JP7106802B2 - リソースソート方法、ソートモデルをトレーニングする方法及び対応する装置 - Google Patents
リソースソート方法、ソートモデルをトレーニングする方法及び対応する装置 Download PDFInfo
- Publication number
- JP7106802B2 JP7106802B2 JP2020193891A JP2020193891A JP7106802B2 JP 7106802 B2 JP7106802 B2 JP 7106802B2 JP 2020193891 A JP2020193891 A JP 2020193891A JP 2020193891 A JP2020193891 A JP 2020193891A JP 7106802 B2 JP7106802 B2 JP 7106802B2
- Authority
- JP
- Japan
- Prior art keywords
- sorting
- resource
- model
- embedding
- sample
- 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.)
- Active
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
-
- 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
- G06F16/9532—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- 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
- G06F16/38—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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
- G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Description
マッチングされるアイテムと各候補リソースの情報とにおいて順に入力シーケンスを構成し、
入力シーケンスにおける各要素(Token)に対して、単語Embedding、位置Embedding及び文Embeddingを含む埋め込み(Embedding)処理を行い、
Embedding処理の結果をソートモデルに入力して、ソートモデルによる各候補リソースのソートスコアを取得し、ソートモデルは変換(Transformer)モデルを採用して予めトレーニングすることにより得られることを含む。
マッチングされるアイテム、マッチングされるアイテムに対応する少なくとも2つのサンプルリソース及び各サンプルリソースのソート情報を含むトレーニングデータを取得し、
トレーニングデータによりTransformerモデルをトレーニングしてソートモデルをトレーニングすることは、具体的に、
マッチングされるアイテムと、少なくとも2つのサンプルリソースの情報とにおいて順に入力シーケンスを構成し、
入力シーケンスにおける各要素Tokenに対して、単語Embedding、位置Embedding及び文Embeddingを含む埋め込みEmbedding処理を行い、
Embedding処理の結果をTransformerモデルの入力として、Transformerモデルにより各サンプルリソースに対するソートスコアを出力し、
ソートスコアによりTransformerモデルのパラメータを最適化し、トレーニングの目的は、Transformerモデルによって出力された各サンプルリソースに対するソートスコアがトレーニングデータにおけるソート情報に準拠することを含む、ことを含む。
マッチングされるアイテムと各候補リソースの情報とにおいて順に入力シーケンスを構成するための入力モジュールと、
入力シーケンスにおける各要素Tokenに対して、単語Embedding、位置Embedding及び文Embeddingを含む埋め込みEmbedding処理を行うための埋め込みモジュールと、
Embedding処理の結果をソートモデルに入力して、ソートモデルによる各候補リソースのソートスコアを取得するためのものであり、ソートモデルはTransformerモデルを採用して予めトレーニングすることにより得られるソートモジュールと、を含む。
マッチングされるアイテム、マッチングされるアイテムに対応する少なくとも2つのサンプルリソース及び各サンプルリソースのソート情報を含むトレーニングデータを取得するためのデータ取得モジュールと、
トレーニングデータによりTransformerモデルをトレーニングして、ソートモデルをトレーニングするためのモデルトレーニングモジュールと、を含んでおり、
モデルトレーニングモジュールは、具体的に、
マッチングされるアイテムと、少なくとも2つのサンプルリソースの情報とにおいて順に入力シーケンスを構成するための入力サブモジュールと、
入力シーケンスにおける各要素Tokenに対して、単語Embedding、位置Embedding及び文Embedding含む埋め込みEmbedding処理を行うための埋め込みサブモジュールと、
Embedding処理の結果をTransformerモデルの入力として、Transformerモデルにより各サンプルリソースに対するソートスコアを出力するためのソートサブモジュールと、
