Pubblicato da Bill Slawski 2 mesi fa

Risposte alle query in linguaggio naturale su Google

La natura di Internet e la facilità con cui le persone possono accedere al web proviene da molte fonti. Questo può permettere a chi fa una ricerca di condividere informazioni e cercare informazioni relative ai loro interessi.

Gli utenti possono condividere o cercare cose come:

  • Fotografie
  • Video
  • Musica
  • Blog
  • Messaggi
  • Commenti
  • Altre informazioni

Questo brevetto risolve questo problema:

Molte informazioni non vengono registrate o condivise perché la comunicazione convenzionale e la registrazione delle informazioni può essere ingombrante da impostare.

Hai visto questo e ti sei chiesto come le informazioni che stai registrando potrebbero diventare utili.

Un esempio di applicazione del linguaggio naturale

Alcuni dispositivi e applicazioni permettono a chi fa una ricerca di registrare e memorizzare alcune informazioni e ricevere un riepilogo delle informazioni registrate.

I dispositivi di monitoraggio del fitness e dell’esercizio fisico permettono a chi cerca di inserire i tipi e la quantità di cibo mangiato ogni giorno. Tracciano anche la quantità di esercizio eseguito, una perdita di peso o un obiettivo calorico, ecc.

La maggior parte dei dispositivi può memorizzare solo una quantità limitata di informazioni.

Non possono ricavare informazioni da dichiarazioni fatte in linguaggio naturale e voci di testo.

Altre soluzioni hanno bisogno che le persone che fanno una ricerca inseriscano esplicitamente le informazioni in formati predeterminati.

Di solito, i dispositivi danno agli utenti una quantità limitata di feedback sotto forma di informazioni riassuntive. Questo proviene dalle informazioni inserite dall’utente e/o dalle limitate informazioni memorizzate su questi dispositivi.

Quando le persone condividono informazioni con un sistema informatico, potrebbero voler cercare anche quelle informazioni.

Trovare dati da usare nelle risposte alle query in linguaggio naturale

Questo brevetto permette di cercare informazioni su un computer. Aggrega informazioni da dichiarazioni in linguaggio naturale fornite da chi fa la ricerca e inferenze da queste informazioni.

Le informazioni delle dichiarazioni in linguaggio naturale sono sotto forma di tuple strutturate. Questo brevetto non ci dice come queste informazioni potrebbero essere impostate sul Web per renderle utili per questo brevetto.

Ho scritto su Google che raccoglie informazioni sulle entità e sulle tuple per rendere queste informazioni ricercabili. Un altro post è stato Estrazioni di entità per i Knowledge Graph in Google ed Estrarre entità con wrapper di dati automatizzati. Entrambi descrivono come Google potrebbe capire meglio le informazioni sulle entità e le tuple che trova sulle pagine web. E come potrebbe estrarre quelle informazioni. Quei processi di estrazione si adattano bene a questo brevetto, che descrive l’uso di quei dati.

Ma sappiamo cosa succede a quelle entità e tuple una volta che sono sulle pagine web.

Questo brevetto ci dice che:

I segmenti delle tuple possono essere collegati a Knowledge Graph, grafi sociali, e/o grafi di entità di informazioni strutturate, che possono fornire inferenze e feedback a chi cerca.

Come rispondere a una domanda in linguaggio naturale

Il brevetto mostra l’analisi e la risposta a una query di ricerca.

Questo sistema memorizzerebbe istruzioni e un processore per eseguirle in modo da ricevere la query e dividerla in segmenti basati su regole grammaticali.

Questo funziona per:

  • Scegliere un primo segmento dai segmenti della query
  • Ricevere una tupla memorizzata in associazione con chi cerca
  • Selezionare un secondo segmento da almeno una tupla
  • Le istruzioni ricevono informazioni sul primo e sul secondo segmento e rispondono alla query in base alle informazioni.

Un metodo per analizzare e rispondere a una query dell’utente.

Rispondere a una query inizia con la suddivisione della query in segmenti

Una query di ricerca viene ricevuta e divisa in segmenti basati su regole grammaticali.

I processori poi:

  • Decidono su un primo segmento dai segmenti di ricerca;
  • Prendono almeno una tupla memorizzata in associazione con il ricercatore;
  • Prendono un secondo segmento da almeno una tupla.

Inoltre, le istruzioni inducono i processori a:

  • Ricevere informazioni relative al primo e al secondo segmento;
  • Costruire una risposta alla query basata sulle informazioni ricevute;
  • Trasmettere informazioni a un dispositivo di visualizzazione per mostrare la risposta a chi cerca. 

Brevetto Natural Language Query Responses

Systems and methods for generating responses to natural language queries

Inventors: Ian Macgillivray, Engin Cinar Sahin, Emma Sarah Persky, Max Bogue, Angela Ni-Hwey Chang, and Konrad Piotr Delong

Assignee: Google LLC

US Patent: 10,990,603

Granted: April 27, 2021

Filed: February 20, 2019

Abstract

I sistemi e i metodi implementati dal computer analizzano e rispondono a una query di ricerca.

Il motore di ricerca riceve una query dall’utente e la divide in segmenti di query basati su regole di grammatica.

Quando il primo segmento dai segmenti di query è ricevuto, almeno una tupla immagazzinata in associazione con chi cerca seleziona un secondo segmento da almeno una tupla.

Questi sistemi e metodi ricevono le informazioni sul primo e sul secondo segmento e rispondono alla query in base alle informazioni ricevute.

Poi le informazioni sono trasmesse a un dispositivo di visualizzazione per presentare la risposta a chi sta facendo la ricerca.

Come le regole grammaticali aiutano a capire le dichiarazioni nel linguaggio naturale?

Questo brevetto presenta l’aggregazione e l’immagazzinamento di informazioni derivate da dichiarazioni in linguaggio naturale fatte da chi fa ricerche.

