KR20160136321A

KR20160136321A - 통합 검색 환경에서의 클라이언트 의도 파악 기법

Info

Publication number: KR20160136321A
Application number: KR1020167026356A
Authority: KR
Inventors: 폴 라프; 시아오 후앙; 위차오 카이; 루이 마; 씨 에이단 크룩; 안 얀
Original assignee: 마이크로소프트 테크놀로지 라이센싱, 엘엘씨
Priority date: 2014-03-26
Filing date: 2014-03-26
Publication date: 2016-11-29
Also published as: MX2016012272A; EP3123356A1; AU2014388153A1; EP3123356A4; RU2016137962A3; RU2016137962A; JP2017509086A; WO2015143639A1; RU2662410C2; US20170039269A1; CA2940014A1; CN105264528A; AU2014388153B2; JP6446057B2

Abstract

통합 검색 프레임워크와 연계하여 동작하여 검색 질의와 관련된 사용자 의도를 도출하고, 이어서 도출된 의도에 기초하여 검색 방법, 즉 검색을 개시하는 현재의 로컬 장치 상의 로컬 검색, 로컬 장치와 다른 데이터 소스의 논-로컬 검색 또는 로컬 검색 및 논-로컬 검색 양자를 선택하는 아키텍처에 관한 것이다. 질의 컨텍스트는 질의 의도를 더 효과적으로 평가하도록 도출될 수 있다. 아키텍처는 통합 검색 환경에서 단독 의도(또는 의도의 정도)의 예측을 가능하게 하는 후보 특징을 이용하여 훈련된 예측 모델을 이용한다. 모델은 과거 및 실시간 특징을 이용하여 훈련될 수 있다. 분류기가 특징을 이용하여 훈련된다. 이어서, 사용자 의도는 분류기 출력에 기초하여 도출되며, 그에 따라 검색이 수행된다.

Description

통합 검색 환경에서의 클라이언트 의도 파악 기법{CLIENT INTENT IN INTEGRATED SEARCH ENVIRONMENT}

통상적인 웹 검색 또는 로컬 사용자 컴퓨터 상의 로컬 검색과 달리 다양한 소스 상에서 검색을 수행하는 통합 검색 환경이 사용자에게 더 일반화되었다. 통합 검색 환경은 통상적으로 검색의 웹 결과 양태에 집중되고 검색에 대한 사용자의 의도를 고려하지 못하며, 따라서 상당한 제한을 유발한다. 예로서, 사용자가 컴퓨터 상에서 특정 프로그램을 시작하기를 원할 경우, 기존의 접근법은 로컬 애플리케이션의 질의에 대해 웹 결과의 풀 페이지가 반환될 때 양호한 사용자 경험을 제공하지 못한다.

아래에서는 본 명세서에서 설명되는 몇몇 새로운 실시예의 기본적인 이해를 제공하기 위해 간단한 요약이 제공된다. 이 요약은 광범위한 개요는 아니며, 중요한/필수적인 요소를 식별하거나 그것의 범위를 정의하는 것을 의도하지 않는다. 그의 유일한 목적은 후술하는 더 상세한 설명에 대한 서론으로서 몇 가지 개념을 간단한 형태로 제공하는 것이다.

개시되는 아키텍처는 통합 검색 프레임워크와 연계하여 동작하여 검색 질의와 관련된 사용자 의도를 도출한 후에 도출된 의도에 기초하여 검색 방법, 즉 검색이 개시되는 현재 로컬 장치 상의 로컬 검색, 로컬 장치가 아닌 다른 데이터 소스의 논-로컬(non-local) 검색, 또는 로컬 검색 및 논-로컬 검색 양자를 선택한다. 논-로컬 검색은 로컬 장치가 아닌 다른 임의의 데이터 소스 상에서 수행된다. 통상적으로 이것은 웹 검색 제공자를 통한 웹 검색일 것이다. 그러나, 논-로컬 검색은 로컬 장치에 접속된 개인 네트워크(예로서, 홈), 예로서 홈 네트워크, 개인 네트워크 상의 다른 사용자 장치, 및 로컬 장치에 피어 투 피어(peer to peer) 접속된 상이한 사용자 장치도 포함할 수 있다. 논-로컬 검색은 비즈니스 인트라넷, 기업 네트워크, 및 이러한 비공개 네트워크의 다른 사용자 장치도 포함할 수 있다. 논-로컬 검색은 검색을 허가하고 웹을 통해 비공개 네트워크 상에서 기타 등에서 액세스 가능한 다른 사용자의 데이터 소스/장치도 포함할 수 있다.

따라서, 도출된 의도를 분석하여 검색될 소스에 관한 지시를 획득할 수 있다. 예로서, 의도는 로컬 장치 데이터만이 검색되어야 하고 대형 웹 검색 엔진, 비공개 비즈니스 네트워크, 개인 네트워크 등을 통해 처리되지 않아야 한다는 것을 지시할 수 있다. 대안으로서, 의도는 하나 이상의 대형 웹 검색 엔진(예로서, Bing(상표), Yahoo(상표) 등)만을 이용하여 결과를 반환할 수 있다는 것을 지시할 수 있다. 다른 대안으로서, 의도는 로컬 장치 데이터 및 대형 웹 검색 엔진 양자를 이용하여 질의를 처리하고 검색 결과를 반환해야 한다는 것을 지시할 수 있다. 선택 능력은 전술한 데이터 소스의 임의 조합이 검색에 포함되는 것을 가능하게 한다. 또 다른 예에서, 의도는 검색이 로컬 장치(예로서, 홈 머신) 및 비공개 비즈니스의 모든 또는 선택된 머신/서버 상에서 수행되어야 한다는 것을 지시할 수 있다.

다른 옵션은 검색이 (예로서, 로컬 대상) 강한 의도 및 (예로서, 논-로컬 대상) 약한 의도를 가질 수 있다는 것이다. 게다가, 2개의 의도에 대한 상대적인 강도를 이용하여 결과 통합 및/또는 제공 방식에 영향을 줄 수 있다.

의도가 명확히 도출되지 않을 경우, 웹 검색 및 로컬 장치 검색 양자의 통합 검색과 같은 디폴트 검색이 수행될 수 있거나, 검색이 전혀 수행되지 않는다. 일 실시예에서, 디폴트 검색은 사용자가 원하는 대로, 예로서 로컬 검색만으로 또는 논-로컬 검색만으로 또는 로컬 검색 및 선택된 논-로컬 데이터 소스만으로, 기타 등으로 구성될 수 있다. 게다가, 과거에 로컬 검색만을 명확히 지시했던 질의는 검색을 로컬로만 다시 수행하도록 쉽게 결정될 수 있다.

다른 실시예에서, "직접 액션"(특정 검색 스트링) 질의가 이용될 수 있다. 직접 액션 질의는 개시되는 아키텍처에 의해 키워드를 이용하여 검색을 사전 결정된 방식으로 실행한다. 예로서, 검색을 위해 입력된 질의가 특정 파일(또는 파일명)일 경우, 특정 질의 용어 <filename> 또는 <filename.txt>는 사용자에 의해 로컬 검색 전용 용어로서 구성 또는 태깅(tagging)(또는 내부적으로 학습)될 수 있으며, 따라서 검색 질의로서 입력될 때, 개시되는 아키텍처는 사용자가 파일을 찾고 열기 위해 정독해야 하는 결과의 리스트를 반환하는 것이 아니라 관련 애플리케이션 및 파일의 즉석 열기를 용이하게 한다. 이러한 능력은 파일에 대한 활동을 지시하기 위한 숏컷 아이콘의 사용 및 로컬 데이터 소스에서의 파일의 색출을 필요 없게 해준다.

대안으로서, 해당 파일명을 갖는 파일을 여는 것이 아니라, 사용자가 해당 파일의 위치, 예로서 파일을 포함하는 로컬 폴더 또는 해당 파일명을 갖는 파일을 포함하는 모든 로컬 폴더로 자동으로 내비게이션되는 것(자동 내비게이션 기능)이 가능할 수 있다.

이러한 직접 액션 질의는 사용자 의도를 더 쉽고 빠르게 확인하기 위해 상이한 방식으로 입력될 수도 있다. 예로서, "로컬 폴더 <name>"의 질의는 이름 <name>을 갖는 폴더와 관련되는 것으로 쉽게 추정될 수 있다. 대안으로서, "로컬 파일 <filename>"의 질의는 해당 특정 파일(및 관련 폴더 패널)을 열거나 로컬 장치 상의 해당 파일 위치로 자동 내비게이션하기 위한 의도로서 쉽게 추정될 수 있다. 관련 폴더를 자동으로 여는 것은 사용자 경험을 향상시키는데, 이는 사용자가 이제 파일과 관련된 다른 문서/폴더/콘텐츠에 액세스할 준비가 되었기 때문이다.

