CN112075068A - 电子设备及其操作方法 - Google Patents

电子设备及其操作方法 Download PDF

Info

Publication number
CN112075068A
CN112075068A CN201980029819.1A CN201980029819A CN112075068A CN 112075068 A CN112075068 A CN 112075068A CN 201980029819 A CN201980029819 A CN 201980029819A CN 112075068 A CN112075068 A CN 112075068A
Authority
CN
China
Prior art keywords
web page
electronic device
data
server
display
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
Application number
CN201980029819.1A
Other languages
English (en)
Inventor
金相得
金东俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
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 Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN112075068A publication Critical patent/CN112075068A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/72445—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality for supporting Internet browser applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement
    • 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
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90332—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • 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
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/725—Cordless telephones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2201/00—Electronic components, circuits, software, systems or apparatus used in telephone systems
    • H04M2201/34—Microprocessors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2201/00—Electronic components, circuits, software, systems or apparatus used in telephone systems
    • H04M2201/36—Memories
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2201/00—Electronic components, circuits, software, systems or apparatus used in telephone systems
    • H04M2201/38—Displays

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

提供了一种电子设备及其操作方法。该电子设备包括通信单元、显示器和处理器，该处理器：基于搜索关键字通过通信单元从第一服务器接收搜索结果数据；通过通信单元请求第二服务器提供附加信息，该附加信息是关于搜索结果数据中包括的每个网页是否指示广告页面；以及基于从第二服务器接收的并且与每个网页对应的附加信息，控制显示器显示搜索结果数据，其中第二服务器可以基于网页是否包括广告模式，使用由人工智能算法学习的学习模型生成附加信息。此外，本公开涉及使用诸如深度学习的机器学习算法的人工智能(AI)***及其应用。