ソートスコアによりTransformerモデルのパラメータを最適化するためのものであり、トレーニングの目的は、Transformerモデルによって出力された各サンプルリソースに対するソートスコアがトレーニングデータにおけるソート情報に準拠することを含む最適化サブモジュールと、を含む。
少なくとも1つのプロセッサと、
少なくとも1つのプロセッサと通信接続されるメモリとを含んでおり、
メモリには、少なくとも1つのプロセッサに実行可能なコマンドが記憶されており、少なくとも1つのプロセッサが上記のいずれか1項に記載の方法を実行できるように、コマンドが少なくとも1つのプロセッサによって実行される。
1)1つの候補リソースのスコアを算出する場合に、他の候補リソースは考慮されず、最終得られた結果は大域的最適ではない。
2)また、この方式は算出の複雑さが高く、N個の候補リソースが存在すると、ソートモデルは、ソートスコアの算出をN回行う必要があり、Nは1よりも大きい正の整数である。
図2は、本出願の実施例1で提供されるリソースソート方法のフローチャートであり、図2に示すように、方法は、以下のステップを含むことができる。
query[sep1]title1[sep2]title2[sep3]title3[sep4]title4[sep5]…である。
図4は、本出願の実施例2で提供されるソートモデルをトレーニングする方法フローチャートであり、図4に示すように、方法は、以下のステップを含むことができる。
query[sep1]title1[sep2]title2[sep3]title3[sep4]title4[sep5]…として示される。
図5は本出願の実施例で提供されるリソースソート装置の構成図であり、図5に示すように、装置は、入力モジュール01、埋め込みモジュール02及びソートモジュール03を含むことができる。なお、各構成モジュールの主たる機能は以下とおりである。
入力モジュール01は、マッチングされるアイテムと各候補リソースの情報とにおいて順に入力シーケンスを構成するために用いられる。
埋め込みモジュール02は、入力シーケンスにおける各要素Tokenに対して、単語Embedding、位置Embedding及び文Embeddingを含む埋め込みEmbedding処理を行うために用いられる。
ソートモジュール03は、Embedding処理の結果をソートモデルに入力して、ソートモデルによる各候補リソースのソートスコアを取得するためのものであり、なお、ソートモデルはTransformerモデルを採用して予めトレーニングすることにより得られる。
図6は、本出願の実施例4で提供されるトレーニングソートモデルの装置構成図であり、図6に示すように、装置は、データ取得モジュール00と、モデルトレーニングモジュール10とを含むことができる。
マッチングされるアイテムと、少なくとも2つのサンプルリソースの情報とにおいて順に入力シーケンスを構成するための入力サブモジュール11を含むことができる。
符号化層は、入力された各要素のベクトル表現に対してAttentionメカニズム処理を行うために用いられる。
マッピング層は、最後の符号化層に対して出力されたベクトル表現をマッピングして、入力シーケンスにおける各サンプルリソースに対するソートスコアを取得するために用いられる。
Claims (20)
- リソースソート方法であって、
マッチングされるアイテムと各候補リソースの情報とにおいて順に入力シーケンスをコンピュータが構成し、
入力シーケンスにおける各要素に対して、単語埋め込み、位置埋め込み及び文埋め込みを含む埋め込み処理を前記コンピュータが行い、
前記コンピュータが、 前記埋め込み処理の結果をソートモデルに入力して、前記ソートモデルによる前記各候補リソースのソートスコアを取得し、前記ソートモデルは変換モデルを採用して予めトレーニングすることにより得られることを含む方法。 - 前記入力シーケンスにおいて前記マッチングされるアイテムと前記各候補リソースの情報との間にセパレータが挿入されており、
前記入力シーケンスにおける各要素はキャラクタ及び前記セパレータを含む請求項1に記載の方法。 - 前記変換モデルは、1つ以上の符号化層及びマッピング層を含み、
前記符号化層は、入力された各要素のベクトル表現に対してアテンションメカニズム処理を行い、
前記マッピング層は、最後の層の符号化層に対して出力されたベクトル表現をマッピングして、前記各候補リソースのソートスコアを取得する、請求項1または2に記載の方法。 - 前記マッチングされるアイテムはクエリアイテム又はユーザラベルを含み、
前記各候補リソースは、ウェブページリソース、ニュースリソース又はメディアリソースを含む請求項1~3のいずれか1項に記載の方法。 - ソートモデルをトレーニングする方法であって、
マッチングされるアイテム、前記マッチングされるアイテムに対応する少なくとも2つのサンプルリソース、及び各サンプルリソースのソート情報を含むトレーニングデータをコンピュータが取得し、
前記トレーニングデータにより変換モデルをトレーニングして、前記ソートモデルを前記コンピュータが取得することを含み、
前記ソートモデルを前記コンピュータが取得することは、
前記マッチングされるアイテムと、前記少なくとも2つのサンプルリソースの情報と、において順に入力シーケンスを構成し、
