[發(fā)明專利]基于人工智能的建議的解釋

在審

• 申請?zhí)枺?/td>: 201980031846.2
• 申請日: 2019-05-07
• 公開（公告）號: CN112189204A
• 公開（公告）日: 2021-01-05
• 發(fā)明（設(shè)計）人: M·J·希恩德;M·S·坎貝爾
• 申請（專利權(quán)）人: 國際商業(yè)機器公司
• 主分類號: G06N3/02
• 分類號: G06N3/02;G06K9/62;G06N20/00
• 代理公司: 中國貿(mào)促會專利商標事務(wù)所有限公司 11038
• 代理人: 吳信剛

1.一種系統(tǒng)，包括：

存儲器，其存儲計算機可執(zhí)行組件；

處理器，可操作地耦合到所述存儲器，其執(zhí)行存儲在所述存儲器中的計算機可執(zhí)行組件，其中，所述計算機可執(zhí)行組件包括：

訓練組件，其接收包括第一特征向量、第一類和第一解釋的第一訓練數(shù)據(jù)集，以及

組合組件，其組合所述第一類和所述第一解釋以產(chǎn)生第一增強標簽和第二訓練數(shù)據(jù)集，所述第二訓練數(shù)據(jù)集包括所述第一特征向量和所述第一增強標簽；

分類器，其在第二訓練數(shù)據(jù)集上訓練，其分析第二特征向量并生成第二增強標簽；以及

分解組件，其使用所述分類器分解所述第二增強標簽，以生成第二類和第二解釋。

2.如權(quán)利要求1所述的系統(tǒng)，其中，所述第一解釋包括以下中的一個或多個：數(shù)字、文本字符串、圖像文件、音頻文件或視頻文件。

3.如權(quán)利要求1所述的系統(tǒng)，其中所述第一解釋是至少部分地由眾包過程提供，以提高處理效率。

4.如權(quán)利要求1所述的系統(tǒng)，其中，使用多類機器學習算法來訓練所述分類器。

5.如權(quán)利要求1所述的系統(tǒng)，其中，所述多類機器學習算法包括支持向量機器學習算法、最近鄰居機器學習算法、深度學習算法、極限分類算法、遞歸學習算法、分層式學習算法或隨機森林算法。

6.如權(quán)利要求1所述的系統(tǒng)，其中，所述第二解釋的復雜度度量小于或等于與用戶相關(guān)聯(lián)的復雜度能力度量。

7.如權(quán)利要求1所述的系統(tǒng)，其中，所述第二解釋使用與與所述第一數(shù)據(jù)集相關(guān)聯(lián)的字段有關(guān)的一個或多個技術(shù)術(shù)語。

8.一種計算機實現(xiàn)的方法，包括：

使用處理器執(zhí)行存儲在存儲器中的計算機可執(zhí)行指令來執(zhí)行以下操作：

通過可操作地耦合到所述處理器的訓練組件來接收包括第一特征向量、第一類和第一解釋的第一訓練數(shù)據(jù)集，并且通過可操作地耦合到所述處理器的組合組件來組合所述第一類和所述第一解釋以產(chǎn)生第一增強標簽和包括第一特征向量和第一增強標簽的第二訓練數(shù)據(jù)集；

通過可操作地耦合到所述處理器的建議組件，使用在第二訓練數(shù)據(jù)集上訓練的分類器來分析第二特征向量并生成第二增強標簽；以及

通過可操作地耦合到所述處理器的分解組件，使用所述分類器分解所述第二增強標簽，以生成第二類和第二解釋。

9.如權(quán)利要求8所述的計算機實現(xiàn)的方法，其中，所述第一解釋包括數(shù)字、文本字符串、圖像文件、音頻文件或視頻文件中的一個或多個。

10.如權(quán)利要求8所述的計算機實現(xiàn)的方法，其中所述第一解釋至少部分地由眾包過程提供，以提高處理效率。

11.如權(quán)利要求8所述的計算機實現(xiàn)的方法，其中，所述分類器基于多類機器學習模型。

12.如權(quán)利要求8所述的計算機實現(xiàn)的方法，其中所述多類機器學習算法包括支持向量機器學習算法、最近鄰居機器學習算法、深度學習算法、極限分類算法、遞歸學習算法、分層式學習算法或隨機森林算法。

13.如權(quán)利要求8所述的計算機實現(xiàn)的方法，其中，所述第二解釋的復雜度度量小于或等于與用戶相關(guān)聯(lián)的復雜度能力度量。

14.如權(quán)利要求8所述的計算機實現(xiàn)的方法，其中，所述第二解釋使用與與所述第一數(shù)據(jù)集相關(guān)聯(lián)的字段有關(guān)的一個或多個技術(shù)術(shù)語。