Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020157473 - TRAVERSÉE DE GRAPHE SÉMANTIQUE DESTINÉE À LA RECONNAISSANCE DE CLAUSES DÉDUITES DANS DES ENTRÉES DE LANGAGE NATUREL

Numéro de publication WO/2020/157473
Date de publication 06.08.2020
N° de la demande internationale PCT/GB2020/050180
Date du dépôt international 27.01.2020
CIB
G06F 40/211 2020.1
GPHYSIQUE
06CALCUL; COMPTAGE
FTRAITEMENT ÉLECTRIQUE DE DONNÉES NUMÉRIQUES
40Manipulation de données en langage naturel
20Analyse du langage naturel
205Analyse syntaxique
211Parsage syntaxique, p.ex. basé sur une grammaire hors contexte ou sur des grammaires d’unification
G06F 40/30 2020.1
GPHYSIQUE
06CALCUL; COMPTAGE
FTRAITEMENT ÉLECTRIQUE DE DONNÉES NUMÉRIQUES
40Manipulation de données en langage naturel
30Analyse sémantique
G06F 40/35 2020.1
GPHYSIQUE
06CALCUL; COMPTAGE
FTRAITEMENT ÉLECTRIQUE DE DONNÉES NUMÉRIQUES
40Manipulation de données en langage naturel
30Analyse sémantique
35Représentation du discours ou du dialogue
CPC
G06F 40/211
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
40Handling natural language data
20Natural language analysis
205Parsing
211Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
G06F 40/253
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
40Handling natural language data
20Natural language analysis
253Grammatical analysis; Style critique
G06F 40/268
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
40Handling natural language data
20Natural language analysis
268Morphological analysis
G06F 40/289
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
40Handling natural language data
20Natural language analysis
279Recognition of textual entities
289Phrasal analysis, e.g. finite state techniques or chunking
G06F 40/30
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
40Handling natural language data
30Semantic analysis
G06F 40/35
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
40Handling natural language data
30Semantic analysis
35Discourse or dialogue representation
Déposants
  • BABYLON PARTNERS LIMITED [GB]/[GB]
Inventeurs
  • MORAMARCO, Francesco
  • HAMMERLA, Nils
  • CAVALLO, Pietro
  • SHEN, April Tuesday
  • AWOMOSU, Olufemi
  • SAVKOV, Aleksandar
  • FLANN, Jack
Mandataires
  • JEFFERIES, Matthew
Données relatives à la priorité
16/261,97030.01.2019US
16/505,39908.07.2019US
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) SEMANTIC GRAPH TRAVERSAL FOR RECOGNITION OF INFERRED CLAUSES WITHIN NATURAL LANGUAGE INPUTS
(FR) TRAVERSÉE DE GRAPHE SÉMANTIQUE DESTINÉE À LA RECONNAISSANCE DE CLAUSES DÉDUITES DANS DES ENTRÉES DE LANGAGE NATUREL
Abrégé
(EN)
Embodiments described herein provide a more flexible, effective and computationally efficient means for determining multiple intents within a natural language input. Some methods rely on specifically trained machine learning classifiers to determine multiple intents within a natural language input. These classifiers require a large amount of labelled training data in order to work effectively, and are generally only applicable to determining specific types of intents (e.g. a specifically selected set of potential inputs). In contrast, the embodiments described herein avoid the use of specifically trained classifiers by determining inferred clauses from a semantic graph of the input. This allows the methods described herein to function more efficiently and over a wider variety of potential inputs.
(FR)
Les modes de réalisation de la présente invention concernent un moyen plus souple, efficace et informatiquement efficace pour déterminer de multiples intentions dans une entrée en langage naturel. Certains procédés reposent sur des classificateurs d'apprentissage machine spécifiquement formés pour déterminer de multiples intentions dans une entrée en langage naturel. Ces classificateurs nécessitent une grande quantité de données d'apprentissage marquées afin de travailler efficacement, et sont généralement uniquement applicables à la détermination de types spécifiques d'intentions (par ex. un ensemble spécifiquement sélectionné d'entrées potentielles). En revanche, les modes de réalisation décrits en l'espèce évitent l'utilisation de classificateurs spécifiquement formés en déterminant des clauses déduites à partir d'un graphe sémantique de l'entrée. Cela permet aux procédés décrits en l'espèce de fonctionner plus efficacement et sur une plus grande variété d'entrées potentielles.
Dernières données bibliographiques dont dispose le Bureau international