-
Erfindungsgebiet
-
Das
System und das Verfahren betreffen Datenclusteringsysteme und insbesondere
das Generieren von Booleschen Abfragen auf der Basis von Clustern.
-
Allgemeiner Stand der Technik
-
Gegenwärtig
gibt es eine Vielfalt von Systemen, die Daten auf der Basis von
Suchtermen clustern können. K-Means und Bisecting-K-Means
sind Beispiele für Algorithmen, die zum Clustern von Daten
verwendet werden können. Diese Verfahren des Clustering
sind im Allgemeinen sehr verarbeitungsintensiv und sind schwierig
zu implementieren, wenn es schnelle Änderungen bei dem
zu clusternden Datensatz gibt. Diese Clusteringverfahren werden
nicht zum Generieren von Booleschen Abfragen verwendet, die einen
Datensatz schneller und mit weniger Verarbeitungsressourcen durchsuchen
können, als wenn existierende Clusteringsverfahren verwendet
werden.
-
Beispielweise
definiert das
US-Patent 5,862,519 ein
System für „blindes” Clustering. Das
System nimmt Daten und segmentiert sie zu Clustern. Dieses System
generiert keine Booleschen Abfragen auf der Basis der geclusterten
Daten und stellt die Booleschen Abfragen nicht an einen Datensatz.
-
Die
US-Patentanmeldungsveröffentlichung 2002/0087579 offenbart
ein System zum Clustern von Daten zu Klassifikationen. Das System
zeigt dann die Beziehungen zwischen Daten. Bei den Beziehungen kann es
sich um unterschiedliche Arten von Beziehungen handeln, einschließlich
Boolesche Beziehungen. Dieses System generiert jedoch keine Booleschen
Abfragen auf der Basis der geclusterten Klassifikationen. Zudem stellt
das System keine Booleschen Abfragen an die geclusterten Klassifikationen.
-
Kurze Darstellung der Erfindung
-
Das
System und das Verfahren zielen darauf ab, diese und andere Probleme
und Nachteile des Stands der Technik zu lösen. Jedes von
mehreren Trainingsdokumenten umfasst ein oder mehrere Trainingstokens.
Die mehreren Trainingsdokumente werden auf der Basis mindestens
eines Trainingstoken in den mehreren Trainingsdokumenten zu mehreren
Clustern geclustert. Jedes Cluster enthält mindestens ein
Trainingsdokument. Eine oder mehrere Boolesche Abfragen werden auf
der Basis eines Auftretens des mindestens einen Trainingstoken in
einem Trainingsdokument in den mehreren Trainingsdokumenten für
ein Cluster generiert. Das System erhält Produktionsdaten,
die mehrere Produktionsdokumente umfassen. Jedes der mehreren Produktionsdokumente
umfasst ein oder mehrere Produktionstokens. Die eine oder mehreren
Booleschen Abfragen werden dann an den Produktionsdaten ausgeführt.
-
Eine
weitere Ausführungsform des Systems erhält die
Trainingsdaten. Die Trainingsdaten werden gereinigt. Ein oder mehrere
herausragende Tokens werden aus dem einen oder den mehreren Tokens
in mindestens einem der mehreren Trainingsdokumente identifiziert.
Die mehreren Trainingsdokumente werden auf der Basis mindestens
eines Trainingstoken oder mindestens eines herausragenden Token
zu mehreren Clustern geclustert. Jedes Cluster enthält
mindestens ein Trainingsdokument. Eine Boolesche Abfrage wird auf
der Basis eines Auftretens von mindestens einem herausragenden Token
in einem Trainingsdokument in den mehreren Trainingsdokumenten für
ein Cluster generiert. Das System erhält Produktionsdaten
und führt die Boolesche Abfrage an den Produktionsdaten
aus.
-
Kurze Beschreibung der Zeichnung
-
Diese
und weitere Merkmale und Vorteile des Systems und des Verfahrens
ergeben sich bei Betrachtung der folgenden Beschreibung einer veranschaulichenden
Ausführungsform des Systems und des Verfahrens zusammen
mit der Zeichnung. Es zeigen:
-
1 ein
Blockdiagramm eines veranschaulichenden Systems zum Generieren und
Ausführen von Booleschen Abfragen,
-
2 ein
Flussdiagramm eines Verfahrens zum Generieren und Ausführen
von Booleschen Abfragen,
-
3 ein
Flussdiagramm eines weiteren Verfahrens zum Generieren und Ausführen
von Booleschen Abfragen,
-
4 ein
Flussdiagramm eines Verfahrens zum Gewichten und Ranken von einem
oder mehreren Tokens/herausragenden Tokens in einem Cluster,
-
5 ein
Diagramm, das eine Menge von Clustern und die Verteilung von Trainings-
bzw. herausragenden Tokens unter ihnen darstellt,
-
6 eine
Tabelle, die den Prozentsatz von Trainingsdokumenten darstellt,
die in jedem Cluster ein Trainingstoken bzw. ein herausragendes
Token enthalten,
-
7 eine
Tabelle, die die berechnete Token/Cluster-Gewichtsmatrix für
jedes Cluster darstellt,
-
8 eine
Tabelle, die das Ranking von Tokens für jedes Cluster darstellt,
-
9 ein
Flussdiagramm eines Verfahrens zum Generieren von Booleschen Abfragen
unter Verwendung eines DNF-Algorithmus (Disjunktive Normalform),
-
10 ein
Flussdiagramm eines Verfahrens zum Generieren von Booleschen Abfragen
unter Verwendung eines OR-BUT-NOT-Algorithmus,
-
11 ein
Flussdiagramm eines Verfahrens zum Analysieren der Abfrage auf der
Basis von neuen Trainingsdaten, neuen Produktionsdaten, einer Anfrage
zum Modifizieren einer Abfrage und/oder einer Anfrage zum Ändern
der Anzahl von Clustern,
-
Ausführliche Beschreibung
-
1 ist
ein Blockdiagramm eines veranschaulichenden Systems 100 zum
Generieren und Ausführen von Booleschen Abfragen. Das System 100 umfasst
ein Abfragemanagementsystem 101 und eine oder mehrere Datenquellen 105.
Das Anfragemanagementsystem 101 umfasst weiterhin einen
Datenmanager 102, einen Clusteringmanager 103 und
einen Anfragenmanager 104.
-
Bei
der einen oder den mehreren Datenquellen 105 kann es sich
um ein beliebiges System handeln, das Daten generieren und/oder
empfangen kann. Die Datenquelle 105 kann ein Call Center,
ein E-Mail-System, ein soziales Netzwerk, eine Website, ein Video-Server,
eine Datenbank und dergleichen sein. Das Abfragemanagementsystem 101 kann
eine beliebige Art von System sein, das Daten verarbeiten kann,
wie etwa ein Server, ein PC, eine Nebenstellenanlage (NStAnl) und
dergleichen. Gleichermaßen kann es sich bei dem Datenmanager 102,
dem Clusteringmanager 103 und dem Abfragenmanager 104 um
eine beliebige Art von Systemen handeln, die Daten verarbeiten können.
-
Die
Daten in der oder den Datenquellen 105 können
Trainingsdaten und/oder Produktionsdaten enthalten. Die Trainingsdaten
und/oder die Produktionsdaten können von mehreren Datenquellen 105 kommen. Sowohl
die Trainingsdaten als auch die Produktionsdaten enthalten mehrere
Dokumente. Jedes Dokument der mehreren Dokumente sowohl in den Trainingsdaten
als auch den Produktionsdaten enthält einen oder mehrere
Tokens. Bei den mehreren Dokumenten sowohl in den Trainingsdaten
als auch den Produktionsdaten kann es sich um eine beliebige Art
von Dokumenten und/oder Informationen handeln, die verglichen werden
können, wie etwa E-Mails, geschriebene Dokumente, Benutzereingabe
von einem sozialen Netzwerk, Videodateien, Audiodateien, Textniederschriften
von Audiodateien und dergleichen. Bei einem Dokument könnte
es sich um eine individuelle E-Mail, eine Gruppe von E-Mails, eine
Niederschrift eines individuellen Anrufs, eine Niederschrift einer
Gruppe von Anrufen, einen Eintrag in ein soziales Netzwerk, mehrere
Einträge in ein soziales Netzwerk und dergleichen handeln.
-
Jedes
Dokument von beiden Mehrheiten von Trainings- und Produktionsdokumenten
enthält ein oder mehrere Tokens. Bei einem Token kann es
sich um eine beliebige Art von Element handeln, das verglichen werden
kann, wie etwa ein Textstring, ein Unigramm, ein Bigramm, ein Trigramm,
identifizierte Videoelemente, identifizierte Audioelemente, aus
einer Audiodatei generierte Textstrings und der gleichen. Beispielsweise kann
ein Token ein Videoelement, ein identifiziertes Videoelement oder
ein beliebiges Videoobjekt sein, das identifiziert und verglichen
werden kann, wie etwa ein Wagen, ein Berg, eine Person und dergleichen.
Gleichermaßen kann es sich bei einem Audioelement um Wörter
von einer Audiodatei, einem Sound und dergleichen handeln.
-
Der
Datenmanager 102 erhält Trainingsdaten von der
oder den Datenquellen 105. Der Datenmanager 102 kann
die Trainingsdaten von einer einzelnen oder mehreren Datenquellen 105 erhalten.
Die Trainingsdaten enthalten mehrere Trainingsdokumente. Jedes der
mehreren Trainingsdokumente enthält mindestens ein Trainingstoken.
Der Clusteringmanager 103 clustert die mehreren Trainingsdokumente
zu mehreren Clustern. Das Clustering kann auf einem oder mehreren
Trainingstokens in den mehreren Trainingsdokumenten basieren. Beispielsweise
zählen zu Algorithmen, die Dokumente auf der Basis von
einem oder mehreren Tokens clustern, ein K-Means, ein Bisecting-K-Means,
ein agglomerativer oder ein divisive-hierarchical-clustering-Algorithmus.
Ein Cluster enthält mindestens ein Trainingsdokument. Ein
Trainingsdokument kann sich in mehr als einem Cluster befinden.
-
Der
Abfragenmanager 104 generiert eine oder mehrere Boolesche
Abfragen für ein Cluster in den mehreren Clustern auf der
Basis eines Auftretens des mindestens einen Trainingstoken in einem
oder mehreren geclusterten Trainingsdokumenten in dem Cluster. Die
eine oder die mehreren Booleschen Abfragen werden für ein
Cluster auf der Basis des Auftretens oder der Abwesenheit des Token
in den mehreren Trainingsdokumenten generiert. Die Boolesche Abfragen
können auf vielerlei Weise generiert werden, wie etwa ein DNF-Algorithmus
(Disjunctive Normal Form) (siehe 9), ein
OR-BUT-NOT-Algorithmus (siehe 10) und dergleichen.
-
Der
Datenmanager 102 erhält Produktionsdaten von der
oder den Datenquellen 105. Der Datenmanager 102 kann
die Produktionsdaten von der gleichen Datenquelle 105 wie
die Trainingsdaten oder von einer anderen Datenquelle 105 erhalten.
Die Produktionsdaten können einige oder alle der Trainingsdaten
enthalten. Der Datenmanager 102 kann die Produktionsdaten
jederzeit erhalten, auch vor dem Erhalten der Trainingsdaten. Die
Produktionsdaten enthalten mehrere Produktionsdokumente. Jedes der
mehreren Produktionsdokumente enthält mindestens ein Produktionstoken.
Der Abfragenmanager führt dann die eine oder die mehreren
Booleschen Abfragen an den mehreren Produktionsdokumenten in den
Produktionsdaten aus.
-
Boolesche
Abfragen werden an Produktionstoken in den Produktionsdaten ausgeführt,
indem bestimmt wird, ob das oder die Tokens in der Booleschen Abfrage
sich in den Produktionsdokumenten befinden oder nicht. Falls beispielsweise
die generierte Boolesche Abfrage für Cluster 1 Token 1
(das Wort „Kauf”) und Token 2 (das Wort „Gerät”)
ist, werden die Ergebnisse der Boolesche Abfrage (Kauf AND Gerät)
nur Produktionsdokumente zurückgeben, die die Produktionstokens
(Wörter) Kauf und Gerät enthalten. Falls gleichermaßen
die Abfrage Token 1 und NOT Token 2 ist, werden Ergebnisse der Booleschen
Abfrage Produktionsdokumente zurückgeben, die das Produktionstoken
Kauf enthalten und nicht das Produktionstoken Gerät enthalten. Die
Produktionsdokumente, die bei diesem Beispiel von den Booleschen
Abfragen zurückgegeben werden, sind diejenigen, die für
Cluster 1 am relevantesten sind. Der Grund dafür ist, dass
die Abfragen aus dem oder den Trainingstoken in Cluster 1 generiert
werden.
-
2 ist
ein Flussdiagramm eines Verfahrens zum Generieren und Ausführen
von Booleschen Abfragen. Veranschaulichend sind das Abfragemanagementsystem 101,
der Datenmanager 102, der Clusteringmanager 103 und
der Abfragenmanager 104 eine speicherprogrammgesteuerte
Entität wie etwa ein Computer, der die Verfahren von 2–4 und 9–11 ausführt,
indem er ein in einem Speichermedium wie etwa einem Speicher oder
einer Platte gespeichertes Programm ausführt.
-
Der
Prozess beginnt mit dem Holen 200 von Trainingsdaten. Die
Trainingsdaten enthalten mehrere Trainingsdokumente. Jedes der mehreren
Trainingsdokumente enthält mindestens ein Trainingstoken.
Die mehreren Trainingsdokumente sind zu mehreren Clustern geclustert 201.
