存储介质、输出方法和输出装置制造方法及图纸

一种非暂态计算机可读存储介质，其存储使至少一个计算机执行处理的输出程序，该处理包括：将输入数据转换成语义表示；以及基于语义表示中的名词与动词之间的第一关系和数据库中的名词与动词之间的第二关系之间的匹配度来输出有效性分数。来输出有效性分数。来输出有效性分数。

【技术实现步骤摘要】
存储介质、输出方法和输出装置


[0001]本文中所讨论的实施方式涉及存储介质、输出方法和输出装置。

技术介绍

[0002]近年来，神经网络(NN)的利用已经在诸如语法解析和图像识别的领域中变得流行。例如，通过利用深度学习(DL)，极大地提高了语法解析和图像识别的准确性。
[0003]大多数当前机器学习根据任务使用训练数据来进行训练。同时，当人执行语法解析和图像识别时，除了针对每个任务的训练之外，还通过利用“常识(common sense)”做出决定。因此，认为常识的利用对于机器学习是有用的。
[0004]作为现有常识利用的基本技术，存在将NN和超维计算(HDC)相结合的技术，该技术是聚焦于大脑中的信息表示的非冯诺依曼计算技术之一。这使得可以在语法解析和图像识别中从常识数据库(DB)中获得并利用常识，并且将知识表示为超维向量(HV)。
[0005]日本公开特许公报第2004
‑
054886号以及日本公开特许公报第2001
‑
331318号作为相关技术被公开。

技术实现思路

[0006][技术问题][0007]然而，在使用HV的情况下，在使用方面存在诸如难以解释常识以及难以与常识DB链接的缺点。
[0008]在一个方面，本专利技术旨在提供一种能够使得在机器学习中更容易使用常识利用技术的输出程序、输出方法和输出装置。
[0009][问题的解决方案][0010]根据实施方式的一方面，一种非暂态计算机可读存储介质，其存储使至少一个计算机执行处理的输出程序，该处理包括：将输入数据转换成语义表示；以及基于语义表示中的名词与动词之间的第一关系和数据库中的名词与动词之间的第二关系之间的匹配度来输出有效性分数(validity score)。
[0011][专利技术的有益效果][0012]在一个方面，本专利技术变得能够使得在机器学习中更容易使用常识利用技术。
附图说明
[0013]图1是用于示出根据现有技术的示例性常识推理(common sense inference)的图；
[0014]图2A和图2B是用于说明HV的图。
[0015]图3是示出根据第一实施方式的输出装置10的示例性配置的图；
[0016]图4是示出根据第一实施方式的示例性语义图和子图的图；
[0017]图5是示出根据第一实施方式的示例性场景图的图；
[0018]图6是示出根据第一实施方式的有效性分数输出处理的示例性整体配置的图；
[0019]图7是示出根据第一实施方式的有效性分数输出处理的示例的图；
[0020]图8是示出根据第一实施方式的有效性分数输出处理的另一示例的图；
[0021]图9是示出根据第一实施方式的在有效性分数低的情况下的示例性输出处理的图；
[0022]图10是示出根据第一实施方式的示例性校正候选输出处理的图；
[0023]图11是示出根据第一实施方式的示例性加权有效性分数输出处理的图；
[0024]图12是示出根据第一实施方式的有效性分数输出处理的示例性流程的流程图；以及
[0025]图13是说明示例性硬件配置的图。
具体实施方式
[0026]在下文中，将参照附图详细描述输出程序、输出方法和输出装置的实施方式。注意，实施方式不对本公开内容进行限制。此外，各个实施方式可以在没有不一致的范围内彼此适当地组合。
[0027][第一实施方式][0028]首先，将参照图1描述由信息处理设备执行的常识推理的现有技术。图1是示出根据现有技术的示例性常识推理的图。如图1所示，在根据现有技术的示例性常识推理中，信息处理设备在机器学习的学习阶段将训练数据输入至NN 11，并且提取训练数据的特征。然后，信息处理设备基于所提取的特征来生成HV，将所生成的HV与训练数据的标签相关联，并且将HV作为知识累积在HV存储器15中。HV存储器15是内容可寻址存储器(CAM)，其从HV中调用标签。
[0029]然后，在机器学习的推理阶段，信息处理设备将查询输入至NN 11，并且提取查询的特征。然后，信息处理设备基于所提取的特征来生成HV，使用HV存储器15指定从所生成的HV中调用的标签，并且输出所指定的标签作为推理结果。
[0030]图2A和图2B是用于说明HV的图。HV是要在HDC中使用的数据表示。HV以分布式方式通过具有10,000维或者更多维的超维向量表示数据。HV通过相同比特长度的向量表示各种类型的数据。
[0031]如图2A所示，在正常数据表示中，诸如a、b和c的每段数据被集合地表示。另一方面，根据超维向量，诸如a、b和c的数据以如图2B所示的分布式方式表示。在HDC中，可以通过诸如加法或乘法的简单运算来操纵数据。此外，在HDC中，可以通过加法或乘法来表示数据段之间的关系。
[0032]然而，在使用HV的情况下，在使用方面存在诸如难以解释常识以及难以与常识DB链接的缺点。鉴于上述，本实施方式旨在提供能够使得在机器学习中更容易使用常识利用技术的输出程序、输出方法和输出装置。
[0033][输出装置10的功能配置][0034]接下来，将描述作为本实施方式的执行主体的输出装置10的功能配置。图3是示出根据第一实施方式的输出装置10的示例性配置的图。如图3所示，输出装置10包括通信单元20、存储单元30以及控制单元40。
[0035]通信单元20例如是控制与另一信息处理设备的通信的处理单元，向/从该另一信息处理设备发送/接收诸如图像、文本等的输入数据以及有效性分数的确定结果的各种数据，并且通信单元20例如是诸如网络接口卡的通信接口。
[0036]存储单元30是存储各种数据以及要由控制单元40执行的程序的示例性存储装置，并且例如是存储器、硬盘等。存储单元30存储输入数据31、常识DB 32等。
[0037]出于利用常识的目的，输入数据31存储要输入至输出装置10的数据。数据可以是图像，或者可以是文本。此外，数据可以经由通信单元20从另一信息处理设备上传至输出装置10，或者可以经由任何计算机可读记录介质由输出装置10读取。
[0038]常识DB 32例如将被确定为有效的名词与动词的组合以及组合的关系类型彼此相关联地进行存储。例如，常识DB 32例如将“人”(名词)与“画”(动词)的组合以及作为该组合的关系类型的“能够”彼此相关联地进行存储。此外，作为另一示例，常识DB 32将“画”(动词)与“图”(名词)的组合以及作为该组合的关系类型的“有关”彼此相关联地进行存储。注意，名词与动词以及关系类型不限于上述示例。
[0039]注意，存储在存储单元30中的上述信息仅是示例，并且存储单元30可以存储除了上述信息之外的各种类型的信息。
[0040]控制单元40是控制整个输出装置10的处理单元，并且例如是处理器等。控制单元40包括转换单元41和输出单元42。注意，每个处理单元是包括在处理器中的示例性电子电路或者是要由处理器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非暂态计算机可读存储介质，其存储使至少一个计算机执行处理的输出程序，所述处理包括：将输入数据转换成语义表示；以及基于所述语义表示中的名词与动词之间的第一关系和数据库中的名词与动词之间的第二关系之间的匹配度来输出有效性分数。2.根据权利要求1所述的非暂态计算机可读存储介质，其中，所述输出包括：对所述第一关系与所述第二关系之间的匹配数目进行计数；以及输出所述匹配数目作为所述有效性分数。3.根据权利要求1所述的非暂态计算机可读存储介质，其中，所述处理还包括：在所述有效性分数低于特定阈值的情况下，在所述数据库中搜索与所述第一关系相似的第二关系；以及输出所述第二关系作为校正候选。4.根据权利要求1所述的非暂态计算机可读存储介...

【专利技术属性】
技术研发人员：广本正之，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：