特許 6605672 マルチラウンド入力によるサーチ方法、システム及び端末機器

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6605672

(24)【登録日】2019年10月25日

(45)【発行日】2019年11月13日

(54)【発明の名称】マルチラウンド入力によるサーチ方法、システム及び端末機器

(51)【国際特許分類】

   G06F 16/9032 20190101AFI20191031BHJP

【ＦＩ】

   G06F16/9032

【請求項の数】18

【全頁数】23

(21)【出願番号】特願2018-142243(P2018-142243)

(22)【出願日】2018年7月30日

(65)【公開番号】特開2019-91408(P2019-91408A)

(43)【公開日】2019年6月13日

【審査請求日】2018年7月30日

(31)【優先権主張番号】201711139798.8

(32)【優先日】2017年11月16日

(33)【優先権主張国】CN

(73)【特許権者】

【識別番号】513224353

【氏名又は名称】バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド

(74)【代理人】

【識別番号】100079108

【弁理士】

【氏名又は名称】稲葉 良幸

(74)【代理人】

【識別番号】100109346

【弁理士】

【氏名又は名称】大貫 敏史

(74)【代理人】

【識別番号】100117189

【弁理士】

【氏名又は名称】江口 昭彦

(74)【代理人】

【識別番号】100134120

【弁理士】

【氏名又は名称】内藤 和彦

(74)【代理人】

【識別番号】100108213

【弁理士】

【氏名又は名称】阿部 豊隆

(72)【発明者】

【氏名】ルー，グアン

(72)【発明者】

【氏名】ジュー，チャン

(72)【発明者】

【氏名】ルオ，シアジュン

【審査官】 後藤 彰

(56)【参考文献】

【文献】 特開２０１８−１０６７０２（ＪＰ，Ａ）

【文献】 特開２０１７−２２８１６０（ＪＰ，Ａ）

【文献】 特表２０１４−５２８１３４（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｆ １６／９０３２

(57)【特許請求の範囲】

【請求項1】

コンピュータによって実行される、マルチラウンド入力によるサーチ方法であって、
ユーザーの複数回入力したサーチデータを取得するステップと、
ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間に何らかの関連性が存在していることを示すマルチラウンド特徴を有するか否かを判断するステップと、
ユーザーの複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図が、ユーザーの複数回入力したサーチデータのうちの１つと他のサーチデータとの間に何らかの関連性が存在していることを示すマルチラウンド意図であるか否かを判断するステップと、
マルチラウンド意図に基づき、ユーザーの複数回入力したサーチデータに合わせて、ユーザーの入力したサーチデータを組み合わせた後の状態を示すマルチラウンド候補状態を生成するステップと、
マルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力するステップと、を含むことを特徴とするマルチラウンド入力によるサーチ方法。

【請求項2】

前記したユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断することは、具体的には、
リソース、需要及び事前分布によって各サーチデータに平滑化を行うステップと、
平滑化されたサーチデータのｂｉ−ｇｒａｍに基づく言語モデルを算出するステップと、
前記言語モデルによってユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断するステップと、を含むことを特徴とする請求項１に記載の方法。

【請求項3】

前記したユーザーの複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図がマルチラウンド意図であるか否かを判断することは、具体的には、
構造化分析モデルと深層学習モデルに基づき、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を分析して算出するステップと、
構造化分析モデル又は深層学習モデルのうちのいずれかによって算出された前記確率が設定された閾値よりも高い場合、ユーザーの複数回入力したサーチデータのうちの１つの現在意図がマルチラウンド意図であると判断するステップと、を含むことを特徴とする請求項１に記載の方法。

【請求項4】

前記深層学習モデルはＬＳＴＭモデルであり、ＬＳＴＭモデルを用いて分類式訓練を行い、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を取得し、前記確率は、次式により求まる。

ここで、φは構造化特徴集合、ｗはサーチデータにおけるＴｅｒｍの重要性、λは正負特徴重み付け、ｄｏｍａｉｎは前の対話の意図、ｘはサーチデータのうちの１つにおけるｔｅｒｍの集合であることを特徴とする請求項３に記載の方法。

【請求項5】

生成されたマルチラウンド候補状態にプルーニング操作を行い、複数のマルチターン候補状態から高品質のマルチターン候補状態を保留することと、
プルーニングを行った後に保留されたマルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力することを特徴とする請求項１に記載の方法。

【請求項6】

前記プルーニング操作は、
サーチデータのうちの１つサーチデータが時間的に最も近い直前１回のサーチデータのみに関連していると、
マルチラウンド候補状態は現在のサーチデータにおいて新規追加されたセマンティックデータを含むと、
マルチラウンド候補状態は現在のサーチデータにおいて出現した参照セマンティックと該参照セマンティックの対応データを含むとという前提に基づいて行われることを特徴とする請求項５に記載の方法。

【請求項7】

前記したマルチラウンド候補状態をソートすることは、具体的には、生成式モデルと判別式モデルに基づき、各マルチラウンド候補状態の発生確率を算出し、発生確率に応じて各マルチラウンド候補状態をソートするステップを含むことを特徴とする請求項１に記載の方法。

【請求項8】

前記判別式モデルはＧＢＤＴモデルであり、ＧＢＤＴモデルを用いて判別式訓練を行い、マルチラウンド候補状態の発生確率を取得し、
前記生成式モデルを用いて確率計算式によって各マルチラウンド候補状態の発生確率を算出し、具体的な確率計算式は、以下の通りであり、

上記式では、データ同士が相互に独立するとすると、以下の計算式を取得し、

ここで、η、θは正規化定数、ｓｌｏｔはサーチデータにおけるキー検索セグメント、ａは実行された操作、ｈは履歴状態記録、ｏはユーザー入力に対する観測値であり、そして、

ここで、

は前のサーチデータにおけるスロットと現在のサーチデータにおけるスロットとの組合せの発生確率を表し、

は前のサーチデータにおけるスロットと現在のサーチデータに含まれないスロットのｔｅｒｍとの発生確率を表し、関数

は構文的特徴のルールを表し、関数

は時間とラウンド数に対するスロット確率の減衰関数を表し、関数

はルールに基づいてシステム動作状態を合わせた計算関数を表すことを特徴とする請求項７に記載の方法。

【請求項9】

ユーザーの入力したサーチデータが具体的かつ明確ではないと、まず問い合わせ操作を行い、ユーザーの入力した正確なサーチデータを取得することを特徴とする請求項１−８のいずれか一項に記載の方法。