Description

电子设备及其操作方法
技术领域
本公开涉及一种电子设备及其操作方法。
本公开还涉及使用诸如深度学习的机器学习算法的人工智能(AI)***及其应用。
背景技术
人工智能(AI)***是能够实现人类水平智能的计算机***，并且是指与现有的基于规则的智能***不同的其中机器自主学习、做出确定并变得更加智能的***。可以与AI***的迭代次数成比例地提高识别率并且更准确地理解用户偏好，因此，现有的基于规则的智能***已逐渐被基于深度学习的AI***所取代。
AI技术包括机器学习(或深度学习)和使用机器学习的元素技术。
机器学习指用于对输入数据的特征进行自动分类/学习的算法技术，元素技术指使用诸如深度学习的机器学习算法的技术，并且包括诸如语言理解、视觉理解、推理/预测、知识表达和操作控制的技术领域。
可应用AI技术的各个领域的示例如下所述。语言理解指用于识别和应用/处理人类语言/字符的技术，包括自然语言处理、机器翻译、对话***、查询和响应、语音识别/合成等。视觉理解指像人类视觉这样识别和处理对象的技术，包括对象识别、对象跟踪、图像搜索、人类识别、场景理解、空间理解、图像增强等。推理/预测指用于确定信息并逻辑地执行推理和预测的技术，并且包括基于知识/概率的推理、优化的预测、基于偏好的计划、推荐等。知识表达指一种将人类经验信息自动处理为知识数据的技术，包括知识构建(数据生成/分类)、知识管理(数据利用)等。操作控制指用于车辆的自动驾驶和机器人的运动控制的技术，并且包括运动控制(例如，导航、避免碰撞和驾驶控制)、操纵控制(例如，动作控制)等。
发明内容
技术问题
提供了一种电子设备及其操作方法。还提供了一种计算机可读记录介质，在计算机可读记录介质上记录有用于在计算机上执行上述方法的程序。要解决的技术问题不限于上述技术问题，并且还可以存在其他技术问题。
技术方案
根据本公开的一方面，一种电子设备，包括：通信器；显示器；以及处理器，所述处理器被配置为：基于搜索关键字，通过所述通信器从第一服务器接收搜索结果数据；通过所述通信器向第二服务器请求附加信息，所述附加信息指示所述搜索结果数据中包括的每个网页是否是广告页面；以及基于从所述第二服务器接收的并且与所述每个网页对应的所述附加信息，控制所述显示器显示所述搜索结果数据，其中，所述附加信息是由所述第二服务器基于所述网页是否包括广告模式，使用由人工智能(AI)算法训练的训练模型生成的。
根据本公开的另一方面，一种电子设备的操作方法，包括：基于搜索关键字，从第一服务器接收搜索结果数据；向第二服务器请求附加信息，所述附加信息指示所述搜索结果数据中包括的每个网页是否是广告页面；以及基于从所述第二服务器接收的并且与所述每个网页对应的所述附加信息，控制所述显示器显示所述搜索结果数据，其中，所述附加信息是由所述第二服务器基于所述网页是否包括广告模式，使用由人工智能(AI)算法训练的训练模型生成的。
根据本公开的另一方面，一种电子设备，包括：通信器；显示器；以及处理器，所述处理器被配置为：基于搜索关键字，通过所述通信器从外部电子设备接收搜索结果数据；生成指示所述搜索结果数据中包括的每个网页是否是广告页面的附加信息；以及通过所述通信器向所述外部电子设备发送所述附加信息，其中，所述处理器进一步被配置为基于所述网页是否包括广告模式，使用由人工智能(AI)算法训练的训练模型生成所述附加信息。
根据本公开的另一方面，一种电子设备的操作方法，包括：基于搜索关键字从外部电子设备接收搜索结果数据；生成指示所述搜索结果数据中包括的每个网页是否是广告页面的附加信息；以及向所述外部电子设备发送所述附加信息，其中生成所述附加信息包括基于网页是否包含广告模式，使用由人工智能(AI)算法训练的训练模型生成所述附加信息。
根据本公开的另一方面，一种计算机可读记录介质，在所述计算机可读记录介质上记录了用于在计算机上执行上述方法的程序。
附图说明
图1是示出了根据实施例的电子设备的操作的示例的图示。
图2是根据实施例的电子设备的操作方法的流程图。
图3是根据实施例的电子设备、第一服务器和第二服务器的操作方法的流程图。
图4是根据实施例的第二服务器的操作方法的流程图。
图5是用于描述根据实施例的其中第二服务器生成指示网页是否是广告页面的附加信息的示例的图示。
图6是用于描述根据实施例的其中第二服务器基于网页的访问历史信息生成附加信息的示例的图示。
图7和图8是用于描述根据实施例的其中第二服务器基于与特定用户对应的偏好信息生成附加信息的示例的图示。
图9至图12是用于描述根据实施例的其中第二服务器基于是否包括使用训练模型所确定的广告模式来生成附加信息。
图13至图15是用于描述根据实施例的其中电子设备基于附加信息来显示搜索结果数据的示例的图示。
图16是根据实施例的电子设备的框图。
图17是根据实施例的电子设备的详细框图。
图18是根据实施例的第二服务器的框图。
图19是根据实施例的第二服务器的处理器的框图。
图20是根据实施例的数据训练器的框图。
图21是根据实施例的数据识别器的框图。
图22是示出了根据实施例的其中第二服务器与另一服务器协作以学习和识别数据的示例的图示。
具体实施方式
在下文中，将通过参考附图解释本公开的实施例来详细描述本公开。然而，本公开可以以许多不同的形式来体现，并且不应被解释为限于本文阐述的实施例。在附图中，为了清楚说明，未示出与本公开无关的部分，并且相同的附图标记始终表示相同的元件。
尽管在考虑到根据本公开获得的功能的同时，从当前广泛使用的通用术语中选择了尽可能多的本文使用的术语，这些术语可以基于本领域普通技术人员的意图、习惯、新技术的出现等而由其他术语代替。因此，应当注意，本文中使用的术语是基于其实际含义和本说明书的全部内容来解释的，而不是仅基于术语的名称来解释。
诸如“第一”和“第二”之类的术语可以用于指定各种元件，但是这些元件不应受到这些术语的限制。这些术语仅用于将一个元素与另一个元素区分开。
以下描述中的术语仅用于描述特定实施例，而无意于限制本公开的范围。除非上下文另外明确指出，否则单数形式“一”、“一个”和“该”也意图包括复数形式。在整个说明书中，当一个元件被称为“连接到”另一个元件时，该元件可以“直接连接到”另一个元件或通过中间元件“电连接到”另一个元件。当在本文中使用时，术语“包括”和/或“包含”指定存在所述元件，但不排除一个或更多个其他元件的存在或添加。
定冠词“该”或其他指示代词可以表示单数形式和复数形式。除非上下文另外明确指出，否则可以以适当的顺序执行根据本公开的实施例的方法中包括的操作。描述操作的顺序不限制本公开的范围。
在本说明书的各个部分的表述“本公开的实施例”并不总是指定本公开的相同实施例。
本公开的实施例可以表示为功能块和各种处理步骤。一些或所有功能块可以由被配置为执行某些功能的各种数量的硬件和/或软件元件来实现。例如，本公开的功能块可以由用于某些功能的一个或更多个微处理器或电路元件来实现。作为另一示例，可以使用各种编程或脚本语言来实现本公开的功能块。可以使用由一个或更多个处理器执行的算法来实现功能块。此外，本公开可以采用用于电子设置、信号处理和/或数据处理的已知技术。诸如“机构”、“元件”、“装置”和“配置”之类的术语可以被广泛使用，并且不限于机械和物理配置。
另外，附图中所示的元件之间的连接线或连接构件仅示出了功能连接和/或物理或电路连接的示例。元件之间的连接可以由实际设备中的可替换的或附加的各种功能连接、物理连接或电路连接表示。
现在将详细参考实施例，实施例的示例在附图中示出。
图1是示出了根据实施例的电子设备1000的操作的示例的图示。
根据实施例，当电子设备1000使用搜索引擎来提供对餐厅、产品等的搜索的结果时，电子设备1000还可以提供搜索结果中包括的网页、博客等是广告页面的概率信息。
如此，因为用户可以在不访问搜索结果中包括的网页的情况下提前识别广告概率，所以可以获得更有效的信息，并且可以减少获取用户期望的信息所花费的时间。
如图1所示，例如，用户可以启动网络浏览器并访问电子设备1000(例如，智能手机)上的搜索引擎。电子设备1000可以显示搜索引擎的启动屏幕101，并且接收用于搜索好餐厅的搜索关键字102(例如，“好餐厅”)。电子设备1000可以在显示器1210(参见图16和图17)上显示使用搜索关键字102找到的网页的列表104。在这种情况下，电子设备1000还可以显示每个网页是广告页面的概率信息105。例如，电子设备1000可以显示网页列表104中的第一网页是广告页面的概率为80％。这样，用户可以在搜索结果屏幕上查看网页列表104，并识别具有高广告概率的网页。
根据实施例电子设备1000被图示为图1中的智能手机，但不限于此。
根据实施例的电子设备1000可以被实现为包括显示器的电子设备或可连接到显示器的电子设备。例如，电子设备1000可以被实现为各种电子设备，诸如智能电视(TV)、机顶盒、平板个人计算机(PC)、数码相机、膝上型计算机、台式计算机、电子书阅读器、数字广播接收器、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航***、MP3播放器和可穿戴设备。
图1仅示出了实施例，并且本公开不限于此。
图2是根据实施例的电子设备1000的操作方法的流程图。
在图2的操作S201中，电子设备1000可以基于搜索关键字从第一服务器接收搜索结果数据。
根据实施例，电子设备1000可以通过通信器1500从用户接收搜索关键字，并且基于搜索关键字从第一服务器(例如，搜索引擎服务器)请求搜索结果数据(参见图16和图17)。电子设备1000可以响应于搜索请求从第一服务器(例如，搜索引擎服务器)接收搜索结果数据。
例如，当通过搜索引擎输入搜索关键字(例如，“好餐厅”)时，电子设备1000可以基于搜索关键字从第一服务器(例如，搜索引擎服务器)接收搜索结果(例如，包括好餐厅信息的网站列表、博客等)。
在图2的操作S202中，电子设备1000可以从第二服务器请求指示搜索结果数据中包括的每个网页是否是广告页面的附加信息。
根据实施例，在显示器1210上显示所接收的搜索结果数据之前，电子设备1000可以请求第二服务器来确定搜索结果数据中包括的每个网页是否是广告页面。第二服务器可以生成指示搜索结果数据中包括的每个网页是否是广告页面的附加信息，并将该附加信息发送到电子设备1000。
根据实施例，附加信息可以包括网页是广告页面的概率信息。
根据实施例，第二服务器可以是基于广告页面被预先训练的服务器。第二服务器可以利用由人工智能(AI)算法训练的训练模型来确定网页是否包括广告模式。第二服务器可以基于网页的访问历史信息和与特定用户对应的偏好信息来确定搜索结果数据中包括的网页是否是广告页面。
下面将参照图5至图12详细描述根据实施例的其中第二服务器生成指示网页是否是广告页面的附加信息的示例。
在图2的操作S203中，电子设备1000可以基于从第二服务器接收的并且与每个网页对应的附加信息来显示搜索结果数据。
根据实施例，附加信息可以包括网页是广告页面的概率信息。
根据实施例，电子设备1000可以在显示器1210上显示搜索结果数据中包括的网页列表以及与每个网页对应的概率信息。例如，电子设备100可以显示到每个网页的超链接以及每个网页是广告页面的概率信息(例如，“广告概率：60％”)。
电子设备1000可以基于与每个网页对应的附加信息，从搜索结果数据中包括的网页之中确定要在显示器1210上显示的网页列表。根据实施例，电子设备1000可以根据要在显示器1210上显示的网页列表，从搜索结果数据中包括的网页之中排除广告概率信息大于或等于预设阈值的网页。例如，电子设备1000可以根据要在显示器1210上显示的网页列表，从搜索结果数据中包括的网页之中排除广告概率信息大于或等于80％的网页。
图3是根据实施例的电子设备1000、第一服务器200和第二服务器300的操作方法的流程图。
在图3的操作S301中，电子设备1000可以接收搜索关键字。
例如，电子设备1000可以在显示器1210上显示通过网络浏览器访问的搜索引擎的启动屏幕。电子设备1000可以通过搜索引擎的启动屏幕上的用户界面来接收搜索关键字(例如，“好餐厅”)。
在图3的操作S302中，电子设备1000可以基于搜索关键字向第一服务器200请求搜索结果数据。
例如，电子设备1000可以基于搜索关键词向第一服务器200(例如，搜索引擎服务器)请求搜索结果数据(例如，包括搜索关键词的网站列表)。
在图3的操作S303中，第一服务器200可以生成搜索结果数据。
例如，第一服务器200(例如，搜索引擎服务器)可以根据预设的搜索设置来生成包括网站、博客、图像等的搜索结果数据，其中网站、博客、图像等包括搜索关键字(例如，“好餐厅”)。
在图3的操作S304中，电子设备1000可以从第一服务器200接收搜索结果数据。
例如，电子设备1000可以从第一服务器200接收包括搜索关键字(例如，“好餐厅”)的网站列表。
在图3的操作S305中，电子设备1000可以向第二服务器300请求指示搜索结果数据中包括的每个网页是否是广告页面的附加信息。
根据实施例，附加信息可以包括网页是广告页面的概率信息。
根据实施例，电子设备1000可以向第二服务器300发送搜索结果数据中包括的多个网页的统一资源定位符(URL)信息，并且向第二服务器300请求与每条URL信息对应的概率信息。
在图3的操作S306中，第二服务器300可以基于网页是否包括广告模式来生成附加信息。
根据实施例，第二服务器300可以是被预先训练以确定输入的网页是否包括广告模式的服务器。
根据实施例，第二服务器300可以接收大量广告页面作为输入数据，并且训练训练模型(例如，数据识别模型)。
根据实施例，第二服务器300可以利用AI算法和训练的训练模型来生成从电子设备1000接收到的搜索结果数据中包括的每个网页是广告页面的概率信息。例如，第二服务器300可以生成与每个网页对应的概率信息，例如，指示包括在搜索结果数据中的多个网页的列表中的第一网页的广告概率为30％并且第二网页的广告概率为50％。
在图3的操作S307中，电子设备1000可以从第二服务器300接收与每个网页对应的附加信息。
根据实施例，电子设备1000可以接收搜索结果数据中包括的每个网页是广告页面的概率信息。
在图3的操作S308中，电子设备1000可以基于与每个网页对应的附加信息来显示搜索结果数据。
根据实施例，电子设备1000可以在显示器1210上显示搜索结果数据中包括的网页列表以及与每个网页对应的概率信息(例如，“广告概率：60％”)。
根据实施例，电子设备1000可以根据要在显示器1210上显示的网页列表，从搜索结果数据中包括的网页之中排除广告概率信息大于或等于预设阈值(例如，80％)的网页。
图2和图3仅示出实施例，并且本公开不限于此。
图4是根据实施例的第二服务器300的操作方法的流程图。图5是用于描述根据实施例的其中第二服务器300生成指示网页是否是广告页面的附加信息的示例的图示。图6是用于描述根据实施例的其中第二服务器300基于网页的访问历史信息来生成附加信息的示例的图示。图7和图8是用于描述根据实施例的其中第二服务器300基于与特定用户对应的偏好信息来生成附加信息的示例的图示。
在图4的操作S401中，第二服务器300可以基于搜索关键词从外部电子设备接收搜索结果数据。
根据实施例，电子设备1000可以基于搜索关键词从第一服务器200(例如，搜索引擎服务器)接收搜索结果数据(例如，基于搜索关键词的网站的列表)。
根据实施例，电子设备1000可以将搜索结果数据发送到第二服务器300。电子设备1000可以向第二服务器300请求指示搜索结果数据中包括的每个网页是否是广告页面的附加信息。例如，电子设备1000可以将包括在搜索结果数据中的多个网页的URL信息发送到第二服务器300，并且向第二服务器300请求与每条URL信息对应的概率信息。
在图4的操作S402中，第二服务器300可以基于以下项中的至少一项来生成指示搜索结果数据中包括的每个网页是否是广告页面的附加信息：基于网页的访问历史信息的第一分数；基于与特定用户对应的偏好信息的第二分数；以及基于网页是否包含广告模式的第三分数。
根据实施例，指示网页是否是广告页面的附加信息可以包括网页是广告页面的概率信息。
参照图5，第二服务器300可以通过计算网页的广告概率分数来生成附加信息。根据实施例，广告概率分数可以被计算为网页是广告页面的概率(％)。
例如，广告概率分数501可以被计算为以下各项之和(A*Aw+B*Bw+C)：基于特定网页的访问历史信息的第一分数A与A的权重Aw的乘积；基于与特定用户对应的偏好信息的第二分数B与B的权重Bw；以及基于网页是否包含广告模式的第三分数C。
例如，广告概率分数可以被计算为基于特定网页的访问历史信息的第一分数A。广告概率分数可以被计算为第一分数A与A的权重Aw的乘积。
广告概率分数可以被计算为基于与特定用户对应的偏好信息的第二分数B。广告概率分数可以被计算为第二分数B与B的权重Bw的乘积。
广告概率分数可以被计算为基于是否包括广告模式的第三分数C，这是利用由AI算法训练的训练模型确定的。
广告概率分数可以被计算为第一分数A、第二分数B和第三分数C中的至少一个的和。广告概率分数可以被计算为第一分数A与A的权重Aw的乘积、第二分数B与B的权重Bw的乘积和第三分数C中的至少一个的和。
根据实施例，在计算广告概率分数时，可以基于第一分数A和第二分数B的优先级来确定A的权重Aw和B的权重Bw。根据实施例，可以由第二服务器300的处理器预设或改变A的权重Aw和B的权重Bw。根据用户输入，可以设置或改变A的权重Aw和B的权重Bw。
根据实施例，网页的访问历史信息可以包括从访问网页到终止对网页的访问的页面停留时间。
参照图6，例如，当接收到用于选择搜索结果页面601中包括的多个网页的列表中的一个602的输入时，电子设备1000访问所选择的网页603。在这种情况下，从访问网页的时间到终止对网页的访问的时间的页面停留时间，可以被考虑用于确定该网页是否是广告页面。通常，当所访问的网页提供有效信息时，将在很长一段时间后终止对网页的访问，而当所访问的网页近似广告页面时，将在短时间内终止对网页的访问。
根据实施例，网页的访问历史信息可以包括访问网页然后在没有进一步访问网页中可连接的其他网页的情况下终止对该网页的访问的跳出率。
参照图6，例如，当接收到用于选择搜索结果页面601中包括的多个网页的列表中的一个602的输入时，电子设备1000访问所选择的网页603。在这种情况下，在没有进一步访问在可访问的网页603中可连接的其他网页的链接的情况下终止对网页603的访问的跳出率可以被考虑用于确定该网页603是否是广告页面。通常，当网页提供有效信息时，该网页中可连接的其他网页的可靠性和访问率很高。然而，当网页近似广告页面时，在短时间内终止对网页的访问而没有访问其他网页的比率将很高。
根据实施例，与特定用户对应的偏好信息可以包括与特定用户对应的网页的访问历史信息和基于特定用户的输入的信息中的至少一个。
参照图7，例如，当接收到用于选择搜索结果页面701中包括的多个网页的列表中的一个702的输入时，电子设备1000可以访问所选择的网页703。
根据实施例，与特定用户对应的网页的访问历史信息可以包括从特定用户访问网页到特定用户终止对该网页的访问的页面停留时间。根据实施例，与特定用户对应的网页的访问历史信息可以包括，特定用户访问网页，然后在没有访问网页中可连接的其他网页的情况下终止对该网页的访问的跳出率。
根据实施例，可以基于特定用户的网页登录信息来收集与特定用户对应的网页的访问历史信息。
根据实施例，与特定用户对应的偏好信息可以包括基于特定用户的输入的信息。
参照图8，例如，当接收到用于选择搜索结果页面中包括的多个网页的列表中的一个的输入时，电子设备1000可以访问所选择的网页801。在这种情况下，可以在所访问的网页801上提供用于允许用户直接输入网页偏好的用户界面802。例如，可以提供用于允许用户根据该网页偏好选择星型的用户界面802。
例如，可以提供用于允许用户选择“好”或“差”作为网页偏好的界面，并且本公开不限于此。
根据实施例，可以基于特定用户的网页登录信息来收集由特定用户输入的特定网页的偏好信息。
根据实施例，第二服务器300可以根据基于网页是否包括广告模式的第三分数来确定网页是否是广告页面。第二服务器300可以利用由AI算法训练的训练模型来确定网页是否是广告页面。
下面将参照图9至图12详细描述利用训练模型来确定网页是否包括广告模式的示例。
同时，在图4的操作S403中，第二服务器300可以向外部电子设备发送附加信息。根据实施例，第二服务器300可以将在操作S402中生成的搜索结果数据中包括的每个网页是广告页面的概率信息发送到电子设备1000。这样，电子设备1000可以显示接收到的概率信息以及搜索结果数据。
图4至图8仅示出实施例，并且本公开不限于此。
图9至图12是用于描述根据实施例的其中第二服务器300基于是否包括使用训练模型所确定的广告模式来生成附加信息。
如图9所示，根据实施例的第二服务器300(参见图3)可以确定输入页面903是否是广告页面。
例如，页面903可以是包括文本和图像的网页或博客。
根据实施例，当输入页面903时，第二服务器300可以执行用于确定输入页面903是否是广告页面的预处理。
根据实施例，第二服务器300可以执行光学字符识别(OCR)以从包括在输入页面903中的图像中提取文本。例如，可以从图像中包含的标志或名片中提取餐厅名称、电话号码或地址。
第二服务器300可以通过图像识别执行字幕生成。例如，可以生成用于描述网页中包括的食物图片的字幕。
第二服务器300可以对文本执行情感分析。例如，可以确定网页中包括的餐厅评论中使用的词语所表现出的情绪是正面的还是负面的。
根据实施例，第二服务器300可以利用由AI算法训练的训练模型901来确定从输入页面903预处理的处理数据904是广告页面的概率。
根据实施例，第二服务器300可以使用训练数据作为输入值通过监督学习来训练训练模型901。
根据实施例，训练数据可以包括大量的广告页面。
根据实施例，第二服务器300可以使用大量广告页面作为输入值通过监督学习来训练训练模型901。
根据实施例，第二服务器300可以通过网络爬取来获得大量广告页面，并且使用大量广告页面作为输入值来执行监督学习。
根据实施例，第二服务器300可以生成虚拟广告页面以确保有大量的训练数据。
参照图10，根据实施例的第二服务器300(参见图3)可以分析广告页面的广告模式(1001)。
例如，广告页面的广告模式可以包括大量的餐厅名称、地址、电话号码、标志图像、产品图像以及聚焦在食物上的图片。广告模式可以包括名片图像和地图图像。广告模式可以包括正面表达和正面表情符号。广告模式可以包括特定短语(例如，“支持餐厅A的书写”)。
根据实施例的第二服务器300可以基于所分析的广告模式来生成虚拟广告页面(1002)。
根据实施例的第二服务器300可以生成包括广告模式的虚拟页面。例如，第二服务器300可以通过使用公开可用的餐厅数据来生成包括餐厅名称、地址、电话号码和主页超链接的页面。例如，第二服务器300可以利用公共可用的地图数据来生成包括标志图像和地图图像的页面。例如，第二服务器300可以生成包括名片图像的页面。例如，第二服务器300可以生成包括广泛用于广告页面中的正面表达和正面表情符号的页面。例如，第二服务器300可以生成包括特定短语(例如，“支持餐厅A的书写”)的页面。
参照图9，根据实施例，第二服务器300可以使用生成的虚拟广告页面作为输入值902通过监督学习来训练训练模型901。
根据实施例，不仅可以将通过网络爬取获得的大量页面，而且可以将由第二服务器300生成的大量广告页面用作输入值，以确保训练模型901有大量训练数据。这样，可以提高训练模型901的准确性。
同时，如图9中所示，根据实施例，第二服务器300可以获取从输入页面903预处理的处理数据904，并利用预训练的训练模型901基于处理数据904来确定广告概率。
参照图11，根据实施例，第二服务器300可以获得从输入网页1103预处理的处理数据1104。
根据实施例，第二服务器300可以在输入网页1103上执行例如图像识别或文本识别。例如，第二服务器300可以对输入网页1103中包括的图像执行OCR。例如，第二服务器300可以通过图像识别来执行字幕生成，或者可以对文本执行情感分析。
根据实施例，第二服务器300可以通过预处理输入网页1103来获得处理数据1104，例如，餐厅名称、地址、电话号码、包括餐厅名称的图像、与地址对应的地图图像、食物图像、正面词语(例如，一般、满意、很好和重访100％)。
根据实施例，第二服务器300可以通过使用预训练的训练模型1101基于处理数据1104来确定广告概率(例如，99.99％)。
参照图12，根据实施例，第二服务器300可以获得从输入博客页面1203预处理的处理数据1204(例如，餐厅名称、包括餐厅名称的图像、食物图像、负面词语(例如，肮脏、糟糕、拥挤、麻烦和嘈杂)，以及正面词语(例如，低价、丰富、令人惊叹和最佳)。
根据实施例，第二服务器300可以通过使用预训练的训练模型1201基于处理数据1204来确定广告概率(例如，30％)。
图9至图12仅示出实施例，并且本公开不限于此。
图13至图15是用于描述根据实施例的电子设备1000基于附加信息显示搜索结果数据的示例的图示。
根据实施例，在从第一服务器200接收的搜索结果数据被显示在显示器1210上之前，电子设备1000可以向第二服务器300请求指示包括在搜索结果数据中的每个网页是否是广告页面的附加信息。电子设备1000可以基于从第二服务器300接收的并且与每个网页对应的附加信息来显示搜索结果数据。
参照图13，电子设备1000可以将从第二服务器300(例如，云服务器)接收到的指示搜索结果数据中包括的网页是否是广告页面的附加信息添加到要显示在显示器1210上的搜索结果数据中。
例如，当以超文本标记语言(HTML)文档的格式提供要在显示器1210上显示的搜索结果数据时，电子设备1000可以将附加信息***HTML文档的文档对象模型(DOM)树的最后一个节点中。
根据实施例，附加信息可以是搜索结果数据中包括的网页是广告页面的概率信息。
例如，电子设备1000可以以如下方式将概率信息***到DOM树的最后节点中：对应于搜索结果1的概率信息1301(例如，广告概率：80％)、对应于搜索结果2的概率信息1302(例如，广告概率：88％)、以及对应于搜索结果3的概率信息1303(例如，广告概率：60％)与搜索结果一起显示。
参照图14，例如，电子设备1000可以在搜索引擎的启动屏幕1401上显示找到的网站的列表1402和每个网站是广告页面的概率信息1403。例如，概率信息1403表示与第一搜索结果对应的网页的广告概率为80％，与第二搜索结果对应的网页的广告概率为88％，以及与第三搜索结果对应的网页的广告概率为60％。
这样，用户可以在无需访问搜索结果中包括的网页的情况下就从搜索结果中识别具有高广告概率的网页。用户可以从搜索结果中预先识别广告页面，从而可以在短时间内获得有效信息。
根据实施例，电子设备1000可以在搜索引擎的启动屏幕1401上显示找到的网站的列表1402和找到的网站列表1402中广告概率大于或等于预设阈值的页面数(例如，80％)(例如，找到的20个网页中有8个广告页面)。
根据实施例，电子设备1000可以基于与网页对应的附加信息，从搜索结果数据中包括的网页中确定要在显示器1210上显示的网页的列表。
参照图15，电子设备1000可以通过从包括找到的网页的链接信息的原始HTML代码1501中排除广告概率信息大于或等于预设阈值(例如，80％)的网页来生成HTML代码1502。
根据实施例，第二服务器300可以将通过从在搜索结果数据中包括的网站的列表中排除广告概率信息大于或等于预设阈值的网页而获得的数据发送到电子设备1000。
根据实施例，用户可以接收从其中排除了具有高广告概率的网页的搜索结果数据，从而在短时间内获得有效信息。
图13至图15仅示出实施例，并且本公开不限于此。
图16是根据实施例的电子设备1000的框图。图17是根据实施例的电子设备1000的详细框图。
如图16所示，根据实施例的电子设备1000可以包括显示器1210、通信器1500和处理器1300。然而，并非图16中所示的所有元件都是电子设备1000的必要元件。与图16中所示的元件相比，电子设备1000可以由更多或更少数量的元件来实现。
例如，如图17所示，除了显示器1210、通信器1500和处理器1300之外，根据实施例的电子设备1000还可以包括用户输入器1100、输出器1200、传感器1400、音频/视频(A/V)输入器1600和存储装置1700。
用户输入器1100是指用户用来输入数据以控制电子设备1000的装置。例如，用户输入器1100可以包括小键盘、圆顶开关、触摸板(例如，电容式覆盖层、电阻性覆盖层、红外线束、表面声波、整体应变仪或压电触摸板)、拨轮或拨动开关，但不限于此。用户输入器1100可以连接到麦克风1620，以接收用于控制电子设备1000的语音输入。
输出器1200可以输出音频信号、视频信号或振动信号，并且包括显示器1210、声音输出器1220和振动电机1230。
显示器1210输出在电子设备1000中处理的信息。
根据实施例，显示器1210可以在处理器1300的控制下基于搜索关键词显示搜索结果数据。
显示器1210可以在处理器1300的控制下，显示搜索结果数据中包括的每个网页是广告页面的概率信息。
显示器1210可以在处理器1300的控制下显示用于接收网页偏好的用户界面。
同时，当显示器1210和触摸板分层以构成触摸屏时，显示器1210不仅可以用作输出设备，还可以用作输入设备。显示器1210可以包括液晶显示器、薄膜晶体管-液晶显示器、有机发光二极管、柔性显示器、三维(3D)显示器和电泳显示器中的至少一种。
显示器1210可以包括发光器件(未示出)。发光器件可以包括例如发光二极管和显示面板，但是不限于此。
声音输出器1220输出从通信器1500接收或存储在存储装置1700中的声音数据。振动电机1230可以输出振动信号。
处理器1300通常控制电子设备1000的整体操作。例如，处理器1300可以执行存储在存储装置1700中的程序，以控制用户输入器1100、输出器1200、传感器1400、通信器1500和A/V输入器1600。处理器1300可以控制电子设备1000的操作以执行以上结合图1至图15描述的电子设备1000的功能。
根据实施例，处理器1300可以接收搜索关键字并且基于搜索关键字通过通信器1500从第一服务器200(参见图3)请求搜索结果数据。
根据实施例，处理器1300可以基于搜索关键词通过通信器1500从第一服务器200(参见图3)接收搜索结果数据。
处理器1300可以通过通信器1500向第二服务器300(参见图3)请求附加信息，该附加信息指示搜索结果数据中包括的每个网页是否是广告页面。
处理器1300可以基于从第二服务器300(参见图3)接收的并且与每个网页对应的附加信息，来控制显示器1210显示搜索结果数据。
处理器1300可以控制显示器1210显示包括在搜索结果数据中的网页的列表以及与每个网页对应的概率信息。
处理器1300可以基于与每个网页对应的附加信息，从搜索结果数据中包括的网页中确定要在显示器1210上显示的网页的列表。
处理器1300可以根据要在显示器1210上显示的网页列表，从搜索结果数据中包括的网页之中排除广告概率信息大于或等于预设阈值的网页。
传感器1400可以检测电子设备1000的状态或电子设备1000的周围环境状态，并且将检测到的信息发送到处理器1300。
传感器1400可以包括磁传感器1410、加速度传感器1420、温度/湿度传感器1430、红外传感器1440、陀螺仪传感器1450、位置传感器(例如，全球定位***(GPS))1460、大气压力传感器1470、接近传感器1480和RGB(或照度)传感器1490，但不限于此。本领域的普通技术人员可以从传感器的名称直观地推断出传感器的功能，因此不在这里提供其详细描述。
通信器1500可以包括用于使电子设备1000能够与外部设备通信的一个或更多个元件。例如，通信器1500可以包括短距离无线通信器1510、移动通信器1520和广播接收器1530。
短距离无线通信器1510可以包括蓝牙通信器、低功耗蓝牙(BLE)通信器、近场通信(NFC)通信器、无线局域网(WLAN)(或Wi-Fi)通信器、Zigbee通信器、红外数据协会(IrDA)通信器、Wi-Fi直连(WFD)通信器、超宽带(UWB)通信器或Ant+通信器，但不限于此。
移动通信器1520向移动通信网络中的基站、外部设备或服务器中的至少一个发送无线信号或从移动通信网络中的基站、外部设备或服务器中的至少一个接收无线信号。在此，基于语音呼叫信号、视频呼叫信号或文本/多媒体消息的发送和接收，无线信号可以包括各种类型的数据。
广播接收器1530通过广播信道从外部接收广播信号和/或广播信息。广播信道可以包括卫星信道和地面信道。取决于实现方式，电子设备1000可以不包括广播接收器1530。
A/V输入器1600用于输入音频信号或视频信号，并且可以包括例如相机1610和麦克风1620。
相机1610可以通过在视频通话模式或相机模式下利用图像传感器来获得诸如静止图像或视频之类的图像帧。可以通过处理器1300或单独的图像处理器(未示出)来处理由图像传感器捕获的图像。
在相机1610中处理后的图像帧可以被存储在存储装置1700中，或者可以通过通信器1500被发送到外部设备。取决于配置，相机1610可以包括两个或更多个相机。
麦克风1620接收外部声音信号并将其处理为电子语音数据。例如，麦克风1620可以从外部设备或用户接收声音信号。麦克风1620可以使用各种噪声消除算法来消除在接收外部声音信号时产生的噪声。
存储装置1700可以存储用于处理器1300的处理和控制操作的程序，并且存储输入到电子设备1000或从电子设备1000输出的数据。
存储装置1700可以包括闪存、硬盘、微型多媒体卡、存储卡(例如，安全数字(SD)或极限数字(XD)存储卡)、随机存取存储器(RAM)、静态RAM(SRAM)、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、可编程ROM(PROM)、磁存储器、磁盘和光盘中的至少一种类型的存储介质。
存储在存储装置1700中的程序可以被分类为多个模块，例如，用户界面(UI)模块1710、触摸屏模块1720、通知模块1730和图像过滤模块(未示出)。
UI模块1710可以为每个应用提供连接到电子设备1000的专用UI或图形用户界面(GUI)。触摸屏模块1720可以检测用户在触摸屏上的触摸手势，并且将关于该触摸手势的信息发送到处理器1300。根据实施例的触摸屏模块1720可以识别并分析触摸代码。触摸屏模块1720可以被配置为包括控制器的单独的硬件。
通知模块1730可以生成通知信号以通知已经发生电子设备1000的事件。在电子设备1000中发生的事件的示例可以包括时间表、语音命令的执行完成和关键信号输入。通知模块1730可以通过显示器1210以视频信号的形式、通过声音输出器1220以音频信号的形式或者通过振动电机1230以振动信号的形式输出通知信号。
图18是根据实施例的第二服务器300的框图。
图18示出了第二服务器300(参见图3)的示例。
第二服务器300还可以包括图16和17中所示的元件。
如图18所示，根据实施例的第二服务器300可以包括存储装置302、通信器303和处理器301。然而，并非图18中所示的所有元件都是第二服务器300的必要元件。与图18中所示的元件相比，第二服务器300可以由更多或更少数量的元件来实现。
根据实施例，第二服务器300(参见图3)的处理器301可以基于搜索关键词通过通信器303从外部电子设备1000(参见图3)接收搜索结果数据。
根据实施例，第二服务器300的处理器301(参见图3)可以生成附加信息，该附加信息指示包括在搜索结果数据中的每个网页是否是广告页面。
处理器301可基于网页是否包含广告模式利用由AI算法训练的训练模型来生成附加信息。
根据实施例，处理器301可以分析广告页面的广告模式，基于所分析的广告模式来生成虚拟广告页面，并通过利用虚拟广告页面来训练训练模型。
处理器301可以基于以下至少一项来生成附加信息：基于网页的访问历史信息的第一分数，基于与特定用户对应的偏好信息的第二分数，以及基于网页是否包含广告模式的第三分数。
处理器301可以通过通信器303将附加信息发送到外部电子设备1000(参见图3)。
根据实施例，第二服务器300的存储装置302(参见图3)可以存储训练模型，该训练模型利用AI算法来确定网页是否是广告页面。
根据实施例，第二服务器300的存储装置302(见图3)可以存储大量网络爬取的网页中的每一个的访问历史信息。
根据实施例，第二服务器300的存储装置302(参见图3)可以针对大量网络爬取的网页中的每一个存储与特定用户对应的偏好信息。
图19是根据实施例的第二服务器300的处理器301的框图。
图19示出了第二服务器300(见图3)的处理器301的示例。
参照图19，根据实施例的处理器301可以包括数据训练器1310和数据识别器1320。
数据训练器1310可以学习用于情况判断的标准。数据训练器1310可以学习关于使用什么数据来判断特定情况以及如何利用数据来判断情况的标准。数据训练器1310可以通过获得要用于训练的数据，并将获得的数据应用于下面将要描述的数据识别模型来学习情况判断的标准。
数据识别器1320可以基于数据来判断情况。数据识别器1320可以利用训练后的数据识别模型基于某些数据来识别情况。数据识别器1320可以通过基于学习根据预设标准来获得特定数据，并且通过使用所获得的数据作为输入值使用数据识别模型，来基于特定数据判断特定情况。利用获得的数据作为输入值来从数据识别模型输出结果值可以用于改善数据识别模型。
数据训练器1310和数据识别器1320中的至少一个可以以至少一个硬件芯片的形式生产并安装在电子设备中。例如，数据训练器1310和数据识别器1320中的至少一个可以以专用于AI的硬件芯片的形式或作为通用处理器(例如，中央处理器(CPU)或应用处理器)或专用图形处理器(例如，图形处理单元(GPU))的一部分生产，并安装在各种电子设备中。
在这种情况下，数据训练器1310和数据识别器1320可以安装在一个电子设备中，也可以分别安装在不同的电子设备中。例如，数据训练器1310和数据识别器1320中的一个可以被包括在电子设备中，而另一个可以被包括在服务器中。由数据训练器1310构造的模型信息可以以有线或无线的方式提供给数据识别器1320，并且可以将输入到数据识别器1320的数据作为附加训练数据提供给数据训练器1310。
同时，数据训练器1310和数据识别器1320中的至少一个可以被实现为软件模块。当数据训练器1310和数据识别器1320中的至少一个被实现为软件模块(或包括指令的程序模块)时，该软件模块可以被存储在非暂时性计算机可读介质中。在这种情况下，至少一个软件模块可以由操作***(OS)或某个应用提供。替代地，至少一个软件模块的一部分可以由OS提供，而另一部分可以由某个应用提供。
图20是根据实施例的数据训练器1310的框图。
参照图20，根据实施例的数据训练器1310可以包括数据获取器1310-1、预处理器1310-2、训练数据选择器1310-3、模型训练器1310-4和模型评估器1310-5。
数据获取器1310-1可以获取情况判断所需的数据。数据获取器1310-1可以获取训练情况判断所需的数据。
例如，数据获取器1310-1可以接收通过电子设备的输入设备(例如，麦克风、相机或传感器)输入的数据。替代地，数据获取器1310-1可以通过与电子设备通信的外部设备来获取数据。数据获取器1310-1可以从服务器接收数据。
根据实施例，数据获取器1310-1可以获取图像帧或语音信号。
例如，数据获取器1310-1可以接收电子设备1000的周围环境图像。周围环境图像可以包括多个图像(或帧)。例如，数据获取器1310-1可以通过包括数据训练器1310的电子设备1000的相机或者可与包括数据训练器1310的电子设备1000通信的外部相机(例如，闭路电视(CCTV)或黑匣子)接收视频输入。这里，相机可以包括一个或更多个图像传感器(例如，前传感器或后传感器)、镜头、图像信号处理器(ISP)或闪光灯(例如，发光二极管(LED)或氙气灯)。
根据实施例，数据获取器1310-1可以获取通过麦克风1620输入的语音信号(见图17)。
预处理器1310-2可以对所获得的数据进行预处理以可用于训练情况判断。预处理器1310-2可以以使得下面将描述的模型训练器1310-4可以使用获得的用于训练情况判断的数据的方式将获得的数据处理为预设格式。例如，预处理器1310-2可以基于配置输入视频的至少一部分的多个图像中包括的公共区域，通过重叠该多个图像(或帧)的至少一部分来生成一个合成图像。在这种情况下，可以基于一个视频生成多个合成图像。公共区域可以是在多个图像中包括相同或相似的公共对象(例如，事物、动物、植物或人)的区域。替代地，公共区域可以是多个图像中具有相同或相似的颜色、亮度、RGB值或CMYK值的区域。
训练数据选择器1310-3可以在预处理数据中选择训练所需的数据。所选择的数据可以被提供给模型训练器1310-4。训练数据选择器1310-3可以根据用于情况判断的预设标准在预处理的数据中选择训练所需的数据。训练数据选择器1310-3可以基于将在下面描述的模型训练器1310-4的学习，根据预设标准来选择数据。
例如，可以选择通过网络片爬取获得的大量广告页面。
例如，可以选择基于广告页面的广告模式生成的虚拟广告页面。
模型训练器1310-4可以基于训练数据学习关于如何判断情况的标准。模型训练器1310-4可以学习关于用于判断情况的训练数据的标准。
根据实施例，模型训练器1310-4可以基于语音特征数据来学习用于确定语音信号是对应于用户发出的语音还是从外部设备输出的语音的标准。
模型训练器1310-4可以利用训练数据来训练用于情况判断的数据识别模型。在这种情况下，数据识别模型可以是预先构建的模型。例如，数据识别模型可以是通过接收基本训练数据(例如，样本图像或样本语音信号)而预先构建的模型。
可以考虑识别模型的应用领域、学习目的或设备的计算性能来构造数据识别模型。数据识别模型可以是例如基于神经网络的模型。例如，数据识别模型可以使用深度神经网络(DNN)、递归神经网络(RNN)或双向递归深度神经网络(BRDNN)，但不限于此。
根据各种实施例，当存在多个预先构造的数据识别模型时，模型训练器1310-4可以确定用与输入训练数据高度相关的基本训练数据所训练的数据识别模型作为要训练的数据识别模型。在这种情况下，可以基于数据类型对基本训练数据进行预分类，并且可以基于数据类型对数据识别模型进行预构建。例如，可以基于各种标准(例如，生成训练数据的区域、生成训练数据的时间、训练数据的大小、训练数据的类型、训练数据的生成器以及训练数据中对象的类型)对基本训练数据进行预分类。
模型训练器1310-4可以通过使用包括例如误差反向传播或梯度下降的学习算法来训练数据识别模型。
模型训练器1310-4可以通过例如使用训练数据作为输入值的监督学习来训练数据识别模型。模型训练器1310-4可以例如通过利用无监督地自主学习情况判断所需的数据类型来发现情况判断的标准的无监督学习来训练数据识别模型。模型训练器1310-4可以例如通过使用关于基于学习的情况判断的结果是否正确的反馈的强化学习来训练数据识别模型。
当训练数据识别模型时，模型训练器1310-4可以存储训练后的数据识别模型。在这种情况下，模型训练器1310-4可将训练后的数据识别模型存储在包括数据识别器1320的电子设备的存储器中。替代地，模型训练器1310-4可将训练后的数据识别模型存储在包括将在下面描述的数据识别器1320的电子设备的存储器中。替代地，模型训练器1310-4可以将训练后的数据识别模型存储在通过有线或无线网络连接到电子设备的服务器的存储器中。
在这种情况下，存储有训练数据识别模型的存储器还可以存储例如与电子设备的至少一个其他元件有关的命令或数据。存储器还可以存储软件和/或程序。程序可以包括例如内核、中间件、应用编程接口(API)和/或应用程序(或“应用”)。
模型评估器1310-5可以将评估数据输入到数据识别模型，并且当使用评估数据输出的结果不满足特定标准时，请求模型训练器1310-4再次学习。在这种情况下，评估数据可以是用于评估数据识别模型的预设数据。
例如，当针对评估数据的训练数据识别模型的结果当中与不准确结果有关的评估数据的数量或比率超过预设阈值时，模型评估器1310-5可以评估为不满足某些标准。例如，当将特定标准定义为比率为2％时，并且当训练数据识别模型在总共1000条评估数据中输出超过20条错误结果时，模型评估器1310-5可以评估训练数据识别模型不合适。
同时，当存在多个训练数据识别模型时，模型评估器1310-5可以评估每个训练数据识别模型是否满足特定标准并将满足特定标准的模型确定为最终数据识别模型。在这种情况下，当多个数据识别模型满足特定标准时，模型评估器1310-5可以将按评估分数的顺序预设的一个或更多个数据识别模型确定为最终数据识别模型。
同时，数据训练器1310中的数据获取器1310-1、预处理器1310-2、训练数据选择器1310-3、模型训练器1310-4和模型评估器1310-5中的至少一个可以以至少一个硬件芯片的形式生产并安装在电子设备中。例如，数据获取器1310-1、预处理器1310-2、训练数据选择器1310-3、模型训练器1310-4和模型评估器1310-5中的至少一个可以以专用于AI的硬件芯片的形式或作为通用处理器(例如，CPU或应用处理器)或专用图形处理器(例如，GPU)的一部分生产，并安装在各种电子设备中。
数据获取器1310-1、预处理器1310-2、训练数据选择器1310-3、模型训练器1310-4和模型评估器1310-5可以安装在一个电子设备中，也可以分别安装在不同的电子设备中。例如，数据获取器1310-1、预处理器1310-2、训练数据选择器1310-3、模型训练器1310-4和模型评估器1310-5中的一些可以包括在电子设备中，其他可以包括在服务器中。
数据获取器1310-1、预处理器1310-2、训练数据选择器1310-3、模型训练器1310-4和模型评估器1310-5中的至少一个可以实现为软件模块。当数据获取器1310-1、预处理器1310-2、训练数据选择器1310-3、模型训练器1310-4和模型评估器1310-5中的至少一个被实现为软件模块(或包括指令的程序模块)时，软件模块可以存储在非暂时性计算机可读介质中。在这种情况下，至少一个软件模块可以由OS或某个应用提供。替代地，至少一个软件模块的一部分可以由OS提供，而另一部分可以由某个应用提供。
图21是根据实施例的数据识别器1320的框图。
参照图21，根据实施例的数据识别器1320可以包括数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型改进器1320-5。
数据获取器1320-1可以获取情况判断所需的数据，并且预处理器1320-2可以预处理所获取的数据以可用于情况判断。预处理器1320-2可以以如下方式将所获得的数据处理为预设格式：下面要描述的识别结果提供器1320-4可以将所获得的数据用于情况判断。
识别数据选择器1320-3可以在预处理的数据中选择情况判断所需的数据。所选择的数据可以被提供给识别结果提供器1320-4。识别数据选择器1320-3可以根据用于情况判断的预设标准来选择预处理数据的一部分或全部。识别数据选择器1320-3可基于由上述模型训练器1310-4进行的学习，根据预设标准来选择数据。
识别结果提供器1320-4可以通过将所选数据应用于数据识别模型来判断情况。识别结果提供器1320-4可以根据数据识别的目的来提供识别结果。识别结果提供器1320-4可以利用由识别数据选择器1320-3选择的数据作为输入值，将选择的数据应用于数据识别模型。识别结果可以由数据识别模型确定。
根据实施例，可以提供输入网页是广告页面的概率信息。
模型改进器1320-5可基于对识别结果提供器1320-4提供的识别结果的评估来改进数据识别模型。例如，模型改进器1320-5可以将由识别结果提供器1320-4提供的识别结果提供给模型训练器1310-4，使得模型训练器1310-4可以改进数据识别模型。
同时，数据识别器1320中的数据获得器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型改进器1320-5中的至少一个可以以至少一个硬件芯片的形式来生产并安装在电子设备中。例如，数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型改进器1320-5中的至少一个可以以专用于AI的硬件芯片的形式或作为通用处理器(例如，中央处理器(CPU)或应用处理器)或专用图形处理器(例如，图形处理单元(GPU))的一部分生产，并安装在各种电子设备中。
数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型改进器1320-5可以安装在一个电子设备中，也可以分别安装在不同的电子设备中。例如，数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型改进器1320-5中的一些可以被包括在电子设备中，并且其他可以包含在服务器中。
数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型改进器1320-5中的至少一个可以实现为软件模块。当数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型改进器1320-5中的至少一个被实现为软件模块(或包括指令的程序模块)时，软件模块可以存储在非暂时性计算机可读介质中。在这种情况下，至少一个软件模块可以由OS或某个应用提供。替代地，至少一个软件模块的一部分可以由OS提供，而另一部分可以由某个应用提供。
图22是示出了其中根据实施例的第二服务器300与另一服务器协作以学习和识别数据的示例的图示。
图22是示出了其中根据实施例的第二服务器300和第三服务器400彼此协作以学习和识别数据的示例的图示。
参照图22，第三服务器400可以学习用于情况判断的标准，并且第二服务器300可以基于第三服务器400的学习结果来判断情况。
在这种情况下，第三服务器400的模型训练器2340可以用作图20中所示的数据训练器1310。第三服务器400的模型训练器2340可以学习关于使用什么数据来判断某种情况以及如何利用该数据来判断情况的标准。模型训练器2340可以通过获得要用于训练的数据并将获得的数据应用于下面将要描述的数据识别模型来学习情况判断的标准。
第二服务器300的识别结果提供器1320-4可以通过将识别数据选择器1320-3选择的数据应用于第三服务器400生成的数据识别模型来判断情况。例如，识别结果提供器1320-4可以将识别数据选择器1320-3选择的数据发送到第三服务器400，并且通过将识别数据选择器1320-3选择的数据应用于数据识别模型来请求第三服务器400判断情况。识别结果提供器1320-4可以从第三服务器400接收关于由第三服务器400判断的情况的信息。
例如，第三服务器400可以学习大量广告页面。
例如，第二服务器300可以确定输入页面是广告页面的概率信息。
替代地，第二服务器300的识别结果提供器1320-4可以从第三服务器400接收由第三服务器400生成的数据识别模型，并通过使用接收到的数据识别模型来判断情况。在这种情况下，第二服务器300的识别结果提供器1320-4可以通过将识别数据选择器1320-3所选择的数据应用于从第三服务器400接收的数据识别模型来判断情况。
同时，上述实施例可以被编写为在计算机上可执行的程序，并且可以由利用计算机可读介质来运行程序的通用数字计算机来实现。在前述实施例中使用的数据结构可以通过各种手段被记录在计算机可读介质上。可以以包括由计算机可执行的指令的记录介质的形式来实现上述实施例，例如由计算机执行的程序模块。例如，由软件模块或算法实现的方法可以作为计算机可执行的计算机可读代码或程序命令存储在计算机可读介质中。
计算机可读介质可以是计算机可访问的任意记录介质，并且其示例可以包括易失性、非易失性、可拆卸和不可拆卸介质。计算机可读介质的示例包括磁存储介质(例如，只读存储器(ROM)、软盘和硬盘)和光学记录介质(例如，光盘-ROM(CD-ROM)和数字通用光盘(DVD))，但不限于此。计算机可读介质可以包括计算机存储介质和通信介质。
多个计算机可读记录介质可以分布在网络耦合的计算机***上，并且存储在分布的记录介质中的数据(例如，程序指令和代码)可以由至少一台计算机执行。
本文描述的特定实施方式仅对应于实施例，并且不以任何方式限制本公开的范围。为简洁起见，本文可以未提供对已知电子配置、控制***、软件和***其他功能方面的描述。
尽管已经参考本公开的实施例具体示出和描述了本公开，但是本领域的普通技术人员将理解，可以在不脱离本公开的范围的情况下在形式和细节上进行各种改变。因此，应当理解，上述实施例在所有方面都是示例性的，并且不限制本公开。例如，被描述为单个元件的每个元件可以以分布式方式实现，并且类似地，被描述为分布式元件的元件可以以组合方式实现。
除非在权利要求中定义，否则本文中使用的所有示例和术语仅用于本公开的详细描述，并且本公开的范围不受这些示例和术语的限制。
此外，除非该元件被特别描述为“必要的”或“关键的”，否则没有元件对于本公开的实施是必要的。
本领域的普通技术人员将理解，可以在不脱离本公开的范围的情况下修改本公开的实施例。
应当理解，可以在本公开的实施例中进行形式和细节上的各种改变，并且本公开的实施例覆盖落入本公开的范围内的所有修改、等同形式和替代形式。因此，上述实施例应仅在描述性意义上考虑，而不是出于限制的目的。
本公开的范围不是由本公开的详细描述限定，而是由所附权利要求限定，并且从权利要求及其等同物限定的范围得到的所有变化都应解释为包括在本公开的范围中。
如本文所用，术语“……单元”或“模块”表示用于执行至少一个功能或操作的实体，并且可以使用硬件、软件或硬件和软件的组合来实现。
“单元”或“模块”还可以被实现为存储在可寻址存储介质中并且可由处理器执行的程序。
例如，术语“单元”或“模块”可以被实现为元件(例如，软件元素、面向对象的软件元素、类元素和任务元素)、过程、功能、属性、程序、子例程、程序代码段、驱动程序、固件、微代码、电路、数据、数据库、数据结构、表、数组或变量。
如本文中所使用的，表述“A可以包括a1、a2和a3之一”广义地意味着可以包括在元素A中的元素的示例是a1、a2或a3。
该表达不将可以包括在元素A中的元素限制为a1、a2或a3。因此，应当注意，该表达并不限制性地解释为从A中可以包含的元素的示例中排除除了a1、a2和a3以外的元素。
该表达意味着A可以包括a1、包括a2或包括a3。该表达并不意味着A中包括的元素总是在特定集合内被选择性地确定。例如，应当注意，该表达不被限制性地解释为将包括在元素A中的元素限制为选自包括a1、a2和a3的集合中的a1，a2或a3。

Claims (15)

1.一种电子设备，所述电子设备包括：
通信器；
显示器；以及
处理器，所述处理器被配置为：
基于搜索关键字，通过所述通信器从第一服务器接收搜索结果数据；
通过所述通信器向第二服务器请求附加信息，所述附加信息指示所述搜索结果数据中包括的每个网页是否是广告页面；以及
基于从所述第二服务器接收的并且与所述每个网页对应的所述附加信息，控制所述显示器显示所述搜索结果数据，
其中，所述附加信息是由所述第二服务器基于所述网页是否包括广告模式，使用由人工智能(AI)算法训练的训练模型生成的。
2.根据权利要求1所述的电子设备，其中，所述附加信息包括所述网页为广告页面的概率信息，并且
所述处理器进一步被配置为控制所述显示器显示所述搜索结果数据中包括的网页的列表以及与所述每个网页对应的概率信息。
3.根据权利要求1所述的电子设备，其中，所述处理器进一步被配置为基于与所述每个网页对应的所述附加信息，从所述搜索结果数据中包括的网页中确定要在所述显示器上显示的网页的列表。
4.根据权利要求3所述的电子设备，其中，所述处理器进一步被配置为根据要在所述显示器上显示的网页的列表，从所述搜索结果数据中包括的网页中排除广告概率信息大于或等于预设阈值的网页。
5.根据权利要求1所述的电子设备，其中，所述附加信息是基于以下中的至少一项生成：基于所述网页的访问历史信息的第一分数；基于与特定用户对应的偏好信息的第二分数；以及基于所述网页是否包括广告模式的第三分数。
6.根据权利要求5所述的电子设备，其中，所述网页的访问历史信息包括以下中的至少一项：从访问所述网页时到终止对所述网页的访问为止的页面停留时间；以及访问所述网页然后在没有进一步访问所述网页中可连接的其他网页的情况下终止对所述网页的访问的跳出率。
7.根据权利要求5所述的电子设备，其中，与所述特定用户对应的所述偏好信息包括基于所述特定用户的输入的信息以及与所述特定用户对应的网页的所述访问历史信息中的至少一项。
8.根据权利要求1所述的电子设备，其中，所述处理器进一步被配置为：
接收所述搜索关键字；以及
基于所述搜索关键字，通过所述通信器从所述第一服务器请求所述搜索结果数据。
9.一种电子设备，所述电子设备包括：
通信器；
显示器；以及
处理器，所述处理器被配置为：
基于搜索关键字，通过所述通信器从外部电子设备接收搜索结果数据；
生成指示所述搜索结果数据中包括的每个网页是否是广告页面的附加信息；以及
通过所述通信器向所述外部电子设备发送所述附加信息，
其中，所述处理器进一步被配置为基于所述网页是否包括广告模式，使用由人工智能(AI)算法训练的训练模型生成所述附加信息。
10.根据权利要求9所述的电子设备，其中，所述处理器进一步被配置为：
分析广告页面的广告模式；
基于所分析出的广告模式来生成虚拟广告页面；以及
使用所述虚拟广告页面来训练所述训练模型。
11.一种电子设备的操作方法，所述操作方法包括：
基于搜索关键字，从第一服务器接收搜索结果数据；
向第二服务器请求附加信息，所述附加信息指示所述搜索结果数据中包括的每个网页是否是广告页面；以及
基于从所述第二服务器接收的并且与所述每个网页对应的所述附加信息，控制所述显示器显示所述搜索结果数据，
其中，所述附加信息是由所述第二服务器基于所述网页是否包括广告模式，使用由人工智能(AI)算法训练的训练模型生成的。
12.根据权利要求11所述的操作方法，其中，所述附加信息包括所述网页为广告页面的概率信息，并且
控制所述显示器包括控制所述显示器显示所述搜索结果数据中包括的网页的列表以及与所述每个网页对应的概率信息。
13.根据权利要求11所述的操作方法，其中，控制所述显示器包括基于与所述每个网页对应的所述附加信息，从所述搜索结果数据中包括的网页中确定要在所述显示器上显示的网页的列表。
14.根据权利要求11所述的操作方法，其中，控制所述显示器包括根据要在所述显示器上显示的网页的所述列表，从所述搜索结果数据中包括的所述网页中排除广告概率信息大于或等于预设阈值的网页。
15.根据权利要求11所述的操作方法，其中，所述附加信息是基于以下中的至少一项生成：基于所述网页的访问历史信息的第一分数；基于与特定用户对应的偏好信息的第二分数；以及基于所述网页是否包括广告模式的第三分数。
CN201980029819.1A 2018-05-03 2019-05-03 电子设备及其操作方法 Pending CN112075068A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020180051463A KR102582544B1 (ko) 2018-05-03 2018-05-03 전자 장치 및 그 동작 방법
KR10-2018-0051463 2018-05-03
PCT/KR2019/005322 WO2019212283A1 (ko) 2018-05-03 2019-05-03 전자 장치 및 그 동작 방법

Publications (1)

Publication Number Publication Date
CN112075068A true CN112075068A (zh) 2020-12-11

Family

ID=68386614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980029819.1A Pending CN112075068A (zh) 2018-05-03 2019-05-03 电子设备及其操作方法

Country Status (4)

Country Link
US (1) US11893063B2 (zh)
KR (1) KR102582544B1 (zh)
CN (1) CN112075068A (zh)
WO (1) WO2019212283A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11954932B2 (en) * 2020-10-16 2024-04-09 Bluebeam, Inc. Systems and methods for automatic detection of features on a sheet

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070094042A1 (en) * 2005-09-14 2007-04-26 Jorey Ramer Contextual mobile content placement on a mobile communication facility
KR20090106250A (ko) * 2008-04-04 2009-10-08 엔에이치엔(주) 스팸메일을 필터링하기 위한 방법, 시스템 및 컴퓨터 판독가능한 기록 매체
CN101963966A (zh) * 2009-07-24 2011-02-02 李占胜 一种为搜索结果添加标签的搜索结果分类方法
CN103942279A (zh) * 2014-04-01 2014-07-23 百度(中国)有限公司 搜索结果的展现方法和装置
CN104391883A (zh) * 2014-11-05 2015-03-04 北京航空航天大学 一种基于迁移学习的在线广告受众排序方法
CN104424291A (zh) * 2013-09-02 2015-03-18 阿里巴巴集团控股有限公司 一种对搜索结果进行排序的方法及装置
CN106354836A (zh) * 2016-08-31 2017-01-25 南威软件股份有限公司 一种广告页面的预测方法和装置
CN106682677A (zh) * 2015-11-11 2017-05-17 广州市动景计算机科技有限公司 广告识别规则归纳方法、装置及设备
US20170220209A1 (en) * 2016-02-03 2017-08-03 Samsung Electronics Co., Ltd. Electronic device and method for controlling displaying, and server and method therefor
CN107506367A (zh) * 2017-07-03 2017-12-22 阿里巴巴集团控股有限公司 确定应用展示内容的方法、装置及服务器
CN107679031A (zh) * 2017-09-04 2018-02-09 昆明理工大学 基于堆叠降噪自编码机的广告博文识别方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10346854B2 (en) * 2007-11-30 2019-07-09 Microsoft Technology Licensing, Llc Feature-value attachment, reranking and filtering for advertisements
KR101485147B1 (ko) * 2008-06-19 2015-01-28 주식회사 케이티 맞춤광고 출력방법 및 그 이동통신단말, 맞춤광고 제공방법및 그 장치
WO2010036012A2 (ko) 2008-09-23 2010-04-01 주식회사 버즈니 인터넷을 이용한 의견 검색 시스템, 의견 검색 및 광고 서비스 시스템과 그 방법
KR101007284B1 (ko) * 2008-09-23 2011-01-13 주식회사 버즈니 인터넷을 이용한 의견 검색 시스템 및 그 방법
KR20130009754A (ko) * 2010-02-01 2013-01-23 점프탭, 인크. 통합형 광고 시스템
CN103914468B (zh) * 2012-12-31 2018-01-09 阿里巴巴集团控股有限公司 一种投放信息搜索的方法和装置
US20150046270A1 (en) 2013-08-07 2015-02-12 Saper Kocabiyik System and Method of Using Artificial Intelligence to Valuate Advertisements Embedded Within Images
KR101547918B1 (ko) 2014-11-25 2015-08-28 김준모 광고 차단 방법 및 장치
KR20160063498A (ko) * 2014-11-26 2016-06-07 조광훈 머하웃 기반의 소셜 정보 수집 시스템

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070094042A1 (en) * 2005-09-14 2007-04-26 Jorey Ramer Contextual mobile content placement on a mobile communication facility
KR20090106250A (ko) * 2008-04-04 2009-10-08 엔에이치엔(주) 스팸메일을 필터링하기 위한 방법, 시스템 및 컴퓨터 판독가능한 기록 매체
CN101963966A (zh) * 2009-07-24 2011-02-02 李占胜 一种为搜索结果添加标签的搜索结果分类方法
CN104424291A (zh) * 2013-09-02 2015-03-18 阿里巴巴集团控股有限公司 一种对搜索结果进行排序的方法及装置
CN103942279A (zh) * 2014-04-01 2014-07-23 百度(中国)有限公司 搜索结果的展现方法和装置
CN104391883A (zh) * 2014-11-05 2015-03-04 北京航空航天大学 一种基于迁移学习的在线广告受众排序方法
CN106682677A (zh) * 2015-11-11 2017-05-17 广州市动景计算机科技有限公司 广告识别规则归纳方法、装置及设备
US20170220209A1 (en) * 2016-02-03 2017-08-03 Samsung Electronics Co., Ltd. Electronic device and method for controlling displaying, and server and method therefor
CN106354836A (zh) * 2016-08-31 2017-01-25 南威软件股份有限公司 一种广告页面的预测方法和装置
CN107506367A (zh) * 2017-07-03 2017-12-22 阿里巴巴集团控股有限公司 确定应用展示内容的方法、装置及服务器
CN107679031A (zh) * 2017-09-04 2018-02-09 昆明理工大学 基于堆叠降噪自编码机的广告博文识别方法

Also Published As

Publication number Publication date
US20210263975A1 (en) 2021-08-26
WO2019212283A1 (ko) 2019-11-07
KR20190127191A (ko) 2019-11-13
KR102582544B1 (ko) 2023-09-25
US11893063B2 (en) 2024-02-06

Similar Documents

Publication Publication Date Title
KR102556492B1 (ko) 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치
KR102359391B1 (ko) 디바이스가 이미지를 보정하는 방법 및 그 디바이스
CN110168530B (zh) 电子设备和操作该电子设备的方法
US10970605B2 (en) Electronic apparatus and method of operating the same
KR102491546B1 (ko) 객체를 인식하는 방법 및 장치
US20200118010A1 (en) System and method for providing content based on knowledge graph
US10963045B2 (en) Smart contact lens system with cognitive analysis and aid
US20190279345A1 (en) Method for correcting image by device and device therefor
US11436744B2 (en) Method for estimating lane information, and electronic device
US11508364B2 (en) Electronic device for outputting response to speech input by using application and operation method thereof
US11831948B2 (en) Video playback device and control method thereof
US20200394362A1 (en) Apparatus and method for providing sentence based on user input
US20190228294A1 (en) Method and system for processing neural network model using plurality of electronic devices
KR102430567B1 (ko) 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치
US11106913B2 (en) Method and electronic device for providing object recognition result
KR20200036084A (ko) 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법
US20190251355A1 (en) Method and electronic device for generating text comment about content
KR102521313B1 (ko) 이미지 내 객체를 식별하는 신경망 모델을 학습하는 방법 및 장치
CN111316662A (zh) 图像显示设备及其操作方法
US11347805B2 (en) Electronic apparatus, method for controlling the same, and non-transitory computer readable recording medium
KR20200013164A (ko) 전자 장치, 및 전자 장치의 제어 방법
US11893063B2 (en) Electronic device and operation method thereof
KR102440963B1 (ko) 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체
US11645036B2 (en) Electronic device and operating method for providing feedback information in response to user input
US11961512B2 (en) System and method for providing voice assistance service

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination