[发明专利]动态地管理人工神经网络

说明书

在一些实施例中，所公开的主题涉及在机器学习系统中使用具有多个人工神经网络的套接字层，来为机器学习服务创建可定制的输入和输出。机器学习服务可以包括多个卷积神经网络和多个预训练的全连接神经网络以找到最佳拟合。在一个实施例中，当定制的输入或输出数据不是预训练的人工神经网络的良好拟合时，套接字层可以自动请求附加卷积层或神经网络的新训练，以动态地管理机器学习系统，以适应定制的输入或定制的输出。描述并保护了其他实施例。

相关申请的交叉引用

本专利申请涉及并要求于2016年6月27日提交的申请号为62/354,825的美国专利申请的权益，以及于2016年7月31日提交的申请号为62/369,124的美国专利申请的权益，其全部内容通过引用并入本申请。

技术领域

本主题的实施例总体上涉及计算机软件领域，并且更具体地但不限于包括在自然语言处理、深度学习和人工智能领域中，为机器学习服务定制输入和输出。

背景技术

各种机制可以用于预测模型和匹配引擎。许多匹配引擎使用训练模型，其中模型为使用人工神经网络(ANN)训练的模型。然而，现有ANN仅限于预先训练的模型，在该模型中，输入和输出数据必须符合训练模型的参数。因此，现有的ANN可以基于先前训练来限制预测的类型或可用的匹配。

附图说明

在不一定按比例绘制的附图中，相同的附图标识可以描述不同视图中的类似组件。具有不同字母后缀的相同附图标识可表示类似组件的不同实例。在附图的各个图中，作为示例而非限制性的方式示出了一些实施例，附图中：

图1示出了根据实施例的用于创建预测模型的示例性方法的流程图；

图2是根据实施例的人工神经网络的图示，人工神经网络包括卷积层并使用可定制的输入层和输出层；

图3是根据实施例的使用定制的输入层的方法的流程图；

图4是根据实施例的使用定制的输出层的方法的流程图；

图5是根据实施例的输入数据的套接字层(socket layer)的使用方法的流程图；

图6是根据实施例的输出数据的套接字层的使用方法的流程图；

图7示出了根据实施例的用于创建预测模型的方法的流程图；

图8是根据实施例的匹配平台的框图；

图9是根据实施例的语境和语言匹配系统的示例；

图10示出了根据实施例的用于匹配平台的示例性用户界面；

图11是示出根据实施例的来自主题的信息请求以进行匹配的框图；

图12是示出根据实施例的来自待建模的主题的数据请求的框图；以及

图13是示出根据实施例的对待建模的第三方数据请求的框图。

发明内容

这里描述的实施例包括一种设备和组合计算机程序、过程、符号、数据表示和传感器的方法，以使得用户通过使用机器学习服务的语境分析，通过语言、语音、动作、物理条件、环境条件或其他标识的任意组合，来定制能够预测个人、实体、组织或团体行为的模型。多个实施例可以使机器学习服务能够根据数据和对刺激的反应进行预测，而无需为该特定数据集或反应训练特定模型。在至少一个实施例中，公开了用于定制机器学习服务的输入和输出的技术，以基于多个物理、通信、组织、化学和环境背景来预测个人、情境或组织行为。可以对卷积层或新训练的神经网络模型进行自动动态改变，以将改进拟合的定制输入和输出数据提供到机器学习服务中的多个人工神经网络。