Maschinell gelernte Begriffsklärung von Suchaktionsdaten

Veröffentlicht: 2021-10-23

Was kann eine Suchmaschine aus Sucheraktionsdaten lernen?

Bei diesem Patent geht es darum, die Funktionsweise eines Computers zu verbessern.

Suchaktionsdaten können Finanztransaktionen darstellen. Eine Kreditkartenabrechnung kann Finanztransaktionsdaten über eine bestimmte Kreditkarte enthalten.

Diese Suchaktionsdaten können Folgendes umfassen:

Ein Treffen
Beschreibung
Betrag, der einer bestimmten Finanztransaktion entspricht

Finanztransaktionsdaten, ["4.12.2013", "ITALIAN DELI NEW YORK NY", "12.08"], können eine Kreditkartengebühr in Höhe von 12,08 USD für eine Transaktion am 12. April 2013 bei "Italian Deli" darstellen in New York, NY

Dieses Patent umfasst Suchaktionsdaten zu vielen Entitätstypen. Der Prozess erfordert die Verwendung eines auf maschinellem Lernen basierenden Annotators, um:

Entitäten erkennen
Kommentiert die Suchaktionsdaten
Eine Anfrage vom Suchenden erhalten
Abfragen der Suchaktionsdaten
Generieren Sie eine Antwort auf die Abfrage aus den Suchaktionsdaten
Beantworte die Frage

Das System kann Daten empfangen, die von einem bestimmten Sucher über Entitäten einer Vielzahl von Entitätstypen aufgenommen wurden. Die Daten für die Mehrheit der Entitäten werden als mehrdeutig bestimmt, da die Entitäten nicht bestimmt werden können. Das System macht die Informationen eindeutig, die Aktionen darstellen, die von einem bestimmten Suchenden über Entitäten einer Vielzahl von Entitätstypen durchgeführt wurden.

Was wird aus den Suchaktionsdaten eindeutig?

Das Disambiguieren kann das Identifizieren von Entitäten umfassen, die für die Mehrheit der als mehrdeutig bestimmten Entitäten spezifiziert sind. Es würde einen auf maschinellem Lernen basierenden Annotator verwenden, der darauf trainiert wurde, Entitäten und Entitätsattribute in den Daten zu erkennen. Es würde auch die Daten, die Sucheraktionsdaten über Entitäten vieler Entitätstypen darstellen, mit entsprechenden Entitätskennungen annotieren.

Das System erhält eine spezifische Anfrage für den jeweiligen Suchenden. Die Frage enthält Begriffe, die einen ersten Entitätstyp von Entitäten und eine Aktion angeben, die der Suchende in Bezug auf Entitäten ausführt. Das System ermittelt Entitäten des ersten Entitätstyps und fragt die Daten ab, die Aktionen darstellen, die der Suchende bezüglich Entitäten des ersten Entitätstyps durchgeführt hat. Das System generiert eine Antwort auf die Anfrage aus den Informationen, die die Aktionen darstellen, die der bestimmte Suchende über Entitäten des ersten Entitätstyps unternommen hat, und liefert die Antwort auf die spezifische Frage des bestimmten Suchenden.

Die Daten werden als Suchaktionsdaten, z. B. Finanztransaktionsdaten, angezeigt. Das System kann Suchaktionsdaten empfangen, die eine Finanztransaktion darstellen. Die Suchaktionsdaten können Folgendes umfassen:

Kreditkartentransaktionsdaten
Transaktionsdaten der Debitkarte
Transaktionsdaten des Abschlusses

Das System kann Finanztransaktionsdaten analysieren, um Informationen über die Finanztransaktionen bereitzustellen. Zum Beispiel kann das System Finanztransaktionen kategorisieren, um den Betrag oder Prozentsatz anzuzeigen, den der Suchende in bestimmten Kategorien ausgegeben hat. Eine Kategorie kann „Restaurants“ umfassen, und das System kann die Finanztransaktion im Restaurant „Italian Deli“ unter Restaurants indizieren, da die entsprechenden Suchaktionsdaten aus dem Wort „Deli“ bestehen. Finanztransaktionsdaten können jedoch mehrdeutig werden. Beispielsweise können Finanztransaktionsdaten ["4.11.2013", "BEST R NEW YORK NY", "45.78"] unklar werden.

Begriffsklärung von Finanztransaktionsdaten

Um Finanztransaktionsdaten eindeutig zu machen, kann das System einen auf maschinellem Lernen basierenden Annotator verwenden, der Entitäten identifiziert, die mit Finanztransaktionsdaten verknüpft sind. Entitäten können eine Geschäftseinheit sein, wie zum Beispiel:

Ein besonderer Laden
Restaurant
Sekretariat
Begleitung

Zum Beispiel kann der auf maschinellem Lernen basierende Annotator die "Best Restaurant"-Einheit mit Sitz in New York, NY, identifizieren. Sie wird mit den Finanztransaktionsdaten verknüpft.

