專利名稱:人工神經(jīng)網(wǎng)絡推測方法和游戲的制作方法
技術領域:
本發(fā)明一般涉及人工智能游戲,特別涉及一種在“猜測”游戲中使用人工神經(jīng)網(wǎng)絡學習技術的新的有效方法。
背景技術:
人工神經(jīng)網(wǎng)絡(ANN)在本領域中廣為人知,大致在Wood申請的(“神經(jīng)網(wǎng)絡學習方法(Neural Networks Learning Method)”)1990年3月27日公布的美國專利第4,912,654和在Nishimurs申請的(“具有神經(jīng)元權值和反饋系數(shù)修改的神經(jīng)網(wǎng)絡(Neural Network with Modification of Neuron Weights and ReactionCoefficient)”)1993年6月22日公布的美國專利第5,222,194中均有描述。
一個廣泛使用的神經(jīng)網(wǎng)絡(多層感知器)包括成層安裝的稱作神經(jīng)元的多個處理部件。連續(xù)層的神經(jīng)元之間構成互聯(lián)。網(wǎng)絡具有一個輸入層,一個輸出層,和在輸入層和輸出層之間的一個或多個“隱含”層。該隱含層是用來解決非線性問題必需的。每個神經(jīng)元能夠產(chǎn)生輸出信號,該輸出信號是由它接收的輸入信號的加權和以及特定到該神經(jīng)元的閾值確定的。神經(jīng)元得到輸入(或者從網(wǎng)絡外面,或者從其它的神經(jīng)元)并用該輸入計算一個線性的或非線性的輸出。神經(jīng)元的輸出或者輸出到隨后層的其它神經(jīng)元,或者輸出到網(wǎng)絡外面。每個神經(jīng)元的輸入信號用學習過程中導出的因子正或負加權。
當權值和閾值因子已經(jīng)設置為正確的水平,位于輸入層的復雜激勵模式連續(xù)地在隱含層之間傳送,以產(chǎn)生輸出模式。該網(wǎng)絡通過饋送給它連續(xù)的輸入模式和相應所需的輸出模式進行教學;該網(wǎng)絡通過在每個輸出神經(jīng)元測量所需輸出模式和它剛剛產(chǎn)生的模式之間的差異進行學習。
這樣做之后,內部權值和閾值通過學習算法進行修正,以提供更接近所需輸出模式的輸出模式,并在輸入模式的整個范圍內將誤差最小化。神經(jīng)網(wǎng)絡學習是一個迭代過程,包括多個課程。
概括地講,神經(jīng)網(wǎng)絡已經(jīng)被用于控制應用,(1)作為用于模式識別、診斷、傳感器融合、動態(tài)系統(tǒng)識別等等的子系統(tǒng);(2)作為“仿制品”,其通過模仿專家的做為來學習模擬人類的或仿真的專家;(3)作為“跟蹤”系統(tǒng),其學習試圖制造附著于預選參考模型的外部環(huán)境的動作策略;和(4)作為在時間上最大化或最小化性能測量的系統(tǒng)。
在此描述和要求的本發(fā)明包括神經(jīng)網(wǎng)絡系統(tǒng),該神經(jīng)網(wǎng)絡系統(tǒng)被用于在游戲中在向用戶(游戲者)詢問若干問題之后“猜測”他考慮的是什么。這種游戲-猜測游戲-的概念不是新的;然而,傳統(tǒng)的猜測游戲使用實現(xiàn)人工智能(AI)的其它方法。例如“專家系統(tǒng)”,是把一組事實和規(guī)則輸入到執(zhí)行裝置,隨后在缺乏新輸入的情況下,所述執(zhí)行裝置對于相同的問題給出相同的答案。這種系統(tǒng)使用決策樹生成所需輸出。所述決策規(guī)則和由規(guī)則組構成的樹必須設計用于特殊的應用。上述的AI實體被認為是“非學習AI實體”。
非學習AI實體包括知識庫和多代理處理方案;知識庫是圍繞進行推理和回答詢問的信息和規(guī)則的集合而組織的,而多代理方案合并了在固定算法上操作的多個實體。所述集合經(jīng)常包括便于人們更新支配其行為的算法、推理規(guī)則和其它指導的方法。然而,“學習”事實上發(fā)生于其人類管理者,而不是集合本身。
此外,另一個在上述系統(tǒng)中非常明顯的主要問題是他們沒有能力處理不準確的或誤導的信息如果游戲者不正確地回答問題,這將引起該系統(tǒng)沿著決策樹的錯誤的“分支”引導得到錯誤的答案(或猜測)。
這種限制使在上述游戲中采用具有更高層次的人工智能的神經(jīng)網(wǎng)絡代替所用的專家系統(tǒng)成為必需。本發(fā)明符合這種需要。
發(fā)明內容
為了克服如上所述現(xiàn)有技術的限制,并克服在閱讀和理解本發(fā)明說明書中將明確的其它限制,本發(fā)明提供一種猜測方法,其在電子游戲中,在詢問用戶至少一個問題之后,從一組目標對象中猜測該用戶正在考慮的一個對象,該方法采用以目標對象-問題(target objects-by-questions)的矩陣格式構造的神經(jīng)網(wǎng)絡,其中矩陣的每個神經(jīng)元定義了輸入-輸出連接權值,該神經(jīng)網(wǎng)絡可以在第一模式下使用,其中詢問問題的答案是輸入節(jié)點,目標對象是輸出節(jié)點;并可在第二模式下使用,其中目標對象是輸入節(jié)點,問題是輸出節(jié)點,該方法包括以下步驟利用第一模式下的神經(jīng)網(wǎng)絡通過下列步驟排列目標對象,即將至少一個答案映射到權值,把該答案的權值與神經(jīng)網(wǎng)絡中對應于該問題及排列的目標對象的神經(jīng)元的權值相比較,根據(jù)贊同度(agreeability)暫時改變對應神經(jīng)元的權值,并按照改變的神經(jīng)元權值評價目標對象;利用第二模式下的神經(jīng)網(wǎng)絡排列問題;按照目標對象的排列提供猜測結果;按照答案的映射權值和調整之前的神經(jīng)元權值之間的贊同度調整對應于猜測對象的神經(jīng)元權值。
按照本發(fā)明的一個方面,排列問題的步驟是通過下述步驟提供,即將對于問題的可預測的答案映射到關于高排列目標對象的正和負的權值;合計贊同的權值和不贊同的權值,并計算對于每個問題的兩個總數(shù)之間的差額;根據(jù)該差額評價所述問題。
按照本發(fā)明的另一個方面,排列問題的步驟是通過下述步驟提供,即對于每個問題,計算在對應于最高排列目標對象及該問題的神經(jīng)元權值和對應于其它高排列目標對象及該問題的權值之間的差額;通過比較每個問題的差額和其它問題的差額來評價所述問題。
按照本發(fā)明的又一個方面,提供了一種以X-Y矩陣格式構造的神經(jīng)網(wǎng)絡,其中該矩陣的每個神經(jīng)元定義一個輸入-輸出連接權值,該神經(jīng)網(wǎng)絡可以在第一模式下使用,其中X軸的元素是輸入節(jié)點,而Y軸的元素是輸出節(jié)點,也可在第二模式下使用,其中Y軸的元素是輸入節(jié)點,X軸的元素是輸出節(jié)點。
按照本發(fā)明的再一方面,提供了一種用于在詢問用戶至少一個問題之后,從一組目標對象中猜測用戶正在考慮的對象的游戲,該游戲使用以目標對象-問題矩陣格式構成的神經(jīng)網(wǎng)絡,其中矩陣的每個神經(jīng)元定義一個輸入-輸出連接權值,并且該神經(jīng)網(wǎng)絡可以在第一模式下使用,其中對所問問題的答案是輸入節(jié)點,而目標對象是輸出節(jié)點,和在第二模式下使用,其中目標對象是輸入節(jié)點,而問題是輸出節(jié)點,該游戲包括在第一模式中利用神經(jīng)網(wǎng)絡排列目標對象的裝置;在第二模式下利用神經(jīng)網(wǎng)絡排列問題的裝置;和根據(jù)目標對象的排列提供猜測的裝置。
按照本發(fā)明又一方面,提供了一種承載指令和數(shù)據(jù)的表達的計算機可讀媒質,以使計算機或手持裝置執(zhí)行在詢問用戶至少一個問題之后,從一組目標對象中猜測用戶正在考慮的對象的方法,該猜測方法利用以目標對象-問題(targetobjects-by-questions)矩陣格式構成的神經(jīng)網(wǎng)絡,其中矩陣的每個神經(jīng)元定義一個輸入-輸出連接權值,并且該神經(jīng)網(wǎng)絡可以在第一模式下使用,其中對所問問題的答案是輸入節(jié)點,目標對象是輸出節(jié)點,也可在第二模式下使用,其中目標對象是輸入節(jié)點,問題是輸出節(jié)點,該方法包括以下步驟利用第一模式下的神經(jīng)網(wǎng)絡排列目標對象;利用第二模式下的神經(jīng)網(wǎng)絡排列問題;和根據(jù)目標對象的排列提供猜測。
本發(fā)明提供了允許系統(tǒng)根據(jù)經(jīng)歷和游戲者的輸入主動或被動地改變其行為的優(yōu)點。
本發(fā)明還提供處理不準確的或誤導信息的優(yōu)點。
本發(fā)明,它的組織、結構與操作將參考以下的詳細說明結合隨后的附圖進行更好的理解,其中圖1A是對初始的未被激勵的問題如何激勵目標對象給出類似矩陣的可視圖示的表格。
圖1B和1C是對目標對象激勵問題的實例給出類似矩陣的可視圖示的表格。
圖2示出了將答案映射到權值的實例。
圖3A到3D是說明目標對象排列過程和神經(jīng)元權值的調整的類似矩陣的表格。
圖4是說明問題排列過程的類似矩陣的表格。
圖5是說明另一個問題排列過程的類似矩陣的表格。
圖6A和6B是示出不同的神經(jīng)元權值是如何用于不同的統(tǒng)計目標的類似矩陣的表格。
具體實施例方式
給出下列描述以使使所屬技術領域的任何技術人員能夠利用本發(fā)明,該說明是在特定申請及其要求的情況下提供的。對該公開實施例的各種變形對所屬技術領域的技術人員來說是顯而易見的,于此闡述的一般原理可以應用到其它實施例和應用而不脫離本發(fā)明的精神和范圍。因此,本發(fā)明并不意欲局限于示出的實施例,而是要給予與此公開的原則和特征一致的最寬范圍。
普遍地理解在下文中使用的術語“錯誤的”、“不準確的”、“誤導的”和“不一致的”是可互換的。同樣,將普遍地理解用于本文件的諸如“訓練”、“教授”、“學習”、“懂得”和“課程”的術語是用于神經(jīng)網(wǎng)絡感知的。另外,將普遍地理解在下文中使用的術語“排列”和“按優(yōu)先次序排列”是可互換的。
ANN是由神經(jīng)元(或簡稱節(jié)點)和所述節(jié)點間的連接組成的計算模型。每個連接的強度是通過稱作“權值”的數(shù)值表示的,該權值是可以修改的。給定節(jié)點的激活是基于具有指向該節(jié)點的連接的節(jié)點的激活和在這些連接上的權值。通常,神經(jīng)網(wǎng)絡結合了某些稱作“輸入節(jié)點”的特殊節(jié)點及其激活外部設置,而其它節(jié)點則稱之為“輸出節(jié)點”。
