-
公开(公告)号:CN107533561A
公开(公告)日:2018-01-02
申请号:CN201680021982.X
申请日:2016-04-12
Applicant: 微软技术许可有限责任公司
IPC: G06F17/30
CPC classification number: G06F16/93 , G06F16/24575 , G06F16/248 , G06F16/9535
Abstract: 架构推荐(建议)来自内部网络和/或公共网络(搜索引擎)的个性化和相关文档,以帮助用户完成/更新当前正在工作的文档。架构提取查询,并使用上下文来执行搜索,并使用文档的整个文本来在编辑应用内执行搜索以提高相关性。采用用户上下文和文本/会话环境来搜索相关文档。当用户在创作应用中创作文档时,主动推荐相关文档。使用创作应用中的创作上下文(例如用户、文本、会话等)来反应性地执行搜索操作。从内部文件(例如本地存储、公司网络等)和公共文档(例如使用公共搜索引擎)两者推荐结果。此外,深度神经网络(DNN)可以被采用以使用个性化特征和上下文敏感特征和/或上下文无关特征两者来对文档进行重新排序。
-
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。
-
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。
-
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:CN107533683B
公开(公告)日:2020-09-22
申请号:CN201680024513.3
申请日:2016-04-27
Applicant: 微软技术许可有限责任公司
Inventor: 谌叶龙 , 宋鑫莹 , 高剑峰 , 过晨雷 , 卞秉冀 , 王野翊 , B·D·雷米克 , E·泰勒 , M·A·阿里 , M·戈斯 , 邹阳 , M·斯特普 , D·杰特利 , S·弗里森
IPC: G06F16/30
Abstract: 用于提供用于预测和推荐相关人员(或其他实体)以包括在对话中的人员推荐系统的技术。在示例性实施例中,与用户与目标接收者之间、或者其他用户与接收者之间的通信相关联的多个对话框被收集并且存储作为用户历史。在训练阶段期间,使用用户历史在去噪自动编码器模型中训练编码器块和解码器块。在预测阶段期间,使用经训练的编码器和解码器基于从当前对话框提取的上下文和其他信号来预测由用户组成的当前对话框的一个或多个接收者。使用评分函数对预测的接收者进行排名,并且可以向用户推荐排名最高的个人或实体。
-
公开(公告)号:CN107533683A
公开(公告)日:2018-01-02
申请号:CN201680024513.3
申请日:2016-04-27
Applicant: 微软技术许可有限责任公司
Inventor: 谌叶龙 , 宋鑫莹 , 高剑峰 , 过晨雷 , 卞秉冀 , 王野翊 , B·D·雷米克 , E·泰勒 , M·A·阿里 , M·戈斯 , 邹阳 , M·斯特普 , D·杰特利 , S·弗里森
Abstract: 用于提供用于预测和推荐相关人员(或其他实体)以包括在对话中的人员推荐系统的技术。在示例性实施例中,与用户与目标接收者之间、或者其他用户与接收者之间的通信相关联的多个对话框被收集并且存储作为用户历史。在训练阶段期间,使用用户历史在去噪自动编码器模型中训练编码器块和解码器块。在预测阶段期间,使用经训练的编码器和解码器基于从当前对话框提取的上下文和其他信号来预测由用户组成的当前对话框的一个或多个接收者。使用评分函数对预测的接收者进行排名,并且可以向用户推荐排名最高的个人或实体。
-
-
-
-
-
-