다른 통합 검색 시나리오에서는, "개인 네트워크 <filename>"과 같은 질의가 사용자 의도가 로컬 장치 및 다른 개인적인 논-로컬 장치를 포함하고, 따라서 검색이 사용자의 모든 개인 장치에 대해 그리고 현재 사용자의 개인 사용자 네트워크 상에서 그리고/또는 사용자의 작업 장소에서 수행된다고 의미하는 것으로 추정되도록 사용자가 지정할 수 있거나 아키텍처가 학습할 수 있다.

즉, 아키텍처는 통합 검색 환경(로컬 데이터 소스 검색 및 논-로컬 데이터 소스 검색)에서의 단독 의도의 예측을 가능하게 한다. 아키텍처는 언제 사용자 의도가 논-로컬 검색만을, 로컬 검색만을 또는 로컬 검색 및 논-로컬 검색 양자의 조합을 위한 것인지를 예측한다.

아키텍처는 통합 검색 환경에서 단독 의도(또는 의도의 정도)의 예측을 가능하게 하는 후보 특징들을 이용하여 훈련된 예측 모델을 이용한다. 모델 예측은 사용자의 작업을 바로 지원하는데, 이는 통합 검색 환경과의 상호작용을 지원하도록 예측이 처리되기 때문이다. 예로서, 검색 버튼의 누름은 통합 검색을 항상 수행하도록 구성될 수 있지만, 이러한 능력은 단독 의도가 도출된 경우에 질의 컨텍스트에 따라 로컬 검색만을 또는 논-로컬(예로서, 웹) 검색만을 수행함으로써 우회될 수 있다.

질의 컨텍스트는 질의와 관련된 많은 상이한 특성을 정의한다. 예로서, 질의 컨텍스트는 수동 또는 NUI 제스처(자연 사용자 인터페이스), 대문자 사용 여부, 언어(예로서, 영어 대 불어), 질의를 입력한 특정 장치, 질의가 입력된 때의 장치의 위치(예로서, 지리, 네트워크 등), 사용자의 이동 상태, 질의 검색을 개시하는 장치의 하드웨어/소프트웨어 능력, 질의를 입력하는 사용자의 사용자 프로필, 질의가 입력된 때 열린/열리지 않은 하나 이상의 애플리케이션, 질의와 관련될 가능성이 가장 큰 애플리케이션, 특수 질의 용어(또는 키워드), 시각, 요일, 계절, 날씨 조건, 트래픽 조건, 현재 진행중이거나 시작되려고 하는 특수 이벤트 등과 같은, 질의가 입력된 특정 방식을 포함할 수 있다.

각각의 질의에 대해 계산되는 특징은 기술(테크) 분류기 스코어, 컨텍스트외 비율(out-of-context ratio), 자동 내비게이션 비율, 자동 내비게이션 지시자, 클라이언트 클릭 카운트 비율 및 클라이언트 클릭 카운트 지시자를 포함할 수 있지만 이에 한정되지 않는다. 아키텍처는 온라인 특징(사용자가 통합 검색 환경과 상호작용할 때만 이용 가능한 특징)의 사용으로 확장된다.

예측 모델을 훈련하는 데 사용되는 일부 특징은 사실상 과거에 의존(과거 사용자 액션에 기초)할 수 있으며, 일부 특징은 실시간일 (현재 사용자 액션에 기초할) 수 있다는 점에 유의한다. 따라서, 모델은 시간이 지남에 따라 진화할 수 있다. 게다가, 모델은 사용자에 고유하도록 진화하거나 진화하도록 제어될 수 있다. 따라서, 사용자 고유 모델은 검색이 로컬로만 수행되어야 하는지를 더 효과적으로 평가하기 위해 사용자 장치 상에서 이용될 수 있으며, 이러한 결정을 행하기 위해 온라인 검색 엔진과 통신할 필요가 없다. 이러한 능력은 네트워크로부터 현재 분리된 사용자 장치에 대한 향상된 능력을 가능하게 한다.

분류기는 특징, 및 다양한 분류 기술 중 하나 이상, 예로서 로지스틱 회귀 분류를 이용하여 훈련되며, 그러한 회귀의 출력(0 내지 1의 수)은 원하는 응답(질의 내에 캡슐화된 클라이언트 의도의 양을 표현한 수)을 제공한다.

의도는 완전히 0의 값(의도 없음) 또는 1의 값(확실한 의도)으로서 계산될 수 있다. 의도는 대안으로서 의도의 정도와 관련하여 계산될 수 있다. 예로서, 임계치가 설정될 수 있으며, 아래쪽 낮은 임계치는 로컬로 검색하려는 의도의 가능성이 없음을 나타내고, 높은 임계치는 로컬로만 검색하려는 확실한 의도를 나타내며, 낮은 임계치와 높은 임계치 사이에서는 의도가 로컬로만이 아니라 논-로컬로도 검색하는 것이다. 논-로컬 검색(예로서, 웹 검색)을 수행하지 않기로 결정하는 것은 성능 및 최종 사용자 경험을 최적화하는데, 이는 네트워크 통신이 느려지고, 시스템/장치 성능에 악영향을 줄 수 있기 때문이다.

상기 및 관련 목적을 달성하기 위해, 소정의 예시적인 양태가 아래의 설명 및 첨부 도면과 관련하여 본 명세서에서 설명된다. 이러한 양태는 본 명세서에서 개시되는 원리가 실시될 수 있는 다양한 방식을 나타내며, 모든 양태 및 그의 균등물은 청구 발명의 범위 내에 있는 것으로 의도된다. 다른 장점 및 새로운 특징이 도면과 관련하여 고려될 때 아래의 상세한 설명으로부터 명백해질 것이다.

도 1은 개시되는 아키텍처에 따른 시스템을 나타낸다.
도 2는 개시되는 아키텍처에 따른 의도 평가 및 검색 선택을 위한 예측 시스템을 나타낸다.
도 3은 신호가 예측 모델 안으로 입력 및 피드백될 수 있는 시스템을 나타낸다.
도 4는 로컬 결과 및 논-로컬 결과 양자의 결과 페이지를 나타낸다.
도 5는 개시되는 아키텍처에 따른 방법을 나타낸다.
도 6은 개시되는 아키텍처에 따른 대안 방법을 나타낸다.
도 7은 개시되는 아키텍처에 따른, 통합 검색 환경에서 클라이언트 의도를 실행하는 컴퓨팅 시스템의 블록도를 나타낸다.

통합 검색 환경의 일 양태는 언제 사용자가 임의의 웹 검색을 통해서만이 아니라 클라이언트만을 통해 이행될 수 있는 무언가를 검색하려고 하는지를 이해하는 것이다.

개시되는 아키텍처는 사용자 질의에 대한 클라이언트 의도가 존재하는지를 평가할 수 있고 평가에 기초하여 사용자에 대한 결과 및/또는 사용자 경험을 조정하는 방법을 포함한다. 예로서, 아키텍처는 평가가 사용자가 단지 로컬 콘텐츠 또는 로컬 액션(예로서, 로컬 애플리케이션 개시)을 원한다는 것일 경우에 웹 검색의 수행을 완전히 생략하기로 결정할 수 있다. 따라서, 아키텍처와 관련된 사용자 경험이 개선될 수 있고, 사용자의 관련 제품이 "더 스마트하게" 보인다.

개시되는 아키텍처는 통합 검색 프레임워크와 연계하여 동작하여 검색 질의와 관련된 사용자 의도를 도출한 후에 도출된 의도에 기초하여 검색 방법, 즉 검색이 개시되는 현재 로컬 장치 상의 로컬 검색, 로컬 장치가 아닌 다른 데이터 소스의 논-로컬 검색, 또는 로컬 검색 및 논-로컬 검색 양자를 선택한다. 논-로컬 검색은 로컬 장치가 아닌 다른 임의의 데이터 소스 상에서 수행된다. 통상적으로, 이것은 웹 검색 제공자를 통한 웹 검색일 것이다. 그러나, 논-로컬 검색은 로컬 장치에 접속된 개인 네트워크(예로서, 홈), 예로서 홈 네트워크, 개인 네트워크 상의 다른 사용자 장치, 및 로컬 장치에 피어 투 피어 접속된 상이한 사용자 장치도 포함할 수 있다. 논-로컬 검색은 비즈니스 인트라넷, 기업 네트워크, 및 이러한 비공개 네트워크의 다른 사용자 장치도 포함할 수 있다. 논-로컬 검색은 검색을 허가하고 웹을 통해 비공개 네트워크 상에서 기타 등에서 액세스 가능한 다른 사용자의 데이터 소스/장치도 포함할 수 있다.

따라서, 도출된 의도를 분석하여 검색될 소스에 관한 지시를 획득할 수 있다. 예로서, 의도는 로컬 장치 데이터만이 검색되어야 하고 대형 웹 검색 엔진, 비공개 비즈니스 네트워크, 개인 네트워크 등을 통해 처리되지 않아야 한다는 것을 지시할 수 있다. 대안으로서, 의도는 하나 이상의 대형 웹 검색 엔진(예로서, Bing(상표), Yahoo(상표) 등)만을 이용하여 결과를 반환해야 한다는 것을 지시할 수 있다. 다른 대안으로서, 의도는 로컬 장치 데이터 및 대형 웹 검색 엔진 양자를 이용하여 질의를 처리하고 검색 결과를 반환해야 한다는 것을 지시할 수 있다. 선택 능력은 전술한 데이터 소스의 임의 조합이 검색에 포함되는 것을 가능하게 한다. 또 다른 예에서, 의도는 검색이 로컬 장치(예로서, 홈 머신) 및 비공개 비즈니스의 모든 또는 선택된 머신/서버 상에서 수행되어야 한다는 것을 지시할 수 있다.

다른 실시예에서, "직접 액션"(예로서, 특정 검색 스트링) 질의가 이용될 수 있다. 직접 액션 질의는 개시되는 아키텍처에 의해 키워드를 이용하여 검색을 사전 결정된 방식으로 실행할 수 있다. 예로서, 검색을 위해 입력된 질의가 특정 파일(또는 파일명)일 경우, 특정 질의 용어 <filename> 또는 <filename.txt>는 사용자에 의해 로컬 검색 전용 용어로서 구성 또는 태깅(tagging)(또는 내부적으로 학습)될 수 있으며, 따라서 검색 질의로서 입력될 때, 개시되는 아키텍처는 사용자가 파일을 찾고 열기 위해 정독해야 하는 결과의 리스트를 반환하는 것이 아니라 관련 애플리케이션 및 파일의 즉석 열기를 용이하게 한다. 이러한 능력은 파일에 대한 활동을 지시하기 위한 숏컷 아이콘의 사용 및 로컬 데이터 소스에서의 파일의 색출을 필요 없게 해준다.

로컬 장치와의 사용자 상호작용은 제스처에 의해 가능할 수 있으며, 따라서 사용자는 상호작용을 위해 하나 이상의 제스처를 이용한다. 예로서, 제스처는 자연 사용자 인터페이스(NUI) 제스처일 수 있다. NUI는 사용자가 마우스, 키보드, 리모컨 등과 같은 입력 장치에 의해 부과되는 인위적인 제약 없이 "자연스러운" 방식으로 장치와 상호작용하는 것을 가능하게 하는 임의의 인터페이스 기술로서 정의될 수 있다. NUI 방법의 예는 예로서 촉각 및 비촉각 인터페이스, 예로서 스피치 인식, 터치 인식, 얼굴 인식, 스타일러스 인식, 에어 제스처(예로서, 손 자세 및 움직임, 및 다른 신체/부속물 모션/자세), 머리 및 눈 추적, 음성 및 발성, 및 적어도 비전, 스피치, 음성 자세 및 터치 데이터와 관련된 기계 학습을 포함하지만 이에 한정되지 않도록 본 명세서에서 광범위하게 정의되는 제스처를 이용하는 방법을 포함한다.

NUI 기술은 모두가 더 자연스러운 사용자 인터페이스를 제공하는 터치 감지 디스플레이, 음성 및 스피치 인식, 의도 및 목표 이해, 깊이 카메라(예로서, 입체 카메라 시스템, 적외선 카메라 시스템, 컬러 카메라 시스템, 및 이들의 조합)를 이용하는 모션 제스처 검출, 가속도계/자이로스코프를 이용하는 모션 제스처 검출, 얼굴 인식, 3D 디스플레이, 머리, 눈 및 시선 추적, 몰입형 증강 현실 및 가상 현실 시스템은 물론, 전기장 감지 전극을 이용하여 뇌 활동을 감지하기 위한 기술(예로서, 전기-뇌파계(EEG)) 및 다른 신경 바이오피드백 방법도 포함하지만 이에 한정되지 않는다.

각각의 질의에 대해 계산되는 특징은 기술(테크) 분류기 스코어, 컨텍스트외 비율, 자동 내비게이션 비율, 자동 내비게이션 지시자, 클라이언트 클릭 카운트 비율 및 클라이언트 클릭 카운트 지시자를 포함할 수 있지만 이에 한정되지 않는다. 아키텍처는 온라인 특징(사용자가 통합 검색 환경과 상호작용할 때만 이용 가능한 특징)의 사용으로 확장된다.

기술 분류기 스코어는 0 내지 1의 범위에 걸치고 질의에 대한 기술적 분류로서 작용하는 스코어일 수 있다. 더 높은 스코어는 질의가 그에 대한 기술적 함축을 더 많이 갖는다는 것을 나타낸다.

컨텍스트외 비율(out-of-context ratio)은 웹 전용 검색 환경에서 수행되는 질의의 수에 비교한 통합 검색 환경에서 수행되는 질의의 수이다. 더 높은 비율을 갖는 질의는 질의가 통합 환경에서 더 자주 검색된다는 것을 나타내며, 이는 질의가 클라이언트 의도를 가질 가능성이 더 크다는 것을 지시한다.

자동 내비게이션 비율은 질의가 통합 검색 페이지를 생성하는 횟수에 비교한 질의가 자동 내비게이션 이벤트를 수행하는 횟수이다. 사용자 인터페이스 검색 제어의 일 구현에서, 소정의 질의(예로서, 제어 패널)는 자동 내비게이션 이벤트를 유발하며, 이 경우에 사용자는 통합 검색 결과 페이지가 아니라 원하는 목적지(이 예에서는 제어 패널 프로그램)로 바로 안내된다.

자동 내비게이션 지시자는 질의가 잠재적으로 자동 내비게이션 이벤트에서 사용될 수 있다는 것을 지시한다. 지시자는 자동 내비게이션 비율이 0보다 클 경우에만 "1" 값(또는 기타 등)일 수 있으며; 그렇지 않은 경우에는 지시자는 "0" 값(또는 기타 등)이다.

클라이언트 클릭 카운트 비율: 통합 검색 결과 페이지에서, 클라이언트 기반인 콘텐츠에 대한 링크, 예로서 애플리케이션, 프로그램 및/또는 특정 파일에 대한 링크가 표시될 수 있다. 사용자가 소정 질의에 대해 웹 결과보다 이 콘텐츠를 더 자주 클릭하는 경우, 이는 질의가 더 관련된 클라이언트 의도를 갖는다는 것을 나타낸다.

클라이언트 클릭 카운트 지시자는 질의가 통합 검색 결과 페이지 내의 클라이언트 콘텐츠에 대해 적어도 한 번 클릭 카운트를 유발하였다는 것을 나타낸다. 지시자는 클라이언트 클릭 카운트 비율이 "0" 값(또는 기타 등)보다 클 경우에만 "1" 값(또는 기타 등)이며; 그렇지 않은 경우에는 지시자 값은 0이다.

위의 특징의 임의 조합 및 아마도 원하는 바와 같은 다른 특징을 이용하여, 분류기(분류 컴포넌트)는 다양한 분류 기술을 이용하여 훈련될 수 있다. 이용될 수 있는 다른 분류 알고리즘은 결정 트리, 가중 결정 포리스트(weighted decision forest) 및 일반 통계 알고리즘을 포함하지만 이에 한정되지 않는다.

의도의 레벨은 결과 획득에 대한 타임아웃 임계치 또는 대기 요건을 설정하는 데 사용될 수 있다. 예로서, 사용자는 웹 의도 스코어가 0.4 대신 0.8인 경우에 웹 결과 서비스가 응답하기를 기꺼이 2배 더 오래 기다릴 수 있다. 따라서, 의도 스코어는 특정 소스로부터 결과가 획득될 확률을 지정하는 것은 물론, 시스템 성능의 조절을 가능하게 하는 방법을 제공한다.

