CN116547685A - 信息处理装置、信息处理方法和程序 - Google Patents
信息处理装置、信息处理方法和程序 Download PDFInfo
- Publication number
- CN116547685A CN116547685A CN202180076320.3A CN202180076320A CN116547685A CN 116547685 A CN116547685 A CN 116547685A CN 202180076320 A CN202180076320 A CN 202180076320A CN 116547685 A CN116547685 A CN 116547685A
- Authority
- CN
- China
- Prior art keywords
- intervention
- user
- information processing
- effect
- processing apparatus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 74
- 238000003672 processing method Methods 0.000 title claims description 6
- 239000000463 material Substances 0.000 claims abstract description 186
- 230000000694 effects Effects 0.000 claims abstract description 158
- 238000003860 storage Methods 0.000 claims description 64
- 230000009471 action Effects 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 42
- 238000000034 method Methods 0.000 abstract description 34
- 238000005516 engineering process Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 31
- 238000003066 decision tree Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000009826 distribution Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 238000012790 confirmation Methods 0.000 description 11
- 230000001364 causal effect Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本技术涉及一种使得能够进行更有效的干预的信息处理装置和方法以及程序。根据本发明,干预处理系统估计作为进行干预的结果而获得的干预效果,并且基于所估计的干预效果,产生用于新进行的干预的干预材料。该技术可应用于用于对正在接收内容递送服务的提供的用户执行干预的干预处理系统。
Description
技术领域
本技术涉及一种信息处理装置、信息处理方法以及程序。更具体地,本技术涉及能够执行更有效的干预的信息处理装置、信息处理方法以及程序。
背景技术
近年来,大量用户可访问内容一直在增加,使得用户难以找到他们喜爱的内容。相反,由于严重的竞争,内容制作和分发企业已经发现越来越难以联系用户并且鼓励他们观看分发的内容。
即使用户到达介绍内容的给定网页,他们也犹豫实际在页面上动作,除非其以提示用户采取具体动作(观看、购买等)的方式呈现关于内容的信息。
另一方面,基于动作预测的机器学习模型被设计为预测当前动作,即,模型仅预测在不久的将来是否将采取特定动作。因此,机器学习模型可以不导致提供有效的信息呈现。
非专利文献1描述了用于估计与一组用户的干预(信息呈现)的因果效果(ATE:平均治疗效果)的技术。而且,存在用于预测与个体用户的干预的因果效果的被称为提升建模或ITE(个体治疗效果)估计的技术(参见非专利文献2或3)。
专利文献1描述了在估计干预的因果效果时,向用户提供关于基于因果效果的因果关系的解释的技术。
[现有技术文献]
[非专利文献]
[非专利文献1]
Lunceford,J.K.等,“Stratification and weighting via the propensityscore in estimation of causal treatment effects:a comparative study,”Statistics In Medicine,23(19),pp.2937-2960,[online],20Sep 2012,[searched onOctober8,2020],Internet<URL:http://www.math.mcgill.ca/dstephens/PSMMA/Articles/lunceford_davidian_2004.pdf>
[非专利文献2]
Wager,S.,Athey,S.,“Estimation and Inference ofHeterogeneous TreatmentEffects using Random Forests,”J.of the American Statistical Association,Vol.113,2018,01Dec 2015[searched on October 8,2020],Internet<URL:https://www.tandfonline.com/doi/full/10.1080/01621459.2017.1319839>
[非专利文献3]
Kunzel,S.R.等,“Meta-learners for Estimating Heterogeneous TreatmentEffects using Machine Learning,”arXiv,12Jun 2017,[searched on October 8,2020],Internet<URL:https://arxiv.org/abs/1706.03461>
[专利文献1]
日本专利公开号2019-194849。
发明内容
[技术问题]
然而,尽管非专利文献1至3中描述的技术可以估计干预的因果效果,但是它们不能指定需要执行哪种具体干预。
通过使用专利文献1中公开的技术来执行高度有效的干预需要人的参与;对于干预,需要参照专利文献1中公开的技术给出的因果关系的解释,基于决定作出合适的设置。
鉴于上述情况已经设计了本技术,并且提供了用于执行更有效的干预的技术。
[问题的解决方案]
