NO335884B1 - Fremgangsmåter og system for å forstå meningen av en kunnskapsenhet ved bruk av informasjon tilknyttet kunnskapsenheten - Google Patents
Fremgangsmåter og system for å forstå meningen av en kunnskapsenhet ved bruk av informasjon tilknyttet kunnskapsenhetenInfo
- Publication number
- NO335884B1 NO335884B1 NO20060501A NO20060501A NO335884B1 NO 335884 B1 NO335884 B1 NO 335884B1 NO 20060501 A NO20060501 A NO 20060501A NO 20060501 A NO20060501 A NO 20060501A NO 335884 B1 NO335884 B1 NO 335884B1
- Authority
- NO
- Norway
- Prior art keywords
- knowledge unit
- meaning
- keyword
- related information
- concept
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 44
- 241000220225 Malus Species 0.000 description 22
- 235000013399 edible fruits Nutrition 0.000 description 6
- 235000021016 apples Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000015108 pies Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- G06F16/3332—Query translation
- G06F16/3338—Query expansion
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- 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
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Generation (AREA)
- Selective Calling Equipment (AREA)
Description
OPPFINNELSENS OMRÅDE
Oppfinnelsen vedrører generelt kunnskapsenheter. Mer spesielt vedrører oppfinnelsen fremgangsmåter og systemer for å forstå betydningen av kunnskapsenheter ved bruk av informasjon tilknyttet kunnskapsenheten.
BAKGRUNN FOR OPPFINNELSEN
To kunnskapsenheter knyttes noen ganger til hverandre gjennom manuelle eller automatiserte metoder. En kunnskapsenhet kan være hva som helst, fysisk eller ikke-fysisk, som kan representeres gjennom symboler, og kan for eksempel være nøkkelord, noder, kategorier, folk, konsepter, produkter, fraser, dokumenter og andre informasjons-eller kunnskapsrelaterte enheter. En kunnskapsenhet kan være i en hvilken som helst form, for eksempel ett enkelt ord, en term, en betegnelse, en kort frase, et uttrykk, et dokument, eller annen strukturert eller ustrukturert informasjon. Dokumenter omfatter for eksempel websider i forskjellige formater, så som HTML, XML, XHTML; PDF-(Portable Document Format)-filer; og dokumentfiler forbundet med tekstbehandlings- og applikasjonsprogrammer. For eksempel kan en kunnskapsenhet, så som innhold i et dokument, bli jamført mot en annen kunnskapsenhet, så som et nøkkelord eller en annonse. Tilsvarende kan en kunnskapsenhet, så som et dokument, bli knyttet til et annet dokument som inneholder beslektet innhold, slik at de to dokumentene kan ses å være forbundet med hverandre.
Ett eksempel på bruk av kunnskapsenheter er ved annonsering på Internett. Internett-annonsering kan skje på forskjellige måter. For eksempel kan en eier av et nettsted tillate annonsering på sine websider mot et honorar. Når nettstedseieren ønsker å vise en annonse på en webside for en bruker, kan en tilrettelegger levere en annonse til nettstedseieren for fremvisning på websiden. Tilretteleggeren kan velge annonsen basert på en rekke forskjellige faktorer, så som demografisk informasjon om brukeren, websidens kategori, for eksempel sport eller underholdning, eller websidens innhold. Tilretteleggeren kan også jamføre websidens innhold mot en kunnskapsenhet, så som et nøkkelord fra en liste av nøkkelord. En annonse forbundet med det aktuelle nøkkel-ordet kan da bli vist på websiden. En bruker kan anvende en mus eller en annen inn matingsanordning og "klikke" på annonsen for å få vist en webside på annonsørens nettsted som tilbyr varer eller tjenester for salg.
I et annet eksempel på Internett-annonsering blir de aktuelle nøkkelordene vist på en nettstedeiers webside i en seksjon "Relaterte Lenker" eller en tilsvarende seksjon. Tilsvarende som i eksempelet over blir websidens innhold jamført mot det ene eller de flere nøkkelordene, som da blir vist i seksjonen "Relaterte Lenker", for eksempel. Når en bruker klikker på et gitt nøkkelord, kan brukeren bli sendt til en søkeresultatside som kan inneholde en blanding av annonser og vanlige søkeresultater. Annonsører byr på nøk-kelordet for å få sine annonser til å dukke opp på en slik resuitatside for søk etter nøk-kelordet. En bruker kan anvende en mus eller en annen innmatingsanordning og "klikke" på annonsen for å få vist en webside på annonsørens nettsted som tilbyr varer eller tjenester for salg.
Annonsører ønsker at websidens innhold skal være nært beslektet med annonsen, siden det er mer sannsynlig at en bruker som ser på websiden vil klikke på annonsen og kjøpe varene eller tjenestene som tilbys dersom de er høyst relevante for det brukeren leser på websiden. Eieren av websiden ønsker også at annonsens innhold skal passe til websidens innhold, siden nettstedseieren ofte belønnes dersom brukeren klikker på annonsen samt at det vil kunne være uheldig eller støtende for enten annon-søren eller nettstedseieren dersom innholdet er sensitivt.
Forskjellige metoder har vært anvendt for å matche nøkkelord med innhold. De fleste av disse metodene har omfattet en form for sammenlikning av tekst, for eksempel sammenlikning av nøkkelordene med ord inneholdt i innholdet. Problemet med tekst-sammenlikning er at ord kan vedrøre forskjellige konsepter, eller ha flere betydninger, noe som kan føre til feilaktig matching av innhold med nøkkelord.
For eksempel kan ordet "apple" ha minst to betydninger. Apple kan referere til frukten eple eller til databedriften med samme navn. For eksempel kan en webside inneholde nyhetsstoff om Apple Computer, og det hyppigst forekommende nøkkelordet på websiden, i dette tilfellet "apple", vil kunne være valgt for å representere websiden. I dette eksempelet er det ønskelig å vise en annonse vedrørende Apple Computer, og ikke frukten eple. Dersom imidlertid den har betalt mest for nøkkelordet "apple" er en som selger epler, og dersom nøkkelordet "apple" ble matchet med websiden, ville en annonse om frukten epler bli vist på websiden som omhandler databedriften Apple. Dette er uønsket siden en leser av websiden om en databedrift mest sannsynlig ikke også er interessert i å kjøpe epler.
WO 00/79436 A2 beskriver en databasesøkemotor.
Feilaktig matching av kunnskapsenheter, så som nøkkelord, med innhold kan føre til at irrelevante annonser blir vist for innhold. Det er derfor ønskelig å forstå betydningen av kunnskapsenheter.
OPPSUMMERING AV OPPFINNELSEN
Hovedtrekkene ved den foreliggende oppfinnelsen fremgår av de selvstendige patentkrav. Ytterligere trekk ved oppfinnelsen er angitt i de uselvstendige krav.
Utførelsesformer av foreliggende oppfinnelse omfatter systemer og fremgangsmåter som forstår betydningen av kunnskapsenheter ved hjelp av relatert informasjon. Ett aspekt ved en utførelsesform av foreliggende oppfinnelse omfatter det å motta en kunnskapsenhet og motta relatert informasjon tilknyttet kunnskapsenheten. Denne relaterte informasjonen kan omfatte en rekke forskjellig informasjon, så som relaterte dokumenter og relaterte data. Et annet aspekt ved en utførelsesform av foreliggende oppfinnelse omfatter det å bestemme minst én beslektet betydning basert på den relaterte informasjonen og bestemme betydningen til kunnskapsenheten i hvert fall delvis basert på den beslektede betydningen til den relaterte informasjonen. En rekke forskjellige algoritmer som anvender en beslektet betydning kan anvendes i disse systemer og fremgangsmåter. Ytterligere aspekter ved foreliggende oppfinnelse er rettet mot data-systemer og datamaskin-lesbare medier med særtrekk vedrørende de foregående aspekter.
KORT BESKRIVELSE AV FIGURENE
Disse og andre særtrekk, aspekter og fordeler ved foreliggende oppfinnelse vil forstås bedre når den detaljerte beskrivelsen leses under henvisning til de vedlagte figurene, der: Figur 1 er et blokkdiagram som illustrerer et system ifølge en utførelsesform av foreliggende oppfinnelse; Figur 2 er et flytdiagram som illustrerer en fremgangsmåte ifølge en utførelsesform av foreliggende oppfinnelse; og Figur 3 er et flytdiagram som illustrerer en del av fremgangsmåten illustrert i fig. 2.
DETALJERT BESKRIVELSE AV KONKRETE UTFØRELSESFORMER
Foreliggende oppfinnelse omfatter fremgangsmåter og systemer for å forstå betydningen av kunnskapsenheter ved bruk av kunnskapsenheten selv samt informasjon tilknyttet kunnskapsenheten. Det vil nå bli henvist i detalj til eksempler på utførelser av oppfinnelsen, som beskrevet i teksten og illustrert i de vedlagte figurene. Samme refe-ransenummer er anvendt i figurene og i den følgende beskrivelsen for å referere til samme eller tilsvarende deler.
Forskjellige systemer kan tilveiebringes i overensstemmelse med foreliggende oppfinnelse. Figur 1 er et diagram som illustrerer et eksempel på system der eksempler på utførelsesformer av foreliggende oppfinnelse kan anvendes. Foreliggende oppfinnelse kan også anvendes med og være innlemmet i andre systemer.
Systemet 100 vist i figur 1 omfatter et antall klientanordninger 102a-n, tjeneranordninger 104, 140 og et nettverk 106. Det viste nettverket 106 omfatter Internett. I andre utførelsesformer kan andre nettverk anvendes, så som et intranett. Dessuten kan fremgangsmåter ifølge foreliggende oppfinnelse utføres i en frittstående datamaskin. De viste klientanordningene 102a-n omfatter hver et datamaskin-lesbart medium, for eksempel et direkteaksessminne (RAM) 108, i den illustrerte utførelsesformen koblet til en prosessor 110. Prosessoren 110 eksekverer et sett av datamaskin-eksekverbare pro-graminstruksjoner lagret i minnet 108. En slik prosessor kan omfatte en mikroprosessor, en ASIC (Application Specific Integrated Circuit = anvendelsesspesifikk integrert krets) og tilstandsmaskiner. Slike prosessorer omfatter eller kan stå i kommunikasjon med medier, for eksempel datamaskin-lesbare medier, som lagrer instruksjoner som, når de eksekveres av prosessoren, får prosessoren til å utføre trinnene beskrevet her. Eksempler på datamaskin-lesbare medier omfatter, men er ikke begrenset til en elektro-nisk, optisk, magnetisk eller annen lagrings- eller overføringsanordning som er i stand til å forsyne en prosessor, for eksempel en prosessor i kommunikasjon med en berørings-basert innmatingsanordning, med datamaskin-lesbare instruksjoner. Andre eksempler på egnede medier omfatter, men er ikke begrenset til, en (floppy) diskett, et CD-ROM, en magnetisk disk, en minnebrikke, ROM, RAM, en ASIC, en tilrettelagt prosessor, alle typer optiske medier, alle typer magnetbånd eller andre magnetiske medier, eller et hvilket som helst annet medium som en dataprosessor kan lese instruksjoner fra. Også forskjellige andre typer datamaskin-lesbare medier kan sende eller overføre instruksjoner til en datamaskin, omfattende en ruter, et privat eller offentlig nettverk, eller en annen overføringsanordning eller -kanal, både kabelbasert og trådløs. Instruksjonene kan omfatte kode skrevet i et hvilket som helst dataprogrammeringsspråk, omfattende for eksempel C, C++, C#, Visual Basic, Java og JavaScript.
Klientanordningene 102a-n kan også omfatte et antall eksterne eller interne anordninger så som en mus, et CD-ROM, et tastatur, en fremvisningsanordning eller andre inn- eller utmatingsanordninger. Eksempler på klientanordninger 102a-n er personlige datamaskiner, digitale assistenter, personlige digitale assistenter (PDA'er), cellulære telefoner, mobiltelefoner, smarttelefoner, personsøkere, digitaliseringsbord, bærbare datamaskiner, en prosessorbasert anordning samt tilsvarende typer systemer og anordninger. Generelt kan en klientanordning102a-n være en hvilken som helst type prosessorbasert plattform som er koblet til et nettverk 106 og som vekselvirker med ett eller flere applikasjonsprogrammer. De viste klientanordningene 102a-n omfatter personlige datamaskiner som kjører et nettleserprogram, for eksempel Internet Explorer™ versjon 6.0 fra Microsoft Corporation, Netscape Navigator™ versjon 7.1 fra Netscape Communi-cations Corporation og Safari™ versjon 1.0 fra Apple Computer. Gjennom klientanordningene 102a-n kan brukere 112a-n kommunisere over nettverket 106 med hverandre og med andre systemer og anordninger koblet til nettverket 106.
Som kan sees i figur 1 er tjeneranordninger 104,140 også koblet til nettverket 106. Den viste tjeneranordningen 104 omfatter en tjener som kjører et kunnskaps-enhetsmotorprogram. Den viste tjeneranordningen 140 omfatter en tjener som kjører et innholdsmotorprogram. Tilsvarende klientanordningene 102a-n omfatter hver av de viste tjeneranordningene 104, 140 en prosessor 116,142 koblet til et datamaskin-lesbart minne 118,144. Tjeneranordningene 104, 140 er vist som ett enkelt datasystem, men kan realiseres som et nettverk av dataprosessorer. Eksempler på tjeneranordninger 104, 140 er tjenere, stormaskiner, nettverkstilknyttede datamaskiner, en prosessorbasert anordning samt tilsvarende typer systemer og anordninger. Klientprosessorene 110 og tjenerprosessorene 116, 142 kan være hvilke som helst av en rekke velkjente dataprosessorer, for eksempel prosessorer fra Intel Corporation i Santa Clara, California og Motorola Corporation i Schaumburg, Illinois.
Minnet 118 i tjeneranordningen 104 inneholder et program for behandling av kunnskapsenheter, også kjent som en kunnskapsenhetsbehandler 124. Kunnskapsenhetsbehandleren 124 bestemmer betydningen til kunnskapsenheter. En betydning kan være en representasjon av sammenheng, og kan for eksempel være en vektor av vektede konsepter eller grupper eller samlinger av ord. Kunnskapsenhetene kan bli mottatt fra andre anordninger tilknyttet nettverket 106, som for eksempel tjeneranordningen 140.
Kunnskapsenhetsbehandleren 124 kan også jamføre en kunnskapsenhet, så som et nøkkelord, med en artikkel, så som en webside, som befinner seg på en annen anordning koblet til nettverket 106. Artikler omfatter dokumenter, for eksempel websider i forskjellige formater, så som HTML, XML, XHTML, PDF-(Portable Document Format)-filer, dokumentfiler forbundet med tekstbehandlings-, database- og applikasjonsprogrammer, lyd, video eller hvilken som helst annen informasjon av en hvilken som helst type gjort tilgjengelig fra et nettverk (for eksempel Internett), en personlig datamaskin eller andre databehandlings- eller lagringsanordninger. Utførelsesformene beskrevet her er i hovedsak beskrevet i forbindelse med dokumenter, men utførelses-former kan jobbe med en hvilken som helst type artikkel. En kunnskapsenhet kan være hva som helst, fysisk eller ikke-fysisk, som kan representeres gjennom symboler, og kan for eksempel være nøkkelord, noder, kategorier, folk, konsepter, produkter, fraser, dokumenter og andre informasjons- eller kunnskapsrelaterte enheter. En kunnskapsenhet kan være i en hvilken som helst form, for eksempel, ett enkelt ord, en term, en betegnelse, et uttrykk, en kort frase, et dokument eller annen strukturert eller ustrukturert informasjon. Utførelsesformene beskrevet her er hovedsakelig beskrevet i forbindelse med nøkkelord, men utførelsesformer kan jobbe med en hvilken som helst form for kunnskapsenhet.
Minnet 144 i tjeneranordningen 140 inneholder et innholdsmotorprogram, også kjent som en innholdsmotor 146. I en utførelsesform mottar innholdsmotoren 146 et matchet nøkkelord fra kunnskapsenhetsmotoren 124 og knytter et dokument, for eksempel en reklameannonse, til det. Annonsen blir da sendt til en forespørrers nettsted og anordnet i en ramme på en webside, for eksempel. I en utførelsesform mottar innholdsmotoren 146 forespørsler og returnerer innhold, for eksempel annonser, og matching blir utført av en annen anordning.
Den viste kunnskapsenhetsmotoren 124 omfatter en informasjonsfinner 134, en informasjonsbehandler 136, en kunnskapsenhetsbehandler 135 og en betydningsbehandler 136.1 den illustrerte utførelsesformen omfatter hver av dem programkode lagret i minnet 118. Kunnskapsenhetsbehandleren 135 mottar et nøkkelord og identifiserer kjent informasjon om nøkkelordet. Den kjente informasjonen kan for eksempel omfatte ett eller flere konsepter forbundet med ett eller flere ord hentet fra nøkkelordet. Et konsept kan defineres ved anvendelse av en samling eller et sett av ord eller betegnelser forbundet med det, der ordet eller betegnelsene for eksempel kan være synonymer. For eksempel kan ordet "apple" være forbundet med to konsepter - frukt og databedrift - og følgelig kan hvert ha en samling eller et sett av relaterte ord eller betegnelser. Et konsept kan også defineres av forskjellig annen informasjon, som for eksempel relasjoner til beslektede konsepter, styrken til relasjoner til beslektede konsepter, ordklasser, vanlig bruk, brukshyppighet, konseptets omfang og annen statistikk om bruken av konseptet i språk.
Informasjonsfinneren 134 identifiserer og henter frem relatert informasjon tilknyttet nøkkelord. I den illustrerte utførelsesformen kan den relaterte informasjonen omfatte relaterte dokumenter og ytterligere relaterte data. De relaterte dokumentene kan omfatte teksten i annonsene og målnettstedet fra annonsører som har budt på et nøkkelord. De ytterligere relaterte dataene kan omfatte andre nøkkelord kjøpt av annon-sørene, søkeresultater for et nøkkelord fra en søkemotor, "betaling-per-klikk"-data for annonsene samt data vedrørende annonsenes suksess. Noe av denne informasjonen kan for eksempel fremskaffes fra tjeneranordningen 140. Informasjonsbehandleren 136 behandler den relaterte informasjonen funnet av informasjonsfinneren 134 for å bestemme minst én beslektet betydning for den funnede relaterte informasjonen. Denne beslektede betydningen og den kjente informasjonen om nøkkelordene blir da sendt til betydningsbehandleren 137. Betydningsbehandleren 137 anvender den kjente informa sjonen om nøkkelordet og den beslektede betydningen for å bestemme nøkkelordets betydning. Andre funksjoner i og særtrekk ved informasjonsfinneren 134, kunnskapsenhetsbehandleren 135, informasjonsbehandleren 136 og betydningsbehandleren 137 er beskrevet nærmere nedenfor.
Tjeneranordningen 104 gir også tilgang til andre lagringselementer, så som et kunnskapsenhetslagringselement, i det viste eksempelet en kunnskapsenhetsdatabase 120. Kunnskapsenhetsdatabasen kan brukes til å lagre kunnskapsenheter, så som nøkkelord, og deres tilhørende betydninger. Tjeneranordningen 140 gir også tilgang til andre lagringselementer, så som et innholdslagringselement, i det viste eksempelet en innholdsdatabase 148. Innholdsdatabasen kan brukes til å lagre informasjon vedrørende kunnskapsenheter, for eksempel dokumenter og andre data vedrørende kunnskapsenheter. Datalagringselementer kan omfatte en hvilken som helst metode eller kombina-sjon av metoder for å lagre data, uten begrensning omfattende array'er, hash-tabeller, lister og parstrukturer. Andre tilsvarende typer datalagringsanordninger kan være til-gjengelige for tjeneranordningen 104.
Det skal bemerkes at foreliggende oppfinnelse kan omfatte systemer med andre oppbygninger enn den som er vist i figur 1. For eksempel, i noen systemer ifølge foreliggende oppfinnelse, trenger ikke informasjonsfinneren 134 være en del av kunnskapsenhetsmotoren 124, og kan utføre sine oppgaver offline. Systemet 100 illustrert i figur 1 er utelukkende gitt som et eksempel, og brukes til å forklare fremgangsmåteeksemplene illustrert i figurene 2 og 3.
Forskjellige fremgangsmåter ifølge foreliggende oppfinnelse kan realiseres. Ett eksempel på fremgangsmåte ifølge foreliggende oppfinnelse omfatter det å motta en kunnskapsenhet, motta relatert informasjon tilknyttet kunnskapsenheten, bestemme minst én beslektet betydning basert på den relaterte informasjonen, og bestemme en kunnskapsenhetsbetydning for kunnskapsenheten i hvert fall delvis basert på den beslektede betydningen til den relaterte informasjonen. Den relaterte informasjonen kan knyttes til kunnskapsenheten på en hvilken som helst måte, og bestemmes å være beslektet på en hvilken som helst måte. Den relaterte informasjonen kan omfatte relaterte artikler og relaterte data. Noen utvalgte eksempler på relaterte artikler omfatter en annonse fra en annonsør som har budt på en kunnskapsenhet, og en webside forbundet med annonsen. Kunnskapsenheten kan for eksempel være et nøkkelord. Et eksempel på relaterte data omfatter "betaling-per-klikk"-data og treffhyppighetsdata i forbindelse med annonsen. I en utførelsesform kan kunnskapsenhetsbetydningen omfatte en vektet vektor av konsepter eller relaterte samlinger av ord.
I en utførelsesform behandles kunnskapsenheten etter at den er mottatt for å identifisere eventuelle kjente tilhørende konsepter. Et konsept kan defineres av en samling eller gruppe av ord eller betegnelser. Et konsept kan videre defineres av forskjellig annen informasjon, som for eksempel relasjoner til beslektede konsepter, styrken til relasjoner til beslektede konsepter, ordklasser, vanlig bruk, forekomsthyppighet, konseptets omfang og annen statistikk om bruken av konseptet i språk. I en utførelses-form omfatter det å bestemme kunnskapsenhetens betydning det å bestemme hvilke av de tilknyttede konsepter som representerer kunnskapsenhetens betydning.
I en utførelsesform omfatter kunnskapsenheten flere konsepter og den beslektede betydningen omfatter flere konsepter, og det å bestemme kunnskapsenhetens betydning omfatter det å bestemme, for hvert kunnskapsenhetskonsept, en sannsynlighet for at kunnskapsenheten skal besluttes å delvis vedrøre kunnskapsenhetskonseptet, bestemme styrken til relasjonen mellom hvert kunnskapsenhetskonsept og hvert konsept for den beslektede betydningen, samt justere sannsynligheten for hvert kunnskapsenhetskonsept basert på styrkene. I en utførelsesform har kunnskapsenheten flere konsepter og flere beslektede betydninger bestemmes, der hver beslektede betydning har flere konsepter. Det å bestemme en kunnskapsenhets betydning omfatter det å bestemme, for hvert kunnskapsenhetskonsept, en sannsynlighet for at kunnskapsenheten skal besluttes å delvis vedrøre kunnskapsenhetskonseptet og bestemme, for hvert beslektet betydningskonsept, en sannsynlighet for at kunnskapsenheten skal besluttes å delvis vedrøre den aktuelle beslektede betydningens konsept.
Figurene 2 og 3 illustrerer i detalj et eksempel på fremgangsmåte 200 ifølge foreliggende oppfinnelse. Denne fremgangsmåten er utelukkende gitt som et eksempel, ettersom det finnes en rekke forskjellige måter å utføre fremgangsmåter ifølge foreliggende oppfinnelse. Fremgangsmåten 200 illustrert i figur 2 kan utføres eller på annen måte realiseres av et hvilket som helst av en rekke forskjellige systemer. Fremgangsmåten 200 er beskrevet nedenfor som utført av systemet 100 illustrert i figur 1 som et eksempel, og forskjellige elementer i systemet 100 er referert til i forklaringen av fremgangsmåteeksempelet i figurene 2 og 3. Den viste fremgangsmåten 200 gir en forståelse av betydningen av et nøkkelord ved hjelp av informasjon tilknyttet nøkkel-ordet.
Hver blokk vist i figurene 2 og 3 representerer ett eller flere trinn som utføres i fremgangsmåteeksempelet 200. Med henvisning til figur 2 begynner fremgangsmåten 200 i blokk 202. Blokk 202 følges av blokk 204, der et nøkkelord mottas av kunnskapsenhetsmotoren 124. Nøkkelordet kan for eksempel mottas fra en ekstern database over nettverket 106, så som innholdsdatabasen 148, eller kan mottas fra andre kilder.
Deretter behandles i blokk 206 nøkkelordet av kunnskapsenhetsbehandleren 135 for å bestemme kjent informasjon om nøkkelordet. For eksempel kan nøkkelordet være forbundet med ett eller flere konsepter. Hvert konsept kan ha en tilhørende samling eller gruppe av ord. Et konsept kan også defineres av forskjellig annen informasjon, som for eksempel relasjoner til beslektede konsepter, styrken til relasjoner til beslektede konsepter, ordklasser, vanlig bruk, brukshyppighet, konseptets omfang og annen statistikk om konseptets bruk i språk.
For eksempel kan det for ordet "apple" være tilknyttet to mulige konsepter eller betydninger. Den første betydningen til apple, frukten eple, kan være definert med relasjoner til relaterte ord eller konsepter, så som frukt, mat, pai og spise. Den andre betydningen, databedriften Apple, kan være definert med relasjoner til relaterte ord eller konsepter, så som datamaskin, PC og teknologi. Et nøkkelord kan være en kort frase, i hvilket tilfelle frasen kan bli delt opp av kunnskapsenhetsbehandleren 135, for eksempel, i enkeltstående ord. I dette eksempelet kan kunnskapsenhetsbehandleren 135 videre bestemme konsepter tilknyttet hvert ord. I noen utførelsesformer vil ikke nøkkelordene ha noen som helst tilknyttet informasjon.
Blokk 206 følges av blokk 208, der relatert informasjon tilknyttet nøkkelordet identifiseres av informasjonsfinneren 134 og mottas av informasjonsbehandleren 136. Den relaterte informasjonen kan omfatte dokumenter, så som teksten i annonser og målnettsteder fra annonsører som har budt på et nøkkelord, resultater fra søk på nettet etter nøkkelordet selv, og beslektede data, så som andre nøkkelord budt på av annon-sørene, prisen per klikk som annonsørene forbundet med nøkkelordene betaler, antallet ganger en bruker har kjøpt et produkt etter å ha navigert til en annonsørs nettsted gjennom en annonse. Denne relaterte informasjonen kan fremskaffes fra en rekke forskjellige kilder, som for eksempel tjeneranordningen 140, annonsørens nettsteder og søkemotorer.
Blokk 208 etterfølges av blokk 210, der den minst ene beslektede betydningen bestemmes basert på den relaterte informasjonen av informasjonsbehandleren 136. For eksempel kan det for hvert enkelt relatert dokument bli bestemt en betydning, eller det kan bli bestemt en samlet betydning for alle dokumentene. Dersom for eksempel dokumentene omfatter teksten i fem annonser forbundet med nøkkelordet, kan det bli bestemt en beslektet betydning for hver annonse, eller betydningene til alle fem annonsene kan bli kombinert til en samlet beslektet betydning. I en utførelsesform behandles dokumenter for å bestemme en vektor av vektede konsepter inneholdt i dokumentene. Vektoren av vektede konsepter kan representere dokumentets betydning. Dersom for eksempel annonsen vedrører salg av Apple datamaskiner, kan betydningen til denne annonsen være 50 % datamaskiner, 30 % Apple datamaskiner og 20 % salg. De beslektede dataene kan for eksempel brukes til å justere vektene til betydningene til individuelle dokumenter eller til den samlede beslektede betydningen. Alternativt kan betydningen av et dokument være relaterte samlinger av ord.
Blokk 210 etterfølges av blokk 212, der nøkkelordets betydning bestemmes basert på den eller de beslektede betydningene av betydningsbehandler 137. Betydningsbehandler 137 mottar den eller de beslektede betydningene fra informasjonsbehandler 136 og det behandlede nøkkelordet fra kunnskapsenhetsbehandleren 135. For eksempel ville i blokk 212 betydningsbehandleren motta nøkkelordet "apple" og dets to beslektede konsepter fra kunnskapsenhetsbehandleren, og ville motta den beslektede betydningen med annonsen for Apple Computers fra informasjonsbehandleren 136. En rekke forskjellige fremgangsmåter vil kunne anvendes for å bestemme betydningen av nøkkelordet basert på den eller de beslektede betydningene mottatt fra informasjonsbehandleren 136. For eksempel kan den beslektede betydningen anvendes som en ledetråd for å bestemme det beste konseptet å forbinde med nøkkelordet for å gi en betydning til nøkkelordet. Når den beslektede betydningen for eksempel er 50 % datamaskin, 30 % Apple datamaskiner og 20 % salg, kan relasjonen mellom den be slektede betydningens vektede konsepter og nøkkelordenes konsepter anvendes for å bestemme at nøkkelordet "apple" skal forbindes med databedriften. Alternativt kan den eller de beslektede betydningene og relaterte data anvendes for å frembringe en ny betydning for nøkkelordet.
Hvilken som helst av en rekke forskjellig relatert informasjon kan anvendes for å bestemme betydningen av et nøkkelord. Eksemplene på relatert informasjon som kan anvendes for å bestemme betydningen av et nøkkelord omfatter, uten begrensning, én eller flere av følgende: Teksten i annonser fra annonsører som har gjeldende bud på kunnskapsenheten. Annonsenes målwebside(r).
Tekst i annonser fra annonsører som tidligere har budt på nøkkelordet.
Andre nøkkelord budt på av annonsørene som har gjeldende bud på nøkkelordet. Resultater fra søk etter nøkkelordet med en søkemotor.
Antallet personer som har kjøpt et element, etter å ha sett annonsen, fra en annonsørs nettsted som er forbundet med nøkkelordet.
En rekke forskjellig annen relatert informasjon kan innlemmes, og dette er kun eksempler. Videre kan den relaterte informasjonen bli tildelt forskjellig vekt avhengig av deler av informasjonen. For eksempel kan teksten i annonser fra nåværende annon-sører bli vektet tyngre enn teksten i annonser fra tidligere annonsører forbundet med nøkkelordet. Videre kan elementene forbundet med den annonsøren som betaler mest per klikk bli vektet tyngre basert på prisen per klikk.
Figur 3 illustrerer et eksempel en samling blokker 212 for å utføre fremgangsmåten 200 vist i figur 2. Blokkene 212 bestemmer betydningen av nøkkelordet med bruk av én eller flere beslektede betydninger. Et eksempel på sett av blokker 212 er som følger.
Blokkene begynner ved blokk 300.1 blokk 300 bestemmes sannsynligheter for
hvert sett av ord forbundet med nøkkelordet. For eksempel kan i en utførelsesform hvert nøkkelord omfatte én eller flere termer og hver term kan ha ett eller flere tilknyttede konsepter. I dette eksempelet omfatter nøkkelordet én enkelt term med minst to beslektede konsepter. I blokk 300 gis hvert konsept forbundet med nøkkelordet en a priori sannsyn-
lighetfor at nøkkelordet besluttes å vedrøre det. Denne a priori sannsynligheten kan være basert på informasjon inneholdt i et nettverk av koblede konsepter og/eller på tidligere innsamlede data vedrørende forekomsten av hver term besluttet å vedrøre konseptet.
Blokk 300 etterfølges av blokk 302, der styrken til relasjonen mellom nøkkelordets konsepter og den eller de relaterte betydningenes konsepter bestemmes. For eksempel kan i en utførelsesform den beslektede betydningen bestå av et vektet sett av konsepter. En styrke bestemmes for relasjonen mellom hvert nøkkelordskonsept og hvert beslektet betydningskonsept. Vekten til hvert beslektet betydningskonsept kan brukes til å justere styrken til relasjonen mellom beslektet betydningskonseptene og nøkkelords-konseptet. Styrken kan gjenspeile sannsynligheten for samtidig forekomst av konsepter, eller være et mål for nærheten mellom de to konseptene, som kan være avledet fra ontologiske data.
Blokk 302 etterfølges av blokk 304, der styrkene beregnet i blokk 302 anvendes for å justere sannsynligheten for at nøkkelordet besluttes å vedrøre hvert av sine tilknyttede konsepter. For eksempel kan styrkene bestemt for relasjonen mellom hvert nøkkelordskonsept og hvert beslektet betydningskonsept brukes til å justere sannsynligheten for hvert nøkkelordskonsept som betraktes. I en utførelsesform, etter at sannsynlighetene for nøkkelordskonseptene er justert, blir sannsynlighetene normalisert til 1. Trinnene som utføres i blokkene 302 og 304 kan gjentas et antall ganger for å forsterke innvirkningen av relasjonenes styrke på sannsynlighetene.
I en utførelsesform kan nøkkelordet omfatte flere konsepter, og flere beslektede betydninger kan hver omfatte flere konsepter. I denne utførelsesformen kan nøkkel-ordets betydning bestemmes ved for hvert nøkkelordskonsept å bestemme en sannsynlighet for at nøkkelordet skal besluttes å delvis vedrøre nøkkelordskonseptet, og for hvert beslektet betydningskonsept en sannsynlighet for at nøkkelordet skal besluttes å delvis vedrøre beslektet betydningskonseptet. Disse sannsynlighetene kan bestemmes på måten beskrevet over i forbindelse med figur 3.
Idet vi går tilbake til figur 2, følges blokk 212 av blokk 214, der nøkkelordets betydning knyttes til nøkkelordet og lagres. Nøkkelordet og dets tilhørende betydning kan bli lagret sammen, for eksempel i kunnskapsenhetsdatabasen 120, eller bli lagret hver
for seg i hver sine databaser.
Selv om beskrivelsen over inneholder mange detaljer, skal ikke disse detaljene oppfattes som begrensninger av oppfinnelsens ramme, men kun som eksemplifiseringer av de beskrevne utførelsesformer. Fagmannen vil se mange andre mulige variasjoner som faller innunder oppfinnelsens ramme i henhold til patentkravene.
Claims (15)
1. Fremgangsmåte, som utføres av en datamaskin, for å forstå betydningen av kunnskapsenheter ved bruk av informasjon knyttet til kunnskapsenheten, hvor fremgangsmåten omfatter trinn med å: motta (204) en kunnskapsenhet, idet kunnskapsenheten omfatter kunnskaps-enhetstekst; bestemme (206) ett eller flere kunnskapsenhetskonsepter tilknyttet kunnskapsenheten; motta (208) én eller flere beslektede informasjonsenheter, hver tilknyttet kunnskapsenheten, hvor den ene eller de flere beslektede informasjonsenheter omfatter beslektet informasjonstekst; bestemme (210) beslektede informasjonstekstbetydninger, hvor hver av de beslektede informasjonstekstbetydninger er en betydning av minst én del av den beslektede informasjonstekst; beregne (212, 302), for hvert kunnskapsenhetskonsept og hver beslektet informasjonstekstbetydning, en styrke for relasjonen mellom kunnskapsenhetskonseptet og den beslektede informasjonstekstbetydning; velge (212, 302) et gitt kunnskapsenhetskonsept basert på styrkene til rela-sjonene, og bestemme (214) det valgte kunnskapsenhetskonsept som betydningen av kunnskapsenheten.
2. Fremgangsmåte ifølge krav 1, hvor kunnskapsenheten omfatter minst ett nøkkel-ord.
3. Fremgangsmåte ifølge krav 1, hvor den ene eller de flere beslektede informasjonsenhetene eller -artiklene omfatter en annonse fra en annonsør som har budt på kunnskapsenheten.
4. Fremgangsmåte ifølge krav 3, hvor den ene eller de flere beslektede informasjonsenhetene eller -artiklene omfatter "betaling-per-klikk"-data forbundet med annonsen.
5. Fremgangsmåte ifølge krav 1, hvor den ene eller de flere beslektede informasjonsenhetene omfatter et målnettsted for en annonse knyttet til kunnskapsenheten.
6. Fremgangsmåte ifølge krav 1, hvor den ene eller de flere beslektede informasjonsenhetene omfatter data relatert til suksess for annonser fra annonsører som har budt på kunnskapsenheten.
7. Fremgangsmåte ifølge krav 1, hvor den ene eller de flere beslektede informasjonsenhetene omfatter data relatert til nøkkelord kjøpt av annonsører som har budt på kunnskapsenheten.
8. Fremgangsmåte ifølge krav 1, hvor den ene eller de flere beslektede informasjonsenhetene omfatter søkeresultater forbundet med kunnskapsenheten.
9. Fremgangsmåte ifølge krav 1, hvor hvert av kunnskapsenhetskonseptene omfatter minst ett nøkkelordkonsept, idet nøkkelordkonseptet blir representert ved hjelp av ett eller flere vektede nøkkelordbetegnelser.
10. Fremgangsmåte ifølge krav 9, hvor styrken til relasjonen mellom kunnskapsenhetskonseptet og den beslektede informasjonstekstbetydningen indikerer en sannsynlighet for samtidig forekomst mellom nøkkelordkonseptet og en betydningskonsept.
11. Fremgangsmåte ifølge krav 10, hvor beregning av styrken til relasjonen mellom kunnskapsenhetskonseptet og den beslektede informasjonstekstbetydningen omfatter justering av sannsynligheten for samtidig forekomst basert på vektene til nøkkelord-betegnelser som representerer nøkkelordkonseptet og vektene til betegnelser som representerer betydningskonseptet.
12. Fremgangsmåte ifølge krav 1, hvor: kunnskapsenheten er et nøkkelord; den ene eller de flere beslektede informasjonsenhetene omfatter tekst i annonser forbundet med annonsører som for tiden har budt på nøkkelordet; og bestemmelsen av de beslektede informasjonstekstbetydningene omfatter be-stemmelse av et flertall av beslektede betydninger fra teksten i annonsene knyttet til annonsørene som har budt på nøkkelordet.
13. Fremgangsmåte ifølge krav 12, hvor: bestemmelsen av den ene eller de flere kunnskapsenhetskonseptene omfatter fremskaffelse av et flertall av mulige betydninger for nøkkelordet; og beregning, for hvert kunnskapsenhetskonsept og hver beslektet informasjonstekstbetydning, av en styrke for en relasjon mellom kunnskapsenhetskonseptet og den beslektede informasjonstekstbetydningen omfatter beregning av en styrke til relasjon mellom hver av de flere mulige betydningene og hver av de flere beslektede betydninger.
14. Fremgangsmåte ifølge krav 1, hvor hver av den ene eller de flere beslektede informasjonstekstbetydningene og hver av den ene eller de flere kunnskapsenhetskonseptene er representert i systemet som en vektor av vektede konsepter eller som en gruppe eller samling av beslektede ord.
15. Datamaskin-lesbart medium som lagrer instruksjoner for å utføre eller eksekvere trinnene ved fremgangsmåten ifølge ethvert av krav 1 til 14.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US49142203P | 2003-07-30 | 2003-07-30 | |
US10/690,328 US7925610B2 (en) | 1999-09-22 | 2003-10-21 | Determining a meaning of a knowledge item using document-based information |
PCT/US2004/023826 WO2005013149A1 (en) | 2003-07-30 | 2004-07-23 | Methods and systems for understanding a meaning of a knowledge item using information associated with the knowledge item |
Publications (2)
Publication Number | Publication Date |
---|---|
NO20060501L NO20060501L (no) | 2006-02-24 |
NO335884B1 true NO335884B1 (no) | 2015-03-16 |
Family
ID=34118863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
NO20060501A NO335884B1 (no) | 2003-07-30 | 2006-01-31 | Fremgangsmåter og system for å forstå meningen av en kunnskapsenhet ved bruk av informasjon tilknyttet kunnskapsenheten |
Country Status (7)
Country | Link |
---|---|
US (3) | US7925610B2 (no) |
EP (1) | EP1649395A1 (no) |
AU (2) | AU2004262302B2 (no) |
BR (1) | BRPI0413070A (no) |
CA (1) | CA2534053C (no) |
NO (1) | NO335884B1 (no) |
WO (1) | WO2005013149A1 (no) |
Families Citing this family (263)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7493553B1 (en) * | 1998-12-29 | 2009-02-17 | Intel Corporation | Structured web advertising |
US7925610B2 (en) | 1999-09-22 | 2011-04-12 | Google Inc. | Determining a meaning of a knowledge item using document-based information |
US6816857B1 (en) * | 1999-11-01 | 2004-11-09 | Applied Semantics, Inc. | Meaning-based advertising and document relevance determination |
US8645137B2 (en) | 2000-03-16 | 2014-02-04 | Apple Inc. | Fast, language-independent method for user authentication by voice |
US20060122889A1 (en) * | 2004-11-22 | 2006-06-08 | Microsoft Corporation | System and method for managing a plurality of content items displayed in a particular placement position on a rendered page |
US9400838B2 (en) * | 2005-04-11 | 2016-07-26 | Textdigger, Inc. | System and method for searching for a query |
JP4740630B2 (ja) * | 2005-04-14 | 2011-08-03 | 株式会社リコー | 流行創出型広告方法及びプログラム |
US8677377B2 (en) | 2005-09-08 | 2014-03-18 | Apple Inc. | Method and apparatus for building an intelligent automated assistant |
WO2007081681A2 (en) | 2006-01-03 | 2007-07-19 | Textdigger, Inc. | Search system with query refinement and search method |
US7725417B2 (en) * | 2006-02-09 | 2010-05-25 | Ebay Inc. | Method and system to analyze rules based on popular query coverage |
US8380698B2 (en) * | 2006-02-09 | 2013-02-19 | Ebay Inc. | Methods and systems to generate rules to identify data items |
US7739225B2 (en) * | 2006-02-09 | 2010-06-15 | Ebay Inc. | Method and system to analyze aspect rules based on domain coverage of an aspect-value pair |
US7640234B2 (en) * | 2006-02-09 | 2009-12-29 | Ebay Inc. | Methods and systems to communicate information |
US9443333B2 (en) | 2006-02-09 | 2016-09-13 | Ebay Inc. | Methods and systems to communicate information |
US7739226B2 (en) * | 2006-02-09 | 2010-06-15 | Ebay Inc. | Method and system to analyze aspect rules based on domain coverage of the aspect rules |
US7849047B2 (en) * | 2006-02-09 | 2010-12-07 | Ebay Inc. | Method and system to analyze domain rules based on domain coverage of the domain rules |
WO2007114932A2 (en) | 2006-04-04 | 2007-10-11 | Textdigger, Inc. | Search system and method with text function tagging |
US9318108B2 (en) | 2010-01-18 | 2016-04-19 | Apple Inc. | Intelligent automated assistant |
US9495358B2 (en) | 2006-10-10 | 2016-11-15 | Abbyy Infopoisk Llc | Cross-language text clustering |
US9892111B2 (en) | 2006-10-10 | 2018-02-13 | Abbyy Production Llc | Method and device to estimate similarity between documents having multiple segments |
US9069750B2 (en) | 2006-10-10 | 2015-06-30 | Abbyy Infopoisk Llc | Method and system for semantic searching of natural language texts |
US9189482B2 (en) | 2012-10-10 | 2015-11-17 | Abbyy Infopoisk Llc | Similar document search |
US9098489B2 (en) | 2006-10-10 | 2015-08-04 | Abbyy Infopoisk Llc | Method and system for semantic searching |
US9075864B2 (en) | 2006-10-10 | 2015-07-07 | Abbyy Infopoisk Llc | Method and system for semantic searching using syntactic and semantic analysis |
JP4809193B2 (ja) * | 2006-11-14 | 2011-11-09 | ソニー株式会社 | 情報提供システム、情報提供方法、及びプログラム |
US8650265B2 (en) * | 2007-02-20 | 2014-02-11 | Yahoo! Inc. | Methods of dynamically creating personalized Internet advertisements based on advertiser input |
US8977255B2 (en) | 2007-04-03 | 2015-03-10 | Apple Inc. | Method and system for operating a multi-function portable electronic device using voice-activation |
US10657539B2 (en) * | 2007-06-29 | 2020-05-19 | Microsoft Technology Licensing, Llc | Digital voice communication advertising |
US8280721B2 (en) * | 2007-08-31 | 2012-10-02 | Microsoft Corporation | Efficiently representing word sense probabilities |
US9053089B2 (en) * | 2007-10-02 | 2015-06-09 | Apple Inc. | Part-of-speech tagging using latent analogy |
US20090094210A1 (en) * | 2007-10-05 | 2009-04-09 | Fujitsu Limited | Intelligently sorted search results |
US20090094211A1 (en) * | 2007-10-05 | 2009-04-09 | Fujitsu Limited | Implementing an expanded search and providing expanded search results |
WO2009059297A1 (en) * | 2007-11-01 | 2009-05-07 | Textdigger, Inc. | Method and apparatus for automated tag generation for digital content |
US10002189B2 (en) | 2007-12-20 | 2018-06-19 | Apple Inc. | Method and apparatus for searching using an active ontology |
US9330720B2 (en) | 2008-01-03 | 2016-05-03 | Apple Inc. | Methods and apparatus for altering audio output signals |
JP5295605B2 (ja) * | 2008-03-27 | 2013-09-18 | 株式会社東芝 | 検索キーワード改良装置、サーバ装置、および方法 |
US8996376B2 (en) | 2008-04-05 | 2015-03-31 | Apple Inc. | Intelligent text-to-speech conversion |
US10496753B2 (en) | 2010-01-18 | 2019-12-03 | Apple Inc. | Automatically adapting user interfaces for hands-free interaction |
US20100030549A1 (en) | 2008-07-31 | 2010-02-04 | Lee Michael M | Mobile device having human language translation capability with positional feedback |
US8676904B2 (en) | 2008-10-02 | 2014-03-18 | Apple Inc. | Electronic devices with voice command and contextual data processing capabilities |
WO2010056723A1 (en) * | 2008-11-12 | 2010-05-20 | Collective Media, Inc. | Method and system for semantic distance measurement |
US9959870B2 (en) | 2008-12-11 | 2018-05-01 | Apple Inc. | Speech recognition involving a mobile device |
AU2010201495B2 (en) | 2009-04-16 | 2012-04-12 | Accenture Global Services Limited | Touchpoint customization system |
US10241752B2 (en) | 2011-09-30 | 2019-03-26 | Apple Inc. | Interface for a virtual digital assistant |
US9858925B2 (en) | 2009-06-05 | 2018-01-02 | Apple Inc. | Using context information to facilitate processing of commands in a virtual assistant |
US10241644B2 (en) | 2011-06-03 | 2019-03-26 | Apple Inc. | Actionable reminder entries |
US10706373B2 (en) | 2011-06-03 | 2020-07-07 | Apple Inc. | Performing actions associated with task items that represent tasks to perform |
US9431006B2 (en) | 2009-07-02 | 2016-08-30 | Apple Inc. | Methods and apparatuses for automatic speech recognition |
US10705794B2 (en) | 2010-01-18 | 2020-07-07 | Apple Inc. | Automatically adapting user interfaces for hands-free interaction |
US10276170B2 (en) | 2010-01-18 | 2019-04-30 | Apple Inc. | Intelligent automated assistant |
US10679605B2 (en) | 2010-01-18 | 2020-06-09 | Apple Inc. | Hands-free list-reading by intelligent automated assistant |
US10553209B2 (en) | 2010-01-18 | 2020-02-04 | Apple Inc. | Systems and methods for hands-free notification summaries |
WO2011089450A2 (en) | 2010-01-25 | 2011-07-28 | Andrew Peter Nelson Jerram | Apparatuses, methods and systems for a digital conversation management platform |
US9684683B2 (en) * | 2010-02-09 | 2017-06-20 | Siemens Aktiengesellschaft | Semantic search tool for document tagging, indexing and search |
US8751218B2 (en) * | 2010-02-09 | 2014-06-10 | Siemens Aktiengesellschaft | Indexing content at semantic level |
US8682667B2 (en) | 2010-02-25 | 2014-03-25 | Apple Inc. | User profiling for selecting user specific voice input processing information |
US8140567B2 (en) * | 2010-04-13 | 2012-03-20 | Microsoft Corporation | Measuring entity extraction complexity |
US8931039B2 (en) * | 2010-05-24 | 2015-01-06 | Datuit, Llc | Method and system for a document-based knowledge system |
US9177057B2 (en) * | 2010-06-08 | 2015-11-03 | Microsoft Technology Licensing, Llc | Re-ranking search results based on lexical and ontological concepts |
EP2635965A4 (en) * | 2010-11-05 | 2016-08-10 | Rakuten Inc | SYSTEMS AND METHODS RELATING TO KEYWORD EXTRACTION |
US9262612B2 (en) | 2011-03-21 | 2016-02-16 | Apple Inc. | Device access using voice authentication |
WO2012147428A1 (ja) * | 2011-04-27 | 2012-11-01 | 日本電気株式会社 | テキストクラスタリング装置、テキストクラスタリング方法、およびコンピュータ読み取り可能な記録媒体 |
US10057736B2 (en) | 2011-06-03 | 2018-08-21 | Apple Inc. | Active transport based notifications |
US8994660B2 (en) | 2011-08-29 | 2015-03-31 | Apple Inc. | Text correction processing |
US9424353B2 (en) | 2012-02-22 | 2016-08-23 | Google Inc. | Related entities |
AU2013222184B2 (en) | 2012-02-22 | 2017-09-28 | Google Llc | Related entities |
US10134385B2 (en) | 2012-03-02 | 2018-11-20 | Apple Inc. | Systems and methods for name pronunciation |
US9483461B2 (en) | 2012-03-06 | 2016-11-01 | Apple Inc. | Handling speech synthesis of content for multiple languages |
US9280610B2 (en) | 2012-05-14 | 2016-03-08 | Apple Inc. | Crowd sourcing information to fulfill user requests |
US10417037B2 (en) | 2012-05-15 | 2019-09-17 | Apple Inc. | Systems and methods for integrating third party services with a digital assistant |
US9721563B2 (en) | 2012-06-08 | 2017-08-01 | Apple Inc. | Name recognition system |
US9594831B2 (en) | 2012-06-22 | 2017-03-14 | Microsoft Technology Licensing, Llc | Targeted disambiguation of named entities |
US9495129B2 (en) | 2012-06-29 | 2016-11-15 | Apple Inc. | Device, method, and user interface for voice-activated navigation and browsing of a document |
US9959340B2 (en) * | 2012-06-29 | 2018-05-01 | Microsoft Technology Licensing, Llc | Semantic lexicon-based input method editor |
US9460200B2 (en) | 2012-07-02 | 2016-10-04 | International Business Machines Corporation | Activity recommendation based on a context-based electronic files search |
US9262499B2 (en) | 2012-08-08 | 2016-02-16 | International Business Machines Corporation | Context-based graphical database |
US9576574B2 (en) | 2012-09-10 | 2017-02-21 | Apple Inc. | Context-sensitive handling of interruptions by intelligent digital assistant |
US9619580B2 (en) | 2012-09-11 | 2017-04-11 | International Business Machines Corporation | Generation of synthetic context objects |
US9251237B2 (en) | 2012-09-11 | 2016-02-02 | International Business Machines Corporation | User-specific synthetic context object matching |
US8620958B1 (en) | 2012-09-11 | 2013-12-31 | International Business Machines Corporation | Dimensionally constrained synthetic context objects database |
US9223846B2 (en) | 2012-09-18 | 2015-12-29 | International Business Machines Corporation | Context-based navigation through a database |
US9547647B2 (en) | 2012-09-19 | 2017-01-17 | Apple Inc. | Voice-based media searching |
US9741138B2 (en) | 2012-10-10 | 2017-08-22 | International Business Machines Corporation | Node cluster relationships in a graph database |
US8931109B2 (en) | 2012-11-19 | 2015-01-06 | International Business Machines Corporation | Context-based security screening for accessing data |
US9916301B2 (en) * | 2012-12-21 | 2018-03-13 | Microsoft Technology Licensing, Llc | Named entity variations for multimodal understanding systems |
US9229932B2 (en) | 2013-01-02 | 2016-01-05 | International Business Machines Corporation | Conformed dimensional data gravity wells |
US20140184500A1 (en) * | 2013-01-02 | 2014-07-03 | International Business Machines Corporation | Populating nodes in a data model with objects from context-based conformed dimensional data gravity wells |
US8983981B2 (en) | 2013-01-02 | 2015-03-17 | International Business Machines Corporation | Conformed dimensional and context-based data gravity wells |
US9069752B2 (en) * | 2013-01-31 | 2015-06-30 | International Business Machines Corporation | Measuring and displaying facets in context-based conformed dimensional data gravity wells |
US9053102B2 (en) | 2013-01-31 | 2015-06-09 | International Business Machines Corporation | Generation of synthetic context frameworks for dimensionally constrained hierarchical synthetic context-based objects |
KR20150104615A (ko) | 2013-02-07 | 2015-09-15 | 애플 인크. | 디지털 어시스턴트를 위한 음성 트리거 |
US9910921B2 (en) * | 2013-02-28 | 2018-03-06 | International Business Machines Corporation | Keyword refinement in temporally evolving online media |
US9292506B2 (en) | 2013-02-28 | 2016-03-22 | International Business Machines Corporation | Dynamic generation of demonstrative aids for a meeting |
US9235626B2 (en) | 2013-03-13 | 2016-01-12 | Google Inc. | Automatic generation of snippets based on context and user interest |
US10810193B1 (en) | 2013-03-13 | 2020-10-20 | Google Llc | Querying a data graph using natural language queries |
US9224103B1 (en) | 2013-03-13 | 2015-12-29 | Google Inc. | Automatic annotation for training and evaluation of semantic analysis engines |
US10713261B2 (en) | 2013-03-13 | 2020-07-14 | Google Llc | Generating insightful connections between graph entities |
US9368114B2 (en) | 2013-03-14 | 2016-06-14 | Apple Inc. | Context-sensitive handling of interruptions |
US10652394B2 (en) | 2013-03-14 | 2020-05-12 | Apple Inc. | System and method for processing voicemail |
US20140280337A1 (en) * | 2013-03-14 | 2014-09-18 | Wal-Mart Stores, Inc. | Attribute detection |
US10748529B1 (en) | 2013-03-15 | 2020-08-18 | Apple Inc. | Voice activated device for use with a voice-based digital assistant |
WO2014144579A1 (en) | 2013-03-15 | 2014-09-18 | Apple Inc. | System and method for updating an adaptive speech recognition model |
CN105027197B (zh) | 2013-03-15 | 2018-12-14 | 苹果公司 | 训练至少部分语音命令系统 |
US9286289B2 (en) | 2013-04-09 | 2016-03-15 | Softwin Srl Romania | Ordering a lexicon network for automatic disambiguation |
US10152526B2 (en) | 2013-04-11 | 2018-12-11 | International Business Machines Corporation | Generation of synthetic context objects using bounded context objects |
US9348794B2 (en) | 2013-05-17 | 2016-05-24 | International Business Machines Corporation | Population of context-based data gravity wells |
US9195608B2 (en) | 2013-05-17 | 2015-11-24 | International Business Machines Corporation | Stored data analysis |
US9582608B2 (en) | 2013-06-07 | 2017-02-28 | Apple Inc. | Unified ranking with entropy-weighted information for phrase-based semantic auto-completion |
WO2014197334A2 (en) | 2013-06-07 | 2014-12-11 | Apple Inc. | System and method for user-specified pronunciation of words for speech synthesis and recognition |
WO2014197336A1 (en) | 2013-06-07 | 2014-12-11 | Apple Inc. | System and method for detecting errors in interactions with a voice-based digital assistant |
WO2014197335A1 (en) | 2013-06-08 | 2014-12-11 | Apple Inc. | Interpreting and acting upon commands that involve sharing information with remote devices |
US10176167B2 (en) | 2013-06-09 | 2019-01-08 | Apple Inc. | System and method for inferring user intent from speech inputs |
EP3008641A1 (en) | 2013-06-09 | 2016-04-20 | Apple Inc. | Device, method, and graphical user interface for enabling conversation persistence across two or more instances of a digital assistant |
AU2014278595B2 (en) | 2013-06-13 | 2017-04-06 | Apple Inc. | System and method for emergency calls initiated by voice command |
US9235653B2 (en) | 2013-06-26 | 2016-01-12 | Google Inc. | Discovering entity actions for an entity graph |
US9342622B2 (en) | 2013-06-27 | 2016-05-17 | Google Inc. | Two-phase construction of data graphs from disparate inputs |
CN105453026A (zh) | 2013-08-06 | 2016-03-30 | 苹果公司 | 基于来自远程设备的活动自动激活智能响应 |
US9785696B1 (en) | 2013-10-04 | 2017-10-10 | Google Inc. | Automatic discovery of new entities using graph reconciliation |
CN105706078B (zh) | 2013-10-09 | 2021-08-03 | 谷歌有限责任公司 | 实体集合的自动定义 |
US9798829B1 (en) | 2013-10-22 | 2017-10-24 | Google Inc. | Data graph interface |
US10002117B1 (en) | 2013-10-24 | 2018-06-19 | Google Llc | Translating annotation tags into suggested markup |
US10296160B2 (en) | 2013-12-06 | 2019-05-21 | Apple Inc. | Method for extracting salient dialog usage from live data |
US9659056B1 (en) | 2013-12-30 | 2017-05-23 | Google Inc. | Providing an explanation of a missing fact estimate |
US9620105B2 (en) | 2014-05-15 | 2017-04-11 | Apple Inc. | Analyzing audio input for efficient speech and music recognition |
US10592095B2 (en) | 2014-05-23 | 2020-03-17 | Apple Inc. | Instantaneous speaking of content on touch devices |
US9502031B2 (en) | 2014-05-27 | 2016-11-22 | Apple Inc. | Method for supporting dynamic grammars in WFST-based ASR |
US9633004B2 (en) | 2014-05-30 | 2017-04-25 | Apple Inc. | Better resolution when referencing to concepts |
US9785630B2 (en) | 2014-05-30 | 2017-10-10 | Apple Inc. | Text prediction using combined word N-gram and unigram language models |
US10078631B2 (en) | 2014-05-30 | 2018-09-18 | Apple Inc. | Entropy-guided text prediction using combined word and character n-gram language models |
TWI566107B (zh) | 2014-05-30 | 2017-01-11 | 蘋果公司 | 用於處理多部分語音命令之方法、非暫時性電腦可讀儲存媒體及電子裝置 |
US9734193B2 (en) | 2014-05-30 | 2017-08-15 | Apple Inc. | Determining domain salience ranking from ambiguous words in natural speech |
US9760559B2 (en) | 2014-05-30 | 2017-09-12 | Apple Inc. | Predictive text input |
US9842101B2 (en) | 2014-05-30 | 2017-12-12 | Apple Inc. | Predictive conversion of language input |
US10170123B2 (en) | 2014-05-30 | 2019-01-01 | Apple Inc. | Intelligent assistant for home automation |
US10289433B2 (en) | 2014-05-30 | 2019-05-14 | Apple Inc. | Domain specific language for encoding assistant dialog |
US9715875B2 (en) | 2014-05-30 | 2017-07-25 | Apple Inc. | Reducing the need for manual start/end-pointing and trigger phrases |
US9430463B2 (en) | 2014-05-30 | 2016-08-30 | Apple Inc. | Exemplar-based natural language processing |
US10659851B2 (en) | 2014-06-30 | 2020-05-19 | Apple Inc. | Real-time digital assistant knowledge updates |
US9338493B2 (en) | 2014-06-30 | 2016-05-10 | Apple Inc. | Intelligent automated assistant for TV user interactions |
US10073673B2 (en) * | 2014-07-14 | 2018-09-11 | Samsung Electronics Co., Ltd. | Method and system for robust tagging of named entities in the presence of source or translation errors |
JP6100741B2 (ja) * | 2014-08-28 | 2017-03-22 | ヤフー株式会社 | 抽出装置、抽出方法および抽出プログラム |
US10446141B2 (en) | 2014-08-28 | 2019-10-15 | Apple Inc. | Automatic speech recognition based on user feedback |
JP6072739B2 (ja) * | 2014-08-28 | 2017-02-01 | ヤフー株式会社 | 抽出装置、抽出方法および抽出プログラム |
JP5968381B2 (ja) * | 2014-09-03 | 2016-08-10 | ヤフー株式会社 | 抽出装置、抽出方法および抽出プログラム |
US9818400B2 (en) | 2014-09-11 | 2017-11-14 | Apple Inc. | Method and apparatus for discovering trending terms in speech requests |
US10789041B2 (en) | 2014-09-12 | 2020-09-29 | Apple Inc. | Dynamic thresholds for always listening speech trigger |
US9886432B2 (en) | 2014-09-30 | 2018-02-06 | Apple Inc. | Parsimonious handling of word inflection via categorical stem + suffix N-gram language models |
US9668121B2 (en) | 2014-09-30 | 2017-05-30 | Apple Inc. | Social reminders |
US9646609B2 (en) | 2014-09-30 | 2017-05-09 | Apple Inc. | Caching apparatus for serving phonetic pronunciations |
US10074360B2 (en) | 2014-09-30 | 2018-09-11 | Apple Inc. | Providing an indication of the suitability of speech recognition |
US10127911B2 (en) | 2014-09-30 | 2018-11-13 | Apple Inc. | Speaker identification and unsupervised speaker adaptation techniques |
US10552013B2 (en) | 2014-12-02 | 2020-02-04 | Apple Inc. | Data detection |
US9711141B2 (en) | 2014-12-09 | 2017-07-18 | Apple Inc. | Disambiguating heteronyms in speech synthesis |
AU2015360472B2 (en) | 2014-12-10 | 2021-07-01 | Qliktech International Ab | Weighted subsymbolic data encoding |
US10152299B2 (en) | 2015-03-06 | 2018-12-11 | Apple Inc. | Reducing response latency of intelligent automated assistants |
US9865280B2 (en) | 2015-03-06 | 2018-01-09 | Apple Inc. | Structured dictation using intelligent automated assistants |
US9886953B2 (en) | 2015-03-08 | 2018-02-06 | Apple Inc. | Virtual assistant activation |
US9721566B2 (en) | 2015-03-08 | 2017-08-01 | Apple Inc. | Competing devices responding to voice triggers |
US10567477B2 (en) | 2015-03-08 | 2020-02-18 | Apple Inc. | Virtual assistant continuity |
US9899019B2 (en) | 2015-03-18 | 2018-02-20 | Apple Inc. | Systems and methods for structured stem and suffix language models |
US9842105B2 (en) | 2015-04-16 | 2017-12-12 | Apple Inc. | Parsimonious continuous-space phrase representations for natural language processing |
US10460227B2 (en) | 2015-05-15 | 2019-10-29 | Apple Inc. | Virtual assistant in a communication session |
US10200824B2 (en) | 2015-05-27 | 2019-02-05 | Apple Inc. | Systems and methods for proactively identifying and surfacing relevant content on a touch-sensitive device |
US10083688B2 (en) | 2015-05-27 | 2018-09-25 | Apple Inc. | Device voice control for selecting a displayed affordance |
US10127220B2 (en) | 2015-06-04 | 2018-11-13 | Apple Inc. | Language identification from short strings |
US9578173B2 (en) | 2015-06-05 | 2017-02-21 | Apple Inc. | Virtual assistant aided communication with 3rd party service in a communication session |
US10101822B2 (en) | 2015-06-05 | 2018-10-16 | Apple Inc. | Language input correction |
US11025565B2 (en) | 2015-06-07 | 2021-06-01 | Apple Inc. | Personalized prediction of responses for instant messaging |
US10255907B2 (en) | 2015-06-07 | 2019-04-09 | Apple Inc. | Automatic accent detection using acoustic models |
US10186254B2 (en) | 2015-06-07 | 2019-01-22 | Apple Inc. | Context-based endpoint detection |
US9659006B2 (en) * | 2015-06-16 | 2017-05-23 | Cantor Colburn Llp | Disambiguation in concept identification |
US20160378747A1 (en) | 2015-06-29 | 2016-12-29 | Apple Inc. | Virtual assistant for media playback |
US10671428B2 (en) | 2015-09-08 | 2020-06-02 | Apple Inc. | Distributed personal assistant |
US10331312B2 (en) | 2015-09-08 | 2019-06-25 | Apple Inc. | Intelligent automated assistant in a media environment |
US10740384B2 (en) | 2015-09-08 | 2020-08-11 | Apple Inc. | Intelligent automated assistant for media search and playback |
US10747498B2 (en) | 2015-09-08 | 2020-08-18 | Apple Inc. | Zero latency digital assistant |
US9697820B2 (en) | 2015-09-24 | 2017-07-04 | Apple Inc. | Unit-selection text-to-speech synthesis using concatenation-sensitive neural networks |
US11010550B2 (en) | 2015-09-29 | 2021-05-18 | Apple Inc. | Unified language modeling framework for word prediction, auto-completion and auto-correction |
US10366158B2 (en) | 2015-09-29 | 2019-07-30 | Apple Inc. | Efficient word encoding for recurrent neural network language models |
US11587559B2 (en) | 2015-09-30 | 2023-02-21 | Apple Inc. | Intelligent device identification |
US10691473B2 (en) | 2015-11-06 | 2020-06-23 | Apple Inc. | Intelligent automated assistant in a messaging environment |
US10956666B2 (en) | 2015-11-09 | 2021-03-23 | Apple Inc. | Unconventional virtual assistant interactions |
US10049668B2 (en) | 2015-12-02 | 2018-08-14 | Apple Inc. | Applying neural network language models to weighted finite state transducers for automatic speech recognition |
US10223066B2 (en) | 2015-12-23 | 2019-03-05 | Apple Inc. | Proactive assistance based on dialog communication between devices |
US10446143B2 (en) | 2016-03-14 | 2019-10-15 | Apple Inc. | Identification of voice inputs providing credentials |
US10169470B2 (en) * | 2016-04-11 | 2019-01-01 | Rovi Guides, Inc. | Systems and methods for identifying a meaning of an ambiguous term in a natural language query |
US9934775B2 (en) | 2016-05-26 | 2018-04-03 | Apple Inc. | Unit-selection text-to-speech synthesis based on predicted concatenation parameters |
US9972304B2 (en) | 2016-06-03 | 2018-05-15 | Apple Inc. | Privacy preserving distributed evaluation framework for embedded personalized systems |
US11227589B2 (en) | 2016-06-06 | 2022-01-18 | Apple Inc. | Intelligent list reading |
US10249300B2 (en) | 2016-06-06 | 2019-04-02 | Apple Inc. | Intelligent list reading |
US10049663B2 (en) | 2016-06-08 | 2018-08-14 | Apple, Inc. | Intelligent automated assistant for media exploration |
DK179588B1 (en) | 2016-06-09 | 2019-02-22 | Apple Inc. | INTELLIGENT AUTOMATED ASSISTANT IN A HOME ENVIRONMENT |
US10192552B2 (en) | 2016-06-10 | 2019-01-29 | Apple Inc. | Digital assistant providing whispered speech |
US10067938B2 (en) | 2016-06-10 | 2018-09-04 | Apple Inc. | Multilingual word prediction |
US10586535B2 (en) | 2016-06-10 | 2020-03-10 | Apple Inc. | Intelligent digital assistant in a multi-tasking environment |
US10490187B2 (en) | 2016-06-10 | 2019-11-26 | Apple Inc. | Digital assistant providing automated status report |
US10509862B2 (en) | 2016-06-10 | 2019-12-17 | Apple Inc. | Dynamic phrase expansion of language input |
DK179049B1 (en) | 2016-06-11 | 2017-09-18 | Apple Inc | Data driven natural language event detection and classification |
DK201670540A1 (en) | 2016-06-11 | 2018-01-08 | Apple Inc | Application integration with a digital assistant |
DK179343B1 (en) | 2016-06-11 | 2018-05-14 | Apple Inc | Intelligent task discovery |
DK179415B1 (en) | 2016-06-11 | 2018-06-14 | Apple Inc | Intelligent device arbitration and control |
JP6310509B2 (ja) * | 2016-07-05 | 2018-04-11 | ヤフー株式会社 | 抽出装置、抽出方法および抽出プログラム |
US10474753B2 (en) | 2016-09-07 | 2019-11-12 | Apple Inc. | Language identification using recurrent neural networks |
US10043516B2 (en) | 2016-09-23 | 2018-08-07 | Apple Inc. | Intelligent automated assistant |
US11281993B2 (en) | 2016-12-05 | 2022-03-22 | Apple Inc. | Model and ensemble compression for metric learning |
US10593346B2 (en) | 2016-12-22 | 2020-03-17 | Apple Inc. | Rank-reduced token representation for automatic speech recognition |
US11204787B2 (en) | 2017-01-09 | 2021-12-21 | Apple Inc. | Application integration with a digital assistant |
US10417266B2 (en) | 2017-05-09 | 2019-09-17 | Apple Inc. | Context-aware ranking of intelligent response suggestions |
DK201770383A1 (en) | 2017-05-09 | 2018-12-14 | Apple Inc. | USER INTERFACE FOR CORRECTING RECOGNITION ERRORS |
US10395654B2 (en) | 2017-05-11 | 2019-08-27 | Apple Inc. | Text normalization based on a data-driven learning network |
US10726832B2 (en) | 2017-05-11 | 2020-07-28 | Apple Inc. | Maintaining privacy of personal information |
DK201770439A1 (en) | 2017-05-11 | 2018-12-13 | Apple Inc. | Offline personal assistant |
US11301477B2 (en) | 2017-05-12 | 2022-04-12 | Apple Inc. | Feedback analysis of a digital assistant |
DK179745B1 (en) | 2017-05-12 | 2019-05-01 | Apple Inc. | SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT |
DK201770429A1 (en) | 2017-05-12 | 2018-12-14 | Apple Inc. | LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT |
DK179496B1 (en) | 2017-05-12 | 2019-01-15 | Apple Inc. | USER-SPECIFIC Acoustic Models |
DK201770431A1 (en) | 2017-05-15 | 2018-12-20 | Apple Inc. | Optimizing dialogue policy decisions for digital assistants using implicit feedback |
DK201770432A1 (en) | 2017-05-15 | 2018-12-21 | Apple Inc. | Hierarchical belief states for digital assistants |
US20180336892A1 (en) | 2017-05-16 | 2018-11-22 | Apple Inc. | Detecting a trigger of a digital assistant |
DK179560B1 (en) | 2017-05-16 | 2019-02-18 | Apple Inc. | FAR-FIELD EXTENSION FOR DIGITAL ASSISTANT SERVICES |
US20180336275A1 (en) | 2017-05-16 | 2018-11-22 | Apple Inc. | Intelligent automated assistant for media exploration |
US10311144B2 (en) | 2017-05-16 | 2019-06-04 | Apple Inc. | Emoji word sense disambiguation |
US10403278B2 (en) | 2017-05-16 | 2019-09-03 | Apple Inc. | Methods and systems for phonetic matching in digital assistant services |
US10657328B2 (en) | 2017-06-02 | 2020-05-19 | Apple Inc. | Multi-task recurrent neural network architecture for efficient morphology handling in neural language modeling |
US10445429B2 (en) | 2017-09-21 | 2019-10-15 | Apple Inc. | Natural language understanding using vocabularies with compressed serialized tries |
US10755051B2 (en) | 2017-09-29 | 2020-08-25 | Apple Inc. | Rule-based natural language processing |
US10636424B2 (en) | 2017-11-30 | 2020-04-28 | Apple Inc. | Multi-turn canned dialog |
US10733982B2 (en) | 2018-01-08 | 2020-08-04 | Apple Inc. | Multi-directional dialog |
US10733375B2 (en) | 2018-01-31 | 2020-08-04 | Apple Inc. | Knowledge-based framework for improving natural language understanding |
US10789959B2 (en) | 2018-03-02 | 2020-09-29 | Apple Inc. | Training speaker recognition models for digital assistants |
US10592604B2 (en) | 2018-03-12 | 2020-03-17 | Apple Inc. | Inverse text normalization for automatic speech recognition |
US10818288B2 (en) | 2018-03-26 | 2020-10-27 | Apple Inc. | Natural assistant interaction |
US10909331B2 (en) | 2018-03-30 | 2021-02-02 | Apple Inc. | Implicit identification of translation payload with neural machine translation |
US10928918B2 (en) | 2018-05-07 | 2021-02-23 | Apple Inc. | Raise to speak |
US11145294B2 (en) | 2018-05-07 | 2021-10-12 | Apple Inc. | Intelligent automated assistant for delivering content from user experiences |
US10984780B2 (en) | 2018-05-21 | 2021-04-20 | Apple Inc. | Global semantic word embeddings using bi-directional recurrent neural networks |
DK179822B1 (da) | 2018-06-01 | 2019-07-12 | Apple Inc. | Voice interaction at a primary device to access call functionality of a companion device |
US10892996B2 (en) | 2018-06-01 | 2021-01-12 | Apple Inc. | Variable latency device coordination |
DK180639B1 (en) | 2018-06-01 | 2021-11-04 | Apple Inc | DISABILITY OF ATTENTION-ATTENTIVE VIRTUAL ASSISTANT |
US11386266B2 (en) | 2018-06-01 | 2022-07-12 | Apple Inc. | Text correction |
DK201870355A1 (en) | 2018-06-01 | 2019-12-16 | Apple Inc. | VIRTUAL ASSISTANT OPERATION IN MULTI-DEVICE ENVIRONMENTS |
US10496705B1 (en) | 2018-06-03 | 2019-12-03 | Apple Inc. | Accelerated task performance |
US10664656B2 (en) * | 2018-06-20 | 2020-05-26 | Vade Secure Inc. | Methods, devices and systems for data augmentation to improve fraud detection |
US11010561B2 (en) | 2018-09-27 | 2021-05-18 | Apple Inc. | Sentiment prediction from textual data |
US11170166B2 (en) | 2018-09-28 | 2021-11-09 | Apple Inc. | Neural typographical error modeling via generative adversarial networks |
US11462215B2 (en) | 2018-09-28 | 2022-10-04 | Apple Inc. | Multi-modal inputs for voice commands |
US10839159B2 (en) | 2018-09-28 | 2020-11-17 | Apple Inc. | Named entity normalization in a spoken dialog system |
US11475898B2 (en) | 2018-10-26 | 2022-10-18 | Apple Inc. | Low-latency multi-speaker speech recognition |
US11638059B2 (en) | 2019-01-04 | 2023-04-25 | Apple Inc. | Content playback on multiple devices |
US11348573B2 (en) | 2019-03-18 | 2022-05-31 | Apple Inc. | Multimodality in digital assistant systems |
US11475884B2 (en) | 2019-05-06 | 2022-10-18 | Apple Inc. | Reducing digital assistant latency when a language is incorrectly determined |
US11423908B2 (en) | 2019-05-06 | 2022-08-23 | Apple Inc. | Interpreting spoken requests |
US11307752B2 (en) | 2019-05-06 | 2022-04-19 | Apple Inc. | User configurable task triggers |
DK201970509A1 (en) | 2019-05-06 | 2021-01-15 | Apple Inc | Spoken notifications |
US11140099B2 (en) | 2019-05-21 | 2021-10-05 | Apple Inc. | Providing message response suggestions |
DK201970510A1 (en) | 2019-05-31 | 2021-02-11 | Apple Inc | Voice identification in digital assistant systems |
DK180129B1 (en) | 2019-05-31 | 2020-06-02 | Apple Inc. | USER ACTIVITY SHORTCUT SUGGESTIONS |
US11289073B2 (en) | 2019-05-31 | 2022-03-29 | Apple Inc. | Device text to speech |
US11496600B2 (en) | 2019-05-31 | 2022-11-08 | Apple Inc. | Remote execution of machine-learned models |
US11360641B2 (en) | 2019-06-01 | 2022-06-14 | Apple Inc. | Increasing the relevance of new available information |
WO2021056255A1 (en) | 2019-09-25 | 2021-04-01 | Apple Inc. | Text detection using global geometry estimators |
US11651156B2 (en) * | 2020-05-07 | 2023-05-16 | Optum Technology, Inc. | Contextual document summarization with semantic intelligence |
US11043220B1 (en) | 2020-05-11 | 2021-06-22 | Apple Inc. | Digital assistant hardware abstraction |
Family Cites Families (88)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5404506A (en) | 1985-03-27 | 1995-04-04 | Hitachi, Ltd. | Knowledge based information retrieval system |
US4839853A (en) | 1988-09-15 | 1989-06-13 | Bell Communications Research, Inc. | Computer information retrieval using latent semantic structure |
NL8900587A (nl) | 1989-03-10 | 1990-10-01 | Bso Buro Voor Systeemontwikkel | Werkwijze voor het bepalen van de semantische verwantheid van lexicale componenten in een tekst. |
US5056021A (en) | 1989-06-08 | 1991-10-08 | Carolyn Ausborn | Method and apparatus for abstracting concepts from natural language |
US5325298A (en) | 1990-11-07 | 1994-06-28 | Hnc, Inc. | Methods for generating or revising context vectors for a plurality of word stems |
US5619709A (en) | 1993-09-20 | 1997-04-08 | Hnc, Inc. | System and method of context vector generation and retrieval |
US5873056A (en) | 1993-10-12 | 1999-02-16 | The Syracuse University | Natural language processing system for semantic vector representation which accounts for lexical ambiguity |
US5499360A (en) | 1994-02-28 | 1996-03-12 | Panasonic Technolgies, Inc. | Method for proximity searching with range testing and range adjustment |
US5794050A (en) | 1995-01-04 | 1998-08-11 | Intelligent Text Processing, Inc. | Natural language understanding system |
US5708822A (en) | 1995-05-31 | 1998-01-13 | Oracle Corporation | Methods and apparatus for thematic parsing of discourse |
US5768580A (en) | 1995-05-31 | 1998-06-16 | Oracle Corporation | Methods and apparatus for dynamic classification of discourse |
US5694523A (en) | 1995-05-31 | 1997-12-02 | Oracle Corporation | Content processing system for discourse |
US6061675A (en) | 1995-05-31 | 2000-05-09 | Oracle Corporation | Methods and apparatus for classifying terminology utilizing a knowledge catalog |
US5887120A (en) | 1995-05-31 | 1999-03-23 | Oracle Corporation | Method and apparatus for determining theme for discourse |
US5890123A (en) * | 1995-06-05 | 1999-03-30 | Lucent Technologies, Inc. | System and method for voice controlled video screen display |
US5680511A (en) | 1995-06-07 | 1997-10-21 | Dragon Systems, Inc. | Systems and methods for word recognition |
US5724571A (en) | 1995-07-07 | 1998-03-03 | Sun Microsystems, Inc. | Method and apparatus for generating query responses in a computer-based document retrieval system |
US6067552A (en) | 1995-08-21 | 2000-05-23 | Cnet, Inc. | User interface system and method for browsing a hypertext database |
US6112201A (en) | 1995-08-29 | 2000-08-29 | Oracle Corporation | Virtual bookshelf |
US5778367A (en) | 1995-12-14 | 1998-07-07 | Network Engineering Software, Inc. | Automated on-line information service and directory, particularly for the world wide web |
US5778364A (en) | 1996-01-02 | 1998-07-07 | Verity, Inc. | Evaluation of content of a data set using multiple and/or complex queries |
US5987404A (en) | 1996-01-29 | 1999-11-16 | International Business Machines Corporation | Statistical natural language understanding using hidden clumpings |
US5751956A (en) * | 1996-02-21 | 1998-05-12 | Infoseek Corporation | Method and apparatus for redirection of server external hyper-link references |
US5867799A (en) * | 1996-04-04 | 1999-02-02 | Lang; Andrew K. | Information system and method for filtering a massive flow of information entities to meet user information classification needs |
US5848396A (en) * | 1996-04-26 | 1998-12-08 | Freedom Of Information, Inc. | Method and apparatus for determining behavioral profile of a computer user |
US5913214A (en) * | 1996-05-30 | 1999-06-15 | Massachusetts Inst Technology | Data extraction from world wide web pages |
US6101515A (en) | 1996-05-31 | 2000-08-08 | Oracle Corporation | Learning system for classification of terminology |
US5778362A (en) | 1996-06-21 | 1998-07-07 | Kdl Technologies Limted | Method and system for revealing information structures in collections of data items |
US5918236A (en) | 1996-06-28 | 1999-06-29 | Oracle Corporation | Point of view gists and generic gists in a document browsing system |
US5933827A (en) * | 1996-09-25 | 1999-08-03 | International Business Machines Corporation | System for identifying new web pages of interest to a user |
US5956740A (en) * | 1996-10-23 | 1999-09-21 | Iti, Inc. | Document searching system for multilingual documents |
US5778363A (en) | 1996-12-30 | 1998-07-07 | Intel Corporation | Method for measuring thresholded relevance of a document to a specified topic |
US5960383A (en) | 1997-02-25 | 1999-09-28 | Digital Equipment Corporation | Extraction of key sections from texts using automatic indexing techniques |
US6247009B1 (en) | 1997-03-10 | 2001-06-12 | Canon Kabushiki Kaisha | Image processing with searching of image data |
US6119164A (en) | 1997-04-15 | 2000-09-12 | Full Circle Software, Inc. | Method and apparatus for distributing over a network unsolicited information to a targeted audience |
US5878223A (en) * | 1997-05-07 | 1999-03-02 | International Business Machines Corporation | System and method for predictive caching of information pages |
US5940821A (en) | 1997-05-21 | 1999-08-17 | Oracle Corporation | Information presentation in a knowledge base search and retrieval system |
US6038560A (en) | 1997-05-21 | 2000-03-14 | Oracle Corporation | Concept knowledge base search and retrieval system |
US6460034B1 (en) | 1997-05-21 | 2002-10-01 | Oracle Corporation | Document knowledge base research and retrieval system |
US5930788A (en) | 1997-07-17 | 1999-07-27 | Oracle Corporation | Disambiguation of themes in a document classification system |
US5933822A (en) | 1997-07-22 | 1999-08-03 | Microsoft Corporation | Apparatus and methods for an information retrieval system that employs natural language processing of search results to improve overall precision |
US5845278A (en) | 1997-09-12 | 1998-12-01 | Inioseek Corporation | Method for automatically selecting collections to search in full text searches |
US5974412A (en) | 1997-09-24 | 1999-10-26 | Sapient Health Network | Intelligent query system for automatically indexing information in a database and automatically categorizing users |
US5991756A (en) * | 1997-11-03 | 1999-11-23 | Yahoo, Inc. | Information retrieval from hierarchical compound documents |
US5953718A (en) | 1997-11-12 | 1999-09-14 | Oracle Corporation | Research mode for a knowledge base search and retrieval system |
US6134532A (en) | 1997-11-14 | 2000-10-17 | Aptex Software, Inc. | System and method for optimal adaptive matching of users to most relevant entity and information in real-time |
US6289342B1 (en) | 1998-01-05 | 2001-09-11 | Nec Research Institute, Inc. | Autonomous citation indexing and literature browsing using citation context |
US6421675B1 (en) | 1998-03-16 | 2002-07-16 | S. L. I. Systems, Inc. | Search engine |
US6044375A (en) | 1998-04-30 | 2000-03-28 | Hewlett-Packard Company | Automatic extraction of metadata using a neural network |
US6298348B1 (en) | 1998-12-03 | 2001-10-02 | Expanse Networks, Inc. | Consumer profiling system |
US6324519B1 (en) | 1999-03-12 | 2001-11-27 | Expanse Networks, Inc. | Advertisement auction system |
IT1303603B1 (it) | 1998-12-16 | 2000-11-14 | Giovanni Sacco | Procedimento a tassonomia dinamica per il reperimento di informazionisu grandi banche dati eterogenee. |
US6484161B1 (en) | 1999-03-31 | 2002-11-19 | Verizon Laboratories Inc. | Method and system for performing online data queries in a distributed computer system |
US6473730B1 (en) | 1999-04-12 | 2002-10-29 | The Trustees Of Columbia University In The City Of New York | Method and system for topical segmentation, segment significance and segment function |
US6269361B1 (en) | 1999-05-28 | 2001-07-31 | Goto.Com | System and method for influencing a position on a search result list generated by a computer network search engine |
US7065500B2 (en) | 1999-05-28 | 2006-06-20 | Overture Services, Inc. | Automatic advertiser notification for a system for providing place and price protection in a search result list generated by a computer network search engine |
US7225182B2 (en) * | 1999-05-28 | 2007-05-29 | Overture Services, Inc. | Recommending search terms using collaborative filtering and web spidering |
US6314419B1 (en) | 1999-06-04 | 2001-11-06 | Oracle Corporation | Methods and apparatus for generating query feedback based on co-occurrence patterns |
US6711585B1 (en) | 1999-06-15 | 2004-03-23 | Kanisa Inc. | System and method for implementing a knowledge management system |
AU6200300A (en) | 1999-06-24 | 2001-01-09 | Simpli.Com | Search engine interface |
US8914361B2 (en) | 1999-09-22 | 2014-12-16 | Google Inc. | Methods and systems for determining a meaning of a document to match the document to content |
US6453315B1 (en) | 1999-09-22 | 2002-09-17 | Applied Semantics, Inc. | Meaning-based information organization and retrieval |
US6816857B1 (en) * | 1999-11-01 | 2004-11-09 | Applied Semantics, Inc. | Meaning-based advertising and document relevance determination |
US8051104B2 (en) | 1999-09-22 | 2011-11-01 | Google Inc. | Editing a network of interconnected concepts |
US7925610B2 (en) | 1999-09-22 | 2011-04-12 | Google Inc. | Determining a meaning of a knowledge item using document-based information |
US6651058B1 (en) | 1999-11-15 | 2003-11-18 | International Business Machines Corporation | System and method of automatic discovery of terms in a document that are relevant to a given target topic |
US6691108B2 (en) | 1999-12-14 | 2004-02-10 | Nec Corporation | Focused search engine and method |
US6826539B2 (en) * | 1999-12-31 | 2004-11-30 | Xactware, Inc. | Virtual structure data repository and directory |
WO2001067225A2 (en) | 2000-03-06 | 2001-09-13 | Kanisa Inc. | A system and method for providing an intelligent multi-step dialog with a user |
US20010049674A1 (en) | 2000-03-30 | 2001-12-06 | Iqbal Talib | Methods and systems for enabling efficient employment recruiting |
US7028250B2 (en) | 2000-05-25 | 2006-04-11 | Kanisa, Inc. | System and method for automatically classifying text |
GB2362971B (en) | 2000-05-30 | 2004-03-24 | Com Nation Ltd | A method of searching the internet and an internet search engine |
WO2002003303A1 (en) * | 2000-07-05 | 2002-01-10 | Paid Search Engine Tools, L.L.C. | Paid search engine bid management |
GB0016974D0 (en) | 2000-07-12 | 2000-08-30 | Univ Salford The | Document retrieval system |
US20020133392A1 (en) | 2001-02-22 | 2002-09-19 | Angel Mark A. | Distributed customer relationship management systems and methods |
US7376620B2 (en) | 2001-07-23 | 2008-05-20 | Consona Crm Inc. | System and method for measuring the quality of information retrieval |
US20030189595A1 (en) | 2001-08-10 | 2003-10-09 | Beard Thomas Richard | Summary data visualisation system and method |
US20030160609A9 (en) * | 2001-08-16 | 2003-08-28 | Avenue A, Inc. | Method and facility for storing and indexing web browsing data |
US20030084066A1 (en) | 2001-10-31 | 2003-05-01 | Waterman Scott A. | Device and method for assisting knowledge engineer in associating intelligence with content |
US20030101126A1 (en) * | 2001-11-13 | 2003-05-29 | Cheung Dominic Dough-Ming | Position bidding in a pay for placement database search system |
US7206778B2 (en) | 2001-12-17 | 2007-04-17 | Knova Software Inc. | Text search ordered along one or more dimensions |
US20030115191A1 (en) | 2001-12-17 | 2003-06-19 | Max Copperman | Efficient and cost-effective content provider for customer relationship management (CRM) or other applications |
US6978264B2 (en) | 2002-01-03 | 2005-12-20 | Microsoft Corporation | System and method for performing a search and a browse on a query |
US7024624B2 (en) | 2002-01-07 | 2006-04-04 | Kenneth James Hintz | Lexicon-based new idea detector |
US20030195937A1 (en) * | 2002-04-16 | 2003-10-16 | Kontact Software Inc. | Intelligent message screening |
US7249117B2 (en) * | 2002-05-22 | 2007-07-24 | Estes Timothy W | Knowledge discovery agent system and method |
US9002783B2 (en) | 2004-09-17 | 2015-04-07 | Go Daddy Operating Company, LLC | Web page customization based on expertise level of a user |
US7792815B2 (en) * | 2006-03-06 | 2010-09-07 | Veveo, Inc. | Methods and systems for selecting and presenting content based on context sensitive user preferences |
-
2003
- 2003-10-21 US US10/690,328 patent/US7925610B2/en not_active Expired - Fee Related
-
2004
- 2004-07-23 BR BRPI0413070-7A patent/BRPI0413070A/pt not_active Application Discontinuation
- 2004-07-23 WO PCT/US2004/023826 patent/WO2005013149A1/en active Application Filing
- 2004-07-23 AU AU2004262302A patent/AU2004262302B2/en not_active Ceased
- 2004-07-23 CA CA2534053A patent/CA2534053C/en active Active
- 2004-07-23 EP EP04779061A patent/EP1649395A1/en not_active Withdrawn
-
2006
- 2006-01-31 NO NO20060501A patent/NO335884B1/no not_active IP Right Cessation
-
2011
- 2011-04-11 US US13/084,377 patent/US8433671B2/en not_active Expired - Fee Related
- 2011-05-02 AU AU2011201984A patent/AU2011201984B2/en not_active Ceased
-
2013
- 2013-04-05 US US13/857,325 patent/US9811776B2/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
CA2534053C (en) | 2012-11-27 |
AU2004262302B2 (en) | 2011-05-19 |
US20040243565A1 (en) | 2004-12-02 |
AU2011201984B2 (en) | 2013-03-21 |
NO20060501L (no) | 2006-02-24 |
EP1649395A1 (en) | 2006-04-26 |
CA2534053A1 (en) | 2005-02-10 |
US8433671B2 (en) | 2013-04-30 |
AU2011201984A1 (en) | 2011-05-19 |
US9811776B2 (en) | 2017-11-07 |
BRPI0413070A (pt) | 2006-10-17 |
AU2004262302A1 (en) | 2005-02-10 |
US7925610B2 (en) | 2011-04-12 |
US20130232099A1 (en) | 2013-09-05 |
US20110191175A1 (en) | 2011-08-04 |
WO2005013149A1 (en) | 2005-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
NO335884B1 (no) | Fremgangsmåter og system for å forstå meningen av en kunnskapsenhet ved bruk av informasjon tilknyttet kunnskapsenheten | |
CA2710238C (en) | Video quality measures | |
US8543584B2 (en) | Detection of behavior-based associations between search strings and items | |
AU2010241249B2 (en) | Methods and systems for determining a meaning of a document to match the document to content | |
US9495442B2 (en) | System and method for automatically publishing data items associated with an event | |
US20140074649A1 (en) | Grocery recommendation engine | |
US20130006760A1 (en) | Systems and methods for presenting comparative advertising | |
US8615433B1 (en) | Methods and systems for determining and utilizing selection data | |
JP4829789B2 (ja) | キーワードの翻訳方法及びコンピュータ読取可能媒体 | |
US8510289B1 (en) | Systems and methods for detecting commercial queries | |
EP1209588A2 (en) | Information distribution system and method | |
JP2019219731A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US8676790B1 (en) | Methods and systems for improving search rankings using advertising data | |
JP2023007724A (ja) | プログラム、情報処理装置、方法 | |
US20160019588A1 (en) | System and Method for Displaying Search Results | |
AU2011235994A1 (en) | Methods and systems for determining a meaning of a document to match the document to content |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM1K | Lapsed by not paying the annual fees |