专利快速检索-快速检索全球专利，免费商用专利数据库-IPRDB

91. 发明专利

AU2020283383A1 Neural network for search retrieval and ranking 未知
公开(公告)号：AU2020283383A1
公开(公告)日：2021-11-18
申请号：AU2020283383
申请日：2020-03-25
申请人： MICROSOFT TECHNOLOGY LICENSING LLC
发明人： ROSSET CORBIN LOUIS , MITRA BHASKAR , HAWKING DAVID ANTHONY , CRASWELL NICHOLAS ERIC , DIAZ FERNANDO , YILMAZ EMINE
IPC分类号： G06F16/951 , G06F16/31 , G06F16/335
摘要： Described herein is a mechanism for utilizing a neural network to identify and rank search results. A machine learning model is trained by converting training data comprising query-document entries into query term-document entries. The query term-document entries are utilized to train the machine learning model. A set of query terms are identified. The query terms can be derived from a query history. The trained machine learning model is used to calculate document ranking scores for the query terms and the resultant scores are stored in a pre-calculated term-document index. A query to search the document index is broken down into its constituent terms and an aggregate document ranking score is calculated from a weighted sum of the document ranking scores corresponding to the individual query terms. Because the term-document index can be pre-calculated, it can be downloaded to provide deep learning search capabilities in a computationally limited environment.

92. 发明专利

DE102020215954A1 DIALOGSYSTEM UND VERFAHREN ZUM STEUERN DESSELBEN 未知
公开(公告)号：DE102020215954A1
公开(公告)日：2021-10-21
申请号：DE102020215954
申请日：2020-12-15
申请人： HYUNDAI MOTOR CO LTD , KIA MOTORS CORP
发明人： PARK YOUNGMIN , KIM SEONA , LEE JEONG-EOM
IPC分类号： G06F40/30 , G06F16/31
摘要： Ein Dialogsystem enthält einen Prozessor, der konfiguriert ist zum: Generieren einer Bedeutungs-Repräsentation, die einem Eingabe-Satz entspricht, durch Ausführen von Natural Language Understanding an dem Eingabe-Satz, Generieren eines Ausgabe-Satzes, der der eingegebenen Bedeutungs-Repräsentation entspricht, basierend auf einem Rekurrenten Neuronalen Netz (RNN), und Bestimmen, ob der Eingabe-Satz unter Verwendung des Natural Language Generators nicht verarbeitet werden kann. Der Prozessor berechnet einen Parameter, der eine Wahrscheinlichkeit eines Ausgebens des Eingabe-Satzes repräsentiert, wenn die Bedeutungs-Repräsentation, die dem Eingabe-Satz entspricht, in den Natural Language Generator eingegeben wird, und bestimmt, ob der Eingabe-Satz nicht verarbeitet werden kann, basierend auf dem berechneten Parameter.

93. 发明专利

DE112019006005T5 Semantische-Beziehungen-Lerneinrichtung, Semantische-Beziehungen-Lernverfahren und Semantische-Beziehungen-Lernprogramm 未知
公开(公告)号：DE112019006005T5
公开(公告)日：2021-09-02
申请号：DE112019006005
申请日：2019-01-08
申请人： MITSUBISHI ELECTRIC CORP
发明人： UCHIDE HAYATO
IPC分类号： G06F40/30 , G06F16/31 , G06F16/332
摘要： Eine Semantische-Beziehungen-Lerneinrichtung (1) umfasst eine Negativbeispieldaten-Erzeugungseinheit (12), die eine Vielzahl von Negativbeispieldatenpaaren durch Kombinieren von Sprachdaten, die in einer Vielzahl von Positivbeispieldatenpaaren enthalten sind, erzeugt, eine Merkmalswert-Extraktionseinheit (13), die Merkmalswerte von den Sprachdaten, die jedes der Negativbeispieldatenpaare bilden, extrahiert, eine Ähnlichkeitslevel-Berechnungseinheit (14), die ein Ähnlichkeitslevel zwischen den Merkmalswerten in jedem der Negativbeispieldatenpaare berechnet, eine Lernzweck-Negativbeispieldaten-Erzeugungseinheit (15), die die Vielzahl von Negativbeispieldatenpaaren in eine Vielzahl vorbestimmter Ähnlichkeitslevelbereiche auf Grundlage des Ähnlichkeitslevels klassifiziert, wodurch eine Vielzahl von Lernzweck-Negativbeispieldatensätzen, die der Vielzahl von Ähnlichkeitslevelbereichen entsprechen, erzeugt werden, eine Lerndatensatz-Auswahleinheit (17), die einen Lernzweck-Negativbeispieldatensatz aus der Vielzahl von Lernzweck-Negativbeispieldatensätzen in einer Reihenfolge gemäß einem Auswahlplan, der auf Grundlage der Vielzahl von Ähnlichkeitslevelbereichen vorbestimmt ist, auswählt, und eine Lernverarbeitungseinheit (18), die einen Maschinelles-Lernen-Prozesses durch Verwenden des ausgewählten Lernzweck-Negativbeispieldatensatzes und der Vielzahl von Positivbeispieldatenpaaren durchführt.

94. 发明专利

RU2750852C1 Способ атрибутизации частично структурированных текстов для формирования нормативно-справочной информации 未知
公开(公告)号：RU2750852C1
公开(公告)日：2021-07-05
申请号：RU2020134145
申请日：2020-10-19
申请人： FEDERALNOE GOSUDARSTVENNOE BIUDZHETNOE OBRAZOVATELNOE UCHREZHDENIE VYSSHEGO OBRAZOVANIIA «NATSIONALN
发明人： FEDOSIN SERGEI ALEKSEEVICH , PLOTNIKOVA NATALIA PAVLOVNA , MARTYNOV VLADISLAV ALEKSANDROVICH , RYSKIN KONSTANTIN EDUARDOVICH , KUZNETSOV DMITRII ALEKSANDROVICH , DENISKIN ALEKSANDR VLADIMIROVICH , VECHKANOVA IULIIA SERGEEVNA , FEDIUSHKIN NIKOLAI ALEKSEEVICH , TSILIKOV NIKITA SERGEEVICH
IPC分类号： G06F40/20 , G06F16/31 , G06F40/40
摘要： Изобретениеотноситсяк вычислительнойтехнике. Техническийрезультатзаключаетсяв повышениискоростипроцессоватрибутизацииданных. Способатрибутизациичастичноструктурированныхтекстовдляформированиянормативно-справочнойинформациивключаетвыборобучающегонаборатекстовнаестественномязыкечастичноструктурированныхтекстов, извлечениесоответствующегонаборапризнаковдлякаждойкатегорииименованныхсущностей, обучениемоделиклассификациис использованиемобучающегонаборатекстови наборовпризнаковдлякаждойкатегорииименованныхсущностей, осуществлениеобучениянаатрибутах, получениемоделидлякаждойименованнойсущностии проверкуатрибутов, извлечениепроцессоромтокеновизнеразмеченноготекста, формированиепроцессоромразмеченногопредставления, поменьшеймере, частитекстанаосновании, поменьшеймере, одногоизтокенов, классифицированныхпокатегориям. 2 ил., 1 табл.

95. 发明专利

DE102019220410A1 Vorrichtung und Verfahren zum Verarbeiten von digitalen Daten 未知
公开(公告)号：DE102019220410A1
公开(公告)日：2021-06-24
申请号：DE102019220410
申请日：2019-12-20
申请人： BOSCH GMBH ROBERT
发明人： STROETGEN JANNIK , SCHILLER MARVIN
IPC分类号： G06F40/289 , G06F8/10 , G06F16/31 , G06N3/02
摘要： Computerimplementiertes Verfahren (100) zum Verarbeiten von digitalen Daten einer spezifischen Domäne, wobei die digitalen Daten eine Vielzahl von Datensequenzen (200) umfassen, wobei eine jeweilige Datensequenz (200) jeweils mehrere Datenelemente umfasst, und die Datenelemente einer logischen und/oder syntaktischen Struktur folgend zu der jeweiligen Datensequenz (200) zusammengefügt sind, das Verfahren (100) umfassend die folgenden Schritte: Zerlegen (110) einer jeweiligen Datensequenz (200) unter Ausnutzung ihrer logischen und/oder syntaktischen Struktur in mehrere Komponenten, Bereitstellen (120) von Vektorrepräsentationen der Komponenten, Bestimmen (130) von Ähnlichkeitsgraden zwischen einzelnen Vektorrepräsentationen und Bestimmen (140) von Ähnlichkeitsgraden zwischen einzelnen Datensequenzen (200) basierend auf den Ähnlichkeitsgraden zwischen einzelnen Vektorrepräsentationen.

96. 发明专利

DE112019004387T5 UNTERTEILEN EINES WISSENSGRAPHEN 未知
公开(公告)号：DE112019004387T5
公开(公告)日：2021-05-20
申请号：DE112019004387
申请日：2019-11-22
申请人： IBM
发明人： SCHEIDELER TIM , RUEGER ERIK , RAVIZZA STEFAN , FLOETHER FREDERIK
IPC分类号： G06F16/35 , G06F16/2453 , G06F16/31 , G06F16/901
摘要： Ein Verfahren zum Unterteilen eines Wissensgraphen wird bereitgestellt. Das Verfahren analysiert vergangene Suchvorgänge und ermittelt eine Zugriffshäufigkeit auf eine Mehrzahl von Kanten. Das Verfahren markiert Kanten mit den höchsten Zugriffshäufigkeiten als Zwischen-Cluster-Kerne, ordnet die markierten Zwischen-Cluster-Kerne gemäß ihrer Zugriffshäufigkeiten und wählt einen ersten Cluster-Kern mit der höchsten Zugriffshäufigkeit aus. Das Verfahren weist erste Kanten in einem ersten Radius um den ersten Cluster-Kern herum zu, um den ersten Cluster zu erstellen. Das Verfahren wählt einen zweiten Cluster-Kern aus, der abgesehen von Kanten des ersten Clusters die höchste Zugriffshäufigkeit aufweist, und weist zweite Kanten in einem zweiten Radius um den zweiten Cluster-Kern herum zu, um den zweiten Cluster zu erstellen. Das Verfahren unterteilt den Wissensgraphen in einen ersten Teilwissensgraphen, der den ersten Cluster aufweist, und einen zweiten Teilwissensgraphen, der den zweiten Cluster aufweist.

97. 发明专利

IL281033D0 Systems and methods for performing a computer-implemented prior art search 未知
公开(公告)号：IL281033D0
公开(公告)日：2021-04-29
申请号：IL28103321
申请日：2021-02-23
申请人： AMERICAN CHEMICAL SOC
IPC分类号： G06F16/31 , G06F16/335 , G06F16/93 , G06F17/16 , G06N3/02 , G06N3/04 , G06N5/02 , G06N20/20
摘要： In some embodiments, a computer-implemented method for retrieving a similar document from a corpus of documents is provided. The method may include receiving a search document comprising a set of words; applying a first encoder to generate a first vector; applying a second encoder to generate a second vector; determining a first similarity between the first vector of the search document and the first vector of each document of the corpus of documents; determining a second similarity between the second vector of the search document and the second vector of each document of the corpus of documents; generating a first ranked list of documents based on the first similarity; generating a second ranked list of documents based on the second similarity; applying a voting algorithm to determine a score associated with each document; and outputting a third ranked list of documents based on the determined score.

98. 发明专利

DE102019212421A1 Verfahren und Vorrichtung zur Ermittlung ähnlicher Dokumente 未知
公开(公告)号：DE102019212421A1
公开(公告)日：2021-02-25
申请号：DE102019212421
申请日：2019-08-20
申请人： FRAUNHOFER GES FORSCHUNG
发明人： HOPPE THOMAS
IPC分类号： G06F16/31 , G06F16/335 , G06F16/35 , G06F16/36 , G06F40/20
摘要： Die Erfindung betrifft ein Verfahren zur Ermittlung ähnlicher Dokumente aus einer Menge an Dokumenten (101), wobei die Dokumente (101) tokenisierte Zeichenketten aufweisen, dadurch gekennzeichnet, dassa) mit einem Indexierungsverfahren (102) ein inverser Index für mindestens eine Teilmenge der Dokumente (101) berechnet wird,b) für die mindestens eine Teilmenge der Dokumente (101) werden Word Embeddings (105) berechnet,c) für die mindestens eine Teilmenge der Dokumente (101) wird für jedes dieser Dokumente (101) jeweils ein Document Embedding (107) berechnet, indem für jedes Dokument (101) die Word Embeddings (105) aller Zeichenketten, insbesondere Worte des Dokuments (101) addiert und mit der Anzahl der Zeichenketten, insbesondere Worten, normiert werden (106), wobei vorher, nachfolgend oder paralleld) mit den berechneten Word Embeddings (105) mithilfe eines Clusteringverfahrens SimSet-Gruppen (109) von ähnlichen Zeichenketten berechnet werden, und dann anschließende) in einer Anfragephase (200) zunächst ein Query Embedding (205) bestimmt wird und dannf) ein Vergleich des Query Embeddings (205) mit den Document Embeddings (107) unter Verwendung der im Schritt d) mit dem Clusteringverfahren gebildeten SimSet-Gruppen (109) zur mengenmäßigen Einschränkung der Anzahl der zu vergleichenden Document Embeddings (107) durchgeführt wird, um automatisch ein Ranking der Ähnlichkeit der Dokumente (101) zu ermitteln und diese anzuzeigen und / oder abzuspeichern. Die Erfindung betrifft auch eine Vorrichtung.