【請求項10】

前記問い合わせ操作は少なくとも、形式的セマンティック表現である質問、選択及び確認のうちのいずれかを含むことを特徴とする請求項９に記載の方法。

【請求項11】

ユーザーが複数回入力したサーチデータを取得し、ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間に何らかの関連性が存在していることを示すマルチラウンド特徴を有するか否かを判断するように設置される特徴取得ユニットと、
ユーザーの複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図が、ユーザーの複数回入力したサーチデータのうちの１つと他のサーチデータとの間に何らかの関連性が存在していることを示すマルチラウンド意図であるか否かを判断するように設置されるマルチラウンド意図認識ユニットと、
マルチラウンド意図に基づき、ユーザーの複数回入力したサーチデータに合わせて、ユーザーの入力したサーチデータを組み合わせた後の状態を示すマルチラウンド候補状態を生成するように設置される候補生成ユニットと、
マルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力するように設置される状態ソートユニットと、を備えることを特徴とするマルチラウンド入力によるサーチシステム。

【請求項12】

前記特徴取得ユニットはリソース、需要及び事前分布によって各サーチデータに平滑化を行うことと、
平滑化されたサーチデータのｂｉ−ｇｒａｍに基づく言語モデルを算出することと、
前記言語モデルによってユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断することと、を特徴とする請求項１１に記載のシステム。

【請求項13】

前記マルチラウンド意図認識ユニットは構造化分析モデルと深層学習モデルに基づき、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を分析して算出し、構造化分析モデル又は深層学習モデルのうちのいずれかによって算出された前記確率が設定された閾値よりも高い場合、ユーザーの複数回入力したサーチデータのうちの１つの現在意図がマルチラウンド意図であると判断し、
ここで、前記深層学習モデルはＬＳＴＭモデルであり、ＬＳＴＭモデルを用いて分類式訓練を行い、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を取得し、前記確率は、次式により求まる。

ここで、φは構造化特徴集合、ｗはサーチデータにおけるＴｅｒｍの重要性、λは正負特徴重み付け、ｄｏｍａｉｎは前の対話の意図、ｘはサーチデータのうちの１つにおけるｔｅｒｍの集合であることを特徴とする請求項１１に記載のシステム。

【請求項14】

候補生成ユニットはさらに、生成されたマルチラウンド候補状態にプルーニング操作を行い、複数のマルチラウンド候補状態から高品質のマルチラウンド候補状態を保留し、
状態ソートユニットはさらに、プルーニングを行った後に保留されたマルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力することを特徴とする請求項１１に記載のシステム。

【請求項15】

前記プルーニング操作は、
サーチデータのうちの１つサーチデータが時間的に最も近い直前１回のサーチデータのみに関連していると、
マルチラウンド候補状態は現在のサーチデータにおいて新規追加されたセマンティックデータを含むと、
マルチラウンド候補状態は現在のサーチデータにおいて出現した参照セマンティックと該参照セマンティックの対応データを含むとという前提に基づいて行われることを特徴とする請求項１４に記載のシステム。

【請求項16】

前記状態ソートユニットは生成式モデルと判別式モデルに基づき、各マルチラウンド候補状態の発生確率を算出し、発生確率に応じて各マルチラウンド候補状態をソートし、
ここで、前記判別式モデルはＧＢＤＴモデルであり、ＧＢＤＴモデルを用いて判別式訓練を行い、マルチラウンド候補状態の発生確率を取得し、
前記生成式モデルを用いて確率計算式によって、マルチラウンド候補状態の発生確率を算出し、具体的な確率計算式は、以下の通りであり、

上記式では、データ同士が相互に独立するとすると、以下の計算式を取得し、

ここで、η、θは正規化定数、ｓｌｏｔはサーチデータにおけるキー検索セグメント、ａは実行された操作、ｈは履歴状態記録、ｏはユーザー入力に対する観測値であり、そして、

ここで、

は前のサーチデータにおけるスロットと現在のサーチデータにおけるスロットとの組合せの発生確率を表し、

は前のサーチデータにおけるスロットと現在のサーチデータに含まれないスロットのｔｅｒｍとの発生確率を表し、関数

は構文的特徴のルールを表し、関数

は時間とラウンド数に対するスロット確率の減衰関数を表し、関数

はルールに基づいてシステム動作状態を合わせた計算関数を表すことを特徴とする請求項１１に記載のシステム。

【請求項17】

前記特徴取得ユニットはさらに、ユーザーの入力したサーチデータが具体的かつ明確ではないと、まず問い合わせ操作を行い、ユーザーの入力した正確なサーチデータを取得するように設置されることを特徴とする請求項１１−１６のいずれか一項に記載のシステム。

【請求項18】

１つ又は複数のプロセッサと、
１つ又は複数のプログラムを記憶する記憶装置と、
メモリとプロセッサの間に通信するように設置される通信インターフェースと、を備え、
前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサにより実行されると、前記１つ又は複数のプロセッサに請求項１−１０のいずれか一項に記載の方法を実現させることを特徴とするマルチラウンド入力によるサーチ端末機器。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は人工知能の対話におけるマルチラウンド対話についての理解に関し、具体的には、マルチラウンド入力によるサーチ方法、システム及び端末機器に関する。

【背景技術】

【0002】

現在、人工知能は人々に熟知されて使用されつつある。マンマシン対話においては、通常、ロボットに指示服従、質問解答及びサービスガイドの機能を付与し、且つロボットは家族介護、児童、医療、教育、行政機関、銀行、ホテル、観光地等の産業シーンの需要を正確に満たすことができる。

【0003】

現在、人々の生活における情報取得手法はソーシャルシーンに存在することが多いが、ほとんどの画像認識系製品は、単独なツールとして開発されて、ユーザーの元の需要シーンと融合できない。

【0004】

マンマシン対話は、シングルラウンドシーンの場合に、つまりユーザーが一回シングルラウンド入力を行い又はユーザーにより行われる複数回のシングルラウンド入力の間に何の関係もない場合に、人工知能はユーザーのｑｕｅｒｙに対して最適な応答出力を正確に行うことができる。しかし、ユーザーのシングルラウンド入力の間に何らかの関係があると、マルチラウンド入力シーンを形成することで、人工知能は入力コンテンツのコンテキスト関係に合わせて理解する必要がある。従来の方法は主に簡単な文字と品詞特徴を用いて注記し、マルチラウンド言語特徴とマルチラウンドシーンの認識タスクを実行するが、マルチラウンド特徴とマルチラウンドシーンを正確に判断できない。

【0005】

また、特にユーザーの入力する語句が曖昧な弱いコンテキスト環境では、従来の方法はユーザーがマルチラウンドシーンを取得したい意図があるか否かを正確に判断できない。従来の方法はコンテキスト入力サーチ言語モデルのモデリングがなく、弱いコンテキストのシーンでは、マルチラウンド意図のスムーズな連結と正確な区切りを実現できない。

【0006】

従って、従来の人工知能はマルチラウンドシーン又は弱いコンテキスト環境又は弱いコンテキスト環境におけるマルチラウンドシーンのマンマシン対話において、ユーザーの実際の需要又は満足できる出力値を高品質で出力できず、ユーザーの使用積極性を損なってしまう。

【発明の概要】

【発明が解決しようとする課題】

【0007】

本発明の実施例は、少なくとも従来技術の１つ又は複数の技術的問題を解消又は緩和し、少なくとも有用な選択肢を提供するマルチラウンド入力によるサーチ方法、システム及び端末機器を提供する。

【課題を解決するための手段】

【0008】

第１態様によれば、本発明の実施例はマルチラウンド入力によるサーチ方法を提供する。

【0009】

本発明の第１態様では、マルチラウンド入力によるサーチ方法は、ユーザーが複数回入力したサーチデータを取得するステップと、
ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間に何らかの関連性が存在していることを示すマルチラウンド特徴を有するか否かを判断するステップと、
ユーザーの複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図が、ユーザーの複数回入力したサーチデータのうちの１つと他のサーチデータとの間に何らかの関連性が存在していることを示すマルチラウンド意図であるか否かを判断するステップと、
マルチラウンド意図に基づき、ユーザーの複数回入力したサーチデータに合わせて、ユーザーの入力したサーチデータを組み合わせた後の状態を示すマルチラウンド候補状態を生成するステップと、
マルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力するステップと、を含む。

【0010】

第１態様によれば、ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断することは、具体的には、
リソース、需要及び事前分布によって各サーチデータに平滑化を行うステップと、
平滑化されたサーチデータのｂｉ−ｇｒａｍに基づいて言語モデルを算出するステップと、
前記言語モデルによってユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断するステップとを含む。

【0011】

第１態様によれば、ユーザーの複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図がマルチラウンド意図であるか否かを判断することは、具体的には、
構造化分析モデルと深層学習モデルに基づき、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を分析して算出するステップと、
構造化分析モデル又は深層学習モデルのうちのいずれかによって算出された前記確率が設定された閾値よりも高い場合、ユーザーの複数回入力したサーチデータのうちの１つの現在意図がマルチラウンド意図であると判断するステップと、を含む。

【0012】

好ましくは、前記深層学習モデルはＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）モデルであり、ＬＳＴＭモデルを用いて分類式訓練を行い、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率分布を取得し、前記確率計算式は、次式により求まる。

ここで、φは構造化特徴集合、ｗはサーチデータにおけるＴｅｒｍの重要性、λは正負特徴重み付け、ｄｏｍａｉｎは前の対話の意図、ｘはサーチデータのうちの１つにおけるｔｅｒｍの集合である。

【0013】

第１態様によれば、生成されたマルチラウンド候補状態にプルーニング操作を行い、複数のマルチターン候補状態から高品質のマルチターン候補状態を保留し、
プルーニングを行った後に保留されたマルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力する。

【0014】

好ましくは、前記プルーニング操作は、
サーチデータのうちの１つのサーチデータが時間的に最も近い直前１回のサーチデータのみに関連していると、
マルチラウンド候補状態は現在のサーチデータにおいて新規追加されたセマンティックデータを含むと、
マルチラウンド候補状態は現在のサーチデータにおいて出現した参照セマンティック及び該参照セマンティックの対応データを含むとという前提に基づいて行われる。

【0015】

第１態様によれば、マルチラウンド候補状態をソートすることは、具体的には、生成式モデルと判別式モデルに基づき、各マルチラウンド候補状態の発生確率を算出し、発生確率に応じて各マルチラウンド候補状態をソートするステップを含む。

【0016】

好ましくは、前記判別式モデルはＧＢＤＴ（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｅｄ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）モデルであり、ＧＢＤＴモデルを用いて判別式訓練を行い、マルチラウンド候補状態の発生確率を取得する。
前記生成式モデルを用いて確率計算式によってマルチラウンド候補状態の発生確率を算出し、具体的な確率計算式は、以下の通りである。

上記式では、データ同士が相互に独立するとすると、以下の計算式を取得し、

ここで、η、θは正規化定数、ｓｌｏｔはサーチデータにおけるキー検索セグメント）、ａは実行された操作、ｈは履歴状態記録、ｏはユーザー入力に対する観測値である。そして、

ここで、

は前のサーチデータにおけるスロットと現在のサーチデータにおけるスロットとの組合せの発生確率を表し、

は前のサーチデータにおけるスロットと現在のサーチデータに含まれないスロットのｔｅｒｍとの発生確率を表し、関数

は構文的特徴のルールを表し、関数

は時間とラウンド数に対するスロット確率の減衰関数を表し、関数

はルールに基づいてシステム動作状態を合わせた計算関数を表す。

【0017】

第１態様によれば、ユーザーの入力したサーチデータが具体的かつ明確ではないと、まず問い合わせ操作を行い、ユーザーの入力した正確なサーチデータを取得する。

【0018】

好ましくは、前記問い合わせ操作は少なくとも、形式的セマンティック表現である質問、選択及び確認のうちのいずれかを含む。

【0019】

第２態様によれば、本発明の実施例はマルチラウンド入力によるサーチシステムを提供する。

【0020】

本発明の第２態様では、マルチラウンド入力によるサーチシステムは、ユーザーが複数回入力したサーチデータを取得し、ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間に何らかの関連性が存在していることを示すマルチラウンド特徴を有するか否かを判断するように設置される特徴取得ユニットと、
ユーザーの複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図が、ユーザーの複数回入力したサーチデータのうちの１つと他のサーチデータとの間に何らかの関連性が存在していることを示すマルチラウンド意図であるか否かを判断するように設置されるマルチラウンド意図認識ユニットと、
マルチラウンド意図に基づき、ユーザーの複数回入力したサーチデータに合わせて、ユーザーの入力したサーチデータを組み合わせた後の状態を示すマルチラウンド候補状態を生成するように設置される候補生成ユニットと、
マルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力するように設置される状態ソートユニットと、を備える。

【0021】

第２態様によれば、前記特徴取得ユニットはリソース、需要及び事前分布によって各サーチデータに平滑化を行い、
平滑化されたサーチデータのｂｉ−ｇｒａｍに基づく言語モデルを算出し、
前記言語モデルによってユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断する。

【0022】

第２態様によれば、前記マルチラウンド意図認識ユニットは構造化分析モデルと深層学習モデルに基づき、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を分析して算出し、構造化分析モデル又は深層学習モデルのうちのいずれかによって算出された前記確率が設定された閾値よりも高い場合、ユーザーの複数回入力したサーチデータのうちの１つの現在意図がマルチラウンド意図であると判断し、
ここで、前記深層学習モデルはＬＳＴＭモデルであり、ＬＳＴＭモデルを用いて分類式訓練を行い、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を取得し、前記確率は、次式により求まる。

ここで、φは構造化特徴集合、ｗはサーチデータにおけるＴｅｒｍの重要性、λは正負特徴重み付け、ｄｏｍａｉｎは前の対話の意図、ｘはサーチデータのうちの１つにおけるｔｅｒｍの集合である。

【0023】

第２態様によれば、候補生成ユニットはさらに、生成されたマルチラウンド候補状態にプルーニング操作を行い、複数のマルチラウンド候補状態から高品質のマルチラウンド候補状態を保留し、
状態ソートユニットはさらに、プルーニングを行った後に保留されたマルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力するように設置される。

【0024】

好ましくは、前記プルーニング操作は、
サーチデータのうちの１つサーチデータが時間的に最も近い直前１回のサーチデータのみに関連していると、
マルチラウンド候補状態は現在のサーチデータにおいて新規追加されたセマンティックデータを含むと、
マルチラウンド候補状態は現在のサーチデータにおいて出現した参照セマンティック及び該参照セマンティックの対応データを含むとという前提に基づいて行われる。

【0025】

第２態様によれば、前記状態ソートユニットは生成式モデルと判別式モデルに基づき、各マルチラウンド候補状態の発生確率を算出し、発生確率に応じて各マルチラウンド候補状態をソートし、
ここで、前記判別式モデルはＧＢＤＴモデルであり、ＧＢＤＴモデルを用いて判別式訓練を行い、マルチラウンド候補状態の発生確率を取得し、
前記生成式モデルを用いて確率計算式によって、マルチラウンド候補状態の発生確率を算出し、具体的な確率計算式は、以下の通りであり、

上記式では、データ同士が相互に独立するとすると、以下の計算式を取得し、

ここで、η、θは正規化定数、ｓｌｏｔはサーチデータにおけるキー検索セグメント）、ａは実行された操作、ｈは履歴状態記録、ｏはユーザー入力に対する観測値であり、そして、

ここで、

は前のサーチデータにおけるスロットと現在のサーチデータにおけるスロットとの組合せの発生確率を表し、

は前のサーチデータにおけるスロットと現在のサーチデータに含まれないスロットのｔｅｒｍとの発生確率を表し、関数

は構文的特徴のルールを表し、関数

は時間とラウンド数に対するスロット確率の減衰関数を表し、関数

はルールに基づいてシステム動作状態を合わせた計算関数を表す。

【0026】

第２態様によれば、前記特徴取得ユニットはさらに、ユーザーの入力したサーチデータが具体的かつ明確ではないと、まず問い合わせ操作を行い、ユーザーの入力した正確なサーチデータを取得する。

【0027】

第３態様によれば、本発明の実施例はマルチラウンド入力によるサーチ端末機器を提供し、１つ又は複数のプロセッサと、１つ又は複数のプログラムを記憶する記憶装置と、メモリとプロセッサとの間に通信する通信インターフェースと、を備え、前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサにより実行されると、前記１つ又は複数のプロセッサに前記第１態様のいずれかの実現形態に記載の方法を実現させる。

【発明の効果】

【0028】

上記技術案のうちのいずれかの技術案は以下の利点又は有益な効果を有する。マシンは、シングルラウンドのみを分析するのではなく、コンテキストによってユーザーの現在意図を理解し、連続するマルチラウンドシーンではユーザーの意図を理解することができ、ユーザーが対話中に自分の需要を絶えず変更したり改善したりすることもできる。また、ユーザーの述べた需要が具体的又は明確的ではないと、マシンは問い合わせ、選択又は確認等によってユーザーが満足できる結果を見つける。対話シーンでは、ユーザーの意図を正確に理解して満足させ、ユーザーに所要の情報を高効率で取得させる。

【0029】

上記概要は明細書の目的のために説明されたが、何らかの形態で本発明を限定するものではない。上記例示的な態様、実施形態及び特徴に加えて、図面及び以下の詳細な説明を参照することによって、本発明のさらなる態様、実施形態及び特徴は分かりやすくなる。

【図面の簡単な説明】

【0030】

図面において、特に断らない限り、複数の図面を通して同一符号は同一又は類似の部材又は要素を示す。これらの図面は必ずしも縮尺で描かれたものではない。なお、これらの図面は本発明に開示された幾つかの実施形態のみを示し、本発明の範囲を限定するものではない。

【0031】

【図1】本願の一実施例に係るマルチラウンド入力によるサーチ方法１００のフローチャートである。

【図2】本願の別の実施例に係るマルチラウンド入力によるサーチ方法２００のフローチャートである。

【図3】本願の別の実施例に係るマルチラウンド入力によるサーチ方法３００のフローチャートである。

【図4】本願の一実施例に係るマルチラウンド入力によるサーチシステム４００の構造模式図である。

【図5】本願に係る端末機器の模式図である。

【発明を実施するための形態】

【0032】

以下では、幾つかの例示的な実施例のみを簡単に説明する。当業者であれば、本発明の趣旨又は範囲を逸脱せずに、説明した実施例に様々な変更を施すことができると理解できる。従って、図面と説明は本質的に例示的であり、限定的ではないとみなされるべきである。

【0033】

図１に示すように、本願の第１態様では、本発明の実施例はマルチラウンド入力によるサーチ方法１００を提供する。

【0034】

マルチラウンド入力によるサーチ方法１００は、具体的には、ステップＳ１０１−Ｓ１０５を含む。

【0035】

Ｓ１０１では、ユーザーが複数回入力したサーチデータを取得する。

【0036】

Ｓ１０２では、ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間に何らかの関連性が存在していることを示すマルチラウンド特徴を有するか否かを判断する。マルチラウンド特徴を有すると、以下のステップＳ１０３−Ｓ１０５に進み、そうではないと、直接出力値を返信する。

【0037】

一実施例では、ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断することは、リソース、需要及び事前分布によって各サーチデータ平滑化を行い、平滑化されたサーチデータのｂｉ−ｇｒａｍに基づく言語モデルを算出し、前記言語モデルによってユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断するステップを含む。

【0038】

例えば、マンマシン対話では、ユーザーがサーチデータ「周傑倫」を入力した後、サーチデータ「ヒップホップ曲」を入力すると、リソース、需要及び事前分布によって平滑化を行うことで、周傑倫がヒップホップ曲を歌った又は発行したことをわかり、「周傑倫」と「ヒップホップ曲」の間に特定の言語モデルを形成でき、一定の関連性を有するため、両者がマルチラウンド特徴を有すると考えられ又は判断されてもよい。ユーザーがサーチデータ「周傑倫」を入力した後、「ロックソング」を入力すると、リソースライブラリに周傑倫の歌った又は発行したロックソングがないため、「周傑倫」と「ロックソング」の間に関連性がなく、従って、両者がマルチラウンド特徴を有すると考えられない又は判断されない。