在本發(fā)明中,神經(jīng)網(wǎng)絡以矩陣格式(X-Y)構造,其中神經(jīng)元定義為權值,其可以X軸作為輸入節(jié)點而Y軸作為輸出節(jié)點地使用,或反之亦然。具體地說,本發(fā)明的神經(jīng)網(wǎng)絡是“問題”/“答案”對“目標對象”的矩陣。矩陣的神經(jīng)元定義了問題/答案和目標對象之間的關系,該矩陣可以以問題/答案作為輸入節(jié)點而目標對象作為輸出節(jié)點地使用,或反之亦然。
在本說明書和權利要求中,“交換”意思是“輸入節(jié)點變成輸出節(jié)點而輸出節(jié)點變成輸入節(jié)點”。
因為在本發(fā)明中的ANN是用于一種詢問游戲者若干問題、而后猜測游戲者所想的游戲,上面描述的矩陣格式提供了以下的優(yōu)點答案有時激勵某些目標對象,在另一些場合,目標對象激勵某些答案的獲得,換句話說,激勵了某些問題將被詢問。如果輸入節(jié)點是問題的答案,則輸出節(jié)點是較佳對象(即可能的對象);如果輸入節(jié)點是較佳對象,則輸出節(jié)點是被詢問的最好問題。這將通過實施例很好地描述。
第一個問題通常是確定游戲者所考慮的是否動物、植物、礦物等,(顯然,初始問題不能被激勵,因為還沒有被激勵了的目標對象)。例如,如果游戲者回答是動物,這將激勵屬于該類別的目標對象,給他們一個高優(yōu)先級,而不屬于該類別的目標對象被給予低優(yōu)先級。這如圖1A所示。
一旦屬于動物類別的目標對象被激勵,與激勵問題“是否在色拉桌上找到它?”相比,他們更可能相應地激勵問題“你會在農(nóng)場找到它嗎?”。另一方面,如果游戲者回答植物,而不是動物,那么“是否在色拉桌上找到它?”將比“你會在農(nóng)場找到它嗎?”更可能是下一個問題,這如圖1B所示。
假定游戲者正在考慮可以在農(nóng)場找到的動物,并回答了前兩個問題(“它是動物、植物、礦物、其它或者未知?”和“你會在農(nóng)場找到它嗎?”),相應地,第二個問題的答案可能對“豬”、“雞”和“狗”之類的動物的支持超過“獅子”、“鷹”和“鯨”之類的動物;而且,相應地將支持某些問題(例如“你能吃它嗎?”)超過其它要問的問題(例如,“它是危險的嗎?”),但不影響另外一組被問問題的可能性,這組問題與剛剛獲得的信息無關(例如,“它是否有毛皮?”)。該第三個問題的激勵如圖1C所示。
如果“你能吃它嗎?”的答案是“能”,這將支持“雞”超過“狗”,等等,等等。
至此,應當清楚將ANN以矩陣格式連接,其中輸入節(jié)點和輸出節(jié)點能夠以上述方式交換的優(yōu)點。雖然輸入-輸出連接的權值還沒有論述,但在此作出下述聲明是非常重要的,即在所述處理期間,目標對象被按優(yōu)先次序排列,而不濾除,換句話說,通過給出問題-目標對象連接的不同權值而按照優(yōu)先次序排列目標對象,這些權值可以在重新排列優(yōu)先次序期間改變。這是區(qū)別本發(fā)明與其它猜測游戲的一個非常重要的特征這使本發(fā)明能夠處理誤導信息。
當玩這種游戲時誤導地回答問題是不罕見的不同的人有不同的理解。某人可能覺得兔子是一種嚙齒動物,而另一個人可能不這樣認為。明顯地,這兩個人將不同地回答問題“它是嚙齒動物嗎?”。一個具有某些宗教信仰的人可能考慮的是“豬”,并回答問題“你能吃它嗎?”時是“不能吃”,而來自不同宗教的其他的人可能回答“能吃”。如果教導ANN“豬”是可以吃的,當一個人指出他/她所考慮的是不可以吃的的時候,它可能給“豬”一個低優(yōu)先級,而后在游戲中稍后時間,如果一個人以“是”回答“它是否有彎曲的尾巴?”,則在重新排列目標對象優(yōu)先級時,給“豬”一個高優(yōu)先級。
此外,應該提及,ANN系統(tǒng)不必在每個問題之后按按優(yōu)先次序排列目標對象。該游戲通常允許游戲者回答“是”、“否”、“未知”、“無關的”、“有時”、“也許”“大概”、“可疑的”、“通?!?、“視情況而定”、“罕見地”、“部分地”。明顯地,“無關的”和“視情況而定”之類的回答是沒有幫助的,不會在系統(tǒng)已知的內容上增加更多信息。因此,可以在ANN系統(tǒng)進行任何目標對象優(yōu)先順序排列之前詢問若干問題。
如同之前所述,節(jié)點之間的連接強度通過稱作權值的數(shù)值表示,所述權值可以修改。在ANN矩陣中的每個神經(jīng)元代表相關的答案-目標對象或目標對象-問題連接的強度——權值。為了優(yōu)化,每個權值是一個字節(jié),有7位描述連接的強度,1位指出連接的類型——“正的”或“負的”;然而,可以采用更高精度,或相反地,數(shù)據(jù)可以壓縮成幾比特。
神經(jīng)網(wǎng)絡的作用是執(zhí)行連接輸入節(jié)點和輸出節(jié)點的功能。在下面的段落中,將論述ANN是如何排列目標對象(這里答案顯然是輸入節(jié)點,而目標對象是輸出節(jié)點)和如何排列問題的(這里目標對象是輸入節(jié)點,而問題是輸出節(jié)點)。
在排列目標對象中,被給定0到N個答案,所用的算法把答案和神經(jīng)網(wǎng)絡比較,并因此排列目標對象。
可用的答案集合被分成兩個子集,正答案和負答案,并且每一個答案都具有與其相關的某個權值。必須注意區(qū)分答案的權值(這是游戲者對問題贊同或不贊同的程度)和神經(jīng)元權值(這是輸入節(jié)點-輸出節(jié)點連接強度)。
圖2示出了當前答案集合和與每個答案相關的權值。答案“未知”沒有算作答案并未用在這些計算中。其它的映射方案是可能的,包括從“是”到“否”的可調等級,或游戲者的答案的權值甚至可基于由語音識別系統(tǒng)察覺到的音調變化。(在某些下述的實例中,正(+)和負(-)涵義分別與權值一起使用,以區(qū)分正負兩方面。)對于每個目標對象,該算法把每個回答的問題與神經(jīng)網(wǎng)絡中相應的神經(jīng)元相比較。在神經(jīng)元的預調權值上加上或者減去答案的權值,這取決于一致(agreement)。這里使用的“預調”意思是從前面的實現(xiàn)進行調整。(神經(jīng)元權值的調整在下面討論。)當提供的答案和神經(jīng)元的預調權值都是正的或者都是負的時,存在“一致”。
圖3A到3D是類似矩陣的表格,描述了目標對象排列方法。這些附圖使用為了說明的目的而相應選擇的假定的數(shù)字。假定游戲者所想的是只“狗”,為簡單起見,這里假定算法已經(jīng)將較佳目標對象縮減到三個“狗”、“貓”和“獅子”。圖3A示出了與問題“它咬人嗎?”相應的三個較佳對象的神經(jīng)元的預調權值301。假定問題“它咬人嗎?”被詢問,而游戲者回答“是”,算法將暫時將正的答案的權值——即4(見圖2)——增加到對于該問題有正分化的神經(jīng)元302,和從對于該問題有負分化的神經(jīng)元303中減去答案的權值。圖3B示出了加/減步驟304。
算法而后將通過從較佳對象表中移除具有顯著低于其它較佳對象的值的目標對象而縮減較佳對象。在本示例中,將移除″貓”。
圖3C和3D對于不同的問題——“你會在農(nóng)場找到它嗎?”——重復上述目標對象排列方法,并對于兩個剩下的較佳對象——“狗”和“獅子”——說明算法如何進一步將較佳對象縮減成為一個。在答案權值增加到神經(jīng)元權值305之后,“獅子”將從較佳對象列表中移除,留下“狗”——游戲者考慮的那個。一旦猜測到目標對象,對于該目標對象的神經(jīng)元權值將調整。神經(jīng)元權值調整將在下面問題排列過程的描述之后進行討論。
為簡單起見,問題排列過程(和相關的圖——圖4)將按照“是”和“否”因子406進行討論,實際上“是”和“否”因子是具有不同答案權值的正負因子(圖2),當然答案權值是被考慮的,并影響相關的計算。
在排列問題中,算法檢查每個問題,確定較佳對象中有多少個將用“是”來回答,有多少個將用“否”來回答。該算法對較佳目標對象檢查每個問題,并對于每個問題,合計“是”和“否”因子。兩個合計值中較低的一個被從兩個值中較高的那個中減去,然后具有最低合計差額的問題將被選擇作為下一個將被詢問的最好問題——也就是作為最有用的/有效的或未知的問題。這意味著某個問題被選擇是因為它代表了在“是”和“否”答案之間的最佳平衡。50對50的拆分將是最理想的。
圖4是一個類似矩陣的表,其借助于實例描述了過程。為簡單起見,假定存在六個較佳對象目標404和合計十個問題405。該算法對六個較佳目標對象404檢查十個問題405中的每一個,合計“是”因子401和“否”因子402,從兩個結果中較高的值減去較低的值403,并且將具有較低差額(合計差額)的問題排列在具有較高差額的問題之上作為將被提問的較好問題。
可以容易地從所述表中看出,最有效的問題將是第二和第五個問題,它們的合計差額是0,最無效的問題是第四、第六和第八,它們的合計差額是6。這不奇怪,因為第四、第六和第八個問題不是有關動物的。
如上所述,實際上,“是”和“否”因子是具有不同權值的正負答案。實際上,算法合計了贊同的權值和不贊同的權值,從兩個權值中較高的那個減去較低的那個,具有較小差額的問題排列在較高處。
另一個在選擇問題中周期性使用的方法是挑選一個問題,該問題的答案將證實最佳對象——在其它較佳對象中排列在最高處的較佳對象——是否是正確的。對于每個問題,最佳對象對應的神經(jīng)元權值與其他的較佳對象對應的神經(jīng)元權值相比較。選擇具有最大差額的問題,所述差額是通過從所述的兩個神經(jīng)元權值中較高的一個減去較低的一個計算的。
與圖3A到3D一樣,圖5使用為了說明的目的而相應選擇的假定的數(shù)字。假定“萵苣”、“胡蘿卜”和“番茄”是較佳對象,而“胡蘿卜”是最佳對象。為簡單起見,我們僅僅考慮三個問題,這不應被看作是限制性的。因為“胡蘿卜”是最佳對象,算法將相對萵苣對應于三個問題中的每一個的神經(jīng)元權值502和番茄對應的神經(jīng)元權值503,檢查胡蘿卜對應的神經(jīng)元權值501。對于第一個問題,胡蘿卜-萵苣差額是1500(3500-2000),而胡蘿卜-番茄差額是2100。對于第二個問題差額分別是11500({9000-(-2500)}和13000。對于第三個問題差額分別是4000和5500。算法將挑選第二個問題,因為它提供了最大差額??梢暂p易看出,詢問該問題將能真正地證實“胡蘿卜”是正確的最佳對象。
在神經(jīng)網(wǎng)絡中學習通常是通過調整神經(jīng)元權值完成的。一旦目標對象已經(jīng)識別——正確地猜到——將僅僅改變該目標對象的神經(jīng)元權值給出目標對象,算法考慮每個答案,如果答案是贊同的,就增加神經(jīng)元的權值(通常加上游戲者答案的權值,在本案中是從1到4的一個值)。如果答案是不贊同的,則減少神經(jīng)元的權值。如果神經(jīng)元沒有值(來自之前實現(xiàn)的預調權值),新的神經(jīng)元權值將根據(jù)游戲者的答案設置。
在圖3A到3D的實例中,一旦猜測到“狗”,算法將分別把對應于“它咬人嗎?”和“你會在農(nóng)場找到它嗎?”的神經(jīng)元的權值調整為5004和7004。該步驟將不會與較早論述的步驟相混淆,那里權值是暫時增加的。一旦神經(jīng)元權值用這種方式已經(jīng)調整,下次玩游戲時,新的神經(jīng)元權值將被看作“預調”值。
當訓練神經(jīng)網(wǎng)絡時,算法可以考慮人口統(tǒng)計因素??梢栽儐栍螒蛘撸珀P于他的年齡、性別和地理位置,這些信息將在教學過程中予以考慮,并且下次當來自相同統(tǒng)計組的人玩所述游戲時予以使用。這對于減少如上所述的由不同的理解所引起的誤導答案的數(shù)目是有用的,因為來自相同人口統(tǒng)計組的人趨向于具有相似的理解。
在這種情況下,一神經(jīng)元將具有不同的神經(jīng)元權值,每個權值與某一人口統(tǒng)計有關。在圖6A中,對應于“你能吃它嗎?”的神經(jīng)元具有對于“豬”的正權值601,而圖6B中,它有負權值602。如果一個屬于認為“豬”是可以吃的人口統(tǒng)計組的人在玩所述游戲,算法將對于該問題使用“正權值”601權值;如果一個屬于認為“豬”是不可以吃的人口統(tǒng)計組的人在玩所述游戲,算法將對于該問題使用“負權值”602權值。
把用戶分類到不同的人口統(tǒng)計組的另一個方法是猜測它們屬于哪個組。在這種情況下,算法將利用神經(jīng)網(wǎng)絡統(tǒng)計組-問題矩陣格式,并以類似如上所述的方法猜測組——而不是目標對象。
通常,使用通用計算裝置或手持裝置實現(xiàn)本發(fā)明的方法。計算/手持裝置驅動器和相關計算機可讀媒質提供在此描述的計算機可讀指令、數(shù)據(jù)結構、程序模塊和其它數(shù)據(jù)的非易失存儲。計算機可讀介質承載用來使得計算機或裝置執(zhí)行本發(fā)明的方法的指令和數(shù)據(jù)的表達。
雖然本發(fā)明的多種優(yōu)選實施方式已經(jīng)于此詳細描述,但是本領域熟練的技術人員應該理解,可以做出各種變形,而不脫離本發(fā)明的精神或所附權利要求的范圍。
權利要求
1.一種在電子游戲中,在詢問用戶至少一個問題之后,從一組目標對象中猜測用戶正在考慮的對象的方法,該方法利用以目標對象—問題矩陣格式構造的神經(jīng)網(wǎng)絡,其中矩陣的每個神經(jīng)元定義了一個輸入—輸出連接權值,并且該神經(jīng)網(wǎng)絡可以在第一模式下使用,其中詢問問題的答案是輸入節(jié)點,而目標對象是輸出節(jié)點,并可在第二模式下使用,其中目標對象是輸入節(jié)點,而問題是輸出節(jié)點,該方法包括下列步驟利用第一模式下的神經(jīng)網(wǎng)絡排列目標對象;利用第二模式下的神經(jīng)網(wǎng)絡排列問題;和按照目標對象的排列提供猜測。
2.根據(jù)權利要求1的方法,其中排列目標對象的步驟包括下列步驟映射至少一個答案到權值;把該答案的權值與神經(jīng)網(wǎng)絡中對應于該問題及排列的目標對象的神經(jīng)元的權值相比較,根據(jù)贊同度暫時改變對應神經(jīng)元的權值;和按照改變的神經(jīng)元權值評價目標對象。
3.根據(jù)權利要求1的方法,其中排列問題的步驟包括下列步驟將對于問題的可預測的答案映射到關于高排列目標對象的正和負的權值;合計對于每個問題的贊同的權值和不贊同的權值,并計算對于每個問題的兩個總數(shù)之間的差額;和根據(jù)該差額評價所述問題。
4.根據(jù)權利要求1的方法,其中排列問題的步驟包括下列步驟對于每個問題,計算在對應于最高排列目標對象及該問題的神經(jīng)元權值和對應于其它高排列目標對象及該問題的權值之間的差額;和通過比較每個問題的差額和其它問題的差額來評價所述問題。
5.根據(jù)權利要求1的方法,還包括下列步驟按照答案的映射權值和調整之前的神經(jīng)元權值之間的贊同度調整對應于猜測對象的神經(jīng)元權值。
6.根據(jù)權利要求5的方法還包括下列步驟按照用戶特定信息分類所述用戶;在與所述用戶類別關聯(lián)的數(shù)據(jù)庫中存儲所述調整了的權值;和對屬于所述用戶類別的一不同用戶使用所述關聯(lián)的數(shù)據(jù)庫。
7.根據(jù)權利要求6的方法,其中用戶特定信息是從用戶處獲得。
8.根據(jù)權利要求6的方法,其中用戶特定信息是從上述至少一個問題的至少一個答案推斷出的。
9.一種以X-Y矩陣格式構造的神經(jīng)網(wǎng)絡,其中該矩陣的每個神經(jīng)元定義一個輸入—輸出連接權值,該神經(jīng)網(wǎng)絡可以在第一模式下使用,其中X軸的元素是輸入節(jié)點,而Y軸的元素是輸出節(jié)點,也可在第二模式下使用,其中Y軸的元素是輸入節(jié)點,X軸的元素是輸出節(jié)點。
10.一種用于在詢問用戶至少一個問題之后,從一組目標對象中猜測用戶正在考慮的對象的游戲,該游戲使用以目標對象—問題矩陣格式構成的神經(jīng)網(wǎng)絡,其中矩陣的每個神經(jīng)元定義一個輸入-輸出連接權值,并且該神經(jīng)網(wǎng)絡可以在第一模式下使用,其中對所問問題的答案是輸入節(jié)點,而目標對象是輸出節(jié)點,和在第二模式下使用,其中目標對象是輸入節(jié)點,而問題是輸出節(jié)點,該游戲包括在第一模式中利用神經(jīng)網(wǎng)絡排列目標對象的裝置;在第二模式下利用神經(jīng)網(wǎng)絡排列問題的裝置;和根據(jù)目標對象的排列提供猜測的裝置。
11.一種承載指令和數(shù)據(jù)的表達的計算機可讀媒質,所述表達用于使計算機或手持裝置執(zhí)行在詢問用戶至少一個問題之后,從一組目標對象中猜測用戶正在考慮的對象的方法,該方法利用以目標對象-問題矩陣格式構成的神經(jīng)網(wǎng)絡,其中矩陣的每個神經(jīng)元定義一個輸入-輸出連接權值,并且該神經(jīng)網(wǎng)絡可以在第一模式下使用,其中對所問問題的答案是輸入節(jié)點,目標對象是輸出節(jié)點,也可在第二模式下使用,其中目標對象是輸入節(jié)點,問題是輸出節(jié)點,該方法包括以下步驟利用第一模式下的神經(jīng)網(wǎng)絡排列目標對象;利用第二模式下的神經(jīng)網(wǎng)絡排列問題;和根據(jù)目標對象的排列提供猜測。
全文摘要
一種在電子游戲中,在詢問用戶至少一個問題之后,從一組目標對象中猜測用戶正在考慮的對象的方法,該方法利用以目標對象-問題矩陣格式構造的神經(jīng)網(wǎng)絡,其中矩陣的每個神經(jīng)元定義了一個輸入-輸出連接權值,并且該神經(jīng)網(wǎng)絡可以在第一模式下使用,其中詢問問題的答案是輸入節(jié)點,而目標對象是輸出節(jié)點,并可在第二模式下使用,其中目標對象是輸入節(jié)點,而問題是輸出節(jié)點,該方法包括下列步驟利用第一模式下的神經(jīng)網(wǎng)絡排列目標對象;利用第二模式下的神經(jīng)網(wǎng)絡排列問題;和按照目標對象的排列提供猜測。
文檔編號G06N3/02GK1845131SQ200510108310
公開日2006年10月11日 申請日期2005年10月12日 優(yōu)先權日2005年4月6日
發(fā)明者羅賓·伯格納 申請人:20Q網(wǎng)絡公司