JP7319391B2 - 地理的位置を検索する方法、装置、機器、コンピュータ記憶媒体及びコンピュータプログラム - Google Patents
地理的位置を検索する方法、装置、機器、コンピュータ記憶媒体及びコンピュータプログラム Download PDFInfo
- Publication number
- JP7319391B2 JP7319391B2 JP2021568840A JP2021568840A JP7319391B2 JP 7319391 B2 JP7319391 B2 JP 7319391B2 JP 2021568840 A JP2021568840 A JP 2021568840A JP 2021568840 A JP2021568840 A JP 2021568840A JP 7319391 B2 JP7319391 B2 JP 7319391B2
- Authority
- JP
- Japan
- Prior art keywords
- vector representation
- similarity
- character
- geographic location
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3347—Query execution using vector based model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/387—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Instructional Devices (AREA)
Description
本開示は、コンピュータアプリケーション技術の分野に関し、特に、人工知能技術の分野に関する。
国際文字ベクトル表現辞書を使用して、ユーザによって入力された検索語における各文字のベクトル表現をそれぞれ決定するステップと、
検索語における各文字のベクトル表現を予めトレーニングされた第1のニューラルネットワークに入力して、検索語のベクトル表現を取得するステップと、
前記検索語のベクトル表現と地図データベース内の各地理的位置のベクトル表現の類似度を決定するステップと、
前記類似度に基づいて、検索された地理的位置を決定するステップと、を含み、
前記地理的位置のベクトル表現は、国際文字ベクトル表現辞書を使用して地理的位置の記述テキスト内の各文字のベクトル表現を決定した後に、前記地理的位置の記述テキスト内の各文字のベクトル表現を予めトレーニングされた第2のニューラルネットワークに入力することで取得され、前記国際文字ベクトル表現辞書は、少なくとも2つの言語の文字を同一のベクトル空間にマッピングするために用いられる。
国際文字ベクトル表現辞書を使用して、ユーザによって入力された検索語における各文字のベクトル表現をそれぞれ決定するための第1のベクトル決定ユニットと、前記国際文字ベクトル表現辞書は、少なくとも2つの言語の文字を同一のベクトル空間にマッピングするために用いられる第1のベクトル決定ユニットと、
検索語における各文字のベクトル表現を予めトレーニングされた第1のニューラルネットワークに入力して、検索語のベクトル表現を取得するための第2のベクトル決定ユニットと、
前記検索語のベクトル表現と地図データベース内の各地理的位置のベクトル表現の類似度を決定するための類似度決定ユニットであって、前記地理的位置のベクトル表現は、国際文字ベクトル表現辞書を使用して地理的位置の記述テキスト内の各文字のベクトル表現を決定した後に、前記地理的位置の記述テキスト内の各文字のベクトル表現を予めトレーニングされた第2のニューラルネットワークに入力することで取得される類似度決定ユニットと、
前記類似度に基づいて、検索された地理的位置を決定するための検索処理ユニットと、を含む。
少なくとも一つのプロセッサと、
前記少なくとも一つのプロセッサと通信接続されたメモリと、を含み、
前記メモリに前記少なくとも一つのプロセッサにより実行可能な命令が記憶されており、前記命令が前記少なくとも一つのプロセッサにより実行されると、前記少なくとも一つのプロセッサが上記の任意の一つの方法を実行することができる。
上記の技術案から分かるように、本開示では、国際文字ベクトル表現辞書を使用して、異なる言語の文字をいずれも同一のベクトル空間にマッピングし、各文字のベクトル表現に基づいて検索語のベクトル表現と地理的位置のベクトル表現をそれぞれ取得し、さらに、検索語のベクトル表現と地理的位置のベクトル表現との間の類似度に基づいて、検索された地理的位置を決定する。このような方式は言語にわたる地理的位置検索のニーズをよりよく満たすことができる。
本開示で実現される地理的位置を検索する方法は、類似度モデルに基づいており、図2に示すように、類似度モデルは、国際文字ベクトル表現辞書(図では「辞書」と呼ばれる)、第1のニューラルネットワーク、および第2のニューラルネットワークを含むことができる。地理的位置を検索する方法は、図3に示すように、以下のようなステップを含むことができる。
301aでは、ユーザによって入力された検索語を取得した後、国際文字ベクトル表現辞書を使用して、ユーザによって入力された検索語における各文字のベクトル表現をそれぞれ決定する。ユーザが検索語「KFC」を入力することを例として、それぞれ国際文字ベクトル表現辞書を使用して、「K」の文字ベクトル表現、「F」の文字ベクトル表現、および「C」の文字ベクトル表現を決定する。
C=D(c)
その中、D( )は、国際文字ベクトル表現辞書で使用されるマッピング関数である。
名称-「ケンタッキー(西直門南大街店)」、
住所-「北京市西城区西直門南大街甲15-6号2階」、
ラベル-「チェーン」、「便利な交通」、「ワーキングランチ」、「西洋のファーストフード」など、
評価-「美味しい」、「人気がある」、「親子に適している」など
…
上記の記述テキスト内の各文字を国際文字ベクトル表現辞書で各文字のベクトル表現としてマッピングすることができる。
G(q1,q2,…,qm)=y
H(p1,p2,…,pn)=z
