JP2018190396A - ネットワークレーティング予測エンジン - Google Patents
ネットワークレーティング予測エンジン Download PDFInfo
- Publication number
- JP2018190396A JP2018190396A JP2018071414A JP2018071414A JP2018190396A JP 2018190396 A JP2018190396 A JP 2018190396A JP 2018071414 A JP2018071414 A JP 2018071414A JP 2018071414 A JP2018071414 A JP 2018071414A JP 2018190396 A JP2018190396 A JP 2018190396A
- Authority
- JP
- Japan
- Prior art keywords
- model
- training
- building
- data
- features
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
このエンジンはさらに、ユーザステータスおよびコンテキスト情報を組み入れて、モデル構築のための従来の方法と比較してより優れたパフォーマンスおよびより正確な予測を提供することができる。場合によっては、本願明細書に記載される手法は、推薦サービスにおいて、項目の元の作成者がレーティングを含めなかった場合および/またはパブリケーションチャンネルがレーティング入力のメカニズムを提供しない場合に、レビューまたはその他公開される項目について個人的レーティングを予測するために使用できる。本願明細書に記載される手法は、業務最適化サービスにおいて、サービスレベルの満足度を予測するために使用することができる。この手法はさらに、インバウンド戦略サービスにおいて観光資源およびインフラストラクチャを評価するため、および/またはその他の適切な利用シナリオにおいて使用できる。
よって、予測結果122は、以前レーティングされていない各レビューについて、レビューされる場所に関するレビュー作成者の満足度または不満度のレベルの定量的な尺度である予測されたレーティングを提供する。
例示の式4 − 訓練−検証の差
dT−V=|costtraining−costvalidation|
例示の式5 − 強度適応
S=a0+a1dT−V+a2d’T−V
例示の式6 − ランダムドロップアウトマスク
M〜P(S)
例示の式7 − ドロップアウト演算
さらに、上述の実装における様々なシステムコンポーネントの分離は、すべての実装においてそのような分離を要求するものと理解されてはならず、当然のことながら、記載されているプログラムコンポーネントおよびシステムは、一般に、単一ソフトウェア製品に統合されても、または複数のソフトウェア製品にパッケージ化されてもよい。
Claims (20)
- 少なくとも1つのプロセッサによって実行される、コンピュータに実装される方法であって、前記方法は、
レーティングつきの複数のレビューを含む第1のレビューデータを、前記少なくとも1つのプロセッサによって受信するステップと、
前記第1のレビューデータに基づいて少なくとも1つの予測モデルを構築するために実行される複数のモデル構築トランザクションを、前記少なくとも1つのプロセッサによって決定するステップと、
少なくとも1つの深層畳み込みニューラルネットワーク(CNN)を使用することにより、前記少なくとも1つのプロセッサによって前記少なくとも1つの予測モデルを構築するステップであって、複数の計算ノード上での並列実行のために前記複数のモデル構築トランザクションを分配することを含む、前記構築するステップと、
レーティングつきでない複数のレビューを含む第2のレビューデータを、前記少なくとも1つのプロセッサによって受信するステップと、
前記少なくとも1つの予測モデルを使用して、前記レーティングつきでない複数のレビューのそれぞれについて、レーティングを、前記少なくとも1つのプロセッサによって予測するステップと、
を含む、方法。 - 前記複数のモデル構築トランザクションは、スケジューラにより、前記複数の計算ノードの負荷情報に基づき分配され、
前記負荷情報は、個々の計算ノード上でそれぞれ実行される複数の訓練マネージャから前記スケジューラにより受信される、請求項1に記載の方法。 - 前記少なくとも1つの予測モデルの前記構築は、絶対差係数および分布差異係数を含むヒューリスティック数式を用いるヒューリスティック教師なし事前訓練を含む、請求項1に記載の方法。
- 前記少なくとも1つの予測モデルの前記構築は、複数のユーザモーメント特徴と、前記少なくとも1つの深層CNNから出力される複数の特徴とを組み合わせることによって統合された複数の特徴を提供する、ユーザモーメント特徴融合を含む、請求項1に記載の方法。
- 前記少なくとも1つの予測モデルの前記構築は、前記統合された複数の特徴を削減する適応型過剰適合低減を含む、請求項4に記載の方法。
- 前記適応型過剰適合低減は、1つ以上の反復において、
前記統合された特徴のサブセットをランダムにドロップアウトするステップと、
訓練データおよび検証データに適用される訓練反復の出力間の差に基づいて、強度パラメータを決定するステップと、
を含み、前記強度パラメータは、次の反復におけるランダムドロップアウトの量を示す、請求項5に記載の方法。 - 前記少なくとも1つの深層CNNは、異なる範囲の複数の畳み込み層を含む、請求項1に記載の方法。
- 前記複数の畳み込み層は、フレーズ特徴マップ群、センテンス特徴マップ群、パラグラフ特徴マップ群、およびコンテキスト特徴マップ群に対応する層を含む、請求項7に記載の方法。
- 少なくとも1つのプロセッサと、
前記少なくとも1つのプロセッサに通信結合されたメモリと、
を備えるシステムであって、前記メモリは、前記少なくとも1つのプロセッサによって実行されると前記少なくとも1つのプロセッサに動作を実行するよう命令する命令を記憶し、前記動作は、
レーティングつきの複数のレビューを含む第1のレビューデータを受信することと、
前記第1のレビューデータに基づいて少なくとも1つの予測モデルを構築するために実行される複数のモデル構築トランザクションを決定することと、
少なくとも1つの深層畳み込みニューラルネットワーク(CNN)を使用することにより前記少なくとも1つの予測モデルを構築することであって、複数の計算ノード上での並列実行のために前記複数のモデル構築トランザクションを分配することを含む、前記構築することと、