根据本技术的一个方面,提供了一种信息处理装置,包括:信息处理部,被配置为估计由于执行干预而获得的干预效果,并且基于所估计的干预效果,生成用于要新执行的干预的干预材料。
根据预设技术的上述方面,估计由于执行干预而获得的干预效果。基于估计的干预效果,生成用于要新执行的干预的干预材料。
附图说明
图1是描述作为本技术的第一实施方式的干预处理系统的功能配置的框图。
图2是说明干预处理系统如何操作的流程图。
图3是列出存储在用户日志存储部中的典型用户日志的表格图。
图4是列出供干预效果估计部使用的典型用户特征量的表格图。
图5是列出用于估计干预效果的模型的典型配置的表格图。
图6是列出存储在估计干预效果存储部中的典型估计干预效果的表格图。
图7是列出存储在干预材料存储部中的干预的典型特征量的表格图。
图8是描绘作为典型干预模型的典型决策树的图。
图9是描绘典型的干预材料编辑屏幕的图。
图10是列出存储在模板存储部中的典型模板的表格图。
图11是列出存储在干预材料存储部中的典型的干预材料的表格图。
图12是描绘条件GAN的实例的图。
图13是描绘典型干预确认画面的图。
图14是描绘图1中的干预处理系统的变型的框图。
图15是描绘典型提取/编辑画面的图。
图16是描述作为本技术的第二实施方式的干预处理系统的功能配置的框图。
图17是典型的计算机配置的框图。
具体实施方式
下面描述用于实现本技术的实施方式。将以以下顺序进行呈现以下信息的描述:
1.第一实施方式(内容分发服务)
2.变形例
3.第二实施方式(医疗相关服务)
4.其他
<1.第一实施方式>
<干预处理系统的配置实例>
图1是描述作为本技术的第一实施方式的干预处理系统的功能配置的框图。
图1中的干预处理系统11对接收内容分发服务的提供的用户执行干预。干预涉及向用户呈现例如干预材料,用于提示用户对分发内容采取动作(即,观看、购买等)。在此上下文中,干预材料是指呈现给用户以促使其对内容采取动作的信息。由此,干预材料包括诸如标题、图像和捕捉短语之类的部分中的至少一个。呈现干预材料的位置例如是网页内呈现广告或推荐的空间,或将被发送给用户的信息(例如电子邮件)内的地点。
图1所示的功能配置通过由服务器的CPU执行的预定程序来实现,该服务器未示出。
干预处理系统11包括干预部21、用户状态获取部22、用户日志存储部23、信息处理部24、干预材料存储部25和干预确认部26。
干预部21对用户、即用户终端的显示部进行干预。应注意,一种或多种干预材料与每条内容相关联。每个干预材料被呈现给一个或多个用户。
用户状态获取部22从用户终端的UI(用户界面)或传感器获取表示由用户采取的动作的信息作为所执行的干预的结果,并且将所获取的信息输出到用户日志存储部23。应注意,即使在没有干预的状态下,由用户状态获取部22获取表示用户采取的动作的信息。
用户所采取的动作是指响应于服务所进行的干预(例如,正在呈现的缩略图)的点击或敲击、详细内容页面的观看、内容的实际观看、完成或未完成的观看、或诸如好/坏或五级评估的反馈。
在所获取的信息是传感器数据的情况下,用户状态获取部22基于传感器数据从用户的面部表情或其他生物信息中估计用户的行为(即,用户所采取的动作)。用户状态获取部22向用户日志存储部23输出表示所估计的行为的信息。
用户日志存储部23存储从用户状态获取部22提供的信息作为用户日志。另外,用户日志存储部23还与用户日志相关联地存储与干预部21进行的干预有关的信息(例如表示进行了哪些干预的内容IDs、以及识别了干预的干预IDs)。
信息处理部24估计作为执行干预的结果而获得的干预效果,并且基于所估计的干预效果,生成用于要新执行的干预的干预材料。另外,作为新执行的干预,可以包括将信息处理部24生成的干预材料用于初次干预的情况、即干预被更新的情况。
具体地说,信息处理部24包括干预效果估计部41、估计干预效果存储部42、干预分析部43、干预模型存储部44、干预材料生成部45和模板存储部46。
干预效果估计部41通过参照用户日志存储部23中的用户日志,估计针对个体用户进行的每次干预的干预效果(ITE:个体治疗效果)。例如,用于估计的方法可以是现有技术中描述的那些方法中的一种。干预效果估计部41将表示干预效果的估计结果的干预效果估计数据输出到估计干预效果存储部42。
应注意,作为干预效果,可替换地,可以估计ATE(平均治疗效果)或CATE(条件ATE)。
估计干预效果存储部42存储从干预效果估计部41提供的干预效果估计数据。
干预分析部43使用存储在估计干预效果存储部42中的估计干预效果数据,学习表示一方面干预特征量和用户特征量与另一方面估计干预效果之间的关系的干预模型。干预特征量预先被分析,或者被手动存储在干预材料存储部25中。注意,在一些情况下,学习内容特征量与估计的干预效果之间的关系。
对于学习,使用机器学习方法,该机器学习方法利用其可解释性允许下游的干预材料生成部45容易地解释由学习生成的特征量与估计的干预效果之间的关系。使用可解释的机器学习方法使得容易在下游利用学习的结果。
干预分析部43将学习到的干预模型输出到干预模型存储部44。
干预模型存储部44存储从干预分析部43提供的学习的干预模型。
干预材料生成部45基于存储在干预模型存储部44中的干预模型,使用对干预效果的贡献率高的干预特征量来生成干预材料。干预材料生成部45将所生成的干预材料输出到干预材料存储部25。
例如,干预材料生成部45从干预材料存储部25获取对干预效果贡献率高的多个干预材料部部,将获取到的干预材料部分合成为干预材料。此时,为了进行选择,可以使干预确认部26将干预材料部分呈现给干预材料制作者(以下简称作制作者)。
或者,干预材料生成部45也可以使干预确认部26例如向创建者呈现包含与对干预效果的贡献率高的特征量匹配的干预材料部分的模板。模板由构成完整干预材料的那些部分构成,其形成诸如图像中的人数和标题在其中位置的每个可变元素。预先人工制备这些模板。
模板存储部46存储模板和与模板有关的信息。例如,关于模板的信息包括模板特征。
干预材料存储部25存储从干预材料生成部45供给的干预材料、干预材料部分、干预特征量。
干预确认部26向内容分发经营者或内容所有者呈现由干预材料生成部45自动生成并存储在干预材料存储部25中的要确认的呈现干预材料。
注意,在人工创建干预材料的情况下,内容分发经营者或内容所有者确认创建的材料不是强制性的。
如上所述配置的干预处理系统11可以形成在网络上的服务器中。可选地,干预处理系统11的部分(诸如干预部21)可形成在用户终端中,并且系统的其余部分可形成在服务器中。应注意,例如,用户终端可以是用户所拥有的智能电话或个人计算机。
<干预处理系统的典型操作>
图2是说明干预处理系统11如何操作的流程图。
在步骤S21中,干预部21对接收内容分发服务的提供的用户进行干预。
用户状态获取部22从用户终端的UI或传感器获取指示作为执行干预的结果的由用户采取的动作的信息。用户状态获取部22将所获取的信息输出到用户日志存储部23。
在步骤S22中,用户日志存储部23存储从用户状态获取部22提供的信息作为用户日志。
在步骤S23中,干预效果估计部41在将估计干预效果数据输出到估计干预效果存储部42之前,参考用户日志存储部23中的用户日志来估计各个用户的每次干预的效果。估计干预效果存储部42存储从干预效果估计部41提供的干预效果估计数据。
在步骤S24中,干预分析部43学习表示一方面的干预特征量和用户特征量与另一方面的估计干预效果之间的关系的干预模型。干预模型存储部44存储从干预分析部43提供的干预模型。
在步骤S25中,干预材料生成部45基于存储在干预模型存储部44中的干预模型,使用对干预效果的贡献率高的干预特征量来生成用于干预的干预材料。干预材料生成部45将所生成的干预材料输出到干预材料存储部25进行存储。
在步骤S26中,干预确认部26使干预材料存储部25向内容分发经营者或内容所有者呈现存储在其中干预材料,用于确认。
此后,控制返回到步骤S21,并且重复步骤S21到S26的处理。
通过如上所述操作,干预处理系统11可以执行更有效的干预。
下面详细描述图2中的每个步骤中的过程。
<用户日志的存储>
首先解释在图2的步骤S21中进行干预时获取并在步骤S22中存储的用户日志。
图3是列出典型用户日志的表格图。
用户日志包括用户ID、内容ID、干预ID和反馈内容。
用户ID是用户的标识符。内容ID是作为干预目标的内容的标识符。干预ID是用户执行的干预的标识符。反馈内容包括指示在存在干预的状态下或在不存在干预的状态下用户所采取的动作的内容的信息。
从列表的顶部开始,第一用户日志表示在对具有用户ID“1001”的用户在具有内容ID“2001”的内容中执行具有干预ID“3001”的干预时反馈内容为“观看完成”。
第二用户日志表示对于具有用户ID“1001”的用户在具有内容ID“2002”的内容中没有干预的状态下,反馈内容是观看“观看详细页面”。
第三用户日志表示对于具有用户ID“1002”的用户在具有内容ID“2001”的内容中执行具有干预ID“3002”的干预时反馈内容为“无”。
第四用户日志表示对于具有用户ID“1002”的用户在具有内容ID“2003”的内容中执行具有干预ID“3004”的干预时反馈内容是“观看详细页面观看”。
第五用户日志表示对于具有用户ID“1003”的用户在具有内容ID“2003”的内容中执行具有干预ID“3005”的干预时,反馈内容为“观看中途结束”。
第六用户日志表示对于具有用户ID“1003”的用户在具有内容ID“2005”的内容中没有干预的状态下,反馈内容为“观看完成”。
<估计干预效果的方法>
接着,说明图2的步骤S23中的干预效果的估算方法。
干预效果估计部41针对各个干预估计针对各个体用户的干预效果(ITE)。作为具体实例,下面解释由Kunzel等人在文献中描述的称为“T-learner”的方法。注意,以下说明干预类型无关紧要的实例,其中用户日志就是否存在干预而言彼此区分。
干预效果估计部41将用户日志划分为两种情况:存在干预的情况和不存在干预的情况。干预效果估计部41通过使用现有的回归和分离算法来从用户特征量学习用于预测目标变量的模型μ1和μ0。目标变量表示用户对内容的动作,诸如是否在其中做出购买或者是否发生观看。例如,有关其观看是否发生的信息是从用户日志的反馈内容中获得的。
这里,模型μ1是基于“存在干预的情况”下的用户日志预测的模型。模型μ0是基于“不存在干预的情况”下的用户日志预测的模型。
图4是列出由干预效果估计部41使用的典型用户特征量的表格图。
用户特征量包括用户ID、性别、年龄组和站点访问计数。例如,用户特征量被存储在用户日志存储部23中。
从列表的顶部开始,具有用户ID“1001”的用户的特征量指定用户性别为“女”,处于“40岁”的年龄组,并且访问站点“14次”。
具有用户ID“1002”的用户的特征量指定用户性别为“男”,在“20岁”的年龄组中,并且“3次”访问站点。
具有用户ID“1003”的用户的特征量指定用户性别为“男”,处于“30岁”的年龄组,并且访问站点“6次”。
具有用户ID“1004”的用户的特征量指定用户性别为“女”,处于“50岁”的年龄组,并且“4次”访问站点。
例如,在图4的用户特征量中包含的各用户的性别、年龄组、访问计数的情况下,干预效果估计部41构成使用逻辑回归预测有无视听的模型。
图5是列出用于估计干预效果的模型的典型配置的表格图。
图5中的子图A表示构造使用在“存在干预的情况”下用户的特征量来估计干预效果的模型的实例。
Y=μ1(X)包括用户IDs、性别、年龄组、以及在存在干预的情况下用户的站点访问计数,并且根据关于用户的观看是否发生的信息作为目标变量。
在图5的子图A中,作为“存在干预的情况下”用户特征量的是具有用户ID“1001”的用户的特征量以及关于该用户是否发生观看的信息,以及具有用户ID“1005”的用户的特征量以及关于该用户是否发生观看的信息。
具有用户ID“1001”的用户的特征量指定用户性别为“女”,处于“40岁”的年龄组,并且“14次”访问站点。通过具有用户ID“1001”的该用户,观看是否发生为“是”。
具有用户ID“1005”的用户的特征量指定用户性别为“男”,处于“50岁”的年龄组,并且访问站点“12次”。通过具有用户ID“1005”的该用户,观看是否发生为“否”。
图5中的子图B表示在“不存在干预的情况”下使用用户的特征量来配置用于估计干预效果的模型的实例。
Y=μ0(x)包括“没有干预的情况”下的用户IDs、性别、年龄组、以及用户的站点访问计数,并且根据关于用户是否发生观看的信息作为目标变量。
在图5的子图B中,在“不存在干预的情况”下用作用户特征量的是具有用户ID“1002”至“1004”的用户的特征量以及关于这些用户是否发生观看的信息。
具有用户ID“1002”的用户的特征量指定用户性别为“男”,在“20岁”的年龄组中,并且“3次”访问站点。通过具有用户ID“1002”的该用户,观看是否发生为“否”。
具有用户ID“1003”的用户的特征量指定用户性别为“男”,处于“30岁”的年龄组,并且访问站点“6次”。通过具有用户ID“1003”的用户,观看是否发生为“是”。
具有用户ID“1004”的用户的特征量指定用户性别为“女”,处于“50岁”的年龄组,并且“4次”访问站点。通过具有用户ID“1004”的该用户,观看是否发生为“否”。
应注意,在存在多种干预的情况下,针对这些干预中的每种干预构造模型μ1t(t∈{1,2,...,T},其中T表示干预的数量)。
然后,干预效果估计部41使用以下的式(1),将表示干预的情况和没有干预的情况之间的预测观看概率的差异的T(Xnew)计算为关于不知道是否进行观看的用户(Xnew)的干预效果T。
[数学式1]
τ(xnew)=μ1(xnew)-μ0(xnew) …(1)
<估计的干预效果数据的实例>
如上所述估计干预效果提供了指示估计结果的估计干预效果数据,如图6所示。
图6是表示估计干预效果存储部42中存储的估计干预效果数据的构造例的表格图。
估计的干预效果数据将估计的干预效果与用于估计干预效果的用户IDs、内容IDs和干预IDs相关联。这里,估计干预效果由通过使用上面给出的表达式(1)计算出的估计观看概率的差来表示。
从列表的顶部开始,用户ID“1101”、内容ID“2001”和干预ID“3001”表示估计的干预效果被估计为“+0.32”的干预。
用户ID“1101”、内容ID“2001”、以及干预ID“3002”表示估计的干预效果被估计为“-0.06”的干预。
用户ID“1102”、内容ID“2001”、以及干预ID“3001”表示估计的干预效果被估计为“+0.11”的干预。
用户ID“1102”、内容ID“2001”、以及干预ID“3002”表示其估计的干预效果被估计为“+0.17”的干预。
<干预模型的学习>
接下来解释图2的步骤S24中的干预模型的学习。
干预分析部43学习表示一方面的干预特征量和用户特征量与另一方面的估计干预效果之间的关系的干预模型。干预特征量在被存储到干预材料存储部25中之前预先被分析或人工提供有关信息。
图7是列出存储在干预材料存储部25中的干预的典型特征量的表格图。
在图7中,干预的特征量包括干预ID、人数、标题位置、关键词1、关键词2等。人数表示在用于干预的干预材料内的图像中包括多少人。标题位置表示标题显示在干预材料内部的位置(顶部、中部、底部)。关键词是对于搜索构成干预目标的内容最佳的词。
从列表的顶部开始,具有干预ID“3001”的干预的特征量规定人数是“3”,标题位置是“顶部”,关键字1是“全美国”,并且关键字2是“摇晃的”。
具有干预ID“3002”的干预的特征量规定人数是“0”,标题位置是“底部”,并且关键词1是“大爆炸”。
具有干预ID“3004”的干预的特征量规定人数是“1”,标题位置是“中间”,关键字1是“恐怖”,并且关键字2是“黑暗”。
具有干预ID“3005”的干预的特征量规定人数是“2”,标题位置是“底部”,并且关键词1是“恐怖”。
图8是描绘作为典型干预模型的典型决策树的图。
图8中的决策树是通过使用图7中列出的干预特征量和图4中列出的用户特征量学习的示例性干预模型。
该决策树中的每个节点指示干预的特征量、基于作为干预目标的用户的特征量对干预的样本进行分类的情况下的样本数、MSE(均方误差)和平均效果。
在图8中,决策树包括三个层:顶层、中间层和底层。每个椭圆表示节点。每一节点指示样本数、MSE及在此节点处的平均效果。平均效果表示在每个节点的估计的干预效果的平均值。箭头表示样本的条件分支。以上指示的每个箭头是用于样本分类的条件。图中的符号[K]指向干预特征量之一。符号[U]表示用户特征量之一。
在决策树的顶层的节点处,样本数为“50”,MSE为“0.5”,并且平均效果为“+0.10”。
在上层节点的样本中,干预材料中人数大于1的样本被分类到中间层的左侧节点,并且干预材料中人数为1或更少的样本被分类到中间层的右侧节点。
在中间层的左侧节点,样本数为“15”,MSE为“0.2”,并且平均效果为“+0.24”。
在中间层的右侧节点,样本数为“35”,MSE为“0.3”,并且平均效果为“+0.04”。
在中间层的左侧节点处的样本中,在干预材料中具有处于底部的标题位置的样本被分类到底层中的最左节点,并且在干预材料中具有不处于底部的标题位置的样本被分类到底层中的从左边起第二节点。
在底层的最左节点,样本数为“10”,MSE为“0.1”,并且平均效果为“+0.28”。在底层中从左边起第二节点处,样本数为“5”,MSE为“0.1”,并且平均效果为“+0.16”。
在中间层的右侧节点处的样本中,用户年龄为30岁以下的样本被分类到底层中从左边起第三节点中,并且用户年龄大于30岁的样本被分类到底层中从左边起第四节点中。
在底层中从左边起第三节点处,样本数为“20”,MSE为“0.2”,并且平均效果为“+0.06”。在底层中从左边起第四节点处,样本数为“15”,MSE为“0.05”,并且平均效果为“+0.01”。
从图8中的决策树可以看出,平均效果在底层中的最左边节点处最高,并且在底层中从左边起第四节点处最低。即,使用决策树使得在干预材料的生成中可以容易地获得高效的干预的特征量和用户的特征量。
应注意,虽然干预效果的估计(步骤S23)和干预模型的学习(步骤S24)呈现为图2中的不同处理,但是可替代地这两个处理可以共同执行。即,在图1的信息处理部24中,具有互不相同的干预效果估计部41与干预分析部43,但在该情况下,干预效果估计部41也可以具备干预分析部43。换言之,干预效果估计部41和干预分析部43可以被重新配置为单个处理部。在这种情况下,干预效果估计部41还包括估计干预效果存储部42。
<干预材料的生成>
接着,说明图2的步骤S25中的干预材料的生成。
干预材料生成部45例如使用与图8的决策树中提供高干预效果的节点处的样本相对应的干预特征量和用户特征量来呈现干预材料部分。干预材料生成部45根据制作者的操作,通过组合所呈现的干预材料部分来生成干预材料。
图9是描绘典型的干预材料编辑画面的图。
在图9中的左侧描绘了模板选择画面,并且在右侧指示了干预材料编辑画面。注意,电影海报等可被假定用作干预材料。
在模板选择画面上,从模板存储部46读取与图8的决策树中提供高干预效果(平均效果)的节点处的样本对应的干预特征量匹配的模板。将由此检索的模板呈现给制作者。注意,在决策树中使用用户特征量的情况下,还基于用户特征量读出模板。
模板与模板关联信息一起被预先存储在模板存储部46中。
图9的模板选择画面的中央部显示符合图8的决策树的最下层的最左节点的条件(干预特征量)的模板1和模板2。在模板1和模板2各自的下方显示指示“使用这个”的文字的使用按钮。按压使用按钮选择在按钮上方显示的模板。另外,按压使用按钮使模板选择画面如箭头P所示那样转换到使用通过按压使用按钮而选择的模板的干预材料编辑画面。
在选择画面的左上角,指示标签T1。标签T1显示“干预效果+0.28;人数>1;标题位置=底部”作为图8中的决策树的底层中的最左节点处的干预效果和条件(干预特征量)。
在标签T1下方指示标签T2。标签T2显示“干预效果+0.16;人数>1;标题位置=底部”作为图8中决策树的底层中从左边起第二节点处的干预效果和条件。选择标签T2,在选择画面的中央部显示符合该节点的条件的模板和使用按钮。
在标签T2下方指示标签T3。标签T3显示“干预效果+0.04;人数≤1”作为图8中的决策树的底层中从左边起第三节点处的干预效果和条件。在选择标签T3时,在选择画面的中央部显示符合该节点的条件的模板和使用按钮。
在干预材料编辑画面中显示在模板选择画面上所选择的模板。编辑工具被显示在模板的左侧。创建者可以使用所显示的编辑工具来详细编辑模板。
要注意的是,在干预模型的任何条件与预先未嵌入干预材料中的内容(例如,关键字)相关联的情况下,诸如“推荐关键字:‘全美国’”的指示可被布置成显示在干预材料编辑画面上。这允许制作者知道所显示的关键字与该模板相关联。
在编辑模板改变通过干预模型预测的干预效果的情况下,干预材料编辑画面可以被布置为显示实时预测的干预效果。
图10是列出存储在模板存储部46中的典型模板的表格视图。
列表顶部的第一模板信息指示模板ID为“1”,人数为“2”,并且标题位置为“底部”。从顶部起第二模板信息指示模板ID为“2”,人数为“3”,并且标题位置为“底部”。从顶部起第三模板信息指示模板ID为“3”,人数为“1”,并且标题位置为“中间”。
制作者在模板选择画面中从所呈现的模板中选择受到好评的模板,在干预材料编辑画面中编辑所选择的模板。
在编辑画面上进行编辑而生成的干预材料被存储到干预材料存储部25中。在模板对应的节点处的条件包括用户特征量的情况下,还将用户特征量与所生成的干预材料相关联地存储。
图11是表示存储在干预材料存储部25中的典型的干预材料信息的表格图。
干预材料信息包括干预ID、人数、标题位置、关键词1、……、用户特征1等。
用于干预ID“3005”的干预材料信息指示人数是“2”,标题位置为“底部”,并且关键词1为“恐怖”。用于干预ID“4001”的干预材料信息指示人数为“2”,标题位置为“底部”,并且用户特征1为“年龄≤30”。
需要说明的是,模板可以预先人工制作。可替代地,模板可以通过提取与具有对干预效果的高贡献率的特征量匹配的干预材料部分并且通过将所提取的部分与根据需要的其他干预材料部分组合来自动生成。
在后一种情况下,例如,在已经生成干预模型(诸如图8中的决策树)并且干预目标是视频内容的情况下,对视频内容使用人类检测技术,以从中提取与每个节点的条件匹配的一系列场景。然后,面部位置检测技术用于所提取的场景,使得标题不与人物的面部重叠并且被置于满足被分成三个部分(即,顶部、中部和底部)的图像上的节点的条件的位置。模板因此自动生成。
应注意,上述干预模型的学习和干预材料的生成可以使用单个模型共同进行。即,图1中的信息处理部24具有彼此不同的干预分析部43和干预材料生成部45,但是替代地,干预分析部43和干预材料生成部45可以被重新配置为单个处理部。在这种情况下,可以省略干预模型存储部44。
在上述两个部分被重新配置为一个处理部的情况下,干预分析部43和干预材料生成部45例如由条件GAN(Generative Adversal Nets)配置。例如,在文献1(Mirza,M.等“Conditional Generative Adversal Nets,”arxiv,6Nov 2014,[Search on October 8,2020];互联网<URL:https://arxiv.org/abs/1411.178 4>)中描述了条件GAN。
图12是描绘条件GAN的实例的图。
图12中的条件GAN学习接收随机噪声z、内容特征f_c、用户特征f_u和干预效果的输入并且输出干预特征(或干预材料本身)的神经网络。然后,条件GAN生成可预期对目标内容提供高干预效果的干预材料。
条件GAN包括发生器G和识别器D。
发生器G接收随机噪声z、内容特征f_c、用户特征f_u和干预效果“e”的输入,并且生成生成的处理(干预材料)。例如,离散化到五个步骤的值可以用作干预效果“e”。
识别器D使用“真实(真)”或“假(假)”作为训练数据,从真实的处理(现有干预材料)、内容特征f_c、用户特征f_u和干预效果“e”的总和中识别发生器G产生的生成治疗、内容特征f_c、用户特征f_u和干预效果“e”的总和,并输出“真实”或“假”。识别器D使用“真实”或“假”作为训练数据来学习上述识别。
即,识别器D学习以输出发生器G不可与“真实处理”区分的“生成的处理”。实际上,在生成干预材料时,仅使用生成器G和识别器中的识别器D。
以上述方式生成的干预材料由内容分发经营者、由内容所有者等确认。
<干预的确认>
最后,解释图2中的步骤S26中的干预确认。
图13是描绘典型干预确认屏幕的图。
在图13中示出用于内容ID“2001”的两种干预材料候选。在每个干预材料候选项下显示的是检查按钮,其指示候选项在被检查时的可用性和在未被检查时的不可用性。
例如,通过观看干预确认屏幕,内容分发经营者确认每个干预材料候选是否满足下面解释的要求。在给定的干预材料候选不满足要求的情况下,内容分发经营者取消检查按钮以禁止使用干预材料候选。
应注意,在人工生成上述干预材料的情况下,干预确认不是强制性的。
在此,可以自动地预先确定(或无需人工确认)给定的干预材料是否满足要求并且删除被确定为不满足要求的干预材料。例如,可以采用预先训练以检测下面的情况(1)至(3)的识别器。
(1)检测侵犯知识产权行为。在这种情况下,例如,所测量的是一方面的干预材料的部分与另一方面的竞赛的标志标记和人物之间的相似度。如果所测量的相似度超过预定阈值水平,则删除所述干预材料部分。
(2)检测与其他干预材料部分的相似度。在这种情况下,测量整个干预材料的相似度。如果所测量的相似度超过预定阈值水平,则删除干预材料。
(3)检测干预材料是否违反公序良俗。在这种情况下,执行确认的主体(例如,内容分发经营商或内容所有者)预先定义被认为违背公序良俗的极端表达,并且如果从干预材料中检测到被确定为不适当的任何这样的极端表达,则删除该干预材料。
在被干预部21用于干预之前,如上所述生成并确认干预材料。
在干预时,在干预效果估计部41估计与各个用户的干预效果的情况下,干预效果估计部41可以针对与各个用户匹配的用户特征量(图11)参考干预材料存储部25,以便针对每个用户选择最佳的干预材料。
此外,在进行干预时,在存在用于干预的多个干预材料的情况下,可以以估计的干预效果的降序呈现干预材料。
以上述方式,干预处理系统11可以执行比之前更有效的干预。
<2.变形例>
<干预处理系统的变形>
图14是描绘图1中的干预处理系统的变型的框图。
图14的干预处理系统101与图1的干预处理系统11的不同之处在于,新添加了用户反馈获取部111、评价信息收集部112、内容提取部113和内容存储部114。
图14中与图1对应的部分用相应的附图标记表示,并且它们的解释在下文中将不再重复,因为它们是冗余的。此外,干预处理系统101执行与图1中的干预处理系统11基本上类似的处理。
用户反馈获取部111以与图2中的处理异步的方式将从用户状态获取部22提供的信息中的用户的评论和评价作为干预材料本身或作为其一部分存储到干预材料存储部25中。此时,也可以将按下了认可按钮(Like)的使用人数、平均值评价值等统计信息存储到干预材料存储部25中。
例如,在进行干预时,评论或评价呈现为一种类型的干预材料以及其他类型的干预材料。在存在多个评论或评价的情况下,可以按照估计的干预效果的降序呈现前N个评论或评价。可替换地,可以仅呈现具有等于或高于预定水平的估计的干预效果的评论或评价。当以干预效果的降序呈现评论或评价时,观看侧的用户发现容易观看它们。
评价信息收集部112以与图2中的处理异步的方式将从诸如SNS的外部服务的服务器获得的评价信息作为干预材料或其部分,预先存储到干预材料存储部25中。
评价信息是在标题标签中包括指定内容的标题的字符串、出现在内容中的演员的名字、以及包括导演的制作人员的名字的信息。优选地,在评价信息获取时,使用诸如情感分析的技术可以仅获取关于积极评价的信息。
在评价信息呈现时,评价信息可被嵌入在诸如“(给定数量的人)正在评论SNS”或“在(给定数量的人)、(给定数量的人)正在对SNS做出积极评价”的准备的模板中。可替代地,在评价信息中,涉及大量引用的帖子(例如,在Twitter上的fav和retweet)可以具体地不被修改地呈现为该服务的内容详细页中的干预材料。
内容提取部113以与图2中的处理异步的方式从用户状态获取部22获取用户对内容的反应。
用户的反应指的是从用户的操作获取的信息、关于用户的统计信息、和由传感器获得的用户的面部表情、汗水或其他行为的改变。例如,用户的反应构成关于发现用户对在时间方向上播放的内容(视频或音乐)特别感兴趣的点的信息。
统计信息是关于用户如何例如针对视频和音乐(诸如开始、停止和暂停)或针对书籍(诸如用户在每个页面上花费的时间)动作的信息。
内容提取部113参照用户的反应,从内容存储部114或从未图示的服务器中的内容中提取干预材料或其一部分,将所提取的内容存储到干预材料存储部25中。
图15是描绘用于从内容提取干预材料的典型提取/编辑画面的图。
在图15的提取/编辑画面的上部配置用于视频显示的视频显示部151。在视频显示部151的下方配置有倒带、播放、快进操作按钮。在操作按钮下,配置有显示视频时间线的时间线显示部152。
随着时间前进,时间线显示部152基于从用户状态获取部22获取的用户的反应来显示指示用户的兴趣和兴奋的波形。
如上所述配置的提取/编辑画面将用户的反应沿着内容的时间轴可视化。例如,响应于用户观看提取/编辑画面的操作,内容提取部113通过提取和编辑片段E中指示的内容的一部分来生成干预材料或其一部分。
<3.第二实施方式>
注意,以上描述的是用于用户接收内容分发服务的提供的实施方式。然而,这不是对本技术的限制。可替代地,还可以用接收其他服务的提供的用户来执行干预。这样的服务中的一种是用于使用户保持良好健康的医疗相关服务。下面解释通常可如何利用该技术实践该服务。
<干预处理系统的另一个配置实例>
图16是描述作为本技术的第二实施方式的干预处理系统的功能配置的框图。
图16中的干预处理系统201对接收医疗相关服务的提供的用户执行干预。
在图16中与在图1和图14中的部分对应的部分由相应的参考标号表示,并且在下文中将不再重复它们的解释,因为它们是冗余。
另外,干预处理系统201与干预处理系统101的不同之处在于新追加了干预材料材输入部211,并且去除了内容提取部113和内容存储部114。此外,干预处理系统201与干预处理系统101的不同之处在于确认干预材料的目标从分发经营商或内容提供商改变为服务运营商。
在图16的干预处理系统201中,来自诸如训练师和营养学家的专家的多条建议和鼓励可以用作干预材料或其一部分。由此,干预材料输入部211输入与训练者和营养学家的操作对应的建议和鼓励,例如作为干预材料或其一部分。
除了由干预处理系统201输入干预材料或其部件之外的处理基本上是由图1中的干预处理系统101执行的类似处理,并且它们的解释在下文中将不重复,因为它们是冗余的。
<4.其他>
<本技术的效果>
本技术允许估计由于执行干预而获得的干预效果,并且基于估计的干预效果,允许生成用于新干预的干预材料。
这使得可以进行高度有效的干预。
对于每个个体估计干预效果。
这进而使得有可能进行更详细的干预。
进一步,响应于用户的操作生成干预材料。
这种人为干预使得可以生成提供令人信服效果的干预材料。
<典型的计算机配置>
上述一系列处理可由硬件或软件执行。在要执行基于软件的一系列处理的情况下,将构成软件的程序安装到由专用硬件构建的合适的计算机中,或者从程序记录介质安装到通用计算机等设备中。
图17是描绘使用程序执行上述一系列处理的计算机的典型硬件配置的框图。
CPU 301、ROM(只读存储器)302和RAM 303通过总线304互连。
总线304进一步与输入/输出接口305连接。输入/输出接口305与包括键盘和鼠标的输入部306以及包括显示单元和扬声器的输出部307连接。输入/输出接口305进一步与包括硬盘和非易失性存储器的存储部308、与包括网络接口的通信部309、以及与驱动可移除介质311的驱动器310连接。
在如上所述配置的计算机中,CPU 301通过经由输入/输出接口305和总线304将适当的程序从存储部308加载到RAM 303中并通过执行加载的程序来执行上述一系列处理。
例如,当被提供用于安装到存储部308中时,将由CPU 301执行的程序记录在可移除介质311上。在被安装到存储部308中之前,程序还经由诸如局域网、因特网和数字卫星广播的有线或无线传输介质来提供。
要注意的是,由计算机执行的每个程序均可按时间顺序(即,在本描述中解释的序列中)与其他程序并行地处理,或者以其他合适的定时方式(例如,在根据需要调用程序时)处理。
应注意,在本说明书中,术语“系统”是指多个组件(例如,装置或模块(部件))的集合。所有部件是否容纳在同一外壳内无关紧要。因此,系统包括容纳在单独外壳中的多个装置,并且经由网络互连,或者与容纳多个模块的单个外壳中的单个装置互连。
在本说明书中陈述的有利效果仅是示例,而不是对本技术的限制,本技术也可以提供其他优点。
本技术不限于以上讨论的优选实施方式,并且可以在各种变化中实施,只要它们在本技术的范围内。
例如,本技术可以实现为云计算设置,其中,由联网的多个装置在共享基础上协作地处理单个功能。
此外,参考上述流程图讨论的每个步骤可以由单个装置或者由多个装置在共享基础上执行。
此外,在单个步骤包括多个处理的情况下,这些处理可以由单个装置或者由多个装置在共享基础上执行。
<配置的部件的示例性组合>
本技术可优选地以下列配置实现。
(1)
一种信息处理装置,包括:
信息处理部,被配置为估计作为执行干预的结果而获得的干预效果,并且基于所估计的干预效果,生成用于要新执行的干预的干预材料。
(2)
根据(1)所述的信息处理装置,其中
所述信息处理部包括:
干预效果估计部,被配置为估计所述干预效果,
学习部,被配置为学习表示所估计的干预效果与所述干预的特征量之间的关系的干预模型,以及
干预材料生成部,被配置为基于所述干预模型生成所述干预材料。
(3)
根据(2)所述的信息处理装置,其中
所述干预效果估计部估计关于单个用户的所述干预效果。
(4)
根据(2)所述的信息处理装置,其中
所述干预模型表示一方面的干预效果与另一方面的所述干预的特征量和用户的特征量之间的关系。
(5)
根据(2)所述的信息处理装置,其中
所述学习部通过使用具有可解释的机器学习方法来学习所述干预模型。
(6)
根据(2)的信息处理装置,其中,
上述干预材料生成部使用上述干预模型,基于与上述干预的特征量有关的干预效果,设定用于生成上述干预材料的上述干预的特征量。
(7)
根据(6)所述的信息处理装置,其中
所述干预材料生成部响应于用户的操作来生成所述干预材料。
(8)
根据(1)至(7)中任一项所述的信息处理装置,进一步包括:
干预部,通过使用上述干预材料来进行上述干预。
(9)
根据(1)至(8)中任一项所述的信息处理装置,进一步包括:
用户日志存储部,被配置为存储关于用户的动作的信息,其中,
所述信息处理部通过使用关于在执行所述干预的情况下所述用户的动作的信息以及关于在未执行所述干预的情况下所述用户的动作的信息来估计所述干预效果。
(10)
根据(9)所述的信息处理装置,其中
关于所述用户的动作的所述信息从附接到用户终端的传感器获得。
(11)
根据(9)所述的信息处理装置,其中
关于用户动作的信息从用户终端上提供的UI(用户界面)中获得。
(12)
根据(1)至(11)中任一项所述的信息处理装置,其中,
所述信息处理部生成包括多个部分的所述干预材料。
(13)
根据(12)的信息处理装置,进一步包括:
检测部,被配置为检测所生成的干预材料或所述部分是否满足预定条件,其中,
在检测到满足预定条件的情况下,禁止使用干所述预材料或所述部分。
(14)
根据(13)所述的信息处理装置,其中,
所述预定条件包括侵犯知识产权、与另一干预材料相似、或违反公共序良俗。
(15)
根据(12)的信息处理装置,进一步包括:
用户反馈获取部,被配置为获取用户对所述干预的反馈信息以作为所述干预材料或所述部分。
(16)
根据(12)的信息处理装置,进一步包括:
评价信息收集部,被配置为收集外部服务器中的评价信息作为所述干预材料或作为所述部分。
(17)
根据(12)的信息处理装置,进一步包括:
内容提取部,基于内容的详细内容来提取所述内容的一部分作为所述干预材料或所述部分。
(18)
根据(12)的信息处理装置,进一步包括:
干预材料输入部,被配置为将来自专家的关于建议或鼓励的信息作为所述干预材料或所述部分来输入。
(19)
根据以上(1)所述的信息处理装置,其中,
所述信息处理部包括:
干预效果估计部,被配置为估计所述干预效果并且学习表示所估计的干预效果与所述干预的特征量之间的关系的干预模型,以及
干预材料生成部,被配置为基于所述干预模型生成所述干预材料。
(20)
根据以上(1)所述的信息处理装置,其中,
所述信息处理部包括:
干预效果估计部,被配置为估计所述干预效果,以及
干预材料生成部,被配置为使用所估计的干预效果来学习所述干预材料以生成所述干预材料。
(21)
根据以上(1)所述的信息处理装置,其中,
所述信息处理部包括:
干预效果估计部,被配置为估计所述干预效果,以及
干预材料生成部,被配置为使用所述估计的干预效果来学习所述干预的特征量,以便基于所生成的所述干预的特征量生成所述干预材料。
(22)
一种信息处理方法,包括:
使信息处理装置估计作为执行干预的结果而获得的干预效果,并且基于所估计的干预效果,生成用于要新执行的干预的干预材料。
(23)
一种程序,用于使计算机用作:
信息处理部,估计作为执行干预的结果而获得的干预效果,并且基于所估计的干预效果,生成用于要新执行的干预的干预材料。
[符号说明]
11:干预处理系统21:干预部22:用户状态获取部
23:用户日志存储部24:信息处理部25:干预材料存储部
26:干预确认部41:干预效果估计部42:估计干预效果存储部
43:干预分析部44:干预模型存储部45:干预材料生成部
46:模板存储部101:干预处理系统111:用户反馈获取部
112:评价信息收集部113:内容提取部114:内容存储部
201:干预处理系统211:干预材料输入部。
Claims (20)
1.一种信息处理装置,包括:
信息处理部,被配置为估计作为执行干预的结果而获得的干预效果,并且基于所估计的干预效果,生成用于要新执行的干预的干预材料。
2.根据权利要求1所述的信息处理装置,其中,
所述信息处理部包括:
干预效果估计部,被配置为估计所述干预效果,
学习部,被配置为学习表示所估计的干预效果与所述干预的特征量之间的关系的干预模型,以及
干预材料生成部,被配置为基于所述干预模型生成所述干预材料。
3.根据权利要求2所述的信息处理装置,其中,
所述干预效果估计部估计关于单个用户的所述干预效果。
4.根据权利要求2所述的信息处理装置,其中,
所述干预模型表示一方面的所述干预效果与另一方面的所述干预的特征量和用户的特征量之间的关系。
5.根据权利要求2所述的信息处理装置,其中,
所述学习部通过使用具有可解释性的机器学习方法来学习所述干预模型。
6.根据权利要求2所述的信息处理装置,其中,
所述干预材料生成部使用所述干预模型,基于与所述干预的特征量有关的干预效果,设定用于生成所述干预材料的所述干预的特征量。
7.根据权利要求6所述的信息处理装置,其中,
所述干预材料生成部响应于用户的操作来生成所述干预材料。
8.根据权利要求1所述的信息处理装置,进一步包括:
干预部,被配置为通过使用所述干预材料来进行所述干预。
9.根据权利要求1所述的信息处理装置,进一步包括:
用户日志存储部,被配置为存储关于用户的动作的信息,其中,所述信息处理部通过使用关于在执行所述干预的情况下所述用户的动作的信息以及关于在不执行所述干预的情况下所述用户的动作的信息来估计所述干预效果。
10.根据权利要求9所述的信息处理装置,其中,
关于所述用户的动作的所述信息从附接到用户终端的传感器获得。
11.根据权利要求9所述的信息处理装置,其中,
关于所述用户的动作的所述信息从用户终端上提供的UI(用户界面)中获得。
12.根据权利要求1所述的信息处理装置,其中,
所述信息处理部生成包括多个部分的所述干预材料。
13.根据权利要求12所述的信息处理装置,进一步包括:
检测部,被配置为检测所生成的干预材料或者所述部分是否满足预定条件,其中,
在检测到满足所述预定条件的情况下,禁止使用所述干预材料或所述部分。
14.根据权利要求13所述的信息处理装置,其中
所述预定条件包括侵犯知识产权、与另一干预材料相似、或违反公序良俗。
15.根据权利要求12所述的信息处理装置,进一步包括:
用户反馈获取部,被配置为获取用户对所述干预的反馈信息以作为所述干预材料或所述部分。
16.根据权利要求12所述的信息处理装置,进一步包括:
评价信息收集部,被配置为收集外部服务器中的评价信息以作为所述干预材料或作为所述部分。
17.根据权利要求12所述的信息处理装置,进一步包括:
内容提取部,被配置为基于内容的详细内容来提取所述内容的一部分作为所述干预材料或所述部分。
18.根据权利要求12所述的信息处理装置,进一步包括:
干预材料输入部,被配置为将来自专家的关于建议或鼓励的信息作为所述干预材料或所述部分来输入。
19.一种信息处理方法,包括:
使信息处理装置估计作为执行干预的结果而获得的干预效果,并且基于所估计的干预效果,生成用于要新执行的所述干预的干预材料。
20.一种程序,用于使计算机用作:
信息处理部,估计作为执行干预的结果而获得的干预效果,并且基于所估计的干预效果,生成用于要新执行的干预的干预材料。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020191475 | 2020-11-18 | ||
JP2020-191475 | 2020-11-18 | ||
PCT/JP2021/040497 WO2022107596A1 (ja) | 2020-11-18 | 2021-11-04 | 情報処理装置および方法、並びにプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116547685A true CN116547685A (zh) | 2023-08-04 |
Family
ID=81708802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180076320.3A Pending CN116547685A (zh) | 2020-11-18 | 2021-11-04 | 信息处理装置、信息处理方法和程序 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230421653A1 (zh) |
CN (1) | CN116547685A (zh) |
WO (1) | WO2022107596A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5507607B2 (ja) * | 2012-04-06 | 2014-05-28 | ヤフー株式会社 | コンテンツ提供装置、低ランク近似行列生成装置、コンテンツ提供方法、低ランク近似行列生成方法およびプログラム |
JP5485454B1 (ja) * | 2013-06-28 | 2014-05-07 | シャープ株式会社 | 販促効果推定装置、発注管理装置、販促効果推定方法、販促効果推定プログラム及びシステム |
JP6547370B2 (ja) * | 2015-03-30 | 2019-07-24 | 沖電気工業株式会社 | 介入情報提供装置、介入情報提供方法、プログラム、及び介入情報提供システム |
-
2021
- 2021-11-04 WO PCT/JP2021/040497 patent/WO2022107596A1/ja active Application Filing
- 2021-11-04 US US18/252,531 patent/US20230421653A1/en active Pending
- 2021-11-04 CN CN202180076320.3A patent/CN116547685A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230421653A1 (en) | 2023-12-28 |
WO2022107596A1 (ja) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241311B (zh) | 媒体信息推荐方法、装置、电子设备及存储介质 | |
CN109783632B (zh) | 客服信息推送方法、装置、计算机设备及存储介质 | |
CN109547814B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
JP6838376B2 (ja) | 製品関連情報を送信する方法、プログラム、及びサーバ装置。 | |
JP6753115B2 (ja) | コンテンツ管理装置、コンテンツ管理方法及びプログラム | |
US20140298364A1 (en) | Recommendations for media content based on emotion | |
CN107066464A (zh) | 语义自然语言向量空间 | |
US20170076321A1 (en) | Predictive analytics in an automated sales and marketing platform | |
CN108476259A (zh) | 基于用户行为的内容推荐的系统和方法 | |
CN110291542B (zh) | 主要原因估计装置、主要原因估计系统以及主要原因估计方法 | |
CN112468853B (zh) | 电视资源推荐方法、装置、计算机设备及存储介质 | |
CN115917535A (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
US20130036081A1 (en) | Information processing device, information processing method, and program | |
CN115618024A (zh) | 多媒体推荐方法、装置及电子设备 | |
US20130268288A1 (en) | Device, method, and program for extracting abnormal event from medical information using feedback information | |
JP2019045978A (ja) | 対話制御装置、学習装置、対話制御方法、学習方法、制御プログラム、および、記録媒体 | |
US20190295110A1 (en) | Performance analytics system for scripted media | |
US20170316807A1 (en) | Systems and methods for creating whiteboard animation videos | |
CN113947131A (zh) | 模型训练方法、装置、设备及存储介质 | |
CN113342942A (zh) | 语料自动化获取方法、装置、计算机设备及存储介质 | |
JP2012194691A (ja) | 識別器の再学習方法、再学習のためのプログラム、及び画像認識装置 | |
CN110309359B (zh) | 视频相关性预测方法、装置、设备及存储介质 | |
Robinson et al. | Transferable models for bioacoustics with human language supervision | |
CN116547685A (zh) | 信息处理装置、信息处理方法和程序 | |
KR102486806B1 (ko) | 인공지능에 기반하여 시놉시스 텍스트를 분석하고 시청률을 예측하는 서버 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |