公开(公告)号：DE112019003721T5

公开(公告)日：2021-04-22

申请号：DE112019003721

申请日：2019-07-18

Applicant: IBM

Inventor： LI MIN ,  POPA LUCIAN ,  SEN PRITHVIRAJ

IPC: G06F17/00 ,  G06F30/20

Abstract: Eine Ausführungsform stellt ein Verfahren bereit, das Ausführen, durch einen Prozessor, eines aktiven Lernens von Entitätsauflösung in großem Umfang unter Verwendung eines verteilten Caches für Berechnungsnotizen umfasst, um redundante Berechnung auszuschließen. Verknüpfungs-Funktionsvektortabellen werden für Zwischenergebnisse des aktiven Lernens von Entitätsauflösung in großem Umfang bestimmt. Die Verknüpfungs-Funktionsvektortabellen werden durch eine Zwei-Ebenen-Cachehierachie verwaltet.

公开(公告)号：DE112020002110T5

公开(公告)日：2022-02-24

申请号：DE112020002110

申请日：2020-06-04

Applicant: IBM

Inventor： KASAI JUNGO ,  QIAN KUN ,  GURAJADA SAIRAM ,  LI YUNYAO ,  POPA LUCIAN

IPC: G06N3/08

Abstract: Verfahren, Systeme und Computerprogrammprodukte für eine ressourcenarme Entitätsauflösung mit Transfer Learning werden hierin bereitgestellt. Ein durch einen Computer ausgeführtes Verfahren umfasst ein Verarbeiten von Eingabedaten über ein erstes Entitätsauflösungsmodell, wobei die Eingabedaten beschriftete Eingabedaten und unbeschriftete Eingabedaten aufweisen; ein Identifizieren von einem oder mehreren Teilen der unbeschrifteten Eingabedaten, die beim Trainieren eines Entitätsauflösungsmodells eines neuronalen Netzwerks verwendet werden sollen, wobei das Identifizieren ein Anwenden von einem oder mehreren Active-Learning-Algorithmen auf das erste Entitätsauflösungsmodell aufweist; ein Trainieren des Entitätsauflösungsmodells eines neuronalen Netzwerks unter Verwendung von (i) dem einen oder den mehreren Teilen der unbeschrifteten Eingabedaten und (ii) einer oder mehreren Deep Learning-Techniken; und ein Durchführen von einer oder mehreren Entitätsauflösungsaufgaben, indem das trainierte Entitätsauflösungsmodell eines neuronalen Netzwerks auf ein oder mehrere Datensets angewendet wird.