レーティングつきでない複数のレビューを含む第2のレビューデータを受信することと、
前記少なくとも1つの予測モデルを使用して、前記レーティングつきでない複数のレビューのそれぞれについてレーティングを予測することと、
を含む、システム。 - 前記複数のモデル構築トランザクションは、スケジューラにより、前記複数の計算ノードの負荷情報に基づき分配され、
前記負荷情報は、個々の計算ノード上でそれぞれ実行される複数の訓練マネージャから前記スケジューラにより受信される、請求項9に記載のシステム。 - 前記少なくとも1つの予測モデルの前記構築は、絶対差係数および分布差異係数を含むヒューリスティック数式を用いるヒューリスティック教師なし事前訓練を含む、請求項9に記載のシステム。
- 前記少なくとも1つの予測モデルの前記構築は、複数のユーザモーメント特徴と、前記少なくとも1つの深層CNNから出力される複数の特徴とを組み合わせることによって統合された複数の特徴を提供する、ユーザモーメント特徴融合を含む、請求項9に記載のシステム。
- 前記少なくとも1つの予測モデルの前記構築は、前記統合された複数の特徴を削減する適応型過剰適合低減を含む、請求項12に記載のシステム。
- 前記適応型過剰適合低減は、1つ以上の反復において、
前記統合された特徴のサブセットをランダムにドロップアウトすることと、
訓練データおよび検証データに適用される訓練反復の出力間の差に基づいて、強度パラメータを決定することと、
を含み、前記強度パラメータは、次の反復におけるランダムドロップアウトの量を示す、請求項13に記載のシステム。 - 前記少なくとも1つの深層CNNは、異なる範囲の複数の畳み込み層を含む、請求項9に記載のシステム。
- 前記複数の畳み込み層は、フレーズ特徴マップ群、センテンス特徴マップ群、パラグラフ特徴マップ群、およびコンテキスト特徴マップ群に対応する層を含む、請求項15に記載のシステム。
- 少なくとも1つのプロセッサによって実行されると前記少なくとも1つのプロセッサに動作を実行するよう命令する命令を記憶している1つ以上のコンピュータ可読ストレージ媒体であって、前記動作は、
レーティングつきの複数のレビューを含む第1のレビューデータを受信することと、
前記第1のレビューデータに基づいて少なくとも1つの予測モデルを構築するために実行される複数のモデル構築トランザクションを決定することと、
少なくとも1つの深層畳み込みニューラルネットワーク(CNN)を使用することにより前記少なくとも1つの予測モデルを構築することであって、複数の計算ノード上での並列実行のために前記複数のモデル構築トランザクションを分配することを含む、前記構築することと、
レーティングつきでない複数のレビューを含む第2のレビューデータを受信することと、
前記少なくとも1つの予測モデルを使用して、前記レーティングつきでない複数のレビューのそれぞれについてレーティングを予測することと、
を含む、1つ以上のコンピュータ可読ストレージ媒体。 - 前記複数のモデル構築トランザクションは、スケジューラにより、前記複数の計算ノードの負荷情報に基づき分配され、
前記負荷情報は、個々の計算ノード上でそれぞれ実行される複数の訓練マネージャから前記スケジューラにより受信される、請求項17に記載の1つ以上のコンピュータ可読ストレージ媒体。 - 前記少なくとも1つの予測モデルの前記構築は、絶対差係数および分布差異係数を含むヒューリスティック数式を用いるヒューリスティック教師なし事前訓練を含む、請求項17に記載の1つ以上のコンピュータ可読ストレージ媒体。
- 前記少なくとも1つの予測モデルの前記構築は、複数のユーザモーメント特徴と、前記少なくとも1つの深層CNNから出力される複数の特徴とを組み合わせることによって統合された複数の特徴を提供する、ユーザモーメント特徴融合を含む、請求項17に記載の1つ以上のコンピュータ可読ストレージ媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/480,011 US10769532B2 (en) | 2017-04-05 | 2017-04-05 | Network rating prediction engine |
US15/480,011 | 2017-04-05 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018190396A true JP2018190396A (ja) | 2018-11-29 |
JP6722713B2 JP6722713B2 (ja) | 2020-07-15 |
Family
ID=63711603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018071414A Active JP6722713B2 (ja) | 2017-04-05 | 2018-04-03 | ネットワークレーティング予測エンジン |
Country Status (2)
Country | Link |
---|---|
US (1) | US10769532B2 (ja) |
JP (1) | JP6722713B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7418570B2 (ja) | 2020-06-29 | 2024-01-19 | テンセント・アメリカ・エルエルシー | スタック可能ネスト化モデル構造を用いたマルチレート・ニューラルイメージ圧縮のための方法および装置 |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220188700A1 (en) * | 2014-09-26 | 2022-06-16 | Bombora, Inc. | Distributed machine learning hyperparameter optimization |
US10956816B2 (en) | 2017-06-28 | 2021-03-23 | International Business Machines Corporation | Enhancing rating prediction using reviews |
KR102036968B1 (ko) * | 2017-10-19 | 2019-10-25 | 한국과학기술원 | 전문화에 기반한 신뢰성 높은 딥러닝 앙상블 방법 및 장치 |
US11410086B2 (en) * | 2018-02-22 | 2022-08-09 | General Electric Company | System and method for class specific deep learning |