入力シーケンスにおける各要素に対して埋め込み処理を行い、前記埋め込み処理は、単語埋め込み、位置埋め込み及び文埋め込みを含み、
前記埋め込み処理の結果を変換モデルの入力として、前記変換モデルにより各サンプルリソースに対するソートスコアを出力し、
前記ソートスコアにより前記変換モデルのパラメータを最適化し、
前記トレーニングの目的は、変換モデルによって出力された各サンプルリソースに対する前記ソートスコアが前記トレーニングデータにおけるソート情報に準拠することを含む、方法。 - 前記入力シーケンスおいて前記マッチングされるアイテムと前記各サンプルリソースの情報との間にセパレータが挿入されており、
前記入力シーケンスにおける各要素はキャラクタ、及び前記セパレータを含む請求項5に記載の方法。 - 前記変換モデルは、1つ以上の符号化層及びマッピング層を含み、
前記符号化層は、入力された各要素のベクトル表現に対してアテンションメカニズム処理を行い、
前記マッピング層は、最後の符号化層に対して出力されたベクトル表現をマッピングして、入力シーケンスにおける各サンプルリソースに対するソートスコアを取得する、請求項5または6に記載の方法。 - 前記少なくとも2つのサンプルリソースは、前記マッチングされるアイテムに対応する少なくとも1つの正のサンプルリソース及び少なくとも1つの負のサンプルリソースを含み、
前記トレーニングの目的は、前記変換モデルによって出力された正のサンプルリソースに対するソートスコアが負のサンプルリソースに対するソートスコアよりも優れることを含む請求項5~7のいずれか1項に記載の方法。 - 前記ソートスコアにより前記変換モデルのパラメータを最適化するとともに、前記埋め込み処理で採用されるパラメータを最適化する、請求項5~8のいずれか1項に記載の方法。
- リソースソート装置であって、
マッチングされるアイテムと各候補リソースの情報とにおいて順に入力シーケンスを構成する入力モジュールと、
入力シーケンスにおける各要素に対して、単語埋め込み、位置埋め込み及び文埋め込みを含む埋め込み処理を行う埋め込みモジュールと、
前記埋め込み処理の結果をソートモデルに入力して、前記ソートモデルによる前記各候補リソースのソートスコアを取得するソートモジュールと、
を含み、
前記ソートモデルは変換モデルを採用して予めトレーニングすることにより得られる、
装置。 - 前記入力モジュールは、さらに、前記入力シーケンスにおいてマッチングされるアイテムと前記各候補リソースの情報との間にセパレータを挿入し、
前記入力シーケンスにおける各要素はキャラクタ、及び前記セパレータを含む請求項10に記載の装置。 - 前記変換モデルは、1つ以上の符号化層及びマッピング層を含み、
前記符号化層は、入力された各要素のベクトル表現に対してアテンションメカニズム処理を行い、
前記マッピング層は、最後の符号化層に対して出力されたベクトル表現をマッピングして、前記各候補リソースのソートスコアを取得する、請求項10に記載の装置。 - 前記マッチングされるアイテムはクエリアイテム又はユーザラベルを含み、
前記各候補リソースは、ウェブページリソース、ニュースリソース又はメディアリソースを含む請求項10~12のいずれか1項に記載の装置。 - ソートモデルをトレーニングする装置であって、
マッチングされるアイテム、前記マッチングされるアイテムに対応する少なくとも2つのサンプルリソース及び各サンプルリソースのソート情報を含むトレーニングデータを取得するためのデータ取得モジュールと、
前記トレーニングデータにより変換モデルをトレーニングして、前記ソートモデルを取得するモデルトレーニングモジュールと、
を含み、
前記モデルトレーニングモジュールは、
前記マッチングされるアイテムと、前記少なくとも2つのサンプルリソースの情報とにおいて順に入力シーケンスを構成する入力サブモジュールと、
入力シーケンスにおける各要素に対して、単語埋め込み、位置埋め込み及び文埋め込みを含む埋め込み処理を行う埋め込みサブモジュールと、
前記埋め込み処理の結果を変換モデルの入力として、前記変換モデルにより各サンプルリソースに対するソートスコアを出力するソートサブモジュールと、
前記ソートスコアにより前記変換モデルのパラメータを最適化する最適化サブモジュールと、
を備え、
前記トレーニングの目的は、前記変換モデルによって出力された各サンプルリソースに対するソートスコアがトレーニングデータにおけるソート情報に準拠することを含む、
装置。 - 前記入力サブモジュールは、さらに、前記入力シーケンスにおいてマッチングされるアイテムと前記各サンプルリソースの情報との間にセパレータを挿入し、
前記入力シーケンスにおける各要素はキャラクタ、及び前記セパレータを含む請求項14に記載の装置。 - 前記変換モデルは、1つ以上の符号化層及びマッピング層を含み、
前記符号化層は、入力された各要素のベクトル表現に対してアテンションメカニズム処理を行い、
前記マッピング層は、最後の符号化層に対して出力されたベクトル表現をマッピングして、入力シーケンスにおける各サンプルリソースに対するソートスコアを取得する、請求項14または15に記載の装置。 - 前記少なくとも2つのサンプルリソースは、マッチングされるアイテムに対応する少なくとも1つの正のサンプルリソース及び少なくとも1つの負のサンプルリソースを含み、
