该专利向我们展示了一个积极的训练示例，该示例教导机器学习算法根据与被查询的人相关的其他人的职业来推断人员实体的职业。
专利告诉我们，这样的特征可以表现为{Mention, conj, Mention -1, Profession}，其中Mentions表示连接数据图和文本图的提及边，conj是文本图中的训练可以边，Mention -1表示连接文本图和数据图的提及边，Profession是数据图中连接人的实体和代表职业的实体的边。
我们还了解了一些示例，其将“配偶
“妻子”、“丈夫”、“伴侣”和“已婚”的查询映射到数据图中的不同路径。
这些查询可以被聚类，以便机器学 手机数据 习模块可以在一组查询上进行训练。
并且查询可以引用具有相似含义的查询集群。
该专利提供了许多示例，说明如何使用上述示例训练可以跨多个实体训练数据图。然后可以使用这种训练来回答来自数据图的查询。专利描述称，它可以从互联网以外的来源获取信息，例如： B. 基于文档的索引，并将数据图的结果与基于文档的索引的结果相结合。
该专利还用很大篇幅描述了谷歌如何扩展 为什么应该在虚拟销售中使用视频？ 数据图。该过程听起来与我在撰写实体提取（上面的链接帖子）时描述的过程非常相似。
该专利还有一节关于使用机训练可以器学习模块将派生元组与置信度值相关联的内容。它还描述了如何根据阈值检查派生元组的置信度值。
为什么所描述的方法如此有趣？
该专利描述了如何创建数据图来识别 消費者數據 与其相关联的训练可以实体和元组，并创建理解这些实体与与其相关联的事实之间的置信度值的数据图。它还了解具有相似属性的相似实体。这允许通过数据图来回答许多实体上的查询。这种方法的优点是人们可以通过爬行网络收集有关实体和事实的信息。在这篇文章中我想清楚地说明 Google 如何从网络中学习并构建知识。
我认为我们将会看到更多描述类似方训练可以法的专利，搜索引擎可以使用这些方法来更好地了解世界。