また、地図データベース内の各地理的位置のベクトル表現は、検索プロセスにリアルタイムで決定することができる。しかしながら、予め決定した後に検索プロセスに結果を直接に呼び出すことができ、すなわち、301bと302bは、既に予めオフラインで実行された処理である。
s=S(q1,q2,…,qm;p1,p2,…,pn)
=cosine(y,z)
304では、決定された類似度に基づいて、検索された地理的位置を決定する。類似度は、独立に地理的位置ソートの根拠とすることができ、非独立の方式で、すなわち、類似度は、特徴ベクトルのうちの一つとして、従来のソートモデルに統合することができる。
検索ニーズ1:
ユーザが検索語「エッフェル塔」を入力すると、国際文字ベクトル表現辞書で検索語における各文字および地理的位置の記述テキスト内の各文字をすべて同一のベクトル空間にマッピングするため、記述テキストでフランス語名「La Tour Eiffel」または英語名「Eiffel Tower」を使用しても、同一のベクトル空間で非常に近い距離を有することができ、言語にわたる地理的位置検索のニーズを実現することができる。
ユーザが検索語「KFC」を入力すると、検索語における各文字および地理的位置の記述テキスト内の各文字をすべて同一のベクトル空間にマッピングした後、各文字のベクトル表現を使用して検索語のベクトル表現および地理的位置のベクトル表現を取得する。記述テキストでフルネーム「Kentucky Fried Chicken」を使用しても、同一のベクトル空間で非常に近い距離を有することができ、セマンティックに基づく地理的位置検索のニーズを実現することができる。
本実施例では、履歴クリックログを使用して類似度モデルのトレーニングを実現する。履歴クリックログは、ユーザが検索された地理的位置に対してクリックしたか否かに関する検索履歴記録に基づいて生成されたログである。本実施例により提供されるトレーニング類似度モデルのプロセスは、図4に示すように、以下のようなステップを含むことができる。
401では、履歴クリックログからトレーニングデータを取得し、トレーニングデータは、検索語、および正のサンプルとする検索語に対応するクリックされた地理的位置と負のサンプルとするクリックされていない地理的位置を含む。
Loss=max[0,γ+ cosine(y,z+)- cosine(y,z-)]
を使用することができ、yは、検索語のベクトル表現であり、z+は、正のサンプルのベクトル表現であり、z-は、負のサンプルのベクトル表現であり、γは、ハイパーパラメータである。
例えば、いくつかの地理的位置については、いくつかのユーザ内で広く伝わっているふざけた名称、略称、またはニックネームなどがよくある。これらの呼称が即時に采集されて同義辞書が確立されてない場合、ユーザが実際に必要とする地理的位置検索を実現することは困難になる。例えば、ケンタッキーにとって、多くのユーザは、それをふざけた名称として「開封料理」と呼んでいる。しかし、本開示により提供される方式を使用して、ユーザが検索語「開封料理」を入力し、地理的位置の検索結果で「ケンタッキー」に関連する地理的位置をクリックしたユーザがありまたはユーザが増える場合、上記のトレーニングプロセスを通じて両者の間の類似度関連を確立することができ、実際の検索プロセスにおいて、ユーザが検索語「開封料理」を入力する時、ケンタッキーに関する地理的位置を検索して取得することができる。
できるだけクリック回数が少ない地理的位置、さらにクリックされたことがない地理的位置(例えば新出現の地理的位置)でもすべて良い検索ソート結果を取得することができるために、本実施例では、既存の高頻度クリックの地理的位置、および低頻度またはクリックされたことがない地理的位置を、別の観点から関連付けを確立する。したがって、履歴クリックログ以外に、モデルトレーニングプロセスに履歴閲覧ログを導入し、共現関係を閲覧することによって地理的位置間の関連付けを確立する。
601では、履歴クリックログからトレーニングデータを取得し、トレーニングデータは、検索語と、正のサンプルとする検索語に対応するクリックされた地理的位置と、負のサンプルとするクリックされていない地理的位置を含む。
z+=V1+a12*V2+a14*V4。
z-=V7+a37*V3
次に、検索語のベクトル表現と正のサンプルのベクトル表現の第1の類似度、および同一の検索語のベクトル表現と負のサンプルのベクトル表現の第2の類似度を決定する。
Loss=max[0, γ+ cosine(y,z+)- cosine(y,z-)]
を使用することができ、yは、検索語のベクトル表現であり、z+は、正のサンプルのベクトル表現であり、z-は、負のサンプルのベクトル表現であり、γは、ハイパーパラメータである。
いくつかの新たに出現した地理的位置について、例えば、「ケンタッキー(回龍観店)」は新しくオープンした店であり、初期は、履歴クリックログに出現されず、またはクリック回数が非常に少ないため、実施例2で確立されたモデルを介して検索して当該新しい地理的位置を取得することが難しい。しかし、本実施例3のモデル確立方式を使用する場合、ユーザが地図を使用するプロセス中に、地図内の閲覧を通じて、一つのセッション中で既に長く出現された地理的位置「ケンタッキー(西直門店)」を同時に閲覧し、「ケンタッキー(回龍観店)」を同時に閲覧し、または地図アプリケーションの情報推奨機能で「ケンタッキー(西直門店)」と「ケンタッキー(回龍観店)」を同時に閲覧する。そうすると、セマンティックグラフで地理的位置「ケンタッキー(西直門店)」と「ケンタッキー(回龍観店)」との間の関連付けを確立する。「ケンタッキー(西直門店)」は長く出現された地理的位置であるため、履歴クリック回数が多い。したがって、類似度モデルを確立するプロセス中に、「ケンタッキー(西直門店)」を正のサンプルとしてトレーニングするプロセス中に、「ケンタッキー(回龍観店)」も正のサンプルのベクトル表現に貢献し、「ケンタッキー(回龍観店)」も「ケンタッキー(西直門店)」の検索語「KFC」に関連付けを確立する。そうすると、ユーザが「KFC」を検索する時、類似度に基づいて検索結果に「ケンタッキー(回龍観店)」が出現することができるため、「ケンタッキー(回龍観店)」のコールドスタート問題を解決する。