前記トレーニングの目的は、前記変換モデルによって出力された正のサンプルリソースに対するソートスコアが負のサンプルリソースに対するソートスコアよりも優れることを含む請求項14~16のいずれか1項に記載の装置。 - 前記最適化サブモジュールは、
前記ソートスコアにより前記変換モデルのパラメータを最適化するとともに、
前記埋め込みサブモジュールが埋め込み処理を行うために採用されるパラメータを最適化する、請求項14~17のいずれか1項に記載の装置。 - 電子機器であって、
少なくとも1つのプロセッサと、
前記少なくとも1つのプロセッサと通信接続されるメモリとを含み、
前記メモリには、前記少なくとも1つのプロセッサに実行可能なコマンドが記憶されており、前記少なくとも1つのプロセッサが請求項1~9のいずれか1項に記載の方法を実行できるように、前記コマンドが前記少なくとも1つのプロセッサによって実行される、電子機器。 - コンピュータに、 請求項1~9のいずれか1項に記載の方法を実行させるためのプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478321.8 | 2020-05-29 | ||
CN202010478321.8A CN111737559B (zh) | 2020-05-29 | 2020-05-29 | 资源排序方法、训练排序模型的方法及对应装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021190073A JP2021190073A (ja) | 2021-12-13 |
JP7106802B2 true JP7106802B2 (ja) | 2022-07-27 |
Family
ID=72646803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020193891A Active JP7106802B2 (ja) | 2020-05-29 | 2020-11-20 | リソースソート方法、ソートモデルをトレーニングする方法及び対応する装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210374344A1 (ja) |
EP (1) | EP3916579A1 (ja) |
JP (1) | JP7106802B2 (ja) |
KR (1) | KR102475235B1 (ja) |
CN (1) | CN111737559B (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11829374B2 (en) * | 2020-12-04 | 2023-11-28 | Microsoft Technology Licensing, Llc | Document body vectorization and noise-contrastive training |
US20240104154A1 (en) | 2022-01-30 | 2024-03-28 | Beijing Baidu Netcom Science Technology Co., Ltd. | Ranking of recall data |
CN114548109B (zh) * | 2022-04-24 | 2022-09-23 | 阿里巴巴达摩院(杭州)科技有限公司 | 命名实体识别模型训练方法及命名实体识别方法 |
CN115293291B (zh) * | 2022-08-31 | 2023-09-12 | 北京百度网讯科技有限公司 | 排序模型的训练方法、排序方法、装置、电子设备及介质 |
CN115795368B (zh) * | 2023-02-07 | 2023-05-02 | 山东毓星智能科技有限公司 | 一种基于人工智能的企业内训数据处理方法及*** |
CN117077918B (zh) * | 2023-07-04 | 2024-04-02 | 南京工业职业技术大学 | 基于电力大数据的节能方法及节能*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402954A (zh) | 2017-05-26 | 2017-11-28 | 百度在线网络技术(北京)有限公司 | 建立排序模型的方法、基于该模型的应用方法和装置 |
JP2021179979A (ja) | 2020-05-11 | 2021-11-18 | ネイバー コーポレーションNAVER Corporation | ショッピング検索のための商品属性抽出方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105955993B (zh) * | 2016-04-19 | 2020-09-25 | 北京百度网讯科技有限公司 | 搜索结果排序方法和装置 |
WO2018232622A1 (en) * | 2017-06-21 | 2018-12-27 | Microsoft Technology Licensing, Llc | RECOMMENDATION OF MULTIMEDIA CONTENT THROUGH CONVERSATIONAL ROBOTS |
CN107491534B (zh) * | 2017-08-22 | 2020-11-20 | 北京百度网讯科技有限公司 | 信息处理方法和装置 |
KR20190069961A (ko) * | 2017-12-12 | 2019-06-20 | 한국전자통신연구원 | 다중 자질 서브워드 기반 워드 임베딩 시스템 및 방법 |
US10803055B2 (en) * | 2017-12-15 | 2020-10-13 | Accenture Global Solutions Limited | Cognitive searches based on deep-learning neural networks |
US20190354839A1 (en) * | 2018-05-18 | 2019-11-21 | Google Llc | Systems and Methods for Slate Optimization with Recurrent Neural Networks |
US20200005149A1 (en) * | 2018-06-28 | 2020-01-02 | Microsoft Technology Licensing, Llc | Applying learning-to-rank for search |
CN109408622B (zh) * | 2018-10-31 | 2023-03-10 | 腾讯科技(深圳)有限公司 | 语句处理方法及其装置、设备和存储介质 |
US10607598B1 (en) * | 2019-04-05 | 2020-03-31 | Capital One Services, Llc | Determining input data for speech processing |
CN110276001B (zh) * | 2019-06-20 | 2021-10-08 | 北京百度网讯科技有限公司 | 盘点页识别方法、装置、计算设备和介质 |
CN110309283B (zh) * | 2019-06-28 | 2023-03-21 | 创新先进技术有限公司 | 一种智能问答的答案确定方法及装置 |
CN110516059B (zh) * | 2019-08-30 | 2023-06-09 | 腾讯科技(深圳)有限公司 | 基于机器学习的问题答复方法、问答模型训练方法及装置 |
CN110795527B (zh) * | 2019-09-03 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 候选实体排序方法、训练方法及相关装置 |
CN110543551B (zh) * | 2019-09-04 | 2022-11-08 | 北京香侬慧语科技有限责任公司 | 一种问题语句处理方法和装置 |
CN110543552B (zh) * | 2019-09-06 | 2022-06-07 | 网易(杭州)网络有限公司 | 对话交互方法、装置及电子设备 |
CN110647629B (zh) * | 2019-09-20 | 2021-11-02 | 北京理工大学 | 一种多粒度答案排序的多文档机器阅读理解方法 |
US20210133535A1 (en) * | 2019-11-04 | 2021-05-06 | Oracle International Corporation | Parameter sharing decoder pair for auto composing |
US11238521B2 (en) * | 2019-12-11 | 2022-02-01 | Microsoft Technology Licensing, Llc | Text-based similarity system for cold start recommendations |
CN110717339B (zh) * | 2019-12-12 | 2020-06-30 | 北京百度网讯科技有限公司 | 语义表示模型的处理方法、装置、电子设备及存储介质 |
CN111160007B (zh) * | 2019-12-13 | 2023-04-07 | 中国平安财产保险股份有限公司 | 基于bert语言模型的搜索方法、装置、计算机设备及存储介质 |
CN111198940B (zh) * | 2019-12-27 | 2023-01-31 | 北京百度网讯科技有限公司 | Faq方法、问答检索***、电子设备和存储介质 |
CN111159359B (zh) * | 2019-12-31 | 2023-04-21 | 达闼机器人股份有限公司 | 文档检索方法、装置及计算机可读存储介质 |
US20210365500A1 (en) * | 2020-05-19 | 2021-11-25 | Miso Technologies Inc. | System and method for question-based content answering |
-
2020
- 2020-05-29 CN CN202010478321.8A patent/CN111737559B/zh active Active
- 2020-11-11 US US17/094,943 patent/US20210374344A1/en not_active Abandoned
- 2020-11-20 JP JP2020193891A patent/JP7106802B2/ja active Active
-
2021
- 2021-03-05 EP EP21160886.4A patent/EP3916579A1/en not_active Ceased
- 2021-03-18 KR KR1020210035535A patent/KR102475235B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402954A (zh) | 2017-05-26 | 2017-11-28 | 百度在线网络技术(北京)有限公司 | 建立排序模型的方法、基于该模型的应用方法和装置 |
JP2021179979A (ja) | 2020-05-11 | 2021-11-18 | ネイバー コーポレーションNAVER Corporation | ショッピング検索のための商品属性抽出方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210374344A1 (en) | 2021-12-02 |
JP2021190073A (ja) | 2021-12-13 |
EP3916579A1 (en) | 2021-12-01 |
CN111737559B (zh) | 2024-05-31 |
KR102475235B1 (ko) | 2022-12-06 |
KR20210148871A (ko) | 2021-12-08 |
CN111737559A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7106802B2 (ja) | リソースソート方法、ソートモデルをトレーニングする方法及び対応する装置 | |
CN112507715B (zh) | 确定实体之间关联关系的方法、装置、设备和存储介质 | |
JP7317791B2 (ja) | エンティティ・リンキング方法、装置、機器、及び記憶媒体 | |
JP7194150B2 (ja) | ドキュメントのベクトル化表現方法、ドキュメントのベクトル化表現装置及びコンピュータ機器 | |
US20210216580A1 (en) | Method and apparatus for generating text topics | |
CN111198940B (zh) | Faq方法、问答检索***、电子设备和存储介质 | |
JP6361351B2 (ja) | 発話ワードをランク付けする方法、プログラム及び計算処理システム | |
US11907671B2 (en) | Role labeling method, electronic device and storage medium | |
CN111831813B (zh) | 对话生成方法、装置、电子设备及介质 | |
CN112528001B (zh) | 一种信息查询方法、装置及电子设备 | |
KR20210040329A (ko) | 비디오 태그의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
CN112100332A (zh) | 词嵌入表示学习方法及装置、文本召回方法及装置 | |
CN111414561B (zh) | 用于呈现信息的方法和装置 | |
CN113553414B (zh) | 智能对话方法、装置、电子设备和存储介质 | |
JP7295200B2 (ja) | 汎化処理方法、装置、デバイス、コンピュータ記憶媒体及びプログラム | |
US11321370B2 (en) | Method for generating question answering robot and computer device | |
US11308146B2 (en) | Content fragments aligned to content criteria | |
CN111274407A (zh) | 知识图谱中三元组置信度计算方法和装置 | |
CN111859953A (zh) | 训练数据的挖掘方法、装置、电子设备及存储介质 | |
JP7160986B2 (ja) | 検索モデルの訓練方法、装置、デバイス、コンピュータ記憶媒体、及びコンピュータプログラム | |
US20220147719A1 (en) | Dialogue management | |
CN112100335B (zh) | 问题生成方法、模型训练方法、装置、设备和存储介质 | |
CN110851569B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113051390A (zh) | 知识库构建方法、装置、电子设备和介质 | |
CN117194644A (zh) | 一种基于神经网络的说明书问答方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201120 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220310 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220614 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220620 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7106802 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |