RU2573764C2 - Контекстные запросы - Google Patents

Контекстные запросы Download PDF

Info

Publication number
RU2573764C2
RU2573764C2 RU2012133448/08A RU2012133448A RU2573764C2 RU 2573764 C2 RU2573764 C2 RU 2573764C2 RU 2012133448/08 A RU2012133448/08 A RU 2012133448/08A RU 2012133448 A RU2012133448 A RU 2012133448A RU 2573764 C2 RU2573764 C2 RU 2573764C2
Authority
RU
Russia
Prior art keywords
request
query
data sources
ontologies
context
Prior art date
Application number
RU2012133448/08A
Other languages
English (en)
Other versions
RU2012133448A (ru
Inventor
Муниратхнам СТРИКАНТХ
Пхани ВАДДАДИ
Тарек НАДЖМ
Original Assignee
МАЙКРОСОФТ ТЕКНОЛОДЖИ ЛАЙСЕНСИНГ, ЭлЭлСи
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by МАЙКРОСОФТ ТЕКНОЛОДЖИ ЛАЙСЕНСИНГ, ЭлЭлСи filed Critical МАЙКРОСОФТ ТЕКНОЛОДЖИ ЛАЙСЕНСИНГ, ЭлЭлСи
Publication of RU2012133448A publication Critical patent/RU2012133448A/ru
Application granted granted Critical
Publication of RU2573764C2 publication Critical patent/RU2573764C2/ru

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • 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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/80—Information retrieval; Database structures therefor; File system structures therefor of semi-structured data, e.g. markup language structured data such as SGML, XML or HTML
    • 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)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

Изобретение относится к компьютерной технике, а именно к автоматизированным поисковым системам. Техническим результатом является повышение точности представления пользователям релевантной информации за счет формирования контекстных поисковых запросов, связанных с семантическим представлением данных. Предложен компьютерно-реализуемый способ формирования контекстных запросов. Способ включает в себя этап, на котором принимают пользовательский запрос и контекст, причем контекст предоставляется одним или более приложениями, которые пользователь использует во время текущего запросного сеанса. Далее согласно способу формируют семантическое представление упомянутого запроса с использованием онтологий области знаний, при этом онтологии области знаний идентифицируют фильтры, концепты и отношения в некотором количестве категорий, а также уточняют семантическое представление с использованием фильтров, связанных с каждой областью знаний, прослеживаемой в текущем запросном сеансе. 3 н. и 17 з.п. ф-лы, 3 ил.

Description

УРОВЕНЬ ТЕХНИКИ
Традиционные поисковые службы принимают запросы от пользователей, чтобы определить веб-страницы, содержащие термины, которые совпадают с терминами, включенными в принятые запросы. Традиционно поисковые службы игнорируют контекст и значение пользовательского запроса и рассматривают запрос, как набор слов. Термины, включенные в запрос, ищутся на основе частоты, и результаты, которые включают в себя термины запроса, возвращаются поисковой службой.
Соответственно традиционные поисковые службы возвращают результаты, которые могут не удовлетворять интересы пользователя. Пользователь пытается переформулировать запрос посредством выбора слов, которые вероятнее всего найдутся в интересующем его документе. Например, пользователь, ищущий информацию об акциях, может ввести запрос «Отношение цены к прибыли (РЕ), компания А акции». Традиционная поисковая служба будет рассматривать каждое слово отдельно и возвращать документы, содержащие термин «компания А», документы, содержащие термин «отношение цены к прибыли (РЕ)», документы, содержащие термины «акции», и документы, содержащие любые из этих терминов. Традиционная поисковая служба не может разумно выбирать документы в результатах, которые обсуждают поведение акций компании А, сравнение компании А с ее конкурентом, и новостях об управлении компанией А. Пользователь должен читать различные документы в результатах, чтобы определить, включает ли какой-либо из документов информацию о поведении.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Варианты осуществления изобретения относятся к системам, способам и машиночитаемым средствам для формирования контекстных запросов. Поисковая служба принимает запрос от клиентского устройства вместе с контекстной информацией, предоставляемой приложениями, используемыми во время текущего поискового сеанса. В свою очередь, компонент понимания запроса обрабатывает контекстную информацию и запрос, чтобы сформировать семантическое представление запроса. Семантическое представление запроса дополнительно обрабатывается генератором команд источника данных, чтобы выбрать несколько команд источника данных на основе лексической информации, связанной с каждым источником данных. Команды источника данных передаются из генератора команд источника данных источникам данных, чтобы вернуть ответы и результаты поисковой службе в ответ на запрос пользователя и сформированные контекстные запросы.
Это краткое изложение сущности изобретения приведено для представления подборки концепций в упрощенном виде, которые дополнительно описаны ниже в подробном описании. Данное краткое изложение сущности изобретения не предназначено ни для идентификации ключевых признаков или существенных признаков изобретения, ни для использования в качестве ограничения при определении объема изобретения.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Иллюстративные варианты осуществления изобретения подробно описаны ниже со ссылкой на прилагаемые чертежи, которые включены в материалы настоящей заявки посредством ссылки.
Фиг. 1 - структурная схема, иллюстрирующая примерное вычислительное устройство в соответствии с вариантом осуществления изобретения.
Фиг. 2 - сетевая диаграмма, иллюстрирующая примерные компоненты компьютерной системы, сконфигурированной, чтобы формировать контекстные запросы в соответствии с вариантом осуществления изобретения.
Фиг. 3 - логическая диаграмма, иллюстрирующая машинно-исполняемый способ для формирования контекстных запросов в соответствии с вариантом осуществления изобретения.
ПОДРОБНОЕ ОПИСАНИЕ
Настоящая заявка на патент описывает изобретение для патентования со специфичностью, чтобы удовлетворить нормативным требованиям. Однако само описание не предназначено для ограничения объема настоящего патента. Скорее, изобретатели подразумевают, что изобретение также может осуществляться другими способами, чтобы включать в себя различные этапы или комбинации этапов, схожих с этапами, описанными в настоящем раскрытии, в соединении с другими настоящими или будущими технологиями. Более того, хотя термины «этап» и «блок» могут использоваться в материалах настоящей заявки, чтобы подразумевать различные элементы используемого способа, эти термины не должны интерпретироваться, как требующие какого-либо конкретного порядка среди или между различными этапами, раскрытыми в материалах настоящей заявки, за исключением ситуации, когда порядок отдельных этапов описан явно.
В качестве используемого в материалах настоящей заявки термин «контекстный запрос» указывает на команды данных, которые используются, чтобы получить доступ к источникам данных и чтобы извлечь информацию из источников данных на основе структуры информации, включенной в источник данных, и значения терминов, включенных в запрос.
В качестве используемого в материалах настоящей заявки термин «компонент» указывает на любую комбинацию аппаратного обеспечения, микропрограммного обеспечения и программного обеспечения.
Варианты осуществления изобретения предоставляют контекстные запросы, которые позволяют пользователю получать ответы на пользовательский запрос. Ответы собираются из большого набора содержимого, содержащего структурированные данные, слабоструктурированные данные и неструктурированные данные. Контекстные запросы формируются компьютерной системой на основе онтологий, связанных с терминами, включенными в запрос, и приложений, которые используются во время текущего поискового сеанса. Контекстные запросы ищут комбинацию структурированных, неструктурированных и слабоструктурированных данных для ответов на запрос.
Например, ответы на финансовые запросы пользователя возвращаются компьютерной системой, используя основанное на онтологии понимание финансовых запросов. Компьютерная система может предоставлять финансовое приложение, которое позволяет пользователю получать ответы на запросы на естественном языке, например, «Компании с отношением РЕ, близким к компании А», «Операционный доход компании А» и «Оценка компании А и В». Онтология используется компьютерной системой, чтобы понять некоторое количество ключевых отношений, которые должны рассчитываться, используя текущие данные в ответ на запросы. Ключевые отношения могут включать в себя помимо прочего «Отношение РЕ», «Отношение цены к продажам» и т.д. Запросы на естественном языке и соответствующие онтологии используются, чтобы формировать семантическое представление. Финансовое приложение может преобразовывать семантическое представление в запрос SPARQL (язык запросов к данным, представленным по модели RDF), который передается источникам данных, которые включают в себя записи, которые прослеживаются, чтобы вернуть ответы. В свою очередь, финансовое приложение возвращает сравнение этих отношений и оценочные показатели для компаний А и В.
Компьютерная система принимает запросы от пользователя. Кроме того, компьютерная система принимает контексты от одного или более приложений, прослеживаемых во время текущего поискового сеанса. Используя одну или более онтологий, компьютерная система понимает запросы и контексты и формирует семантические представления запросов и контексты приложений, в которых пользователь формулирует запрос. Концепты, экземпляры, свойства и отношения включаются в семантическое представление запросов на основе систематизации, шаблонов или определений, включенных в онтологии. В одном из вариантов осуществления семантическое представление является графом запроса, использующим извлеченные концепты, экземпляры, свойства и отношения и т.д. В свою очередь, семантическое представление может автоматически преобразовываться генератором команд источника данных в относящиеся к конкретному источнику данных языки запросов, чтобы извлечь важную информацию и ответы на запрос.
Фиг. 1 - структурная схема, иллюстрирующая примерное вычислительное устройство 100 в соответствии с вариантом осуществления изобретения. Вычислительное устройство 100 включает в себя шину 110, память 112, процессоры 114, компоненты 116 представления, порты 118 ввода/вывода (I/O), компоненты 120 ввода/вывода (I/O) и источник 122 питания. Вычислительное устройство 100 системы является всего лишь одним из примеров подходящей вычислительной среды и не имеет намерением предлагать какое-либо ограничение в отношении объема использования или функциональных возможностей изобретения. Вычислительное устройство 100 также не должно трактоваться, как имеющее какую-либо зависимость или требование, относящиеся к любому одному или сочетанию проиллюстрированных компонентов.
Вычислительное устройство 100 типично включает в себя множество машиночитаемых средств. В качестве примера, а не ограничения, машиночитаемые средства могут содержать оперативное запоминающее устройство (ОЗУ, RAM), постоянное запоминающее устройство (ПЗУ, ROM), электрически стираемое программируемое постоянное запоминающее устройство (ЭСППЗУ, EEPROM), флэш-память или другие технологии памяти, компакт-диск (CDROM), цифровые многофункциональные диски (DVD) или другие оптические или голографические средства; магнитные кассеты, магнитную ленту, магнитные дисковые запоминающие или другие магнитные запоминающие устройства, либо любое другое средство, которое может использоваться для кодирования требуемой информации и к которому может быть осуществлен доступ вычислительным устройством 100. Варианты осуществления изобретения могут реализовываться, используя компьютерный код или используемые машиной команды, включая машинно-исполняемые команды, такие как программные модули, выполняемые вычислительным устройством 100, таким как персональный информационный помощник или другое переносное устройство. Обычно программные модули, включающие в себя процедуры, программы, объекты, модули, структуры данных и тому подобное, указывают на код, который выполняет конкретные задачи или реализует конкретные абстрактные типы данных. Варианты осуществления изобретения также могут быть осуществлены на практике во множестве конфигураций систем, включая распределенные вычислительные среды, где задачи выполняются удаленными устройствами обработки, которые связаны через сеть связи.
Вычислительное устройство 100 включает в себя шину 110, которая прямо или косвенно соединяет следующие компоненты: память 112, один или более процессоров 114, один или более компонентов 116 представления, порты 118 ввода/вывода (I/O), компоненты 120 I/O и иллюстративный источник 122 питания. Шина 110 представляет собой то, что может являться одной или более шинами (такими как адресная шина, информационная шина или их комбинация). Хотя различные компоненты фиг. 1 показаны линиями для ясности, в действительности разграничение различных модулей не так очевидно, и метафорически линии более точно были бы серыми и размытыми. Например, можно рассматривать компонент 116 представления, такой как устройство отображения, являющимся компонентом 120 I/O. Также процессоры 114 содержат память 112. Не делается различение между «рабочей станцией», «сервером», «портативным устройством» и т.д., так как все они попадают в объем фиг. 1.
Память 112 включает в себя машиночитаемые средства и компьютерные запоминающие носители в форме оперативной и/или постоянной памяти. Память может являться съемной, несъемной или их комбинацией. Примерные устройства аппаратного обеспечения включают в себя твердотельную память, жесткие диски, приводы оптических дисков и т.д. Вычислительное устройство 100 включает в себя один или более процессоров 114, которые считывают данные с различных объектов, таких как память 112 или компоненты 120 I/O. Компоненты 116 представления представляют индикации данных пользователю или другим устройствам. Примерные компоненты 116 представления включают в себя устройство отображения, динамик, принтер, вибрирующий модуль и подобное. Порты 118 I/O позволяют вычислительному устройству 100 физически и логически соединяться с другими устройствами, включая компоненты 120 I/O, некоторые из которых могут быть встроенными. Иллюстративные компоненты 120 I/O могут включать в себя микрофон, джойстик, игровую панель, спутниковую антенну, сканер, принтер, беспроводное устройство и подобное.
Компьютерная система, которая формирует контекстные запросы, включает в себя поисковую службу, компонент понимания запроса и генератор команд источника данных. Контекстные запросы формируются на основе онтологий, связанных с запросом, предоставленным клиентским устройством, и онтологий, соответствующих приложениям, которые сформулировали запрос. Поисковая служба принимает запрос от клиентского устройства и контекст от приложения. В свою очередь, поисковая служба передает ответы на контекстные запросы и результаты, которые включают в себя содержимое, соответствующее запросу клиентского устройства. Клиентское устройство отображает результаты вместе с ответами.
Фиг. 2 - сетевая диаграмма, иллюстрирующая примерные компоненты компьютерной системы, сконфигурированной, чтобы формировать контекстные запросы в соответствии с вариантом осуществления изобретения. Компьютерная система 200 содержит клиентское устройство 210, сеть 220, поисковую службу 230, генератор 240 команд источника данных и компонент 250 понимания запроса.
Клиентское устройство 210 соединено с поисковой службой 230 через сеть 220. В некоторых вариантах осуществления клиентское устройство 210 может являться любым вычислительным устройством, которое способно получать доступ к сети. По существу, клиентское устройство 210 может принимать множество различных форм, таких как персональный компьютер (ПК, PC), ноутбук, мобильный телефон, персональный цифровой помощник (PDA), сервер, CD-проигрыватель, МР3-проигрыватель, видеоплеер, портативные устройства связи, рабочая станция, любая комбинация этих выделенных устройств или любое другое устройство, способное получать доступ к сети.
Клиентское устройство 210 позволяет пользователю вводить запросы. Клиентское устройство 210 передает запросы поисковой службе 230. В некоторых вариантах осуществления клиентское устройство 210 также передает контекст, связанный с приложением, используемым пользователем, чтобы сформулировать запрос. В других вариантах осуществления поисковая служба 230 может предоставлять контекст. В свою очередь, клиентское устройство 210 принимает результаты, которые включают в себя ответы. Клиентское устройство 210 также может отображать ответы на контекстные запросы и результаты запросов пользователей.
Сеть 220 соединяет клиентское устройство 210 поисковую службу 230, генератор 240 команд источника данных и компонент 250 понимания запроса. Сеть 220 может быть проводной, беспроводной или обеими. Сеть 220 может включать в себя множественные сети или сети сетей. Например, сеть 220 может включать в себя одну или более глобальных вычислительных сетей (WAN), одну или более локальных вычислительных сетей (LAN), одну или более общественных сетей, таких как интернет, или одну или более частных сетей. В беспроводных сетях компоненты, такие как базовая станция, мачта связи, или даже точки доступа (а также и другие компоненты) могут предоставлять беспроводное соединение в некоторых вариантах осуществления. Хотя отдельные компоненты проиллюстрированы для ясности, специалист в данной области техники понимает, что сеть 220 может осуществлять взаимодействие между любым количеством клиентских устройств 210.
Поисковая служба 230 является серверным компьютером, который предоставляет результаты запросов, принятых от клиентских устройств 210, и ответы на контекстные запросы, динамически формируемые генератором 240 команд источника данных. Поисковая служба 230 сконфигурирована, чтобы принимать пользовательские запросы и контексты приложений. Поисковая служба 230 возвращает результаты пользовательских запросов и ответы на контекстные запросы. В некоторых вариантах осуществления поисковая служба 230 возвращает только ответы на контекстные запросы.
Генератор 240 команд источника данных коммуникативно соединен с компонентом 250 понимания запросов. В одном из вариантов осуществления генератор 240 команд источника данных включает в себя фильтры 242 и лексическую информацию 244. Генератор 240 команд источника данных сконфигурирован, чтобы преобразовывать семантическое представление, предоставляемое компонентом 250 понимания запросов, в контекстные запросы, которые применяются ко множеству источников данных, используя команды источника данных, выбранные на основе лексической информации 244, связанной с каждым источником данных. В одном из вариантов осуществления источники данных включают в себя неструктурированные, структурированные или слабоструктурированные источники данных, к которым делаются запросы, используя один из языка структурированных запросов (SQL), языка запросов к данным, представленным по модели RDF (SPARQL), или запросов текстового ключевого слова.
Фильтры 242 сконфигурированы, чтобы уточнять семантическое представление, предоставленное компонентом 250 понимания запросов. Фильтры 242 уточняют семантическое представление посредством расширения семантического представления на основе информации, связанной с текущим запросным сеансом. В одном из вариантов осуществления фильтр 242 включает в себя область знаний, сотрудничество, географию, время, задание и пользователя. Фильтр области знаний может определяться на основе контекста приложения. Например, пользователь, ищущий запасы, может интересоваться финансовой областью или областью кулинарии. Генератор 240 команд источника данных может выбирать одну из этих областей знаний на основе других фильтров 242. Например, фильтры сотрудничества или общества могут указывать, что пользователь связан с кулинарными группами или финансовыми группами. На основе группы, связанной с пользователем, генератор 240 команд источника данных выбирает значимый фильтр области знаний. Например, пользователь в финансовом сообществе вероятнее всего интересуется акциями компании. Соответственно фильтр области знаний может быть установлен на финансы. Географический фильтр может включать в себя текущее местоположение пользователя. Например, пользователь, который является британским субъектом в Англии, может отправить запрос, и географический фильтр может быть установлен на Англию компьютерной системой 200. Временной фильтр может включать в себя временные рамки запроса. Если дата или время не включены в запрос, временной фильтр может быть установлен на текущий 24-часовой период времени. Фильтр задания может выбираться на основе приложения, используемого пользователем, или может выводиться компьютерной системой 200. Фильтр задания может включать в себя проверку электронной почты, поиск содержимого, редактирование документа, т.д. Фильтр пользователя может включать в себя атрибуты профиля, которые перекрывают значения, выбранные другими фильтрами 242. Например, пользователь, являющийся британским субъектом, может указать в своем профиле, что его интересы включают в себя рынок акций США. Соответственно географическая информация для запроса об акциях может изменяться с Англии на Соединенные Штаты Америки. Эти значения для фильтров 242 включаются в семантическое представление, которое преобразуется в контекстные запросы посредством генератора 240 команд источника данных.
Компонент 244 лексической информации является частью генератора 240 команд источника данных. Компонент 244 лексической информации используется, чтобы выбирать источники данных, которые должны принимать контекстные запросы. Источники данных, содержащие лексическую информацию, схожую с терминами контекстного запроса, выбираются, чтобы принять контекстный запрос. В одном из вариантов осуществления компонент 244 лексической информации сохраняет лексическую информацию, связанную с онтологиями и источниками данных, которые хранят содержимое, которое прослежено поисковой службой. В некоторых вариантах осуществления интеллектуальный анализ текста выполняется компьютерной системой на каждом источнике данных, чтобы выбрать лексическую информацию, связанную с каждым источником данных, которая хранится в компоненте 244 лексической информации.
В свою очередь, генератор 240 команд источника данных формирует контекстные запросы, которые отправляются выбранным источникам данных. Семантическое представление запроса может дополнительно обрабатываться, чтобы выбрать подходящие команды для выбранных источников данных. Доступ к компоненту 244 лексической информации, онтологиям 252 и правилам 254 осуществляется, чтобы выделить методы для каждого источника данных, которыми осуществляется доступ к или вычисляется значимая информация из источника данных, на основе семантического описания концептов, свойств и отношений, включенных в семантическое представление.
Компонент 250 понимания запросов сконфигурирован, чтобы хранить онтологии 252, которые выделяют тип запроса и тип контекста. Компонент 250 понимания запросов также предоставляет правила 254, связанные с элементами в онтологиях 252, которые расширяют семантическое представление и выделяют методы, которыми осуществляется доступ к или вычисляется значимая информация из источников данных, на основе семантического описания концептов, свойств и отношений, выраженных в онтологиях 252. Например, тип запроса может выделять один или более типов ввода и один или более типов вывода, где типы ввода и вывода соответствуют концептам, экземплярам, свойствам или отношениям в онтологии запроса или онтологии контекста.
Компонент 250 понимания запросов сконфигурирован, чтобы формировать семантическое представление запроса и контекста. Онтология запроса и онтология контекста может использоваться компонентом 250 понимания запроса, чтобы сформировать граф семантического представления на основе универсальных идентификаторов ресурса (URI), связанных с каждым концептом, экземпляром и т.д., включенным в онтологии 252. Семантическое представление обусловлено подходящими правилами контекста пользовательского запроса и контекста приложения.
В одном из вариантов осуществления граф является семантическим представлением запроса (SQR), который форматируется на расширяемом языке разметки (XML). SQR может включать в себя следующие узлы: тип запроса (QT), контекст (СХТ) и шаблоны отображения (DSP). Например, запрос на естественном языке для компании А может иметь следующее SQR <QT : профиль экземпляра : компания; тип экземпляра : акции; URI экземпляра : компания А> <СХТ : естественный язык, финансы> <DSP : название компании, символ, новости>.
В зависимости от источника данных семантическое представление запроса переводится в относящиеся к источнику данных запросы, чтобы извлечь значимые ответы и информацию из этих источников данных. В семантическом представлении QT является формальным представлением иерархии различных типов запросов, которые приложение может ожидать от его пользователей. Каждый QT квалифицируется набором параметров ввода и вывода, которые облегчают расширения других частей онтологии. СХТ является формальным представлением иерархии различных типов контекстов, в которых пользовательский запрос может быть охвачен и интерпретирован. СХТ может явно определяться приложениями, с которыми взаимодействует пользователь, чтобы отправлять запросы, или неявно извлекаться из текста запроса. Каждый СХТ выделяет условия и критерии для интерпретации концептов, экземпляров и т.д. в заданном запросе. СХТ может либо расширять, либо устранять неоднозначность концептов, экземпляров и т.д., включенных в семантическое представление запроса. Семантический граф структурирован согласно шаблонам QT и СХТ, связанным с типом запроса в онтологии типа запроса и типом контекста в онтологии типа контекста, и лексической информации, связанной с каждым источником данных.
Онтологии 252 включают в себя слова или фразы, которые соответствуют содержимому в источниках данных. Каждая онтология 252 включает в себя систематизацию области знаний и связь между словами или фразами в области знаний. Области знаний могут включать в себя медицину, искусство, компьютеры и т.д. В одном из вариантов осуществления онтологии 252 также сохраняют тип запроса и тип контекста. Тип запроса выделяет тип и структуру текстовых пользовательских запросов. Например, тип запроса может включать в себя естественный язык, структурированную, линейную команду и т.д. Тип контекста идентифицирует и организовывает различные типы контекстов, в которых может быть выражен запрос. Например, контекст может включать в себя поисковую службу, приложение электронной почты, финансовое приложение и т.д. Онтология 252 связана с правилами 254. Правила могут указываться ссылкой в семантическом представлении запроса, используя URI, соответствующий подходящему правилу.
Правила 254 выделяют концепты, экземпляры, свойства и отношения среди множества областей. В некоторых вариантах осуществления правила 254 могут определять методы или функции, которые используются, чтобы вычислить результаты из данных, включенных в источники данных. Например, правила 254 могут включать в себя схемы сравнения, математические функции, статистические функции или другие эвристики. В других вариантах осуществления правила 254 также могут быть связаны с функциями, определенными в командах, доступных для источников данных.
В варианте осуществления ответы передаются клиентскому устройству на основе контекстных запросов, которые динамически формируются из запросов, принятых от пользователя клиентского устройства. Компьютерная система может выполнять машинно-исполняемый способ для динамического формирования контекстных запросов на основе онтологий, соответствующих запросу, и приложения, используемого пользователем при формировании запроса.
Фиг. 3 - логическая диаграмма, иллюстрирующая машинно-исполняемый способ для формирования контекстных запросов в соответствии с вариантом осуществления изобретения. Способ начинается на этапе 310, когда компьютерная система подключается к сети клиентских устройств.
На этапе 320 компьютерная система принимает пользовательский запрос и контекст приложения. Контекст предоставляется приложением, которое пользователь использует во время текущего запросного сеанса. На этапе 330 компьютерная система формирует семантическое представление запроса, используя онтологии области знаний. Компьютерная система определяет тип запроса и контекста, используя онтологии запроса и контекста. Структура для семантического представления извлекается из шаблона, связанного с типом запроса, включенным в онтологию запроса, или типом контекста, включенным в онтологию контекста.
Семантическое представление уточняется, используя фильтры, связанные с каждой областью знаний, прослеживаемой в текущем запросном сеансе, на этапе 340. Фильтры дополняют семантическое представление критериями, связанными с одним или более приложениями, используемыми пользователем во время запроса текущего запросного сеанса. На этапе 350 компьютерная система выбирает одну или более команд источника данных, чтобы отправить их источникам данных, имеющим содержимое, связанное с терминами в запросе. В конкретных вариантах осуществления источники данных включают в себя структурированные источники данных, неструктурированные источники данных и слабоструктурированные источники данных. Структурированные источники данных запрашиваются с использованием одного из языка структурированных запросов (SQL), языка запросов к данным, представленным по модели RDF (SPARQL). Неструктурированные или слабоструктурированные источники данных запрашиваются с использованием запросов текстового ключевого слова. Способ завершается на этапе 360.
Таким образом, контекстные запросы позволяют пользователю прослеживать множество источников данных, используя информацию, встроенную в онтологии, связанные с запросом, предоставленным пользователем, и онтологиями, связанными с приложениями, используемыми, чтобы сформировать запрос. Например, пользователь может отправить запрос поисковой службе, которая вернет некоторое количество результатов. Вдобавок поисковая служба может также предоставить ответы, связанные с контекстными запросами, сформулированными из пользовательского запроса.
Например, ответы на финансовые запросы пользователя возвращаются компьютерной системой, используя основанное на онтологии понимание финансовых запросов. Компьютерная система может предоставлять финансовое приложение, которое позволяет пользователю получать ответы на запросы на естественном языке, например «Компании с отношением РЕ, близким к компании А», «Операционный доход компании А» и «Оценка компании А и В». Обработка последнего запроса может использовать онтологию, чтобы понять, что оценка включает в себя определенное количество ключевых отношений, которые должны быть рассчитаны, используя текущие данные. Ключевые отношения могут включать в себя помимо прочего «Отношение РЕ», «Отношение цены к продажам» и т.д. В свою очередь, финансовое приложение возвращает сравнение этих отношений и оценочные показатели для компаний А и В. Запросы на естественном языке и соответствующие онтологии используются, чтобы сформировать семантическое представление. Финансовое приложение может преобразовывать семантическое представление в запрос SPARQL, который передается источникам данных, которые включают в себя записи, которые прослеживаются, чтобы вернуть ответы.
Компьютерная система принимает запрос: «MSFT более высокое РЕ» от пользователя и контекст приложения: «финансы» и «естественный язык» из финансового приложения. Компьютерная система выделяет онтологию финансов и онтологию естественного языка. В свою очередь, запрос преобразуется с использованием лингвистической интерпретации в «MSFT более высокое/высокое - 1 РЕ». Финансовая онтология может использоваться, чтобы дополнительно преобразовать семантическое представление, используя математические операторы и определение отношения РЕ.
Семантическое представление преобразуется в «MSFT более высокое/высокое - 1 схема сравнения РЕ». Компьютерная система может применять некоторое количество фильтров, чтобы уточнить семантическое представление. В варианте осуществления семантическое представление является графом запроса, формируемым, используя онтологии. Фильтры включают в себя область знаний, сотрудничество, географию, время, задание и интересы пользователя. После применения этих фильтров компьютерная система преобразует запрос в «Тикер MSFTUS/тикер более высокое превосходящее - 1 РЕ/отношение РЕ Дата: сегодня». В свою очередь, семантическое представление преобразуется в команды источника данных. Компьютерная система может отправить следующее: Ticker.PeRatio>MSFTQUS.PERatio&&Date=today. Эта команда источника данных отправляется множеству источников данных, чтобы найти ответы.
Множество различных систематизаций различных изображенных компонентов, а также не показанных компонентов, возможны без отклонения от сущности и объема изобретения. Варианты осуществления изобретения были описаны с намерением быть скорее иллюстративными, чем ограничительными. Понятно, что определенные признаки и субкомбинации являются полезными и могут использоваться без ссылки на другие признаки и субкомбинации, и подразумеваются включенными в объем формулы изобретения. Не все этапы, перечисленные на различных чертежах, должны выполняться в конкретном описанном порядке.

Claims (20)

1. Компьютерно-реализуемый способ формирования контекстных запросов, содержащий этапы, на которых:
принимают пользовательский запрос и контекст, причем контекст предоставляется одним или более приложениями, которые пользователь использует во время текущего запросного сеанса;
формируют семантическое представление упомянутого запроса с использованием онтологий области знаний, при этом онтологии области знаний идентифицируют фильтры, концепты и отношения в некотором количестве категорий;
уточняют семантическое представление с использованием фильтров, связанных с каждой областью знаний, прослеживаемой в текущем запросном сеансе, при этом некоторые фильтры дополняют семантическое представление критериями упомянутых одного или более приложений, используемых пользователем во время текущего запросного сеанса; и
выбирают одну или более команд источника данных для их выдачи по отношению к источникам данных, имеющим содержимое, связанное с терминами в упомянутом запросе, на основе упомянутых контекста и семантического представления.
2. Способ по п. 1, в котором некоторые фильтры включают в себя математические операторы, которые связаны с упомянутыми одним или более приложениями, используемыми пользователем.
3. Способ по п. 1, дополнительно содержащий этап, на котором определяют тип запроса и контекста с использованием онтологий запроса и контекста.
4. Способ по п. 3, в котором структура для семантического представления получается из шаблона, связанного с типом запроса, включенным в онтологию запроса.
5. Способ по п. 1, в котором контексты приложения для одного или более приложений выбираются из онтологий области знаний при формировании семантического представления запроса.
6. Способ по п. 1, в котором источники данных включают в себя структурированные источники данных, неструктурированные источники данных и слабоструктурированные источники данных.
7. Способ по п. 6, в котором структурированные источники данных запрашиваются с использованием одного из языка структурированных запросов (SQL) и языка запросов к данным, представленным по модели RDF (SPARQL).
8. Способ по п. 6, в котором неструктурированные или слабоструктурированные источники данных запрашиваются с использованием текстовых запросов с ключевыми словами.
9. Способ по п. 6, в котором команды источника данных выбираются на основе лексической информации, связанной с каждым источником данных.
10. Машиночитаемый носитель, сконфигурированный выполнять способ обработки запросов, содержащий:
прием пользовательского запроса и контекста, причем контекст предоставляется одним или более приложениями, которые пользователь использует во время текущего запросного сеанса;
формирование семантического представления запроса с использованием онтологий области знаний;
уточнение семантического представления с использованием фильтров, связанных с каждой областью знаний, прослеживаемой в текущем запросном сеансе, при этом некоторые фильтры дополняют семантическое представление критериями упомянутых одного или более приложений, используемых пользователем во время текущего запросного сеанса; и
выбор одной или более команд источника данных для их выдачи по отношению к источнику данных, имеющему содержимое, связанное с терминами в упомянутом запросе.
11. Носитель по п. 10, причем некоторые фильтры включают в себя математические операторы, которые связаны с упомянутыми одним или более приложениями, используемыми пользователем в течение упомянутого сеанса.
12. Носитель по п. 10, причем способ дополнительно содержит определение типа запроса и контекста с использованием онтологий запроса и контекста.
13. Носитель по п. 12, причем структура для семантического представления получается из шаблона, связанного с типом запроса, включенным в онтологию запроса.
14. Носитель по п. 10, причем контексты приложения для упомянутых одного или более приложений выбираются из онтологий области знаний при формировании семантического представления запроса.
15. Носитель по п. 10, причем источник данных включает в себя структурированные источники данных, неструктурированные источники данных и слабоструктурированные источники данных.
16. Носитель по п. 15, причем структурированные источники данных запрашиваются с использованием одного из языка структурированных запросов (SQL) и языка запросов к данным, представленным по модели RDF (SPARQL).
17. Носитель по п. 15, причем неструктурированные или слабоструктурированные источники данных запрашиваются с использованием текстовых запросов с ключевыми словами.
18. Компьютерная система, содержащая процессоры и запоминающие устройства, сконфигурированные формировать контекстные запросы, причем система дополнительно содержит:
поисковую машину, сконфигурированную принимать пользовательские запросы и контексты;
компонент понимания запроса, сконфигурированный хранить онтологии, которые идентифицируют тип запроса и тип приложения, причем тип запроса идентифицирует один или более типов ввода и один или более типов вывода, при этом типы ввода и вывода соответствуют концептам, экземплярам, свойствам или отношениям в онтологии области знаний или онтологии приложения; и
генератор команд источника данных, соединенный с возможностью обмена данными с компонентом понимания запроса, при этом генератор команд источника данных сконфигурирован преобразовывать семантическое представление, предоставляемое компонентом понимания запроса, в контекстные запросы, которые применяются к множеству источников данных, используя команды источника данных, выбранные на основе лексической информации, связанной с каждым источником данных.
19. Компьютерная система по п. 18, в которой онтологии предоставляют правила, которые расширяют семантическое представление запроса и идентифицируют методы, которыми осуществляется доступ к или вычисление релевантной информации из источников данных, на основе семантического описания концептов, свойств и отношений, выраженных в онтологиях.
20. Компьютерная система по п. 18, в которой источники данных включают в себя неструктурированные, структурированные и слабоструктурированные источники данных и запрашиваются с использованием одного из языка структурированных запросов (SQL), языка запросов к данным, представленным по модели RDF (SPARQL), и текстовых запросов с ключевыми словами.
RU2012133448/08A 2010-02-05 2011-01-13 Контекстные запросы RU2573764C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US12/700,985 US8983989B2 (en) 2010-02-05 2010-02-05 Contextual queries
US12/700,985 2010-02-05
PCT/US2011/021210 WO2011097057A2 (en) 2010-02-05 2011-01-13 Contextual queries

Publications (2)

Publication Number Publication Date
RU2012133448A RU2012133448A (ru) 2014-02-10
RU2573764C2 true RU2573764C2 (ru) 2016-01-27

Family

ID=44354492

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2012133448/08A RU2573764C2 (ru) 2010-02-05 2011-01-13 Контекстные запросы

Country Status (8)

Country Link
US (1) US8983989B2 (ru)
EP (1) EP2531941A4 (ru)
JP (1) JP5654051B2 (ru)
KR (1) KR101775742B1 (ru)
CN (1) CN102725757B (ru)
AU (1) AU2011213263B2 (ru)
RU (1) RU2573764C2 (ru)
WO (1) WO2011097057A2 (ru)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8903794B2 (en) 2010-02-05 2014-12-02 Microsoft Corporation Generating and presenting lateral concepts
US8150859B2 (en) 2010-02-05 2012-04-03 Microsoft Corporation Semantic table of contents for search results
US8983989B2 (en) 2010-02-05 2015-03-17 Microsoft Technology Licensing, Llc Contextual queries
US20110302149A1 (en) * 2010-06-07 2011-12-08 Microsoft Corporation Identifying dominant concepts across multiple sources
US8515979B2 (en) * 2010-06-18 2013-08-20 Verizon Patent And Licensing, Inc. Cross application execution service
US8751487B2 (en) * 2011-02-28 2014-06-10 International Business Machines Corporation Generating a semantic graph relating information assets using feedback re-enforced search and navigation
US9646110B2 (en) 2011-02-28 2017-05-09 International Business Machines Corporation Managing information assets using feedback re-enforced search and navigation
US9721006B2 (en) * 2011-03-21 2017-08-01 Lexisnexis, A Division Of Reed Elsevier Inc. Systems and methods for enabling searches of a document corpus and generation of search queries
US20130031076A1 (en) 2011-07-28 2013-01-31 Kikin, Inc. Systems and methods for contextual searching of semantic entities
US9639616B2 (en) 2011-10-10 2017-05-02 Salesforce.Com, Inc. Methods and systems for performing time-partitioned collaborative filtering
US9141253B2 (en) * 2011-10-14 2015-09-22 Autodesk, Inc. In-product questions, answers, and tips
US8880496B2 (en) * 2011-12-18 2014-11-04 Microsoft Corporation Map-based selection of query component
EP2836920A4 (en) 2012-04-09 2015-12-02 Vivek Ventures Llc PROCESSING CLASSIFIED INFORMATION AND SEARCH USING A BRIDGE BETWEEN STRUCTURED AND UNSTRUCTURED DATABASES
US9372938B2 (en) * 2012-06-21 2016-06-21 Cray Inc. Augmenting queries when searching a semantic database
WO2014127500A1 (en) * 2013-02-19 2014-08-28 Google Inc. Natural language processing based search
US10380105B2 (en) * 2013-06-06 2019-08-13 International Business Machines Corporation QA based on context aware, real-time information from mobile devices
US9720972B2 (en) 2013-06-17 2017-08-01 Microsoft Technology Licensing, Llc Cross-model filtering
US20160012102A1 (en) * 2014-07-08 2016-01-14 Microsoft Corporation Searching with contextually related queries
US9798801B2 (en) 2014-07-16 2017-10-24 Microsoft Technology Licensing, Llc Observation-based query interpretation model modification
US9842166B1 (en) * 2014-08-08 2017-12-12 Google Llc Semi structured question answering system
US9880714B2 (en) * 2014-10-30 2018-01-30 Ebay Inc. Dynamic loading of contextual ontologies for predictive touch screen typing
CN104615734B (zh) * 2015-02-10 2017-10-03 合肥工业大学 一种社区管理服务大数据处理系统及其处理方法
IN2015CH03914A (ru) * 2015-07-30 2015-08-14 Wipro Ltd
US9959311B2 (en) * 2015-09-18 2018-05-01 International Business Machines Corporation Natural language interface to databases
CN113093917A (zh) 2015-09-28 2021-07-09 微软技术许可有限责任公司 统一的虚拟现实平台
US10992625B2 (en) 2015-09-28 2021-04-27 Microsoft Technology Licensing, Llc Unified messaging platform
US10296647B2 (en) * 2015-10-05 2019-05-21 Oath Inc. Method and system for intent-driven searching
US11074251B2 (en) 2016-03-31 2021-07-27 Schneider Electric USA, Inc. Semantic search systems and methods for a distributed data system
US10650007B2 (en) * 2016-04-25 2020-05-12 Microsoft Technology Licensing, Llc Ranking contextual metadata to generate relevant data insights
CN109643311B (zh) * 2016-06-23 2023-10-03 施耐德电气美国股份有限公司 用于分布式系统的事务性非结构化数据驱动的顺序联合查询方法
US20180075128A1 (en) * 2016-09-13 2018-03-15 Adobe Systems Incorporated Identifying Key Terms Related to an Entity
WO2018081717A1 (en) 2016-10-31 2018-05-03 El Kaed Charbel Joseph Semantic search and rule methods for a distributed data system
CN110546603A (zh) * 2017-04-25 2019-12-06 惠普发展公司，有限责任合伙企业 机器学习命令交互
WO2018209086A1 (en) * 2017-05-10 2018-11-15 Agora Intelligence, Inc. d/b/a Crowdz Method, apparatus, and computer-readable medium for generating categorical and criterion-based search results from a search query
US10956420B2 (en) * 2017-11-17 2021-03-23 International Business Machines Corporation Automatically connecting external data to business analytics process
US11526510B2 (en) 2017-11-21 2022-12-13 Schneider Electric USA, Inc. Semantic search method for a distributed data system with numerical time series data
US11030226B2 (en) * 2018-01-19 2021-06-08 International Business Machines Corporation Facilitating answering questions involving reasoning over quantitative information
CN108509547B (zh) * 2018-03-20 2020-12-11 中国长城科技集团股份有限公司 一种信息管理方法、信息管理系统及电子设备
CN108509543B (zh) * 2018-03-20 2021-11-02 福州大学 一种基于Spark Streaming的流式RDF数据多关键词并行搜索方法
US11520830B2 (en) 2019-01-10 2022-12-06 International Business Machines Corporation Semantic queries based on semantic representation of programs and data source ontologies
US11941031B2 (en) 2019-01-15 2024-03-26 Google Llc Systems and methods for specifying OLAP cube at query time
US20200387551A1 (en) * 2019-06-07 2020-12-10 Microsoft Technology Licensing, Llc Example-based ontology training for natural language query processing
CN111191458B (zh) * 2019-12-20 2023-05-16 中国科学院软件研究所 一种基于上下文的语义匹配方法和系统
US11347800B2 (en) 2020-01-02 2022-05-31 International Business Machines Corporation Pseudo parse trees for mixed records
KR102381339B1 (ko) * 2020-01-29 2022-04-01 주식회사 엔씨소프트 질문 생성 장치 및 질문 생성 방법
US11853381B2 (en) * 2020-11-13 2023-12-26 Google Llc Hybrid fetching using a on-device cache
WO2024015320A1 (en) * 2022-07-11 2024-01-18 Pryon Incorporated Visual structure of documents in question answering

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2343537C2 (ru) * 2003-03-31 2009-01-10 Майкрософт Корпорейшн Компьютерный поиск с помощью ассоциативных связей
RU2365986C2 (ru) * 2003-06-06 2009-08-27 Майкрософт Корпорейшн Архитектура многоуровневого брандмауэра

Family Cites Families (186)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8028A (en) * 1851-04-08 Hokse-poweb
US5012A (en) * 1847-03-13 Cutting- stone
JPH0793364A (ja) * 1993-09-24 1995-04-07 Nippon Telegr & Teleph Corp <Ntt> 文形式変換装置
US5758257A (en) 1994-11-29 1998-05-26 Herz; Frederick System and method for scheduling broadcast of and access to video programs and other data using customer profiles
US5748974A (en) * 1994-12-13 1998-05-05 International Business Machines Corporation Multimodal natural language interface for cross-application tasks
US6038560A (en) 1997-05-21 2000-03-14 Oracle Corporation Concept knowledge base search and retrieval system
US6154213A (en) 1997-05-30 2000-11-28 Rennison; Earl F. Immersive movement-based interaction with large complex information structures
US8396824B2 (en) 1998-05-28 2013-03-12 Qps Tech. Limited Liability Company Automatic data categorization with optimally spaced semantic seed terms
US6256031B1 (en) 1998-06-26 2001-07-03 Microsoft Corporation Integration of physical and virtual namespace
US7152031B1 (en) 2000-02-25 2006-12-19 Novell, Inc. Construction, manipulation, and comparison of a multi-dimensional semantic space
US6510406B1 (en) 1999-03-23 2003-01-21 Mathsoft, Inc. Inverse inference engine for high performance web search
US7275061B1 (en) 2000-04-13 2007-09-25 Indraweb.Com, Inc. Systems and methods for employing an orthogonal corpus for document indexing
AU4954200A (en) 1999-06-04 2000-12-28 Seiko Epson Corporation Document sorting method, document sorter, and recorded medium on which document sorting program is recorded
US8051104B2 (en) 1999-09-22 2011-11-01 Google Inc. Editing a network of interconnected concepts
US6681218B1 (en) 1999-11-04 2004-01-20 International Business Machines Corporation System for managing RDBM fragmentations
US6820111B1 (en) 1999-12-07 2004-11-16 Microsoft Corporation Computer user interface architecture that saves a user's non-linear navigation history and intelligently maintains that history
JP2003519840A (ja) 2000-01-06 2003-06-24 アイゴットペイン．コム，インコーポレイティド 意思決定のシステムおよび方法
US6556983B1 (en) 2000-01-12 2003-04-29 Microsoft Corporation Methods and apparatus for finding semantic information, such as usage logs, similar to a query using a pattern lattice data space
US6868525B1 (en) 2000-02-01 2005-03-15 Alberti Anemometer Llc Computer graphic display visualization system and method
US7350138B1 (en) 2000-03-08 2008-03-25 Accenture Llp System, method and article of manufacture for a knowledge management tool proposal wizard
US6859800B1 (en) 2000-04-26 2005-02-22 Global Information Research And Technologies Llc System for fulfilling an information need
US6567805B1 (en) 2000-05-15 2003-05-20 International Business Machines Corporation Interactive automated response system
US6968332B1 (en) 2000-05-25 2005-11-22 Microsoft Corporation Facility for highlighting documents accessed through search or browsing
US6675159B1 (en) 2000-07-27 2004-01-06 Science Applic Int Corp Concept-based search and retrieval system
US20020049738A1 (en) 2000-08-03 2002-04-25 Epstein Bruce A. Information collaboration and reliability assessment
US20030217052A1 (en) 2000-08-24 2003-11-20 Celebros Ltd. Search engine method and apparatus
US20020062368A1 (en) 2000-10-11 2002-05-23 David Holtzman System and method for establishing and evaluating cross community identities in electronic forums
US6560600B1 (en) 2000-10-25 2003-05-06 Alta Vista Company Method and apparatus for ranking Web page search results
US7249018B2 (en) * 2001-01-12 2007-07-24 International Business Machines Corporation System and method for relating syntax and semantics for a conversational speech application
US6823333B2 (en) 2001-03-02 2004-11-23 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System, method and apparatus for conducting a keyterm search
US20040030741A1 (en) 2001-04-02 2004-02-12 Wolton Richard Ernest Method and apparatus for search, visual navigation, analysis and retrieval of information from networks with remote notification and content delivery
US7089226B1 (en) 2001-06-28 2006-08-08 Microsoft Corporation System, representation, and method providing multilevel information retrieval with clarification dialog
US20050108200A1 (en) 2001-07-04 2005-05-19 Frank Meik Category based, extensible and interactive system for document retrieval
JP3732762B2 (ja) 2001-07-11 2006-01-11 日本電信電話株式会社 意味情報スイッチ、意味情報ルータ、方法、記録媒体、プログラム
US20050022114A1 (en) 2001-08-13 2005-01-27 Xerox Corporation Meta-document management system with personality identifiers
US7225183B2 (en) 2002-01-28 2007-05-29 Ipxl, Inc. Ontology-based information management system and method
US7153137B2 (en) 2002-02-11 2006-12-26 Sap Ag Offline e-courses
US20060004732A1 (en) 2002-02-26 2006-01-05 Odom Paul S Search engine methods and systems for generating relevant search results and advertisements
US7716199B2 (en) 2005-08-10 2010-05-11 Google Inc. Aggregating context data for programmable search engines
US8229957B2 (en) 2005-04-22 2012-07-24 Google, Inc. Categorizing objects, such as documents and/or clusters, with respect to a taxonomy and data structures derived from such categorization
US7085771B2 (en) 2002-05-17 2006-08-01 Verity, Inc System and method for automatically discovering a hierarchy of concepts from a corpus of documents
US7398209B2 (en) 2002-06-03 2008-07-08 Voicebox Technologies, Inc. Systems and methods for responding to natural language speech utterance
US20090254510A1 (en) 2006-07-27 2009-10-08 Nosa Omoigui Information nervous system
ITFI20020113A1 (it) 2002-06-26 2003-12-29 Perini Fabio Spa Dispositivo goffratore e laminatore con gruppo di cilindri goffratoriintercambiabile
US20040003351A1 (en) 2002-06-28 2004-01-01 Microsoft Corporation Navigating a resource browser session
US7225407B2 (en) 2002-06-28 2007-05-29 Microsoft Corporation Resource browser sessions search
US7292243B1 (en) 2002-07-02 2007-11-06 James Burke Layered and vectored graphical user interface to a knowledge and relationship rich data source
US20040015483A1 (en) * 2002-07-16 2004-01-22 Hogan Ronald W. Document tracking system and method
FR2847056B1 (fr) 2002-11-08 2006-03-03 Surgiview Procede et systeme de traitement de donnees d'evaluation
JP3974511B2 (ja) 2002-12-19 2007-09-12 インターナショナル・ビジネス・マシーンズ・コーポレーション 情報検索のためのデータ構造を生成するコンピュータ・システム、そのための方法、情報検索のためのデータ構造を生成するコンピュータ実行可能なプログラム、情報検索のためのデータ構造を生成するコンピュータ実行可能なプログラムを記憶したコンピュータ可読な記憶媒体、情報検索システム、およびグラフィカル・ユーザ・インタフェイス・システム
US20040169688A1 (en) 2003-02-27 2004-09-02 Microsoft Corporation Multi-directional display and navigation of hierarchical data and optimization of display area consumption
CA2536271A1 (en) 2003-08-21 2005-03-03 Idilia Inc. System and method for associating documents with contextual advertisements
US8086619B2 (en) 2003-09-05 2011-12-27 Google Inc. System and method for providing search query refinements
US7454417B2 (en) 2003-09-12 2008-11-18 Google Inc. Methods and systems for improving a search ranking using population information
US7584181B2 (en) 2003-09-30 2009-09-01 Microsoft Corporation Implicit links search enhancement system and method for search engines using implicit links generated by mining user access patterns
US7240049B2 (en) 2003-11-12 2007-07-03 Yahoo! Inc. Systems and methods for search query processing using trend analysis
JP4145776B2 (ja) 2003-11-28 2008-09-03 株式会社東芝 質問応答装置および質問応答方法
US7937340B2 (en) 2003-12-03 2011-05-03 Microsoft Corporation Automated satisfaction measurement for web search
US7383171B2 (en) * 2003-12-05 2008-06-03 Xerox Corporation Semantic stenography using short note input data
JP2005165958A (ja) 2003-12-05 2005-06-23 Ibm Japan Ltd 情報検索システム、情報検索支援システム及びその方法並びにプログラム
US7451131B2 (en) 2003-12-08 2008-11-11 Iac Search & Media, Inc. Methods and systems for providing a response to a query
US7774721B2 (en) 2003-12-15 2010-08-10 Microsoft Corporation Intelligent backward resource navigation
US20060106793A1 (en) 2003-12-29 2006-05-18 Ping Liang Internet and computer information retrieval and mining with intelligent conceptual filtering, visualization and automation
US20050149510A1 (en) 2004-01-07 2005-07-07 Uri Shafrir Concept mining and concept discovery-semantic search tool for large digital databases
US7167866B2 (en) 2004-01-23 2007-01-23 Microsoft Corporation Selective multi level expansion of data base via pivot point data
US7421450B1 (en) 2004-02-06 2008-09-02 Mazzarella Joseph R Database extensible application development environment
US7376670B2 (en) * 2004-02-20 2008-05-20 Alcatel-Lucent System and method for provisioning presence application services
US7171424B2 (en) 2004-03-04 2007-01-30 International Business Machines Corporation System and method for managing presentation of data
US20050203924A1 (en) 2004-03-13 2005-09-15 Rosenberg Gerald B. System and methods for analytic research and literate reporting of authoritative document collections
GB0407816D0 (en) 2004-04-06 2004-05-12 British Telecomm Information retrieval
US7448047B2 (en) 2004-04-29 2008-11-04 Sybase, Inc. Database system with methodology for providing stored procedures as web services
US8977859B2 (en) 2004-05-04 2015-03-10 Elsevier, Inc. Systems and methods for data compression and decompression
US7487145B1 (en) 2004-06-22 2009-02-03 Google Inc. Method and system for autocompletion using ranked results
KR100971164B1 (ko) 2004-07-01 2010-07-20 노키아 코포레이션 이동 장치 애플리케이션 개인화에 콘텍스트 온톨로지를 활용하는 방법, 장치 및 컴퓨터 프로그램 생성물
US7958115B2 (en) 2004-07-29 2011-06-07 Yahoo! Inc. Search systems and methods using in-line contextual queries
US7603349B1 (en) 2004-07-29 2009-10-13 Yahoo! Inc. User interfaces for search systems using in-line contextual queries
US20060069617A1 (en) 2004-09-27 2006-03-30 Scott Milener Method and apparatus for prefetching electronic data for enhanced browsing
US20070011155A1 (en) 2004-09-29 2007-01-11 Sarkar Pte. Ltd. System for communication and collaboration
WO2006039566A2 (en) 2004-09-30 2006-04-13 Intelliseek, Inc. Topical sentiments in electronically stored communications
US7565627B2 (en) 2004-09-30 2009-07-21 Microsoft Corporation Query graphs indicating related queries
CN1609859A (zh) 2004-11-26 2005-04-27 孙斌 搜索结果聚类的方法
CA2500573A1 (en) 2005-03-14 2006-09-14 Oculus Info Inc. Advances in nspace - system and method for information analysis
US7620628B2 (en) 2004-12-06 2009-11-17 Yahoo! Inc. Search processing with automatic categorization of queries
WO2006062868A2 (en) 2004-12-06 2006-06-15 Yahoo! Inc. Systems and methods for managing and using multiple concept networks for assisted search processing
US20060167848A1 (en) 2005-01-26 2006-07-27 Lee Hang S Method and system for query generation in a task based dialog system
US7505985B2 (en) 2005-02-25 2009-03-17 International Business Machines Corporation System and method of generating string-based search expressions using templates
US7694212B2 (en) 2005-03-31 2010-04-06 Google Inc. Systems and methods for providing a graphical display of search activity
US20060248078A1 (en) 2005-04-15 2006-11-02 William Gross Search engine with suggestion tool and method of using same
US7577646B2 (en) 2005-05-02 2009-08-18 Microsoft Corporation Method for finding semantically related search engine queries
EP1889179A2 (en) * 2005-05-27 2008-02-20 Hakia, Inc. System and method for natural language processing and using ontological searches
US20060287919A1 (en) 2005-06-02 2006-12-21 Blue Mustard Llc Advertising search system and method
US20060287983A1 (en) * 2005-06-16 2006-12-21 Microsoft Corporation Avoiding slow sections in an information search
US8176041B1 (en) 2005-06-29 2012-05-08 Kosmix Corporation Delivering search results
US7743360B2 (en) 2005-07-05 2010-06-22 Microsoft Corporation Graph browser and implicit query for software development
US7321883B1 (en) * 2005-08-05 2008-01-22 Perceptronics Solutions, Inc. Facilitator used in a group decision process to solve a problem according to data provided by users
US7668825B2 (en) 2005-08-26 2010-02-23 Convera Corporation Search system and method
WO2007028134A2 (en) 2005-09-02 2007-03-08 Metallect Corporation System and method for integrating and adopting a service-oriented architecture
US8688673B2 (en) 2005-09-27 2014-04-01 Sarkar Pte Ltd System for communication and collaboration
US7921109B2 (en) 2005-10-05 2011-04-05 Yahoo! Inc. Customizable ordering of search results and predictive query generation
US7822699B2 (en) 2005-11-30 2010-10-26 Microsoft Corporation Adaptive semantic reasoning engine
US8832064B2 (en) 2005-11-30 2014-09-09 At&T Intellectual Property Ii, L.P. Answer determination for natural language questioning
US8903810B2 (en) 2005-12-05 2014-12-02 Collarity, Inc. Techniques for ranking search results
US20070174255A1 (en) 2005-12-22 2007-07-26 Entrieva, Inc. Analyzing content to determine context and serving relevant content based on the context
US7856446B2 (en) 2005-12-27 2010-12-21 Baynote, Inc. Method and apparatus for determining usefulness of a digital asset
US7676485B2 (en) 2006-01-20 2010-03-09 Ixreveal, Inc. Method and computer program product for converting ontologies into concept semantic networks
US7657546B2 (en) * 2006-01-26 2010-02-02 International Business Machines Corporation Knowledge management system, program product and method
US7610279B2 (en) 2006-01-31 2009-10-27 Perfect Market, Inc. Filtering context-sensitive search results
US8386469B2 (en) * 2006-02-16 2013-02-26 Mobile Content Networks, Inc. Method and system for determining relevant sources, querying and merging results from multiple content sources
US8843467B2 (en) 2007-05-15 2014-09-23 Samsung Electronics Co., Ltd. Method and system for providing relevant information to a user of a device in a local network
US7818315B2 (en) 2006-03-13 2010-10-19 Microsoft Corporation Re-ranking search results based on query log
EP1843256A1 (en) 2006-04-03 2007-10-10 British Telecmmunications public limited campany Ranking of entities associated with stored content
US7636779B2 (en) 2006-04-28 2009-12-22 Yahoo! Inc. Contextual mobile local search based on social network vitality information
US7870117B1 (en) 2006-06-01 2011-01-11 Monster Worldwide, Inc. Constructing a search query to execute a contextual personalized search of a knowledge base
EP2030132A4 (en) 2006-06-02 2010-07-14 Telcordia Tech Inc INDEXING AND RECOVERING MEDIA CROSSED FROM A CONCEPT AND RECOVERING VOICE DOCUMENTS
CA2549536C (en) 2006-06-06 2012-12-04 University Of Regina Method and apparatus for construction and use of concept knowledge base
US20080033932A1 (en) 2006-06-27 2008-02-07 Regents Of The University Of Minnesota Concept-aware ranking of electronic documents within a computer network
US8386509B1 (en) 2006-06-30 2013-02-26 Amazon Technologies, Inc. Method and system for associating search keywords with interest spaces
US8856145B2 (en) 2006-08-04 2014-10-07 Yahoo! Inc. System and method for determining concepts in a content item using context
US7668813B2 (en) 2006-08-11 2010-02-23 Yahoo! Inc. Techniques for searching future events
US7693865B2 (en) 2006-08-30 2010-04-06 Yahoo! Inc. Techniques for navigational query identification
US20100036797A1 (en) 2006-08-31 2010-02-11 The Regents Of The University Of California Semantic search engine
US7577643B2 (en) 2006-09-29 2009-08-18 Microsoft Corporation Key phrase extraction from query logs
US9817902B2 (en) 2006-10-27 2017-11-14 Netseer Acquisition, Inc. Methods and apparatus for matching relevant content to user intention
US8924197B2 (en) 2006-10-31 2014-12-30 Semantifi, Inc. System and method for converting a natural language query into a logical query
NO325864B1 (no) 2006-11-07 2008-08-04 Fast Search & Transfer Asa Fremgangsmåte ved beregning av sammendragsinformasjon og en søkemotor for å støtte og implementere fremgangsmåten
US7930302B2 (en) * 2006-11-22 2011-04-19 Intuit Inc. Method and system for analyzing user-generated content
US7921092B2 (en) 2006-12-04 2011-04-05 Yahoo! Inc. Topic-focused search result summaries
US8086600B2 (en) 2006-12-07 2011-12-27 Google Inc. Interleaving search results
US20090234814A1 (en) 2006-12-12 2009-09-17 Marco Boerries Configuring a search engine results page with environment-specific information
KR100837751B1 (ko) 2006-12-12 2008-06-13 엔에이치엔(주) 문서 집합을 기반으로 단어 간의 연관도를 측정하는 방법및 상기 방법을 수행하는 시스템
US7809705B2 (en) 2007-02-13 2010-10-05 Yahoo! Inc. System and method for determining web page quality using collective inference based on local and global information
US7860853B2 (en) 2007-02-14 2010-12-28 Provilla, Inc. Document matching engine using asymmetric signature generation
US8214347B2 (en) 2007-02-16 2012-07-03 Funnelback Pty Ltd. Search result sub-topic identification system and method
JP2008235185A (ja) 2007-03-23 2008-10-02 Sumitomo Electric Ind Ltd フレキシブルフラットケーブル
US7788269B2 (en) 2007-03-30 2010-08-31 International Business Machines Corporation Integration of predefined multi-dimensional and flexibly-ordered dynamic search interfaces
US20080256056A1 (en) 2007-04-10 2008-10-16 Yahoo! Inc. System for building a data structure representing a network of users and advertisers
US8122016B1 (en) 2007-04-24 2012-02-21 Wal-Mart Stores, Inc. Determining concepts associated with a query
CN100592293C (zh) 2007-04-28 2010-02-24 李树德 基于智能本体的知识搜索引擎及其实现方法
US7970721B2 (en) 2007-06-15 2011-06-28 Microsoft Corporation Learning and reasoning from web projections
US9323827B2 (en) 2007-07-20 2016-04-26 Google Inc. Identifying key terms related to similar passages
US8205166B2 (en) * 2007-07-20 2012-06-19 International Business Machines Corporation Methods for organizing information accessed through a web browser
US20100131085A1 (en) 2007-09-07 2010-05-27 Ryan Steelberg System and method for on-demand delivery of audio content for use with entertainment creatives
JP2009080624A (ja) 2007-09-26 2009-04-16 Toshiba Corp 情報表示装置、方法及びプログラム
US9268856B2 (en) 2007-09-28 2016-02-23 Yahoo! Inc. System and method for inclusion of interactive elements on a search results page
US20090089078A1 (en) 2007-09-28 2009-04-02 Great-Circle Technologies, Inc. Bundling of automated work flow
US20090100037A1 (en) 2007-10-15 2009-04-16 Yahoo! Inc. Suggestive meeting points based on location of multiple users
US8032480B2 (en) 2007-11-02 2011-10-04 Hunch Inc. Interactive computing advice facility with learning based on user feedback
US8862608B2 (en) 2007-11-13 2014-10-14 Wal-Mart Stores, Inc. Information retrieval using category as a consideration
US7921108B2 (en) 2007-11-16 2011-04-05 Iac Search & Media, Inc. User interface and method in a local search system with automatic expansion
US8090724B1 (en) 2007-11-28 2012-01-03 Adobe Systems Incorporated Document analysis and multi-word term detector
US8452768B2 (en) 2007-12-17 2013-05-28 Yahoo! Inc. Using user search behavior to plan online advertising campaigns
US10002189B2 (en) 2007-12-20 2018-06-19 Apple Inc. Method and apparatus for searching using an active ontology
US8126880B2 (en) 2008-02-22 2012-02-28 Tigerlogic Corporation Systems and methods of adaptively screening matching chunks within documents
US8694526B2 (en) 2008-03-18 2014-04-08 Google Inc. Apparatus and method for displaying search results using tabs
US20090254574A1 (en) * 2008-04-04 2009-10-08 University Of Surrey Method and apparatus for producing an ontology representing devices and services currently available to a device within a pervasive computing environment
JP5150341B2 (ja) 2008-04-10 2013-02-20 株式会社東芝 データ作成装置及び方法
US20090299853A1 (en) 2008-05-27 2009-12-03 Chacha Search, Inc. Method and system of improving selection of search results
WO2009155281A1 (en) 2008-06-17 2009-12-23 The Trustees Of Columbia University In The City Of New York System and method for dynamically and interactively searching media data
US8805844B2 (en) 2008-08-04 2014-08-12 Liveperson, Inc. Expert search
US8788476B2 (en) 2008-08-15 2014-07-22 Chacha Search, Inc. Method and system of triggering a search request
US10311445B2 (en) 2008-08-20 2019-06-04 Palo Alto Research Center Incorporated Inference detection enabled by internet advertising
US8122017B1 (en) 2008-09-18 2012-02-21 Google Inc. Enhanced retrieval of source code
CN101364239B (zh) 2008-10-13 2011-06-29 中国科学院计算技术研究所 一种分类目录自动构建方法及相关系统
US8671096B2 (en) * 2008-10-24 2014-03-11 International Business Machines Corporation Methods and apparatus for context-sensitive information retrieval based on interactive user notes
US20100138402A1 (en) 2008-12-02 2010-06-03 Chacha Search, Inc. Method and system for improving utilization of human searchers
US7934161B1 (en) 2008-12-09 2011-04-26 Jason Adam Denise Electronic search interface technology
US8706709B2 (en) 2009-01-15 2014-04-22 Mcafee, Inc. System and method for intelligent term grouping
CN102625933B (zh) 2009-06-22 2015-11-25 联邦科学和工业研究机构 用于传感器的本体驱动的查询和编程的方法和系统
US8122042B2 (en) 2009-06-26 2012-02-21 Iac Search & Media, Inc. Method and system for determining a relevant content identifier for a search
US8447760B1 (en) 2009-07-20 2013-05-21 Google Inc. Generating a related set of documents for an initial set of documents
US8180768B2 (en) 2009-08-13 2012-05-15 Politecnico Di Milano Method for extracting, merging and ranking search engine results
EP2629211A1 (en) 2009-08-21 2013-08-21 Mikko Kalervo Väänänen Method and means for data searching and language translation
WO2011022867A1 (en) 2009-08-24 2011-03-03 Hewlett-Packard Development Company, L.P. Method and apparatus for searching electronic documents
US8538982B2 (en) 2009-08-31 2013-09-17 Google Inc. Framework for selecting and presenting answer boxes relevant to user input as query suggestions
US20110125734A1 (en) 2009-11-23 2011-05-26 International Business Machines Corporation Questions and answers generation
US20110131205A1 (en) 2009-11-28 2011-06-02 Yahoo! Inc. System and method to identify context-dependent term importance of queries for predicting relevant search advertisements
US20110131157A1 (en) 2009-11-28 2011-06-02 Yahoo! Inc. System and method for predicting context-dependent term importance of search queries
US8938466B2 (en) 2010-01-15 2015-01-20 Lexisnexis, A Division Of Reed Elsevier Inc. Systems and methods for ranking documents
US8150859B2 (en) 2010-02-05 2012-04-03 Microsoft Corporation Semantic table of contents for search results
US8903794B2 (en) 2010-02-05 2014-12-02 Microsoft Corporation Generating and presenting lateral concepts
US8983989B2 (en) 2010-02-05 2015-03-17 Microsoft Technology Licensing, Llc Contextual queries
US8260664B2 (en) 2010-02-05 2012-09-04 Microsoft Corporation Semantic advertising selection from lateral concepts and topics
US20110231395A1 (en) 2010-03-19 2011-09-22 Microsoft Corporation Presenting answers
US8572076B2 (en) 2010-04-22 2013-10-29 Microsoft Corporation Location context mining
US9361387B2 (en) 2010-04-22 2016-06-07 Microsoft Technology Licensing, Llc Context-based services
US20110307460A1 (en) 2010-06-09 2011-12-15 Microsoft Corporation Navigating relationships among entities

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2343537C2 (ru) * 2003-03-31 2009-01-10 Майкрософт Корпорейшн Компьютерный поиск с помощью ассоциативных связей
RU2365986C2 (ru) * 2003-06-06 2009-08-27 Майкрософт Корпорейшн Архитектура многоуровневого брандмауэра

Also Published As

Publication number Publication date
KR101775742B1 (ko) 2017-09-06
WO2011097057A2 (en) 2011-08-11
AU2011213263B2 (en) 2014-09-11
WO2011097057A3 (en) 2011-10-06
RU2012133448A (ru) 2014-02-10
JP2013519156A (ja) 2013-05-23
AU2011213263A1 (en) 2012-08-02
US8983989B2 (en) 2015-03-17
CN102725757A (zh) 2012-10-10
CN102725757B (zh) 2015-12-16
KR20120123399A (ko) 2012-11-08
EP2531941A4 (en) 2016-11-16
EP2531941A2 (en) 2012-12-12
US20110196852A1 (en) 2011-08-11
JP5654051B2 (ja) 2015-01-14

Similar Documents

Publication Publication Date Title
RU2573764C2 (ru) Контекстные запросы
US20110231395A1 (en) Presenting answers
JP7406873B2 (ja) 質問および回答の語彙のグラフを使用する照会拡張
US20230273923A1 (en) Generating and/or utilizing a machine learning model in response to a search request
US9495387B2 (en) Images for a question answering system
US20100318537A1 (en) Providing knowledge content to users
US9081953B2 (en) Defense against search engine tracking
AU2009251198B2 (en) Entity assessment and ranking
US20110010342A1 (en) System, method, and apparatus for replicating a portion of a content repository using behavioral patterns
US7818341B2 (en) Using scenario-related information to customize user experiences
US10102246B2 (en) Natural language consumer segmentation
US20100191740A1 (en) System and method for ranking web searches with quantified semantic features
Sheth Semantic Services, Interoperability and Web Applications: Emerging Concepts: Emerging Concepts
US20220083549A1 (en) Generating query answers from a user&#39;s history
US9886479B2 (en) Managing credibility for a question answering system
US9811592B1 (en) Query modification based on textual resource context
US20090006354A1 (en) System and method for knowledge based search system
US20190171756A1 (en) Cognitive decision system for security and log analysis using associative memory mapping in graph database
US11868341B2 (en) Identification of content gaps based on relative user-selection rates between multiple discrete content sources
WO2023086135A1 (en) Eyes-on analysis results for improving search quality
Connor et al. Improving web information retrieval using shared contexts

Legal Events

Date Code Title Description
HZ9A Changing address for correspondence with an applicant
MM4A The patent is invalid due to non-payment of fees

Effective date: 20190114