図9は本開示の実施例により提供される地理的位置を検索する装置の構造図である。当該装置は、サーバ側にあるアプリケーションプログラム、またはサーバ側にあるアプリケーションプログラムのプラグインまたはソフトウェア開発キット(Software Development Kit、SDK)などの機能ユニットであってもよく、本開示の実施例はこれについて特に限定しない。図9に示すように、当該装置は、第1のベクトル決定ユニット01、第2のベクトル決定ユニット02、類似度決定ユニット03、および検索処理ユニット04を含むことができ、さらに、第1のモデルトレーニングユニット05または第2のモデルトレーニングユニット06を含むことができる。その中の各構成ユニットの主な機能は以下の通りである。
第1のベクトル決定ユニット01は、国際文字ベクトル表現辞書を使用して、ユーザによって入力された検索語における各文字のベクトル表現をそれぞれ決定するために用いられ、国際文字ベクトル表現辞書は、少なくとも2つの言語の文字を同一のベクトル空間にマッピングするために用いられる。
履歴クリックログからトレーニングデータを取得し、トレーニングデータは、検索語と、正のサンプルとする検索語に対応するクリックされた地理的位置と、負のサンプルとするクリックされていない地理的位置を含み、
トレーニングデータを使用して国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークをトレーニングして、第1の類似度と第2の類似度の差を最大化するトレーニングプロセスを予め実行し、第1の類似度は、検索語のベクトル表現と正のサンプルのベクトル表現の類似度であり、第2の類似度は、検索語のベクトル表現と負のサンプルのベクトル表現の類似度である。
国際文字ベクトル表現辞書を使用して、トレーニングデータ内の各文字のベクトル表現をそれぞれ決定し、
検索語における各文字のベクトル表現を第1のニューラルネットワークに入力し、検索語のベクトル表現を取得し、正のサンプルの地理的位置の記述テキスト内の各文字のベクトル表現および負のサンプルの地理的位置の記述テキスト内の各文字のベクトル表現を第2のニューラルネットワークにそれぞれ入力し、正のサンプルのベクトル表現および負のサンプルのベクトル表現を取得し、
検索語のベクトル表現と正のサンプルのベクトル表現の第1の類似度、および同一の検索語のベクトル表現と負のサンプルのベクトル表現の第2の類似度を決定し、
国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークをトレーニングして、第1の類似度と第2の類似度の差を最大化することを実行する。
履歴クリックログからトレーニングデータを取得し、トレーニングデータは、検索語と、正のサンプルとする検索語に対応するクリックされた地理的位置と、負のサンプルとするクリックされていない地理的位置を含み、
履歴閲覧ログを使用して、地理的位置間の閲覧共現関係に基づいて正のサンプルと負のサンプルを拡張し、
拡張した後のトレーニングデータを使用して国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークをトレーニングして、第1の類似度と第2の類似度の差を最大化するトレーニングプロセスを予め実行するために用いられ、第1の類似度は、検索語のベクトル表現と正のサンプルのベクトル表現の類似度であり、第2の類似度は、検索語のベクトル表現と負のサンプルのベクトル表現の類似度である。
国際文字ベクトル表現辞書を使用して、トレーニングデータ内の各文字のベクトル表現をそれぞれ決定し、
検索語における各文字のベクトル表現を第1のニューラルネットワークに入力し、検索語のベクトル表現を取得し、クリックされた地理的位置の記述テキスト内の各文字のベクトル表現、および各第1の地理的位置の記述テキスト内の各文字のベクトル表現を第2のニューラルネットワークにそれぞれ入力し、第2のニューラルネットワークによって出力された各地理的位置のベクトル表現をセマンティックグラフにおける対応する地理的位置間の関連パラメータに従って重み付け処理を行い、正のサンプルのベクトル表現を取得し、クリックされていない地理的位置の記述テキスト内の各文字のベクトル表現、および各第2の地理的位置の記述テキスト内の各文字のベクトル表現を第2のニューラルネットワークにそれぞれ入力し、第2のニューラルネットワークによって出力された各地理的位置のベクトル表現をセマンティックグラフにおける対応する地理的位置間の関連パラメータに従って重み付け処理を行い、負のサンプルのベクトル表現を取得し、
検索語のベクトル表現と正のサンプルのベクトル表現の第1の類似度、および同一の検索語のベクトル表現と負のサンプルのベクトル表現の第2の類似度を決定し、
国際文字ベクトル表現辞書、セマンティックグラフ、第1のニューラルネットワーク、および第2のニューラルネットワークをトレーニングして、第1の類似度と第2の類似度の差を最大化することを実行することができる。
セマンティックグラフ構築ユニット07は、履歴閲覧ログに基づいてセマンティックグラフを確立し、セマンティックグラフにおけるノードは地理的位置であり、閲覧共現関係が存在する地理的位置に対して対応するノード間の関連付けを確立するために用いられ、地理的位置間の関連パラメータは、最初に地理的位置間の共現状況に基づいて決定し、
これに対応して、第2のモデルトレーニングユニット06は、トレーニングプロセス中にセマンティックグラフにおける地理的位置間の関連パラメータを更新する。
Claims (17)
- コンピュータにより実行される、地理的位置を検索する方法であって、
国際文字ベクトル表現辞書を使用して、ユーザによって入力された検索語における各文字のベクトル表現をそれぞれ決定するステップと、
検索語における各文字のベクトル表現を予めトレーニングされた第1のニューラルネットワークに入力して、検索語のベクトル表現を取得するステップと、
前記検索語のベクトル表現と地図データベース内の各地理的位置のベクトル表現の類似度を決定するステップと、
前記類似度に基づいて、検索された地理的位置を決定するステップと、を含み、
前記地理的位置のベクトル表現は、国際文字ベクトル表現辞書を使用して地理的位置の記述テキスト内の各文字のベクトル表現を決定した後に、前記地理的位置の記述テキスト内の各文字のベクトル表現を予めトレーニングされた第2のニューラルネットワークに入力することで取得され、前記国際文字ベクトル表現辞書は、少なくとも2つの言語の文字を同一のベクトル空間にマッピングするために用いられ、
当該方法は、
履歴クリックログからトレーニングデータを取得し、前記トレーニングデータは、検索語と、正のサンプルとする検索語に対応するクリックされた地理的位置と、負のサンプルとするクリックされていない地理的位置を含み、
履歴閲覧ログを使用して、地理的位置間の閲覧共現関係に基づいて前記正のサンプルと負のサンプルを拡張し、前記クリックされた地理的位置と閲覧共現関係がある各地理的位置を取得して正のサンプルを拡張し、前記クリックされていない地理的位置と閲覧共現関係がある各地理的位置を取得して負のサンプルを拡張し、一つのセッションで前後に複数の地理的位置を閲覧した場合、当該複数の地理的位置間に閲覧共現関係があり、
拡張した後のトレーニングデータを使用して前記国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークのパラメータを更新して、第1の類似度と第2の類似度の差を最大化するトレーニングプロセスを予め実行することをさらに含み、
前記第1の類似度は、前記検索語のベクトル表現と前記正のサンプルのベクトル表現の類似度であり、前記第2の類似度は、前記検索語のベクトル表現と前記負のサンプルのベクトル表現の類似度であり、
前記国際文字ベクトル表現辞書は、検索語における各文字のベクトル表現と、正のサンプルとするクリックされた地理的位置の記述テキスト内の各文字のベクトル表現と、負のサンプルとするクリックされていない地理的位置の記述テキスト内の各文字のベクトル表現とを決定するために用いられる、
地理的位置を検索する方法。 - 前記地理的位置の記述テキストは、名称、ラベル、住所、評価、写真記述テキストのうちの少なくとも一つを含む、
請求項1に記載の地理的位置を検索する方法。 - 前記類似度に基づいて、検索された地理的位置を決定するステップは、
類似度にしたがって各地理的位置を高い方から低い方へソートし、ソート結果によって検索された地理的位置を決定するステップと、または、
前記類似度を使用して類似度特徴を決定し、前記類似度特徴を予めトレーニングされたソートモデルの入力ベクトルの一つとし、前記ソートモデルが各地理的位置に対するソート結果を使用して検索された地理的位置を決定するステップと、を含む、
請求項1に記載の地理的位置を検索する方法。 - 当該方法は、
履歴クリックログからトレーニングデータを取得し、前記トレーニングデータは、検索語と、正のサンプルとする検索語に対応するクリックされた地理的位置と、負のサンプルとするクリックされていない地理的位置を含み、
前記トレーニングデータを使用して前記国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークのパラメータを更新して、第1の類似度と第2の類似度の差を最大化するトレーニングプロセスを予め実行することをさらに含み、
前記第1の類似度は、前記検索語のベクトル表現と前記正のサンプルのベクトル表現の類似度であり、前記第2の類似度は、前記検索語のベクトル表現と前記負のサンプルのベクトル表現の類似度である、
請求項1に記載の地理的位置を検索する方法。 - 前記トレーニングデータを使用して前記国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークをトレーニングするステップは、
国際文字ベクトル表現辞書を使用して、トレーニングデータ内の各文字のベクトル表現をそれぞれ決定するステップと、
検索語における各文字のベクトル表現を第1のニューラルネットワークに入力し、検索語のベクトル表現を取得し、正のサンプルの地理的位置の記述テキスト内の各文字のベクトル表現および負のサンプルの地理的位置の記述テキスト内の各文字のベクトル表現を第2のニューラルネットワークにそれぞれ入力し、正のサンプルのベクトル表現および負のサンプルのベクトル表現を取得するステップと、
検索語のベクトル表現と正のサンプルのベクトル表現の第1の類似度、および同一の検索語のベクトル表現と負のサンプルのベクトル表現の第2の類似度を決定するステップと、
前記国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークをトレーニングして、第1の類似度と第2の類似度の差を最大化するステップと、を含む、
請求項4に記載の地理的位置を検索する方法。 - 前記履歴閲覧ログを使用して、地理的位置間の閲覧共現関係に基づいて前記正のサンプルと負のサンプルを拡張するステップは、
セマンティックグラフから前記クリックされた地理的位置に閲覧共現関係が存在する各第1の地理的位置をそれぞれ取得して前記正のサンプルを拡張し、前記クリックされていない地理的位置に閲覧共現関係が存在する各第2の地理的位置をそれぞれ取得して前記負のサンプルを拡張するステップを含み、
セマンティックグラフにおいて、ノードは地理的位置であり、地理的位置間の関連付けは地理的位置間に閲覧共現関係が存在することを表し、地理的位置間に地理的位置間の閲覧共現関係の度合いを反映する関連パラメータが存在し、前記関連パラメータは最初に地理的位置間に閲覧共現が発生する回数によって決定される、
請求項1に記載の地理的位置を検索する方法。 - 前記拡張した後のトレーニングデータを使用して前記国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークをトレーニングするステップは、
国際文字ベクトル表現辞書を使用して、トレーニングデータ内の各文字のベクトル表現をそれぞれ決定するステップと、
検索語における各文字のベクトル表現を第1のニューラルネットワークに入力し、検索語のベクトル表現を取得し、前記クリックされた地理的位置の記述テキスト内の各文字のベクトル表現と、前記各第1の地理的位置の記述テキスト内の各文字のベクトル表現を第2のニューラルネットワークにそれぞれ入力し、第2のニューラルネットワークによって出力された各地理的位置のベクトル表現をセマンティックグラフにおける対応する地理的位置間の関連パラメータに従って重み付け処理を行い、正のサンプルのベクトル表現を取得するステップと、前記クリックされていない地理的位置の記述テキスト内の各文字のベクトル表現、および前記各第2の地理的位置の記述テキスト内の各文字のベクトル表現を第2のニューラルネットワークにそれぞれ入力し、第2のニューラルネットワークによって出力された各地理的位置のベクトル表現をセマンティックグラフにおける対応する地理的位置間の関連パラメータに従って重み付け処理を行い、負のサンプルのベクトル表現を取得するステップと、
検索語のベクトル表現と正のサンプルのベクトル表現の第1の類似度、および同一の検索語のベクトル表現と負のサンプルのベクトル表現の第2の類似度を決定するステップと、
前記国際文字ベクトル表現辞書、セマンティックグラフ、第1のニューラルネットワーク、および第2のニューラルネットワークのパラメータを更新して、第1の類似度と第2の類似度の差を最大化するステップと、を含む、
請求項6に記載の地理的位置を検索する方法。 - 地理的位置を検索する装置であって、
国際文字ベクトル表現辞書を使用して、ユーザによって入力された検索語における各文字のベクトル表現をそれぞれ決定するための第1のベクトル決定ユニットであって、前記国際文字ベクトル表現辞書は、少なくとも2つの言語の文字を同一のベクトル空間にマッピングするために用いられる第1のベクトル決定ユニットと、
検索語における各文字のベクトル表現を予めトレーニングされた第1のニューラルネットワークに入力して、検索語のベクトル表現を取得するための第2のベクトル決定ユニットと、
前記検索語のベクトル表現と地図データベース内の各地理的位置のベクトル表現の類似度を決定するための類似度決定ユニットであって、前記地理的位置のベクトル表現は、国際文字ベクトル表現辞書を使用して地理的位置の記述テキスト内の各文字のベクトル表現を決定した後に、前記地理的位置の記述テキスト内の各文字のベクトル表現を予めトレーニングされた第2のニューラルネットワークに入力することで取得される類似度決定ユニットと、
前記類似度に基づいて、検索された地理的位置を決定するための検索処理ユニットと、を含み、
当該装置は、第2のモデルトレーニングユニットをさらに含み、前記第2のモデルトレーニングユニットは、
履歴クリックログからトレーニングデータを取得し、前記トレーニングデータは、検索語と、正のサンプルとする検索語に対応するクリックされた地理的位置と、負のサンプルとするクリックされていない地理的位置を含み、
履歴閲覧ログを使用して、地理的位置間の閲覧共現関係に基づいて前記正のサンプルと負のサンプルを拡張し、前記クリックされた地理的位置と閲覧共現関係がある各地理的位置を取得して正のサンプルを拡張し、前記クリックされていない地理的位置と閲覧共現関係がある各地理的位置を取得して負のサンプルを拡張し、一つのセッションで前後に複数の地理的位置を閲覧した場合、当該複数の地理的位置間に閲覧共現関係があり、
拡張した後のトレーニングデータを使用して前記国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークのパラメータを更新して、第1の類似度と第2の類似度の差を最大化するトレーニングプロセスを予め実行するために用いられ、
前記第1の類似度は、前記検索語のベクトル表現と前記正のサンプルのベクトル表現の類似度であり、前記第2の類似度は、前記検索語のベクトル表現と前記負のサンプルのベクトル表現の類似度であり、
前記国際文字ベクトル表現辞書は、検索語における各文字のベクトル表現と、正のサンプルとするクリックされた地理的位置の記述テキスト内の各文字のベクトル表現と、負のサンプルとするクリックされていない地理的位置の記述テキスト内の各文字のベクトル表現とを決定するために用いられる、
地理的位置を検索する装置。 - 前記地理的位置の記述テキストは、名称、ラベル、住所、評価、写真記述テキストのうちの少なくとも一つを含む、
請求項8に記載の地理的位置を検索する装置。 - 前記検索処理ユニットは、具体的には、
類似度にしたがって各地理的位置を高い方から低い方へソートし、ソート結果によって検索された地理的位置を決定し、または、
前記類似度を使用して類似度特徴を決定し、前記類似度特徴を予めトレーニングされたソートモデルの入力ベクトルの一つとし、前記ソートモデルが各地理的位置に対するソート結果を使用して検索された地理的位置を決定するために用いられる、
請求項8に記載の地理的位置を検索する装置。 - 当該装置は、第1のモデルトレーニングユニットをさらに含み、
前記第1のモデルトレーニングユニットは、
履歴クリックログからトレーニングデータを取得し、前記トレーニングデータは、検索語と、正のサンプルとする検索語に対応するクリックされた地理的位置と、負のサンプルとするクリックされていない地理的位置を含み、
前記トレーニングデータを使用して前記国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークのパラメータを更新して、第1の類似度と第2の類似度の差を最大化するトレーニングプロセスを予め実行するために用いられ、前記第1の類似度は、前記検索語のベクトル表現と前記正のサンプルのベクトル表現の類似度であり、前記第2の類似度は、前記検索語のベクトル表現と前記負のサンプルのベクトル表現の類似度である、
請求項8に記載の地理的位置を検索する装置。 - 前記第1のモデルトレーニングユニットは、前記トレーニングデータを使用して前記国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークをトレーニングする時、具体的には、
国際文字ベクトル表現辞書を使用して、トレーニングデータ内の各文字のベクトル表現をそれぞれ決定し、