99. 发明专利

AU2019207309C1 Identifying entities in electronic medical records 未知
公开(公告)号：AU2019207309C1
公开(公告)日：2021-02-11
申请号：AU2019207309
申请日：2019-04-25
申请人： ADVANCED NEW TECHNOLOGIES CO LTD
发明人： CAO SHAOSHENG , ZHOU JUN
IPC分类号： G06F16/31 , G06F40/295 , G16H10/60
摘要： (12) INTERNATIONAL APPLICATION PUBLISHED UNDER THE PATENT COOPERATION TREATY (PCT) CORRECTED VERSION (19) World Intellectual Property (1) Organization11111111111111111111111I1111111111111ii111liiili International Bureau (10) International Publication Number (43) International Publication Date W O 2019/137562 A9 18 July 2019 (18.07.2019) W IPO I PCT (51) InternationalPatent Classification: (72) Inventors: CAO, Shaosheng; Alibaba Group Legal De Not classified partment 5/F, Building 3, No.969 West Wen Yi Road, Yu (21) International Application Number: Hang District, Hangzhou, Zhejiang 311121 (CN). ZHOU, PCT/CN2019/084197 Jun; Alibaba Group Legal Department 5/F, Building 3, No.969 West Wen Yi Road, Yu Hang District, Hangzhou, (22) International Filing Date: Zhejiang 311121 (CN). 25 April 2019 (25.04.2019) (74) Agent: BEIJING BESTIPR INTELLECTUAL PROP (25) Filing Language: English ERTY LAW CORPORATION; Room 409, Tower B, Ka (26)PublicationLanguage: English Wal Building, No. 9 Shangdi 3rd Street, Haidian District, Beijing 100085 (CN). (71) Applicant: ALIBABA GROUP HOLDING LIMITED (81) Designated States (unless otherwise indicated, for every [-/CN]; Fourth Floor, One Capital Place, P.O. BOX 847, kind national protection available): AE, AG, AL, AM, GeorgeTown,GrandCayman(KY). AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, (54) Title: IDENTIFYING ENTITIES IN ELECTRONIC MEDICAL RECORDS Training text extraction Text segmentation - 104 Word vector training (based on, for example, cw2vec and n-stroke vector training) 106 Word vector n-stroke vector BiLSTM-CRF model training BiLSTM-CRF model parameter - classify terms from a written diagnosis containing Chinese characters (57) Abstract: Disclosed herein are methods, systems, and apparatus, including computer programs encoded on computer storage e media, for entity prediction. One of the methods includes performing word segmentation on text to be predicted to obtain a plurality of words. For each word of the plurality of words, a determination is made whether the word has a pre-trained word vector. In response to determining that the word has a pre-trained word vector, the pre-trained word vector for the word is obtained. In response to determining that the word does not have a pre-trained word vector, a word vector for the word is determined based on a pre-trained stroke vector. The word vector and the pre-trained stroke vector are trained based on a text sample and a word vector model. An entity associated with the text is predicted by inputting word vectors of the plurality of words into an entity prediction model. W O 20 19/13 7562 A 9 |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||| DZ, EC, EE, EG, ES, Fl, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW. (84) Designated States (unless otherwise indicated, for every kind of regional protection available): ARIPO (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW), Eurasian (AM, AZ, BY, KG, KZ, RU, TJ, TM), European (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, Fl, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR), OAPI (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG). Published: - upon request of the applicant, before the expiration of the time limit referred to in Article 2](2)(a) - without international search report and to be republished upon receipt of that report (Rule 48.2(g)) - with information concerning authorization of rectification of an obvious mistake under Rule 91.3 (b) (Rule 48.2(i)) (48) Date of publication of this corrected version: 13 February 2020 (13.02.2020) (15) Information about Correction: see Notice of 13 February 2020 (13.02.2020)

100. 发明专利

AR115501A1 SISTEMA Y MÉTODO PARA EL ENRIQUECIMIENTO DE TAXONOMÍA UTILIZANDO CONJUNTO DE CLASIFICADORES 未知
公开(公告)号：AR115501A1
公开(公告)日：2021-01-27
申请号：ARP190101560
申请日：2019-06-06
申请人： MICROSOFT TECHNOLOGY LICENSING LLC
发明人： ZHANG RUOFEI , VISHWAJITH SUJITH , NEERUDU SRINIVASA REDDY , CHANG KENG-HAO
IPC分类号： G06F16/36 , G06F16/31
摘要： Una taxonomía de categorías, atributos y valores se puede combinar con las nuevas tripletas de datos identificando uno o más candidatos de combinación entre los pares de atributo-valor dentro de una categoría de la taxonomía que coincida con la categoría de la tripleta de datos, y determinando una acción de combinación adecuada para combinar la tripleta de datos con cada candidato de combinación. La tarea de determinar las acciones de combinación se puede considerar un problema de clasificación y se puede resolver mediante un conjunto de clasificadores.

你已经成功收藏专利！

检索式保存成功!

IPRDB

热门服务

关于我们

友情链接

联系方式