【0039】

Ｓ１０３では、ユーザーの複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図が、ユーザーの複数回入力したサーチデータのうちの１つと他のサーチデータとの間に何らかの関連性が存在していることを示すマルチラウンド意図であるか否かを判断する。現在意図がマルチラウンド意図であると、以下のステップＳ１０４−Ｓ１０５に進み、そうではないと、直接出力値を返信する。

【0040】

一実施例では、具体的には、ユーザーの入力したサーチデータがマルチラウンド特徴を有するにもかかわらず、現在ユーザーが入力しているサーチデータの意図を判断する必要がある。例えば、ユーザーが２回で入力したサーチデータ「周傑倫」と「ヒップホップ曲」がともにマルチラウンド特徴を有するが、ユーザーの入力したサーチデータ「ヒップホップ曲」の現在意図が、「周傑倫の歌った又は発行したヒップホップ曲を再生しようとする」であるか、「ヒップホップ曲」を再生しようとするだけであるかを判断する。ユーザーの現在意図が「周傑倫の歌った又は発行したヒップホップ曲を再生しようとする」であると判断すると、この時、ユーザーの入力したサーチデータの現在意図がマルチラウンド意図であり、続けてステップＳ１０４に進む。ユーザーの入力したサーチデータの現在意図が非マルチラウンド意図であり、例えば、「周傑倫のヒップホップ曲」に拘ることではなく、「ヒップホップ曲」を聞くだけであると判断すると、ユーザーの入力したサーチデータのサーチ結果を直接に出力する。

【0041】

また、ユーザーの入力したサーチデータが明確かつ具体的ではない弱いコンテキストの場合、分析によってユーザーの現在意図がマルチラウンド意図であるか否かを計算する。例えば、ユーザーが１回目で入力する時の目標は、Wanting Quを再生することであり、２回目で入力する時の目標は、Wanting Quの英語の歌を再生することである。しかし、ユーザーの入力した語句が曖昧で、１回目で「Wanting Quの歌を聞きたい」を入力し、２回目で「英語の歌を聞く」を入力し、この時の「英語の歌を聞く」は不明確なセマンティックであり、弱いコンテキストを形成する。この時、上記ステップＳ１０１−Ｓ１０３での分析及び計算によってユーザーの現在意図が「Wanting Quの英語の歌を聞きたい」であると決定すると、この時、ユーザーの入力したサーチデータの現在意図がマルチラウンド意図であって、ステップＳ１０４−Ｓ１０５に進む。

【0042】

より具体的には、構造化分析モデルと深層学習モデルに基づき、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を分析して算出し、構造化分析モデル又は深層学習モデルのうちのいずれかによって算出された前記確率が設定された閾値よりも高い場合、ユーザーの複数回入力したサーチデータのうちの１つの現在意図がマルチラウンド意図であると判断する。

【0043】

好ましくは、前記深層学習モデルはＬＳＴＭモデルであり、ＬＳＴＭモデルを用いて分類式訓練を行い、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を取得し、上記確率計算式は、次式により求まる。

ここで、φは構造化特徴集合、ｗはサーチデータにおけるＴｅｒｍの重要性、λは正負特徴重み付け、ｄｏｍａｉｎは前の対話の意図、ｘはサーチデータのうちの１つにおけるｔｅｒｍの集合である。

【0044】

Ｓ１０４では、マルチラウンド意図に基づき、ユーザーの複数回入力したサーチデータに合わせて、ユーザーの入力したサーチデータを組み合わせた後の状態を示すマルチラウンド候補状態を生成する。

【0045】

一実施例では、具体的には、マンマシン対話のラウンド数の増加に伴って、ステップＳ１０１−Ｓ１０３における判断によって複数のマルチラウンド意図を形成し、これらのマルチラウンド意図を組み合わせて複数の異なるマルチラウンド候補状態を生成できる。

【0046】

Ｓ１０５では、マルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力する。

【0047】

一実施例では、具体的には、生成式モデルと判別式モデルに基づき、各マルチラウンド候補状態の発生確率を算出する。

【0048】

好ましくは、前記判別式モデルはＧＢＤＴモデルであり、ＧＢＤＴモデルを用いて判別式訓練を行い、マルチラウンド候補状態の発生確率を取得し、
前記生成式モデルを用いて確率計算式によって、マルチラウンド候補状態の発生確率を算出し、具体的な確率計算式は、以下の通りであり、

上記式では、データ同士が相互に独立するとすると、以下の計算式を取得し、

ここで、η、θは正規化定数である。ｓｌｏｔはサーチデータにおけるキー検索セグメント、例えばｓｏｎｇ＝周傑倫である。ａは実行された操作、ｏはユーザー入力に対する観測値である。ｈは履歴状態記録であり、例えば、ユーザーが音声を入力し、システムはユーザー入力が「周傑倫の歌を再生しろ」であると観測する。そして、

ここで、

は前のサーチデータにおけるスロットとサーチデータのうちの１つにおけるスロットとの組合せの発生確率を表し、

は前のサーチデータにおけるスロットと現在のサーチデータにおけるスロットとの組合せの発生確率を表し、

は前のサーチデータにおけるスロットと現在のサーチデータに含まれないスロットのｔｅｒｍとの発生確率を表し、関数

は構文的特徴のルールを表す。

は前のサーチデータにおけるスロット組合せの現在システム履歴記録における確率値を表し、関数

は時間とラウンド数に対するスロット確率の減衰関数を表す。

は前のサーチデータにおけるスロット組合せの前のシステム動作における確率値を表し、関数

はルールに基づいてシステム動作状態を合わせた計算関数を表す。

【0049】

上記方法１００では、ユーザーの入力したサーチデータを取得した後、ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断し、ユーザーの複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図がマルチラウンド意図であるか否かを判断する。マルチラウンド意図に基づき、ユーザーの複数回入力したサーチデータに合わせて、マルチラウンド候補状態を生成し、マルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力する。このようにして、マシンは連続するマルチラウンド対話では、ユーザーのサーチ意図を把握し、連続するマルチラウンドシーンでは、ユーザーの意図を理解して最適なフィードバックを与え、ユーザーも対話中に自分の需要を絶えず変更したり改善したりすることができる。

【0050】

図２に示すように、本願の第１態様では、本発明の実施例はマルチラウンド入力によるサーチ方法２００を提供する。ユーザーの入力したサーチデータを取得した後、ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断し、ユーザーの複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図がマルチラウンド意図であるか否かを判断する。マルチラウンド意図に基づき、ユーザーの複数回入力したサーチデータに合わせて、マルチラウンド候補状態を生成し、複数のマルチラウンド候補状態にプルーニングを行う。プルーニングを行った後に保留されたマルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力する。

【0051】

マルチラウンド入力によるサーチ方法２００は、具体的には、以下のステップＳ１０１−Ｓ１０４、Ｓ１０４’、Ｓ１０５’を含む。

【0052】

Ｓ１０１では、ユーザーが複数回入力したサーチデータを取得する。

【0053】

Ｓ１０２では、ユーザーの入力したサーチデータが、ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間に何らかの関連性が存在していることを示すマルチラウンド特徴を有するか否かを判断する。

【0054】

Ｓ１０３では、ユーザーが複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図が、ユーザーの複数回入力したサーチデータのうちの１つと他のサーチデータとの間に何らかの関連性が存在していることを示すマルチラウンド意図であるか否かを判断する。

【0055】

Ｓ１０４では、マルチラウンド意図に基づき、ユーザーの複数回入力したサーチデータに合わせて、ユーザーの入力したサーチデータを組み合わせた後の状態を示すマルチラウンド候補状態を生成する。

【0056】

Ｓ１０４’では、生成されたマルチラウンド候補状態にプルーニング操作を行い、複数のマルチターン候補状態から高品質のマルチターン候補状態を保留する。

【0057】

Ｓ１０５’では、プルーニングを行った後に保留されたマルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力する。

【0058】

上記方法２００におけるステップＳ１０１−Ｓ１０４は方法１００におけるステップＳ１０１−Ｓ１０４と同様であり、以上では説明されたため、ここで重複説明を省略する。

【0059】

マンマシン対話のラウンド数の増加に伴って、生成されたマルチラウンド候補状態も増加し、形成される空間の大きさは下式で記述される。

【0060】

上記式からわかるように、マルチラウンド候補状態空間は指数関数的に拡張していて、このような急速な拡張が計算効率を大幅に損なってしまう。従って、ステップＳ１０４’では、複数のマルチラウンド候補状態にプルーニング操作を行って、高品質のマルチラウンド候補状態を保留する必要がある。

【0061】

前記プルーニング操作は以下の前提に基づいて行われる。

【0062】

前提１では、サーチデータのうちの１つが時間的に最も近い直前１回のサーチデータのみに関連している。

【0063】

具体的には、マンマシン対話のラウンド数が増加する場合、ユーザーが複数のサーチデータを入力し、これらのサーチデータには時間的順序がある。前提１では、ルールを制定し、すなわち、ユーザーの入力した現在のサーチデータから形成されたマルチラウンド候補状態がユーザーの入力した前のサーチデータから形成されたマルチラウンド候補状態のみに関連している。例えば、第１ラウンドにユーザーがサーチデータ「周傑倫」を入力し、第ｎラウンドにユーザーがサーチデータ「中国風の音楽」を入力し、第ｎ＋１ラウンドにユーザーがサーチデータ「青花瓷」を入力すると、これらのラウンドにユーザーの入力したサーチデータで形成されたマルチラウンド候補状態のうち、前提１によると、「青花瓷」から形成されたマルチラウンド候補状態が「中国風の音楽」から形成されたマルチラウンド候補状態のみに関連している。

【0064】

前提２では、マルチラウンド候補状態は現在のサーチデータにおいて新規追加されたセマンティックデータを含む。

【0065】

一実施例では、具体的には、マンマシン対話のラウンド数が増加する場合、上記判断によって複数のマルチラウンド候補状態を形成でき、これらの状態は異なるユーザーの入力したサーチデータを含む。前提２ではルールを制定し、すなわち、マルチラウンド候補状態には現在ユーザーのサーチデータに新規追加されたセマンティックを示すデータが含まれる必要がある。例えば、第１ラウンドにユーザーがサーチデータ「周傑倫」を入力し、第ｎラウンドにユーザーがサーチデータ「周傑倫の中国風の音楽」を入力し、第ｎ＋１ラウンドにユーザーがサーチデータ「周傑倫の青花瓷」を入力すると、これらのラウンドにユーザーの入力したサーチデータで形成されたマルチラウンド候補状態のうち、前提２によると、マルチラウンド候補状態は新規追加された「青花瓷」というセマンティックデータを含まなければならない。

【0066】

前提３では、マルチラウンド候補状態は現在のサーチデータに出現した参照セマンティックと該参照セマンティックの対応データを含む。

【0067】

一実施例では、具体的には、ユーザーが入力する時、現在のサーチデータにおいて不完全なセマンティック表現が出現し、弱いコンテキストの言語環境を形成する可能性がある。これらの不完全なセマンティックは１つの参照セマンティックを有し、これらの参照セマンティックに対応して、対応データが設定される。前提３ではルールを制定し、すなわち、マルチラウンド候補状態は現在のサーチ中の参照セマンティックと該参照セマンティックの対応データを含まなければならない。例えば、第１ラウンドにユーザーがサーチデータ「周傑倫」を入力し、第ｎラウンドにユーザーがサーチデータ「彼の中国風の音楽」を入力し、第ｎ＋１ラウンドにユーザーがサーチデータ「彼の青花瓷」を入力し、ここで「彼」は参照セマンティックであり、「彼」に対応するデータは「周傑倫」である。この場合、前提３によると、マルチラウンド候補状態は、「周傑倫の青花瓷」の対応データを含まなければならない。

【0068】

上記方法２００は、方法１００をもとに、方法１００の技術的効果を実現できることに加えて、マルチラウンド候補状態にプルーニングを行いでき、ソートする必要なマルチラウンド候補状態を低減する。それにより、マシンはより迅速に応答して出力し、ユーザー体験を最適化する。

【0069】

図３に示すように、本願の第１態様では、本発明の実施例はマルチラウンド入力によるサーチ方法３００を提供する。

【0070】

マルチラウンド入力によるサーチ方法３００は、方法１００及び方法２００をもとにステップＳ１０１’を追加する。ステップＳ１０１’はステップＳ１０１とステップＳ１０２の間に実行される。

【0071】

Ｓ１０１’では、ユーザーの入力したサーチデータが具体的かつ明確ではないと、まず問い合わせ操作を行い、ユーザーの入力した正確なサーチデータを取得し、ユーザーの入力したサーチデータのうち少なくとも２回入力したサーチデータの間にマルチラウンド特徴を有するか否かを判断する。前記問い合わせ操作は少なくとも、形式的セマンティック表現である質問、選択及び確認のうちのいずれかを含む。

【0072】

一実施例では、具体的には、例えば、ユーザーの入力したサーチデータが「周傑倫の最新のアルバム」である場合、周傑倫がアルバムＡとアルバムＢを同時にリリースしたとすると、ユーザーの現在入力サーチが具体的かつ明確ではない。この場合、まず問い合わせ操作を行い、ダイアログボックスをポップアップし、質問という形式的セマンティック表現「アルバムＡを探したいですか？」で問い合わせ、ユーザーから応答返信値が否定的であると、続けて「アルバムＢを探したいですか？」で問い合わせる。

【0073】

上記方法３００は、方法１００及び方法２００をもろに、方法１００及び方法２００の技術的効果を実現することに加えて、ユーザーの述べた需要が具体的又は明確的ではない場合、問い合わせ、選択又は確認等によってユーザーが満足できる結果を見つける。

【0074】

図４に示すように、本願の第２態様の一実施例では、図１、図２及び図３に記載の方法に対応するマルチラウンド入力によるサーチシステム４００を提供する。システム４００は具体的には、特徴取得ユニット、マルチラウンド意図認識ユニット、候補生成ユニット及び状態ソートユニットを備える。

【0075】

特徴取得ユニットは、ユーザーが複数回入力したサーチデータを取得し、ユーザーの複数回入力したサーチデータのうち少なくとも２回入力したサーチデータの間に何らかの関連性が存在していることを示すマルチラウンド特徴を有するか否かを判断するように設置される。

【0076】

一実施例では、具体的には、前記特徴取得ユニットはリソース、需要及び事前分布によって各サーチデータに平滑化を行い、平滑化されたサーチデータのｂｉ−ｇｒａｍに基づく言語モデルを算出し、前記言語モデルによってユーザーの入力したサーチデータがマルチラウンド特徴を有するか否かを判断する。

【0077】

マルチラウンド意図認識ユニットは、ユーザーの複数回入力したサーチデータのうちの１つの現在意図を分析して算出し、前記現在意図が、ユーザーの複数回入力したサーチデータのうちの１つと他のサーチデータとの間に何らかの関連性が存在していることを示すマルチラウンド意図であるか否かを判断するように設置される。

【0078】

一実施例では、具体的には、前記マルチラウンド意図認識ユニットは構造化分析モデルと深層学習モデルに基づき、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を分析して算出し、構造化分析モデル又は深層学習モデルのうちのいずれかによって算出された上記確率が設定された閾値よりも高い場合、ユーザーの複数回入力したサーチデータのうちの１つの現在意図がマルチラウンド意図であると判断し、
ここで、前記深層学習モデルはＬＳＴＭモデルであり、ＬＳＴＭモデルを用いて分類式訓練を行い、ユーザーの複数回入力したサーチデータのうちの１つが組み合わせられたサーチデータになる確率を取得し、上記確率計算式は、次式により求まる。

ここで、φは構造化特徴集合、ｗはサーチデータにおけるＴｅｒｍの重要性、λは正負特徴重み付け、ｄｏｍａｉｎは前の対話の意図、ｘはサーチデータのうちの１つにおけるｔｅｒｍの集合である。

【0079】

候補生成ユニットは、マルチラウンド意図に基づき、ユーザーの複数回入力したサーチデータに合わせて、ユーザーの入力したサーチデータを組み合わせた後の状態を示すマルチラウンド候補状態を生成するように設置される。

【0080】

さらに、候補生成ユニットはさらに生成されたマルチラウンド候補状態にプルーニング操作を行い、複数のマルチラウンド候補状態から高品質のマルチラウンド候補状態を保留するように設置される。

【0081】

一実施例では、具体的には、前記プルーニング操作は、サーチデータのうちの１つが時間的に最も近い直前１回のサーチデータのみに関連していると、マルチラウンド候補状態は現在のサーチデータにおいて新規追加されたセマンティックのデータを含むと、マルチラウンド候補状態は現在のサーチデータに出現した参照セマンティックと該参照セマンティックに対応するデータを含むとという前提に基づいて行われる。上記前提は具体的には上記方法２００では説明されたため、ここで重複説明を省略する。

【0082】

状態ソートユニットは、マルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力するように設置される。候補生成ユニットはさらに生成されたマルチラウンド候補状態にプルーニング操作を行うように設置される場合、状態ソートユニットはさらにプルーニングを行った後に保留されたマルチラウンド候補状態をソートし、最適なマルチラウンド状態を取得して出力するように設置される。

【0083】

一実施例では、具体的には、前記状態ソートユニットは生成式モデルと判別式モデルに基づき、各マルチラウンド候補状態の発生確率を算出し、発生確率に応じてソートする。
ここで、前記判別式モデルはＧＢＤＴモデルであり、ＧＢＤＴモデルを用いて判別式訓練を行い、マルチラウンド候補状態の発生確率を取得し、
前記生成式モデルを用いて確率計算式によって、マルチラウンド候補状態の発生確率を算出し、具体的な確率計算式は、以下の通りであり、

上記式では、データ同士が相互に独立するとすると、以下の計算式を取得し、

ここで、η、θは正規化定数。ｓｌｏｔはサーチデータにおけるキー検索セグメント、例えばｓｏｎｇ＝周傑倫である。ａは実行された操作、ｏはユーザー入力に対する観測値である。ｈは履歴状態記録であり、例えば、ユーザーが音声を入力し、システムはユーザー入力が「周傑倫の歌を再生しろ」であると観測する。そして、

【0084】

具体的な関数表現は以上で説明されたため、ここで重複説明を省略する。

【0085】

好ましくは、前記特徴取得ユニットはさらに、ユーザーの入力したサーチデータが具体的かつ明確ではないと、まず問い合わせ操作を行い、ユーザーの入力した正確なサーチデータを取得するように設置される。問い合わせの操作は方法３００では説明されたため、ここで重複説明を省略する。

【0086】

上記システム４００は、連続するマルチラウンド対話においてユーザーのサーチ意図を理解でき、連続するマルチラウンドシーンにおいてユーザーの意図を理解でき、ユーザーも対話中に自分の需要を絶えず変更したり改善したりすることができる。また、ユーザーの述べた需要が具体的又は明確的ではないと、問い合わせ、選択又は確認等によってユーザーが満足できる結果を見つける。

【0087】

本願の第３態様はマルチラウンド入力によるサーチ端末機器を提供し、図５に示すように、１つ又は複数のプロセッサと、１つ又は複数のプログラムを記憶する記憶装置と、を備える。前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサにより実行されると、前記１つ又は複数のプロセッサに上記方法１００又は方法２００又は方法３００のうちのいずれかを実現させる。

【0088】

ここで、メモリとプロセッサの数量は１つ又は複数である。

【0089】

該機器は、プロセッサ及びメモリが外部機器と通信するように設置される通信インターフェースをさらに備える。メモリは高速ＲＡＭメモリを含んでもよいし、不揮発性メモリ（ｎｏｎ−ｖｏｌａｔｉｌｅ ｍｅｍｏｒｙ）、例えば、少なくとも１つの磁気ディスク記憶装置をさらに含んでもよい。

【0090】

メモリ、プロセッサ及び通信インターフェースが独立に実現されると、メモリ、プロセッサ及び通信インターフェースがバスによって相互接続と相互通信を実現できる。前記バスは業界標準アーキテクチャ（ＩＳＡ、Ｉｎｄｕｓｔｒｙ Ｓｔａｎｄａｒｄ Ａｒｃｈｉｔｅｃｔｕｒｅ）バス、ペリフェラル・コンポーネント・インターコネクト（ＰＣＩ、Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ）バス又は拡張業界標準アーキテクチャ（ＥＩＳＡ、Ｅｘｔｅｎｄｅｄ Ｉｎｄｕｓｔｒｙ Ｓｔａｎｄａｒｄ Ａｒｃｈｉｔｅｃｔｕｒｅ）バス等であってもよい。前記バスはアドレスバス、データバス、制御バス等に分けられる。図示の便宜上、図５では１本の太線のみで示されているが、１本のバス又は１種のバスを意味するとは言えない。

【0091】

好ましくは、具体的な実現では、プロセッサ、メモリ及び通信インターフェースが１つのチップに集積されると、プロセッサ、メモリ及び通信インターフェースが内部インターフェースによって相互通信を実現できる。

【0092】

本明細書の説明において、用語「一実施例」、「幾つかの実施例」、「例」、「具体例」、又は「幾つかの例」等を参照する記載は、該実施例又は例を参照して説明された具体的な特徴、構造、材料又は特性が本発明の少なくとも１つの実施例又は例に含まれることを意味する。さらに、説明された具体的な特徴、構造、材料又は特性はいずれか又は複数の実施例又は例において適宜組み合わせることができる。また、矛盾しない限り、当業者は本明細書に記載の異なる実施例又は例及び異なる実施例又は例の特徴を組み合わせることができる。

【0093】

また、また、用語「第１」、「第２」は説明目的でのみ使用されており、相対重要性を指示又は示唆したり、指示した技術的特徴の数を黙示的に指示したりするものではない。従って、「第１」、「第２」を付けて定義された特徴は少なくとも１つの該特徴を明示的又は黙示的に含むと理解できる。本発明の説明において、「複数」は、特に断らない限り、２つ又は２つ以上を意味する。

【0094】

フローチャートにおいて又はここでほかの形態で説明されたすべてのプロセス又は方法についての説明は、特定のロジック機能又はプロセスのステップを実現するための１つ又は複数の実行可能命令を含むコードのモジュール、セグメント又は部分を示すと理解でき、且つ、当業者であれば、本発明の好適な実施形態の範囲は別の実現を含み、示された又は検討された順序にもかかわらず、係る機能に応じてほぼ同時に又は反対順序で機能を実行してもよいと理解できる。

【0095】

フローチャートに示された又はここでほかの形態で説明されたロジック及び／又はステップは、例えば、ロジック機能を実現するための実行可能命令のシーケンスリストとしてみなされてもよく、具体的には、命令実行システム、装置又は機器（例えば、コンピュータに基づくシステム、プロセッサを備えたシステム、又は命令実行システム、装置又は機器から命令を読み取って命令を実行するほかのシステム）の使用に供し、又はこれらの命令実行システム、装置又は機器と組み合わせて使用するように、任意のコンピュータ可読媒体に実現される。本明細書において、「コンピュータ可読媒体」は、命令実行システム、装置又は機器の使用に供し、又はこれらの命令実行システム、装置又は機器と組み合わせて使用するように、プログラムを具備、記憶、通信、伝播又は伝送できる装置である。コンピュータ可読媒体のより具体的な例（非網羅的なリスト）は、１つ又は複数の配線を有する電気接続部（電子装置）、ポータブルコンピュータディスクボックス（磁気装置）、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラマブル読み取り専用メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、ファイバ装置、及びポータブル読み取り専用メモリ（ＣＤＲＯＭ）を含む。また、また、コンピュータ可読媒体はさらに、前記プログラムを印刷可能な紙やほかの適切な媒体であってもよく、例えば紙やほかの媒体を光走査し、続いて編集、解釈し又は必要に応じてほかの適宜な形態で処理して前記プログラムを電子的に取得し、その後、コンピュータメモリに記憶する。

【0096】

なお、本発明の各部分はハードウェア、ソフトウェア、ファームウェア又はそれらの組合せによって実現できると理解できる。上記実施形態では、複数のステップ又は方法は、メモリに記憶され且つ適切な命令実行システムにより実行されるソフトウェア又はファームウェアによって実現できる。例えば、ハードウェアで実現される場合、別の実施形態と同様に、データ信号にロジック機能を実現するための論理ゲート回路を有する離散論理回路、適切な組合せ論理ゲート回路を有する特定用途向け集積回路、プログラマブルゲートアレイ（ＰＧＡ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）等という公知技術のうちのいずれか又はそれらの組合せによって実現できる。

【0097】

当業者は、上記実施例の方法に含まれるすべて又は一部のステップを、プログラムによって関連ハードウェアに命令を出して完成させることができ、前記プログラムはコンピュータ可読記憶媒体に記憶され、該プログラムが実行される時、方法の実施例のステップのいずれか又はそれらの組合せを含むと理解できる。

【0098】

また、本発明の各実施例の各機能ユニットは１つの処理モジュールに集積されてもよいし、各ユニットは別々に物理的に存在してもよいし、２つ又は２つ以上のユニットは１つのモジュールに集積されてもよい。上記集積したモジュールはハードウェアの形態で実現されてもよいし、ソフトウェア機能モジュールの形態で実現されてもよい。前記集積したモジュールがソフトウェア機能モジュールの形態で実現されて且つ独立した製品として販売又は使用される場合、コンピュータ可読記憶媒体に記憶されてもよい。前記記憶媒体は読み出し専用メモリ、磁気ディスク又は光ディスク等であってもよい。

【0099】

以上、本発明の具体的な実施形態を説明したが、本発明の保護範囲を限定するものではなく、本発明に開示された技術的範囲を逸脱せずに当業者が容易に想到し得る種々の変更や置換はすべて、本発明の保護範囲に属する。従って、本発明の保護範囲は特許請求の範囲に定められる。

【符号の説明】

【0100】

１００ 本願の一実施例に係るマルチラウンド入力によるサーチ方法
２００ 本願の別の実施例に係るマルチラウンド入力によるサーチ方法
３００ 本願の別の実施例に係るマルチラウンド入力によるサーチ方法
４００ 本願の一実施例に係るマルチラウンド入力によるサーチシステム

【図1】

【図2】

【図3】

【図4】

【図5】