検索語における各文字のベクトル表現を第1のニューラルネットワークに入力し、検索語のベクトル表現を取得し、正のサンプルの地理的位置の記述テキスト内の各文字のベクトル表現および負のサンプルの地理的位置の記述テキスト内の各文字のベクトル表現を第2のニューラルネットワークにそれぞれ入力し、正のサンプルのベクトル表現および負のサンプルのベクトル表現を取得し、
検索語のベクトル表現と正のサンプルのベクトル表現の第1の類似度、および同一の検索語のベクトル表現と負のサンプルのベクトル表現の第2の類似度を決定し、
前記国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークをトレーニングして、第1の類似度と第2の類似度の差を最大化することを実行する、
請求項11に記載の地理的位置を検索する装置。 - 前記第2のモデルトレーニングユニットは、具体的には、セマンティックグラフから前記クリックされた地理的位置に閲覧共現関係が存在する各第1の地理的位置をそれぞれ取得して前記正のサンプルを拡張し、前記クリックされていない地理的位置に閲覧共現関係が存在する各第2の地理的位置をそれぞれ取得して前記負のサンプルを拡張し、
セマンティックグラフにおいて、ノードは地理的位置であり、地理的位置間の関連付けは地理的位置間に閲覧共現関係が存在することを表し、地理的位置間に地理的位置間の閲覧共現関係の度合いを反映する関連パラメータが存在し、前記関連パラメータは最初に地理的位置間に閲覧共現が発生する回数によって決定される、
請求項8に記載の地理的位置を検索する装置。 - 前記第2のモデルトレーニングユニットは、拡張した後のトレーニングデータを使用して前記国際文字ベクトル表現辞書、第1のニューラルネットワーク、および第2のニューラルネットワークをトレーニングする時、具体的には、
国際文字ベクトル表現辞書を使用して、トレーニングデータ内の各文字のベクトル表現をそれぞれ決定し、
検索語における各文字のベクトル表現を第1のニューラルネットワークに入力し、検索語のベクトル表現を取得し、前記クリックされた地理的位置の記述テキスト内の各文字のベクトル表現と、前記各第1の地理的位置の記述テキスト内の各文字のベクトル表現を第2のニューラルネットワークにそれぞれ入力し、第2のニューラルネットワークによって出力された各地理的位置のベクトル表現をセマンティックグラフにおける対応する地理的位置間の関連パラメータに従って重み付け処理を行い、正のサンプルのベクトル表現を取得し、前記クリックされていない地理的位置の記述テキスト内の各文字のベクトル表現、および前記各第2の地理的位置の記述テキスト内の各文字のベクトル表現を第2のニューラルネットワークにそれぞれ入力し、第2のニューラルネットワークによって出力された各地理的位置のベクトル表現をセマンティックグラフにおける対応する地理的位置間の関連パラメータに従って重み付け処理を行い、負のサンプルのベクトル表現を取得し、
検索語のベクトル表現と正のサンプルのベクトル表現の第1の類似度、および同一の検索語のベクトル表現と負のサンプルのベクトル表現の第2の類似度を決定し、
前記国際文字ベクトル表現辞書、セマンティックグラフ、第1のニューラルネットワーク、および第2のニューラルネットワークのパラメータを更新して、第1の類似度と第2の類似度の差を最大化することを実行する、
請求項13に記載の地理的位置を検索する装置。 - 電子機器であって、
少なくとも一つのプロセッサと、
前記少なくとも一つのプロセッサと通信接続されたメモリと、を含み、
前記メモリに前記少なくとも一つのプロセッサにより実行可能な命令が記憶されており、前記命令が前記少なくとも一つのプロセッサにより実行されると、前記少なくとも一つのプロセッサが請求項1~7のいずれかの一つに記載の方法を実行する、
電子機器。 - コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体であって、
前記コンピュータ命令は、コンピュータに請求項1~7のいずれかの一つに記載の方法を実行させる、
コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体。 - コンピュータに請求項1~7のいずれかの一つに記載の方法を実行させる、
コンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010334224.1A CN111666461B (zh) | 2020-04-24 | 2020-04-24 | 检索地理位置的方法、装置、设备和计算机存储介质 |
CN202010334224.1 | 2020-04-24 | ||
PCT/CN2020/131321 WO2021212827A1 (zh) | 2020-04-24 | 2020-11-25 | 检索地理位置的方法、装置、设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022533200A JP2022533200A (ja) | 2022-07-21 |
JP7319391B2 true JP7319391B2 (ja) | 2023-08-01 |
Family
ID=72382968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021568840A Active JP7319391B2 (ja) | 2020-04-24 | 2020-11-25 | 地理的位置を検索する方法、装置、機器、コンピュータ記憶媒体及びコンピュータプログラム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220121692A1 (ja) |
EP (1) | EP3926493B1 (ja) |
JP (1) | JP7319391B2 (ja) |
KR (1) | KR20210145811A (ja) |
CN (1) | CN111666461B (ja) |
WO (1) | WO2021212827A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666461B (zh) * | 2020-04-24 | 2023-05-26 | 百度在线网络技术(北京)有限公司 | 检索地理位置的方法、装置、设备和计算机存储介质 |