Un ricercatore può ricevere tale dichiarazione in linguaggio naturale. E la può valutare usando regole grammaticali. Queste possono includere nomi, verbi, preposizioni, avverbi, aggettivi, soggetto, predicato, ecc.

Queste informazioni possono essere in tuple e memorizzate in associazione con il ricercatore.

Risposte di query in linguaggio naturale a un ricercatore

Questo brevetto ci dice anche come può generare risposte di query in linguaggio naturale a un ricercatore.

La query in linguaggio naturale può provenire da un ricercatore su un dispositivo client.

Dopo che la dichiarazione viene valutata per identificare i segmenti di query, che possono essere basati su un insieme di regole grammaticali (ad esempio, nomi, verbi, soggetto, predicato, ecc.).

A questo punto, chi fa la ricerca può accedere a un Knowledge Graph per recuperare informazioni su uno o più segmenti di query, e cercare qui anche altri elementi di dati associati alla sua ricerca.

Il motore di ricerca può creare risposte alle query basate sulle informazioni recuperate.

Memorizzare le risposte alle query in linguaggio naturale

Il sistema può includere computer posseduti o gestiti dai ricercatori, che aggiungono informazioni al Web.

Questi dispositivi informatici includono smartphone, tablet, netbook, lettori elettronici, assistenti digitali personali (PDA). Includono anche televisori abilitati al web, personal computer, computer portatili, computer desktop, e/o altri tipi di dispositivi elettronici o di comunicazione.

Possono trasmettere una dichiarazione in linguaggio naturale o una query in linguaggio naturale basata sull’input fornito da chi cerca attraverso la rete a un server.

Il ricercatore può anche ricevere informazioni (per esempio, risposte di query in linguaggio naturale), alle richieste, dal server attraverso una rete.

Questi server possono implementare o fornire motori di ricerca, motori di interpretazione e classificazione del linguaggio naturale, insiemi di regole grammaticali. Possono anche emettere applicazioni o programmi per ricevere e memorizzare dichiarazioni in linguaggio naturale o generare risposte di query in linguaggio naturale.

Informazioni contenute nei Knowledge Graph 

Un Knowledge Graph può includere entrambi i database logicamente e/o fisicamente separati configurati per memorizzare i dati.

I dati immagazzinati nel Knowledge Graph possono provenire dal server, dai dispositivi del cliente e/o essere forniti come input usando i metodi convenzionali.

I dati immagazzinati nel Knowledge Graph possono essere documenti, presentazioni, contenuto testuale, file audio, file video, informazioni ed elementi di dati immagazzinati sotto forma di tuple. I dati possono anche includere regole grammaticali e vari altri dati elettronici in qualsiasi altra combinazione di essi.

Un elemento del Knowledge Graph su qualsiasi soggetto o elemento di dati può includere un corpus di informazioni ed elementi di contenuto associati al soggetto dell’elemento di dati.

Un corpus di informazioni può includere nomi, luoghi, cose, eventi e/o elementi di contenuto.

Il Knowledge Graph può includere collegamenti al corpus di informazioni. Può anche includere riferimenti o collegamenti ad altri elementi del Knowledge Graph e/o banche dati che contengono il corpus di informazioni.

Un esempio di dati in un Knowledge Graph

Un elemento del Knowledge Graph per una voce come “banana” può includere un corpo di informazioni tra cui:

  • Varietà di banane
  • Dove si coltivano le banane
  • Prezzi e disponibilità di banane
  • Contenuto nutrizionale in una banana
  • Ricette basate sull’uso della banana
  • Feste o eventi associati alla banana
  • Ecc.

L’elemento del Knowledge Graph può anche includere informazioni aggiuntive, come la frequenza con cui vengono cercate informazioni o postati commenti riguardanti la “banana”. Può anche includere commenti, messaggi e/o post di blog sulle banane, ecc.

Questi sono solo esempi. Anche le informazioni audio e video possono essere negli elementi del Knowledge Graph.

Queste informazioni possono essere memorizzate in un database di tuple

Il database delle tuple può memorizzare informazioni ottenute dalle dichiarazioni in linguaggio naturale e dai grafici sociali di chi fa la ricerca.

Queste informazioni potrebbero includere documenti, presentazioni, notizie, articoli, post di blog, libri, recensioni di libri, riviste, articoli di riviste. Possono anche includere registrazioni audio o video, messaggi di testo, messaggi di posta elettronica, contenuti dei social media, o qualsiasi altro tipo di informazione scritta da chi cerca. Questi possono anche provenire dai contatti dei social media del’utente o da suoi contatti preferiti. 

Può anche contenere registri di ricerca con stringhe di ricerca utilizzate dall’utennte per cercare elementi di contenuto e/o citazioni.

Le risposte alle query in linguaggio naturale possono essere in tuple

Il motore di ricerca può memorizzare le informazioni nel database di tuple sotto forma di tuple associate all’utente che cerca.

Il Knowledge Graph può utilizzare un unico supporto di memorizzazione leggibile dal computer.

Un dispositivo che memorizza il Knowledge Graph può essere su uno strumento di archiviazione collegato alla rete, una rete di archiviazione, o una combinazione.

Può usare numerosi linguaggi, come SQL, MySQL, IBM DB2.RTM., Microsoft Access.RTM., PERL, C/C++, Java.RTM.

Può anche essere un database autonomo accessibile attraverso una rete o associato alla parte di un sistema o ambiente da cui è possibile accedere dai dispositivi client e/o da altri componenti.

Il database delle tuple può avere una struttura e una funzione come il Knowledge Graph 

Il database di tuple può avere una struttura e una funzione come il Knowledge Graph.

Il sistema può includere solo un Knowledge Graph, che può funzionare sia come Knowledge Graph che come base di dati di tuple.

Oppure, il sistema può includere solo un database di tuple, che può fungere sia da Knowledge Graph che da database di tuple. 

Oppure può includere entrambi.

Potrebbe davvero includere qualsiasi numero di Knowledge Graph, database di tuple e/o qualsiasi altro database.

Dietro l’uso di risposte alle query in linguaggio naturale

Per definizione, una dichiarazione in linguaggio naturale, può essere una frase, citazione, frase, domanda, ecc. scritta o espressa in qualche forma da un utente che effettua una ricerca.

“Linguaggio naturale” come usato qui si riferisce a come le persone possono comunicare tra loro usando il linguaggio parlato o scritto in una lingua.

Una frase come “ho mangiato una mela” può rappresentare una dichiarazione in linguaggio naturale.

Una frase come “love yogurt” o “go USA” può rappresentare una dichiarazione in linguaggio naturale.

Una dichiarazione in linguaggio naturale potrebbe anche includere un paragrafo o un insieme di frasi.

Questo processo include la ricezione di una dichiarazione in linguaggio naturale da un deposito o da una base di dati, come un deposito o una base di dati associata al sistema.

La ricezione dai dati memorizzati nella memoria principale o nel supporto di memorizzazione dei dispositivi client e/o dei server. Oppure la ricezione della dichiarazione di linguaggio naturale quando il ricercatore la inserisce o la fornisce. Userebbero i dispositivi I/O associati ai dispositivi client con il server.

Regole grammaticali per le risposte alle query in linguaggio naturale

Il processo di risposta alle query in linguaggio naturale può anche includere l’accesso a un insieme di regole grammaticali.

Le regole grammaticali possono identificare o classificare parole o frasi di una dichiarazione in linguaggio naturale e associare un significato contestuale alle frasi.

Queste regole grammaticali basate sulla lingua inglese possono aiutare a determinare se una parola o una frase usata forma un nome, pronome, verbo, preposizione, aggettivo, avverbio, congiunzione, soggetto, predicato, ecc.

Possono anche aiutare a categorizzare le parole.

Per esempio, le regole grammaticali possono affermare che “banana”, “una mela”, “carota”, “latte”, ecc. sono articoli alimentari e inoltre che “banana” e “mela” sono frutti, “carota” è un vegetale e “latte” è un prodotto lattiero-caseario.

Queste regole grammaticali possono aiutare ad associare le parole con significati contestuali.

Le regole grammaticali possono anche riferirsi alla matematica o alle discipline scientifiche per aiutare ad assegnare significati ai simboli o ai termini scientifici. Queste possono fornire un contesto al gergo usato in un particolare ramo della matematica o della scienza.

Alcune regole grammaticali funzionano con la matematica

Per esempio, le regole grammaticali legate alla matematica possono aiutare a identificare simboli come “=” (uguale), “>” (maggiore di), “<” (minore di) ecc.

Una relazione con la matematica può aiutare a riconoscere forme come il triangolo, il quadrato, il pentagono e l’esagono, con tre, quattro, cinque o sei lati, rispettivamente.

Queste regole grammaticali possono lavorare con relazioni posizionali delle parole o frasi nella dichiarazione in linguaggio naturale.

Una dichiarazione potrebbe contenere una matrice di testo e/o numeri con intestazioni di colonna. Queste intestazioni di colonna e/o le posizioni relative delle colonne, per esempio, da sinistra a destra, possono identificare e/o classificare il testo e/o i numeri.

Le regole della grammatica permettono anche l’interpretazione dei termini del linguaggio naturale

Queste regole possono anche permettere l’interpretazione di certi termini del linguaggio naturale. 

Per esempio, gli articoli “a” o “un” forse con una quantità di “uno”. Oppure, le parole “doppio,” “triplo,” o “quadruplo” incluso una quantità di “due,” “tre,” o “quattro,” rispettivamente. O, termini come “esercizio”, “correre”, “camminare”, “aerobica”, ecc.,  incluso una diminuzione delle calorie e/o un aumento della massa muscolare.

Le regole grammaticali possono trovarsi in un Knowledge Graph, in un database di tuple e/o in qualsiasi altra memoria associata al sistema. Oppure, le regole possono essere in un grafico di entità conosciute come nomi (oggetti di cose), verbi (attività), ecc.

Ci possono essere informazioni che indicano che certi nomi rappresentano entità in un grafico di entità

Le informazioni che indicano che certi sostantivi rappresentano elementi alimentari, frutta o verdura, forse in un grafico di entità.

Tale grafico di entità può includere informazioni riguardanti il contenuto nutrizionale di vari alimenti o le calorie bruciate in una certa attività.

Inoltre, informazioni comunemente note come il numero di giorni in un anno, il numero di ore in un giorno, ecc.

L’accesso alle regole grammaticali può includere processi simili a quelli descritti sopra sulle dichiarazioni del linguaggio naturale dall’immagazzinamento o dal database associato al sistema.

Le regole di grammatica possono dirti molto, e farti imparare nuove regole di grammatica

Questo processo può permettere a chi fa una ricerca di fornire una o più dichiarazioni in linguaggio naturale e identificare e/o classificare ogni parola o gruppo di parole nella o nelle dichiarazioni in linguaggio naturale fornite dall’utente.

Le dichiarazioni in linguaggio naturale dell’utente possono addestrare il sistema a classificare e/o identificare parole o frasi.

Il sistema può quindi derivare regole grammaticali basate sulle classificazioni fornite da chi cerca e memorizzarle in un Knowledge Graph, una banca dati di tuple o qualsiasi altra memoria associata al sistema.

Suddividere le dichiarazioni in linguaggio naturale in segmenti

La dichiarazione in linguaggio naturale può essere divisa in segmenti.

Un segmento può costituire un elemento di dati rappresentato da una parola o da gruppi di parole selezionate.

I segmenti possono usare classificazioni basate su regole grammaticali.

A titolo di esempio, le classificazioni basate sulle regole grammaticali della lingua inglese possono dividere la dichiarazione in lingua naturale in parti del discorso, per esempio, nomi, pronomi, verbi, ecc.

Un esempio segmentato di dichiarazione in linguaggio naturale

La dichiarazione in linguaggio naturale “Ho mangiato una banana ieri” potrebbe essere composta da cinque porzioni, il pronome “io”, il verbo “mangiare”, il sostantivo “banana”, l’articolo “a” e l’indicatore di data “ieri”.