Zuordnungen basierend auf gekennzeichneten Trainingsdaten

Der auf maschinellem Lernen basierende Annotator kann trainiert werden, um Entitäten zu identifizieren, die mit Suchaktionsdaten basierend auf gekennzeichneten Trainingsdaten verbunden sind. Beispielsweise kann der auf maschinellem Lernen basierende Annotator trainiert werden, um zu bestimmen, dass Finanztransaktionsdaten, einschließlich Standorten, z. B. „NEW YORK NY“, „DC“ oder „90210“, wahrscheinlich mit Entitäten assoziiert werden, die mit dem Bereiche.

Und der auf maschinellem Lernen basierende Annotator kann trainiert werden, um zu bestimmen, dass ein einzelner Buchstabe, zB „R“, möglicherweise eine Abkürzung für ein Wort ist, das mit dem Buchstaben im Namen einer Entität beginnt. Der auf maschinellem Lernen basierende Annotator kann basierend auf dem Vorhandensein von „NEW YORK NY“, „BEST“ und „R“ feststellen, dass die Finanztransaktionsdaten mit der Entität namens „Best Restaurant“ in New York, NY, verknüpft werden

Außerdem kann der auf maschinellem Lernen basierende Annotator trainiert werden, nur die Beschreibung in den Finanztransaktionsdaten zu analysieren oder mehr Informationen in den Finanztransaktionsdaten zu analysieren, zB Betrag und Datum. Zum Beispiel kann der auf maschinellem Lernen basierende Annotator ferner die mit dem „Besten Restaurant“ verknüpfte Finanztransaktion basierend auf der Berücksichtigung des Betrags und des Datums bestimmen. Der Kommentator kann wählen, dass der Betrag von 45,78 US-Dollar mit dem im Restaurant „Best Restaurant“ ausgegebenen Betrag übereinstimmt und dass der Suchende, der an der Finanztransaktion beteiligt war, sich am 11. April 2013 in New York, NY aufhielt, basierend auf den Profil des Suchenden.

Suchaktionsdaten, die nicht-finanzielle Transaktionsdaten sind

Das Patent sagt uns auch, dass die gekennzeichneten Trainingsdaten, die zum Trainieren des auf maschinellem Lernen basierenden Annotators verwendet werden, Text und Entitäten enthalten können, die als mit dem Text assoziiert identifiziert werden. Der auf maschinellem Lernen basierende Annotator kann beispielsweise mithilfe von Auszügen der Website für „Bestes Restaurant“ vorbereitet werden, die als mit der Entität „Bestes Restaurant“ assoziiert identifiziert werden. Die gekennzeichneten Trainingsdaten können andere nicht-finanzielle Transaktionsdaten enthalten, wie zum Beispiel:

Text von einer Bewertungswebsite, die mit identifizierten Entitäten verknüpft ist
Soziale Netzwerkinteraktionen von Suchenden
Von Suchenden verwendete Suchbegriffe
Vom Sucher bereitgestellte Trainingsdaten, einschließlich ausdrücklicher Bestätigungen, dass die identifizierten Entitäten richtig oder falsch sind

Außerdem können die gekennzeichneten Trainingsdaten Finanztransaktionsdaten enthalten, die identifizierten Einheiten zugeordnet sind. Die gekennzeichneten Trainingsdaten können beispielsweise aus Finanztransaktionen bestehen, die Finanztransaktionen in Restaurants darstellen, einschließlich „Best Restaurant“.

Das System kann die Finanztransaktionen mit Entitäten assoziieren, die durch den auf maschinellem Lernen basierenden Annotator identifiziert wurden. Das Verfahren kann Finanztransaktionsdaten mit Daten versehen, die eine Kennung enthalten, die die erkannte Entität repräsentiert. Zum Beispiel kann das System die Finanztransaktionsdaten ["4.11.2013", "BEST R NEW YORK NY", "45.78"] mit einer Entitätskennung "00542687" versehen, um zu kommentierten Finanztransaktionsdaten ["4/ 11/2013“, „BEST R NEW YORK NY“, „45.78“, „00542687“] wobei „00542687“ eine eindeutige Kennung für die Entität „Best Restaurant“ ist.

Das System kann Entitätsdaten über die Entität speichern

Das System kann Entitätsdaten über die Entität speichern. Entitätsdaten für eine Entität, bei der es sich um ein Restaurant handelt, können beispielsweise Folgendes umfassen:

Ein Restaurantname
Adresse
Telefonnummer
Std
Speisestil
Küchentyp
Name des Küchenchefs
Preisklasse

Eine Entität für ein Bekleidungsgeschäft kann umfassen:

Ein Ladenname
Art der Kleidung
Zielgruppe
Std
Preisklasse

Andere Arten von Entitäten können andere Werte für andere Eigenschaften enthalten.

Suchaktionsdaten können Informationen zu Finanztransaktionen liefern

Unter Verwendung der annotierten Finanztransaktionsdaten kann das System Informationen über Finanztransaktionen bereitstellen. Wenn beispielsweise ein Suchender das System anfordert, zu identifizieren, in welchem Restaurant der Suchende am 11. April 2013 gegessen hat, kann das System Finanztransaktionen im April basierend auf den annotierten Finanztransaktionsdaten identifizieren. 11, 2013, und die mit einer Entität verknüpft werden, die ein Restaurant ist, und das Ergebnis des Restaurants "Bestes Restaurant" zurückgibt.

Der in diesem Patent beschriebene Gegenstand kann detaillierte Finanztransaktionsdaten über eine spezifische Finanztransaktion umfassen. Es kann die bestimmten Finanztransaktionsdaten einem auf maschinellem Lernen basierenden Annotator bereitstellen, der Entitäten identifiziert, die mit Finanztransaktionsdaten verbunden sind. Weitere Aktionen können das Verknüpfen der spezifischen Finanztransaktion mit einer Entität umfassen, die von dem auf maschinellem Lernen basierenden Annotator für die detaillierten Finanzdaten identifiziert wurde.

Und der in dieser Spezifikation beschriebene Gegenstand kann in Verfahren verkörpert werden, die die Aktionen des Empfangens einer Anfrage von einem Suchenden, der an einer bestimmten Finanztransaktion beteiligt war, und des Bestimmens eines mit der Frage verknüpften Entitätstyps umfassen können. Weitere Maßnahmen können das Bestimmen umfassen, dass eine mit der spezifischen Finanztransaktion verbundene Entität mit dem mit der Abfrage verknüpften Entitätstyp übereinstimmt. Weitere Aktionen können das Bereitstellen einer Antwort als Reaktion auf die Anfrage umfassen, die die Entität identifiziert.

Andere Versionen umfassen entsprechende Systeme, Vorrichtungen und Computerprogramme, die konfiguriert sind, um die Aktionen der Verfahren auszuführen, die auf Computerspeichergeräten codiert sind.

Andere Arten von Finanztransaktionen

Diese und andere Versionen können jeweils die folgenden Funktionen enthalten. Zu den Finanztransaktionsdaten können gehören:

Kreditkartentransaktionsdaten
Transaktionsdaten der Debitkarte
Transaktionsdaten des Abschlusses

In bestimmten Aspekten kann das Verknüpfen der bestimmten Finanztransaktion mit einer Entität, die durch den auf maschinellem Lernen basierenden Annotator identifiziert wird, das Annotieren der spezifischen Finanztransaktionsdaten mit einer Kennung umfassen, die die erkannte Entität repräsentiert.

Die Aktionen können das Empfangen von Daten, die Kandidatenentitäten identifizieren, von dem auf maschinellem Lernen basierenden Annotator beinhalten und das Auswählen der Entität, die mit der bestimmten Finanztransaktion verknüpft ist, aus den identifizierten Kandidatenentitäten basierend auf einem Sucherprofil eines Suchenden, der an der spezifischen Finanztransaktion beteiligt war.

Das Auswählen der Entität, die mit der bestimmten Finanztransaktion verknüpft wird, aus den Kandidatenentitäten basierend auf einem Sucherprofil kann das Bestimmen beinhalten, dass das Sucherprofil an einem durch die Finanztransaktionsdaten angegebenen Datum vorschlägt, dass der Sucher sich an einem Ort befindet, der mit dem Entität.

Die maschinell gelernte Begriffsklärung von Sucherdaten-Patenten

Der auf maschinellem Lernen basierende Annotator wird mit gekennzeichneten Trainingsdaten trainiert.

Die Aktionen im patentierten Searcher Action Data-Prozess können umfassen:

Empfangen einer Anfrage von einem Suchenden, der an der bestimmten Finanztransaktion beteiligt war
Bestimmen eines mit der Abfrage verknüpften Entitätstyps
Entscheiden, dass die Entität, die der bestimmten Finanztransaktion zugeordnet ist, dem Entitätstyp entspricht, der mit der Abfrage verknüpft ist
Als Antwort auf die Anfrage eine Antwort bereitstellen, die die Entität identifiziert

Das Patent ist hier:

Maschinell gelernte Begriffsklärung von Suchaktionsdaten
Erfinder: Mathew Cowan
Rechtsnachfolger: Google LLC
US-Patent: 11.151.198
Bewilligt: 19. Oktober 2021
Gespeichert: 22. Januar 2020

Abstrakt

Verfahren, Systeme und Vorrichtungen, einschließlich Computerprogrammen, die auf einem Computerspeichermedium kodiert sind, zum Empfangen von Daten, die Aktionen darstellen, die von einem bestimmten Suchenden über Entitäten einer Vielzahl von Entitätstypen durchgeführt wurden, Disambiguieren der Daten durch Identifizieren von in den Daten spezifizierten Entitäten unter Verwendung einer Maschine lernbasierter Annotator, der darauf trainiert wird, Entitäten zu erkennen und die Daten zu kommentieren, eine spezifische Abfrage von dem bestimmten Suchenden zu empfangen, die Daten abzufragen, die die Aktionen des bestimmten Suchenden darstellen, eine Antwort auf die Abfrage aus den Daten zu generieren, die die durchgeführten Aktionen darstellen durch den bestimmten Suchenden und Bereitstellen der Antwort auf die Abfrage.