Das Clustering basiert auf mindestens einem Trainingstoken in den
mehreren Trainingsdokumenten. Jedes Cluster enthält mindestens
ein Trainingsdokument. Die eine oder mehreren Booleschen Abfragen
werden für ein Cluster in den mehreren Clustern auf der
Basis eines Auftretens eines Trainingstoken in den mehreren Trainingsdokumenten
generiert 202. Der Prozess holt 203 Produktionsdaten.
Die Produktionsdaten enthalten mehrere Produktionsdokumente. Jedes
der mehreren Produktionsdokumente enthält mindestens ein
Produktionstoken. Die eine oder mehreren Booleschen Abfragen werden
an den Produktionsdokumenten in den Produktionsdaten ausgeführt 204.
-
3 ist
ein Flussdiagramm eines alternativen Verfahrens zum Generieren und
Ausführen von Booleschen Abfragen. Der Prozess beginnt
mit dem Holen 300 von Trainingsdaten. Die Trainingsdaten
enthalten mehrere Trainingsdokumente. Jedes der mehreren Trainingsdokumente
enthält mindestens ein Trainingstoken. Die mehreren Trainingsdokumente
in den Trainingsdaten werden gereinigt 301. Ein Beispiel
für das Reinigen 301 der mehreren Trainingsdokumente
in den Trainingsdaten kann das Herausnehmen von Wörtern (Trainingstoken(s))
sein, die in normaler Sprache/normalem Text sehr häufig
auftreten. Dies sind Wörter, die keine Nutzinformationen über
den Inhalt des Textes führen. Wörter wie etwa ”ein”, ”der”, ”einer” und ”von” sind Typen
von häufigen Wörtern, die aus den Trainingsdaten
gereinigt werden können. Zu weiteren Beispielen für das
Reinigen 301 der Trainingsdaten zählt das Löschen
von Trainingstokens wie etwa „äh” aus
einer Niederschrift von Sprachkonversationen für Anrufe
in einem Call Center.
-
Der
Prozess identifiziert 302 einen oder mehrere herausragende
Tokens unter den Trainingstokens in den mehreren Trainingsdokumenten.
Ein herausragendes Token ist ein Token, das für die mehreren
zu analysierenden Trainingsdokumente relevant ist. Ein herausragendes
Token ist ein Token, das in Dokumenten in den mehreren Trainingsdokumenten
in Relation zu Dokumenten in anderen Dokumentensammlungen mehr oder
weniger häufig auftritt. Das Identifizieren 302 von
herausragenden Tokens kann bewerkstelligt werden, indem Häufigkeiten
von individuellen Wörtern (Unigrammen), Sequenzen von Wörtern
(z. B. Bigramme, Trigramme), Teile von Wörtern, gesprochene
Wörter, Videoobjekte und dergleichen in den mehreren Trainingsdokumenten
mit einem Generic-Domain-Corpus verglichen werden. Ein Generic-Domain-Corpus
ist eine Basislinie dafür, wie häufig Wörter/Phrasen/Objekte
in einer gesprochenen/geschriebenen Sprache und/oder einem Video
verwendet werden. Beispielsweise definiert "Word
Frequencies in Written and Spoken English" (Andrew Wilson,
Geoffery Leech, Paul Rayson, ISBN 0582-32007-0, Prentice Hall, 2001),
das durch Bezugnahme hier aufgenommen ist, einen beispielhaften
Generic-Domgin-Corpus. Herausragende Wörter (d. h. Wörter,
die für unseren Corpus charakteristisch sind), können
auf der Basis von bekannten Algorithmen wie etwa einem Häufigkeitsquotienten
RFR (Relative Frequency Ratio) identifiziert werden. Als Beispiel
offenbart ”Fred J. Damerau. Generating and evaluating
domain-oriented multi-word terms from texts. Information Processing
and Management 29(4): 433–447, 1993.” den
Einsatz von RFR.
-
Die
mehreren Trainingsdokumente werden auf der Basis von mindestens
einem Trainingstoken in den mehreren Trainingstokens und/oder mindestens
einem herausragenden Token geclustert 303. Eine oder mehrere
Boolesche Abfragen werden für ein Cluster auf der Basis
des Auftretens des oder der herausragenden Tokens in einem Trainingsdokument
in den mehreren Trainingsdokumenten generiert 304. Der
Prozess holt 305 Produktionsdaten. Die Produktionsdaten
enthalten mehrere Produktionsdokumente. Jedes der mehreren Produktionsdokumente
enthält mindestens ein Produktionstoken. Die eine oder
mehreren Booleschen Abfragen werden an den mehreren Produktionsdokumenten
in den Produktionsdaten ausgeführt 306.
-
4 ist
ein Flussdiagramm eines Verfahrens zum Gewichten und Ranken von
einem oder mehreren Trainingstokens/herausragenden Tokens in einem
Cluster. 4 ist ein Flussdiagramm von
Schritten, die zwischen Schritt 201 und Schritt 202 in 2 oder
zwischen Schritt 303 und Schritt 304 in 3 erfolgen.
Nach dem Clustern 201 oder 303 der mehreren Trainingsdokumente
in mehrere Cluster auf der Basis des/der Trainingstoken(s)/herausragenden
Tokens berechnet 400 der Prozess eine Token-/Cluster-Gewichtsmatrix
für die Trainingstokens/herausragenden Tokens (siehe 7 für
eine beispielhafte Token-/Cluster-Gewichtsmatrix). Das/die Trainingstokens/herausragenden
Tokens werden für jedes Cluster gerankt 401 (siehe 8 wegen eines
Beispiels für gerankte Tokens für jedes Cluster).
Eine Liste der obersten N Tokens/herausragenden Tokens wird ausgewählt 402.
N ist eine positive ganze Zahl. N wird üblicherweise auf
der Basis der Größe und Anzahl von Trainingsdokumenten
bestimmt. Der Prozess geht dann zu Schritt 202 oder Schritt 304.
-
5 ist
ein Diagramm, das eine Menge von Clustern 500–502 und
die Verteilung von Trainings- bzw. herausragenden Tokens unter ihnen
darstellt. 5 ist ein veranschaulichendes
Beispiel von Clustern 500–502, die in
den Schritten 201 und 303 generiert werden. 5 enthält
drei Cluster: Cluster eins 500, Cluster zwei 501 und Cluster
drei 502. Trainingsdokumente werden unter Verwendung bekannter
Clusteringalgorithmen in Clustern platziert. Bei diesem Beispiel
besitzt Cluster eins 500 Trainingsdokumente, die mindestens eines
der Trainingstokens/herausragenden Tokens T1 bis T4 enthalten. Cluster
zwei 501 hat Trainingsdokumente, die Trainingstokens/herausragende
Tokens T3 oder T4 enthalten. Cluster drei 502 hat Trainingsdokumente,
die Trainingstokens/herausragende Tokens T4 oder T5 enthalten. Trainingstokens/herausragende
Tokens T1–T5 können Trainingstokens sein oder
es können herausragende Tokens sein, je nach dem eingesetzten
Verfahren.
-
6 ist
eine Tabelle 600, die den Prozentsatz von Trainingsdokumenten
darstellt, die ein Trainingstoken/herausragendes Token in jedem
Cluster 500–502 enthalten. 6 ist
eine Tabellendarstellung der in 5 gezeigten
Cluster 500–502. Jede Spalte stellt ein
Cluster 500–502 dar. Jede Reihe stellt
ein Trainingstoken/herausragendes Token dar. Die Prozentsatzzahl
stellt den Prozentsatz von Trainingsdokumenten in dem Cluster 500–502 dar,
die das Trainingstoken/das herausragende Token enthalten.
-
Bei
diesem Beispiel befindet sich Token 1 (T1) in 50% der Trainingsdokumente
in Cluster eins 500. T1 befindet sich in keinem der Trainingsdokumente
in Cluster zwei 501 oder Cluster drei 502. Token
2 (T2) befindet sich in 30% der Trainingsdokumente in Cluster eins 500.
T2 befindet sich in keinem der Trainingsdokumente in Cluster zwei 501 oder
Cluster drei 502. Token 3 (T3) befindet sich in 20% der
Trainingsdokumente in Cluster eins 500. T3 befindet sich
in 50% der Trainingsdokumente in Cluster zwei 501. T3 befindet
sich in keinem der Trainingsdokumente in Cluster drei 502.
Token 4 (T4) befindet sich in 10% der Trainingsdokumente in Cluster
eins 500. T4 befindet sich in 15% der Trainingsdokumente
in Cluster zwei 501. T4 befindet sich in 30% der Trainingsdokumente
in Cluster drei 502. Token 5 (T5) befindet sich in keinem
der Trainingsdokumente in Cluster eins 500 oder Cluster
zwei 501. T5 befindet sich in 10% der Trainingsdokumente
in Cluster drei 502.
-
7 ist
eine Tabelle, die die berechnete
400 Token/Cluster-Gewichtsmatrix
für jedes Cluster
500–
502 darstellt.
Die folgende Gleichung (Gleichung 1) wird zum Berechnen
400 der
Token/Cluster-Gewichtsmatrix für jedes Cluster unter Verwendung
der Daten von Tabelle
600 verwendet.
Gleichung
1
-
Das
Gewicht (t, Cj) ist das Gewicht des Token
t für das Cluster j. DF (t, Cj)
ist die Zahl von Dokumenten in Cluster j, die Token t enthalten.
NCj, ist die Gesamtzahl von Dokumenten in
Cluster j. M (m) ist die Anzahl von Clustern. Gleichung 1 gewichtet
ein Token in einem Cluster durch Berücksichtigung der deskriptiven
und der diskriminativen Leistung des Token für dieses Cluster.
Intuitiv wird ein Token höher gewichtet, wenn es in vielen
Dokumenten in dem Cluster erscheint, aber nur in einigen wenigen
Dokumenten in den anderen Clustern.
-
Unter
Einsatz von Gleichung 1 würde das Gewicht von T1 für
Cluster eins 500 berechnet 400 werden als: 0,5/(1
+ 0 + 0) oder 0,5. Das Gewicht von T1 für Cluster eins 500 berechnet 400 werden
als: 0,3/(1 + 0 + 0) oder 0,3. Das Gewicht von T3 für Cluster
eins 500 würde berechnet 400 werden als:
0,2/(1 + 0,5 + 0), oder 0,133. Das Gewicht von T4 für Cluster
eins 500 würde berechnet 400 werden als:
0,1/(1 + 0,15 + 0,3), oder 0,069. Das Gewicht für T5 ist
0. Gleichermaßen werden die Werte für Cluster
zwei 501 und Cluster drei 502 unter Einsatz von
Gleichung 1 berechnet 400 und sind in Tabelle 700 gezeigt.
-
8 ist
eine Tabelle 800, die das Ranking 401 von Tokens/herausragenden
Tokens für jedes Cluster 500–502 darstellt.
Folgende Gleichung (Gleichung 2) wird für das Ranken 401 des
oder der Trainingstokens/herausragenden Tokens für jedes
Cluster 500–502 verwendet. Max t[Min i=1,i≠j(Gewicht(t, Cj) – Gewicht
(t, Ci))] Gleichung
2
-
T
(t) ist das beste Token für Cluster j-> max. Gewichtsdifferenz mit dem Cluster
mit dem höchsten Gewicht. Für jedes Cluster werden
nur die N obersten Tokens mit einem positiven Endgewicht (unter
Einsatz von Gleichung 2) gewählt. Unter Einsatz von Gleichung
2 wird das Ranking
401 des/der Tokens/herausragenden Tokens
wie folgt hergeleitet:
| T1 | C1
= min {(0,5 – 0), (0,5 – 0)} = 0,5 |
| | C2
= min {(0 – 0,5), (0 – 0)} = –0,5 |
| | C3
= min {(0 – 0), (0 – 0,5)} = –0,5 |
| | |
| T2 | C1
= min {(0,3 – 0), (0,3 – 0)} = 0,3 |
| | C2
= min {(0 – 0,3), (0 – 0)} = –0,3 |
| | C3
= min {(0 – 0), (0 – 0,3)} = –0,3 |
| | |
| T3 | C1
= min {(0,133 – 0,417), (0,133 – 0)} = –0,284 |
| | C2
= min {(0,417 – 0,133), (0,417 – 0)} = 0,284 |
| | C3
= min {(0 – 0,133), (0 – 0,417)}) = –0,417 |
-
Gleichermaßen
wird das Ranking 401 von T4–T5 unter Einsatz von
Gleichung 2 bewerkstelligt. Die Ergebnisse des Ranking 401 von
T1–T5 in den Clustern 500–502 sind
in Tabelle 800 gezeigt. Das Ranking 401 ist von
der höchsten Zahl zu der niedrigsten Zahl organisiert.
Eine Liste der N obersten Trainingstokens/herausragenden Tokens
wird für jedes Cluster 500–502 ausgewählt 402.
N ist eine positive ganze Zahl.
-
9 ist
ein Flussdiagramm eines Verfahrens zum Generieren (202 oder 304)
von Booleschen Abfragen unter Verwendung eines DNF-Algorithmus (Disjunktive
Normalform). 9 ist ein Flussdiagramm entweder
von Schritt 202 in 2 oder Schritt 304 in
Schritt 3. Der in 9 beschriebene
Prozess kann für jedes Cluster 500–502 verwendet
werden. Der Prozess beginnt durch die Initialisierung 900.
Die Initialisierung 900 kann unter anderem das Einstellen
der Abfrage auf eine leere Abfrage und das Holen der N obersten
Trainingstokens/herausragenden Tokens (siehe Tabelle 800)
für das Cluster 500–502 beinhalten,
für das die Boolesche Abfrage generiert wird (202 oder 304).
Die N obersten Trainingstokens/herausragenden Tokens für
jedes Cluster und ihr Negativum (das NOT des Trainingstoken/herausragenden
Token) werden in eine Liste eingegeben. Die Klausel wird auf eine
leere Klausel gesetzt 901. Die Klausel ist ein Halter für
das Errichten eine Gruppe von Tokens, die miteinander AND-verknüpft
werden. Das nächstbeste Trainingstoken/herausragende Token
für die Klausel wird aus der Liste der N obersten Trainingstokens/herausragenden
Tokens für das Cluster ausgewählt 902.
-
Das
nächstbeste Trainingstoken/herausragende Token wird ausgewählt 902.
Für jedes Token in der Liste der N obersten Trainingstokens/herausragenden
Tokens ist das nächstbeste Trainingstoken/herausragende
Token dasjenige, das die Differenz der wahren Abdeckung und der
falschen Abdeckung bei OR-Verknüpfung mit der aktuellen
Abfrage maximiert. Die wahre Abdeckung ist die Anzahl von wiedergewonnenen korrekten
Dokumenten. Die falsche Abdeckung ist die Anzahl von wiedergewonnenen
inkorrekten Dokumenten. Das nächstbeste Trainingstoken/herausragende
Token wird ausgewählt durch Subtrahieren der falschen Abdeckung
(Abfrage mit dem Token OR-verknüpft) von der wahren Abdeckung
(Abfrage mit dem Token OR-verknüpft).
-
Falls
in Schritt 903 die Wiederaufrufsverbesserung der OR-Verknüpfung
des Trainingstoken/herausragenden Token nicht größer
ist als die Minimalverbesserung, geht der Prozess zu Schritt 911.
Ein Wiederaufruf ist der Anteil von korrekten Dokumenten, die wiedergewonnen
werden. Eine Wiederaufrufsverbesserung ist der Wiederaufruf der
Abfrage, OR-verknüpft mit dem Trainingstoken/herausragenden
Token, minus dem Wiederaufruf der Abfrage. Die Minimalverbesserung
ist ein Schwellwert der Verbesserung. Falls in Schritt 903 die
Wiederaufrufsverbesserung der OR-Verknüpfung des Trainingstoken/herausragenden
Token größer ist als die Minimalverbesserung,
wird die Klausel auf das Trainingstoken/herausragende Token gesetzt 904 und
die Variable clause tokens wird auf eins gesetzt. Die Variable clause
tokens ist die Anzahl von Trainingstokens/herausragenden Tokens,
die sich gegenwärtig in der Klausel befinden.
-
Der
Prozess wählt 905 das nächstbeste Trainingstoken/herausragende
Token, wie in Schritt 902 beschrieben. Das nächstbeste
Trainingstoken/herausragende Token ist dasjenige, das die Differenz
der wahren Abdeckung und der falschen Abdeckung bei AND-Verknüpfung
mit der aktuellen Klausel maximiert. Dies ist die wahre Abdeckung
(Abfrage OR (Klausel AND Token)) minus falsche Abdeckung (Abfrage
OR (Klausel UND Token)). Der Prozess bestimmt 906, ob eine
Präzisionsverbesserung des AND-Verknüpfens des
Trainingstoken/herausragenden Token größer ist
als eine Wiederaufrufsabnahme. Die Wiederaufrufsabnahme und die
Präzisionsverbesserung können auf unterschiedliche
Weise berechnet werden. Beispielsweise kann die Wiederaufrufsabnahme
die Anzahl an wahren Dokumenten sein, die verpasst werden durch
Aufnehmen des Trainingstoken/herausragenden Token in die Boolesche
Gleichung. Die Präzisionsverbesserung kann die Anzahl an
falschen Dokumenten sein, die eliminiert werden durch die Boolesche
Abfrage durch Aufnehmen des Trainingstoken/herausragenden Token
(oder NOT-Token) in die Boolesche Abfrage. Ein wahres Dokument ist
ein Dokument, das sich in dem Cluster befindet (das Dokument könnte
sich in anderen Clustern befinden). Ein falsches Dokument ist ein
Dokument, das sich nicht in dem Cluster befindet. Bei der Wiederaufrufsverbesserung
handelt es sich um das oder die wahren Dokumente, die relativ zu
den wahren Dokumenten hinzugefügt werden, die durch die
Trainingstokens/herausragenden Tokens hinzugefügt werden,
die sich bereits in der Booleschen Abfrage befinden.
-
Als
ein zweiter beispielhafter Prozess kann die Wiederaufrufsabnahme
unter Verwendung des folgenden Prozesses berechnet werden. Die Wiederaufrufsabnahme
ist der Wiederaufruf (Abfrage OR Klausel) minus Wiederaufruf (Abfrage
OR (Klausel AND Token)). Die Präzisionsverbesserung ist
die Präzision (Abfrage OR (Klausel AND Token)) minus Präzision
(Abfrage OR Klausel). Falls in Schritt 906 die Präzisionsverbesserung
der AND-Verknüpfung des Trainingstoken/herausragenden Token
nicht größer ist als die Wiederaufrufsabnahme,
geht der Prozess zu Schritt 910.
-
Falls
in Schritt 906 die Präzisionsverbesserung der
AND-Verknüpfung des Trainingstoken/herausragenden Token
größer ist als die Wiederaufrufsabnahme, setzt 907 der
Prozess die Klausel gleich der mit dem Trainingstoken/herausragende
Token AND-verknüpften Klausel. Der Prozess inkrementiert 908 die
Variable clause tokens.
-
Der
Prozess bestimmt 909, ob die Variable clause tokens kleiner
ist als die Variable max clause tokens. Die Variable max clause
tokens ist eine vordefinierte Zahl, die bezüglich der Anzahl
von Trainingstokens/herausragenden Tokens, die sich in einer Klausel
befinden, eine Grenze setzt. Falls in Schritt 909 die Variable clause
tokens kleiner ist als max clause tokens, geht der Prozess zu Schritt 905,
um das nächstbeste Trainingstoken/herausragende Token auszuwählen.
Falls ansonsten in Schritt 909 die Variable clause tokens
nicht kleiner ist als die Variable max clause tokens, wird die Abfrage
gleich der mit der Klausel OR-verknüpften Abfrage gesetzt.
Die Variable num clauses wird inkrementiert 911. Der Prozess
bestimmt 912, ob die Variable num clauses kleiner ist als
die Variable max clauses. Max clauses ist eine Grenze bezüglich
der Anzahl von Klauseln, die in der Booleschen Abfrage gestattet
sind. Falls die Variable num clauses kleiner ist als max clauses,
geht der Prozess zu Schritt 901, sodass eine neue Klausel
generiert werden kann. Falls ansonsten in Schritt 912 die
Variable num clauses nicht kleiner ist als die Variable max clauses,
geht der Prozess zu Schritt 203 oder 305.
-
Als
ein Beispiel für das Verwenden des Verfahrens von
9 wird
angenommen, dass die fünf gerankten Trainingstokens/herausragenden
Tokens für Cluster eins
500 aus Tabelle
800 die
Anzahl (N) von gerankten Trainingstokens/herausragenden Tokens sind.
Es werden die folgenden Werte angenommen: Minimalverbesserung =
10%, max clause tokens = 2 und max clauses = 2. Wie oben erörtert
kann die Liste der N Trainingstokens/herausragenden Tokens (und
Token NOT) bestimmt werden durch Subtrahieren der falschen Abdeckung (negative
Trainingsdokumente) von der Präzisionsverbesserung (positive
Trainingsdokumente). Unter Verwendung von
6 würden
sich für Cluster eins
500 die folgenden Berechnungen
ergeben.
| Token Berechnung | Rang |
| T1 | 50% – 0%
= 50% | 2 |
| NOT
T1 | 50% – 100%
= –50% | 10 |
| T2 | 30% – 0%
= 30% | 3 |
| NOT
T2 | 70% – 100%
= –30% | 7–9 |
| T3 | 20% – 50%
= –30% | 7–9 |
| NOT
T3 | 80% – 100%
= –20% | 6 |
| T4 | 10% – 30%–45%
= –20% bis –35% | 7–9 |
| NOT
T4 | 90% – 85%–100%
= 5% bis –10% | 4 |
| T5 | 0% – 10%
= –10% | 5 |
| NOT
T5 | 100% – 10%
= 90% | 1 |
-
Die
obigen Berechnungen basieren auf Prozentsätzen von Dokumenten.
Es können jedoch andere Verfahren verwendet werden. Beispielsweise
können Berechnungen auf der Basis der Anzahl von Dokumenten
verwendet werden. T1 wird auf der Basis der wahren Abdeckung (50%
positiver Dokumente hinzugefügt) minus der falschen Abdeckung
(0% negativer Dokumente hinzugefügt) berechnet oder ist
0.5. NOT T1 wird auf der Basis einer wahren Abdeckung von 50% (NOT
T1 fügt 50% der Trainingsdokumente hinzu) minus der falschen
Abdeckung von 100% (NOT T1 fügt 100% der Trainingsdokumente
sowohl in C2 als auch C3 hinzu) berechnet oder ist –0,5.
Die gleichen Berechnungen werden für T2 verwendet. T3 wird
auf der Basis der wahren Abdeckung von 20% minus der falschen Abdeckung
von 50% berechnet. NOT T3 wird auf der Basis der wahren Abdeckung
von 80% minus der falschen Abdeckung von 100% berechnet (d. h. 100%
der Trainingsdokumente in Cluster drei 502). Gleichermaßen
werden die Werte für T4–T5 unter Verwendung des
gleichen Verfahrens berechnet. Man beachte, dass die für
T4 und NOT T4 berechneten Werte einen Bereich von Werten aufweisen,
weil es eine Überlappung von C2 zu C3 geben kann (d. h.,
das gleiche Trainingsdokument kann sich in beiden Clustern befinden).
-
Nach
dem Initialisieren 900 und Einstellen 901 der
Klausel auf eine leere Klausel wählt 902 der Prozess
das höchstrangige Trainingstoken/herausragende Token NOT
T5. Der Prozess bestimmt 903, dass die Wiederaufrufsverbesserung
für NOT T5 (100%) größer ist als die
Minimalverbesserung (10%). Die Klausel wird auf NOT T5 gesetzt 904 und
clause tokens wird auf eins gesetzt. Das nächstbeste Trainingstoken/herausragende
Token (T1) wird ausgewählt 905. Der Prozess bestimmt 906,
dass die Präzisionsverbesserung für T1 (100%)
größer ist als die Wiederaufrufsabnahme für
T1 (50%). Die Klausel (NOT T5) wird auf den gegenwärtigen
Klauselwert (NOT T5) gesetzt, mit dem gegenwärtigen Token
T1 AND-verknüpft, wodurch ein Klauselwert von (NOT T5 AND
T1) erzeugt wird. Die clause tokens wird auf zwei inkrementiert 908.
Der Prozess bestimmt 909, dass clause tokens (2) nicht
kleiner ist als max clause tokens (2). Die Abfrage (NOT T5 AND T1) wird
gleich der Abfrage, mit der Klausel ((NOT T5 AND T1) OR) OR-verknüpft,
gesetzt 910. Num clause wird auf eins inkrementiert 911.
Der Prozess bestimmt 912, dass num clauses (1) kleiner
ist als max clauses (2).
-
Der
Prozess setzt 901 die Klausel auf eine leere Klausel. Der
Prozess wählt 902 das nächstbeste Trainingstoken/herausragende
Token T2. Der Prozess bestimmt 903, dass die Wiederaufrufsverbesserung
für T2 (30%) größer ist als die Minimalverbesserung
(10%) für T2. Die Klausel wird auf T2 gesetzt 904 und
clause tokens wird auf eins gesetzt. Das nächstbeste Trainingstoken/herausragende
Token (NOT T4) wird ausgewählt 905. Der Prozess
bestimmt, dass die Präzisionsverbesserung für
NOT T4 50% (unter der Annahme, dass 50% der wiederhergestellten
Dokumente wahr sind)) größer ist als die Wiederaufrufsabnahme
für NOT T4 (10%). Die Klausel wird auf clause (T2) gesetzt 907,
AND-verknüpft mit dem Trainingstoken/herausragenden Token NOT
T4 (T2 AND NOT T4). Die clause tokens wird auf zwei inkrementiert 908.
Der Prozess bestimmt 909, dass clause tokens (2) nicht
kleiner ist als max clause tokens (2). Die Abfrage wird gleich der
Abfrage (NOT T5 AND T1) gesetzt 910, mit der Klausel (T2
AND NOT T4), oder ((NOT T5 AND T1) OR (T2 AND NOT T4)) OR-verknüpft.
Num clauses wird auf zwei inkrementiert 911. Der Prozess
bestimmt 912, dass num clauses (2) nicht kleiner ist als
max clauses (2). Der Prozess geht zu Schritt 203 oder 305.
Die generierte Boolesche Abfrage ist ((NOT T5 AND T1) OR (T2 AND
NOT T4)).
-
Das
obige Beispiel offenbart eine Möglichkeit, zu bestimmen 906,
ob die Präzisionsverbesserung größer
ist als die Wiederaufrufsabnahme. Bei dem obigen Beispiel basiert
die Präzisionsverbesserung auf dem ausgewählten
nächstbesten Token von Schritt 905. Die Präzisionsverbesserung
in Schritt 905 kann jedoch in Echtzeit auf der Basis der
aktuellen Abfrage berechnet werden.
-
10 ein
Flussdiagramm eines Verfahrens zum Generieren (202 oder 304)
von Booleschen Abfragen unter Verwendung eines OR-BUT-NOT-Algorithmus. 10 ist
ein Flussdiagramm entweder von Schritt 202 in 2 oder
Schritt 304 in 3. Der Prozess beginnt durch
die Initialisierung 1000. Die Initialisierung 1000 kann
unter anderem das Einstellen der Abfrage auf eine leere Abfrage,
das Einstellen der Variablen num OR tokens auf null, das Einstellen
der Variablen num AND NOT token auf null und das Holen der N obersten Trainingstokens/herausragenden
Tokens (siehe 8) für das Cluster 500–502 beinhalten,
für das die Boolesche Abfrage generiert wird (202 oder 304).
Das nächstbeste positive Trainingstoken/herausragende Token wird
gewählt 1001.
-
Der
Prozess bestimmt 1002, ob die Wiederaufrufsverbesserung
größer ist als die Minimalverbesserung für
das ausgewählte positive Trainingstoken/herausragende Token.
Falls in Schritt 1002 die Wiederaufrufsverbesserung nicht
größer ist als die Minimalverbesserung, geht der
Prozess zu Schritt 1004. Ansonsten wird die Abfrage auf
die Abfrage, OR-verknüpft mit dem ausgewählten
Trainingstoken/herausragenden Token, gesetzt 1003. Die
Variable num OR tokens wird inkrementiert 1004. Num OR
tokens ist die Anzahl der Trainingstokens/herausragenden Tokens,
die aus der Liste der N Trainingstokens/herausragenden Tokens verarbeitet
worden sind. Der Prozess bestimmt 1005, ob die Variable
num OR tokens kleiner ist als max OR tokens. Max OR tokens ist die
größte Anzahl von Trainingstokens/herausragenden
Tokens, die in der generierten Boolesche Abfrage OR-verknüpft
werden. Falls in Schritt 1005 num OR tokens kleiner ist
max OR tokens, geht der Prozess zu Schritt 1001, um das
nächstbeste positive Trainingstoken/herausragende Token
auszuwählen.
-
Ansonsten
wird das nächstbeste negative Trainingstoken/herausragende
Token ausgewählt 1006. Der Prozess bestimmt 1007,
ob eine Präzisionsverbesserung größer
ist als eine Wiederaufrufsabnahme für das ausgewählte
negative Trainingstoken/ herausragende Token. Falls in Schritt 1007 die
Präzisionsverbesserung nicht größer ist
als die Wiederaufrufsabnahme, geht der Prozess zu Schritt 1009.
Ansonsten wird, falls in Schritt 1007 die Präzisionsverbesserung
größer ist als die Wiederaufrufsabnahme, die Abfrage
gleich der Abfrage, mit dem ausgewählten nächstbesten
negativen Trainingstoken/herausragenden Token AND-verknüpft, gesetzt 1008.
Die Variable num AND NOT tokens wird inkrementiert 1009.
Num AND NOT token ist die Anzahl der negativen Trainingstokens/herausragenden
Tokens, die verarbeitet worden sind. Der Prozess bestimmt 1010,
ob num AND NOT token kleiner ist als max AND NOT token. Max AND
NOT tokens ist die größte Anzahl von NOT Trainingstokens/herausragenden
Tokens, die verarbeitet werden. Falls num AND NOT tokens kleiner ist
als max AND NOT tokens, geht der Prozess zu Schritt 1006 und
wählt das nächstbeste negative Trainingstoken/herausragende
Token. Ansonsten geht der Prozess zu Schritt 203 oder 305.
-
Als
ein Beispiel für das Verwenden des Verfahrens von
10 wird
angenommen, dass die fünf gerankten Trainingstokens/herausragenden
Tokens für Cluster eins
500 aus Tabelle
800 die
Anzahl (N) von gerankten Trainingstokens sind. Es werden die folgenden
Werte angenommen: Minimalverbesserung = 10%, max OR tokens = 2 und
max AND NOT tokens = 2. Wie oben erörtert wird die Liste
der N Trainingstokens/herausragenden Tokens (und Token NOT) bestimmt
durch Subtrahieren der falschen Abdeckung (negative Trainingsdokumente)
von der wahren Abdeckung (positive Trainingsdokumente). Unter Verwendung
von
6 würden sich für Cluster eins
500 die
folgenden Berechnungen ergeben für die positiven und negativen
Trainingstokens/herausragenden Tokens. Positives
Trainingstoken/herausragendes Token Rang
| T1 | 50% – 0%
= 50% | 1 |
| T2 | 30% – 0%
= 30% | 2 |
| T3 | 20% – 50%
= –30% | 4–5 |
| T4 | 10% – 30%–45%
= –20% bis –35% | 4–5 |
| T5 | 0% – 10%= –10% | 3 |
Negatives
Trainingstoken/herausragendes Token Rang
| NOT
T1 | 50% – 100%
= –50% | 5 |
| NOT
T2 | 70% – 100%
= –30% | 4 |
| NOT
T3 | 80% – 100%
= –20% | 3 |
| NOT
T4 | 90% – 85%–100%
= 5% bis –10% | 2 |
| NOT
T5 | 100% – 10%
= 90% | 1 |
-
Nach
dem Initialisieren 1000 wird das nächstbeste positive
Trainingstoken/herausragende Token T1 ausgewählt 1001.
Der Prozess bestimmt 1002, dass die Wiederaufrufsverbesserung
für T1 (50%) größer ist als die Minimalverbesserung
(10%). Die Abfrage wird gleich der Abfrage, mit dem ausgewählten
positiven Token (T1) OR-verknüpft, gesetzt 1003.
Num OR tokens wird auf eins inkrementiert. Der Prozess bestimmt 1005, dass
num OR tokens (1) kleiner ist als max OR tokens (2). Das nächstbeste
positive Token T2 wird ausgewählt 1001. Die Wiederaufrufsverbesserung
für T2 ist die Anzahl von neuen Trainingsdokumenten, die
auf der Basis der Aufnahme von T2 in die Boolesche Abfrage hinzugefügt
werden. Die Wiederaufrufsverbesserung für T2 könnte
zwischen 0% und 30% liegen, je nach dem, wie viele neue Dokumente
durch Aufnehmen von T2 hinzugefügt werden. Fall beispielsweise
T2 nicht in irgendeinem der Trainingsdokumente ist, die T1 enthalten, würde
die Wiederaufrufsverbesserung für T2 30% betragen. Falls
die Hälfte der Dokumente, die T2 enthalten, auch T1 enthalten,
würde die Wiederaufrufsverbesserung für T2 15%
betragen, weil das Hinzufügen von T2 zu der Booleschen
Abfrage 15% neue Trainingsdokumente hinzufügen würde.
Für dieses Beispiel sei angenommen, dass die Wiederaufrufsverbesserung
15% beträgt. Der Prozess bestimmt 1002, dass die
Wiederaufrufsverbesserung für T2 (15%) größer
ist als die kleinste Wiederaufrufsverbesserung (10%). Die Abfrage
wird gleich der Abfrage, mit dem ausgewählten nächstbesten
positiven Token (T1 OR T2) OR-verknüpft, gesetzt 1003.
Num OR tokens wird auf zwei inkrementiert 1004. Der Prozess
bestimmt 1005, dass num OR tokens (2) nicht kleiner ist
als max OR tokens (2).
-
Das
nächstbeste positive Token (NOT T5) wird ausgewählt 1006.
Der Prozess bestimmt 1007, dass die Präzisionsverbesserung
von NOT T5 50% (unter der Annahme, dass 50% der wiederhergestellten
Dokumente wahr sind) größer ist als die Wiederaufrufsabnahme
(0%). Die Abfrage wird gleich der Abfrage AND NOT T5 oder ((T1 OR
T2) AND NOT T5) gesetzt 1008. Die Variable num AND NOT
tokens wird auf eins inkrementiert 1009. Der Prozess bestimmt 1010,
dass num AND NOT token (1) kleiner ist als max AND NOT tokens (2).
Das nächstbeste negative Trainingstoken/herausragende Token
(NOT T4) wird ausgewählt 1006. Der Prozess bestimmt 1007,
dass die Präzisionsverbesserung für NOT T4 50%
(unter der Annahme, dass 50% der wiederhergestellten Dokumente wahr
sind) größer ist als die Wiederaufrufsabnahme
(10%). Die Abfrage wird gleich der Abfrage AND NOT T4 oder ((T1
OR T2) AND NOT T5 AND NOT T4 gesetzt 1008. Die Variable
num AND NOT token wird auf zwei inkrementiert 1009. Der
Prozess bestimmt 1010, dass num AND NOT token (2) nicht
kleiner ist als max AND NOT tokens (2). Der Prozess geht zu Schritt 2003 oder 305.
Die generierte Abfrage ist (T1 OR T2) AND NOT T5 AND NOT T4.
-
Das
obige Beispiel offenbart eine Möglichkeit, zu bestimmen 1007,
ob die Präzisionsverbesserung größer
ist als die Wiederaufrufsabnahme. Bei dem obigen Beispiel basiert
die Präzisionsverbesserung auf dem ausgewählten
nächstbesten negativen Token von Schritt 1006.
Die Präzisionsverbesserung in Schritt 1007 kann
jedoch in Echtzeit auf der Basis der aktuellen Abfrage berechnet
werden.
-
11 ist
ein Flussdiagramm eines Verfahrens zum Analysieren der Abfrageergebnisse
auf der Basis von neuen Trainingsdaten, neuen Produktionsdaten,
einer Anfrage zum Modifizieren einer Abfrage und/oder einer Anfrage
zum Ändern der Anzahl von Clustern. Der Prozess beginnt
nach der Ausführung 204 oder 306 der
einen oder mehreren Booleschen Abfragen über die mehreren
Produktionsdokumente in den Produktionsdaten. Die Ergebnisse der
einen oder der mehreren Booleschen Abfragen werden analysiert 1100,
um zu bestimmen, ob die eine oder die mehreren Booleschen Abfragen
effektiv sind. Das Analysieren 1100 könnte ein manueller
oder ein automatisierter Prozess sein.
-
Wenn
beispielsweise ein Manager bestimmen würde, dass sich die
Arten von Anrufen in einem Call Center geändert haben,
könnte eine neue Menge von Trainingsdaten und Produktionsdaten
erforderlich sein, um die eine oder die mehreren entsprechenden
Booleschen Abfragen für den aktuellen Zustand des Call
Centers zu generieren. Potenziell könnten einige der einen
oder der mehreren Booleschen Abfragen, die generiert wurden, nicht
dahingehend effektiv sein, Produktionsdokumente auszuwählen,
die für das Cluster relevant sind. Der Manager möchte
vielleicht eine oder mehrere der generierten Booleschen Abfragen
löschen, um Produktionsdokumente zu erhalten, die wichtigen
Themen in den Produktionsdaten besser entsprechen. Die Anzahl von
Clustern, die in den Schritten 201 und 303 generiert
werden, kann geändert werden, und zwar auf der Basis des
Identifizierens der Trainingsdokumente in einem oder mehreren Clustern,
die zuvor generiert wurden, und des erneuten Abarbeitens des Prozesses
von 2 oder 3 unter Verwendung der Trainingsdokumente
in dem Cluster als den Trainingsdaten.
-
Nach
dem Analysieren 1100 der Ergebnisse der Booleschen Abfragen
bestimmt 1101 der Prozess, ob neue Trainingsdaten vorliegen.
Falls in Schritt 1101 neue Trainingsdaten vorliegen, geht
der Prozess zu Schritt 200 oder 300. Ansonsten
bestimmt 1102 der Prozess, ob eine oder mehrere der Booleschen
Abfragen modifiziert werden müssen. Falls die Booleschen
Abfragen modifiziert werden müssen, geht der Prozess zu
Schritt 204 oder 306. Ansonsten bestimmt 1103 der
Prozess, ob die Anzahl von Clustern verändert werden muss. Falls
die Anzahl von Clustern verändert werden muss, geht der
Prozess zu Schritt 201 oder 303. Ansonsten bestimmt 1104 der
Prozess, ob neue Produktionsdaten vorliegen oder neue Produktionsdaten
und eine oder mehrere der Booleschen Abfragen modifiziert werden
müssen. Falls neue Produktionsdaten vorliegen oder neue
Produktionsdaten und eine oder mehrere der Booleschen Abfragen modifiziert
werden müssen, geht der Prozess zu Schritt 203 oder 305.
Ansonsten ist der Prozess beendet 1105.
-
Natürlich
ergeben sich für den Fachmann verschiedene Änderungen
und Modifikationen an der oben beschriebenen veranschaulichenden
Ausführungsform. Beispielsweise durch Clustern von Daten
(manuell oder automatisch), um nur neue Trainingsdaten hinzuzufügen,
die von einer gewissen Klasse sind, oder Hinzufügen von
Schlüsselwörtern zu den Abfragen, selbst wenn
die Terme nicht in den Trainingsdaten erscheinen. Diese Änderungen
und Modifikationen können vorgenommen werden, ohne von
dem Gedanken und Schutzbereich des Systems und Verfahrens abzuweichen
und ohne die damit einhergehenden Vorteile zu schmälern. Es
ist deshalb beabsichtigt, dass solche Änderungen und Modifikationen
durch die folgenden Ansprüche abgedeckt werden, außer
in dem Ausmaß, wie durch den Stand der Technik begrenzt.
Außerdem sollte in den Ansprüchen bei Bezugnahme
auf ein Element im Singular (z. B. ein Produktionstoken) das Element
auch so angesehen werden, dass es das eine oder mehrere von dem
Element beinhaltet (z. B. ein oder mehrere Produktionstokens).
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
-
Zitierte Nicht-Patentliteratur
-
- - ”Word
Frequencies in Written and Spoken English” (Andrew Wilson,
Geoffery Leech, Paul Rayson, ISBN 0582-32007-0, Prentice Hall, 2001 [0030]
- - Fred J. Damerau. Generating and evaluating domain-oriented
multi-word terms from texts. Information Processing and Management
29(4): 433–447, 1993 [0030]
