CN105518647A - 用于创建和实施人工智能代理或***的***和方法 - Google Patents
用于创建和实施人工智能代理或***的***和方法 Download PDFInfo
- Publication number
- CN105518647A CN105518647A CN201480047138.5A CN201480047138A CN105518647A CN 105518647 A CN105518647 A CN 105518647A CN 201480047138 A CN201480047138 A CN 201480047138A CN 105518647 A CN105518647 A CN 105518647A
- Authority
- CN
- China
- Prior art keywords
- individual character
- session
- response
- target individual
- relevant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
Abstract
公开了一种用于创建和实施人工智能代理或***的***和相关方法。在至少一个实施方式中,目标个性实施在至少一个计算设备上的存储器中并配置成用于对从至少一个通信实体接收的至少一个会话输入做出响应。至少一个会话个性配置成用于根据需要与目标个性会话,以向为目标个性提供合适的知识和响应。针对由目标个性接收的每个会话输入,首先处理该会话输入以推导与每个会话输入相关的至少一个核心含义。确定合适的原始响应并将其格式化,然后将该原始响应传输至通信实体。因此,即使从至少一个会话个性被获取到由目标个性提供的一些响应,目标个性也能够继续会话。
Description
相关申请的交叉引用
本申请要求于2013年7月5日提交的题目为“SYSTEMSANDMETHODSFORCREATINGANDIMPLEMENTINGANARTIFICIALLYINTELLIGENTAGENTCOMPUTERPERSONALITY(用于创建和实施人工智能代理计算机个性的***和方法)”的第61/843,230号美国临时申请的优先权并有权享有该美国临时申请的申请日。上述申请的内容通过引用并入本文。
技术领域
本专利申请的主题大体涉及人工智能,更具体地涉及用于创建和实施人工智能代理或***的***和方法。
背景技术
作为背景,随着计算机的发展,人们已经试图构造能够思考、学习、以及与人类进行智能会话的计算机,即“人工智能”。这种人工智能计算机的一个发展关注于研发能够进行会话的计算机。因此,研发人工智能计算机的关键部分是研发允许计算机处理从人类接收的输入和以合适且有说服力的输出进行响应的语言。一种这样的语言被称为人工智能标记语言(“AIML”)。
AIML通过诸如人工语言因特网计算机实体(“ALICE”)的AIML解释器进行解释和处理。AIML解释器设计成从用户接收输入,并使用以AIML进行编码并存储于AIML知识库中的知识确定正确的响应。在得出用于具体输入的响应时,AIML解释器在AIML知识库内搜索类别列表。每个类别包括与单个响应模板联系的样式。AIML解释器将用户输入与AIML知识库中的可用样式匹配。在从样式中找到匹配项之后,样式的对应响应模板被激活并且由AIML解释器执行一系列的动作。
用于创建这种计算机个性的、公知的现有方法通常包括手动创建和编辑该知识库和相关响应模板(通常被称为“问答对”或“QR对”)。同样地,创建具有相对高水平的人工智能的计算机个性的过程可能是劳动力非常密集的且可能花费数千甚至数万小时来形成可信任的个性。此外,根据给定计算机个性将使用于的具体环境(即,医学领域、工程领域、一般消费领域等),每个离散的计算机个性可能需要QR对的独特集合。因此,需要用于使创建适于期望环境的人工智能计算机个性的过程自动化的***和方法。
现有技术中已知有多种类型的人工神经网络。前向传送神经网络处理的问题为不能处理XOR逻辑问题。之后,研发了后向传送网络。近来,涉及所有这些发明的问题已经以盲点的形式出现。
另外,在多种现有***中发现的缺陷根据语法和标点来识别句子内部的元素。当试图使这些***适于输入设备是语音识别而非文本的环境时,这存在无法克服的缺陷。代表当前技术的***中所存在的其它问题包括缺乏灵活性。因为这些***作为标准件被发布,所以其对于具体版本可使用的时间周期是固定的。随着交会,这使得当其遇到变化的技术环境时其难以适应变化的技术环境。实施升级包括发布新版本,该新版本导致版本问题且在适用新版本时经常迫使整个***不得不下线。其它问题包括对象表示以及需要用于表示人工智能代理或***可能遇到的已知或未知的任意对象的简单方式。
在本领域中,已知已经对创建标准化对象表示格式作出诸多尝试。这些尝试中的多种典型尝试之一是OWL。所有尝试具有的问题在于,其激发了人工智能领域中的多个激烈争辩之一:人工智能代理或***真的智能吗?或者其智力仅仅是程序员智力的延伸吗?在某种程度上,人工智能代理或***试图识别对象并根据预定的分类集合来存储对象。这赋予使用本体论的任何人工智能代理或***必然如通过创建分类的程序员的眼睛所见的世界视角,以及使用将具有相同世界视角的存在论,并且此外使用本体论的任何人工智能代理或***将具有相同的视角。
此外,在设计用于个人使用的人工智能***的背景中,诸如在智能电话和其它移动设备上使用,这种现有***通常面临多种缺陷,包括个人数据的受限保护或者没有保护,这包括用户所感知的缺乏具有人工智能的公司如何使用个人数据的可控性。已经进行了诸多尝试,以确保个人数据的安全,其中该数据被获取、存储并之后被用作个人代理的人工智能代理或***访问。迄今为止,所有的这些尝试在一定程度上均失败。另一显著问题在于,当多个用户访问单个移动式或其它类型的设备时,单一个性将呈现给该多个用户。又一显著问题在于以下实际情况:由单个个体拥有的每个设备具有其自身的人工智能,即诸如个人信息的某些元素是复制的且不可在各设备之间传送。本领域众所周知,对于人工智能个人代理的研发已经进行了诸多尝试。最著名的一些尝试包括SIRI和Cortana。这些面临若干问题。一个这样的问题在于,其不能在设备之间共享公用信息库。另外,用于人类交互(诸如声音)的人工通用智能(“AGI”)的具体方面在各设备之间应当一致。换言之,给定的个人助理应在不同设备之间具有相同的声音,且能够访问在用户从不同的设备访问代理时在具体的设备上生成数据。这可最好地称为“漫游个性”。再一些问题集中在用于个人数据访问的认证方法。
本发明的诸方面涉及通过提供如下面详细描述的用于创建和实施人工智能计算机个性的***和方法来解决所有这些问题。
申请人特此通过引用将本申请中引用的或提及的任意和所有专利和公开专利申请并入本文。
发明内容
本发明的诸方面在结构和使用上教导某些益处,其引起如下所述的示例性有益效果。
本发明通过提供用于创建和实施位于至少一个计算设备上的存储器中的人工智能代理或***的***和相关方法,解决如上所述的问题。在至少一个实施方式中,目标个性在至少一个计算设备上的存储器中实施,并配置成用于通过响应从至少一个通信实体接收的至少一个会话输入,而与至少一个通信实体交互。至少一个人工智能会话个性也在至少一个计算设备上的存储器中实施,每个会话个性配置成用于根据需要与目标个性会话,以便为目标个性提供合适的知识和相关响应。针对由目标个性接收的每个会话输入,首先处理该会话输入,以推导与会话输入相关的至少一个核心含义。确定对于至少一个核心含义的合适原始响应,然后在该原始响应传输至通信实体之前对其进行格式化。因此,即使由目标个性提供的一个或多个响应从至少一个会话个性实时地被获取,目标个性也能够保持继续会话,从而一直动态地提高目标个性的人工智能。
通过结合附图的、以下更加详细的说明,本发明各方面的其它特征和有益效果将显而易见。附图以示例的方式示出了本发明的各方面的原理。
附图说明
附图示出了本发明的各方面。在附图中:
图1是根据至少一个实施方式的用于创建人工智能计算机个性的示例性***的架构图;
图2是根据至少一个实施方式的用于创建人工智能计算机个性的示例性方法的流程图;
图3和图4是根据至少一个实施方式的用于创建人工智能计算机个性的示例性***的示意图;
图5是根据至少一个实施方式的示例性目标个性的架构图;
图6是根据至少一个实施方式的用于从会话输入提取核心含义的示例性方法的流程图;
图7是根据至少一个实施方式的用于处理和对至少一个会话输入做出响应的示例性方法的流程图;
图8是根据至少一个实施方式的示例性响应文件的图;
图9是根据至少一个实施方式的用于格式化和对传输核心含义做出响应的的示例性方法的流程图;
图10和图11是根据至少一个实施方式的示例性对象文件的图;
图12是根据至少一个实施方式的用于处理对象的示例性方法的流程图;以及
图13是根据至少一个实施方式的用于动态地和安全地使示例性计算机个性个性化的示例性方法的流程图。
上述附图示出了本发明在至少一个示例性实施方式中的诸方面,在以下描述中详细进一步限定了本发明的示例性实施方式。根据一个或多个实施方式,不同附图中由相同的标记表示的本发明的特征、元件和方面表示相同、等同或类似的特征、元件或方面。
具体实施方式
下面参照图1,其示出了根据至少一个实施方式的用于创建人工智能代理或***的示例性***20的架构图。在示例性实施方式中,***20包括目标个性22、至少一个会话个性24、教师个性(teacherpersonality)26和数据服务器28,每个都位于至少一个计算设备32上的存储器30中。应注意的是,术语“存储器”旨在包括当前已知或之后研发的任意类型的电子存储媒介(或存储媒介的组合),诸如本地硬盘、RAM、闪速存储器、外部存储设备、网络或云存储设备等。此外,***20的各部件可位于单个计算设备32上的存储器30中,或者可分离地位于彼此通信的两个或更多计算设备32上。术语“计算设备”旨在包括当前已知或之后研发的任意类型的计算设备,诸如台式计算机、智能电话、膝上型计算机、平板计算机等。此外,当***20的各部件未位于单个计算设备32上时,用于允许***20的各部件之间的通信的装置可以是当前已知或之后研发的基于有线的通信协议或者基于无线的通信协议(或各协议的组合)。还应注意,虽然在整个说明书中使用了术语“个性”,但是术语“代理”和“***”均可与术语“个性”互换地使用;反之亦然-部分地取决于使用***和相关方法的上下文。
继续参照图1,每个会话个性24是先前已由本***20或经由当前已知或之后研发的其它装置创建的计算机个性。如下面进一步讨论,至少一个会话个性24配置成用于根据需要与目标个性22会话,以向目标个性22提供合适知识和相关响应。根据***20所用于的背景,给定的会话个性24可具有通用知识库和相关响应(用于一般会话),或者可具有目标的或特定的知识库和相关响应。例如,如果目标个性22使用在将用作医生助手的背景中,则至少一个会话个性24将优选地具有医学知识库和相关响应。在另一示例中,如果目标个性22使用在将用作医院管理员的背景中,则至少一个会话个性24将优选地具有医学知识库和相关响应,而另一会话个性24将优选地具有商务和/或管理知识库以及相关响应。在至少一种这样的实施方式和在合适的情况下,目标个性22和/或至少一个会话个性24能够访问一个或多个补充数据源(未示出)(诸如医学词典、因特网搜索引擎、百科全书等),以选择性地增加目标个性22和/或会话个性24的知识库。优选地,将在使用之前通过***20验证从任何这种补充数据源获取的信息的准确性。