Le regole grammaticali possono interpretare una o più di queste porzioni e associare significati contestuali alla generazione di segmenti corrispondenti alla dichiarazione in linguaggio naturale.

L’articolo “a” può essere un indicatore del numero di banane che l’utente ha mangiato e forse un segmento di “uno”.

La parola “ieri” può essere una data in cui la dichiarazione è avvenuta.

Un utente potrebbe fare una dichiarazione il 15 giugno 2014, e la parola “ieri” potrebbe essere un segmento “20140614,” indicando che la persona che fa la ricerca ha mangiato la banana il 14 giugno 2014.

Altri modi in cui le dichiarazioni in linguaggio naturale possono essere segmentate

Le dichiarazioni in linguaggio naturale possono essere segmentate sulla base di regole grammaticali in molti altri modi.

Una lista o matrice di testo o numeri può essere sul simbolo separatore che separa il testo o i numeri.

L’elenco di testo o numeri separati da virgole, tabulazioni o spazi può essere segmentato dal testo o dai numeri tra una coppia di virgole, tabulazioni o spazi.

Allo stesso modo, una matrice di numeri o testo può essere segmentata in base alla posizione di riga e colonna dei numeri o del testo nella matrice.

Un altro esempio è che la parola “esagono” può funzionare con segmenti che caratterizzano la forma geometrica basata su regole grammaticali matematiche.

Così, la parola esagono può lavorare con segmenti che includono, per esempio, “forma”, “poligono”, “regolare”, “a sei lati”, ecc.

Utilizzo di tuple basate su segmenti di dichiarazioni in linguaggio naturale

Google genererebbe diverse tuple come parte di questo processo.

Queste tuple possono consistere in due o più segmenti memorizzati in associazione tra loro.

Le triple possono provenire dai segmenti di una dichiarazione in linguaggio naturale.

Una tripla, come usata qui, è una tupla che consiste di tre segmenti.

Le tuple o le triple possono avere selezionato uno o più segmenti corrispondenti a una dichiarazione in linguaggio naturale.

Una tupla può anche includere segmenti come etichette e/o segmenti che rappresentano caratteristiche di un segmento incluso nella tupla.

Le regole grammaticali possono dividere la dichiarazione in linguaggio naturale in segmenti

Le caratteristiche dei segmenti possono provenire dalle regole grammaticali usate per dividere la dichiarazione in linguaggio naturale in segmenti.

O quelle caratteristiche dei segmenti possono provenire da un grafico di entità.

Come esempio, le seguenti triple possono rappresentare la dichiarazione in linguaggio naturale “Ho mangiato una banana ieri” fornita da un ricercatore “XYZ”: “XYZ/action-eat/label 1,” “label 1/food/banana,” “label 1/quantity/1,” e “label 1/date/20140614.”

Un segmento “etichetta 1” può rappresentare ogni tripla corrispondente a una particolare dichiarazione in linguaggio naturale. Questo potrebbe aiutare a identificare le triple associate a quella particolare dichiarazione in linguaggio naturale.

L’identificatore di ricerca come “XYZ” può avere la stessa funzione di un’etichetta.

Il numero di triple generate per diverse dichiarazioni in linguaggio naturale può essere diverso. Per esempio, può dipendere dalla quantità di informazioni incluse in ogni dichiarazione di linguaggio naturale e/o dalla quantità di informazioni derivate dalle regole grammaticali o dai grafici di entità usati per elaborare la dichiarazione di linguaggio naturale.

Tuple personali per le risposte alle query in linguaggio naturale

Oltre alle tuple relative alla dichiarazione in linguaggio naturale, il processo può generare tuple personali basate sulle informazioni del profilo di un utente o altre informazioni del grafo sociale ad esso associate.

Le triple personali possono includere tre elementi di dati, almeno uno dei quali può comprendere, per esempio, sesso, età, caratteristiche fisiche, hobby e/o interessi del ricercatore.

Le triple personali possono anche provenire da dichiarazioni in linguaggio naturale fatte dall’utente. Questo è vero per le e-mail, le query di ricerca, i blog, i diari elettronici personali o le riviste, le informazioni in un profilo. Funzionerebbe anche con informazioni, incluse foto, musica, o altri hobby e interessi condivisi sui social media.

A titolo di esempio, le triple personali per un utente “XYZ” possono includere “XYZ/età/28”, “XYZ/genere/maschio”, “XYZ/hobby/fotografia”, ecc.

Gli utenti possono avere l’opportunità di controllare se i sistemi o i metodi divulgati raccolgono le informazioni. Le informazioni possono basarsi sulla rete sociale, azioni sociali o attività, professione, preferenze, o la sua posizione corrente. Può anche controllare se e/o come ricevere dichiarazioni in linguaggio naturale che possono essere più rilevanti.

Rimozione delle informazioni di identificazione personale

Alcuni dati possono essere utilizzati per rimuovere le informazioni di identificazione personale.

Per esempio, l’identità di un utente può non determinare informazioni di identificazione personale. Oppure la posizione geografica può essere generica (città, codice postale o stato) in modo che non ci sia una posizione particolare dell’utente.

Così, quell’utente può controllare come le informazioni e le triple personali utilizzano i sistemi e i metodi divulgati.

Ciò può includere la memorizzazione delle tuple generate.

In associazione con il ricercatore che ha fornito la dichiarazione di lingua naturale, le tuple possono essere nella base di dati delle tuple.

Le tuple possono anche essere in un Knowledge Graph o in qualunque altra base di dati o magazzino associato al sistema in altre forme.

Queste tuple possono anche essere in database separati associati al sistema, e una tabella di associazione può collegare le tuple a un utente.

Generazione di triple da una dichiarazione in linguaggio naturale

Il processo brevettato può essere eseguito sul server senza accesso ai dispositivi client e/o alle reti.

Può funzionare sui dispositivi client senza accedere al server e/o alla rete.

Potrebbe anche utilizzare uno o più dispositivi e/o server del cliente che comunicano attraverso la rete.

Modifiche al processo aggiungendo, combinando, rimuovendo e/o riorganizzando le fasi del processo.

Il motore di ricerca può ricevere segmenti di una dichiarazione in linguaggio naturale.

Il dispositivo client può ricevere i segmenti, compresi i processi simili a quelli descritti sopra riguardo all’accesso a una dichiarazione in linguaggio naturale. Questo potrebbe provenire dalla memoria o dal database associato al sistema.

Può anche includere la selezione di un segmento precedente.

La selezione del segmento può includere la selezione arbitraria di un segmento dalla lista dei segmenti

La scelta del segmento può includere la selezione arbitraria di un segmento dalla lista dei segmenti associati alla dichiarazione in linguaggio naturale.

E la scelta del segmento può anche includere la selezione di un segmento basato su un ordine relativo o una classifica dei segmenti associati alla dichiarazione di linguaggio naturale.

Le regole grammaticali possono classificare o ordinare i segmenti associati alla dichiarazione in lingua naturale.

Per esempio, una parola identificata come “soggetto” può rappresentare un attore nella dichiarazione in linguaggio naturale. Può essere più alta di una parola identificata come “verbo”, che rappresenta un’azione eseguita dall’attore. Allo stesso modo, il “verbo” può essere più alto di un nome identificato come “predicato”, sul quale o in relazione al quale l’attore può agire.

Altri segmenti della dichiarazione in linguaggio naturale possono assegnare classifiche inferiori rispetto al soggetto, al verbo e/o al predicato.

Il segmento può essere classificato in base alla sua posizione nella dichiarazione in linguaggio naturale.

Regole grammaticali per classificare i segmenti associati a una dichiarazione in linguaggio naturale

Una varietà di regole grammaticali può classificare i segmenti associati a una dichiarazione in linguaggio naturale.

Nella dichiarazione in linguaggio naturale “Ho mangiato una banana ieri”, il soggetto “Io” può essere un segmento “XYZ” corrispondente a un identificatore del dichiarante. Può avere un rango più alto del verbo “mangiare” o del predicato “banana”.

Il segmento “uno” corrispondente all’articolo “a” e il segmento “20140614” corrispondente a “ieri” possono essere inferiori al soggetto, al verbo e al predicato.

Un segmento “XYZ” può essere tra tutti i segmenti corrispondenti alla dichiarazione in linguaggio naturale “Ieri ho mangiato una banana”.

Questa generazione di una tripla potrebbe includere il segmento selezionato e altri due segmenti.

Uno degli altri due segmenti può essere un’etichetta, “label 1”, che può associare o mettere in relazione le triple corrispondenti a una particolare dichiarazione in linguaggio naturale.

L’identificatore di ricerca “XYZ” può svolgere una funzione di etichetta.

Il segmento rimanente della tripla può essere un segmento selezionato tra quelli associati, ma può differire dai segmenti precedentemente selezionati.

Così il segmento precedentemente non selezionato corrispondente al verbo “mangiare” può essere un secondo segmento per generare la tripla “XYZ/azione-mangiare/etichetta 1.” Quel segmento potrebbe corrispondere alla dichiarazione in linguaggio naturale “Ho mangiato una banana ieri”.

Il processo può anche includere la selezione di un altro segmento diverso da quelli precedentemente selezionati.

Un altro segmento può includere la selezione di un elemento di dati non incluso nelle triple generate in precedenza.

Quando il motore di ricerca genera una nuova tripla

Quando il motore di ricerca genera una nuova tripla, ciò potrebbe includere l’uso di un segmento precedentemente non selezionato della dichiarazione in linguaggio naturale e/o dell’etichetta usata per generare la tripla.

Alcuni dei segmenti della tripla potrebbero includere segmenti che rappresentano segmenti selezionati caratterizzati. Questo potrebbe essere determinato dalle regole grammaticali usate per generare i segmenti.

Per esempio, una nuova tripla come “label 1/food/banana” può funzionare in questo passo.

L’elemento di dati “etichetta 1” può essere lo stesso dell’etichetta usata nella tripla “XYZ/azione-mangia/etichetta 1”.

L’elemento di dati precedentemente non selezionato “banana”, corrispondente alla dichiarazione in linguaggio naturale di esempio “Ho mangiato una banana ieri”, forse per la generazione della nuova tripla.

Le informazioni o le regole grammaticali del Knowledge Graph, del grafo delle entità o del database associato al sistema possono determinare che “banana” è un “cibo”.

La caratteristica di “banana”, cioè “cibo”, forse un segmento per generare la nuova tripla “label 1/food/banana”.

Come visto in questo esempio, “label 1” mette in relazione la tripla “label 1/food/banana” generata con la tripla “XYZ/action-eat/label 1” perché l’elemento di dati “label 1” si verifica in entrambe le triple.

Si può determinare se tutti i segmenti della dichiarazione in linguaggio naturale sono presenti per la generazione di triple.

Quando tutti i segmenti non sono presenti per la generazione di triple, il processo può tornare a selezionare un altro segmento diverso da quelli precedentemente selezionati.

E quando tutti i segmenti ricevuti hanno generato triple, il processo può memorizzare le triple associate a chi fa la ricerca. 

Generazione di inferenze nelle risposte o dichiarazioni di query in linguaggio naturale

Possiamo anche vedere la ricezione di una query o di una dichiarazione in linguaggio naturale.

Le interrogazioni in linguaggio naturale possono avere molte forme diverse.

Una query in linguaggio naturale può essere una dichiarazione in linguaggio naturale che termina con un punto interrogativo.

Una tale interrogazione può usare il linguaggio naturale per includere un testo come “Sto mangiando abbastanza potassio?

Il simbolo “?” può identificare la dichiarazione in linguaggio naturale come una query in linguaggio naturale.

Parole in una dichiarazione in linguaggio naturale che indicano che si tratta di una query

Parole specifiche nella dichiarazione in linguaggio naturale possono essere usate per determinare se si tratta di una query.

Parole di domanda, come “chi”, “cosa”, “perché”, “quando”, “dove”, “come”, ecc., possono indicare che si tratta di una query in linguaggio naturale.

Le regole grammaticali possono determinare se una dichiarazione in linguaggio naturale può essere una query in linguaggio naturale.

Una dichiarazione in linguaggio naturale come “Posso mangiare più mele” può essere una query in linguaggio naturale rilevando che le parole “Posso” precedono il verbo “mangiare”.

Per esempio, molte altre regole grammaticali basate sull’uso, la posizione o il significato contestuale della dichiarazione in linguaggio naturale, possono identificare una query.

Un utente può inserire la query nel dispositivo client utilizzando uno o più dispositivi I/O associati al dispositivo client.

Un dispositivo client può ricevere la query dal server o viceversa.

Una parte può anche includere l’accesso alle regole grammaticali.

Queste regole grammaticali possono determinare se una dichiarazione di linguaggio naturale è una query.

Le regole grammaticali possono identificare e classificare vari segmenti della query in linguaggio naturale.

E le regole grammaticali possono identificare e classificare vari segmenti della query in linguaggio naturale.

Un altro passo può includere la divisione della query in segmenti.

Il processo può anche includere la selezione di uno o più segmenti di query dai segmenti in cui essa è stata divisa.

La decisione su un segmento di query può includere la selezione arbitraria del segmento dalla lista del segmento di query corrispondente alla query di lingua naturale.

I segmenti della query possono avere valutazioni diverse

Nella dichiarazione in linguaggio naturale “Sto mangiando abbastanza potassio?” il soggetto “io” può avere un rango più alto rispetto al verbo “mangiare”, che può avere un rango più alto del predicato “potassio”.

Inoltre, per esempio, il soggetto “Io” può essere un segmento di query “XYZ,” corrispondente a un identificatore del dichiarante o ricercatore che ha fornito la query in linguaggio naturale.

In questo esempio, “XYZ” e “mangiare” possono essere i segmenti di query.

Anche la ricezione di tuple associate al ricercatore potrebbe avvenire.

Il motore di ricerca può accedere o ricevere tuple da qualsiasi archivio o database associato al sistema.

Questo può includere il recupero delle tuple dai dati memorizzati nella memoria principale o nel supporto di memorizzazione dei dispositivi client e/o dei server.

La ricezione delle tuple può includere l’accesso alle tuple memorizzate in associazione con il ricercatore nella banca dati delle tuple.

La decisione sulle tuple potrebbe avvenire in relazione ai segmenti di ricerca.

Come può avvenire il processo di scelta delle tuple

La scelta delle tuple può includere il confronto dei segmenti di query selezionati con i segmenti di tuple inclusi in quelle associate al ricercatore.

Una distanza vettoriale o una distanza coseno tra i segmenti di query selezionati e le tuple associate a chi fa la ricerca può identificare le tuple relative ai segmenti di query selezionati.

La determinazione della tupla può includere la selezione di una o più tuple, che rappresentano la distanza vettoriale o la distanza del coseno meno di una distanza di soglia, dai segmenti di query selezionati.

I segmenti di query “mangiare” e “potassio” possono provenire dalla query in linguaggio naturale “Sto mangiando abbastanza potassio?”

Le tuple associate al ricercatore “XYZ” relative a “mangiare” possono provenire dalle tuple memorizzate in associazione a lui “XYZ”.

Per esempio, le triple “XYZ/action-eat/label 1” e “label 1/food/banana” possono provenire dalle tuple associate al ricercatore “XYZ”.

Vedere le tuple relative a più di un segmento di ricerca selezionato può avvenire in modo sequenziale o simultaneo.

Per esempio, in un processo sequenziale, le tuple selezionate che hanno valori di distanza vettoriale o coseno inferiori a una distanza di soglia da un primo segmento di query.

Questo processo di selezione delle tuple funziona per ciascuno dei segmenti di query selezionati.

La totalità delle tuple selezionate relative a ciascuno dei segmenti di query selezionati può formare l’insieme delle tuple selezionate.

Le distanze vettoriali o coseno sono calcolate tra tutti i segmenti di query selezionati e tutte le tuple associate al ricercatore. Inoltre, le tuple con distanza di vettore o coseno sotto una distanza di soglia dall’intero insieme delle tuple associate al ricercatore per ulteriore elaborazione.

I segmenti di tuple scelti possono includere la selezione di uno o più segmenti da ciascuna delle tuple selezionate.

I segmenti della tupla possono essere che i segmenti selezionati della tupla sono differenti dai segmenti selezionati della query.

A titolo di esempio, il segmento della tupla “banana” è selezionato dalla tripla “etichetta 1/cibo/banana” associata al ricercatore “XYZ”.

Questo processo può includere la ricezione delle informazioni relative ai segmenti di query selezionati e/o ai segmenti di tuple selezionati da un grafico di conoscenza o da un grafico di entità.

La ricezione di informazioni può includere la ricezione di informazioni relative al segmento di query selezionato

Ricevere informazioni può includere la ricezione di prime informazioni relative ai segmenti di query selezionati. Può anche significare ricevere le seconde informazioni relative ai segmenti di tupla selezionati da un Knowledge Graph.

Il gKnowledge Graph e/o qualsiasi grafo di entità associato al sistema può anche memorizzare informazioni sotto forma di tuple.

Le prime e le seconde informazioni possono includere le tuple del Knowledge Graph associate ai segmenti selezionati della query e ai segmenti selezionati della tupla.

L’identificazione delle tuple del Knowledge Graph e/o delle tuple del grafo dell’entità può includere i processi simili a quelli descritti sopra – calcolando le distanze del vettore o le distanze del coseno.

Così, le prime informazioni relative al segmento di domanda “potassio” possono provenire dal Knowledge Graph.

Per esempio, triple come “potassium/min_daily_amount/1.5 g” e “potassium/max_daily_amount/2.3 g,” forniscono informazioni sulla quantità di potassio raccomandata dall’USDA. Forse molte triple relative al segmento di query “potassio”.

Allo stesso modo, le seconde informazioni relative al segmento della tupla “banana” possono provenire da una tupla del knowledge graph o da una tupla del entity graph come “banana/potassio/422 mg”.

In terzo luogo, informazioni da precedenti tuple non selezionate associate al ricercatore “XYZ”.

Per esempio, le triple “label 1/quantity/1” e “label 1/date/20140614” associate al ricercatore “XYZ” possono indicare il numero di banane e, quindi, la quantità di potassio consumata dal ricercatore “XYZ” in un giorno.

Generazione di risposte di query in linguaggio naturale

Questo approccio può anche includere la generazione di risposte alle query in linguaggio naturale.

La generazione della risposta può includere la selezione degli elementi di dati dalle informazioni ricevute che comprendono le tuple del Knowledge Graph, le tuple del grafico di entità e/o le tuple associate al ricercatore.

Gli elementi di dati selezionati possono generare risposte di query di lingua naturale.

Per esempio, i segmenti della tupla possono essere selezionati dalle tuple del grafo di conoscenza “potassio/min_daily_amount/1.5 g,” “potassio/max_daily_amount/2.3 g,” e “banana/potassio/422 mg. Possono essere combinati con le tuple “etichetta 1/quantità/1,” e “etichetta 1/data/20140614” associate al ricercatore “XYZ”. Si potrebbe inferire che il ricercatore “XYZ” ha mangiato solo una banana ieri e quindi ha consumato solo 422 mg di potassio. Questo potrebbe essere molto inferiore alla quantità minima di potassio raccomandata di 1,5 g.

Così, una risposta che indica al ricercatore “XYZ” che il ricercatore “XYZ” dovrebbe mangiare più potassio funziona nel processo.

Inferenze spinte basate su tuple associate a un ricercatore

Le “inferenze spinte” usate in questo brevetto si riferiscono alle inferenze generate senza ricevere alcuna query in linguaggio naturale da chi fa la ricerca.

Questo potrebbe funzionare senza la necessità di accedere a dispositivi e/o reti del cliente.

E potrebbe usare uno o più dispositivi e/o server del cliente che comunicano attraverso la rete.

Le modifiche a questo processo possono aggiungere, combinare, rimuovere e/o riorganizzare le fasi del processo.

Possiamo vederlo periodicamente come un processo offline.

Ogni volta che uno dei dispositivi client o del server riceve una dichiarazione in linguaggio naturale dai cercatori, il processo può avvenire.

Il processo può essere dai cercatori e/o da un amministratore del server.

Inoltre, il processo può includere la ricezione delle tuple associate al ricercatore.

La ricezione di tuple può includere l’accesso o la ricezione di tuple da qualsiasi deposito o database associato al sistema.

La ricezione delle tuple può includere il recupero delle tuple dai dati memorizzati nella memoria principale o nel supporto di memorizzazione dei dispositivi client e/o dei server.

Possono anche includere l’accesso alle tuple memorizzate in associazione con il ricercatore nella banca dati delle tuple.

La ricezione delle tuple può includere i processi come quelli descritti sopra circa l’accesso alle regole di grammatica dall’immagazzinaggio o dalla base di dati associata al sistema.

Il processo brevettato può includere la selezione di segmenti di tuple dalle tuple ricevute.

La selezione dei segmenti della tupla può includere la selezione di uno o più segmenti da ciascuna delle tuple ricevute.

A titolo di esempio, il segmento della tupla “banana” è selezionato dalla tripla “etichetta 1/cibo/banana” associata al ricercatore “XYZ.”

Ciò può includere la ricezione delle informazioni relative ai segmenti di tupla selezionati da un Knowledge Graph o da un grafo di entità.

Il Knowledge Graph e/o qualsiasi grafo di entità associato al sistema può anche memorizzare informazioni sotto forma di tuple.

Le informazioni ricevute dal Knowledge Graph o dal Entity Graph possono includere tuple del Knowledge Graph o tuple del Entity Graph

Queste informazioni ricevute dal Knowledge Graph e/o dal grafo delle entità possono includere tuple del Knowledge Graph o tuple del grafo delle entità associate ai segmenti di tupla selezionati.

L’identificazione delle tuple del Knowledge Graph a e/o delle tuple del grafo delle entità può includere processi come quelli descritti sopra riguardo al calcolo delle distanze vettoriali o delle distanze del coseno.

Così, le prime informazioni relative al segmento della tupla “banana” possono provenire da un grafico di conoscenza.

Per esempio, le triple come “banana/potassio/422 mg,” che fornisce le informazioni sulla quantità di potassio in una banana, forse dal Knowledge Graph.

Triplici come “potassium/min_daily_amount/1.5 g” e “potassium/max_daily_amount/2.3 g”, che forniscono informazioni sulla quantità di potassio raccomandata dall’USDA, potrebbero essere triple relative al segmento di query “potassium”.

La seconda informazione può provenire da altre tuple associate al ricercatore “XYZ”. Per esempio, le triple “label 1/quantity/1” e “label 1/date/20140614” associate al ricercatore “XYZ” potrebbero indicare il numero di banane. Ci direbbero la quantità di potassio consumata dall’utente “XYZ”. “XYZ” in un giorno.

Il processo può anche includere la generazione di un’inferenza basata sulle tuple associate a chi cerca.

La generazione dell’inferenza può includere la selezione degli elementi di dati dalle informazioni ricevute prese dalle tuple del Knowledge Graph, dalle tuple del grafico di entità e/o dalle tuple associate con il ricercatore.

Gli elementi di dati selezionati possono generare risposte di query di lingua naturale.

I segmenti della tupla selezionati dalle tuple del grafo di conoscenza “potassio/min_quantità_giornaliera/1.5 g,” “potassio/max_quantità_giornaliera/2.3 g,” e “banana/potassio/422 mg” combinati con le tuple “etichetta 1/quantità/1,” e “etichetta 1/data/20140614” associate al ricercatore “XYZ” possono dedurre che il ricercatore “XYZ” ha mangiato solo una banana ieri. Quindi, ha consumato solo 422 mg di potassio, che è molto inferiore alla quantità minima di potassio raccomandata di 1,5 g.

Così, un’inferenza creata indica al ricercatore “XYZ” che il ricercatore “XYZ” dovrebbe mangiare più potassio.

Un Knowledge Graph può contenere tuple relative ad altri utenti.

Queste tuple potrebbero indicare come i ricercatori madre a New York hanno mangiato molte banane. Potrebbe determinare la quantità media di potassio consumata da altri a New York.

La quantità di potassio consumata dall’utente “XYZ”, per esempio, 422 mg, potrebbe funzionare con la quantità media di potassio per dedurre che “XYZ” mangia meno potassio di altri utenti a New York.

Risposte alle query in linguaggio naturale

L’interfaccia di chi fa la ricerca può presentare una o più risposte di query in linguaggio naturale.

Una finestra di visualizzazione può essere inclusa nell’interfaccia di ricerca.

La finestra di visualizzazione può includere una porzione di logo che visualizza un logo, una dichiarazione in linguaggio naturale o una porzione di input di query e una porzione di icona.

La porzione del logo può visualizzare un logo relativo ad un fornitore dell’interfaccia del ricercatore o un fornitore del sistema.

La dichiarazione di linguaggio naturale o la parte dell’input di query può permettere ad un utente di inserire una query o una dichiarazione di linguaggio naturale.

Un utente può inserire una dichiarazione o una query di linguaggio naturale usando i metodi convenzionali. Questi includono l’immissione di dati, il trasferimento di dati, il caricamento di dati, ecc.

I ricercatori possono inserire una dichiarazione o una query in linguaggio naturale usando uno o più dispositivi di input/output associati a dispositivi client e/o server.

La porzione di dichiarazioni o query in linguaggio naturale visualizza la dichiarazione in linguaggio naturale come, “Ho corso due miglia ieri”.

La parte dell’icona può visualizzare un’icona che indica che il ricercatore può richiedere una risposta alla dichiarazione o alla query di linguaggio naturale attivando la parte dell’icona.

Per esempio, la parte dell’icona può visualizzare l’icona di una lente di ingrandimento. L’attivazione della parte dell’icona potrebbe far sì che l’interfaccia del ricercatore visualizzi le informazioni relative alla dichiarazione in linguaggio naturale o alla query inserita nella parte. I ricercatori possono attivare la parte dell’icona usando uno o più dispositivi di input/output.

Filtrare le risposte alle query in linguaggio naturale

Quella finestra di visualizzazione può aggiungere o includere collegamenti che possono permettere a chi fa la ricerca di filtrare le risposte alle query in linguaggio naturale.

Il link può permettere di filtrare le risposte per mostrare solo i siti web.

Un collegamento può anche permettere di visualizzare solo le immagini corrispondenti alla dichiarazione o alla query in linguaggio naturale.

Gli utenti possono visualizzare solo i video corrispondenti a una dichiarazione o a una query in linguaggio naturale.

Una finestra di visualizzazione può visualizzare immagini che mostrano grafici e diagrammi

La finestra di visualizzazione può visualizzare immagini che mostrano tabelle e grafici in risposta alla dichiarazione in linguaggio naturale o alla query inserita.

Un esempio potrebbe essere un grafico a barre che mostra il numero di calorie bruciate dal ricercatore in ogni giorno della settimana in base al regime di esercizio seguito dall’utente.

Il grafico a barre può includere un dato che mostra il numero di calorie bruciate dal ricercatore il giorno precedente correndo due miglia.

La parte di visualizzazione può essere parte della finestra di visualizzazione e potrebbe visualizzare link ad articoli, blog, rapporti. Anche a messaggi, commenti, e/o altri contenuti relativi alla query in linguaggio naturale inserita.

Il collegamento ipertestuale 1 può essere un localizzatore di risorse universale (“URL”) o un altro puntatore a un articolo sull’esperienza di un altro ricercatore quando quel ricercatore ha corso due miglia.

Similmente, il collegamento ipertestuale 2 può essere un URL o un puntatore ad un altro articolo che indica quanto peso il ricercatore può perdere correndo due miglia ogni giorno.

Anche se la parte di visualizzazione visualizza solo due link, la parte di visualizzazione può visualizzare qualsiasi numero di link.

Una parte di visualizzazione può inizialmente visualizzare solo uno o due link. Può includere una barra di scorrimento o un altro widget grafico per permettere ai cercatori di scorrere il testo per vedere ulteriori collegamenti non visualizzati inizialmente nella parte di visualizzazione.

Da non perdere

L’Automazione SEO nel 2021
Migliora la SEO del tuo sito con l’Intelligenza Artificiale

Video SEO: 3 semplici mosse per raddoppiare la visibilità organica
Usa i video per aumentare il traffico del tuo sito web

Il potere del Product Knowledge Graph abbinato all’E-commerce
Scopri come sfruttare i dati nell’e-commerce

Schema Markup su WooCommerce: una Guida per Principianti
Come sfruttare appieno il potere della SEO

Sei pronto per la nuova SEO?
Comincia a usare WordLift oggi stesso!

Consigli pratici, guide, webinar e casi studio sull’intelligenza artificiale per la SEO: ricevili una volta a settimana nella tua casella di posta.

Consigli pratici, guide, webinar e casi studio sull’intelligenza artificiale per la SEO: ricevili una volta a settimana nella tua casella di posta.

Congratulazioni, sei dei nostri!

Continua a scalare la SERP con il tuo sito: l'AI di WordLift è in offerta al 50% fino al 7 Gennaio Compra Subito!

x