US10965708B2 (en) * | 2018-06-06 | 2021-03-30 | Whitehat Security, Inc. | Systems and methods for machine learning based application security testing |
CN110795976B (zh) * | 2018-08-03 | 2023-05-05 | 华为云计算技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
JP7260085B2 (ja) * | 2019-01-24 | 2023-04-18 | 株式会社電通 | 枠交換評価システム、枠交換評価装置及びプログラム |
CN109858622B (zh) * | 2019-01-31 | 2021-03-02 | 瑞芯微电子股份有限公司 | 深度学习神经网络的数据搬运电路和方法 |
US20220191107A1 (en) * | 2019-02-26 | 2022-06-16 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and devices for transfer learning for inductive tasks in radio access network |
CN110196912B (zh) * | 2019-04-15 | 2022-09-23 | 贵州电网有限责任公司 | 一种基于信任规则网络的电网档案平行模型构建方法 |
CN110099302B (zh) * | 2019-04-29 | 2020-11-24 | 北京达佳互联信息技术有限公司 | 视频分级方法、装置、设备及存储介质 |
US11003501B2 (en) * | 2019-07-03 | 2021-05-11 | Advanced New Technologies Co., Ltd. | Loading models on nodes having multiple model service frameworks |
US11227067B2 (en) * | 2019-09-19 | 2022-01-18 | Lucinity ehf | Autoencoder-based information content preserving data anonymization method and system |
CN110991774A (zh) * | 2019-12-31 | 2020-04-10 | 新奥数能科技有限公司 | 一种电量负荷预测方法及装置 |
CN111294253B (zh) * | 2020-01-15 | 2022-03-04 | 腾讯科技(深圳)有限公司 | 测试数据处理方法、装置、计算机设备及存储介质 |
US11393182B2 (en) | 2020-05-29 | 2022-07-19 | X Development Llc | Data band selection using machine learning |
US11800554B2 (en) * | 2020-06-17 | 2023-10-24 | Lg Electronics Inc. | Method and apparatus for handling tasks in parallel |
CN112927013B (zh) * | 2021-02-24 | 2023-11-10 | 国网数字科技控股有限公司 | 一种资产价值预测模型构建方法、资产价值预测方法 |
US20230058259A1 (en) * | 2021-08-13 | 2023-02-23 | Accenture Global Solutions Limited | System and Method for Video Authentication |
US20230108482A1 (en) * | 2021-09-30 | 2023-04-06 | Yum Connect, LLC | System and method for large-scale accelerated parallel predictive modelling and control |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160048872A1 (en) * | 2014-08-12 | 2016-02-18 | Pikato, Inc. | Selectively generating customized marketing content |
US9524450B2 (en) * | 2015-03-04 | 2016-12-20 | Accenture Global Services Limited | Digital image processing using convolutional neural networks |
US9940386B2 (en) * | 2015-08-28 | 2018-04-10 | Accenture Global Services Limited | Distributed model-building |
US10289641B2 (en) * | 2015-10-16 | 2019-05-14 | Accenture Global Services Limited | Cluster mapping based on measured neural activity and physiological data |
US11748797B2 (en) * | 2017-02-16 | 2023-09-05 | The University Of Tulsa | System and method for providing recommendations to a target user based upon review and ratings data |
US10424006B2 (en) * | 2017-07-05 | 2019-09-24 | Accenture Global Solutions Limited | Automatic ordering of products |
-
2017
- 2017-04-05 US US15/480,011 patent/US10769532B2/en active Active
-
2018
- 2018-04-03 JP JP2018071414A patent/JP6722713B2/ja active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7418570B2 (ja) | 2020-06-29 | 2024-01-19 | テンセント・アメリカ・エルエルシー | スタック可能ネスト化モデル構造を用いたマルチレート・ニューラルイメージ圧縮のための方法および装置 |
Also Published As
Publication number | Publication date |
---|---|
US10769532B2 (en) | 2020-09-08 |
JP6722713B2 (ja) | 2020-07-15 |
US20180293488A1 (en) | 2018-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6722713B2 (ja) | ネットワークレーティング予測エンジン | |
US11790214B2 (en) | Mixture of experts neural networks | |
CN110651280B (zh) | 投影神经网络 | |
JP6790286B2 (ja) | 強化学習を用いたデバイス配置最適化 | |
US10922609B2 (en) | Semi-supervised learning via deep label propagation | |
WO2022161202A1 (zh) | 多媒体资源分类模型训练方法和多媒体资源推荐方法 | |
US11443170B2 (en) | Semi-supervised training of neural networks | |
US20190026609A1 (en) | Personalized Digital Image Aesthetics in a Digital Medium Environment | |
US20170364825A1 (en) | Adaptive augmented decision engine | |
US20160379224A1 (en) | Targeted e-commerce business strategies based on affiliation networks derived from predictive cognitive traits | |
CN111598253A (zh) | 使用教师退火来训练机器学习模型 | |
US10949480B2 (en) | Personalized per-member model in feed | |
US20170221090A1 (en) | Targeted marketing for user conversion | |
CN113569129A (zh) | 点击率预测模型处理方法、内容推荐方法、装置及设备 | |
Mukunthu et al. | Practical automated machine learning on Azure: using Azure machine learning to quickly build AI solutions | |
CN113785314A (zh) | 使用标签猜测对机器学习模型进行半监督训练 | |
US20190332569A1 (en) | Integrating deep learning into generalized additive mixed-effect (game) frameworks | |
Chan et al. | Deep neural networks in the cloud: Review, applications, challenges and research directions | |
US10896384B1 (en) | Modification of base distance representation using dynamic objective | |
Fregly et al. | Data Science on AWS | |
US20210174191A1 (en) | Automated fine-tuning of a pre-trained neural network for transfer learning | |
Zhao et al. | CapDRL: a deep capsule reinforcement learning for movie recommendation | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
US20220374813A1 (en) | Customer request routing based on social media clout of customers and agents | |
Datta et al. | Deep Learning Frameworks for Internet of Things |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180403 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20180801 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190521 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190716 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20191011 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20191213 Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191213 |
|
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: 20200616 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200622 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6722713 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |