装置。
11. 前記取得モジュールは、
    各前記初期候補エンティティと前記クエリ要求との第１の距離を計算し、
    各前記第１の距離をそれぞれ前記第２の閾値と比較し、
    前記第２の閾値以下の第１の距離に対応する初期候補エンティティを前記ターゲット候補エンティティとして決定する請求項１０に記載の誤り訂正装置。
12. 前記第２の閾値が第３の閾値および第４の閾値のみからなる場合、前記取得モジュールは、
    第１のアルゴリズムに基づいて各前記初期候補エンティティと前記クエリ要求との第２の距離を計算し、
    前記第２の距離を前記第３の閾値と比較し、
    複数の前記初期候補エンティティから前記第３の閾値以下の第２の距離に対応する第１の候補エンティティを抽出し、
    第２のアルゴリズムに基づいて各前記第１の候補エンティティと前記クエリ要求との第３の距離を計算し、
    前記第４の閾値以下の第３の距離に対応する第１の候補エンティティを前記ターゲット候補エンティティとして決定する請求項１０に記載の誤り訂正装置。
13. 前記第１のアルゴリズムが編集距離アルゴリズムである場合、第２のアルゴリズムはジャッカード距離アルゴリズムであり、
    前記第１のアルゴリズムが前記ジャッカード距離アルゴリズムである場合、前記第２のアルゴリズムは前記編集距離アルゴリズムである請求項１２に記載の誤り訂正装置。
14. 前記評価モジュールは、
    各前記ターゲット候補エンティティに対応する属性情報を抽出し、
    各前記ターゲット候補エンティティの属性情報の重みを決定し、
    前記重みに基づいて各前記ターゲット候補エンティティを評価する請求項９に記載の誤り訂正装置。
15. 前記決定モジュールは、
    各前記ターゲット候補エンティティに対応する第１の確率及び評価結果に対して重み付けを行い、各前記ターゲット候補エンティティに対応する加重値を取得し、
    最大の加重値に対応するターゲット候補エンティティを前記真の意図エンティティとして決定する請求項９に記載の誤り訂正装置。
16. 予め設定された知識ベースから複数のエンティティを抽出するための抽出モジュールと、
    各前記エンティティを予め設定された辞書ツリーのノードとし、各前記エンティティのエンティティセンスを、それが属するエンティティの子ノードとし、各前記エンティティセンスに唯一の識別子を割り当て、前記辞書ツリーを取得するための構築モジュールと、を備える請求項９から１５のいずれかに記載の誤り訂正装置。
17. コンピュータプログラムが記憶されているコンピュータ読み取り可能な媒体であって、前記コンピュータプログラムがプロセッサにより実行される場合に、請求項１から８のいずれかに記載の方法が実現される、コンピュータプログラムが記憶されているコンピュータ読み取り可能な媒体。
    

Images