모델의 예측의 이용은 사용자 경험 및 작업을 바로 개선하는데, 이는 사용자가 통합 검색 환경과 상호작용하기 때문이다. 예로서, 검색 개시기 버튼(예로서, Windows(상표) 운영 체제 내의 Search Charm(상표)) 상의 검색 버튼의 누름은 통합 검색을 항상 수행하도록 프로그래밍될 수 있다. 그러나, 이러한 프로그래밍된 동작 또는 기능은 검출된 단독 의도가 검색이 컨텍스트에 따라 로컬 검색으로만 또는 논-로컬 검색(예로서, 웹 검색)으로만 수행되어야 한다는 추론인 경우에 우회될 수 있다.

질의 스트링 자체는 로컬 또는 논-로컬 설정에서 동작하는 데 필요한 전부일 수 있다. 예로서, 질의 스트링은 로컬 검색에 대한 단독 의도를 추론하는 데 사용될 수 있고/있거나, 실시간 특징은 논-로컬 검색(예로서, 웹 검색)에 대한 단독 의도를 추론하는 데 사용될 수 있다.

이제, 도면을 참조하며, 도면 전반에서 동일한 참조 번호는 동일한 요소를 지시하는 데 사용된다. 아래의 설명에서는 설명의 목적으로 그의 충분한 이해를 제공하기 위해 다수의 특정 상세가 설명된다. 그러나, 이러한 특정 상세 없이도 새로운 실시예가 실시될 수 있다는 것이 명백할 수 있다. 다른 예에서, 공지 구조 및 장치는 그의 설명을 용이하게 하기 위해 블록도 형태로 도시된다. 그 의도는 청구 발명의 사상 및 범위 내에 속하는 모든 변경, 균등물 및 대안을 포괄하는 것이다.

도 1은 개시되는 아키텍처에 따른 시스템(100)을 나타낸다. 시스템(100)은 통합 검색 프로세스의 일부로서 질의(104)를 수신하고, 질의의 질의 컨텍스트(106)를 수신하도록 구성되는 검색 컴포넌트(102)를 포함할 수 있다. 질의 컨텍스트(106)는 질의를 입력하는 장치(예로서, 핸드헬드, 전화, 포터블, 데스크탑 등), 장치의 위치(예로서, 지리, 네트워크 등), 또는 장치의 애플리케이션 활동(예로서, 이미 열린 애플리케이션, 애플리케이션 내로부터 개시된 검색, 열린 애플리케이션의 타입, (전경에서) 현재 활성인 애플리케이션 등) 등 중 적어도 하나와 관련된다.

특징 컴포넌트(108)는 질의(104) 및/또는 질의 컨텍스트(106)와 관련된 바와 같은 후보 특징(110)을 예측 모델(112)로부터 획득하도록 구성될 수 있다. 분류 컴포넌트(114)는 후보 특징(110)에 기초하여 질의(104)에 대한 분류 값(116)을 생성하도록 구성될 수 있다. 분류 컴포넌트(114)는 회귀 알고리즘, 먼저 질의가 클라이언트 의도를 갖는지를 예측하고, 그러한 경우에 이어서 질의 서브카테고리(예로서, 파일, 설정, 애플리케이션 등)를 예측하는 계층적 분류기 알고리즘을 포함하지만 이에 한정되지 않는 어느 하나 이상의 상이한 알고리즘을 이용하여 분류를 수행할 수 있다.

의도 컴포넌트(118)는 분류 값(116)에 기초하여 의도의 정도(120)를 식별하도록 구성될 수 있다. 검색 프로세스는 검색 컴포넌트(102)에 의해 의도의 정도(120)에 기초하여 논-로컬 검색(122)(예로서, 웹, 네트워크 기반) 또는 로컬 검색(124)으로 지향된다.

검색 프로세스는 로컬 검색(124) 및 논-로컬 검색(122) 양자로서 수행되어 전체 결과(126)를 획득한다. 전체 결과(126)는 의도의 정도(120)와 관련된 관련 결과만을 표시하도록 조정될 수 있다. 의도 컴포넌트(118)는 로컬 장치(또는 데이터 소스)가 아닌 다른 데이터 소스의 논-로컬 콘텐츠, 로컬 장치의 로컬 콘텐츠, 로컬 장치의 로컬 파일 및 로컬 장치의 로컬 애플리케이션과 관련된 바와 같은 의도의 정도(120)를 계산한다.

후보 특징(110)은 어느 하나 이상의 특징을 포함할 수 있다. 예로서, 후보 특징(110)은 질의에 대한 기술적 함축을 지시하는 기술 분류기 스코어를 포함할 수 있다. 후보 특징(110)은 단일 검색 질의를 식별하기 위해 단일 검색 환경 및 통합 검색 환경으로부터의 비교 정보를 정의하는 컨텍스트외 특징을 포함할 수 있다. 후보 특징(110)은 자동 내비게이션 이벤트에서 사용될 질의의 자동 내비게이션 이벤트 잠재력과 관련된 자동 내비게이션 규준(metrics)을 포함한다. 후보 특징(110)은 로컬 콘텐츠와 관련된 바와 같은 클릭 카운트 활동과 관련된 클릭 카운트 규준을 포함할 수 있다.

특징 및/또는 사용자 트리거(사용자에 의해 시스템에 제공되는 액션)는 QAS(quality segmentation score), 클라이언트 또는 논-클라이언트 영역 클릭 확률, 운영 체제 커맨드의 화이트 리스트, 소정 패턴(예로서, *.pdf, %appdata% 등)을 갖는 규칙적 표현 등을 포함할 수 있다.

시스템(100)은 옵션으로서 콘텐츠를 선행적으로 제안하는 제안 컴포넌트(128)를 더 포함할 수 있다. 제안 컴포넌트(128)는 개별적으로(무효화) 동작하도록 분류 컴포넌트(114)와 연계하여 동작하도록, 또는 어떠한 주어진 질의에 대해서도 전혀 동작하지 않도록 구성될 수 있다. 예로서, 제안 컴포넌트(128)는 현재 시간 또는 컨텍스트가 주어지는 경우에 사용자와 관련될 수 있는 로컬 문서 또는 웹 콘텐츠를 제안할 수 있다. 제안 능력은 생성된 질의에 기초할 수 있지만, 그에 한정될 필요는 없으며, 소정 기간에 걸친(예로서, 지난 24시간 내의) 사용자에 대한 가장 일반적인 질의, 사용자의 위치(예로서, 직장, 집 등), 모든 장치 사용자(예로서, Windows(상표)), 검색 엔진 사용자(예로서, Bing(상표)), 소셜 네트워크 사용자, 기업 사용자에 대한 공통 질의 등에 기초할 수 있다.

제안 컴포넌트(128)는 분류 컴포넌트(114)를 무효화하며, 따라서 제안 컴포넌트로부터의 결과만이 이용되는 것이 가능할 수 있다. 무효화 능력은 컨텍스트, 현재 시간 등과 같은 기준(criteria)에 기초하여 가능해질 수 있다. 따라서, 분류 컴포넌트(114)에 의해 출력된 분류 스코어는 폐기되거나 소정의 다른 원하는 방식으로 이용된다. 제안 컴포넌트(128)를 사용하기로 결정되면, 분류 컴포넌트(114)의 동작이 유휴화되어, 자원을 필요로 할 수 있는 계산이 수행되지 않는 것도 가능할 수 있다.

분류 컴포넌트(114)와 연계하여 동작할 때, 분류 스코어가 높은 정도의 로컬 의도를 지시하면, 예로서, 제안 컴포넌트(128)는 예로서 이전에 액세스되었거나 가장 최근의 로컬 검색 세션과 관련된 콘텐츠를 제안하는 데 사용될 수 있다.

콘텐츠를 선행적으로 제안하는 제안 컴포넌트(128)는 질의 시에 트리거링될 필요가 없다(이는 질의-분류 시스템에 대한 선행 조건이다). 2개의 컴포넌트(114, 128)가 상이한 이벤트(일정한 시간 간격으로 콘텐츠를 제안하는 이벤트 또는 사용자가 홈 스크린으로 복귀하거나 검색 박스를 열 때와 같은 다른 비질의 이벤트) 시에 트리거링될 수 있으므로, 이러한 컴포넌트(114, 128)는 경쟁할 필요도 없고 하나의 시스템이 다른 시스템을 무효화하지도 않는 것이 가능할 수 있다. 선행적 시스템은 분류 컴포넌트(114)를 이용하여, 다른(예로서, 사용자의 이전의 또는 현재 컨텍스트와 관련된) 질의 및 그의 분류된 의도에 기초하여 의도 스코어를 제공할 수 있다. 따라서, 제안 컴포넌트(128)는 분류 컴포넌트(114) 위에서 동작할 것이며, 그와 경쟁할 필요가 없을 것이다.

도 2는 개시되는 아키텍처에 따른 의도 평가 및 검색 선택을 위한 예측 시스템(200)을 나타낸다. 시스템(200)은 예측 모델(112)을 포함하며, 이는 필요에 따라 제1 모델(202)(예로서, 기술 분류기 데이터 저장소), 제2 모델(204)(예로서, 질의 통계 데이터 저장소), 제3 모델(206)(예로서, 클릭 정보) 및 다른 모델(208)을 포함할 수 있다. 제3 모델(206)(예로서, 클릭 정보)은 예로서 클라이언트 클릭 카운트 비율 및 클라이언트 클릭 카운트 지시자의 클릭 카운트 규준을 제공하도록 동작할 수 있다.

(특징 컴포넌트(108)와 유사한) 특징 생성기(210)는 질의(104) 및/또는 질의 컨텍스트(106)와 관련된 바와 같은 후보 특징(110)을 예측 모델(112)로부터 선택하도록 동작한다. 이어서, 후보 특징(110)은 (분류 컴포넌트(114)와 유사한) 분류기(212)로 입력되어, 그로 하여금 후보 특징(110)을 처리하고, 의도의 정도(120)를 결정하는 데 사용되는 분류 값(116)을 생성하게 한다.

검색 개시기(214)는 분류기(212)에 대한 입력으로서 도시된다. 일 실시예에서, 검색 개시기(214)는 분류기(212)에 영향을 주는 특정 타입의 신호이다. 예로서, 검색 개시기(214)는 로컬 검색 및 논-로컬 검색(예로서, 웹) 양자로서 검색을 수행하도록 통합 검색 환경에 항상 지시하도록 구성되는 소프트웨어 제어일 수 있다.

분류기(212)에 의해 처리되는 바와 같은 후보 특징(110)은 사용자 의도(질의 의도)가 로컬 검색만을 수행하는 것일 높은 가능성을 지시하는 것도 가능할 수 있다. 따라서, 검색 개시기(214)의 활성화에 의해 자동으로 개시되도록 구성되는 이중 검색(로컬 및 논-로컬)은 분류 스코어(116)로부터 도출된 의도의 정도에 의해 무효화된다. 검색 개시기(214)의 프로그래밍된 목적 또는 기능이 무엇인지에 관계없이, 목적 또는 기능은 분류기(212)로부터 도출된 분류 값(116)에 비해 적절히 정의된 차이 값을 이용하여 무효화되도록 구성될 수 있다. 예로서, 도출된 의도가 분류 값(116)에 의해 지시되는 바와 같이 국지 전용 검색의 적어도 85 퍼센트 확률을 갖도록 계산되는 경우, 개시기(214)의 프로그래밍된 기능은 무효화(또는 무시)될 수 있다.

도 3은 신호가 예측 모델(112) 안으로 입력 및 피드백될 수 있는 시스템(300)을 나타낸다. 모델(112)은 적어도 다른 사용자로부터 획득된 이력 데이터(302)를 이용하여 개발될 수 있다. 이력 데이터(302)는 특정 모델의 목적으로 파싱될 수 있다. 예로서, 클릭 정보는 하나의 모델에서는 이용되지만 다른 모델에서는 이용되지 않을 수 있고, 자동 내비게이션 데이터는 하나의 모델에서 이용되지만 다른 어떠한 모델에서도 이용되지 않을 수 있다. 게다가, 현재 사용자의 실시간 데이터(304)는 모델(112) 또는 특정 모델 안으로 피드백될 수 있다. 더구나, 다른 사용자의 실시간 데이터는 모델(112) 안으로 피드백되어, 모델로부터의 후보 특징의 선택에 영향을 줄 수 있다.

모델(112)은 일반적으로 알려진 더 큰 검색 제공자에 의해 이용을 위해 온라인으로 호스팅될 수 있다. 모델(112) 또는 그의 사본이 또한 로컬로, 예로서 개인 네트워크 또는 개인 장치 상에서 호스팅되고, 필요에 따라 갱신될 수 있는 것이 개시되는 아키텍처의 고려 내에 있다. 호스팅되는 양 모델 세트에 대한 갱신이 필요에 따라 동기화될 수 있으며, 따라서 로컬로 호스팅되는 모델은 온라인 모델을 갱신하고, 온라인 모델은 로컬 모델을 갱신한다.

향상된 구현에서, 모델(112)은 사용자에 맞춤화되도록 진화될 수 있다. 따라서, 온라인으로 호스팅되는 세트에서, 모델(112)은 사용자에 고유하며, 사용자 검색 활동 및 다른 사용자 장치/애플리케이션 활동에만 기초하여 갱신된다.

개시되는 아키텍처에서, 소정의 컴포넌트는 재배열되고 결합되고 생략될 수 있으며, 추가 컴포넌트가 포함될 수 있다는 것을 이해해야 한다. 게다가, 일부 실시예에서 모든 또는 일부 컴포넌트가 클라이언트 상에 존재하는 반면, 다른 실시예에서는 일부 컴포넌트가 서버 상에 존재할 수 있거나 로컬 또는 원격 서비스에 의해 제공된다.

개시되는 아키텍처는 옵션으로서 사용자가 개인 정보의 식별 및/또는 노출에 참여하거나 참여하지 않는 것을 가능하게 하는 프라이버시 컴포넌트(도시되지 않음)를 포함할 수 있다. 프라이버시 컴포넌트는 추적 정보는 물론, 획득되었을 수 있고 유지되고/되거나 액세스 가능한 개인 정보와 같은 사용자 정보의 허가되고 안전한 처리를 가능하게 한다. 사용자는 개인 정보의 부분의 수집의 통지 및 수집 프로세스에 참여하거나 참여하지 않을 기회를 제공받을 수 있다. 동의는 여러 형태를 취할 수 있다. 참여 동의는 사용자에게 데이터의 수집 전에 긍정 액션을 취할 것을 요구할 수 있다. 대안으로서, 불참 동의는 사용자에게 데이터의 수집 전에 데이터의 수집을 방지하기 위한 긍정 액션을 취할 것을 요구할 수 있다.

도 4는 로컬 결과(402) 및 논-로컬 결과(404) 양자의 검색 페이지(400)를 나타낸다. "꽃" 질의로부터 도출된 의도는 검색이 로컬이고/이거나 논-로컬인지뿐만 아니라 결과를 제공하는 방식에도 영향을 줄 수 있다. 이 페이지(400)에서는 결과가 분리되는데, 즉 로컬 결과(402)는 좌측에 제공/열거되고, 논-로컬(예로서, 웹) 결과(404)는 우측에 제공/열거된다. 게다가, 결과는 각각의 결과 세트, 즉 로컬 결과(402) 및 논-로컬 결과(404)에서 순위화될 수 있다. 더구나, 열거되는 결과의 수는 표시 공간의 양에 의존할 수 있다.

본 명세서에는 개시되는 아키텍처의 새로운 양태를 수행하기 위한 예시적인 방법을 나타내는 흐름 차트의 세트가 포함된다. 설명의 간소화의 목적을 위해, 본 명세서에서 예로서 흐름 차트 또는 흐름도의 형태로 도시되는 하나 이상이 방법이 일련의 동작으로서 도시되고 설명되지만, 본 발명에 따르면, 일부 동작은 본 명세서에서 도시되고 설명되는 것과 다른 순서로 그리고/또는 다른 동작과 동시에 발생할 수 있으므로, 방법은 동작의 순서에 의해 한정되지 않는다는 것을 이해하고 알아야 한다. 예로서, 이 분야의 기술자는 방법이 대안으로서 상태도에서와 같이 일련의 상관된 상태 또는 이벤트로서 표현될 수 있다는 것을 이해하고 알 것이다. 더욱이, 방법에서 예시되는 모든 동작이 새로운 구현을 위해 요구되지는 않을 수 있다.

도 5는 개시되는 아키텍처에 따른 방법을 나타낸다. 500에서, 로컬 검색 및 논-로컬 검색을 수행할 수 있는 검색 프로세스의 일부로서 질의를 수신한다. 502에서, 질의의 컨텍스트를 도출한다. 504에서, 컨텍스트와 관련된 특징을 평가한다. 506에서, 특징에 기초하여 질의의 분류 값을 계산한다. 508에서, 분류 값에 기초하여 의도의 정도를 식별한다. 510에서, 의도의 정도에 기초하여 검색 프로세스를 로컬 검색 또는 논-로컬 검색 중 적어도 하나로 지향시킨다.

방법은 의도의 정도에 기초하여 검색 결과를 조정하는 단계를 더 포함할 수 있다. 즉, 검색 결과는 의도의 정도에 기초하여 로컬 검색으로부터만 획득될 수 있다. 대안으로서, 검색 프로세스는 로컬 콘텐츠 및 논-로컬 콘텐츠(예로서, 웹) 양자의 검색을 포함할 수도 있지만, 로컬 검색만을 지시하는 의도의 정도에 기초하여 로컬 검색의 결과만이 제공될 것이다(논-로컬 검색 결과는 무시될 것이다). 방법은 예측 모델로부터 특징을 획득하여 의도의 정도를 식별하는 단계를 더 포함할 수 있다. 방법은 컨텍스트외 특징을 적용하여, 언제 질의가 로컬 검색과 가장 자주 관련되는지를 결정하는 단계를 더 포함할 수 있다. 따라서, 특정 검색 용어 또는 스트링이 로컬 장치 또는 로컬 데이터 저장소를 검색하기 위한 의도를 자주 지시하는 경우, 미래에 동일 질의가 다시 로컬 검색을 지시할 것이라는 것이 높은 정도의 가능성으로 추론될 수 있다.

방법은 프로그래밍된 검색 기능을 무효화하고, 의도의 정도에 기초하여 상이한 검색 프로세스를 선택하는 단계를 더 포함할 수 있다. 방법은 질의 스트링 또는 실시간 특징에 따라 계산된 바와 같은 의도의 정도에 기초하여 검색 프로세스를 지향시키는 단계를 더 포함할 수 있다. 예로서, 질의 스트링이 높은 신뢰도로 특정 의도를 지시하는 것으로 해석될 수 있는 경우, 검색 프로세스는 그에 따라 지향된다. 실시간 특징이 높은 신뢰도로 특정 의도를 다시 지시하는 것으로 해석될 수 있는 경우, 검색 프로세스는 그에 따라 지향될 수 있다. 예로서, 실시간 특징 또는 특징들(예로서, 지리 위치 정보 또는 네트워크 정보)은 사용자가 집에 있을 수 있다는 것을 지시하며, 검색이 국지 전용 검색일 것이라는 것이 직접 추론될 수 있다.

도 6은 개시되는 아키텍처에 따른 대안 방법을 나타낸다. 방법은 마이크로프로세서에 의해 실행될 때 마이크로프로세서로 하여금 아래의 동작을 수행하게 하는 컴퓨터 실행 가능 명령어를 포함하는 컴퓨터 판독 가능 물리 저장 매체로서 구현될 수 있다.

600에서, 로컬 검색 및 논-로컬 검색을 포함하는 통합 검색 프로세스의 일부로서 예측 모델의 후보 특징을 분류한다. 602에서, 후보 특징을 분석하여 질의 컨텍스트를 도출한다. 604에서, 도출된 질의 컨텍스트에 기초하여 질의 의도를 예측한다. 606에서, 질의 의도에 기초하여 검색 프로세스를 로컬 검색 또는 논-로컬 검색 중 적어도 하나로 지향시킨다.

방법은 컨텍스트외, 기술(예로서, 기술 분류기 스코어), 자동 내비게이션 규준 또는 클라이언트 클릭 카운트 규준 중 적어도 하나와 관련된 특징에 기초하여 질의 의도를 도출하는 동작을 더 포함할 수 있다. 방법은 질의 의도 및 질의 컨텍스트에 기초하여 검색 프로세스를 논-로컬 콘텐츠, 로컬 콘텐츠, 로컬 파일 또는 로컬 애플리케이션 중 적어도 하나로 지향시키는 동작을 더 포함할 수 있다.

방법은 질의 스트링 또는 실시간 특징에 따라 계산된 바와 같은 질의 의도에 기초하여 검색 프로세스를 지향시키는 동작을 더 포함할 수 있다. 방법은 프로그래밍된 검색 기능을 무효화하고, 질의 의도에 기초하여 상이한 검색 프로세스를 선택하는 동작을 더 포함할 수 있다.

본원에서 사용되는 바와 같이, 용어 "컴포넌트" 및 "시스템"은 컴퓨터 관련 엔티티, 하드웨어, 소프트웨어와 유형적인 하드웨어의 조합, 소프트웨어 또는 실행 중인 소프트웨어를 지칭하도록 의도된다. 예로서, 컴포넌트는 마이크로프로세서, 칩 메모리, 대용량 저장 장치(예로서, 광학 디스크, 반도체 드라이브 및/또는 자기 저장 매체 드라이브) 및 컴퓨터와 같은 유형적인 컴포넌트, 및 마이크로프로세서 상에서 실행되는 프로세스, 객체, 실행 파일, (휘발성 또는 비휘발성 저장 매체 상에 저장된) 데이터 구조, 모듈, 실행의 스레드 및/또는 프로그램과 같은 소프트웨어 컴포넌트일 수 있지만 이에 한정되지 않는다.

예로서, 서버 상에서 실행되는 애플리케이션 및 서버 양자는 컴포넌트일 수 있다. 하나 이상의 컴포넌트가 실행의 프로세스 및/또는 스레드 내에 존재할 수 있으며, 하나의 컴포넌트가 하나의 컴퓨터 상에 국지화되고/되거나 2개 이상의 컴퓨터 사이에 분산될 수 있다. 단어 "예시적인"은 본 명세서에서 예, 사례 또는 예시로서의 사용을 의미하는 데 사용될 수 있다. 본 명세서에서 "예시적인" 것으로서 설명되는 임의의 양태 또는 설계는 다른 양태 또는 설계보다 바람직하거나 유리한 것으로 해석될 필요는 없다.

이제, 도 7을 참조하면, 개시되는 아키텍처에 따른 통합 검색 환경에서 클라이언트 의도를 실행하는 컴퓨팅 시스템(700)의 블록도가 도시된다. 그러나, 개시되는 방법 및/또는 시스템의 일부 또는 모든 양태는 아날로그, 디지털, 혼합 신호 및 다른 기능이 단일 칩 기판 상에 제조되는 시스템-온-칩으로서 구현될 수 있다는 것을 안다.

본 발명의 다양한 양태에 대한 추가 컨텍스트를 제공하기 위해, 도 7 및 아래의 설명은 다양한 양태가 구현될 수 있는 적절한 컴퓨팅 시스템(700)의 간단한 일반 설명을 제공하도록 의도된다. 위의 설명은 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행 가능 명령어와 일반적으로 관련되지만, 이 분야의 기술자는 새로운 실시예가 다른 프로그램 모듈과 연계하여 그리고/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수도 있다는 것을 인식할 것이다.

다양한 양태를 구현하기 위한 컴퓨팅 시스템(700)은 (마이크로프로세서 및 프로세서로도 지칭되는) 마이크로 처리 유닛(704), 시스템 메모리(706)와 같은 컴퓨터 판독 가능 저장 매체(컴퓨터 판독 가능 저장 매체/매체들은 자기 디스크, 광 디스크, 반도체 드라이브, 외부 메모리 시스템 및 플래시 메모리 드라이브도 포함함) 및 시스템 버스(708)를 갖는 컴퓨터(702)를 포함한다. 마이크로 처리 유닛(704)은 처리 및/또는 저장 회로의 단일 프로세서, 다중 프로세서, 단일 코어 유닛 및 다중 코어 유닛과 같은 임의의 다양한 상용 마이크로프로세서일 수 있다. 더욱이, 이 분야의 기술자는 새로운 시스템 및 방법이 각자 하나 이상의 관련 장치에 기능적으로 결합될 수 있는 미니 컴퓨터, 메인프레임 컴퓨터는 물론, 개인용 컴퓨터(예로서, 데스크탑, 랩탑, 태블릿 PC 등), 핸드헬드 컴퓨팅 장치, 마이크로프로세서 기반 또는 프로그래밍 가능 소비자 전자 장치 등도 포함하는 다른 컴퓨터 시스템 구성을 이용하여 실시될 수 있다는 것을 알 것이다.

컴퓨터(702)는 무선 통신 장치, 셀룰러 전화 및 다른 이동 능력 장치와 같은 휴대용 및/또는 이동 컴퓨팅 시스템에 대한 클라우드 컴퓨팅 서비스를 지원하기 위해 데이터센터 및/또는 컴퓨팅 자원(하드웨어 및/또는 소프트웨어)에서 사용되는 여러 컴퓨터 중 하나일 수 있다. 클라우드 컴퓨팅 서비스는 예로서 서비스로서의 기반구조, 서비스로서의 플랫폼, 서비스로서의 소프트웨어, 서비스로서의 저장소, 서비스로서의 데스크탑, 서비스로서의 데이터, 서비스로서의 보안 및 서비스로서의 API(애플리케이션 프로그램 인터페이스)를 포함하지만 이에 한정되지 않는다.

시스템 메모리(706)는 휘발성(VOL) 메모리(710)(예로서, 랜덤 액세스 메모리(RAM)) 및 비휘발성 메모리(NON-VOL)(712)(예로서, ROM, EPROM, EERPOM 등)와 같은 컴퓨터 판독 가능 저장(물리 저장) 매체를 포함할 수 있다. 기본 입출력 시스템(BIOS)이 비휘발성 메모리(712)에 저장될 수 있고, 예로서 시동 동안 컴퓨터(702) 내의 컴포넌트 간의 데이터 및 신호의 통신을 가능하게 하는 기본 루틴을 포함한다. 휘발성 메모리(710)는 데이터를 캐싱하기 위한 정적 RAM과 같은 고속 RAM도 포함할 수 있다.

시스템 버스(708)는 시스템 메모리(706)를 포함하지만 이에 한정되지 않는 시스템 컴포넌트의 마이크로 처리 유닛(704)에 대한 인터페이스를 제공한다. 시스템 버스(708)는 임의의 다양한 상용 버스 아키텍처를 이용하여 (메모리 제어기를 갖거나 갖지 않는) 메모리 버스 및 주변 버스(예로서, PCI, PCIe, AGP, LPC 등)에 더 상호접속할 수 있는 여러 타입의 버스 구조 중 어느 하나일 수 있다.

컴퓨터(702)는 기계 판독 가능 저장 서브시스템(714) 및 저장 서브시스템(714)을 시스템 버스(708) 및 다른 원하는 컴퓨터 컴포넌트 및 회로에 인터페이스하기 위한 저장 인터페이스(716)를 더 포함한다. 저장 서브시스템(714)(물리 저장 매체)은 예로서 하드 디스크 드라이브(HDD), 자기 플로피 디스크 드라이브(FDD), 반도체 드라이브(SSD), 플래시 드라이브 및/또는 광 디스크 저장 드라이브(예로서, CD-ROM 드라이브, DVD 드라이브) 중 하나 이상을 포함할 수 있다. 저장 인터페이스(716)는 예로서 EIDE, ATA, SATA 및 IEEE 1394와 같은 인터페이스 기술을 포함할 수 있다.

운영 체제(720), 하나 이상의 애플리케이션 프로그램(722), 다른 프로그램 모듈(724) 및 프로그램 데이터(726)를 포함하는 하나 이상의 프로그램 및 데이터가 메모리 서브시스템(706), 기계 판독 가능 및 이동식 메모리 서브시스템(718)(예로서, 플래시 드라이브 폼 팩터 기술) 및/또는 저장 서브시스템(714)(예로서, 광학, 자기, 반도체)에 저장될 수 있다.

운영 체제(720), 하나 이상의 애플리케이션 프로그램(722), 다른 프로그램 모듈(724) 및/또는 프로그램 데이터(726)는 예로서 도 1의 시스템(100)의 아이템 및 컴포넌트, 도 2의 시스템(200)의 아이템 및 컴포넌트, 도 3의 시스템(300)의 아이템 및 컴포넌트, 도 4의 결과 페이지(400)의 아이템 및 요소, 도 5 및 6의 흐름 차트에 의해 표현된 방법을 포함할 수 있다.

일반적으로, 프로그램은 특정 작업, 기능을 수행하거나 특정 추상 데이터 타입을 구현하는 루틴, 메소드, 데이터 구조, 다른 소프트웨어 컴포넌트 등을 포함한다. 운영 체제(720), 애플리케이션(722), 모듈(724) 및/또는 데이터(726)의 전부 또는 일부는 예로서 휘발성 메모리(710) 및/또는 비휘발성 메모리와 같은 메모리 내에 캐싱될 수도 있다. 개시되는 아키텍처는 다양한 상용 운영 체제 또는 (예로서, 가상 기계로서의) 운영 체제의 조합을 이용하여 구현될 수 있다는 것을 알아야 한다.

저장 서브시스템(714) 및 메모리 서브시스템(706, 718)은 데이터, 데이터 구조, 컴퓨터 실행 가능 명령어 등의 휘발성 및 비휘발성 저장을 위한 컴퓨터 판독 가능 매체로서 사용된다. 그러한 명령어는 컴퓨터 또는 다른 기계에 의해 실행될 때 컴퓨터 또는 다른 기계로 하여금 방법의 하나 이상의 동작을 수행하게 할 수 있다. 컴퓨터 실행 가능 명령어는 예로서 범용 컴퓨터, 특수 목적 컴퓨터 또는 특수 목적 마이크로프로세서 장치로 하여금 소정 기능 또는 기능 그룹을 수행하게 하는 명령어 및 데이터를 포함한다. 컴퓨터 실행 가능 명령어는 예로서 이진수, 중간 포맷 명령어, 예로서 어셈블리 언어, 또는 심지어는 소스 코드일 수 있다. 동작을 수행하기 위한 명령어는 하나의 매체 상에 저장될 수 있거나, 다수의 매체에 걸쳐 저장될 수 있으며, 따라서 명령어는 모든 명령어가 동일 매체 상에 존재하는지에 관계없이 하나 이상의 컴퓨터 판독 가능 저장 매체/매체들 상에 공동으로 나타난다.

컴퓨터 판독 가능 저장 매체는 전파 신호 자체를 배제하고, 컴퓨터(702)에 의해 액세스될 수 있고, 이동식 및/또는 비이동식인 휘발성 및 비휘발성 내부 및/또는 외부 매체를 포함한다. 컴퓨터(702)의 경우, 다양한 타입의 저장 매체는 임의의 적절한 디지털 포맷의 데이터의 저장을 수용한다. 이 분야의 기술자는 개시되는 아키텍처의 새로운 방법(동작)을 수행하기 위한 컴퓨터 실행 가능 명령어를 저장하기 위한 짚(zip) 드라이브, 반도체 드라이브, 자기 테이프, 플래시 메모리 카드, 플래시 드라이브, 카트리지 등과 같은 다른 타입의 컴퓨터 판독 가능 매체가 사용될 수 있다는 것을 알아야 한다.

사용자는 키보드 및 마우스와 같은 외부 사용자 입력 장치(728)를 이용하는 것은 물론, 음성 인식에 의해 용이해지는 음성 커맨드에 의해 컴퓨터(702), 프로그램 및 데이터와 상호작용할 수 있다. 다른 외부 사용자 입력 장치(728)는 마이크, IR(적외선) 리모컨, 조이스틱, 게임 패드, 카메라 인식 시스템, 스타일러스 펜, 터치스크린, 제스처 시스템(예로서, 눈 움직임, 손, 손가락, 팔, 머리 등과 관련된 바와 같은 신체 자세) 등을 포함할 수 있다. 사용자는 터치 패드, 마이크, 키보드 등과 같은 온보드 사용자 입력 장치(730)를 이용하여 컴퓨터(702), 프로그램 및 데이터와 상호작용할 수 있으며, 컴퓨터(702)는 예로서 휴대용 컴퓨터이다.

이들 및 다른 입력 장치는 입출력(I/O) 장치 인터페이스(732)를 통해 시스템 버스(708)를 통해 마이크로 처리 유닛(704)에 접속되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 단거리 무선(예로서, 블루투스) 및 다른 개인 영역 네트워크(PAN) 기술 등과 같은 다른 인터페이스에 의해 접속될 수 있다. I/O 장치 인터페이스(732)는 또한 프린터, 오디오 장치, 카메라 장치 등, 예로서 사운드 카드 및/또는 온보드 오디오 처리 능력과 같은 출력 주변장치(734)의 사용을 용이하게 한다.

(일반적으로 그래픽 처리 유닛(GPU)으로도 지칭되는) 하나 이상의 그래픽 인터페이스(736)는 컴퓨터(702)와 외부 디스플레이(738)(예로서, LCD, 플라즈마) 및/또는 (예로서, 휴대용 컴퓨터용의) 온보드 디스플레이(740) 사이에서 그래픽 및 비디오 신호를 제공한다. 그래픽 인터페이스(736)는 컴퓨터 시스템 보드의 일부로서 제조될 수도 있다.

컴퓨터(702)는 하나 이상의 네트워크 및/또는 다른 컴퓨터에 대한 유선/무선 통신 서브시스템(742)을 통한 논리 접속을 이용하여 (예로서, IP 기반) 네트워킹 환경에서 동작할 수 있다. 다른 컴퓨터는 워크스테이션, 서버, 라우터, 개인용 컴퓨터, 마이크로프로세서 기반 엔터테인먼트 기구, 피어 장치 또는 다른 일반 네트워크 노드를 포함할 수 있으며, 통상적으로 컴퓨터(702)와 관련하여 설명된 많은 또는 모든 요소를 포함할 수 있다. 논리 접속은 근거리 네트워크(LAN), 광역 네트워크(WAN), 핫스팟 등에 대한 유선/무선 접속을 포함할 수 있다. LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적이고, 인트라넷과 같은 기업 광역 컴퓨터 네트워크를 가능하게 하며, 이들 모두는 인터넷과 같은 글로벌 통신 네트워크에 접속할 수 있다.

네트워킹 환경에서 사용될 때, 컴퓨터(702)는 유선/무선 통신 서브시스템(742)(예로서, 네트워크 인터페이스 어댑터, 온보드 송수신기 서브시스템 등)을 통해 네트워크에 접속하여 유선/무선 네트워크, 유선/무선 프린터, 유선/무선 입력 장치(744) 등과 통신한다. 컴퓨터(702)는 네트워크를 통해 통신을 설정하기 위한 모뎀 또는 다른 수단을 포함할 수 있다. 네트워킹 환경에서, 컴퓨터와 관련된 프로그램 및 데이터는 분산 시스템과 관련된 바와 같이 원격 메모리/저장 장치에 저장될 수 있다. 도시된 네트워크 접속은 예시적이며, 컴퓨터 간에 통신 링크를 설정하는 다른 수단이 사용될 수 있다는 것을 알 것이다.

컴퓨터(702)는 예로서 프린터, 스캐너, 데스크탑 및/또는 휴대용 컴퓨터, 개인 휴대 단말기(PDA), 통신 위성, 무선 검출 가능 태그와 관련된 임의의 장비 또는 위치(예로서, 키오스크, 뉴스 스탠드, 휴게실), 및 전화와 무선 통신하도록 기능적으로 배치되는 무선 장치와 같은, IEEE 802.xx 표준 패밀리(예로서, IEEE 802.11 무선 변조 기술)과 같은, 무선 기술을 이용하여 유선/무선 장치 또는 엔티티와 통신하도록 동작할 수 있다. 이것은 적어도 핫스팟을 위한 (무선 컴퓨터 네트워킹 장치의 연동성을 보증하는 데 사용되는) 와이파이(상표), WiMax 및 블루투스(상표) 무선 기술을 포함한다. 따라서, 통신은 통상적인 네트워크에서와 같은 사전 정의된 구조 또는 간단히 적어도 2개의 장치 간의 애드혹 통신일 수 있다. 와이파이 네트워크는 IEEE 802.11x(a, b, g 등)로 지칭되는 무선 기술을 이용하여 안전하고, 신뢰성 있고, 빠른 무선 접속을 제공한다. 와이파이 네트워크는 컴퓨터를 서로, 인터넷에 그리고 (IEEE 802.3 관련 기술 및 기능을 이용하는) 유선 네트워크에 접속하는 데 사용될 수 있다.

전술한 것은 개시되는 아키텍처의 예를 포함한다. 물론, 컴포넌트 및/또는 방법의 모든 상상 가능한 수정 및 변경을 설명하는 것은 불가능하지만, 이 분야의 통상의 기술자는 많은 추가 조합 및 교환이 가능하다는 것을 인식할 수 있다. 따라서, 새로운 아키텍처는 첨부된 청구항의 사상 및 범위 내에 속하는 모든 그러한 변경, 수정 및 변형을 포함하는 것을 의도한다. 더구나, "포함한다(include)"라는 용어가 상세한 설명 또는 청구항에서 사용되는 한도에서, 그러한 용어는 "포함하는(comprising)"이 청구항에서 전이어로 사용될 때 해석되는 바와 같이 "포함하는(comprising)"이라는 용어와 유사한 방식으로 포괄적인 것을 의도한다.

Claims

통합 검색 프로세스의 일부로서 질의를 수신하고 상기 질의의 질의 컨텍스트(query context)를 수신하도록 구성되는 검색 컴포넌트와,
예측 모델의 후보 특징에 기초하여 상기 질의에 대한 분류 값(classification value)을 생성하도록 구성되는 분류 컴포넌트와,
상기 분류 값에 기초하여 의도의 정도(a degree of intent)를 식별하도록 구성되는 의도 컴포넌트 - 상기 검색 프로세스는 상기 검색 컴포넌트에 의해 상기 의도의 정도에 기초하여 로컬 검색(local search) 또는 논-로컬 검색(non-local search) 중 적어도 하나로 지향됨 - 와,
상기 검색 컴포넌트, 상기 분류 컴포넌트 및 상기 의도 컴포넌트와 관련된 메모리 내의 컴퓨터 실행 가능 명령어를 실행하도록 구성되는 적어도 하나의 마이크로프로세서
를 포함하는 시스템.
제1항에 있어서,
상기 검색 프로세스는 상기 로컬 검색 및 상기 논-로컬 검색 양자로서 수행되어 전체 결과를 획득하고, 상기 전체 결과는 상기 의도의 정도와 관련된 관련 결과만을 표시하도록 조정되는
시스템.
제1항에 있어서,
상기 의도 컴포넌트는 논-로컬 콘텐츠, 로컬 콘텐츠, 로컬 파일 및 로컬 애플리케이션과 관련된 상기 의도의 정도를 계산하는
시스템.
제1항에 있어서,
상기 질의 및 질의 컨텍스트와 관련된 상기 후보 특징을 획득하도록 구성되는 특징 컴포넌트를 더 포함하는
시스템.
제1항에 있어서,
개별적으로 또는 분류 컴포넌트와 연계하여 동작하여 상기 질의 컨텍스트와 관련된 로컬 콘텐츠 또는 웹 콘텐츠를 제안하는 제안 컴포넌트를 더 포함하는
시스템.
로컬 검색 및 논-로컬 검색을 수행할 수 있는 검색 프로세스의 일부로서 질의를 수신하는 동작과,
상기 질의의 컨텍스트를 도출하는 동작과,
상기 컨텍스트와 관련된 특징을 평가하는 동작과,
상기 특징에 기초하여 상기 질의의 분류 값을 계산하는 동작과,
상기 분류 값에 기초하여 의도의 정도를 식별하는 동작과,
상기 의도의 정도에 기초하여 상기 검색 프로세스를 상기 로컬 검색 또는 상기 논-로컬 검색 중 적어도 하나로 지향시키는 동작과,
수신하고, 도출하고, 평가하고, 계산하고, 식별하고, 지향시키는 상기 동작들과 관련된 메모리 내의 명령어를 실행하도록 마이크로프로세서를 구성하는 동작
을 포함하는 방법.
제6항에 있어서,
상기 의도의 정도에 기초하여 검색 결과를 조정하는 동작을 더 포함하는
방법.
제6항에 있어서,
예측 모델로부터 상기 특징을 획득하여 상기 의도의 정도를 식별하는 동작을 더 포함하는
방법.
제6항에 있어서,
컨텍스트외 특징(an out-of-context feature)을 적용하여, 언제 질의가 상기 로컬 검색과 가장 자주 관련되는지를 결정하는 동작을 더 포함하는
방법.
제6항에 있어서,
프로그래밍된 검색 기능을 무효화하고 상기 의도의 정도에 기초하여 상이한 검색 프로세스를 선택하는 동작을 더 포함하는
방법.