对维基百科概念的上下文知晓的分级的制作方法
【专利摘要】提供了用于分类概念的系统、方法和计算机可读和可执行的指令。分类概念能够包括选择具有多个附近的原文上下文的目标概念。分类概念还能够包括基于多个附近的原文上下文为目标概念确定多个候选类别。分类概念还能够包括选择预先规定数目的文章,每个文章具有与多个候选类别的希望的相关度。而且,分类概念能够包括基于与多个文章的相关度为多个候选类别中的每个计算相关度分数。
【专利说明】对维基百科概念的上下文知晓的分级
[0001] 背景 多个数据库能够包含大量的非结构化的文本数据（例如，不具有预先规定的数据模型 的信息）。具有非结构化的文本数据的多个数据库能够被分离成通用的信息类别。通用的 类别能够使用户能够导航处于特定类别的信息。
【专利附图】
【附图说明】
[0002] 图1是根据本公开的示出用于分类概念的方法的示例的流程图。
[0003] 图2是根据本公开的示出类别列表和示例文章的示例的示图。
[0004] 图3是根据本公开的示出用于分类概念的视觉表示的示例的示图。
[0005] 图4是根据本公开的示出计算设备的示例的示图。
【具体实施方式】
[0006] 包含文章（例如，文本处章，文本文档等）的多个数据库能够通过部分地基于特 定主题把多个文章放在特定类别中而被组织。例如，数据库能够识别可用的多个文章内的 潜在概念并且创建到所述文章（例如，文本，把信息与潜在概念相关的文本等）的链接。 在另一个示例中，数据库能够创建潜在地与文章内的多个概念相关的多个类别。在另一个 示例在，Wikipedia?能够是所述数据库。
[0007] 多个类别中的每一个还能够被链接到直接与多个类别相关的文章。例如，关于阿 凡达的文章能够包括第一类别，诸如"詹姆斯?卡梅隆的电影"，其中有个到关于詹姆斯?卡 梅隆所导演的若干电影的文章的链接。在相同的示例中，第二类别能够包括"其布景师曾 赢得过最佳布景学院奖的电影"，其中有个到关于已经荣获最佳布景学院奖的布景师的文 章的链接。
[0008] 多个类别可以不按照与特定文章的相关性的次序。例如，上述示例中的第一类别 能够比第二类别要与电影阿凡达相关的多得多。基于与特定文章的关系（例如，相关度 等）给多个类别分等级能给实施对特定主题的数据搜索的用户提供有价值的信息。
[0009] 在本公开的以下详细的说明中，参考形成该说明的一部分的附图，附图以图示的 方式示出能够怎样来实现本公开的示例。这些示例被充分详细地描述，以使本领域技术人 员能够实现本本开的示例，并且应该理解：在不背离本公开的范围的情况下，其它示例能 够被利用并且能够做出对过程、电气和/或结构的改变。
[0010] 此处的图尊从编号惯例，其中开头的一个或者多个数字对应附图号，剩余的数字 标识附图中的元件或者部件。不同图之间的类似元件或者部件可通过使用类似的数字来标 识。例如，222可以指代图2中的元件"22"，类似的元件可以被指代为图3中的322。此 处的不同图中所示出的元件能够被添加，互换和/或除去，以便提供本公开的多个附加示 例。另外，在图中所提供的元件的面积和相对比例目的在于图示本公开的示例，而不应该 从限制的意义上去看待。
[0011] 图1是根据本公开的示出用于分类概念的方法100的示例的流程图。分类概念能 够包括对与特定概念相关的多个候选类别分等级。例如，数据库内描述"超级英雄"的电 影的文章能够包括多个概念，诸如"超人"，"铁人"，"艺术家"，"导演"等。对于该文章 内的每个概念，也能够有多个类别。例如，概念"铁人"的分类能够包括"1968漫画处女作 (1968 comic debut)"，"电影角色"，"由史丹?李创建的角色"等。对多个类别分等级能 够使用户能够高效地为特定概念确定最相关的类别。
[0012] 在102,选择具有多个附近的原文上下文的目标概念。目标概念能够是此处所描 述的文章内的概念（例如，主题等）。目标概念能够按照多个类别来链接和/或分类。例 如，目标概念能够是与"超级英雄"相关的文章内的"铁人"。在这个示例中，概念"铁人" 能够能够被链接到多个类别（例如，"史丹?李的角色"，"电影角色"，"奇迹喜剧标题 (Marvel Comics titles)"等）。
[0013] 多个类别均能够被链接到具有对应于多个类别的主题的多个文章。例如，类别 "史丹?李的角色"能够被链接到关于由连环漫画册作者史丹?李所曾创建的角色的单独的 文章。
[0014] 目标概念能够采用多种方式加以选择。目标概念能够由用户人工地和/或经由利 用多个模块的计算设备自动地选择。例如，用户能够人工地选择文章内的概念以便对与所 选择的概念相关的多个类别进行分级。文章内的概念能够自动基于具有大于预先确定的阈 值的多个相应类别被自动地分类（例如，概念具有一个以上的对应类别，该概念因为具有 多个特征能够被自动地选择为目标概念等）。例如，计算设备能够扫描特定文章并且选择 具有特定数目的类别（例如，5, 10等）的多个概念（例如，单词，文本，短语，句子等）， 并且自动地针对多个概念对特定数目的类别分等级。
[0015] 对于目标概念，能够有附近的原文上下文。例如，目标概念"铁人"能够从连环漫 画册角色的列表中获得。在这个示例中，出现在铁人之前和之后的连环漫画册角色能够作 为附近的原文上下文被包括。附近的原文上下文能够是预先确定量的文本。例如，附近的 原文上下文能够是目标概念前的多个单词和目标概念后的多个单词。附近的原文上下文能 够是目标概念之前和之后的预先确定的数目的概念。例如，能够有被用作附近的原文上下 文的、目标概念之前的预先确定的两个概念和目标概念之后的两个概念。
[0016] 在104,基于多个附近的原文上下文为目标概念确定多个候选类别。多个候选类别 能够是与目标概念相关的多个希望的类别。例如，多个候选类别能够包括数据库内对应于 特定概念（例如，目标概念等）的预先确定的类别。
[0017] 多个候选类别能够包括数据库内的预先确定的类别的全部或者一部分。例如，如 果有对应于特定目标概念的20个类别，则多个候选类别能够是该类别的所有的20个。在 另一个示例中，如果有对应于特定目标概念的20个类别，则多个候选类别能够是大于为 与目标概念的相关度预先确定的阈值的20个类别的一部分（例如，5个与目标概念最相 关的类别，前50%的与目标概念最相关的类别，对于目标概念具有平均相关度的5个类别 等）。
[0018] 在106,预先规定数目的文章被选择，每个文章都与多个候选类别具有希望的相 关度。如此处所描述的，多个文章能够链接到多个候选类别中的每个。例如，如果候选类 别是"电影角色"，那么就能够有与类别电影角色（例如，刀锋（喜剧），恶灵骑士，美国队 长（Captain America)等）相关的多个文章。多个文章能够基于与附近的原文上下文内的 目标概念的相关度（例如，相似度，多个共同链接等）而被选择。例如，多个文章均能够 与目标概念和目标概念的附近的原文上下文比较，以确定相关度（relatedness)。
[0019] 相关度能够包括此处所描述的计算（例如，等式1-9)。计算能够包括评估在每个 候选类别内的多个文章和目标概念之间的多个共同链接（link)。例如，每个候选类别内的 多个文章中的每个和目标概念能够包括与不同的第二概念的多个链接。能够在与目标概念 的第二概念的链接和与每个候选类别内的多个文章的链接之间做出比较，以确定在目标概 念和每个候选类别之间的相关度。
[0020] 对于多个候选类别中的每个都能够存在多个偏向（例如，在确定相关度中能够产 生不希望的权重的因素等）。例如，如果有与候选类别相关的多个不完善的（例如，量有 限的信息，争议的信息，未引用的信息，恶评等）的文章，那么能够存在对于候选类别的 偏向。在一个示例中，如果候选类别具有被认为不可靠的（例如，未被引用的，等）的多 个文章，则候选类别能够具有偏向。在另一个示例，如果候选类别具有数量比较低的相关 文章（例如，少于K个文章，比其他候选类别更少的文章等），则候选类别能够具有偏向。
[0021] 每个候选类别内的多个文章能够被（例如利用数目为K个的文章，利用相关度的 阈值内的数目为K个文章等）过滤。过滤每个候选类别内的多个文章能够除去对特定候 选类别的偏向。过滤每个候选类别内的文章能够包括对于每个候选类别利用相同数目的文 章（例如，K个文章等）来降低对具有较少文章的候选类别的偏向。例如，与对具有较大 数目的文章的类别相比，能够更偏向于具有较少文章的类别，即使大数目文章的相关度小 于较少文章的情况下也是如此。
[0022] 过滤每个候选类别内的文章也能够包括利用相比较于相同候选类别的其他文章 而言处于平均（例如，数学中值，数学均值等）相关度内的多个文章。例如，如果对于每 个候选类别利用K个数目的文章并且对于特定候选类别，有大于K个数目的文章，那么具 有平均相关度的K个数目的文章能够被从大于K个数目的文章中选择。平均相关度能够包 括处于特定候选类别的相关度的阈值内的文章。这种类型的过滤还能够当在特定候选类别 内有少于K个数目的文章之时被实现。多个增补文章，其相关度处于具有少于K个数目的 文章的特定类别的平均相关度内，就能够被添加。
[0023] 在一些示例中，多个候选类别能够被划分成多个子成份名称。多个子成份名称能 够包括在具有和与数据库中的单独名称相关联的文章的多个链接的候选类别的标题内的 每个单独名称。例如，如果候选类别是"电影角色"，则子成份名称能够包括"电影"和"角 色"。在这个示例中，标题"电影"内的单独名称能够和与相关于电影的文章的多个链接相 关联。此外，在这个示例中，标题"角色"内的单独名称也能够和与相关于角色的文章的多 个链接相关联。
[0024] 对子成份类别的相关度能够基于与目标概念相关联的多个链接系相比的、与用于 每个子成份名称的文章的多个链接而加以计算。相关度能够利用此处所描述的等式计算。
[0025] 子成份类别的多个文章能够被过滤以便消除子成份类别内的偏向。如此处所描述 的，对特定类别（例如，候选类别，子成份类别，等）的偏向能够由于数量有限的相关文 章和/或缘由数量有限的出众文章（例如，引用的文章，评语高的文章，相关度高的文 章，等）而存在。过滤多个子成份类别能够包括利用每个子成份类别的K个数目的文章。 过滤多个子成份类别还能够包括利用与相同子成份类别内的其它文章相比相关度最高的K 个数目的文章。过滤多个子成份类别能够不同于过滤多个候选类别。例如，多个子成份类 别可以不具有数量比较高的文章，所述文章当和与候选类别相关的文章相比较时与目标概 念具有1?的相关度。在这个不例中，K个数目的文章能够包括最1?相关度的文章，以避免利 用具有很小和/或无相关度的文章。
[0026] 在108,基于与多个文章的相关度为多个候选类别中的每个计算相关度分数。相关 度分数能够利用等式计算，所述等式包括多个候选类别中的每个内的多个文章和目标概念 的相关度。如此处所描述的，相关度能够包括多个文章中的每个内的多个链接和目标概念 的文章内的多个链接之间的比较。
[0027] 此外，计算候选类别的相关度分数能够基于每个候选类别内的多个文章的相关度 和子成份类别的相关度这二者（例如，组合的计算的相关度）。如此处所描述的，多个候 选类别中的每个能够被划分成子成份类别。每个子成份类别能够被评估以计算与目标概念 的相关度。多个候选类别中的每个的子成份类别的相关度能够被利用来计算多个候选类别 中的每个的相关度分数。
[0028] 多个候选类别中的每个的相关度分数能够被利用来按照与目标概念的相关度对 多个候选类别来分级。例如，相关度分数能够被利用来把多个候选类别分级成从最相关的 类别到最小相关的类别。与最小相关类别相比，最相关类别能够与目标概念更相关。分级多 个候选类别和显示多个候选类别的分级能够使用户能够（例如，对目标概念感兴趣的一方 等）来基于该类别与目标概念的相关程度（例如，有关的，关联的，互连的，受信任的， 适应的等）而浏览目标概念的类别。
[0029] 图2是根据本公开的示出类别列表212和示例文章214, 216的示例的示图。类别 列表212能够包括多个类别，所述类别均包括与目标概念的特定相关度。该示图中的目标 概念是"铁人"。目标概念"铁人"包括被显示在类别列表212中的多个类别。对于目标概 念"铁人"显示有22个类别。还能够有与目标概念相关的图片213-1。图片213-1能够是 目标概念的照片和/或描画。图片213-1还能够被链接到能够与目标概念相关的文章和/ 或网站。
[0030] 类别列表212内的多个类别中的每个能够具有与多个文章214, 216的链接。例 如，类别列表212内的类别"电影角色"能够具有与文章214的链接。文章214能够包括 文章214的特定段落（例如，第一段，导言，摘要等）内的目标概念"铁人"222-1。目标 概念"铁人"222-1能够被多个附近的原文上下文（例如，不同于目标概念的文章内的单词 /短语，等）所围绕。在这个示例中，附近的原文上下文能够包括"美国队长"224-1。
[0031] 在另一个示例中，类别"由史丹·李创建的角色"还能够具有与文章216的链 接。文章216还能够包括文章216的特定段落内的目标概念"铁人"222-2。目标概念"铁 人"222-2能够包括此处所描述的附近的原文上下文。例如，附近的原文上下文能够包括 短语"虚构的角色"224-2。
[0032] 附近的原文上下文能够被利用来计算用于特定上下文内的目标概念的特定候选 类别的相关度。候选类别与目标概念的相关度能够基于附近的原文上下文而不同。例如， 与具有"虚构的角色"224-2的附近的原文上下文相比，目标概念"铁人"222-1能够具有与 具有"美国队长"224-1的附近的原文上下文的特定候选类别不同的相关度。
[0033] 多个文章214, 216的每个还能够分别包括图片213-2和图片213-3。每个图片 213-2, 213-3还能够包括与和多个文章214, 216相关的相应的网站和/或文章的链接。被 链接到图片213-2, 213-3的网站和/或文章还能够包括与位置（例如，数据位置，机器可 读介质等）的链接，在该位置处存储图片213-2, 213-3。
[0034] 图3是根据本公开的示出用于分类概念的视觉表示的示例的示图320。示图320是 被主机访问（或被尝试去访问的）多个链接的信息的图形表示。然而，在此处所使用的"示 图"不要求信息的物理的或者图形表示（例如，候选类别326,子成份类别328-1，328-2， 子代文章330-1，330-2,…，330-N等）在实际上存在。更确切而言，这样的示图320能 够在有形的介质中（例如，在计算设备的存储器中）被表示成数据结构。不过，此处的 参考和讨论针对图形表示（例如，候选类别326,子成份类别328-1，328-2,子代文章 330-1，330-2,…，330-N等）而进行，所述图形表示能够帮助读者来形象化地想象和理解和 本公开的多个示例。
[0035] 示图320能够包括目标概念322 (例如，铁人，^等）。目标概念322能够是来自 能够包括多个附近的原文上下文324-1，324-2(例如，尼克?弗瑞（Nick Fury)，神盾局 (S.H. I. E.L.D),美国队长（Captain America),浩克（Hulk), Tcontext 等）的其它文 本的段落（例如，文本Text (T)等）内的文本。附近的原文上下文324-1，324-2能够包括 比目标概念322(例如，附近的原文上下文324-1)能够被更早地找到的一些文本。附近的 原文上下文324-1，324-2还能够包括在段落中比目标概念322 (例如，附近的原文上下文 324-2)更晚地找到的一些文本。
[0036] 附近的原文上下文324-1，324-2能够被选择来包括位于目标概念322之前和之后 的文本以便得到对包括目标概念322的段落的上下文的进一步的理解。例如，附近的原文 上下文324-1，324-2能够被评估以确定附近的原文上下文324-1，324-2中的每个的多个链 接。多个相关的（例如，对应于附近的原文上下文324-1，324-2中的每个，被利用在与附 近的原文上下文324-1，324-2等相关的文章内）的链接能够被利用在等式内来计算此处所 描述的多个候选类别中的每个的相关度分数。
[0037] 附近的原文上下文324-1，324-2能够被与目标概念一起利用来确定和/或选择多 个候选类别326 (例如，1968漫画处女作，虚构发明家，G等）。候选类别326的列表能 够包括多个类别（例如，主题标题，与相关文章的链接等），每个类别与目标概念322之 间具有变化的相关度。对于多个候选类别326中的每个，相关度分数能够被利用多个子代 文章330-1，330-2,…，330-N(例如，刀锋，恶灵骑士，美国队长，4化一等）和多个子 成份类别328-1，328-2(例如，候选类别内的每个单词，对应于多个链接的候选类别内的 单词，Wkj，等）加以计算。相关度分数能够被利用来分级多个候选类别。候选类别的 分级的列表能够被显示给用户以用于选择对应于多个候选类别的多个相应的链接和/或 文章。例如，所选择的候选类别332 (例如，电影角色，，等）能够具有多个子代文章 330-1，330-2,…，330-N，并且被划分成被划分成多个子成份类别328-1，328-2,所述多个子 成份类别328-1，328-2能够被用来计算所选择的候选类别332的相关度分数。
[0038] 示图320包括作为所选择的类别332的候选类别"电影角色"。所选择的类别332 能够被划分成子成份类别328-1，328-2。例如，候选"电影角色"能够被划分成子成份类别 "电影"328-1和子成份类别"角色"328-2。如此处所描述的，多个子成份类别中的每个能 够被评估以确定与目标概念322的相关度。此外，多个子成份类别也能够被过滤以消除偏 向。
[0039] 如此处进一步所描述的，子成份类别能够通过限制在计算相关度分数中所使用 的多个子成份类别来被过滤。例如，子成份类别328-1，328-2中的每个能够就其与目标概 念322的相关度被评估。在相同示例中，子成份类别的预先确定的数目（K，等）能够被选 择来在所选择的候选类别332的相关度分数中的计算中加以利用。
[0040] 被确定与相同候选类别332内的其它子成份类别328-1，328-2相比相关度要高的 子成份类别328-1，328-2能够被选择。在相同示例中，被确定与相同候选类别332内的其 它子成份类别328-1，328-2相比相关度要低的子成份类别328-1，328-2能够被从候选类别 332的相关度分数计算中除去。
[0041] 所选择的候选类别332还能够包括多个子代文章330-1，330-2,…，330-N。多个 子代文章330-1，330-2,…，330-N能够是与所选择的候选类别332相关的文章。例如，多 个子代文章330-1，330-2,…，330-N能够在所选择的候选类别332的文本内被找到。
[0042] 多个子代文章330-1，330-2,…，330-N还能够被过滤以消除当与多个候选类别 326相比较时的偏向。如此处所描述的，多个子代文章中的每个能够具有与目标概念322 的相关度。如此处所描述的，相关度能够包括与相关文章的共同链接数目的确定。与目标 概念的相关度能够被利用来过滤多个子代文章330-1，330-2,…，330-N。在一个示例中， 多个子代文章330-1，330-2,…，330-N被限制到预先确定数目的子代文章330-1，330-2,… ，330-N(例如，K篇文章等）。如果多个子代文章330-1，330-2,…，330-N超过了预先确定 数目的子代文章330-1，330-2,…，330-N，则选择过程能够被启动来选择预先确定数目的 子代文章 330-1，330-2,…，330-N。
[0043] 选择过程能够基于多个子代文章330-1，330-2,…，330-N中的每个与目标概念 322的相关度。例如，预先确定的相关度阈值能够通过取用多个子代文章330-1，330-2,… ，330-N中的每个的平均相关度来加以确定。能够选择处于预先确定的阈值内的预先确定数 目的子代文章330-1，330-2,…，330-N。
[0044] 如此处所描述的那样，候选类别326中的每个能够被评估，并且每个候选类别的 相关度分数能够被计算326以便为每个候选类别326确定与目标概念322的相关度的等 级。在此处提供多个等式，它们能够被利用来计算此处所描述的相关度分数。在此处还提 供了多个等式，它们能够被利用来就与目标概念322的相关度来分级多个候选类别326。
[0045] 相关度等式能够被利用来计算在第一概念?,.和第二概念b之间的相关度（例如， )。该等式能够包括链接集（/?^4 )，此处a是第一概念^(例如，β?)和/或第 二概念例如，％ )的对应的文章。
[0046] 该等式能够利用第一概念?,.和第二概念^的链接集来测量在第一概念?,.和第二 概念b之间的相关度。链接集能够包括向内链接（例如，进入的链接等）和/或向外链 接（例如，出去的链接，等）来作为相关性的指标。越大量的共同链接（例如，对于每个 概念都是相同的链接等）能够导致在此处所描述的两个概念和/或类别之间有越大的相关 度。
[0047] 如此处所描述的，在特定类别内能够有数量有限的相关的链接。在特定类别内还 能够有数量有限的出众相关链接（例如，流行的链接，相关度高的链接等）。特定类别内 有数量有限的相关的链接能够导致在相同类别内的多个文章之间不具有共同的链接。如果 在多个文章之间没有共同的链接，则就能够产生值零的结果。
[0048] 等式1能够被利用来补偿相关度等式内的共同链接的缺乏。例如，等式1能够是 概率模型该模型能够把概念?表示成链接上的概率分布。等式1能够假定：在概念? 内有未见到的链路（例如，到不同网站的向外链路，等）具有出现的概率。
[0049] 在等式1内，/? 能够是特定链接出现在对应?的文章中的次数。另外，W 能够是概念?内的链接的数目。进而，續纟够是Dirichlet狄利克雷参数和/或常数值。 等式1。
【权利要求】
1. 一种用于分类概念的方法，包括： 从文章中选择具有多个附近的原文上下文的目标概念； 基于多个附近的原文上下文为目标概念确定多个候选类别； 选择多个附加文章，每个文章具有与多个候选类别的希望的相关度；和 基于与多个文章的相关度计算多个候选类别中的每个的相关度分数。
2. 如权利要求1所述的方法，其中选择多个附加文章包括除去其链接数目小于预先 确定的阔值的多个文章。
3. 如权利要求1所述的方法，其中选择多个附加文章包括除去超过预先确定的阔值 的多个文章。
4. 如权利要求3所述的方法，其中除去超过预先确定的阔值的文章包括计算在多个 候选类别中的每个文章和多个其它文章之间的相关度。
5. 如权利要求1所述的方法，其中计算相关度分数包括；如果文章数目小于预先确定 的阔值，则为候选类别增补多个数值。
6. 如权利要求5所述的方法，其中所增补的数目的文章具有等于最低相关度分数文 章的分数。
7. -种非临时性的机器可读介质，存储指令集，所述指令集可由处理器执行来使得计 算机去： 基于多个附近的原文上下文为目标概念确定多个候选类别； 把多个候选类别中的每个划分成多个子成份类别； 计算在多个子成份类别中的每个和目标概念之间的相关度；和 基于在多个子成份类别中的每个和目标概念之间的相关度来分级多个候选类别。
8. 如权利要求7所述的介质，其中子成份类别被过滤W除去偏向。
9. 如权利要求7所述的介质，还包括基于希望的子成份的相关度和具有多个文章的 候选类别的相关度来分级多个候选类别的指令集。
10. 如权利要求7所述的介质，其中多个子成份类别包括多个候选类别中的每个的多 个不同的名称。
11. 如权利要求7所述的介质，其中多个子成份类别的每个包括文章。
12. -种用于分类概念的计算系统，包括： 存储器资源； 处理资源，被禪合到存储器资源，用于实现： 候选类别确定模块，用于基于多个附近的原文上下文为目标概念确定多个候选类别； 文章选择模块，用于选择第一数目的文章，每个文章具有与多个候选类别的希望的相 关度； 候选类别确定模块，用于把多个候选类别中的每个划分成多个子成份名称，其中子成 份名称对应于第二数目的文章； 文章选择模块，用于从第一数目的文章选择希望数目的文章和从多个子成份名称选择 希望的子成份名称；和 计算模块，用于基于下列各项的组合式的计算的相关度来计算多个候选类别与目标概 念的相关度的分级： 第一数目文章和目标概念；和 对应于希望的子成份的第二数目的文章和目标概念。
13. 如权利要求12所述的计算系统，其中组合式的计算的相关度利用具有第一数目 的文章和目标概念的平均相关度的预先确定数目的文章。
14. 如权利要求12所述的计算系统，其中组合式的计算的相关度利用具有第二数目 的文章和目标概念的最大相关度的预先确定数目的文章。
15. 如权利要求12所述的计算系统，其中相关度利用多个共同的链接加W计算。
【文档编号】G06F17/30GK104471567SQ201280072860
【公开日】2015年3月25日 申请日期:2012年7月31日 优先权日:2012年7月31日
【发明者】侯 H., 陈 L., 陈 S., 蒋 P. 申请人:惠普发展公司，有限责任合伙企业