CN111666292B (zh) | 2020-04-24 | 2023-05-26 | 百度在线网络技术(北京)有限公司 | 用于检索地理位置的相似度模型建立方法和装置 |
CN113342912B (zh) * | 2021-05-24 | 2022-03-18 | 北京百度网讯科技有限公司 | 地理位置区域的编码方法、建立编码模型的方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120265760A1 (en) | 2011-04-18 | 2012-10-18 | Microsoft Corporation | Random Walk on Query Pattern Graph for Query Task Classification |
CN110674419A (zh) | 2019-01-25 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 地理信息检索方法、装置、电子设备及可读存储介质 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136028B (zh) * | 2006-07-10 | 2012-07-04 | 日电(中国)有限公司 | 基于自然语言的位置查询系统以及基于关键词的位置查询系统 |
US8170352B2 (en) * | 2008-03-24 | 2012-05-01 | Sophos Plc | String searching facility |
US9129029B1 (en) * | 2011-05-19 | 2015-09-08 | Google Inc. | Ranking content using location-based query log analysis |
CN103714092A (zh) * | 2012-09-29 | 2014-04-09 | 北京百度网讯科技有限公司 | 一种地理位置的搜索方法和装置 |
US10067913B2 (en) * | 2013-05-08 | 2018-09-04 | Microsoft Technology Licensing, Llc | Cross-lingual automatic query annotation |
CN104834721A (zh) * | 2015-05-12 | 2015-08-12 | 百度在线网络技术(北京)有限公司 | 基于位置的搜索处理方法及装置 |
US10546015B2 (en) * | 2015-12-01 | 2020-01-28 | Facebook, Inc. | Determining and utilizing contextual meaning of digital standardized image characters |
CN106547735B (zh) * | 2016-10-25 | 2020-07-07 | 复旦大学 | 基于深度学习的上下文感知的动态词或字向量的构建及使用方法 |
CN107301170B (zh) * | 2017-06-19 | 2020-12-22 | 北京百度网讯科技有限公司 | 基于人工智能的切分语句的方法和装置 |
CN107491547B (zh) * | 2017-08-28 | 2020-11-10 | 北京百度网讯科技有限公司 | 基于人工智能的搜索方法和装置 |
CN110019668A (zh) * | 2017-10-31 | 2019-07-16 | 北京国双科技有限公司 | 一种文本检索方法及装置 |
US11526670B2 (en) * | 2018-09-28 | 2022-12-13 | The Mitre Corporation | Machine learning of colloquial place names |
CN109408814B (zh) * | 2018-09-30 | 2020-08-07 | 中国地质大学(武汉) | 基于释义基元词的中英跨语言词汇表征学习方法及系统 |
CN110162593B (zh) * | 2018-11-29 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 一种搜索结果处理、相似度模型训练方法及装置 |
CN110765368B (zh) * | 2018-12-29 | 2020-10-27 | 滴图(北京)科技有限公司 | 用于语义检索的人工智能系统和方法 |
JP7041281B2 (ja) * | 2019-07-04 | 2022-03-23 | 浙江大学 | ディープニューラルネットワークモデルに基づくアドレス情報特徴抽出方法 |
CN111026937B (zh) * | 2019-11-13 | 2021-02-19 | 百度在线网络技术(北京)有限公司 | 提取poi名称的方法、装置、设备和计算机存储介质 |
CN111666461B (zh) * | 2020-04-24 | 2023-05-26 | 百度在线网络技术(北京)有限公司 | 检索地理位置的方法、装置、设备和计算机存储介质 |
-
2020
- 2020-04-24 CN CN202010334224.1A patent/CN111666461B/zh active Active
- 2020-11-25 EP EP20875658.5A patent/EP3926493B1/en active Active
- 2020-11-25 KR KR1020217035955A patent/KR20210145811A/ko active Search and Examination
- 2020-11-25 US US17/285,857 patent/US20220121692A1/en not_active Abandoned
- 2020-11-25 JP JP2021568840A patent/JP7319391B2/ja active Active
- 2020-11-25 WO PCT/CN2020/131321 patent/WO2021212827A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120265760A1 (en) | 2011-04-18 | 2012-10-18 | Microsoft Corporation | Random Walk on Query Pattern Graph for Query Task Classification |
CN110674419A (zh) | 2019-01-25 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 地理信息检索方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
Pratik Jawanpuria et al.,A Simple Approach to Learning Unsupervised Multilingual Embeddings,arXiv.org,2020年04月10日,https://arxiv.org/abs/2004.05991v1 |
吉田 朋史,ユーザレビューの分散表現を用いた主観的特徴の意味演算による観光スポット検索システム,第9回データ工学と情報マネジメントに関するフォーラム (第15回日本データベース学会年次大会) [online] ,電子情報通信学会データ工学研究専門委員会 日本データベース学会 情報処理学会データベースシステム研究会,2017年02月27日,DEIM Forum 2017 P6-5, Internet<URL:http://db-event.jpn.org/deim2017/papers/86.pdf> |
Also Published As
Publication number | Publication date |
---|---|
EP3926493A1 (en) | 2021-12-22 |
EP3926493B1 (en) | 2023-02-15 |
EP3926493A4 (en) | 2022-01-26 |
CN111666461B (zh) | 2023-05-26 |
KR20210145811A (ko) | 2021-12-02 |
CN111666461A (zh) | 2020-09-15 |
US20220121692A1 (en) | 2022-04-21 |
WO2021212827A1 (zh) | 2021-10-28 |
JP2022533200A (ja) | 2022-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11868357B2 (en) | Search result ranking and presentation | |
JP7319391B2 (ja) | 地理的位置を検索する方法、装置、機器、コンピュータ記憶媒体及びコンピュータプログラム | |
JP7369740B2 (ja) | 検索語の推薦方法と装置、目的モデルの訓練方法と装置、電子デバイス、記憶媒体、及びプログラム | |
CN111666292B (zh) | 用于检索地理位置的相似度模型建立方法和装置 | |
JP7214949B2 (ja) | Poi状態情報を取得する方法、装置、デバイス、プログラム及びコンピュータ記憶媒体 | |
JP2023510906A (ja) | 地理的位置ポイント空間関係を抽出する方法、抽出モデルをトレーニングする方法、及び装置 | |
CN111737559B (zh) | 资源排序方法、训练排序模型的方法及对应装置 | |
WO2021139209A1 (zh) | 查询自动补全的方法、装置、设备和计算机存储介质 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN112328890B (zh) | 搜索地理位置点的方法、装置、设备及存储介质 | |
JP2022530688A (ja) | ソートモデルの構築方法、クエリ自動補完の方法及び対応装置 | |
US11829447B2 (en) | Resident area prediction method, apparatus, device, and storage medium | |
JP2022530690A (ja) | クエリ自動補完の方法、装置、機器、及びコンピュータ記憶媒体 | |
CN111460296B (zh) | 用于更新事件集合的方法和装置 | |
CN112328896B (zh) | 用于输出信息的方法、装置、电子设备和介质 | |
CN112784600B (zh) | 信息排序方法、装置、电子设备和存储介质 | |
CN113255398A (zh) | 兴趣点判重方法、装置、设备和存储介质 | |
CN117668171A (zh) | 文本生成方法、训练方法、装置、电子设备以及存储介质 | |
CN118093998A (zh) | 资源推送方法、训练方法、装置、电子设备、存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211117 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211117 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230105 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230403 |
|
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: 20230711 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230720 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7319391 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |