JP2018142272A - コンテンツ評価予測システム及びコンテンツ評価予測方法 - Google Patents
コンテンツ評価予測システム及びコンテンツ評価予測方法 Download PDFInfo
- Publication number
- JP2018142272A JP2018142272A JP2017037525A JP2017037525A JP2018142272A JP 2018142272 A JP2018142272 A JP 2018142272A JP 2017037525 A JP2017037525 A JP 2017037525A JP 2017037525 A JP2017037525 A JP 2017037525A JP 2018142272 A JP2018142272 A JP 2018142272A
- Authority
- JP
- Japan
- Prior art keywords
- content
- feature
- evaluation
- information
- prediction model
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims description 21
- 238000000605 extraction Methods 0.000 claims abstract description 83
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 description 118
- 238000010586 diagram Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
このテレビショッピングを用いて、商品の通信販売を行なう際、番組制作者(ディレクタ)が過去の経験を元に視聴者に対して購買意欲を生じさせる番組を、創造的な視点で行なっている。
また、広告のコンテンツを初めて作成する番組制作者にとっては、自身の作成する広告のコンテンツが、どの程度の視聴者から、商品に対するアクセスを得られるかは全く判らない。
そのため、特徴抽出部12は、画像特徴を抽出する画像特徴抽出部121と、台詞特徴を抽出する台詞特徴抽出部122とを備えている。
画像特徴抽出部121は、ディープラーニングを用いた機械学習により学習されたCNN(Convolutional Neural Network、畳み込みニューラルネットワーク)などで形成され、画像の特徴を抽出する画像特徴抽出機能を有しており、入力された画像に対応した所定の次元数の画像の特徴ベクトル(画像特徴ベクトル)を抽出する。
また、本実施形態においては、この画像特徴抽出部121における画像特徴抽出機能を有するCNNを、画像特徴量抽出の学習後の他のCNNを転意学習として用いている。まっさらな状態からCNNを作成することは、非常に多くの画像を必要とし、学習に使用できる学習コンテンツデータの数が限られている場合には現実的ではない。このため、本実施形態においては、AlexNetにおけるCNNのネットワークにおける層から、最後の全結合層を取り除いた部分までを、画像特徴抽出機能として用いている。
そして、最初の段の全結合層の出力を、本実施形態における、後述するコンテンツ評価予測モデルである予測器(スパースモデリングなど)に接続する。
これにより、台詞特徴抽出部122は、100次元の各次元毎に、全ての単語における特徴量を、全単語の各次元の特徴量を集約し、かつ100次元の各々の特徴量を最大値、最小値及び平均値の3種類(3次元)に拡張したデータからなる、300次元の特徴量を有する台詞特徴ベクトルを、抽出特徴記憶部18に対して書き込んで記憶させる。
例えば、画像特徴ベクトルのベクトル空間100においては、図3の画像特徴ベクトルテーブルにおけるコンテンツ名が動画Aであり、時間が00:01の特徴ベクトルが動画A_00:01と、時間が00:02の特徴ベクトルが動画A_00:02と表示されている。また、台詞特徴ベクトルのベクトル空間102においては、図4の台詞特徴ベクトルテーブルにおけるコンテンツ名が動画Aであり、時間が00:01の特徴ベクトルが台詞A_00:01と、時間が00:02の特徴ベクトルが台詞A_00:02と表示されている。
これにより、本実施形態によれば、番組作成者が(広告の番組制作にノウハウを有さない番組作成者であっても)、視聴者の評価を予測してコンテンツの作成が行えるため、視聴者の評価が全く不明な状態で、テレビショッピングの番組などで無駄に放映することが無くなる。
コンテンツデータ入力部11は、コンテンツ評価予測モデルを生成するための学習コンテンツのデータを外部装置から入力し、データベース16に対して書き込んで記憶させる。
台詞特徴抽出部122は、データベース16から学習コンテンツにおける評価周期単位でテキスト文章を、順次読み出す。そして、台詞特徴抽出部122は、評価周期内におけるテキスト文章から、すでに説明した辞書を参照しつつ、形態素解析を行なって単語の抽出を行なう。
台詞特徴抽出部122は、Word2vecあるいはDoc2vecを用いて、抽出した単語毎に、100次元の特徴ベクトルを抽出する。そして、台詞特徴抽出部122は、全ての単語の特徴ベクトルにおける各次元における特徴量の最大値及び最小値を抽出する。また、台詞特徴抽出部122は、全ての単語の特徴ベクトルにおける各次元における特徴量の平均値を求める。これにより、台詞特徴抽出部122は、100次元の各次元において、評価周期の全単語の特徴量における最大値及び最小値と、全単語の特徴量の平均値とを有するため、300次元の特徴量を有する台詞特徴ベクトルを生成する。
そして、台詞特徴抽出部122は、生成した台詞特徴ベクトルを評価周期に対応させて、抽出特徴記憶部18の台詞特徴ベクトルテーブルに書き込んで記憶させる。
台詞特徴抽出部122は、学習コンテンツにおける全ての評価周期において、この学習コンテンツの評価周期毎の台詞特徴ベクトルの抽出が終了したか否かの判定を行なう。このとき、台詞特徴抽出部122は、学習コンテンツにおける全ての評価周期において、この学習コンテンツの評価周期毎の台詞特徴ベクトルの抽出が終了した場合、処理をステップS5へ進める。一方、台詞特徴抽出部122は、学習コンテンツにおける全ての評価周期において、この学習コンテンツの評価周期毎の台詞特徴ベクトルの抽出が終了していない場合、次の順番の評価周期に対応した部分の学習コンテンツからの台詞特徴ベクトルの抽出を行なうため、処理をステップS2へ進める。
画像特徴抽出部121は、データベース16から学習コンテンツにおける評価周期単位で動画を、順次読み出す。テレビショッピングの場合、1秒間(所定周期)に30フレームの画像が用いられている。このため、画像特徴抽出部121は、例えば、1秒間における最初の1フレーム目をサンプリングとして読み出す。
そして、画像特徴抽出部121は、他のCNNから転移させたCNNで構成された特徴抽出機能により、サンプリングした画像から、この画像の画像特徴ベクトルを抽出する。
画像特徴抽出部121は、評価周期(1分)内における所定周期(1秒)の画像特徴ベクトル(60秒分の特徴ベクトル)を抽出したか(抽出が終了したか)否かの判定を行なう。このとき、画像特徴抽出部121は、評価周期内における所定周期の画像特徴ベクトルを抽出した場合、処理をステップS7へ進める。一方、画像特徴抽出部121は、評価周期内における所定周期の画像特徴ベクトルを抽出していない場合、処理をステップS5へ進める。
画像特徴抽出部121は、上記60秒分、すなわち60個の画像特徴ベクトルの4096次元の次元毎に特徴量の平均値を算出し、この次元それぞれの平均値からなる画像特徴ベクトルを、評価周期における画像特徴量ベクトルとして求める。そして、台詞特徴抽出部122は、求めた画像特徴ベクトルを評価周期に対応させて、抽出特徴記憶部18の画像特徴ベクトルテーブルに書き込んで記憶させる。
画像特徴抽出部121は、学習コンテンツにおける全ての評価周期において、この学習コンテンツの評価周期毎の画像特徴ベクトルの抽出が終了したか否かの判定を行なう。このとき、画像特徴抽出部121は、学習コンテンツにおける全ての評価周期において、この学習コンテンツの評価周期毎の画像特徴ベクトルの抽出が終了した場合、処理をステップS9へ進める。一方、画像特徴抽出部121は、学習コンテンツにおける全ての評価周期において、この学習コンテンツの評価周期毎の画像特徴ベクトルの抽出が終了していない場合、次の順番の評価周期に対応した部分の学習コンテンツからの画像特徴ベクトルの抽出を行なうため、処理をステップS5へ進める。
アクセス数集積部13は、学習コンテンツの評価周期毎のアクセス数を、外部装置から入力し、評価周期に対応させて抽出特徴記憶部18のアクセス数テーブルに書き込んで記憶させる。
次に、予測モデル生成部14は、重回帰モデルであるコンテンツ評価予測モデルの生成に使用する学習コンテンツデータ組を作成する。このとき、予測モデル生成部14は、抽出特徴記憶部18から、画像特徴ベクトルテーブルと、台詞特徴ベクトルテーブルと、アクセス数テーブルとを読み出し、それぞれを統合して学習コンテンツデータ組テーブルを構成して、抽出特徴記憶部18に書き込んで記憶させる。
予測モデル生成部14は、抽出特徴記憶部18の学習コンテンツデータ組テーブルを参照し、学習コンテンツデータ組のコンテンツ総合特徴ベクトルを重回帰モデルに入力し、出力される予測入電数が学習コンテンツデータ組テーブルにおける入電数に近づくように、重回帰モデルの回帰係数を調整する処理を行なう。このとき、予測モデル生成部14は、LASSOと呼ばれるL1最小化のアルゴリズムを用いた機械学習により、重回帰モデルの各特徴量に対する回帰係数のスパース化を行ない、重回帰モデルに基づく調整コンテンツ評価予測モデルを生成する。また、予測モデル生成部14は、生成したコンテンツ評価予測モデルを、抽出特徴記憶部18に書き込んで記憶させる。
すなわち、アクセス数予測部15は、抽出特徴記憶部18からコンテンツ評価予測モデルを読み出す。そして、アクセス数予測部15は、コンテンツ評価予測モデルに対し、対象コンテンツの評価周期毎の画像特徴ベクトル及び台詞特徴ベクトルから生成したコンテンツ総合特徴ベクトルを入力させ、評価周期毎の予測入電数を得る。
そして、アクセス数予測部15は、求めた予測入電数を、評価した対象コンテンツを識別する情報を付加し、評価周期の各々と、この評価周期に対応する予測入電数との組を、この対象コンテンツの評価結果として、評価結果記憶部19に書き込んで記憶させる。
また、このグラフにおいては、予測入電数が破線、実際の入電数が実線で示されている。図9のグラフにおける予測入電数と実際の入電数との誤差(RSME:root mean squared error)は、全ての評価周期の平均値として±1.0の範囲となっている。
図10(a)及び図10(b)の各々において、横軸は時間(評価周期(1分))を示し、縦軸が予測入電数及び入電数(発呼数)を示している。また、図10(a)及び図10(b)ともに、コンテンツの長さは30分である。また、この図10(a)及び図10(b)のグラフにおいては、予測入電数が破線、実際の入電数が実線で示されている。
この結果から、本実施形態によるコンテンツ評価予測モデルが予測する予測入電数は、実際にコンテンツを視聴した視聴者の評価を示す入電数とほぼ同様の数値(入電数の変化の傾向も同様)が得られることが判る。
また、本実施形態によれば、新たに作成しているコンテンツにおいて、入電数を増加させるように、視聴者に対してインパクトを与えて作成した評価周期における予測入電数が、期待したほど増加しない場合、コンテンツにおけるこの評価周期における画像及び台詞を他と変え、放映前に再度試すことができ、予測入電数の増加に寄与できるコンテンツを作成する作業を支援することができる。
また、テレビショッピングにおいて動画でなく、静止画が時系列に変化するコンテンツに対しても、同様に画像特徴を抽出して用いても良い。
また、本実施形態においては、視聴者からの評価を示す反応(アクセス数)として、電話による入電数を用いたが、これにファックスを受け取った受け取り数、あるいはウェブブラウザ(インターネットブラウザ)における商品が選択されたクリックの回数などを、利用者の評価の反応として用いても良い。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
11…コンテンツデータ入力部
12…特徴抽出部
13…アクセス数集積部
14…予測モデル生成部
15…アクセス数予測部
16…データベース
17…分解制限単語辞書記憶部
18…抽出特徴記憶部
19…評価結果記憶部
Claims (6)
- 時系列に情報が変化するコンテンツの前記情報の特徴である情報特徴を所定の周期毎に抽出する特徴抽出部と、
前記情報特徴と前記所定の周期毎におけるコンテンツの評価値としてのアクセス数とを用いた機械学習により、前記情報に対応する情報特徴を入力することにより、当該情報特徴に対するアクセス数を予測するコンテンツ評価予測モデルを生成する予測モデル生成部と
を備えることを特徴とするコンテンツ評価予測システム。 - 前記情報が少なくとも動画像及び台詞のいずれかを含んでいる
ことを特徴とする請求項1に記載のコンテンツ評価予測システム。 - 前記特徴抽出部が、
前記動画像の特徴抽出を行なう際、画像特徴抽出の学習後の他の畳み込みニューラルネットワーク(CNN)における全結合層前段までの特徴抽出機能を用いている
ことを特徴とする請求項2に記載のコンテンツ評価予測システム。 - 前記特徴抽出部が、
前記台詞の特徴抽出を行なう際、形態素解析において分解を制限する単語である分解制限単語を辞書に登録し、当該辞書を参照して形態素解析を行なう
ことを特徴とする請求項2または請求項3に記載のコンテンツ評価予測システム。 - 前記予測モデル生成部が、
前記予測モデルを生成する際、スパースモデリング法を用いる
ことを特徴とする請求項1から請求項4のいずれか一項に記載のコンテンツ評価予測システム。 - 特徴抽出部が、時系列に情報が変化するコンテンツの前記情報の特徴である情報特徴を所定の周期毎に抽出する特徴抽出過程と、
予測モデル生成部が、前記情報特徴と前記所定の周期毎におけるコンテンツの評価値としてのアクセス数とを用いた機械学習により、前記情報に対応する情報特徴を入力することにより、当該情報特徴に対するアクセス数を予測するコンテンツ評価予測モデルを生成する予測モデル生成過程と
を含むことを特徴とするコンテンツ評価予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017037525A JP6623186B2 (ja) | 2017-02-28 | 2017-02-28 | コンテンツ評価予測システム及びコンテンツ評価予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017037525A JP6623186B2 (ja) | 2017-02-28 | 2017-02-28 | コンテンツ評価予測システム及びコンテンツ評価予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018142272A true JP2018142272A (ja) | 2018-09-13 |
JP6623186B2 JP6623186B2 (ja) | 2019-12-18 |
Family
ID=63526695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017037525A Active JP6623186B2 (ja) | 2017-02-28 | 2017-02-28 | コンテンツ評価予測システム及びコンテンツ評価予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6623186B2 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059716A (zh) * | 2019-03-12 | 2019-07-26 | 西北大学 | 一种cnn-lstm-svm网络模型的构建及mooc辍学预测方法 |
CN110232437A (zh) * | 2019-05-30 | 2019-09-13 | 湖南大学 | 基于cnn的时间序列预测方法和模型确定方法 |
JP2020140673A (ja) * | 2019-03-01 | 2020-09-03 | 富士ゼロックス株式会社 | 学習装置、情報出力装置、及びプログラム |
JP2020140499A (ja) * | 2019-02-28 | 2020-09-03 | 富士通株式会社 | 付与方法、付与プログラム及び付与装置 |
CN111651444A (zh) * | 2020-05-25 | 2020-09-11 | 成都千嘉科技有限公司 | 一种自适应时间序列数据预测方法 |
CN113052558A (zh) * | 2021-03-30 | 2021-06-29 | 浙江畅尔智能装备股份有限公司 | 输电铁塔零件加工自动计件系统及其自动计件方法 |
CN114049519A (zh) * | 2021-11-17 | 2022-02-15 | 江西航天鄱湖云科技有限公司 | 一种光学遥感图像场景分类方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258254B (zh) * | 2020-12-21 | 2021-03-09 | 中国人民解放军国防科技大学 | 基于大数据架构的互联网广告风险监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001188788A (ja) * | 1999-12-28 | 2001-07-10 | Sony Corp | 会話処理装置および方法、並びに記録媒体 |
JP2015167279A (ja) * | 2014-03-03 | 2015-09-24 | 東京瓦斯株式会社 | 必要要員数算出装置、必要要員数算出方法及びプログラム |
-
2017
- 2017-02-28 JP JP2017037525A patent/JP6623186B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001188788A (ja) * | 1999-12-28 | 2001-07-10 | Sony Corp | 会話処理装置および方法、並びに記録媒体 |
JP2015167279A (ja) * | 2014-03-03 | 2015-09-24 | 東京瓦斯株式会社 | 必要要員数算出装置、必要要員数算出方法及びプログラム |
Non-Patent Citations (2)
Title |
---|
内田 祐介: "畳み込みニューラルネットワークの研究動向", 電子情報通信学会技術研究報告, vol. 117, no. 362, JPN6019020129, 10 December 2017 (2017-12-10), JP, pages 25 - 38, ISSN: 0004046737 * |
山元 浩平: "一般画像認識手法を応用したディスプレイ広告のユーザ属性推定とクリック率予測", 電子情報通信学会技術研究報告, vol. 114, no. 455, JPN6019020125, 12 February 2015 (2015-02-12), JP, pages 179 - 184, ISSN: 0004046736 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020140499A (ja) * | 2019-02-28 | 2020-09-03 | 富士通株式会社 | 付与方法、付与プログラム及び付与装置 |
JP7249580B2 (ja) | 2019-02-28 | 2023-03-31 | 富士通株式会社 | 付与方法、付与プログラム及び付与装置 |
JP2020140673A (ja) * | 2019-03-01 | 2020-09-03 | 富士ゼロックス株式会社 | 学習装置、情報出力装置、及びプログラム |
JP7293729B2 (ja) | 2019-03-01 | 2023-06-20 | 富士フイルムビジネスイノベーション株式会社 | 学習装置、情報出力装置、及びプログラム |
CN110059716A (zh) * | 2019-03-12 | 2019-07-26 | 西北大学 | 一种cnn-lstm-svm网络模型的构建及mooc辍学预测方法 |
CN110232437A (zh) * | 2019-05-30 | 2019-09-13 | 湖南大学 | 基于cnn的时间序列预测方法和模型确定方法 |
CN110232437B (zh) * | 2019-05-30 | 2021-11-16 | 湖南大学 | 基于cnn的时间序列预测方法和模型确定方法 |
CN111651444A (zh) * | 2020-05-25 | 2020-09-11 | 成都千嘉科技有限公司 | 一种自适应时间序列数据预测方法 |
CN111651444B (zh) * | 2020-05-25 | 2023-04-18 | 成都千嘉科技股份有限公司 | 一种自适应时间序列数据预测方法 |
CN113052558A (zh) * | 2021-03-30 | 2021-06-29 | 浙江畅尔智能装备股份有限公司 | 输电铁塔零件加工自动计件系统及其自动计件方法 |
CN113052558B (zh) * | 2021-03-30 | 2023-05-30 | 浙江畅尔智能装备股份有限公司 | 输电铁塔零件加工自动计件系统及其自动计件方法 |
CN114049519A (zh) * | 2021-11-17 | 2022-02-15 | 江西航天鄱湖云科技有限公司 | 一种光学遥感图像场景分类方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6623186B2 (ja) | 2019-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6623186B2 (ja) | コンテンツ評価予測システム及びコンテンツ評価予測方法 | |
CN111339415B (zh) | 一种基于多交互式注意力网络的点击率预测方法与装置 | |
CN107609152B (zh) | 用于扩展查询式的方法和装置 | |
JP7325156B2 (ja) | コンテキスト解析を用いた検索クエリの改善 | |
CN112100489B (zh) | 对象推荐的方法、装置和计算机存储介质 | |
CN110489574B (zh) | 一种多媒体信息推荐方法、装置和相关设备 | |
CN108475256A (zh) | 从同现矩阵生成特征嵌入 | |
CN117235586B (zh) | 酒店客户画像构建方法、系统、电子设备及存储介质 | |
CN111970536B (zh) | 一种基于音频生成视频的方法和装置 | |
CN113569129A (zh) | 点击率预测模型处理方法、内容推荐方法、装置及设备 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN107506479B (zh) | 一种对象推荐方法和装置 | |
CN113688310A (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
CN114357201B (zh) | 基于信息感知的视听推荐方法、系统 | |
CN112182281B (zh) | 一种音频推荐方法、装置及存储介质 | |
CN110717788A (zh) | 一种目标用户的筛选方法及装置 | |
JP2024508502A (ja) | 情報をプッシュする方法および装置 | |
CN114445121A (zh) | 一种广告点击率预测模型构建及广告点击率预测方法 | |
CN113204699B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN110971973A (zh) | 一种视频推送方法、装置及电子设备 | |
CN113742562B (zh) | 视频推荐方法、装置、电子设备及存储介质 | |
CN113934870B (zh) | 多媒体推荐模型的训练方法、装置及服务器 | |
CN114493674A (zh) | 一种广告点击率预测模型及方法 | |
CN111915339A (zh) | 数据的处理方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170501 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190130 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190130 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190201 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190423 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190604 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190726 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191029 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191125 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6623186 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313115 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |