[发明专利]用于确定可动作意图的AI系统

说明书

一种方法包括接收被寻址到收件人用户的电子邮件，使用重新参数化的递归神经网络模型处理接收的电子邮件以基于接收的电子邮件来标识动作，并且其中重新参数化的递归神经网络模型已经在用收件人对应动作注释的电子邮件数据集上被训练，并且在具有与电子邮件数据相似结构的未注释的会话数据上被重新参数化。

背景技术

尽管工作场所中出现了很多新的通信工具，但是电子邮件在很多组织中仍然是主要的(即使不是主导的)消息传递平台。每天都有很多人接收到数百个电子邮件和其他通信。及时响应或以其他方式处理每个电子邮件可能会消耗大量时间，从而影响其他工作职责。帮助人们管理和处理电子邮件可以提高他们的生产力。

发明内容

一种方法包括：接收被寻址到收件人用户的电子邮件；使用重新参数化的递归神经网络模型处理接收的电子邮件以基于接收的电子邮件来标识动作，并且其中重新参数化的递归神经网络模型已经在用收件人对应动作注释的电子邮件数据集上被训练，并且在具有与电子邮件数据相似结构的未注释的会话数据上被重新参数化。

一种机器可读存储设备具有用于由机器的处理器执行以引起处理器执行操作以执行生成模型的方法的指令。该方法包括：接收被寻址到收件人用户的通信；使用重新参数化的递归神经网络模型处理接收的通信以基于接收的电子邮件来标识动作，并且其中重新参数化的递归神经网络模型已经在用收件人对应动作注释的通信数据集上被训练，并且在具有与通信数据集数据相似结构的未注释的会话数据上被重新参数化。

一种系统包括一个或多个处理器以及耦合到该一个或多个处理器的存储设备，该存储设备上存储有用于引起一个或多个处理器执行意图识别操作的指令。该操作包括：接收被寻址到收件人用户的通信；使用重新参数化的递归神经网络模型处理接收的通信以基于接收的通信来标识动作，并且其中重新参数化的递归神经网络模型已经在来自第一域的用收件人对应动作注释的通信数据集上被训练，其中第一域与接收的通信相关，并且重新参数化的递归神经网络模型已经在来自第二域的具有与电子邮件数据相似结构的未注释的会话数据上被重新参数化。

一种训练递归神经网络(RNN)以用于响应于接收的电子邮件来标识动作的计算机实现的方法，该方法包括操作，该操作包括：初始化RNN的权重，在收件人动作注释的电子邮件的目标域集上训练RNN，以及在未注释的会话数据线程上重新参数化RNN。

附图说明

图1是示出根据示例实施例的响应于电子邮件通信而生成动作的计算机实现的方法的流程图。

图2是示出根据示例实施例的训练递归神经网络(RNN)的计算机实现的方法的流程图。

图3是根据示例实施例的响应于目标域通信的示例动作的表。

图4是根据示例实施例的来自附加域的数据的示例。

图5是根据示例实施例的用于来自各个域的通信的示例标签的表。

图6是根据示例实施例的关于来自各个域的通信的示例统计信息的表。

图7是根据示例实施例的处理线程化消息的框图。

图8是根据示例实施例的由单个RNN长短期存储器(LSTM)单元组成的部分计算图。

图9是根据示例实施例的用共享分量和域特定分量重新参数化的RNN LSTM单元的计算图。

图10是根据示例实施例的用于执行方法和算法的示例设备的电路系统的框图。

具体实施方式

在下面的描述中，参考形成其一部分的附图，并且在附图中通过图示的方式示出了可以实践的特定实施例。足够详细地描述了这些实施例以使本领域技术人员能够实践本发明，并且应当理解，可以利用其他实施例，并且可以在不脱离本发明的范围的情况下进行结构、逻辑和电气改变。因此，以下示例实施例的描述不应当被认为是限制性的，并且本发明的范围由所附权利要求书限定。