教师个性26是先前已由本***20或经由当前已知或之后研发的其它装置创建的又一计算机个性。如下面进一步讨论的,教师个性26预编程有会话输入34的集合,其中,会话输入34的集合包括适于待创建目标个性22的具体类型的各种陈述和/或询问。因此,教师个性26配置成用于与目标个性22会话(即,向目标个性22传输会话输入34),以使得目标个性22可通过与至少一个会话个性24交互以及从至少一个会话个性24接收合适的响应,而学习如何恰当地对会话输入34做出响应。
因此,如图2的流程图所示,用于创建人工智能计算机个性的示例性方法包括以下步骤:选择用于待创建的新目标个性22的期望个性类型(200);基于期望的个性类型,选择一个或多个合适的会话个性24(202);选择合适的教师个性26(204);以及通过允许目标个性22与教师个性26会话并从至少一个会话个性24选择性地获取合适的响应而教导目标个性22(206)。图3示出了根据至少一个实施方式的教师个性26、目标个性22和会话个性24中的每个之间的这种互操作性的示意图。如图4的示意图所示,一旦充分教导或者甚至在教导过程期间,用户36可由教师个性26替代以与目标个性22进行一般***互。因此一般而言,在至少一个实施方式中,***20通过从至少一个通信实体(即,用户36、教师个性26等)接收会话输入34,而允许这种通信实体与目标个性22选择性地交互。
下面参照图5的架构图,在示例性实施方式中,目标个性22通过包括预处理器38、逻辑处理器40和后处理器42来使用优化聚类神经网。如下面进一步讨论,预处理器38配置成用于处理从用户36(或教师个性26)接收的会话输入34;逻辑处理器40配置成用于确定每个会话输入34的合适原始响应44(即,尚未被格式化以传输至用户36或教师个性26的响应)和执行由具体输入触发的任意切换任务;以及后处理器42配置成用于恰当地将响应46格式化并对于每个会话输入34向用户36(或教师个性26)传输响应46。应注意的是,在至少一个实施方式中,每个会话个性24包括这些相同的组件。此外,在至少一个实施方式中且如下面进一步讨论,预处理器38、逻辑处理器40和后处理器42中的每个包括一个或多个特定目的的神经元(“SPN”)或模块组成,每个SPN设计成用于执行特定的预定任务。
如上所述,预处理器38配置成用于处理从用户36(或教师个性26)接收的会话输入34。换言之,预处理器38将每个会话输入34削减成只剩下核心含义48,以将该核心含义48传送至逻辑处理器40用于确定合适响应。因此,在该具体实施方式中,预处理器38不为了语言元素而解析文本;而是相反地,分解会话输入34,以确定会话输入34各自的核心含义48。例如,会话输入34“Howareyou”、“Howareyoufeeling”、“Howareyoufeeling,Vincent”和“Howareyoudoing”全部是映射至单个核心含义48“howareyou”的询问。更具体地且如图6的流程图所示,在示例性实施方式中,预处理器38在接收到会话输入34(600)时,首先从会话输入34去除任意和所有标点(602)。这允许目标个性22以与将语音转换成文本时的方式完全相同的方式进行响应,并且允许目标个性22能够检测和对转调做出响应。接下来,预处理器38去除任何不重要的语言(即,会话输入34中确定为与核心含义48没有实际关系的语言)(604)。例如,会话输入34“Hey,Vince,howareyoufeeling”包括语言“Hey,Vince”,由于“Hey,Vince”与核心含义48“howareyou”没有实际关系而可认为是的无关紧要的。在至少一个实施方式中,预处理器38还配置成用于识别会话输入34中具体核心含义48的变型并将这些变型映射至合适的核心含义48(即,利用合适的核心含义48替代这些变型)(606)。例如,会话输入34“What'syourname”将映射至核心含义48“whatisyourname”(即利用核心含义48“whatisyourname”替代会话输入34“What'syourname”)。在另一示例中,会话输入34“Howyadoin”将映射至核心含义48“howareyou”。除了映射字符串之外,在至少一个实施方式中,预处理器38还配置成用于映射数字,即将基于字符的数字(例如,“两个”)映射至其数值表示(例如,“2”),或者反之亦然。
在至少一个这样的实施方式中,预处理器38将函数的关系列表保持在XML文件中,且每个函数包括唯一的会话输入34以及会话输入34应映射至的核心含义48。因此,在这种实施方式中,对于给定的会话输入34,预处理器38在函数列表中简单地迭代,直到找到匹配的会话输入34,此时相关函数返回对应的核心含义48。同样地,模糊字符串替换的这种形式允许预处理器38将各种会话输入34映射至合适的核心含义48。在又一这种实施方式中,模糊字符串替换算法能够接受和返回变量,这允许预处理器38向逻辑处理器40传送动态创建的核心含义48,而不是只传送静态的核心含义48。例如,如果会话输入34是“Ifacaristraveling60milesanhour,howfarwillittravelin2hours”,则预处理器38将首先在函数列表中进行迭代,直到找到会话输入34的匹配的静态部分,此时相关函数将返回包括会话输入34的变量部分的合适核心含义48。因此,在上述示例中,核心含义48为“solvex=60×2”。在又一实施方式中,可替代为目前已知或之后研发的、用于完成该具体功能的其它方法,诸如查找表或数据库。
在更进一步的实施方式中,预处理器38包括配置成用于捕捉核心含义48的自组织模块,该核心含义48最初可能由于具体会话输入34的措辞而错过。例如,在会话输入34为“Whattimeisitbuddy”的情况下,预处理器38最初可能由于句子的末尾包括词语“buddy”而错过核心含义48“whattimeisit”。在这种方案中,预处理器38将使得目标个性22最初通过请求用户36(或教师个性26)将会话输入34重新措辞来作出响应。例如,目标个性22可能以“Sorry,Ididn'tunderstandthat”或“Canyoupleasere-phrasethat”来响应。在接收到重新措辞的会话输入34时并假设预处理器38能够从会话输入34推导出合适的核心含义48,则预处理器38能够创建将最初错过的新会话输入34映射至合适的核心含义48的新函数,以在将来不会再次错过。在示例性实施方式中,这由预处理器38通过以下来实现:为工作的该函数采用会话输入34,以及针对最初失败的会话输入34执行差别匹配。预处理器38然后采用会话输入34的不匹配的部分,并从常规表达式元素的库中将该部分添加至匹配后续会话输入34的样式。在其他实施方式中,可替代为目前已知或之后研发的、用于实现这种具体功能的其它方法。
再次,一旦推导出核心含义48,预处理器38便向逻辑处理器40传送该核心含义48(608)。
如上所述,逻辑处理器40配置成用于确定针对每个会话输入34的核心含义48的合适响应。在示例性实施方式中,如图7的流程图所示,在预处理器38接收会话输入34(700)并从会话输入34提取至少一个核心含义48(702)之后,逻辑处理器40确定至少一个核心含义48的第一核心含义是否包括任意对象(704),如下面进一步讨论-如果是这样,则处理该对象(1200),也如下面进一步讨论。逻辑处理器然后确定至少一个核心含义48的第一核心含义是否是新的,或者其之前是否已遇到该具体核心含义48(706)。
更具体地,逻辑处理器40配置成用于将每件事物视为对象。这也适用于语音。例如,词语“Hello”如词语“Vincent”那样将被认为是对象。逻辑处理器40能够组合对象,并同样地,可对之前从未遇到或者已经被编程以进行处理的核心含义48做出响应,如下面进一步讨论。因此,在上述示例中,短语“HelloVincent”将被认为是又一对象。
在示例性实施方式中,逻辑处理器40包括各种模块,该各种模块根据逻辑处理器40将处理的具体核心含义48和/或可能与逻辑处理器40将处理的具体核心含义48有关的其它环境变量(即,当日时间、用户36的地理位置等)动态地加载和布置。因此,每个模块优选地创建为动态链接库并表示某些基函数。在示例性实施方式中,模块列表存储为XML文件,并包括每个模块的动态链接库的位置以及每个模块函数的说明。模块的顺序表示其将被逻辑处理器40调用的顺序。列表还优选为可自配置的,这意味着给定核心含义48中存在的某些条件可能使得或允许逻辑处理器40将函数列表排序、重新排序或修改函数列表。例如,核心含义48中存在的紧急事件情况可能使得逻辑处理器40从列表去除情绪响应模块,从而使得逻辑处理器40单纯地分析性地起作用。在另一示例中,存在于核心含义48中的入侵检测可能使得逻辑处理器40从列表去除应用和***函数模块,从而防止未被授权的用户36访问应用和***函数。在至少一个实施方式中,预处理器38配置成用于基于给定核心含义48的内容动态地配置模块列表,以使得仅处理和对该核心含义48做出响应所需的模块加载至逻辑处理器40中,从而降低总处理时间。
在至少一个实施方式中,逻辑处理器40提供至少一个异常语音样式检测模块。在一个这样的实施方式中,异常语音样式检测模块使得逻辑处理器40能够检测核心含义48是否包括诸如“Hello”的问候。由此,逻辑处理器40能够自动地推测核心含义48“Hellothere”也是问候,且将因此把该核心含义48添加至识别的问候列表。在另一这样的实施方式中,异常语音样式检测模块使逻辑处理器40能够检测核心含义48是否已经被用户36重复(即,用户36是否已经不止一次问过相同的问题或输入相同的陈述,即使每次措辞不同)。
在示例性实施方式中,逻辑处理器40还提供配置成用于确定对于给定核心含义48的合适原始响应44的响应模块。更详细地且继续参照图7,逻辑处理器40的响应模块再次确定之前是否已经遇到核心含义48(706)。在至少一个这样的实施方式中,如图8的示例性图形所示,每个核心含义48连同对应的原始响应44存储于单独的响应文件50中。响应文件50存储于***20中,位于数据服务器28内或位于存储于存储器30中别处的另一数据库中。应注意的是,出于纯说明性的目的,示例性响应文件50示为XML文件;但是,***20的可能实施例的范围不应当视为限于此。继续参照图8,在至少一个实施方式中,每个响应文件50包括与相关核心含义48和原始响应44有关的更多细节,包括但不限于情绪值52、权重值54、创建日期56、创建者名称58、编辑日期60和编辑者名称62。
情绪值52指示将伴随原始响应44的情绪类型,其中原始响应44为给定响应文件50的核心含义48的原始响应。例如,在示例性实施方式中,值“0”旨在指示“正常”、值“1”旨在指示“快乐”、值“2”旨在指示“愤怒”、值“3”旨在指示“困惑”以及值“4”旨在指示“悲伤”。当然,在另外的这种实施方式中,特定的情感类型(或情绪)和相关情绪值52可改变。相应地,权重值54指示将伴随与给定响应文件50的核心含义48相关的原始响应44的合适情绪的量或强度。例如,在示例性实施方式中,值“0”旨在指示相关情绪的轻微形式,而值“10”旨在指示相关心情的非常强烈的形式。下面进一步讨论情绪值52和权重值54的使用。
创建者名称58指示将给定响应文件50最初增加至***20的实体。这可包括由用户36手动添加、通过会话个性24自动添加、或者通过目标个性22自动添加。相应地,创建日期56指示给定响应文件50被添加至***20的日期。类似于创建者名称58,编辑者名称62指示最近编辑给定响应文件50的实体,而相关编辑日期60指示这种近期变化进行的日期。
在至少一个实施方式中,保持包括与用户36有关的信息的单独数据库,并向每个用户36分配排名。同样地,如果发现多个原始响应44(即,多个响应文件50)包括相同的核心含义48,则选择具有最高排名的原始响应44(即,具有最高排名的用户36已经创建或编辑的原始响应44)。这允许目标个性22始终覆盖由具有相对较低排名的实体创建或编辑的任意响应文件50。此外,***20优选追踪具有较高排名的用户36编辑具体实体的初始响应文件50的次数。这样,可建立输入的可靠性。然后本质上,较好源的响应文件50的内容开始识别成比其他源更可靠且能够受到喜爱。这还允许目标个性22通过创建“接管点”而“成熟”,诸如,当不必进行校正的合成或学习的响应的数量超过经过校正的合成响应的数量时,通过构造将“上层(parent)”的指定值重新设定成低于目标个性22的指定值的算法。
再次参照图7,在示例性实施方式中,逻辑处理器40的响应模块通过对响应文件50中的每个进行迭代(响应文件50优选以逻辑方式进行存储,诸如由核心含义48按字母顺序存储)以尝试和查找具体核心含义48,而确定之前是否已经遇到核心含义48(706)。如果在一个或多个响应文件50中找到核心含义48,则访问(708)最相关的原始响应44并将该原始响应44传送至后处理器42,以进行格式化(710)和向用户36(或教师个性26)传输该原始响应44(712),如下面进一步讨论。如果在任何响应文件50中均未找到核心含义48,则之前未遇到核心含义48并因此逻辑处理器40随后向会话个性24中的一个或多个传输核心含义48,以从会话个性24获取合适的原始响应44(714)。在从会话个性24接收到一个或多个可能的原始响应44(716)时,逻辑处理器40使用如上所述的一种或多种方法确定哪个可能的原始响应44是最佳的(718)。另外,或可替代地,逻辑处理器40可通过以下确定最佳的可能原始响应44:将每个可能的原始响应44加载至数据库中,然后对这些原始响应44进行迭代,以尝试和匹配每个可能的原始响应44的部分与已存储于其它响应文件50中的原始响应44。为最佳原始响应44创建新响应文件50以及相关的核心含义48,并将该响应文件50添加至***20(720)。逻辑处理器40然后确定原始响应44是否包括任意对象(722),如下面进一步讨论的那样-如果是这样,则处理对象(1200),也如下面进一步讨论的那样。然后将原始响应44传送至后处理器,以进行格式化(710)和向用户36(或教师个性26)传输原始响应44(712),如下面进一步讨论的那样。
继续参照图7,如果会话输入34中存在另外的核心含义48(724),例如如果会话输入34是“Hello,whatisyournameandwhereareyoulocated?”,则逻辑处理器40为每个核心含义48(即,“hello”、“whatisyourname”和“whereareyoulocated”)执行上述步骤,以获取每个核心含义48的原始响应44。此外,为由用户36(或教师个性26)传输的每个会话输入34重复这些步骤,直到与目标个性22的会话结束(726)。用这种方法,即使利用***20中最小数量的预加载响应文件50,也可通过目标个性22执行会话,该会话将表现为直接来自目标个性22,即使已经从一个或多个会话个性24实时地加载未知的原始响应44;一直动态增加目标个性22的响应文件50的数量(并因此提高目标个性22的人工智能)。
如上所述,在示例性实施方式中,逻辑处理器40配置成用于将每件事物视为对象。这在给定会话输入34或响应46不是完全静态的而是包括一个或多个变量的情况下最有用。更详细地,逻辑处理器40配置成用于使用两个对象特征(分类64和属性66)表示任意对象和/或这些对象的任何变型。此外,在至少一个实施方式中,逻辑处理器40将对象分成两种类别:实体和事件。在至少一个其他实施方式中,逻辑处理器40配置成用于使用三种对象属性(分类64、属性66和事件)表示任意对象和/或这种对象的任何变型。无论哪种方式,这种构造是通用的,且适于目前已知或之后研发或发现的任意对象,以使得其从不需要利用额外的数据类型对逻辑处理器40进行重新编程。另外,鉴于具体对象的任意分类64的成员还可分类为另一对象的属性66,由于不需要将遇到的数据预分类,该方法允许逻辑处理器40通过自然语言处理进行学习。如图10的示例性图所示,每个对象在***20中优选地存储于单独的对象文件68中,位于数据服务器28内或位于存储于存储器30中别处的另一数据库中。应注意的是,为了单纯说明性的目的,示例性对象文件68示为XML文件;但是,***20的可能实施例的范围不应视为限于此。
继续参照图10,除分类64和属性66之外,每个对象文件68具有唯一的对象名称70。例如,图10所示的示例性对象文件68的情况具有对象名称70“dog”。另外,对象文件68的分类64包括这样的细节,上述细节通知逻辑处理器40对象“dog”是活的犬科类动物的事实,而目标文件的属性66包括这样的细节,上述细节通知逻辑处理器40对象“dog”具有四条腿、没有翅膀且具有两只眼睛的事实。随着逻辑处理器40接收与“dog”对象有关的更多细节,其将这些进一步的细节动态地添加至相关对象文件68的分类64和属性66。例如,如果逻辑处理器40接收核心含义48“adoghasteeth”,逻辑处理器40将访问相关对象文件68并将“teeth=true”添加至属性66。如图12的流程图所示,在逻辑处理器40经由从会话个性24中的一个或多个接收的原始响应44或核心含义48接收与新对象有关的细节-即接收在位于***20(1204)中的任何对象文件68中均不存在的对象名称70(1202)的事件中,逻辑处理器40创建用于新对象名称70的新对象文件68(1206),并利用包括在核心含义48或原始响应44中的任意相关信息填充分类64和/或属性66(1208);否则,逻辑处理器40再次将任意新细节简单地动态添加至相关对象文件68的分类64和属性66(1210)。此外,在确定新对象名称70是预存在对象的子集的情况下,逻辑处理器40利用相关预存在对象文件68的所有相关分类64和属性66,填充新对象文件68的分类64和/或属性66。例如,如图11的示例性图形所示,在逻辑处理器40接收到核心含义48“IhaveadognamedFido”以及确定当前没有包括对象名称70“fido”的对象文件68时,逻辑处理器40创建包括对象名称70的新对象文件68。另外,因为核心含义48陈述Fido是狗,所以逻辑处理器40利用“dog”对象文件68的分类64和属性66,自动填充新的“fido”对象文件68的分类64和属性66。因此,由于无需查找对象名称70“fido”、查找“fido”是狗、然后查阅对象名称70“dog”以确定其是否活着,而是由逻辑处理器40简单地查阅对象名称70“fido”,所以极大地降低了处理核心含义48(诸如“IsFidoalive?”)所需要的循环次数。
在至少一个实施方式中,逻辑处理器40除了将核心含义48和/或原始响应44中提及的全部实体和事件视为对象之外,还将用户36视为对象。更详细地,在用户36(或教师个性26)开始与目标个性22会话时,逻辑处理器40(经由后处理器42)提示用户36其姓名,并随后检查包括该对象名称70的对象文件68(以及如果确定包括该对象名称70的对象文件68并不存在-即用户36是新的,则创建新的对象文件68)。对于新用户36,逻辑处理器40还可配置成用于提示用户36附加信息,诸如地址、年龄、性别、喜好或厌恶等,以填充相关对象文件68的分类64和/或属性66。可替代地,在逻辑处理器40确定用于用户36的对象文件68已经存在的情况下,逻辑处理器40可配置成(在至少一个实施方式中)提示用户36提供针对与包括在用户36目标文件70中的分类64和/或属性66有关的问题的正确答案,以验证用户36的身份。在另外的这种实施方式中,逻辑处理器40可配置成用于提示用户36提供与目标个性22的过往会话有关的细节,以验证用户36的身份。
在至少一个这样的实施方式中,如图13的流程图所示,用于验证用户36的身份的该装置用于通过访问安全地存储于与用户36相关的对象文件68中的信息,动态地使目标个性22和用户36之间的通信个性化;因此,在一定程度上创建“漫游”人工智能。更详细地,当逻辑处理器40接收到与用户36有关的新信息(如上面所讨论)时,使用唯一的加密\解密密钥对信息进行编码。这对于防止对***20的“中间者”或“回放”攻击(其中语音或文本数据被截取和使用以访问***)而言是至关重要的。在同一用户36随后开始与目标个性22进行新会话时,逻辑处理器40通过提示用户36其名称或某一其它识别信息(1300),验证用户36的身份,然后在***20中检查是否存在与具体用户36相关的加密/解密密钥(1302)。如果找到与具体用户36相关的加密/解密密钥,则该密钥用于解密已编码的个人信息(1304),以在与用户36通信(1306)时根据需要使用该信息。如果没有找到密钥,则逻辑处理器40拒绝对于用户36的访问(1308)且不解密个人信息。可替代地,如果用户36经由基于声音的会话输入34而不是基于文本的会话输入34与目标个性22通信(1310),则逻辑处理器40执行声音打印分析,作为进一步的验证步骤(1312)。在再一些实施方式中,执行附加的检查以验证用户36的身份,包括但不限于面部识别分析和检查用户36(或用户36拥有的计算设备)的相对于当前位置的最新得知的、基于GPS的位置。如果这些检查中的任一个失败,则逻辑处理器40初始化问/答质问-响应序列。这包括问询用户36随机生成的、包括只有用户36知道的信息的问题(1314),如上面所讨论的那样;然后确定用户36的响应是否正确(1316)。可进行这些处理,直到用户36的身份被确认或拒绝。一旦已经成功地通过该多部分验证过程,诸如个人信息和与用户36相关的其它敏感信息的数据便能以全局的方式被用户36使用(1304)。
在至少一个实施方式中,***20保持表示各种证书是欺骗性的概率的偏移值。这种偏移通过聚集与用户行为和之后输入至Bayesian概率函数中的世界观统计有关的各种智力来形成。这些参数将包括但不局限于:安装在用户计算设备上的程序包的类型和制造商、在这些程序包中已经暴露缺陷的次数、指示当前进行中的风险的经验证的新项目、用户花费在因特网上的时间量等。这些偏移作为概率函数中的L和M变量(其之后作为下一回合中的M和L)被循环地调用,从而导致各种“通过/失败”元素中的所有元素被损害的最终概率。另一实施方式在失败时将简单地迫使下线。本地概率元素是基于概率的、除了阈值通过(其中其可使用在在“通过/失败”函数中)之外没有其它能力的元素。这些元素可包括但不限于位置追踪、面部识别、声音识别等。在至少一个这种实施方式中,这些得分将相加且结果将与通过***20生成和保持的偏移负相关。
除了认证之外,使用用户36(或用户36拥有的计算设备)的基于GPS的位置在包括***20设计成用作个人助理(即,漫游人工智能)的情况的其它背景中也可能是有利的。例如,开车的用户36可通过经由安装在汽车中的计算设备与***20的目标个性22通信来创建杂货店列表。该数据然后通过定期更新过程或通过直接的命令而存储于***20中。当用户36离开其车辆并进入商店时,在其智能电话或其它移动计算设备上自动可得到具有能够访问杂货店列表的相同目标个性22。类似地,来自由用户36进行的购买的数据可被扫描或者以其它方式输入智能电话或其它移动计算设备中,并且对于安装在用户36家中的(与***20通信的)计算设备是可得到的。
在至少一个实施方式中,当用作智能代理时,***20使用布置在客户端服务器模块中的“水平分割”架构。在这种实施方式中,由于目标个性22存在于客户端和服务器上,所以可创建和安装专用于客户端侧执行的函数的模块。某些基本逻辑函数和通信函数也可存在于客户端侧,以使得如果客户端与服务器的联系断开,则客户端将依然起作用,尽管功能性降低。因为由***20使用(在至少一个实施方式中)的优化聚类神经网络允许并行地运行多个线性链,所以可运行更新信息(诸如,来自移动设备的GPS数据)并将其推送至服务器的第二链。可在服务器侧生成声音及其它数据,并将其返回给客户。当目标个性22从设备漫游到设备时,这允许实现一致的语音合成。不同于本领域中依靠已记录语音的技术,这允许实现具有一致声音内容的真实AGI。在另一实施方式中,***20的主服务器可与商用声音服务器技术交互。
如上所述,后处理器42配置成用于针对每个会话输入34,恰当地格式化响应46和传输响应46至用户36(或教师个性26)。如图9的流程图所示,在示例性实施方式中,在接收到原始响应44(900)时,后处理器42通过首先添加恰当的大写和标点(如果尚未包括在原始响应44中,则通过包括在相关响应文件50中的数据),将原始响应44转换成恰当格式化的响应46(902)。在一个这样的实施方式中,关于常见的名、姓、国家和州的名称、以及通常大写的其它词语的数据保持在***20中。后处理器42将原始响应44解析成单独的词语、对这些词语进行迭代、以及如果遇到已知名称或其它通常大写的词语,则将第一字母大写。在又一实施方式中,可替换成现在已知或之后研发的、用于完成这些具体功能的其它方法。
还如上所述,在至少一个实施方式中,每个响应文件50包括情绪值52和与相关核心含义48和原始响应44有关的权重值54。因此,在提供这些细节的情况下,后处理器42在格式化过程中将其考虑在内并相应地修改原始响应44(904)。这在会话输入34(以及因此核心含义48)试图获取目标个性22针对核心含义48的主题的情感反映的意见(即,目标个性22喜欢或不喜欢)的情况下最常用。在示例性实施方式中,这通过以下来完成:通过总计或区分与原始响应44相关的至少一个情绪值52各自的权重54,以达到最终的情感反应,从而并入格式化的响应46中。
如上所述,在至少一个实施方式中,目标个性22能够访问一个或多个补充数据源(诸如医学词典、因特网搜索引擎、百科全书等),以选择性地增加目标个性22的知识库。逻辑处理器40也可使用这种补充数据源,以确认肯定的核心含义48的准确度或正确性,或者尝试答复疑问的核心含义48。因为这样的搜索可能费时,所以在示例性实施方式中,逻辑处理器40使用多线程处理,以使得目标个性22和用户36(或教师个性26)之间的会话不延迟。更详细地,在逻辑处理器40接收到需要搜索的这种核心含义48时,逻辑处理器首先向后处理器42传输含糊的响应(诸如,“letmegetbacktoyouonthat”)并允许会话持续。同时,逻辑处理器40并发地初始化用于执行必要研究的第二线程。在结束研究时,逻辑处理器40中断会话并向后处理器42传输研究的响应,以通信至用户36。
在某些实施方式中,在目标个性22能够访问一个或多个感测输入设备(诸如相机或麦克风)的情况下,后处理器42在格式化过程期间可将这些细节考虑进去,并相应地进一步修改原始响应44(906)。
一旦原始响应44转换成恰当格式化的响应46,便向用户36(或教师个性26)传输格式化的响应46(908)。
再次参照图4,在***20的实际使用期间(即,在用户36和目标个性22进行会话期间),在至少一个实施方式中,数据服务器28预先加载有与用户36有关的信息,从而允许相关的个人细节作为变量包括在某些原始响应44中。例如,在接收到会话输入34“WhowasRichardNixon”时,原始响应44可以是“RichardMilhausNixonwasthe37thPresidentoftheUnitedStatesandservedinofficefrom1969to1974-roughly14yearsbeforeyouwereborn”。利用这种信息填充数据服务器28能以诸多方式来实现,包括但不限于:使用户36在第一次与目标个性22交互之前完成询问、使用户36在与目标个性22的第一次会话开始时简要地讲述(输入)其自身、扫描与用户36有关的个人历史文件等。
在至少一个实施方式中,数据服务器28内还存储有单独的数据集,该数据集由***20保持并包括由用户36(或教师个性26)经由会话输入34提出的每个主题的自然语言表述。以这种方式,目标个性22能够重新调用先前的会话输入34。这些数据集可人工地进行编辑,或者目标个性22可通过使用常规表述合成响应,以将现有自然语言主题响应与现有原始响应44和替换变量进行比较。当询问主题时,目标个性22在响应文件50中查找匹配的核心含义48并返回主题原始响应44。
应注意的是,在至少一种替代实施方式中,可从目标个性22省略预处理器38;因此,逻辑处理器40将针对遇到的每个唯一的会话输入34,简单地创建和存储单独响应文件50(即,而不是只针对每个唯一的核心含义48创建和存储单独响应文件50),而不是从给定会话输入34先提取核心含义48。类似地,在至少一个其他可替代性实施方式中,可从目标个性22省略后处理器42;因此,响应文件50本身将包括适当格式化的响应46,而不是将如由相关响应文件50提供的每个原始响应44格式化。
本说明书的各方面还可描述如下:
1.一种用于创建和执行人工智能代理的方法,该人工智能代理位于至少一个计算设备上的存储器中并配置成用于响应于至少一个会话输入而采取合适的动作,该方法包括以下步骤:在至少一个计算设备上的存储器中实施代理的目标个性;在至少一个计算设备上的存储器中实施至少一个人工智能会话个性,每个会话个性配置成用于根据需要与目标个性进行会话,以提供向目标个性合适的知识和相关响应;通过从通信实体接收至少一个会话输入,允许至少一个通信实体与目标个***互;以及对于由目标个性接收的每个会话输入:处理该会话输入以推导与会话输入相关的至少一个核心含义;确定用于至少一个核心含义的合适的原始响应;将原始响应格式化;以及向通信实体传输经格式化的响应;其中,即使实时地从至少一个会话个性获取到由目标个性提供的一个或多个响应,代理的目标个性也能够执行会话,从而一直动态地提高目标个性的人工智能。
2.根据实施方式1所述的方法,还包括以下步骤:选择用于目标个性的期望个性类型;以及基于用于目标个性的期望个性类型,选择目标个性将与之通信的一个或多个合适的会话个性。
3.根据实施方式1至2所述的方法,其中,允许至少一个通信实体与目标个***互的步骤还包括以下步骤:在至少一个计算设备上的存储器中实施至少一个教师个性,每个教师个性配置成用于向目标个性传输预定义的会话输入组,以使得目标个性可通过与至少一个会话个***互以及从至少一个会话个性接收合适的响应,而学习如何恰当地响应会话输入;以及基于用于目标个性的期望个性类型,选择目标个性将与之通信的合适的教师个性。
4.根据实施方式1至3所述的方法,其中,允许至少一个通信实体与目标个***互的步骤还包括以下步骤:允许至少一个人类用户向目标个性选择性地传输至少一个会话输入。
5.根据实施方式1至4所述的方法,其中,处理会话输入的步骤还包括以下步骤:保持目标个性所遇到的全部会话输入和与每个这样的会话输入相关的核心含义的关系列表;从会话输入去除任意标点;从会话输入去除确定为对核心含义没有影响的任意言词;以及将会话输入映射至存储于关系列表中的相关核心含义。
6.根据实施方式1至5所述的方法,其中,确定合适的原始响应的步骤还包括以下步骤:对于与会话输入相关的每个核心含义:在确定核心含义包括至少一个对象时,处理上述至少一个对象;保持包括目标个性所遇到的全部核心含义和与每个这样的核心含义相关的原始响应的响应文件组;确定核心含义是否是新的或者核心含义之前是否已经被目标个性遇到;在确定之前已遇到核心含义时:将核心含义映射至存储于响应文件中的至少一个相关原始响应;以及确定至少一个相关原始响应中的哪个最合适;以及在确定核心含义是新的时:向至少一个会话个性传输核心含义;从会话个性接收至少一个原始响应;确定至少一个原始响应中的哪个最合适;将核心含义和认为最合适的相关原始响应添加至响应文件;以及在确定原始响应包括至少一个对象时,处理上述至少一个对象。
7.根据实施方式1至6所述的方法,还包括以下步骤:将与每个原始响应相关的情绪值存储于响应文件的集合中,上述情绪值指示伴随相关原始响应的情绪类型;以及修改原始响应,以反映由情绪值限定的情绪类型。
8.根据实施方式1至7所述的方法,还包括以下步骤:将与每个原始响应的情绪值相关的权重值存储于响应文件的集合中,该权重指示伴随相关原始响应的合适心情强度;以及修改原始响应,以反应由权重值限定的合适心情强度。
9.根据实施方式1至8所述的方法,其中,确定至少一个原始响应中的哪个最合适的步骤还包括以下步骤:向每个通信实体和会话个性分配排名;将与通信实体或会话个性有关的、用于创建或最后编辑包括在上述响应文件中的原始响应的信息存储在每个响应文件中,上述信息包括排名;以及在发现与给定核心含义相关的多个原始响应时,确定所述原始响应中的哪个具有与原始响应相关的最高排名。
10.根据实施方式1至9所述的方法,其中,处理至少一个对象的步骤还包括以下步骤:保持包括与由目标个性所遇到的所有对象相关的信息的目标文件集合,每个对象文件包括对象名称、对象分类和对象属性中的至少一个;以及对于包括在核心含义和原始响应中的至少一个中的每个对象:确定对象是否是新的或者对象之前是否已经被目标个性遇到;在确定之前已遇到对象时:利用包括在核心含义和原始响应中的至少一个中的任何相关信息,根据需要更新与对象相关的目标文件;以及在确定对象是新的时:创建用于对象的新对象文件;利用包括在核心含义和原始响应中的至少一个中的任何相关信息填充新对象文件;以及在确定对象是预存在对象的子集时,利用与预存在对象相关的全部相关信息,填充新对象的对象分类和对象属性中的至少一个。
11.实施方式1至10所述的方法,还包括以下步骤:创建和保持用于至少一个通信实体中的每个通信实体的目标文件;以及在目标个性从至少一个通信实体中的一个接收到初始会话输入时:确定通信实体之前是否已经被目标个性遇到;在确定通信实体是新的时:创建用于通信实体的新对象文件;向通信实体提示与所述实体有关的相关信息;以及利用从通信实体获取的任何相关信息填充新对象文件;在确定之前已遇到通信实体时:访问与通信实体相关的对象文件;以及验证通信实体的身份;以及利用包括在至少一个会话输入中的任意相关信息,根据需要更新与通信实体相关的目标文件。
12.根据实施方式1至11所述的方法,其中,验证通信实体的身份的步骤还包括以下步骤:基于包括在相关对象文件中的相关信息以及包括在目标个性和通信实体之间的过往会话中的细节中的至少一个,向通信实体提示至少一个验证问题。
13.根据实施方式1至12所述的方法,还包括以下步骤:使用唯一的加密密钥,对包括在与至少一个通信实体相关的至少一个对象文件中的相关信息进行加密;在验证通信实体的身份时,确定通信实体是否具有对应的解密密钥;以及使用解密密钥对包括在相关对象文件中的相关信息解密,以当与通信实体交互时根据情况使用该信息。
14.根据实施方式1至13所述的方法,还包括以下步骤:为目标个性和会话个性中的至少一个提供对一个或多个补充数据源的访问,以选择性地增加上述个性的知识库。
15.根据实施方式1至14所述的方法,还包括以下步骤:在目标个性接收到具有需要研究的响应的会话输入时:向通信实体传输含糊的响应,并继续与通信实体进行会话;初始化用于经由补充数据源执行必要研究的第二线程;以及在结束搜索时,中断会话并向通信实体传输经研究的响应。
16.一种用于创建和执行人工智能代理的方法,该人工智能代理位于至少一个计算设备上的存储器中并配置成用于响应于至少一个会话输入而采取合适的动作,该方法包括以下步骤:在至少一个计算设备上的存储器中实施代理的目标个性;在至少一个计算设备上的存储器中实施至少一个人工智能会话个性,每个会话个性配置成用于根据需要与目标个性进行会话,以向目标个性提供合适知识和相关响应;在至少一个计算设备上的存储器中实施至少一个教师个性,每个教师个性配置成通过向目标个性传输预定义的会话输入的集合而用作通信实体,以使得目标个性可通过与至少一个会话个性和从至少一个会话个性接收合适的响应,而学习如何合适地对会话输入做出响应;通过从通信实体接收至少一个会话输入,允许至少一个通信实体与目标个***互;以及对于由目标个性接收的每个会话输入:处理会话输入以推导与会话输入相关的至少一个核心含义;确定用于至少一个核心含义的合适原始响应;将原始响应格式化;以及向通信实体传输经格式化的响应;其中,即使实时地从至少一个会话个性获取到由目标个性提供的一个或多个响应,代理的目标个性也能够继续会话,从而一直动态地提高目标个性的人工智能。
17.一种用于创建和实施人工智能代理的***,其中人工智能代理位于至少一个计算设备上的存储器中,该***包括:目标个性,位于至少一个计算设备上的存储器中并包括预处理器、逻辑处理器和后处理器。目标个性配置成用于通过对从至少一个通信实体接收的至少一个会话输入做出响应,而与至少一个通信实体进行交互;预处理器配置成用于处理每个会话输入,以推导与会话输入相关的至少一个核心含义;逻辑处理器配置成用于确定用于至少一个核心含义的合适原始响应;后处理器配置成用于将原始响应格式化。该***还包括:至少一个人工智能会话个性,其位于至少一个计算设备上的存储器中,每个会话个性配置成用于根据需要与目标个性进行会话,以向目标个性提供具有合适知识和相关响应;至少一个教师个性,位于至少一个计算设备上的存储器中,每个教师个性配置成用于向目标个性传输预定义会话输入的集合,以使得目标个性可通过与合适的响应交互和从至少一个会话个性接收合适的响应,而学习如何合适地对会话输入做出响应。在目标个性接收到上述至少一个会话输入时,对于由目标个性接收的会话输入,目标个性配置成用于:处理会话输入,以推导与会话输入相关的至少一个核心含义;确定用于至少一个核心含义的合适原始响应;将原始响应格式化;以及向通信实体传输经格式化的响应。即使实时地从至少一个会话个性获取到由目标个性提供的一个或多个响应,目标个性也能够继续会话,从而一直动态地提高目标个性的人工智能。
18.根据实施方式17所述的***,其中,该***还配置成用于:选择用于目标个性的期望个性类型;以及基于用于目标个性的期望个性类型,选择目标个性将与之通信的一个或多个合适的会话个性。
19.根据实施方式17至18所述的***,其中,该***还配置成基于用于目标个性的期望个性类型,选择目标个性将与之通信的合适的教师个性。
20.根据实施方式17至19所述的***,其中,至少一个通信实体是人类用户。
21.根据实施方式17至20所述的***,其中,该***还配置成用于:保持目标个性所遇到的全部会话输入和与每个这样的会话输入相关的核心含义的关系列表;从会话输入去除任何标点;从会话输入去除确定对核心含义没有影响的任何语言;以及将会话输入映射至存储于关系列表中的相关核心含义。
22.根据实施方式17至21所述的***,其中,对于与会话输入相关的每个核心含义,该***还配置成用于:在确定核心含义包括至少一个对象时,处理上述至少一个对象;保持包括目标个性所遇到全部核心含义以及与每个这样的核心含义相关的原始响应的响应文件集合;确定核心含义是否是新的或者核心含义之前是否已经被目标个性遇到;在确定之前已遇到核心含义时:将核心含义映射至存储于响应文件中的至少一个相关原始响应;以及确定至少一个相关原始响应中的哪个最合适;以及在确定核心含义是新的时:向至少一个会话个性传输核心含义;从会话个性接收至少一个原始响应;确定至少一个原始响应中的哪个最合适;将核心含义和认为最合适的相关原始响应添加至响应文件;以及在确定原始响应包括至少一个对象时,处理所述至少一个对象。
23.根据实施方式17至22所述的***,其中,该***还配置成用于:将与每个原始响应相关的情绪值存储在响应文件集合中,上述情绪值指示伴随相关原始响应的情绪类型;以及修改原始响应,以反映由情绪值限定的情绪类型。
24.根据实施方式17至23所述的***,其中,该***还配置成用于:将与每个原始响应的情绪值相关的权重值存储于响应文件的集合中,所述权重值指示伴随相关原始响应的合适心情强度;以及修改原始响应,以反映由权重值限定的合适心情强度。
25.根据实施方式17至24所述的***,其中,该***还配置成用于:向每个通信实体和会话个性分配排名;将与会话个性或通信实体有关的、用于创建或最后编辑包括在上述响应文件中的原始响应的信息存储于每个响应文件中,上述信息包括排名;以及在发现与给定核心含义相关的多个原始响应时,确定所述原始响应中的哪个具有与原始响应相关的最高排名。
26.根据实施方式17至25所述的***,其中,该***还配置成用于:保持包括与目标个性所遇到的全部对象相关的信息的对象文件集合,每个对象文件包括对象名称、对象分类和对象属性中的至少一个;以及对于包括在核心含义和原始响应中的至少一个中的每个对象:确定对象是否是新的或对象是否之前已经被目标个性遇到;在确定之前已遇到对象时:利用包括在核心含义和原始响应中的至少一个中的任何相关信息,根据需要更新与对象相关的对象文件;以及在确定对象是新的时:创建用于对象的新对象文件;利用包括在核心含义和原始响应中的至少一个中的任意相关信息,填充新对象文件;以及在确定对象是预存在对象的子集时,利用与预存在对象相关的全部相关信息,填充新对象文件的对象分类和对象属性中的至少一个。
27.根据实施方式17至26所述的***,其中,该***还配置成用于:创建和保持用于至少一个通信实体中的每个通信实体的对象文件;以及在目标个性从至少一个通信实体中的一个通信实体接收到初始会话输入时:确定通信实体之前是否已经被目标个性遇到;在确定通信实体是新的时:创建用于通信实体的新对象文件;向通信实体提示与所述实体有关的相关信息;以及利用从通信实体获取的任意相关信息填充新对象文件;在确定之前已通信实体时:访问与通信实体相关的对象文件;以及验证通信实体的身份;以及利用包括在至少一个会话输入中的任何相关信息,根据需要更新与通信实体相关的对象文件。
28.根据实施方式17至27所述的***,其中,***还配置成用于基于包括在相关对象文件中的相关信息以及包括在目标个性和通信实体之间的过往会话中的细节中的至少一个,向通信实体提示至少一个验证问题。
29.根据实施方式17至28所述的***,其中,***还配置成用于:使用唯一的加密密钥,对包括在与至少一个通信实体相关的至少一个对象文件中的相关信息进行加密;在验证通信实体的身份时,确定通信实体是否具有对应的解密密钥;以及使用解密密钥对包括在相关对象文件中的相关信息进行解密,以在与通信实体交互时根据情况使用该信息。
30.根据实施方式17至29所述的***,其中,***还配置成用于为目标个性和会话个性中的至少一个提供对一个或多个补充数据源的访问,以选择性地增加所述个性的知识库。
31.根据实施方式17至30的***,其中,该***还配置成用于在目标个性接收到具有需要研究的响应的会话输入之后,向通信实体传输含糊响应并继续与通信实体进行会话;经由补充数据源初始化用于执行必要研究的第二线程;以及在结束搜索之后,中断会话并向通信实体传输经研究的响应。
最后,关于如本文所示和所描述的、本发明的示例性实施方式,应理解的是,公开了用于创建和实施人工智能代理或***的***和方法。因为本发明的原理可通过除所示和所描述的那些配置以外的诸多配置来实践,所以要理解的是,在不背离本发明的精神和范围的情况下,本发明不以任何方式受示例性实施方式的限制,而是通常指向用于创建和实施人工智能代理或***的***和方法,并且能够采取诸多形式来实现。此外,上述实施方式中的每种实施方式的各特征能以任何逻辑的方式来组合,且旨在包含于本发明的范围内。
本发明的替换实施方式、元素或步骤的组合不认为是限制。每个组合的组成元素可单独地或以与本文公开的其它组合的组成元素结合地来表示和保护。显而易见的是,出于方便和/或可专利性的原因,组合中的一个或多个组成元素可包括在一个组合中或从一个组合中删除。当出现任何这样的包含或删除时,认为说明书包括如所修改的组合,从而实现所附权利要求中使用的全部马库什组合的记载说明。
除非另外地明确指出,否则本说明书和权利要求书中所使用的、用于描述特征、项目、数量、参数、性质、术语等的全部数字理解成通过术语“约”进行修饰的所有情况。如本文所使用,术语“约”表示这样描述的特征、项目、数量、参数、性质或术语包括在所述特征、项目、数量、参数、性质或术语的值之上和之下加或减百分之十的范围。因此,除非相反地表示,否则说明书和所附权利要求书中阐述的标记参数是可改变的近似值。极小程度地且不试图限制权利要求范围的等同范围的叙述的应用,每个标记指示至少应当按照所报告有效数字的数量且通过应用普通的圆整技术来解释。尽管本发明的宽泛范围向前设定的数值范围和值是近似值,但是具体示例中列举的数值范围和值尽可能精确地表示。但是,任何数值范围或值固有地包括由在其各自的试验测量中发现的标准偏差引起的某些必要误差。在本文中,值的数值范围的详述仅旨在用作分别表示落入该范围内的每个单独数值的简写方法。除非本文另外地指出,否则数值范围的每个单独值并入本说明书中,如同其单独在本文中描述一样。
除非本文另外地指出或通过上下文清楚地否认,否则术语“一”、“一个”、“所述”以及描述本发明的上下文中所使用的类似表述(尤其是在以下权利要求的上下文中)将解释成既覆盖单数又覆盖复数。除非本文另外地指出或通过上下文另外地明确否认,否则本文所描述的全部方法能以任何合适的次序来执行。任意和全部示例或本文所提供的示例性语言(例如“诸如”)的使用仅旨在更好地表示本发明,且不构成对另外要求保护的、本发明的范围的限制。在本说明书中,不存在应当解释成表示实施本发明必不可少的任何非保护元素的言词。
使用由该言词组成或者实质上由该言词组成的表述,还可在权利要求中进一步限制本文公开的特定实施方式。当在权利要求中使用时,不管每次修改是否提交或添加,过渡术语“由……组成”排除权利要求中未指明的任何元素、步骤或成分。过渡术语“实质上由……组成”将权利要求的范围限制于特定的材料或步骤,以及在实质上不影响基本特征和新颖性特征的材料或步骤。本发明这样保护的实施方式在本文中隐含地或显露的描述和实现。
应理解的是,逻辑代码、程序、模块、过程、方法、以及执行每个方法各自的元素的顺序仅是示例性的。根据实施例,除非在本公开中另外地指示,否则其能以任何顺序来执行或并行地执行。此外,逻辑代码不与任何特定编程语言相关或限于任何特定编程语言,且可包括以分配式、非分配式或多处理环境在一个或多个处理器上运行的一个或多个模块。
如上所述的方法可在集成电路芯片的制造中使用。形成的集成电路芯片可由制造者以诸如裸片的未加工芯片形式(即,作为具有多个未封装芯片的单晶片)进行分配,或者以封装的形式进行分配。在后一情况中,芯片安装在单个芯片封装中(诸如具有固定至母板或其它高层载体的前缘的塑性载体),或者安装在多芯片封装中(诸如一面或两面互连或埋置互连的陶瓷载体)。在任意情况下,芯片之后与其它芯片、离散的电路元件和/或作为中间产品(诸如母板)或最终产品的一部分的其它信号处理设备整合。最终产品可以是包括集成电路片的任何产品,范围从小摆件和其它低端应用到具有显示器、键盘或其它输入设备、以及中央处理器的先进计算机产品。
虽然已经参照至少一个示例性实施方式描述了本发明的各方面,但是本领域技术人员要明确地理解,本发明不局限于此。相反,本发明的范围仅结合所附权利要求来解释,且这里要明确的是,发明者相信保护的主题是本发明。
Claims (17)
1.一种用于创建和实施人工智能代理的方法,所述人工智能代理位于至少一个计算设备上的存储器中并配置成用于响应于至少一个会话输入而采取合适动作,所述方法包括:
在所述至少一个计算设备上的所述存储器中实施所述人工智能代理的目标个性;
在所述至少一个计算设备上的所述存储器中实施至少一个人工智能会话个性,每个所述人工智能会话个性配置成用于根据需要与所述目标个性进行会话,以向所述目标个性提供合适的知识和相关响应;
通过从至少一个通信实体接收所述至少一个会话输入,允许所述至少一个通信实体与所述目标个***互;以及
针对由所述目标个性接收的每个所述会话输入:
处理所述会话输入,以推导与所述会话输入相关的至少一个核心含义;
为所述至少一个核心含义确定合适的原始响应;
将所述原始响应格式化;以及
将经格式化的所述原始响应传输至所述至少一个通信实体;
其中,即使实时地从所述至少一个人工智能会话个性获取到由所述目标个性提供的一个或多个响应,所述人工智能代理的所述目标个性也能够继续会话,从而一直动态地提高所述目标个性的人工智能。
2.如权利要求1所述的方法,还包括:
选择用于所述目标个性的期望个性类型;以及
基于用于所述目标个性的所述期望个性类型,选择一个或多个合适的会话个性,其中所述目标个性将与所述一个或多个合适的会话个性通信。
3.如权利要求2所述的方法,其中,允许所述至少一个通信实体与所述目标个***互的步骤还包括:
在所述至少一个计算设备上的所述存储器中实施至少一个教师个性,每个所述教师个性配置成用于向所述目标个性传输预定义的会话输入的集合,以使得所述目标个性能够通过与所述至少一个人工智能会话个***互以及从所述至少一个人工智能会话个性接收合适的响应来学习如何恰当地对所述会话输入做出响应;以及
基于用于所述目标个性的所述期望个性类型,选择合适的教师个性,其中所述目标个性将与所述合适的教师个性通信。
4.如权利要求1所述的方法,其中,允许所述至少一个通信实体与所述目标个***互的步骤还包括:允许至少一个人类用户向所述目标个性选择性地传输所述至少一个会话输入。
5.如权利要求1所述的方法,其中,处理所述会话输入的步骤还包括:
保持所述目标个性遇到的全部会话输入和与每个所述会话输入相关的核心含义的关系列表;
从所述会话输入去除任意标点;
从所述会话输入去除确定对所述核心含义无影响的任意语言;以及
将所述会话输入映射至存储于所述关系列表中相关的所述核心含义。
6.如权利要求1所述的方法,其中,针对与所述会话输入相关的每个核心含义,确定合适的原始响应的步骤还包括:
在确定所述核心含义包括至少一个对象时,处理所述至少一个对象;
保持包括所述目标个性遇到的全部核心含义和与每个所述核心含义相关的原始响应的响应文件集合;
确定所述核心含义是否为新的,或者所述核心含义之前是否已经被所述目标个性遇到;
在确定之前已经遇到所述核心含义时:
将所述核心含义映射至存储于所述响应文件中的至少一个相关原始响应;以及
确定所述至少一个相关原始响应中的哪个最合适;以及
在确定所述核心含义是新的时:
将所述核心含义传输至所述至少一个人工智能会话个性;
从所述至少一个人工智能会话个性接收至少一个原始响应;
确定所述至少一个原始响应中的哪个最合适;
将认为最合适的所述核心含义和所述相关原始响应添加至所述响应文件;以及
在确定所述原始响应包括至少一个对象时,处理所述至少一个对象。
7.如权利要求6所述的方法,还包括:
将与每个原始响应相关的情绪值存储于所述响应文件集合中,所述情绪值指示伴随所述相关原始响应的情绪类型;以及
修改所述原始响应,以反映由所述情绪值限定的所述情绪类型。
8.如权利要求7所述的方法,还包括:
将与每个原始响应的所述情绪值相关的权重值存储于所述响应文件集合中,所述权重值指示伴随所述相关原始响应的合适情绪强度;以及
修改所述原始响应,以反映由所述权重值限定的所述合适情绪强度。
9.如权利要求6所述的方法,其中,确定所述至少一个原始响应中的哪个最合适的步骤还包括:
向每个所述通信实体和人工智能会话个性分配排名;
将与所述通信实体或所述人工智能会话个性有关的信息存储在每个响应文件中,其中,所述信息用于创建或最后编辑包括在所述响应文件中的所述原始响应,并且所述信息包括所述排名;以及
在发现与给定核心含义相关的多个原始响应时,确定所述多个原始响应中的哪个具有与所述原始响应相关的最高排名。
10.如权利要求6所述的方法,其中,处理所述至少一个对象的步骤还包括:
保持包括与所述目标个性遇到的全部对象相关的信息的对象文件集合,其中每个所述对象文件包括对象名称、对象分类和对象属性中的至少之一;以及
对于包括在所述核心含义和所述原始响应中至少之一中的每个对象:
确定所述对象是否是新的或者所述对象之前是否已经被所述目标个性遇到;
在确定之前已遇到所述对象时:
利用包括在所述核心含义和所述原始响应中至少之一中的任意相关信息,根据需要更新与所述对象相关的所述对象文件;以及
在确定所述对象是新的时:
创建用于所述对象的新对象文件;
利用包括在所述核心含义和所述原始响应中至少之一中的任意相关信息填充所述新对象文件;以及
在确定所述对象是预存在对象的子集时,利用与所述预存在对象相关的全部相关信息填充所述新对象文件的所述对象分类和所述对象属性中至少之一。
11.如权利要求10所述的方法,还包括:
创建和保持用于所述至少一个通信实体中的每个的对象文件;以及
在所述目标个性从所述至少一个通信实体之一接收到初始会话输入时:
确定所述目标个性之前是否已遇到所述通信实体;
在确定所述通信实体是新的时:
创建用于所述通信实体的新对象文件;
向所述通信实体提示与所述通信实体有关的相关信息;以及
利用从所述通信实体获取的任意相关信息填充所述新对象文件;
在确定之前已遇到所述通信实体时:
访问与所述通信实体相关的所述对象文件;以及
验证所述通信实体的身份;以及
利用包括在至少一个会话输入中的任意相关信息,根据需要更新与所述通信实体相关的所述对象文件。
12.如权利要求11所述的方法,其中,验证所述通信实体的身份的步骤还包括:基于包括在所述相关对象文件中的相关信息和包括在所述目标个性与所述通信实体之间的过往会话中的细节中至少之一,向所述通信实体提示至少一个验证问题。
13.如权利要求11所述的方法,还包括:
使用唯一的加密密钥,将包括在与所述至少一个通信实体相关的所述至少一个对象文件中的相关信息加密;
在验证所述通信实体的身份时,确定所述通信实体是否具有对应的解密密钥;以及
使用所述解密密钥将包括在所述相关对象文件中的相关信息解密,以在与所述通信实体交互时根据情况使用该信息。
14.如权利要求1所述的方法,还包括:为所述目标个性和所述人工智能会话个性中至少之一提供对一个或多个补充数据源的访问,以选择性地增加所述目标个性的知识库。
15.如权利要求14所述的方法,还包括,在所述目标个性接收到具有需要研究的响应的会话输入时:
向所述通信实体传输含糊响应并继续与所述通信实体的会话;
经由所述补充数据源,初始化用于执行所需研究的第二线程;以及
在结束所述研究时,中断所述会话并向所述通信实体传输经研究的所述响应。
16.一种用于创建和实施人工智能代理的方法,所述人工智能代理位于至少一个计算设备上的存储器中并配置成用于响应于至少一个会话输入而采取合适动作,所述方法包括:
在所述至少一个计算设备上的所述存储器中实施所述人工智能代理的目标个性;
在所述至少一个计算设备上的所述存储器中实施至少一个人工智能会话个性,每个所述人工智能会话个性配置成用于根据需要与所述目标个性进行会话,以向所述目标个性提供合适知识和相关响应;
通过从至少一个通信实体接收所述至少一个会话输入,允许所述至少一个通信实体与所述目标个***互;
在所述至少一个计算设备上的所述存储器中实施至少一个教师个性,每个所述教师个性配置成用于通过向所述目标个性传输预定义的会话输入的集合而用作通信实体,以使得所述目标个性能够通过与所述至少一个人工智能会话个***互并从所述至少一个人工智能会话个性接收合适的响应来学习如何恰当地对所述会话输入做出响应;以及
针对由所述目标个性接收的每个所述会话输入:
处理所述会话输入,以推导与所述会话输入相关的至少一个核心含义;
确定用于所述至少一个核心含义的合适原始响应;
将所述原始响应格式化;以及
将经格式化的所述原始响应传输至所述通信实体;
其中,即使实时地从所述至少一个人工智能会话个性获取到由所述目标个性提供的一个或多个响应,所述人工智能代理的所述目标个性也能够继续会话,从而一直动态地提高所述目标个性的人工智能。
17.一种用于创建和实施人工智能代理的***,所述人工智能代理位于至少一个计算设备上的存储器中,所述***包括:
目标个性,位于所述至少一个计算设备上的所述存储器中并包括预处理器、逻辑处理器和后处理器,所述目标个性配置成用于通过对从至少一个通信实体接收的至少一个会话输入做出响应,而与所述至少一个通信实体交互;
所述预处理器配置成用于处理每个所述会话输入,以推导与每个所述会话输入相关的至少一个核心含义;
所述逻辑处理器配置成用于确定用于所述至少一个核心含义的合适原始响应;
所述后处理器配置成用于将所述原始响应格式化;
至少一个人工智能会话个性,位于所述至少一个计算设备上的所述存储器中,每个所述人工智能会话个性配置成用于根据需要与所述目标个性会话,以向所述目标个性提供合适知识和相关响应;
至少一个教师个性,位于所述至少一个计算设备上的所述存储器中,每个所述教师个性配置成用于向所述目标个性传输预定义的会话输入的集合,以使得所述目标个性能通过与所述至少一个人工智能会话个***互和从所述至少一个人工智能会话个性接收合适的响应来学习如何合适地对所述会话输入做出响应;
其中,在所述目标个性接收到所述至少一个会话输入时,对于由所述目标个性接收的每个所述会话输入,所述目标个性配置成用于:
处理所述会话输入,以推导与所述会话输入相关的至少一个核心含义;
确定用于所述至少一个核心含义的合适原始响应;
将所述原始响应格式化;以及
将经格式化的所述原始响应传输至所述至少一个通信实体;
其中,即使实时地从所述至少一个人工智能会话个性获取到由所述目标个性提供的一个或多个响应,所述目标个性也能够继续会话,从而一直动态地提高所述人工智能目标个性的人工智能。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361843230P | 2013-07-05 | 2013-07-05 | |
US61/843,230 | 2013-07-05 | ||
PCT/US2014/045506 WO2015003180A1 (en) | 2013-07-05 | 2014-07-04 | Systems and methods for creating and implementing an artificially intelligent agent or system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105518647A true CN105518647A (zh) | 2016-04-20 |
Family
ID=52133502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480047138.5A Pending CN105518647A (zh) | 2013-07-05 | 2014-07-04 | 用于创建和实施人工智能代理或***的***和方法 |
Country Status (12)
Country | Link |
---|---|
US (1) | US9672467B2 (zh) |
EP (1) | EP3017379A4 (zh) |
JP (1) | JP6207733B2 (zh) |
KR (1) | KR101790092B1 (zh) |
CN (1) | CN105518647A (zh) |
AU (1) | AU2014285033B2 (zh) |
BR (1) | BR112015032888A2 (zh) |
CA (1) | CA2916950A1 (zh) |
IL (1) | IL243354A0 (zh) |
RU (1) | RU2015155633A (zh) |
SG (1) | SG11201600039YA (zh) |
WO (1) | WO2015003180A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163677A (zh) * | 2020-10-14 | 2021-01-01 | 杭州海康威视数字技术股份有限公司 | 应用机器学习模型的方法、装置及设备 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9634855B2 (en) | 2010-05-13 | 2017-04-25 | Alexander Poltorak | Electronic personal interactive device that determines topics of interest using a conversational agent |
US10015234B2 (en) * | 2014-08-12 | 2018-07-03 | Sony Corporation | Method and system for providing information via an intelligent user interface |
WO2016123221A1 (en) * | 2015-01-27 | 2016-08-04 | RISOFTDEV, Inc. | Systems and methods for creating and implementing an artificially intelligent agent or system |
US11093711B2 (en) | 2016-09-28 | 2021-08-17 | Microsoft Technology Licensing, Llc | Entity-specific conversational artificial intelligence |
US10347244B2 (en) | 2017-04-21 | 2019-07-09 | Go-Vivace Inc. | Dialogue system incorporating unique speech to text conversion method for meaningful dialogue response |
KR102209336B1 (ko) * | 2017-11-20 | 2021-01-29 | 엘지전자 주식회사 | 에이전트 개발자를 위한 툴킷 제공 장치 |
WO2019098803A1 (en) | 2017-11-20 | 2019-05-23 | Lg Electronics Inc. | Device for providing toolkit for agent developer |
CN111954889A (zh) * | 2018-01-29 | 2020-11-17 | 埃美杰斯有限责任公司 | 用于促成基于情感状态的人工智能的***和方法 |
KR101987592B1 (ko) * | 2018-08-31 | 2019-06-10 | 건국대학교 산학협력단 | 문법 모델의 정확도 향상 방법 및 이를 수행하는 장치들 |
US11075862B2 (en) | 2019-01-22 | 2021-07-27 | International Business Machines Corporation | Evaluating retraining recommendations for an automated conversational service |
US10983789B2 (en) | 2019-01-25 | 2021-04-20 | Allstate Insurance Company | Systems and methods for automating and monitoring software development operations |
KR102041617B1 (ko) * | 2019-03-07 | 2019-11-27 | 주식회사 다이얼로그디자인에이전시 | 인공 지능의 다양한 스타일의 응답 제공 방법 및 장치 |
US10803057B1 (en) * | 2019-08-23 | 2020-10-13 | Capital One Services, Llc | Utilizing regular expression embeddings for named entity recognition systems |
KR20210026962A (ko) | 2019-09-02 | 2021-03-10 | 삼성전자주식회사 | 보이스 어시스턴트 서비스를 제공하는 장치 및 방법 |
US11824819B2 (en) | 2022-01-26 | 2023-11-21 | International Business Machines Corporation | Assertiveness module for developing mental model |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1529861A (zh) * | 2000-11-07 | 2004-09-15 | 由语言输入创建数据库和结构化信息的*** | |
CN1550980A (zh) * | 2003-04-10 | 2004-12-01 | 对象层次结构内对象创建的***和方法 | |
US20100088262A1 (en) * | 2008-09-29 | 2010-04-08 | Neuric Technologies, Llc | Emulated brain |
US20120330874A1 (en) * | 2010-01-25 | 2012-12-27 | Andrew Peter Nelson Jerram | Apparatuses, methods and systems for a digital conversation management platform |
CN103020655A (zh) * | 2012-12-16 | 2013-04-03 | 山东神思电子技术股份有限公司 | 一种基于单训练样本人脸识别的远程身份认证方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2621809B2 (ja) * | 1994-08-15 | 1997-06-18 | 日本電気株式会社 | 協調型の知識ベースシステム |
US6721706B1 (en) * | 2000-10-30 | 2004-04-13 | Koninklijke Philips Electronics N.V. | Environment-responsive user interface/entertainment device that simulates personal interaction |
JP2002304114A (ja) * | 2001-04-03 | 2002-10-18 | World Vision:Kk | 学習支援システム及び記録媒体及びプログラム |
US20030033266A1 (en) * | 2001-08-10 | 2003-02-13 | Schott Wade F. | Apparatus and method for problem solving using intelligent agents |
JP4318903B2 (ja) * | 2002-10-18 | 2009-08-26 | 株式会社日本ビジネスエンジニアリング | 自己学習型エージェント |
US7305372B2 (en) | 2003-03-04 | 2007-12-04 | Kurzweil Technologies, Inc. | Enhanced artificial intelligence language |
-
2014
- 2014-07-04 AU AU2014285033A patent/AU2014285033B2/en not_active Ceased
- 2014-07-04 EP EP14820600.6A patent/EP3017379A4/en not_active Withdrawn
- 2014-07-04 CN CN201480047138.5A patent/CN105518647A/zh active Pending
- 2014-07-04 RU RU2015155633A patent/RU2015155633A/ru not_active Application Discontinuation
- 2014-07-04 JP JP2016524388A patent/JP6207733B2/ja active Active
- 2014-07-04 WO PCT/US2014/045506 patent/WO2015003180A1/en active Application Filing
- 2014-07-04 CA CA2916950A patent/CA2916950A1/en not_active Abandoned
- 2014-07-04 SG SG11201600039YA patent/SG11201600039YA/en unknown
- 2014-07-04 US US14/324,144 patent/US9672467B2/en active Active
- 2014-07-04 KR KR1020167000839A patent/KR101790092B1/ko active IP Right Grant
- 2014-07-04 BR BR112015032888A patent/BR112015032888A2/pt not_active IP Right Cessation
-
2015
- 2015-12-24 IL IL243354A patent/IL243354A0/en unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1529861A (zh) * | 2000-11-07 | 2004-09-15 | 由语言输入创建数据库和结构化信息的*** | |
CN1550980A (zh) * | 2003-04-10 | 2004-12-01 | 对象层次结构内对象创建的***和方法 | |
US20100088262A1 (en) * | 2008-09-29 | 2010-04-08 | Neuric Technologies, Llc | Emulated brain |
US20120330874A1 (en) * | 2010-01-25 | 2012-12-27 | Andrew Peter Nelson Jerram | Apparatuses, methods and systems for a digital conversation management platform |
CN103020655A (zh) * | 2012-12-16 | 2013-04-03 | 山东神思电子技术股份有限公司 | 一种基于单训练样本人脸识别的远程身份认证方法 |
Non-Patent Citations (1)
Title |
---|
ADRIAN HORZYK 等: "An Intelligent Internet Shop-Assistant Recognizing a Customer Personality for Improving Man-Machine Interactions", 《RECENT ADVANCES IN INTELLIGENT INFORMATION SYSTEMS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163677A (zh) * | 2020-10-14 | 2021-01-01 | 杭州海康威视数字技术股份有限公司 | 应用机器学习模型的方法、装置及设备 |
CN112163677B (zh) * | 2020-10-14 | 2023-09-19 | 杭州海康威视数字技术股份有限公司 | 应用机器学习模型的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
JP2016532185A (ja) | 2016-10-13 |
IL243354A0 (en) | 2016-02-29 |
US9672467B2 (en) | 2017-06-06 |
JP6207733B2 (ja) | 2017-10-04 |
SG11201600039YA (en) | 2016-02-26 |
KR101790092B1 (ko) | 2017-10-25 |
RU2015155633A (ru) | 2017-08-10 |
WO2015003180A1 (en) | 2015-01-08 |
US20150012464A1 (en) | 2015-01-08 |
AU2014285033A1 (en) | 2016-01-28 |
BR112015032888A2 (pt) | 2017-07-25 |
KR20160019942A (ko) | 2016-02-22 |
EP3017379A1 (en) | 2016-05-11 |
AU2014285033B2 (en) | 2017-09-14 |
EP3017379A4 (en) | 2017-08-09 |
CA2916950A1 (en) | 2015-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105518647A (zh) | 用于创建和实施人工智能代理或***的***和方法 | |
CN113377850B (zh) | 认知物联网大数据技术平台 | |
WO2019027992A1 (en) | PROACTIVE, INTELLIGENT AND OMNICANAL VIRTUAL AGENT | |
CN112749749B (zh) | 基于分类决策树模型的分类方法、装置及电子设备 | |
US10019670B2 (en) | Systems and methods for creating and implementing an artificially intelligent agent or system | |
US12032928B2 (en) | Natural solution language | |
CN112580352B (zh) | 关键词提取方法、装置和设备及计算机存储介质 | |
CN113011889B (zh) | 账号异常识别方法、***、装置、设备及介质 | |
CN110598070A (zh) | 应用类型识别方法及装置、服务器及存储介质 | |
Atakishiyev et al. | A multi-component framework for the analysis and design of explainable artificial intelligence | |
CN113868419A (zh) | 基于人工智能的文本分类方法、装置、设备及介质 | |
Bobek et al. | KnAC: an approach for enhancing cluster analysis with background knowledge and explanations | |
US11314488B2 (en) | Methods and systems for automated screen display generation and configuration | |
Hendler | Why the Semantic Web will never work | |
Khaleelullah et al. | A Framework for Design and Development of Message sharing using Open-Source Software | |
CN117764373A (zh) | 风险预测的方法、装置、设备及存储介质 | |
CN101647033B (zh) | 建模和仿真人类行为的计算机实现的方法和装置 | |
CN115033229A (zh) | 活动模型生成方法、装置、电子设备及存储介质 | |
KR101458693B1 (ko) | 예측 모형에 기초한 예측결과의 판단 방법 | |
Lakhwani | Big data classification techniques: A systematic literature | |
Oguike | A First Course in Artificial Intelligence | |
CN117093661B (zh) | 地图数据的处理方法、装置、电子设备以及存储介质 | |
Ignjatović et al. | Combining social media open source data with relevance analysis and expert knowledge to improve situational awareness in crisis and disaster management-concept | |
Frischknecht-Gruber et al. | Global Efforts Towards Establishing Safety Directives for Intelligent Systems | |
Shanmugavel et al. | A Deep Learning Model to Detect Fake News about COVID-19 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160420 |