Come rispondere alle query con un Knowledge Graph

Come i Knowledge Graph e la Ricerca funzionano insieme?

Ci sono almeno un paio di processi in cui la ricerca e i knowledge graph possono lavorare insieme.

• Riscrittura delle query – Un motore di ricerca capisce i dati delle app su un dispositivo mobile e riscrive le query da quel dispositivo usando quei dati, cosa che ho esplorato in dettaglio nel post Knowledge Graphs specifici dell’utente per supportare query e previsioni.

• Rispondere alle query con un Knowledge Graph – Uno dei migliori esempi di questo, ho scritto nel post Entità classificate nei risultati di ricerca su Google.

Il processo dietro la risposta alle query con un Knowledge Graph è stato concesso da Google

Il post sulle Entità classificate usa un processo brevettato che descrive come i caroselli di entità vengono creati raggruppando quelle entità prese dalle SERP che le contengono e a cui Google ha risposto dopo aver trasformato quelle pagine in un knowledge graph.

Mentre c’è un brevetto che riguarda specificamente la classificazione delle entità in quel modo, la parte relativa alla trasformazione delle SERP in knowledge graph per rispondere alle query proviene da una domanda di brevetto di cui ho scritto in Rispondere alle domande usando i knowledge graph. Il brevetto si chiama “Elaborazione del linguaggio naturale con una macchina a N-grammi” (in inglese “Natural Language Processing with an N-Gram Machine”), e questo brevetto è stato concesso pochi giorni fa.

Questo brevetto è uno dei miei preferiti tra quelli depositati di recente, e so che è operativo perché descrive il processo dietro il post Entità classificate nei risultati di ricerca su Google che ho scritto.

La versione concessa del brevetto Rispondere alle query con un Knowledge Graph è su:

Elaborazione del linguaggio naturale con una macchina a N-grammi

Inventori: Ni Lao, Jiazhong Nie e Fan Yang

Cessionario: Google LLC

Brevetto USA: 11,256,866

Concesso: 22 febbraio 2022

Archiviato: 25 ottobre 2017

Abstract

La presente divulgazione fornisce sistemi e metodi che eseguono l’elaborazione del linguaggio naturale con apprendimento automatico.

Un sistema di calcolo può includere un modello di elaborazione della lingua naturale con apprendimento automatico che consiste di un modello del codificatore addestrato per ricevere un corpo del testo della lingua naturale e per produrre un knowledge graph e un modello del programmatore addestrato per ottenere una domanda della lingua naturale e per produrre un programma.

Il sistema di calcolo può includere un mezzo leggibile dall’elaboratore che memorizza le istruzioni che, una volta eseguite, inducono il processore a effettuare i funzionamenti.

I funzionamenti possono includere l’ottenimento del corpo del testo di lingua naturale, inserendo il corpo del testo di lingua naturale nel modello del codificatore, ricevendo, come uscita del modello del codificatore, il knowledge graph, ottenendo la domanda di lingua naturale, inserendo la domanda di lingua naturale nel modello del programmatore, ricevendo il programma come uscita del modello del programmatore ed eseguendo il programma sul knowledge graph per produrre una risposta alla domanda di lingua naturale.

I Knowledge Graph sono database molto potenti che ci permettono di costruire interfacce conversazionali in grado di fornire risposte agli utenti che si adattano perfettamente alle loro richieste e al contesto. Ed è per questo che i Knowledge Graph si distinguono da altre tecnologie. Se vuoi saperne di più su Come creare un chatbot basato sul Knowledge Graph, leggi il nostro articolo.