-
公开(公告)号：CN106415535B
公开(公告)日：2020-03-17
申请号：CN201580019941.2
申请日：2015-04-06
Applicant: 微软技术许可有限责任公司
IPC: G06F16/9535 , G06N3/04
Abstract: 在本文中描述了一种用于基于上下文来提供搜索结果的搜索引擎，在该上下文中已经提交了查询，如由上下文信息所表示的。搜索引擎通过基于对查询的考虑并且部分基于上下文概念向量和多个文档概念向量来进行操作，所述上下文概念向量和文档概念向量都是使用深度学习模型(例如，深度神经网络)生成的。上下文概念向量是通过使用深度学习模型将上下文信息投影到语义空间中而形成的。每个文档概念向量都是通过使用深度学习模型将与特定的文档相关联的文档信息投影到语音空间中而形成的。排序是通过提升(promote)与语义空间内的上下文相关的文档的排名，并且降低(disfavor)与语义空间内的上下文不相关的文档的排名来操作的。
-
Patent Agency Ranking
公开(公告)号：CN107580704B
公开(公告)日：2022-04-29
申请号：CN201680025484.2
申请日：2016-04-27
Applicant: 微软技术许可有限责任公司
Inventor： 过晨雷 , 高剑峰 , 宋鑫莹 , 卞秉冀 , 谌叶龙 , 王野翊 , B·D·雷米克 , E·泰勒 , M·A·阿里 , M·戈斯 , 何晓冬 , 陈建树 , D·杰特利 , S·弗里森
IPC: G06F16/335 , G06N3/08 , G06Q10/10 , H04L67/1396 , H04L67/306 , H04L67/52 , H04L51/222
Abstract: 用于提供用于基于上下文指示符来预测和推荐相关人物(或其他实体)以包括在对话中的人物推荐系统的技术。在示例性实施例中，电子邮件接收者推荐可以基于例如项目名称、主体文本、现有接收者、当前日期和时间等的上下文信号被建议。在一个方面中，包括排名的关键短语的多个属性与对应于个人实体的简档相关联。聚合的简档使用第一层处理技术和第二层处理技术被分析。推荐可以反应性地(例如，响应于由用户对人物推荐系统的特定查询)或者主动地(例如，在没有用户的特定查询的情况下基于用户当前正工作于的内容的上下文)被向用户提供。
-
公开(公告)号：CN108028043B
公开(公告)日：2021-11-19
申请号：CN201680056137.6
申请日：2016-09-17
Applicant: 微软技术许可有限责任公司
Inventor： D·Z·哈卡尼-图尔 , 何晓冬 , 陈缊侬
Abstract: 本文描述了用于检测语音中的可行动项的计算机实现的技术。在一种操作方式中，该技术需要：接收话语信息，该话语信息表达由对话的一个参与者向对话的至少一个其他参与者说出的至少一个话语；将话语信息转换为识别的语音信息；使用机器训练的模型来识别与识别的语音信息相关联的至少一个可行动项；以及执行与一个或多个可行动项相关联的至少一个计算机实现的动作。机器训练的模型可以对应于深度结构的卷积神经网络。在一些实现方式中，该技术使用源环境语料库来产生机器训练的模型，该源环境语料库并非最佳地适用该模型旨在被应用于其中的目标环境。该技术进一步提供了用于适配源‑环境模型以使得其更适合目标环境的各种适配技术。
-
公开(公告)号：CN108028043A
公开(公告)日：2018-05-11
申请号：CN201680056137.6
申请日：2016-09-17
Applicant: 微软技术许可有限责任公司
Inventor： D·Z·哈卡尼-图尔 , 何晓冬 , 陈缊侬
CPC classification number: G10L15/16 , G06F17/2785 , G06F17/279 , G06N99/005 , G06Q10/10 , G10L15/20 , G10L15/22 , G10L15/26
Abstract: 本文描述了用于检测语音中的可行动项的计算机实现的技术。在一种操作方式中，该技术需要：接收话语信息，该话语信息表达由对话的一个参与者向对话的至少一个其他参与者说出的至少一个话语；将话语信息转换为识别的语音信息；使用机器训练的模型来识别与识别的语音信息相关联的至少一个可行动项；以及执行与一个或多个可行动项相关联的至少一个计算机实现的动作。机器训练的模型可以对应于深度结构的卷积神经网络。在一些实现方式中，该技术使用源环境语料库来产生机器训练的模型，该源环境语料库并非最佳地适用该模型旨在被应用于其中的目标环境。该技术进一步提供了用于适配源‑环境模型以使得其更适合目标环境的各种适配技术。
-
公开(公告)号：CN107580704A
公开(公告)日：2018-01-12
申请号：CN201680025484.2
申请日：2016-04-27
Applicant: 微软技术许可有限责任公司
Inventor： 过晨雷 , 高剑峰 , 宋鑫莹 , 卞秉冀 , 谌叶龙 , 王野翊 , B·D·雷米克 , E·泰勒 , M·A·阿里 , M·戈斯 , 何晓冬 , 陈建树 , D·杰特利 , S·弗里森
CPC classification number: H04L67/22 , G06F17/3053 , G06F17/30699 , G06N99/005 , G06Q10/06311 , G06Q10/06313 , G06Q10/06315 , H04L51/20 , H04L67/306
Abstract: 用于提供用于基于上下文指示符来预测和推荐相关人物(或其他实体)以包括在对话中的人物推荐系统的技术。在示例性实施例中，电子邮件接收者推荐可以基于例如项目名称、主体文本、现有接收者、当前日期和时间等的上下文信号被建议。在一个方面中，包括排名的关键短语的多个属性与对应于个人实体的简档相关联。聚合的简档使用第一层处理技术和第二层处理技术被分析。推荐可以反应性地(例如，响应于由用户对人物推荐系统的特定查询)或者主动地(例如，在没有用户的特定查询的情况下基于用户当前正工作于的内容的上下文)被向用户提供。
-
公开(公告)号：CN106415535A
公开(公告)日：2017-02-15
申请号：CN201580019941.2
申请日：2015-04-06
Applicant: 微软技术许可有限责任公司
Abstract: 在本文中描述了一种用于基于上下文来提供搜索结果的搜索引擎，在该上下文中已经提交了查询，如由上下文信息所表示的。搜索引擎通过基于对查询的考虑并且部分基于上下文概念向量和多个文档概念向量来进行操作，所述上下文概念向量和文档概念向量都是使用深度学习模型(例如，深度神经网络)生成的。上下文概念向量是通过使用深度学习模型将上下文信息投影到语义空间中而形成的。每个文档概念向量都是通过使用深度学习模型将与特定的文档相关联的文档信息投影到语音空间中而形成的。排序是通过提升(promote)与语义空间内的上下文相关的文档的排名，并且降低(disfavor)与语义空间内的上下文不相关的文档的排名来操作的。
-
-
-
-
-
Search Results
6
records
(took 0.032 seconds)
