JP2022020070A - 情報処理、情報推薦の方法および装置、電子デバイス及び記憶媒体 - Google Patents

Abstract

【課題】リコールステップのリコール効果を高めることで、推薦システムの以降のソート及び表示効果を高める情報処理方法、装置、電子デバイス及びコンピュータプログラムを提供する。【解決手段】情報処理方法は、推薦に利用可能なオブジェクトセットをインデックスするためのツリー構造のツリー構造パラメータを取得し、ツリー構造の最上位階層から下位に向けて階層毎に、各階層のユーザに好まれる確率ランキングが上位である嗜好ノードセットを予測する分類器の分類器パラメータを取得し、一層の嗜好ノードセットがその上位層の嗜好ノードセットに基づいて特定され、ツリー構造パラメータ及び分類器パラメータに基づいてリコールモデルを構築し、ツリー構造パラメータおよび分類器パラメータをモデルパラメータとして、リコールモデルのトレーニング過程および使用過程を最適化し、リコールモデルのリコール結果をさらに改善する。【選択図】図２

Description

本開示は、コンピュータ技術の分野及び情報処理技術の分野に関し、特に、人工知能、推薦システム及びディープラーニング技術の分野に関する。

ディープラーニングを基礎とする推薦システム適用場面では、データ量が多く、特徴が多く、オンライン推薦に要する遅延が低いなどの技術的困難がある。これらの技術的困難に対処するために、実際の適用において、通常、推薦フローを２つの大きなステップに分割する。第１のステップは、リコールステップであり、すなわち、推薦システムに入力されたユーザの特徴や関連文を、データベースにおける大量（例えば、上億個）の商品、広告、ニュースなどのオブジェクト（カテゴリともいえる）の情報と類似度を計算する。転置インデックスやベクトルコサイン類似度計算などの検索方式により、関連性の高い少量（例えば、数百個）のオブジェクトを選ぶ。第２のステップは、ソートステップであり、すなわち、数百のオブジェクトをリコール（例えば、多重リコール）し、ユーザの特徴とさらにクリック率、支払い率、視聴予想時間長などの業務指標を計算し、それに応じてリコールされるオブジェクトをソートし、最終的にユーザに提示される推薦結果を生成する。

これによれば、推薦システムが良好であることは、リコールステップにおけるリコールされたオブジェクトとユーザ特徴やユーザデータとの関連性が高いことを基礎とする。したがって、リコールステップのリコール効果を高めることで、推薦システムの以降のソートおよび表示効果を顕著に高めることができる。

本開示は、情報処理方法、情報処理装置、情報推薦方法、情報推薦装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラムを提案する。

本開示の第１の局面によれば、情報処理方法が提供される。この方法は、推薦に利用可能なオブジェクトセットをインデックスするためのツリー構造のツリー構造パラメータを取得することを含む。この方法は、ツリー構造の最上位階層から下位に向けて階層ごとに、各階層のユーザに好まれる確率ランキングが上位である嗜好ノードセットを予測する分類器の分類器パラメータを取得し、一層の嗜好ノードセットがその上位層の嗜好ノードセットに基づいて特定されることをさらに含む。この方法は、ツリー構造パラメータ及び分類器パラメータに基づいてリコールモデルを構築し、オブジェクトセットでユーザに対する候補オブジェクトセットを特定することをさらに含む。

本開示の第２の局面によれば、情報推薦方法が提供される。この方法は、第１の局面の方法に従って構築されたリコールモデルに基づいて、推薦システムにおける推薦に利用可能なオブジェクトセットから、ユーザに対する候補オブジェクトセットを特定することを含む。この方法は、候補オブジェクトセットからユーザに推薦する少なくとも１つのオブジェクトを特定することをさらに含む。

本開示の第３の局面によれば、情報処理装置が提供される。この装置は、推薦に利用可能なオブジェクトセットをインデックスするためのツリー構造のツリー構造パラメータを取得するように配置されるツリー構造パラメータ取得モジュールを含む。この装置は、ツリー構造の最上位階層から下位に向けて階層ごとに、各階層のユーザに好まれる確率ランキングが上位である嗜好ノードセットを予測する分類器の分類器パラメータを取得し、一層の嗜好ノードセットがその上位層の嗜好ノードセットに基づいて特定されるように配置される分類器パラメータ取得モジュールをさらに含む。この装置は、ツリー構造パラメータ及び分類器パラメータに基づいてリコールモデルを構築し、オブジェクトセットでユーザに対する候補オブジェクトセットを特定するように配置されるリコールモデル構築モジュールをさらに含む。

本開示の第４の局面によれば、情報推薦装置が提供される。この装置は、第１の局面の方法に従って構築されたリコールモデルに基づいて、推薦システムにおける推薦に利用可能なオブジェクトセットから、ユーザに対する候補オブジェクトセットを特定するように配置されるリコールモジュールを含む。この装置は、候補オブジェクトセットからユーザに推薦する少なくとも１つのオブジェクトを特定するように配置される推薦オブジェクト特定モジュールをさらに含む。

本開示の第５の局面によれば、電子デバイスが提供される。当該電子デバイスは、プロセッサと、プロセッサに通信可能に接続されたメモリとを含む。メモリには、プロセッサによって実行可能な命令が記憶され、命令は、プロセッサによって実行されて、プロセッサに第１の局面の方法を実行させることを可能にする。

本開示の第６の局面によれば、電子デバイスが提供される。当該電子デバイスは、プロセッサと、プロセッサに通信可能に接続されたメモリとを含む。メモリには、プロセッサによって実行可能な命令が記憶され、命令は、プロセッサによって実行されて、プロセッサに第２の局面の方法を実行させることを可能にする。

本開示の第７の局面によれば、コンピュータに第１の局面の方法を実行させるためのコンピュータ命令を記憶した非一時的コンピュータ可読記憶媒体が提供される。

本開示の第８の局面によれば、コンピュータに第２の局面の方法を実行させるためのコンピュータ命令を記憶した非一時的コンピュータ可読記憶媒体が提供される。

本開示の第９の局面によれば、コンピュータプログラムが提供される。当該コンピュータプログラムは、プロセッサによって実行されるときに、第１の局面による方法を実現する。

本開示の第１０の局面によれば、コンピュータプログラムが提供される。当該コンピュータプログラムは、プロセッサによって実行されるときに、第２の局面による方法を実現する。

このセクションに記載された内容は、本開示の実施例の主要な特徴または重要な特徴を特定することを意図しておらず、本開示の範囲を限定するものでもないことを理解されたい。本開示の他の特徴は、以下の説明によって容易に理解されるであろう。

図面は、本願をよりよく理解するためのものであり、本開示を限定するものではない。

図１は、本開示のいくつかの実施例が実現され得る例示的な環境の概略図を示す。 図２は、本開示の実施例による情報処理方法の例示的な過程のフローチャートを示す。 図３は、本開示の実施例によるオブジェクトセットに基づいてツリー構造パラメータを特定する例示的な過程のフローチャートを示す。 図４は、本開示の実施例によるオブジェクトセットに基づいてツリー構造パラメータを特定する例示的なブロック図を示す。 図５は、本開示の実施例によるリコールモデルをトレーニングするためのポジティブサンプルを特定するための例示的な過程のフローチャートを示す。 図６は、本開示の実施例による２つのノードセットの共通集合に基づいてポジティブサンプルを特定するための例示的な過程のフローチャートを示す。 図７は、本開示の実施例による新規リーフノードをツリー構造に追加する例示的な過程のフローチャートを示す。 図８は、本開示の実施例によるオブジェクトセットからオブジェクトを除去した後に新規リコールモデルを構築する例示的な過程のフローチャートを示す。 図９は、本開示の実施例による情報推薦方法の例示的な過程のフローチャートを示す。 図１０は、ツリー構造とリコールモデルとが分離されている場合におけるオフライントレーニング段階およびオンラインリコール段階の例示的な過程のブロック図を示す。 図１１は、本開示の実施例によるリコールモデルのオフライントレーニング段階およびオンラインリコール段階の例示的な過程のブロック図を示す。 図１２は、本開示の実施例による例示的な情報処理装置のブロック図を示す。 図１３は、本開示の実施例による例示的な情報推薦装置のブロック図を示す。 図１４は、本開示の実施例を実現するための例示的な電子デバイスのブロック図を示す。

図面全体にわたって同一または類似の参照符号は、同一または類似の部品を示す。
以下、添付の図面を組み合わせて、本願の例示的な実施例を説明し、理解を容易にするために本願の実施例の様々な詳細を含むが、それらは単に例示的なものとみなされるべきである。したがって、当業者は、本願の範囲および精神から逸脱することなく、本明細書に記載される実施例に対して様々な変更および修正を行うことができることを認識するであろう。また、明確化及び簡潔化のために、以下の説明では、周知の機能及び構成についての記載が省略される。

上述したように、推薦システムが良好であることは、リコールステップでリコールされるオブジェクトとユーザ特徴またはユーザデータとの関連性が高いことを基礎とする。したがって、リコールステップのリコール効果を高めることで、推薦システムの以降のソートおよび表示効果を顕著に高めることができる。しかしながら、推薦システムに用いられる従来のリコールステップには、様々な問題がある。例えば、転置インデックスに基づくリコール方法は、所定のルールを用いてトリガされ、リコール効果は、人間のルール設計に依存し、最適なリコール戦略を達成し難しい。

また、例えば、ベクトル検索に基づくリコール方式は、ユーザ側のベクトルとオブジェクト側のベクトルを用いて類似度を計算するため、ディープラーニングモデルの計算複雑度に制限され、また、両者のベクトルが統一次元にマッピングされることを要求し、また、複雑なモデルを用いて両者の情報のインタラクションをサポートすることができず、リコール効果の向上が制限される。また、業界で主流となっているリコール実現方法では、検索段階の計算回数を減らすために、オブジェクト側のベクトルを事前に計算し、それに応じてリコールオブジェクトを特定する検索構造を構築する必要がある。しかし、リコールモデルのトレーニング段階と、リコール検索構築段階の最適化目標が一致しないため、リコールモデルのリコール効果に影響を及ぼす。

従来の解決策における上述の問題及び他の潜在的な問題に鑑み、本開示の実施例は、リコールモデルを構築するための技術案を提案する。本開示のリコールモデルを構築する技術案において、コンピューティングデバイスは、ツリー構造のツリー構造パラメータを取得し、ツリー構造は、推薦に利用可能なオブジェクトセットをインデックスする。また、コンピューティングデバイスは、分類器の分類器パラメータを取得し、分類器は、ツリー構造の最上位階層から下位に向けて階層ごとに、各階層のユーザに好まれる確率ランキングが上位である嗜好ノードセットを予測し、ここで、１つの階層の嗜好ノードセットは、その上位階層の嗜好ノードセットに基づいて特定される。そして、コンピューティングデバイスは、オブジェクトセットでユーザに対する候補オブジェクトセットを特定するために、ツリー構造パラメータ及び分類器パラメータに基づいてリコールモデルを構築する。本開示の実施例によって構築されたリコールモデルは、ツリー構造パラメータおよび分類器パラメータをモデルパラメータとして、リコールモデルのトレーニング過程および使用過程を最適化し、リコールモデルのリコール結果をさらに改善する。

本開示の技術案において、関連するユーザーの個人情報の取得、保存、および適用は、関連する法律および規制に準拠しており、公序良俗に違反しないことに留意されたい。

図１は、本開示のいくつかの実施例が実現され得る例示的な環境１００の概略図を示す。図１に示すように、例示的な環境１００は、オブジェクトセット１１２を含むことができ、オブジェクトセット１１２は、ユーザに推薦するために使用可能なオブジェクト（物品又はカテゴリなどとも呼ばれる）を含む。例えば、そのようなオブジェクトは、ユーザが購入可能な商品、ユーザが視聴又は閲覧可能なコンテンツ（例えば、音声、ビデオ、画像、ニュース、書籍など）、ユーザに提示可能な広告、ユーザに推薦可能なソーシャル情報、位置に基づくサービスコンテンツなどを含み得る。より一般的には、オブジェクトセット１１２におけるオブジェクトは、ユーザに推薦可能な任意のデータ又は情報を含むことができる。いくつかの実施例では、オブジェクトセット１１２は、ある推薦システムにおけるユーザに推薦するために使用可能なオブジェクトセットであることができる。図１の例示的場面では、オブジェクトセット１１２における各オブジェクトは、デジタル化形式で表現され（例えば、ベクトルで表現され）、コンピューティングデバイス１２０に提供され得る。

図１に示すように、リコールモデル１３０はコンピューティングデバイス１２０に実現され得る。例えば、リコールモデル１３０は、オブジェクトセット１１２に関連する推薦システムにおいてリコールステップを実現するために用いられることができる。すなわち、リコールモデル１３０は、オブジェクトセット１１２においてあるユーザに対する候補オブジェクトセット１１４を特定することができる。例えば、あるユーザに関するユーザデータに基づいて、リコールモデル１３０は、オブジェクトセット１１２において当該ユーザが好む（関心があるとも称される）複数のオブジェクト、すなわち、候補オブジェクトセット１１４を予測することができる。より直感的な説明として、いくつかの例示的な場面では、オブジェクトセット１１２は、膨大な数のオブジェクト、例えば、数百万から億のオブジェクトを含む可能性がある。これに対し、リコールモデル１３０によって予測されるユーザの関心のある候補オブジェクトセット１１４は、より少ないオブジェクト、例えば、数十から数百個のオブジェクトを含むことができる。いくつの実施例では、リコールモデル１３０によって提供される候補オブジェクトセット１１４に基づいて、推薦システムは、ユーザへ推薦する１つ以上のオブジェクト、すなわち、推薦されるオブジェクト１１６を更に特定（例えば、選択）することができる。

図１に示す例では、リコールモデル１３０は、ツリー構造パラメータ１３２および分類器パラメータ１３４に基づいて構築され得る。本開示の実施例において、ツリー構造パラメータ１３２は、ツリー構造１４０を説明するために使用されてもよく、ツリー構造１４０は、推薦に利用可能なオブジェクトセット１１２をインデックスする。言い換えると、オブジェクトセット１１２における各オブジェクトは、ツリー構造１４０における異なるノードにそれぞれ対応し得る。したがって、本開示の文脈では、ツリー構造１４０は、インデックスツリー１４０とも呼ばれまたは表され、これらの２つの用語は、本明細書において互換的に使用され得る。

一般に、ツリー構造１４０は、最上位階層から最下位階層までの複数の階層を含み、各階層は、１つ以上のノードを含み得る。例えば、ツリー構造１４０の最上位階層はルートノードのみを含み、最下位階層のノードは、子ノードを含まないのでリーフノードと呼ぶことができる。なお、ツリー構造１４０の最下位階層以外のノードは、子ノードを有するので、非リーフノードと呼ぶことができる。いくつかの実施例において、ツリー構造１４０の最下位階層の各リーフノードは、オブジェクトセット１１２中の１つのオブジェクトに対応することができ、ツリー構造１４０の各非リーフノードは、オブジェクトセット１１２の複数のオブジェクトからなるオブジェクトサブセットに対応することができる。また、ツリー構造１４０における各ノードは、１つの親ノードのみを有することができる。

図１に模式的に示した具体例では、ツリー構造１４０は、第１階層～第４階層、および各階層にあるノード１４０-１～１４０-１５を有している。第１階層は、ルートノード１４０-１を含み、第２階層は、ノード１４０-２、１４０-３を含み、第３階層は、ノード１４０-４乃至１４０-７を含み、第４階層は、ノード１４０-８乃至１４０-１５を含む。ツリー構造１４０のノードのうち、ノード１４０-８乃至１４０-１５は、リーフノードであり、それぞれオブジェクトセット１１２の８個のオブジェクトに対応する。ノード１４０-１乃至１４０-７は、非リーフノードであり、それぞれオブジェクトセット１１２のサブセットに対応し得る。例えば、ノード１４０-５は、ノード１４０-１２及び１４０-１３に対応する２つのオブジェクトからなるサブセットなどに対応することができる。

なお、図１のツリー構造１４０は、特定の数のノード及び特定のトポロジーを有するものとして描かれているが、これは単なる例示であり、本開示の範囲を何ら限定することを意図していない。他の実施例において、ツリー構造１４０は、任意の数のノード及び任意のトポロジーを有することができる。例えば、図１の例示では、ツリー構造１４０は、完全二分木であるので、各ノードは、２つの子ノードのみを有する。ただし、完全二分木構造は、例示的なものであり、本開示の実施例のツリー構造１４０は、これに限定されない。他の実施例において、ツリー構造１４０の各非リーフノードは、任意の数の子ノードを有し得る。

リコールモデル１３０を構築するためのツリー構造パラメータ１３２は、任意の適切な表現方法または形式でツリー構造１４０を表現することができる。例えば、ツリー構造パラメータ１３２は、ツリー構造１４０のトポロジー構造を説明するパラメータを含むことができ、ツリー構造１４０の各ノードのパラメータをさらに含むことができる。より具体的には、いくつかの実施例において、ツリー構造パラメータ１３２は、行列の形態で表現されてもよく、当該行列の各素子は、ツリー構造１４０における各ノードに関する情報であることができる。このようなノード情報は、例えば、当該ノードの識別子、当該ノードの親ノードの識別子、当該ノードの子ノードの識別子、当該ノードのベクトル表現などを含み得る。

他の実施例において、ツリー構造パラメータ１３２のノード情報は、ノードを管理するための任意の他の情報、例えば、ノードがいつにツリー構造１４０に追加され、ノードがユーザに好まれる回数、ノードがツリー構造１４０に存在する時間長、ノードがユーザに好まれない時間長など、をさらに含むことができる。要するに、コンピューティングデバイス１２０は、ツリー構造パラメータ１３２に基づいて、ツリー構造１４０のトポロジー構造およびツリー構造１４０の各ノードの情報を完全に特定することができ、具体的な適用場面および要求によってノードの関連情報を追加または削除することができる。

図１にさらに示されるように、リコールモデル１３０は、ツリー構造パラメータ１３２に加えて、分類器１５０の分類器パラメータ１３４に基づいて構築される。本明細書で使用されるように、分類器１５０は、ツリー構造１４０の最上位階層から下位に向けて階層ごとに、各階層のユーザに好まれる確率ランキングが上位である嗜好ノードセットを予測することができる。例えば、ユーザの関連データまたは情報（以下、単にユーザデータと呼ばれる）およびツリー構造１４０の各ノードのノード情報に基づいて、分類器１５０は、各ノードにユーザが関心を持つ確率又は確率の大きさの順位を特定することができる。したがって、いくつかの場合では、分類器１５０は、関心分類器、嗜好分類器、判別器、関心判別器、嗜好判別器などとも呼ばれ得る。

いくつかの実施例では、ユーザデータは、ユーザの嗜好を予測するためのユーザに関する任意の情報であることができる。例えば、ユーザデータは、ユーザの行動情報、ユーザのプロファイル情報、ユーザのコンテキスト情報などを含むことができる。下記、図２を参照して、ツリー構造１４０において分類器１５０が階層ごとに嗜好ノードセットを特定する例示的な過程をさらに説明する。本明細書で使用される場合、分類器パラメータ１３４は、分類器１５０を記述するために使用されるパラメータであり得る。例えば、分類器１５０に使用されるアルゴリズムまたはモデルに応じて、分類器パラメータ１３４は、異なるコンテンツを有する。要するに、コンピューティングデバイス１２０は、分類器パラメータ１３４に基づいて、分類器１５０を完全に特定することができる。

いくつかの実施例において、ツリー構造１４０は、オブジェクトの特徴に基づく最大ヒープツリーであることができる。最大ヒープツリー構造では、ツリー構造１４０のリーフノードからルートノードまで、粒度の異なるオブジェクト分類に対応することができ、オブジェクトの分類粒度は、細かいもの乃至粗いものであることができる。したがって、リコールモデル１３０がオブジェクトのリコール検索を行う場合、分類器１５０は、最上位階層から下位に向けてツリー構造１４０のノードをトラバースし、ユーザと各ノードとの類似度を判断することによって、粗いもの乃至細かいもののユーザの関心を予測することができる。また、分類器１５０がユーザとノードとの類似度に対する計算は、ベクトルの内積に限定されず、任意の複雑なディープラーニングモデルによる類似度の計算をサポートし得る。さらに、最大ヒープツリーに基づく方法は、ユーザ側とオブジェクト側との複雑なインタラクションをアルゴリズム的にサポートすることができ、そして、リコールモデル１３０のオンラインオブジェクト検索の計算複雑度を制御することができる。

このように、ツリー構造１４０は、ネットワークトレーニングに参加した最大ヒープツリーを利用して、効率的なリコールオブジェクト検索構造を実現することができる。このようなツリー構造１４０は、人間の脳の考え方を参考して設計されたものと考えることができ、ユーザの関心の側面から、粗い粒度から細かい粒度までの組織方式および検索方式を構築し、これにより、オブジェクト検索過程におけるリコールモデル１３０の計算回数を顕著に減らすことができる。いくつかの実施例において、ツリー構造１４０の各階層に対応し、分類器１５０は、異なる関心粒度に対してトレーニングされるディープラーニングモデルを含むことができ、本明細書では、分類器ユニットとも呼ばれる。したがって、各階層のディープラーニングモデル（すなわち、分類器ユニット）は、ベクトル内積類似度の計算に限定されず、任意の先進なディープラーニングモデルを搭載することができる。以下、図２を参照してそのような実施例をさらに説明する。

いくつかの実施例では、コンピューティングデバイス１２０は、コンピューティング機能及び／又は制御機能を実現可能な任意のデバイスを含むことができ、任意のタイプの固定コンピューティングデバイス、移動コンピューティングデバイス、又は携帯コンピューティングデバイスであってもよく、専用コンピュータ、汎用コンピュータ、デスクトップコンピュータ、ラップトップコンピュータ、ノートブックコンピュータ、ネットブックコンピュータ、タブレットコンピュータ、マルチメディアコンピュータ、携帯電話、汎用プロセッサ、マイクロプロセッサ、マイクロコントローラ、又はステートマシンを含むが、これらに限定されない。コンピューティングデバイス１２０は、個別のコンピューティングデバイスまたはコンピューティングデバイスの組合せ、例えば、デジタル信号プロセッサ（ＤＳＰ）とマイクロプロセッサの組合せ、複数のマイクロプロセッサ、ＤＳＰコアと連携した１つ以上のマイクロプロセッサ、または任意の他のそのような構成として実現されることができる。

さらに、図１が、本開示の実施例に関連するオブジェクト、ユニット、素子、または部品を概略的に示すに過ぎないことを理解されたい。実際には、例示的な環境１００は、他のオブジェクト、ユニット、素子、又は部品などをさらに含むことができる。さらに、図１に示されるオブジェクト、ユニット、素子、または部品の特定の数は、単に例示的なものであり、本開示の範囲をいかなる方法で限定することを意図していない。他の実施例では、例示的な環境１００は、任意の適切な数のオブジェクト、ユニット、素子、または部品などを含み得る。したがって、本開示の実施例は、図１に示される具体的な場面に限定されず、リコールモデルを構築する任意の技術的環境に一般に適用可能である。以下、図２を参照して、本開示の実施例のリコールモデルを構築するための例示的な過程を説明する。

図２は、本開示の実施例による情報処理方法の例示的な過程２００のフローチャートを示す。いくつかの実施例において、例示的な過程２００は、例示的な環境１００におけるコンピューティングデバイス１２０によって実現され、例えば、コンピューティングデバイス１２０のプロセッサもしくは処理ユニットによって、またはコンピューティングデバイス１２０の様々な機能モジュールによって実現され得る。他の実施例では、例示的な過程２００は、例示的な環境１００から独立したコンピューティングデバイスによって実現されてもよく、または例示的な環境１００の他のユニットもしくはモジュールによって実現されてもよい。説明の便宜上、図１を参照して例示的な過程２００を説明する。

ブロック２１０で、コンピューティングデバイス１２０は、リコールモデル１３０のツリー構造１４０ためのツリー構造パラメータ１３２を取得する。上述したように、ツリー構造１４０は、推薦に利用可能なオブジェクトセット１１２をインデックスする。いくつかの実施例において、ツリー構造１４０における各リーフノードは、オブジェクトセット１１２の１つのオブジェクトに対応することができる。また、ツリー構造１４０の各非リーフノードは、オブジェクトセット１１２の複数のオブジェクトからなるオブジェクトサブセットに対応することができる。例えば、このようなオブジェクトサブセットにおけるオブジェクトは、共通の特徴を有することができる。したがって、いくつかの実施例において、ツリー構造１４０の各非リーフノードは、１つのオブジェクト分類に対応するものとして理解され、ツリー構造１４０の異なる階層における非リーフノードは、異なる粒度のオブジェクト分類に対応するものとして理解され得る。

いくつかの実施例では、ツリー構造１４０の機能がオブジェクトセット１１２における各オブジェクトをインデックスすることであるので、コンピューティングデバイス１２０は、オブジェクトセット１１２に基づいてツリー構造１４０を特定し、ツリー構造パラメータ１３２をさらに取得することができる。上述したように、オブジェクトセット１１２におけるオブジェクトは、ユーザに推薦するのに適した任意のオブジェクトであることができる。いくつかの実施例では、推薦システムの適用場面の変化に従って、オブジェクトセット１１２のオブジェクトの種類も変化する。例えば、推薦システムがオンラインショッピング場面に適用される場合、オブジェクトセット１１２は、ユーザが購入可能な様々な商品を含むことができる。また例えば、推薦システムがユーザにコンテンツ（例えば、音声、ビデオ、画像、ニュース、本等）を推薦する場面に適用される場合、オブジェクトセット１１２は、ユーザに推薦するための様々なコンテンツを含むことができる。さらに例えば、推薦システムがウェブページ閲覧に適用されるか、又は広告をユーザに推薦する任意の他の場面（例えば、情報検索場面）に適用される場合、オブジェクトセット１１２は、ユーザにプッシュする様々な広告を含むことができる。また例えば、推薦システムがソーシャルネットワークの場面に適用される場合、オブジェクトセット１１２は、ユーザに推薦するためのソーシャル情報を含むことができる。

一般に、コンピューティングデバイス１２０は、任意の適切な分類方法または他の処理方法によってオブジェクトセット１１２を処理し、ツリー構造１４０を構築し、ツリー構造パラメータ１３２を取得することができる。いくつかの実施例では、コンピューティングデバイス１２０は、オブジェクトセット１１２における各オブジェクトの分類情報に基づいてツリー構造１４０を構築することができる。例えば、オブジェクトセット１１２に様々な携帯電話が含まれる場合、コンピューティングデバイス１２０は、ツリー構造１４０に各携帯電話に対応するリーフノードを作成することができる。そして、コンピューティングデバイス１２０は、異なる粒度の携帯電話分類に従って、ツリー構造１４０のリーフノードの上位階層の非リーフノードを特定し得る。非限定的な例示として、可能性のある非リーフノードは、Ａｎｄｒｏｉｄシステムベースの携帯電話、Ａｐｐｌｅシステムベースの携帯電話、他のオペレーティングシステムに基づく携帯電話などに対応し得る。オブジェクトセット１１２におけるオブジェクトが変化すると、コンピューティングデバイス１２０がツリー構造１４０を作成するためのオブジェクト分類情報も対応的に変化することが理解されるであろう。

他の実施例では、コンピューティングデバイス１２０は、適切なクラスタリングアルゴリズムを用いてオブジェクトセット１１２のオブジェクトをクラスタリングし、ツリー構造１４０を構築するための複数のオブジェクト分類を特定することができる。例えば、オブジェクトセット１１２の各オブジェクトは、オブジェクトベクトル表現にベクトル化されてもよく、すなわち、異なるオブジェクトは、異なるオブジェクトベクトルを用いて表される。したがって、コンピューティングデバイス１２０は、クラスタリングアルゴリズムを用いてオブジェクトのオブジェクトベクトル表現を処理し、オブジェクトセット１１２のオブジェクトを異なるクラスにクラスタリングすることができ、各クラスにおけるオブジェクトは、一定の類似性を有し、異なるクラスにおけるオブジェクトは、類似性が低い。

非限定的な例示として、コンピューティングデバイス１２０によって採用され得るクラスタリングアルゴリズムは、Ｋ－Ｍｅａｎｓ（Ｋ平均値）クラスタリングアルゴリズム、平均値ドリフトクラスタリングアルゴリズム、密度ベースのクラスタリング法（ＤＢＳＣＡＮ）、ガウス混合モデル（ＧＭＭ）を利用する最大期待（ＥＭ）クラスタリングアルゴリズム、集約的階層クラスタリング、グラフコミュニティ検出クラスタリングアルゴリズムなどを含むが、それらに限定されない。より一般的には、コンピューティングデバイス１２０は、既存のまたは将来開発される任意のクラスタリングアルゴリズムを使用して、オブジェクトセット１１２のオブジェクトをクラスタリングして、ツリー構造１４０を構築し、ツリー構造パラメータ１３２を取得することができる。

別の実施例では、オブジェクトセット１１２の各オブジェクトのよりよいクラスタリング効果を実現するために、コンピューティングデバイス１２０は、まず、事前トレーニングモデルを用いて、オブジェクトセット１１２の各オブジェクトのオリジナルオブジェクトベクトル表現を最適化オブジェクトベクトル表現に変換してもよい。オリジナルオブジェクトベクトル表現に比べ、これらの最適化オブジェクトベクトル表現は、よりよいクラスタリング特性を有する。次いで、コンピューティングデバイス１２０は、クラスタリングアルゴリズムを使用して、これらの最適化オブジェクトベクトル表現をクラスタリングして、ツリー構造１４０を構築し、ツリー構造パラメータ１３２を取得してもよい。このように、クラスタリングによるツリー構造１４０の初期化をより効率的に行うことができ、収束速度を速めることができ、これにより、リコールモデル１３０の効果が改善されることができる。以下、図３および図４を参照して、そのような実施例をさらに説明する。

ブロック２２０で、コンピューティングデバイス１２０は、リコールモデル１３０の分類器１５０のための分類器パラメータ１３４を取得する。一般に、リコールモデル１３０の分類器１５０は、ユーザがあるオブジェクトを好む確率、又はユーザが複数のオブジェクトに関心を持っている確率の大きさのランキングを予測するための任意のアルゴリズム、モデル、ユニット、部品、又はモジュールなどであることができる。例えば、分類器１５０は、ユーザデータとオブジェクトセット１１２のオブジェクトのオブジェクト表現との相関性の大きさを計算することができる。ユーザデータとオブジェクト表現との相関性の大きさに基づいて、分類器１５０は、ユーザがあるオブジェクトを好む確率を特定することができる。あるいは、分類器１５０は、あるオブジェクトにユーザが関心を持っている確率を具体的に特定するのではなく、複数のオブジェクトにユーザが関心を持っている確率の大きさのランキングを特定することもできる。いくつかの実施例において、リコールモデル１３０の分類器１５０は、機械学習に基づくモデルであることができ、例えば、任意の適切なディープラーニングネットワーク、完全接続ネットワーク、注意メカニズムに基づくネットワーク等であることができる。他の実施例では、リコールモデル１３０の分類器１５０は、非機械学習に基づくモデルであってもよい。さらに、上述したように、分類器パラメータ１３４は、リコールモデル１３０の分類器１５０を説明するためのパラメータであってもよい。例えば、分類器１５０に使用される具体的なアルゴリズムまたはモデルに応じて、分類器パラメータ１３４は、異なるコンテンツを有する。要するに、コンピューティングデバイス１２０は、分類器パラメータ１３４に基づいて、分類器１５０を完全に特定することができる。

いくつかの実施例において、リコールモデル１３０の分類器１５０は、ツリー構造１４０の最上位階層から下位に向けて階層ごとに、各階層のユーザに好まれる確率ランキングが上位である嗜好ノードセットを予測することができる。例えば、ユーザデータ（例えば、ユーザの行動データ、ユーザのプロファイルデータ、ユーザのコンテキストデータなど）及び各ノードのノード情報に基づいて、分類器１５０は、ツリー構造１４０の各階層で複数のノードにユーザが関心を持っている確率、又は複数のノードにユーザが関心を持っている確率の大きさのランキングを特定することができる。より具体的な例示として、図１に示すツリー構造１４０において、第２階層のノード１４０-２および１４０-３について、分類器１５０は、ユーザデータおよびノード１４０-２、１４０-３のノード情報に基づいて、ノード１４０-２、１４０-３にユーザが関心を持つ確率ランキングを予測することができる。第３階層のノード１４０-４乃至１４０-７については、分類器１５０は、ユーザデータ及びノード１４０-４乃至１４０-７のノード情報に基づいて、ノード１４０-４乃至１４０-７にユーザが関心を持つ確率ランキングを予測することができる。同様に、第４階層のノード１４０-８乃至１４０-１５についても、分類器１５０は、ユーザデータ及びノード１４０-８乃至１４０-１５のノード情報に基づいて、ノード１４０-８乃至１４０-１５にユーザが関心を持つ確率ランキングを予測することができる。

また、推薦システム内の推薦に利用可能なオブジェクトセット１１２内のオブジェクトの数は膨大である可能性があるため、分類器１５０は、ツリー構造１４０内のすべてのリーフノードについてユーザに好まれる確率または確率ランキングを直接予測することができない場合がある。このために、分類器１５０は、ビームサーチ（Ｂｅａｍ Ｓｅａｒｃｈ）の方式でツリー構造１４０の各階層でユーザに好まれるノードセットを特定することができる。このようなビームサーチにおいて、分類器１５０は、ある階層における考慮すべきノードを、上位階層におけるユーザに好まれるノードの子ノードだけに限定することができる。より具体的な例示として、図１に示すツリー構造１４０において、第３階層におけるユーザに好まれるノードセットをノード１４０-４、１４０-６と仮定した場合、分類器１５０は、第４階層においてユーザに好まれるノードセットを特定する際に、ノード１４０-４および１４０-６の子ノード、すなわち、ノード１４０-８、１４０-９、１４０-１２及び１４０-１３のみを考慮すればよい。すなわち、分類器１５０が好まれる確率的大きさが上位である嗜好ノードセットを特定する場合、ツリー構造１４０の一階層における嗜好ノードセットは、当該階層の上位階層の嗜好ノードセットに基づいて特定することができる。

いくつかの実施例では、コンピューティングデバイス１２０は、ツリー構造１４０に基づいて、分類器１５０を適切な分類器構造を有することと相応的に特定することができる。例えば、コンピューティングデバイス１２０は、ツリー構造１４０全体に対して、個別で統一である分類器１５０を使用し得る。すなわち、ツリー構造１４０の異なる階層の全てのノードについて、コンピューティングデバイス１２０は、同じ分類器１５０を用いて、ユーザがノードに好まれる確率または確率の大きさのランキングを特定することができる。このようにして、リコールモデル１３０の分類器１５０の構造は、簡略化されることができ、これにより、分類器１５０を実現するためのコンピューティングデバイス１２０のコンピューティングリソースを節約することができる。

他の実施例では、ツリー構造１４０の複数の階層のポロジー構造を考慮して、分類器１５０は、ツリー構造１４０の最上位階層以下の複数の階層に対応する複数の分類器ユニットを含み得る。分類器１５０のこのような複数の分類器ユニットの各々は、対応的な階層のノードがユーザによって好まれる確率又は確率の大きさのランキングを予測することができる。例えば、図１に示すツリー構造１４０の例示において、分類器１５０は、第２階層～第４階層にそれぞれ対応する３つの分類器ユニットを有することができる。このように、コンピューティングデバイス１２０は、異なるオブジェクト分類粒度を有するツリー構造１４０の複数の階層について、対応的な分類器ユニットをそれぞれ実現することができ、そのため、これらの分類器ユニットは、異なるオブジェクト分類粒度のノードに対するユーザの嗜好を予測することができ、それにより、より高い予測正確性を実現し、リコールモデル１３０のリコール結果をさらに最適化することができる。

ブロック２３０で、ツリー構造パラメータ１３２及び分類器パラメータ１３４を取得した後、コンピューティングデバイス１２０は、ツリー構造パラメータ１３２及び分類器パラメータ１３４に基づいてリコールモデル１３０を構築する。上述したように、コンピューティングデバイス１２０によって構築されたリコールモデル１３０は、オブジェクトセット１１２でユーザに対する候補オブジェクトセット１１４を特定するために使用されることができる。例えば、例示的な場面では、オブジェクトセット１１２には、比較的に膨大な数（例えば、数百万から億個）のオブジェクトが含まれる可能性があり、リコールモデル１３０は、オブジェクトセット１１２の大きい数のオブジェクトから、ユーザが関心を持っている少ない（例えば、数十から数百個の）オブジェクトを特定することができる。いくつかの実施例において、リコールモデル１３０に関連する推薦システムは、候補オブジェクト集合１１４からユーザに推薦するオブジェクト１１６をさらに特定することができる。例えば、推薦システムは、ランキング戦略に基づいて（例えば、クリック率、支払い率、視聴予想時間などの関連業務指標を考慮して）、候補オブジェクトセット１１４における複数の候補オブジェクトをランキングし、ユーザに推薦するオブジェクト１１６を特定することができる。

一般に、コンピューティングデバイス１２０は、任意の適切な方式によって、ツリー構造パラメータ１３２及び分類器パラメータ１３４に基づいて、リコールモデル１３０を構築し、これにより、ツリー構造パラメータ１３２及び分類器パラメータ１３４をリコールモデル１３０のモデルパラメータとして（例えば、バックプロパゲーションアルゴリズムなどにより）最適化又は調整することができる。例えば、リコールモデル１３０に対するトレーニングによって、ツリー構造パラメータ１３２は、リコールモデル１３０のモデルパラメータとして最適化または調整され得る。このような最適化または調整は、ツリー構造１４０内の各ノードのベクトル表現が最適化されることを含むだけでなく、ツリー構造１４０内のノードの位置情報の更新、すなわち、ツリー構造１４０のトポロジー構造の更新も含むことができる。また例えば、リコールモデル１３０に対するトレーニングによって、分類器パラメータ１３４は、リコールモデル１３０のモデルパラメータとして最適化または調整されてもよい。このような最適化又は調整は、例えば、分類器１５０を実現するためのディープラーニングネットワークのネットワークパラメータの最適化を含むことができる。

いくつかの実施例において、コンピューティングデバイス１２０は、ツリー構造パラメータ１３２および分類器パラメータ１３４をそれぞれ使用して、リコールモデル１３０における異なる階層またはユニットを構築することができる。具体的には、コンピューティングデバイス１２０は、オブジェクトセット１１２をツリー構造１４０に編成するように、ツリー構造パラメータ１３２によってリコールモデル１３０の１つの階層を構築することができる。さらに、コンピューティングデバイス１２０は、分類器１５０を用いてツリー構造１４０に基づいてツリー構造１４０の各ノードにユーザが好まれる確率または確率の大きさランキングを特定するように、分類器パラメータ１３４によってリコールモデル１３０の別の階層を構築することができる。これにより、ツリー構造パラメータ１３２および分類器パラメータ１３４の両方は、いずれもリコールモデル１３０のモデルパラメータとして最適化または調整され得る。

他の実施例では、コンピューティングデバイス１２０は、ツリー構造パラメータ１３２および分類器パラメータ１３４の両方を、モデルを構築するための他の関連パラメータとともに、リコールモデル１３０のモデルパラメータとして、モデルの全体的な編成および設計を行い、リコールモデル１３０を構築してもよい。これにより、例示的な過程２００により、コンピューティングデバイス１２０は、ツリー構造パラメータ１３２および分類器パラメータ１３４をモデルパラメータとして、リコールモデル１３０を構築し、これにより、リコールモデル１３０におけるツリー構造１４０および分類器１５０の一体化トレーニングを実現することができる。そのため、リコールモデル１３０のトレーニング過程および使用過程を最適化し、リコールモデル１３０のリコール結果を改善することができる。

図２のブロック２１０を説明する際に上述したように、オブジェクトセット１１２の各オブジェクトのより良いクラスタリング効果を実現するために、コンピューティングデバイス１２０は、まず、事前トレーニングモデルを使用して、オブジェクトセット１１２の各オブジェクトのオリジナルオブジェクトベクトル表現を最適化オブジェクトベクトル表現に変換することができる。オリジナルオブジェクトベクトル表現に比べ、これらの最適化オブジェクトベクトル表現は、よりよいクラスタリング特性を有する。次いで、コンピューティングデバイス１２０は、クラスタリングアルゴリズムを使用して、これらの最適化オブジェクトベクトル表現をクラスタリングして、ツリー構造１４０を構築し、ツリー構造パラメータ１３２を取得することができる。以下、図３及び図４を参照して、このような実施例を詳細に説明する。

図３は、本開示の実施例によるオブジェクトセット１１２に基づいてツリー構造パラメータ１３２を特定する例示的な過程３００のフローチャートを示す。いくつかの実施例において、例示的な過程３００は、例示的な環境１００におけるコンピューティングデバイス１２０によって実現され、例えば、コンピューティングデバイス１２０のプロセッサもしくは処理ユニットによって、またはコンピューティングデバイス１２０の様々な機能モジュールによって実現され得る。他の実施例では、例示的な過程３００は、例示的な環境１００から独立したコンピューティングデバイスによって実現されてもよく、または例示的な環境１００における他のユニットもしくはモジュールによって実現されてもよい。説明の便宜上、図４を参照して例示的な過程３００を説明する。

図４は、本開示の実施例によるオブジェクトセット１１２に基づいてツリー構造パラメータ１３２を特定する例示的なブロック図表現４００を示す。ブロック図表現４００において、図１と同一又は類似のコンポーネントは、同一又は類似の参照符号で示される。図３及び図４を参照すると、図３のブロック３１０で、コンピューティングデバイス１２０は、オブジェクトセット１１２をベクトル化して、オリジナルオブジェクトベクトルセット４１０を生成することができる。例えば、オリジナルオブジェクトベクトルセット４１０の各オリジナルオブジェクトベクトルは、オブジェクトセット１１２の１つのオブジェクトに対応する。いくつかの実施例では、コンピューティングデバイス１２０は、オブジェクトセット１１２の各オブジェクトをランダムにベクトル化して、オリジナルオブジェクトベクトルセット４１０を取得することができる。他の実施例では、コンピューティングデバイス１２０は、他の適切な方法でオブジェクトセット１１２内のオブジェクトをベクトル化してオリジナルオブジェクトベクトルセット４１０を取得してもよい。例えば、コンピューティングデバイス１２０は、オブジェクトセット１１２内の各オブジェクトの異なる名前または識別子に基づいて、これらのオブジェクトをベクトル化してもよい。

図３のブロック３２０において、コンピューティングデバイス１２０は、事前トレーニングモデル４２０およびオリジナルオブジェクトベクトルセット４１０に基づいて、クラスタリング特性に関して最適化された最適化オブジェクトベクトルセット４３０を生成し得る。例えば、最適化オブジェクトベクトルセット４３０の各最適化オブジェクトベクトルは、オブジェクトセット１１２の１つのオブジェクトに対応する。通常、事前トレーニングモデル４２０は、機械学習方法（例えば、ディープラーニング、自己監督学習、教師なし学習など）によって、大規模データから獲得された具体的なタスクと関連しない機械学習モデルであることができる。具体的な適用場面に応じて、事前トレーニングモデル４２０は、様々な事前トレーニングモデルのうちの１つ又は組み合わせを含み得る。例えば、自然言語処理（ＮＬＰ）の適用場面に対して、事前トレーニングモデル４２０は、ＥＲＮＩＥモデル、ＢＥＲＴモデル、ＥＬＭｏモデルなどを含み得る。画像処理の適用場面に関して、事前トレーニングモデル４２０は、目標検出モデル、顔認識モデル、語彙画像分割モデル、画像記述モデルなどを含み得る。より一般的には、事前トレーニングモデル４２０は、オリジナルオブジェクトベクトルセット４１０のクラスタリング特性を最適化可能な任意の既存のまたは将来開発される事前トレーニングモデルを含むことができる。

図３のブロック３３０において、コンピューティングデバイス１２０は、ツリー構造パラメータ１３２を特定するように、最適化オブジェクトベクトルセット４３０をクラスタリングしてツリー構造１４０を構築することができる。例えば、コンピューティングデバイス１２０は、クラスタリングアルゴリズムを使用して、最適化オブジェクトベクトルセット４３０をクラスタリングすることができる。例示的な過程３００によって、事前トレーニングモデル４２０によって提供された事前トレーニング情報に基づいて、コンピューティングデバイス１２０は、ツリー構造１４０の初期化方式を顕著に最適化することができ、それによって、オブジェクト検索構造の効率的な初期化を実現し、収束速度を速くし、リコールモデル１３０のモデル効果を改善することができる。言い換えれば、オリジナルオブジェクトベクトルセット４１０は、事前トレーニングモデル４２０の処理によって、オブジェクトベクトル間の区別性が増し、より良好なクラスタリング特性を有する。したがって、事前トレーニングモデル４２０は、ツリー構造１４０の構築をより合理的にし、収束をより迅速にし、効果をより良好にし得る。

いくつかの実施例において、リコールモデル１３０を構築した後、コンピューティングデバイス１２０は、１つまたは複数のユーザの履歴ユーザデータを用いてリコールモデル１３０をトレーニングし、リコールモデル１３０のモデルパラメータ（例えば、ツリー構造パラメータ１３２および分類器パラメータ１３４）を最適化または調整して、より妥当なツリー構造１４０およびより正確な分類器１５０をもたらし、最終的にリコールモデル１３０のリコール結果を最適化することができる。例えば、トレーニングされたリコールモデル１３０のリコール結果は、より高いリコール率及び正確率などを有することができる。

より具体的には、リコールモデル１３０をトレーニングするために、コンピューティングデバイス１２０は、まず、リコールモデル１３０をトレーニングするためのポジティブサンプルおよびネガティブサンプルを収集し得る。例えば、あるユーザの履歴ユーザデータが、そのユーザがツリー構造１４０内のあるリーフノード（すなわち、オブジェクトセット１１２内のあるオブジェクト）に関心を持つことを示す場合、当該リーフノード及び関連する履歴ユーザデータは、リコールモデル１３０をトレーニングするためのポジティブサンプルとして使用され得る。なお、リーフノード（またはオブジェクト）に対するユーザの嗜好は、ユーザの明示的なフィードバック、暗示的なフィードバック、それらの組み合わせ、またはユーザの嗜好を体現し得る任意の他の情報に基づいて特定され得る。また、当該ユーザが関心を示さない他のリーフノード、および当該ユーザの履歴ユーザデータは、リコールモデル１３０をトレーニングするためのネガティブサンプルとして使用され得る。

ツリー構造１４０の最下位階層のすべてのリーフノードにとって、ポジティブサンプルおよびネガティブサンプルの選択は、比較的に直感的であり得る。ユーザの履歴ユーザデータは、ユーザがあるリーフノード、すなわちあるオブジェクトを好むか否かを直接的に反映できるためである。しかしながら、ツリー構造１４０内の非リーフノードについて、ポジティブサンプルおよびネガティブサンプルの選択は、直接的ではなく、何らかの設計を必要とする。例えば、ユーザ履歴データには、一般的に、ツリー構造１４０内の非リーフノードに対するユーザの嗜好識別子が含まれない。これは、非リーフノードに対応する異なる粒度のオブジェクト分類概念が、リコールモデル１３０内部でのみ意味を有し、ユーザに提供されないためである。

いくつかの設計では、コンピューティングデバイス１２０は、ポジティブサンプルとして特定されるリーフノードのすべての先輩ノード（祖先ノードとも呼ばれる）をユーザが好むポジティブサンプルとして特定し得る。相応的には、コンピューティングデバイス１２０は、ポジティブサンプルであるリーフノードのすべての非先輩ノードを、ユーザが関心を持っていないネガティブサンプルとして特定し得る。言い換えれば、そのような設計では、ユーザがあるリーフノードに関心を持っている場合、コンピューティングデバイス１２０は、当該ユーザが当該リーフノードのすべての先輩ノードに関心を持っていると仮定し、そのような仮定は、ほとんどの場合に合理的である。このようにして、コンピューティングデバイス１２０は、合理的な仮定に従って、リコールモデル１３０をトレーニングするためのより多くのポジティブサンプルを取得し得る。以下、図５を参照して、そのような実施例をさらに説明する。

図５は、本開示の実施例によるリコールモデル１３０をトレーニングするためのポジティブサンプルを特定する例示的な過程５００のフローチャートを示す。いくつかの実施例において、例示的な過程５００は、例示的な環境１００におけるコンピューティングデバイス１２０によって実現され、例えば、コンピューティングデバイス１２０のプロセッサもしくは処理ユニットによって、またはコンピューティングデバイス１２０の様々な機能モジュールによって実現され得る。他の実施例では、例示的な過程５００は、例示的な環境１００から独立したコンピューティングデバイスによって実現されてもよく、または例示的な環境１００における他のユニットもしくはモジュールによって実現されてもよい。説明の便宜上、図１を参照して、例示的な過程５００を説明する。

まず、例示的な過程５００に係るユーザと例示的な過程２００に係るユーザとは、同一のユーザでなくてもよいので、説明の正確性のために、下記、例示的な過程２００に言及されるユーザを第１のユーザと称し、例示的な過程５００に係るユーザを第２のユーザと称する。しかし、第１のユーザ及び第２のユーザを使用して例示的な過程２００及び例示的な過程５００におけるユーザをそれぞれ説明するが、場合によって、第１のユーザ及び第２のユーザは、同一のユーザであってもよい。

ブロック５１０で、コンピューティングデバイス１２０は、第２のユーザの履歴ユーザデータに基づいて、ツリー構造１４０で第２のユーザに好まれるリーフノードを特定することができる。例えば、第２のユーザの履歴ユーザデータが、当該第２のユーザが、ツリー構造１４０内のあるリーフノード（例えば、オブジェクトセット１１２内のあるオブジェクト）について、明示的なフィードバック、暗示的なフィードバック、両方の組み合わせ、またはユーザの嗜好を体現し得る任意の他の情報を提供したことを示す場合、当該リーフノードは、第２のユーザに好まれるリーフノードとして特定され得る。いくつかの実施例では、第２のユーザの明示的なフィードバックは、オブジェクトに関するスコア評価、レベル評価、サムアップ 等を含むことができる。第２のユーザの暗示的なフィードバックは、ブラウジング、クリック、ショッピングカートに加入、転送などを含むことができる。もちろん、本開示の実施例は、ここに挙げた嗜好指示方式に限定されない。より一般的には、コンピューティングデバイス１２０は、任意の適切な方式で履歴ユーザデータから第２のユーザに好まれるリーフノードを特定することができる。

ブロック５２０において、コンピューティングデバイス１２０は、ツリー構造１４０における、第２のユーザに好まれるリーフノードの先輩ノードを特定して、第１のノードセットとすることができる。例えば、図１に示されるツリー構造１４０の例示を参照すると、第２のユーザに好まれるリーフノードは１４０-１２であると仮定される。この仮定の場合、コンピューティングデバイス１２０は、ツリー構造１４０におけるリーフノード１４０-１２の先輩ノードがノード１４０-６、１４０-３および１４０-１であると特定し得る。したがって、ツリー構造１４０の当該例示において、コンピューティングデバイス１２０は、第１のノードセットがノード１４０-６、１４０-３および１４０-１であると特定し得る。

ブロック５３０において、コンピューティングデバイス１２０は、第１のノードセットに基づいて、リコールモデル１３０をトレーニングするためのポジティブサンプルを特定し得る。上述したように、いくつかの実施例では、コンピューティングデバイス１２０は、第２のユーザに好まれるリーフノードおよび第１のノードセットを、リコールモデル１３０をトレーニングするためのポジティブサンプルとして直接に特定することができる。言い換えれば、第２のユーザがあるリーフノードに関心を持つ場合、コンピューティングデバイス１２０は、当該第２のユーザが当該リーフノードのすべての先輩ノードに関心を持つと仮定する。このようにして、コンピューティングデバイス１２０は、合理的な仮定に従って、リコールモデル１３０をトレーニングするためのより多くのポジティブサンプルを取得することができる。上記の例示を継続して使用すると、第２のユーザがリーフノード１４０-１２に関心を持つ場合、コンピューティングデバイス１２０は、リーフノード１４０-１２及び第１のノードセット１４０-６、１４０-３および１４０-１を、リコールモデル１３０をトレーニングするためのポジティブサンプルとして特定し得る。

しかしながら、ユーザが関心を持っているリーフノードのすべての先輩ノードを、リコールモデル１３０をトレーニングするためのポジティブサンプルとして特定する場合、そのようなトレーニング目標は、実際には、後のリコールステップにおけるリコールモデル１３０の使用方式（例えば、ビームサーチ）と一致しない。このような不一致により、リコールモデル１３０が「悪くに学び」となり、リコールモデル１３０のリコール正確性に影響を及ぼすことがある。したがって、いくつかの実施例において、トレーニングされたリコールモデル１３０のリコール結果をさらに最適化するために、コンピューティングデバイス１２０は、上記で特定された第１のノードセットにさらに選択して、第１のノードセットのサブセットを、リコールモデル１３０をトレーニングするためのポジティブサンプルとして特定することができる。

例えば、リコールモデル１３０のトレーニング過程を使用過程とより一致させるために、コンピューティングデバイス１２０は、リコールモデル１３０のトレーニング段階におけるポジティブサンプルの選択方式を、リコールモデル１３０の使用段階におけるツリー構造１４０の各層に嗜好ノードセットを特定するビームサーチ方式と一致させ、第１のノードセットからポジティブサンプルをより最適化的に選択することができる。このように、リコールモデル１３０のトレーニング過程におけるトレーニング目標と、使用過程におけるオブジェクト検索目標とを統一することができるので、リコールモデル１３０のリコール正確性をさらに向上させることができる。以下、図６を参照して、そのような実施例を説明する。

図６は、本開示の実施例による２つのノードセットの共通集合に基づいてポジティブサンプルを特定する例示的な過程６００のフローチャートを示す。いくつかの実施例において、例示的な過程６００は、例示的な環境１００におけるコンピューティングデバイス１２０によって実現され、例えば、コンピューティングデバイス１２０のプロセッサもしくは処理ユニットによって、またはコンピューティングデバイス１２０の様々な機能モジュールによって実現され得る。他の実施例では、例示的な過程６００は、例示的な環境１００から独立したコンピューティングデバイスによって実現されてもよく、または例示的な環境１００における他のユニットもしくはモジュールによって実現されてもよい。説明の便宜上、図１を参照して、例示的な過程６００を説明する。

ブロック６１０において、コンピューティングデバイス１２０は、第２のユーザの履歴ユーザデータおよびリコールモデル１３０の分類器１５０に基づいて、ツリー構造１４０の最上位階層以下の複数の階層に対応する複数の階層ノードサブセットを特定することができ、各階層ノードサブセットは、対応階層において確率ランキングが上位である複数のノードを含む。すなわち、第２のユーザの履歴ユーザデータおよび分類器１５０に基づいて、コンピューティングデバイス１２０は、リコールモデル１３０がリコールステップに用いられる際のビームサーチ方式を使用し、ツリー構造１４０の各階層で確率大きさランキングが上位であるノードを特定し得る。いくつかの実施例において、各階層に特定される確率ランキングが上位であるノードの数は、予め特定されることができ、後の使用過程におけるリコールモデル１３０が階層ごとに保持されるノードの数と一致することができる。

上記の具体例を継続して用いると、図１に示すツリー構造１４０において、コンピューティングデバイス１２０が、階層ごとに確率ランキングが上位である２つのノードを特定すると仮定する。また、第２のユーザの履歴ユーザデータ及び分類器１５０に基づいて、コンピューティングデバイス１２０により第２の階層で特定された確率ランキングが上位であるノードは１４０-２及び１４０-３であり、第３の階層で特定された確率ランキングが上位であるノードは１４０-５及び１４０-７であるとさらに仮定する。なお、ツリー構造１４０の最下位階層のリーフノードが好まれるか否かは、ユーザ履歴データから直接的に特定できるので正確であり、トレーニング段階で用いたビームサーチは、ツリー構造１４０の最下位階層まで行う必要はない。また、ツリー構造１４０の最上位階層はルートノード１４０-１のみを含むので、コンピューティングデバイス１２０は、ルートノード１４０-１がユーザによって好まれることを常に仮定してもよい。したがって、ここでのビームサーチもツリー構造１４０の最上位階層に対して実行される必要がない。

ブロック６２０において、コンピューティングデバイス１２０は、複数の階層のノードのサブセットの和集合に基づいて、第２のノードセットを特定し得る。例えば、上記の具体的な例示では、コンピューティングデバイス１２０は、複数の階層のノードのサブセットの和集合をノード１４０-２、１４０-３、１４０-５及び１４０-７、即ち第２のノードセットとして特定することができる。ブロック６３０において、コンピューティングデバイス１２０は、第１のノードセットと第２のノードセットとの共通集合に基づいて、リコールモデル１３０をトレーニングするためのポジティブサンプルを取得し得る。例えば、上記の具体的な例示において、第１のノードセットは、ノード１４０-６、１４０-３及び１４０-１であり、第２のノードセットは、ノード１４０-２、１４０-３、１４０-５及び１４０-７である。したがって、コンピューティングデバイス１２０は、両方の共通集合がノード１４０-３であると特定し得る。さらに、上記で説明したように、コンピューティングデバイス１２０は、ルートノード１４０-１およびリーフ子ノード１４０-１２をポジティブサンプルとして特定し得る。すなわち、この具体的な例示について、コンピューティングデバイス１２０によって最終的に特定されたポジティブサンプルは、ノード１４０-１２、１４０-３および１４０-１である。このように、図５に示される例示的な過程５００と比較して、コンピューティングデバイス１２０は、トレーニング段階のビームサーチによって検索されていないノード１４０－６をポジティブサンプルとすることを避け、リコールモデル１３０のトレーニング段階のトレーニング目標と使用段階のオブジェクト検索目標とを一致させ、リコールモデル１３０に対するトレーニング過程をさらに最適化することができる。

いくつかの実施例では、リコールモデル１３０はまた、ストリーミングトレーニングをサポートし、リコールモデル１３０のモデルパラメータ（たとえば、ツリー構造パラメータ１３２）を動的に調整して、リコールモデル１３０の適用場面を拡張することができる。たとえば、リコールモデル１３０のストリーミングトレーニングは、ツリー構造１４０の追加更新および全体更新を含み得る。本明細書で使用される、ツリー構造１４０の追加更新は、リコールモデル１３０のトレーニング過程に、コンピューティングデバイス１２０がツリー構造１４０に新規リーフノードを追加し得ることを意味する。例示として、ツリー構造１４０の追加更新は、所定の周期（例えば、１時間）で行われる。また、ツリー構造１４０の全体更新は、所定の全体更新周期（例えば、１日）でコンピューティングデバイス１２０が推薦に利用可能な全てのオブジェクトに基づいて新規ツリー構造１４０を再構築することを意味し、これは、推薦に利用可能なオブジェクトがリコールモデル１３０のトレーニング過程に時間とともに変化し得るからである。例えば、リコールモデル１３０をトレーニングするためのトレーニングデータに、ツリー構造１４０がインデックス付けされていない新規オブジェクトが引き込まれる可能性があり、ツリー構造１４０内の既存のオブジェクトが削除される可能性がある。以下では、まず、ツリー構造１４０の追加更新過程について説明し、図７を参照して追加更新の一例について説明する。次に、ツリー構造１４０の全体更新過程について説明し、図８を参照して全体更新の一例について説明する。

ツリー構造１４０を追加更新するために、コンピューティングデバイス１２０は、リコールモデル１３０をトレーニングするためのトレーニングデータにオブジェクトセット１１２に属さない新規オブジェクトが含まれるかどうかを特定することができる。いくつかの実施例では、コンピューティングデバイス１２０が、トレーニングデータに、オブジェクトセット１１２に含まれない新規オブジェクトが存在することを検出した場合、コンピューティングデバイス１２０は、新規オブジェクトの存在を直接に特定し、ツリー構造１４０の追加更新を直ちに実行し、すなわち、新規オブジェクトをツリー構造１４０に挿入することができる。代替的に、コンピューティングデバイス１２０は、ツリー構造１４０の追加更新を直ちに実行するのではなく、新規オブジェクトの存在を記録し、次いで、所定の周期で当該周期内に検出された１つまたは複数の新規オブジェクトをツリー構造１４０に挿入することができる。

他の実施例では、ツリー構造１４０のリーフノードに対応するオブジェクトが他のユーザにも好まれるはずであること、すなわち、推薦に利用可能なオブジェクトが広範囲の関心オブジェクトであることが考慮される。この考慮に基づいて、新規オブジェクトが一つのユーザによって一度好まれればツリー構造１４０に挿入されると、コンピューティングデバイス１２０のメモリ空間および計算量が浪費される可能性がある。したがって、ユーザに好まれる回数が少ない新規オブジェクトをツリー構造１４０に追加することを回避するために、且つ、ツリー構造１４０の相対的安定性を維持するために、コンピューティングデバイス１２０は、一定の条件を満たす新規オブジェクトに対して、ツリー構造１４０の追加更新を実行し得る。例えば、コンピューティングデバイス１２０がトレーニングデータに基づいて予定時間長（以下、第１の予定時間長とも呼ぶ）にある新規オブジェクトを好むユーザの数が閾値数よりも大きいと特定する場合、コンピューティングデバイス１２０はトレーニングデータに新規オブジェクトが含まれると特定することができる。いくつかの実施例において、ここでの第１の予定時間長は、上述のツリー構造１４０の追加更新の周期に等しくてもよい。すなわち、追加更新の周期内に、ある新規オブジェクトが一定数以上のユーザによって好まれる場合、コンピューティングデバイス１２０は、この新規オブジェクトがツリー構造１４０に追加される価値があると考え得る。

上記のどのような方法でトレーニングデータに新規オブジェクトが存在するかを特定することにかかわらず、コンピューティングデバイス１２０が、リコールモデル１３０をトレーニングするためのトレーニングデータにオブジェクトセット１１２に属さない新規オブジェクトが含まれると特定する場合、コンピューティングデバイス１２０は、新規オブジェクトに対応する新規リーフノードを作成することができる。そして、コンピューティングデバイス１２０は、作成された新規リーフノードをツリー構造１４０に挿入して、ツリー構造１４０に対する追加更新を実現することができる。コンピューティングデバイス１２０は、様々な適切な方法を使用して、新規リーフノードをツリー構造１４０に挿入することができる。いくつかの実施例において、新規リーフノードは、ツリー構造１４０の最下位階層の一層上の階層のある非リーフノードの下にランダムに挿入し、当該非リーフノードの子ノードとすることができる。すなわち、コンピューティングデバイス１２０は、ツリー構造１４０の最下位階層の一層上の階層の各非リーフノードから、目標である非リームノードをランダムに特定し得る。そして、コンピューティングデバイス１２０は、新規リーフノードを、目標である非リーフノードの子ノードとしてツリー構造１４０に追加し得る。このようにして、コンピューティングデバイス１２０の、新規リーフノードを挿入するためのコンピューティングリソースは、最小限にされ得る。他の実施例では、コンピューティングデバイス１２０は、ビームサーチの方法に基づいて、ツリー構造１４０に新規リーフノードが挿入されるのに最も適している場所を特定することができる。以下、図７を参照して、かかる実施例について説明する。

図７は、本開示の実施例による、新規リーフノードをツリー構造１４０に追加する例示的な過程７００のフローチャートを示す。いくつかの実施例において、例示過程７００は、例示的な環境１００におけるコンピューティングデバイス１２０によって実現され、例えばコンピューティングデバイス１２０のプロセッサもしくは処理ユニットによって、またはコンピューティングデバイス１２０の様々な機能モジュールによって実現され得る。他の実施例では、例示的な過程７００は、例示的な環境１００から独立したコンピューティングデバイスによって実現されてもよく、または例示的な環境１００内の他のユニットもしくはモジュールによって実現されてもよい。説明の便宜上、図１を参照して例示的な過程７００を説明する。

ブロック７１０では、コンピューティングデバイス１２０は、トレーニングデータから新規オブジェクトに関係付けられるユーザデータを取得することができる。例えば、ユーザがリコールモデル１３０をトレーニングするトレーニングデータは、通常、「オブジェクト-ユーザデータ」のペアの形態で収集される。したがって、コンピューティングデバイス１２０がトレーニングデータのあるオブジェクトが新規オブジェクトであると特定した場合、コンピューティングデバイス１２０は、当該新規オブジェクトに対応するユーザデータ、すなわち、当該新規オブジェクトに関心のあるユーザの関連ユーザデータを同時に取得することができる。いくつかの実施例では、ある新規オブジェクトに関係付けられる複数のユーザデータが存在する可能性がある。換言すれば、トレーニングデータにおいて、コンピューティングデバイス１２０は、新規オブジェクトが複数のユーザの複数のユーザデータに関連し、すなわち、この新規オブジェクトが複数のユーザによって好まれまたは関心があると特定する可能性がある。以下、新規オブジェクトに関連する複数のユーザデータが、複数の候補ユーザデータとも呼ばれる。

このような実施例において、複数の候補ユーザデータから新規オブジェクトに関連するユーザデータを取得するために、コンピューティングデバイス１２０は、複数の候補ユーザデータからランダムに選択された１つの候補ユーザデータに基づいてユーザデータを特定し得る。このようにして、ユーザデータを特定するためのコンピューティングデバイス１２０のコンピューティングリソースは最小化され得る。追加的に又は代替的に、コンピューティングデバイス１２０は、複数の候補ユーザデータから特定された平均候補ユーザデータに基づいて（例えば、ユーザ画像として）ユーザデータを特定し得る。このようにして、コンピューティングデバイス１２０は、新規オブジェクトを好むユーザのユーザデータをより統合して全面的に特定し得る。追加的に又は代替的に、コンピューティングデバイス１２０は、複数の候補ユーザデータのうち重み付けが最も高いユーザ（例えば、推薦システムを使用する時間が最も長いユーザ、コアユーザ等）に対応する候補ユーザデータに基づいて、ユーザデータを特定し得る。このように、コンピューティングデバイス１２０は、ユーザデータを特定するためのコンピューティングリソースとユーザデータの正確性との間のバランスを取り得る。

ブロック７２０において、コンピューティングデバイス１２０は、得られたユーザデータおよびリコールモデル１３０の分類器１５０に基づいて、ツリー構造１４０において好まれる確率が最大である目標リーフノードを特定することができる。例えば、新規オブジェクトに関連するユーザデータにより、コンピューティングデバイス１２０は、分類器１５０を使用して、最下位階層においてユーザに好まれる確率が最大であるリーフノードを目標リーフノードとして特定するまで、ビームサーチの方法で、ツリー構造１４０の最上位階層から下位に向けて階層ごとに、各階層において好まれるノードサブセットを特定することができる。ブロック７３０では、コンピューティングデバイス１２０は、新規リーフノードを目標リーフノードの兄弟ノードとしてツリー構造１４０に追加し得る。すなわち、コンピューティングデバイス１２０は、最初に、目標リーフノードの親ノードを特定し、次いで、新規リーフノードを当該親ノードの子ノードとしてツリー構造１４０に挿入し得る。このように、新規リーフノードをツリー構造１４０内の最も適した位置に追加することにより、ツリー構造パラメータ１３２を最適化することができ、すなわち、リコールモデル１３０のモデルパラメータを最適化することができ、それによって、リコールモデル１３０のトレーニング効果およびリコール結果を改善することができる。

上述したように、追加更新に加えて、コンピューティングデバイス１２０は、ツリー構造１４０に対して全体更新を実行し得る。例えば、ツリー構造１４０の全体更新は、所定の周期（例えば、１日）で実行され得る。いくつかの実施例において、ツリー構造１４０の全体更新は、リコールモデル１３０に基づく推薦システムの通常動作に影響を与えないように、リコールモデル１３０の業務量が少ない夜間に実行することができる。さらに、いくつかの実施例において、ツリー構造１４０の全体更新の過程は、オブジェクトセット１１２内のオブジェクトが「ログアウト」メカニズムを導入することができる。すなわち、予定の条件を満足する場合、オブジェクトセット１１２のオブジェクトがオブジェクトセット１１２から除外されて新規オブジェクトセット１１２を取得し、新規オブジェクトセット１１２に基づいて新規ツリー構造１４０が構築される。このようにして、コンピューティングデバイス１２０は、リコールモデル１３０のツリー構造１４０がユーザに関心があり得るオブジェクトにインデックス付けされることを確保し、それによって、リコールモデル１３０のリコール結果を最適化することができる。さらに、ツリー構造１４０を処理するためのコンピューティングデバイス１２０のコンピューティングリソースまたはストレージリソースなども節約され得る。以下、図８を参照して、かかる実施例について説明する。

図８は、本開示の実施例による、オブジェクトセット１１２からオブジェクトを除外した後に新規リコールモデル１３０を構築する例示的な過程８００のフローチャートを示す。いくつかの実施例において、例示的な過程８００は、例示的な環境１００内のコンピューティングデバイス１２０によって実現され、例えば、コンピューティングデバイス１２０のプロセッサもしくは処理ユニットによって、またはコンピューティングデバイス１２０の様々な機能モジュールによって実現され得る。他の実施例では、例示的な過程８００は、例示的な環境１００から独立したコンピューティングデバイスによって実現されてもよく、または例示的な環境１００内の他のユニットもしくはモジュールによって実現されてもよい。説明の便宜上、図１を参照して例示的な過程８００を説明する。

ブロック８１０では、コンピューティングデバイス１２０は、オブジェクトセット１１２のあるオブジェクトが予定時間長内に好まれる回数が閾値回数未満であるか否かを特定することができる。以下、上記第１の予定時間長と区別するために、ここでの予定時間長を第２の予定時間長と呼ぶ。いくつかの実施例において、第２の予定時間長は、ツリー構造１４０の全体更新の周期と一致し、例えば、両方とも１日であることができる。他の実施例において、第２の予定時間長は、ツリー構造１４０の全体更新の周期とは異なるように設定されてもよい。例えば、第２の予定時間長は、ツリー構造１４０の全体更新周期の倍数であってもよい。

コンピューティングデバイス１２０が、オブジェクトセット１１２において予定時間長内に好まれる回数が閾値回数未満であるオブジェクトが存在しないと特定した場合（図８に図示せず）、オブジェクトセット１１２内の各オブジェクトが最近ユーザによって依然として好まれることを意味する。この場合、コンピューティングデバイス１２０は、全体更新を実行する間、オブジェクトセット１１２内のオブジェクトをそのままにするか、または新規オブジェクトが検出された場合、既存のオブジェクトを除去しなくてオブジェクトセット１１２に新規オブジェクトのみを追加し得る。

一方、コンピューティングデバイス１２０が、オブジェクトセット１１２のあるオブジェクトが第２の予定時間長内に好まれる回数が閾値回数未満であると特定すると、当該オブジェクトが最近にユーザに好まれなく、すなわち、ユーザに推薦するのに適さなかったことを意味する。そのような場合、例示的な過程８００は、ブロック８２０に進むことができる。ブロック８２０で、コンピューティングデバイス１２０は、オブジェクトセット１１２から当該オブジェクトを除去し、新規オブジェクトセット１１２を取得してブロック８３０を実行することができる。

ブロック８３０において、コンピューティングデバイス１２０は、新規オブジェクトセット１１２に基づいて新規ツリー構造１４０の新規ツリー構造パラメータ１３２を取得することができる。例えば、新規オブジェクトセット１１２に基づいて新規ツリー構造パラメータ１３２を取得する過程は、オブジェクトセット１１２からツリー構造１４０およびツリー構造パラメータ１３２を取得するという上記の過程と類似することができ、ここでは贅言しない。ブロック８４０において、コンピューティングデバイス１２０は、新規ツリー構造パラメータ１３２に基づいて新規リコールモデル１３０を構築し得る。例えば、新規ツリー構造パラメータ１３２に基づいて新規リコールモデル１３０を構築する過程は、ツリー構造パラメータ１３２からリコールモデル１３０を構築する過程と類似することができ、ここでは贅言しない。例示的な過程８００によって、コンピューティングデバイス１２０は、リコールモデル１３０のツリー構造１４０がユーザが関心のある可能性のあるオブジェクトにインデックス付けされることを確保し、それによって、リコールモデル１３０のリコール結果を最適化することができる。さらに、ユーザがもはや関心を有しない、または関心が低いノードがツリー構造１４０から除外されるので、ツリー構造１４０のノード数を減らすことができ、これにより、ツリー構造１４０を処理するためのコンピューティングデバイス１２０のコンピューティングリソースまたはストレージリソースなどを節約することができる。

図９は、本開示の実施例による情報推薦方法の例示的な過程９００のフローチャートを示す。例示的な過程９００は、推薦システムが上述のリコールモデル１３０を使用してユーザに推薦されるオブジェクトを特定することを説明している。いくつかの実施例において、例示的な過程９００は、例示的な環境１００におけるコンピューティングデバイス１２０によって実現され、例えば、コンピューティングデバイス１２０のプロセッサもしくは処理ユニットによって、またはコンピューティングデバイス１２０の様々な機能モジュールによって実現され得る。他の実施例では、例示的な過程９００は、例示的な環境１００から独立したコンピューティングデバイスによって実現されてもよく、または例示的な環境１００内の他のユニットもしくはモジュールによって実現されてもよい。説明の便宜上、図１を参照して、例示的な過程９００を説明する。

ブロック９１０では、コンピューティングデバイス１２０は、リコールモデル１３０に基づいて、推薦システム内の推薦に利用可能なオブジェクトセット１１２からユーザに対する候補オブジェクトセット１１４を特定する。なお、例示的な過程９００において、コンピューティングデバイス１２０によって使用されるリコールモデル１３０は、本明細書で説明する本開示の任意の実施例の方法によって構築される。具体的には、いくつかの実施例において、コンピューティングデバイス１２０は、ユーザに関連するユーザデータ（例えば、ユーザ挙動データ、ユーザプロファイルデータ、ユーザコンテキストデータ等）をリコールモデル１３０に入力することができる。入力されたユーザデータ、ツリー構造パラメータ１３２及び分類器パラメータ１３４に基づいて、リコールモデル１３０は、分類器１５０を用いて、ツリー構造１４０の最上位階層から下位に向けて階層ごとに、各階層のユーザに好まれる確率ランキングが上位である嗜好ノードセットを予測して、候補オブジェクトセット１１４を最終的に特定することができる。

ブロック９２０で、コンピューティングデバイス１２０は、候補オブジェクトセット１１４からユーザに推薦される１つ以上のオブジェクト１１６を特定する。例えば、コンピューティングデバイス１２０は、任意の既知のまたは将来開発される選択方法（例えば、ランキング方法）を採用して、候補オブジェクトセット１１４から、ユーザに推薦するためのオブジェクト１１６を更に選択することができる。例示的な過程９００において、本開示の実施例に従って構築されたリコールモデル１３０は、最適化されたトレーニング過程及び使用過程を実現し、改善されたリコール結果を取得することができるので、推薦システムの推薦性能を向上させることができる。

本開示の実施例の技術的利点および有益な技術的効果をさらに説明するために、以下、まず、図１０を参照して、ツリー構造がリコールモデルから分離された場合のオフライントレーニング段階およびオンラインリコール段階の例示的な過程を説明する。次に、図１１を参照して、本開示の実施例におけるリコールモデル（ツリー構造パラメータおよび分離器パラメータを含んでモデルパラメータとする）のオフライントレーニング段階およびオンラインリコール段階の例示的な過程を説明する。次に、本開示の実施例によって提供されるリコールモデルが、ツリー構造がリコールモデルから分離される場合に比べて達成され得る技術的利点および有益な技術的効果がより詳細に説明される。

図１０は、ツリー構造がリコールモデルと分離されている場合の、オフライントレーニング段階およびオンラインリコール段階の例示的な過程１０００のブロック図を示す。最初に説明すべきことは、例示的な過程１０００の技術案では、インデックスツリー１０３０は、リコールモデル１０４０の一部ではない。逆に、インデックスツリー１０３０およびリコールモデル１０４０は、たとえば、異なるコンピューティングデバイスによって実現され、異なる形態で存在するなど、２つの互いに独立した部分である。したがって、図１０に示されるように、当該技術案の例示的な過程１０００のオフライントレーニング段階において、オリジナルオブジェクトベクトル表現１００５が「ベクトルに基づいてツリーにクラスタリングする」というステップ１０１０を実行することができ、すなわち、オブジェクトのオリジナルオブジェクトベクトル表現１００５に基づいて、初期のインデックスツリー１０３０をクラスタリングすることができる。

次に、最初のインデックスツリー１０３０は、「新規ツリーに基づいてサンプルを構築する」というステップ１０１５を実行するために用いられることができる。すなわち、例示的な過程１０００の技術案では、インデックスツリー１０３０がリコールモデル１０４０から独立しているので、推薦システムから直接に収集された「オブジェクト-ユーザデータ」ペアは、リコールモデル１０４０をトレーニングするために直接使用することができない。代わりに、「オブジェクト-ユーザデータ」ペアは、まず、インデックスツリー１０３０の処理によって行われ、そして、リコールモデル１０４０をトレーニングするためのサンプル（たとえば、インデックスツリー１０３０に基づいてポジティブサンプルおよびネガティブサンプルを特定する）データを特定することができる。次に、インデックスツリー１０３０に基づいて構築されたサンプルは、「サンプルに基づいてモデルをトレーニングする」というステップ１０２０を実行するために用いられることができ、すなわち、サンプルデータに基づいてリコールモデル１０４０をトレーニングすることができる。その後、トレーニングされたリコールモデル１０４０は、「オブジェクトベクトル表現を更新する」というステップ１０２５を実行するために用いられることができ、すなわち、トレーニングされたリコールモデル１０４０は、オブジェクトのオブジェクトベクトル表現を更新して、更新されたオブジェクトベクトル表現を取得することができる。

次に、更新されたオブジェクトベクトル表現は、「ベクトルに基づいてツリーにクラスタリングする」というステップ１０１０を実行するために再び使用されることができ、すなわち、オブジェクトの更新されたオブジェクトベクトル表現は、再びクラスタリングされ新規インデックスツリー１０３０を形成することができる。図１０に示されるように、オフライントレーニング段階において、インデックスツリー１０３０およびリコールモデル１０４０の両方が所定のトレーニング結果を取得するまで、インデックスツリー１０３０およびリコールモデル１０４０を更新して最適化するために、上述のステップ１０１０、ステップ１０１５、ステップ１０２０およびステップ１０２５は、周期的に実行されることができる。最後に、例示的な過程１０００のオフライントレーニング段階は、インデックスツリー１０３０を生成し、リコールモデル１０４０を生成し得る。

図１０でさらに示されるように、例示的な過程１０００のオンラインリコール段階では、オンラインデータ１０３５は、インデックスツリー１０３０の構造にしたがって、各階層におけるノード（またはオブジェクト）に対するユーザの好みを階層ごとに予測することができる。この過程では、ユーザがあるノード（またはオブジェクト）に関心を持つかどうかを予測するために、インデックスツリー１０３０は、リコールモデル１０４０とインテラクティブする必要がある。例えば、インデックスツリー１０３０は、インデックス構造に基づいて、現在の階層におけるどのノードがユーザによって好まれるか否かを特定する必要があるかを、リコールモデル１０４０に提供することができ、リコールモデル１０４０は、ユーザが現在の階層におけるどのノードを好むかの予測結果を、インデックスツリー１０３０に提供する必要がある。インデックスツリー１０３０とリコールモデル１０４０との複数のインテラクティブ後、インデックスツリー１０３０は、最下位階層におけるユーザによって好まれるノードを特定し、リコール結果１０４５を特定することができる。

これによれば、本開示の実施例と比較して、例示的な過程１０００の技術案は、いくつかの欠点を有する。第１の欠点は、インデックスツリー１０３０が、追加のインデックスデータ構造として、リコールモデル１０４０のモデルトレーニングに必要なトレーニングデータを生成するが、ネットワークトレーニングに直接関与しないことである。これは、様々な不利益をもたらす。第１の結果として、トレーニングデータがインデックスツリー１０３０に基づいて事前に生成される必要があり、すなわち、インデックスツリー１０３０が事前に生成されてリコールモデル１０４０のトレーニングを開始することであり、トレーニング速度が大幅に低減される。第２の結果として、トレーニングデータが指定されたインデックスツリー１０３０の構造に結合され、インデックスツリー１０３０のツリー構造が変更されると、オリジナルトレーニングデータが無意味となり、トレーニングデータの多重化が不可能となり、さらに、大量のメモリ空間を占有することである。第３の結果として、インデックスツリー１０３０のツリー構造の更新効率が制限され、インデックスツリー１０３０のツリー構造は、ネットワークの勾配に基づく逆更新に参加することができず、より柔軟なツリーインデックス更新ポリシーを適用することができない。

第２の欠点は、インデックスツリー１０３０のツリー構造が固定されており、アルゴリズムが、所定の１つのインデックスツリー１０３０に基づいて最適なオブジェクト検索ポリシーを学習することのみが可能であり、オブジェクトが頻繁に追加および削除される必要があるリコール場面、たとえば、ショートビデオ、情報ストリームのリコール場面などを解決することができないことである。すなわち、インデックスツリー１０３０は、ストリーム的に追加や全体更新をサポートしていないため、適用場面が限定され、例えば、文字やビデオのリコール場面など、大量の追加アイテムがあるリコール場面に不適合である。第３の欠点は、オブジェクト側の特徴を用いてインデックスツリー１０３０を構成するとき、事前トレーニングモデルが提供する事前トレーニング情報を用いず、トレーニング全体が２つの過程に分けられ、すなわち、インデックスツリー１０３０を構成することと、インデックスツリー１０３０に基づくディープラーニングモデルのトレーニングを交互に行う必要があることである。インデックスツリー１０３０のランダムな初期化により、インデックスツリー１０３０およびリコールモデル１０４０の全体的な収束速度が遅く、複数回の反復による限りよい効果が達成される。

図１１は、本開示の実施例による、リコールモデル１１３０のオフライントレーニング段階およびオンラインリコール段階の例示的な過程１１００のブロック図を示す。図１０に示されたインデックスツリー１０３０がリコールモデル１０４０から分離されているのに対して、図１１に示された本開示の実施例のリコールモデル１１３０は、ツリー構造および分類器に基づいて、全体的なリコールモデル１１３０を形成し、したがって、リコールモデル１１３０のパラメータは、ツリー構造パラメータ１１３２および分類器パラメータ１１３４の両方を含むことができる。なお、図１１に示すリコールモデル１１３０、ツリー構造パラメータ１１３２および分類器パラメータ１１３４は、それぞれ図１のリコールモデル１３０、ツリー構造パラメータ１３２および分類器パラメータ１３４の例示と考えることができる。

図１１に示すように、オフライントレーニング段階では、オリジナルオブジェクトベクトル表現１１０５は、最初に、事前トレーニングモデル１１１０の処理を受けて、クラスタリング的に最適化された最適化オブジェクトベクトルセット（図１１には図示せず）を生成することができる。そして、最適化オブジェクトベクトルセットは、初期のツリー構造パラメータ１１３２を取得するために使用され得る。なお、図１１に示すオリジナルオブジェクトベクトル表現１１０５及び事前トレーニングモデル１１１０は、それぞれ図４のオリジナルオブジェクトベクトル表現４１０及び事前トレーニングモデル４２０の例示と考えることができる。さらに、どのように最適化オブジェクトベクトルセットを使用して初期のツリー構造パラメータ１１３２を取得することは、図３に関して上述した例示的な過程３００を参照することができ、ここでは贅言しない。

一方、リコールモデル１１３０の分類器に用いられる具体的な機械学習（例えば、ディープラーニング）モデルに応じて、分類器パラメータ１１３４は、機械学習モデルに対応する方式で初期化され得る。次に、初期リコールモデル１１３０は、初期ツリー構造パラメータ１１３２および初期分類器パラメータ１１３４に基づいて構築することができる。次いで、トレーニングデータ１１１５は、リコールモデル１１３０をトレーニングすることができ、これにより、リコールモデル１１３０のモデルパラメータ（ツリー構造パラメータ１１３２および分類パラメータ１１３４を含む）を調整または最適化することができる。いくつかの実施例では、トレーニングデータ１１１５は、例えば、オブジェクトに関するユーザの嗜好及び関心の履歴データ、並びにユーザの履歴ユーザデータを含むことができ、例えば、「オブジェクト-ユーザデータ」ペアの形態で、推薦モデルの履歴オンラインデータから取得されることができる。

なお、本開示の実施例のリコールモデル１１３０は、ツリー構造と分類器に基づいて全体を形成するリコールモデルであるので、最初にツリー構造の処理を受けてリコールモデル１１３０をトレーニングするためのトレーニングデータを形成する必要がなく、トレーニングデータ１１１５がリコールモデル１１３０に直接に入力してリコールモデル１１３０をトレーニングすることができる。すなわち、推薦システム内のオリジナルデータは、リコールモデル１１３０のモデルトレーニングに直接参加することができ、したがって、データとモデルとの結合度を低減し、また、関連作業量を低減する。例えば、リコールモデル１１３０に入力された後、図５および図６に関して上述した例示的な過程５００および６００によって、トレーニングデータ１１１５が処理されて、リコールモデル１１３０をトレーニングするためのポジティブサンプルを取得する。

これは、図１０に示されたインデックスツリー１０３０がリコールモデル１０４０から分離されている場合とは対照的である。図１０の場面では、インデックスツリー１０３０とリコールモデル１０４０とが分離されて独立しているので、推薦モデルの履歴オンラインデータは、リコールモデル１０４０をトレーニングするために直接使用されることはできず、まずインデックスツリー１０３０の処理（たとえば、トレーニングデータのポジティブサンプルおよびネガティブサンプルを特定することなど）を受けて、次にリコールモデル１０４０をトレーニングするために使用されることが必要である。また、図１０のインデックスツリー１０３０は、リコールモデル１０４０から独立しているため、機械学習ネットワークの逆伝搬更新に参加することができない。これに対し、本開示の実施例のリコールモデル１１３０のツリー構造及び分類器モデルは、ネットワークトレーニングに同時に参加することができ、これにより、リコールモデルの効果をさらに向上させることができる。換言すれば、リコールモデル１１３０のツリー構造は、リコールモデル１１３０の一部として、ネットワークトレーニングにも参加し、リコール効果を向上させるとともに、トレーニング速度を向上させる。

エンジニアリングの具体的な実現において、推薦システムのリコールステップには、ユーザとオブジェクトとの間の１回の類似性計算によって消費される時間Ｔ、オブジェクトのリコールを完了するのに必要な計算の回数Ｎ、および推薦システムの性能限界Ｂｏｕｎｄという３つの要因があり、一般的にはＴ×Ｎ≦Ｂｏｕｎｄを必要とする。実際、ユーザごとの毎回のリコールに対して、先進なディープラーニングモデルを適用すると、消耗時間Ｔが増大してしまう。また、全てのオブジェクトについての情報検索を行うと、計算回数Ｎが増加してしまう。この２つの乗算は、システム性能上限Ｂｏｕｎｄに到達する可能性があり、これはエンジニアリングの観点から許容することができない。これらの考察に基づいて、本開示の実施例のリコールモデル１１３０のトレーニングは、エンジニアリング上、以下の操作に従って実施することができる。

まず、オリジナルオブジェクトベクトル表現１１０５は、事前トレーニングモデル１１１０によって、初期最適化オブジェクトベクトルセットを取得し、これに基づいてクラスタリングして初期ツリー構造を取得することができる。また、ツリー構造を全体更新する頻度を設置することができ、例えば、１日に１回などにすることができる。そして、分類器モデルパラメータおよびツリー構造パラメータは、オフラインデータによって反復的に更新され得る。具体的には、以下のステップを含むことができる。ステップａ）：ミニバッチ（MiniBatch）ごとのトレーニングデータに対して、リコールモデル１１３０の内部でツリー構造を構築する各階層のトレーニングデータをサンプリングして、分類器の各階層の分類器ユニットのパラメータトレーニングを行う。ステップｂ）：トレーニングデータのうちツリー構造に存在しない追加オブジェクトセットを取得し、ツリー構造に追加更新する。ステップｃ）：トレーニングされた回数が全体ツリー構築のトリガ条件を満たす（例えば、１日のトレーニング回数が２４回に達する）場合、ツリー構造のすべてのリーフノードのパラメータが保存され（オブジェクトのログアウトメカニズムを含み、ホットのオブジェクトまたはリーフノードのみが保存され得る）、最適化オブジェクトベクトルセットのクラスタリングツリー構築の方法を多重化し、更新されたツリー構造を再生成する。ステップｄ）：ステップａ）を繰り返し実行する。

リコールモデル１１３０のトレーニングが完了した後、オンラインリコール段階に進むことができる。具体的には、推薦システムのオンラインデータ１１２０は、トレーニングされたリコールモデル１１３０に直接に入力し、リコール結果１１２５を計算して取得することができる。例えば、オンラインデータ１１２０は、例えばユーザの挙動データ、ユーザのプロファイルデータ、ユーザのコンテキストデータなどのユーザのユーザデータであることができる。いくつかの実施例では、オンラインデータ１１２０、ツリー構造パラメータ１１３２によって表されるツリー構造、及び分類器パラメータ１１３４によって表される分類器に基づいて、リコールモデル１１３０は、ツリー構造の最上位階層から下位に向けて階層ごとに、ユーザに好まれるノードを特定し、最終的に、ツリー構造の最下位階層でユーザに好まれる複数のリーフノード（すなわち、好まれるオブジェクト）を特定し、リコール結果１１２５を特定することができる。なお、図１１に示すリコール結果１１２５は、図１の候補オブジェクトセット１１４の例示と考えることができる。例示的な過程１０００の技術案では、インデックスツリー１０３０とリコールモデル１０４０は、依然として、互いに独立した２つの部分であり、インデックスツリー１０３０は、追加のデータ構造として存在する必要がある。これに対し、本開示の実施例のツリー構造は、リコールモデル１１３０に含まれるので、リコールモデル１１３０のみを配布すればよく、作業量が少なくなるだけでなく、オブジェクト検索の速度が速くなる。

これによれば、本開示の実施例は、オブジェクトをインデックスするためのツリー構造とユーザに好まれるオブジェクトを予測するための分類器の両方に対する連帯トレーニングを可能にし、推薦システムに適用可能なリコールモデル及びその構築方法を提案する。本開示のいくつかの設計では、まず分類器モデルとツリーオブジェクト検索構造とを一体化してトレーニングすることができる。具体的には、一回前のトレーニングの分類器モデルパラメータとツリー構造オブジェクト検索構造に基づいて、次回のトレーニングデータを構成してディープラーニングネットワークの更新を行うことができ、これにより、分類器モデルトレーニングとツリー構造オブジェクト検索目標との一致性を実現することができ、リコールモデル１１３０のリコール効果を向上させることができる。さらに、いくつかの実施例では、リコールモデル１１３０のツリー構造は、追加および全体更新をサポートすることができ、したがって、リコールモデル１１３０の適用場面を拡張する。また、いくつかの実施例において、リコールモデル１１３０は、事前トレーニングモデルによって提供された事前トレーニング情報に基づいて、ツリー構造オブジェクト検索構造の効率的な初期化を実現し、検索ツリーの構造をより合理的にし、収束速度を早め、リコールモデル１１３０のリコール効果を向上させる。

さらに、いくつかの実施例では、リコールモデル１１３０はまた、ツリー構造の各層におけるポジティブサンプルのサンプリング方式を改善し得る。例えば、ユーザに好まれるオブジェクトからルートノードへの経路における各ノードがその階層のポジティブサンプルとして階層分類器のトレーニングに参加することと区別し、リコールモデル１１３０は、その上で、ビームサーチの操作をさらに追加して、ツリー構造における上方への戻り経路内のビームサーチの階層候補セットに存在しないポジティブサンプルをフィルタリングし、これによって、モデルトレーニングの目標とオブジェクト検索の目標とを統合して、リコールの正確率をさらに向上させることができる。したがって、ツリー構造の各階層のトレーニングデータの構築方法は、より合理的であり、オブジェクト検索最適化の目標と一致し、リコールモデル１１３０の全体的な効果を向上させる。さらに、いくつかの実施例では、リコールモデル１１３０は、ストリーミングトレーニングもサポートすることができる。たとえば、リコールモデル１１３０は、ツリー構造の追加更新および前記更新の頻度をモデルのスーパーパラメータとして得る。リコールモデル１１３０のストリーミングトレーニングおよびツリー構造の動的調整設計は、リコールモデル１１３０の適用場面を大幅に拡張することができる。エンジニアリングの観点から、トレーニングサンプルのサンプリングロジックはオブジェクト検索ロジックを既に含むので、オンラインオブジェクト検索ロジックを構築する作業量を除去し、オンラインリコールおよびオフライントレーニングが同じリコールモデル１１３０を使用することができ、したがって、推薦システムを配備するために必要な作業量が低減される。

また、推薦システムの技術分野において、ベクトル類似性に基づくリコール検索方法（二重塔構造及びディープ構造化語彙モデルＤＳＳＭとも呼ばれる）の従来技術案も存在する。この技術案の核心思想は、ユーザ側のベクトルとオブジェクト側のベクトルを共通次元の語彙空間にマッピングし、ユーザベクトルとオブジェクトベクトルとの間のコサイン類似度を最大化することによって、暗黙的な語彙モデルをトレーニングして取得し、オブジェクト検索の目的を達成することである。しかしながら、この従来の技術案には、以下のような欠点がある。第１に、プレハブネットワークの変更にかかわらず、最終的には、コサイン類似度を計算するために、ユーザベクトルおよびオブジェクトベクトルを同じ空間にマッピングすることが必要であり、これはモデルの設計を制限する。第２に、オンラインでリアルタイムにオブジェクト検索を行うためには、オブジェクト側のベクトルを予め計算し、高速に検索できるデータ構造を構築する必要がある。検索構造の構築の主な目標は、検索性能であり、一般的な方法は、オブジェクトベクトルをクラスタリングすることである。ユーザベクトルは、まず、各大分類のベクトル平均値と、類似度を比較し、さらに、最も類似するクラスにおける各オブジェクトと、類似度を計算し、これにより、オブジェクトのライブラリ全体の検索による計算量を減らす。しかし、検索構造のインデックス構造段階とモデルトレーニング段階との最適化目標が一致せず、リコールの効果に影響を及ぼす。

したがって、従来のベクトル類似性に基づくリコール検索方法と比較して、本開示の実施例のリコールモデル１１３０は、以下の態様において技術的利点および有益な技術的効果を奏する。まず、従来の二重塔構造は、最後のステップでコサイン類似度を用いて、ユーザ側とオブジェクト側のベクトルを同じ次元にマッピングしてメトリックする必要がある。これに対し、本開示の実施例のリコールモデル１１３０は、リコールステップにおいて任意の先進なディープラーニングモデルを担持することができ、ユーザ側とオブジェクト側が複雑なモデルを使用してインテラクティブしてリコール結果を取得することをサポートし得る。また、従来の二重塔構造では、リコールモデルを得た後に、オブジェクト側のベクトルを事前に計算して検索構造を構築する必要があり、オンラインリコール部分に余分な作業が必要であった。これに対し、本開示の実施例のリコールモデル１１３０のオフライントレーニングは、オンラインリコールと同じモデルを使用し、検索構造体を構築する必要がない。第３に、従来の二重塔構造の検索構造の構築目標は、オンライン計算回数を減らすことであり、オフライントレーニングの効果の最適化目標と一致しないため、最終的なリコール効果に影響を与える。これに対し、本開示の実施例のリコールモデル１１３０のツリー構造検索構造は、分類器モデルと暗黙的に連帯トレーニングされ、グローバルに最適なリコールモデル１１３０を取得する。

図１２は、本開示の実施例による例示的な情報処理装置１２００のブロック図を示す。いくつかの実施例では、装置１２００は、図１のコンピューティングデバイス１２０に含まれてもよく、又はコンピューティングデバイス１２０として実現されてもよい。他の実施例では、装置１２００は、図１に示されていないコンピューティングデバイスに含まれてもよく、または、このコンピューティングデバイスとして実現されてもよい。

図１２に示すように、装置１２００は、ツリー構造パラメータ取得モジュール１２１０、分類器パラメータ取得モジュール１２２０、リコールモデル構築モジュール１２３０を有する。ツリー構造パラメータ取得モジュール１２１０は、推薦に利用可能なオブジェクトセットをインデックスするためのツリー構造のツリー構造パラメータを取得するように配置される。分類器パラメータ取得モジュール１２２０は、分類器の分類器パラメータを取得するように配置され、分類器は、ツリー構造の最上位階層から下位に向けて階層ごとに、各階層のユーザに好まれる確率ランキングが上位である嗜好ノードセットを予測し、１層の嗜好ノードセットは、その上位層の嗜好ノードセットに基づいて特定される。リコールモデル構築モジュール１２３０は、オブジェクトセットにユーザについての候補オブジェクトセットを特定するように、ツリー構造パラメータ及び分類器パラメータに基づいてリコールモデルを構築するように配置されている。

いくつかの実施例では、ツリー構造パラメータ取得モジュール１２１０は、オブジェクトセットをベクトル化して、オリジナルオブジェクトベクトルセットを生成するように配置されるオリジナルオブジェクトベクトルセット生成モジュールと、事前トレーニングモデルおよびオリジナルオブジェクトベクトルセットに基づいて、クラスタリング特性に関して最適化された最適化オブジェクトベクトルセットを生成するように配置される最適化オブジェクトベクトルセット生成モジュールと、最適化オブジェクトベクトルセットに対してクラスタリングを実行してツリー構造を構築し、ツリー構造パラメータを特定するように配置されるクラスタリングモジュールと、を含む。

いくつかの実施例では、上記ユーザは第１のユーザであり、装置１２００は、第２のユーザの履歴ユーザデータに基づいて、ツリー構造で第２のユーザに好まれるリーフノードを特定するように配置される嗜好リーフノード特定モジュールと、ツリー構造におけるリーフノードの先輩ノードを第１のノードセットとして特定するように配置される第１のノードセット特定モジュールと、第１のノードセットに基づいて、リコールモデルをトレーニングするためのポジティブサンプルを特定するように配置されるポジティブサンプル特定モジュールと、をさらに含む。

いくつかの実施例において、ポジティブサンプル特定モジュールは、履歴ユーザデータ及び分類器に基づいて、ツリー構造の最上位階層以下の複数の階層に対応する複数の階層ノードサブセットを特定し、各階層ノードサブセットが対応階層における確率ランキングが上位である複数のノードを含むように配置される階層ノードサブセット特定モジュールと、複数の階層ノードサブセットの和集合に基づいて、第２のノードセットを特定するように配置される第２のノードセット特定モジュールと、第１のノードセットと第２のノードセットとの共通集合に基づいて、ポジティブサンプルを取得するように配置されるポジティブサンプル取得モジュールと、を含む。

いくつかの実施例において、装置１２００は、リコールモデルをトレーニングするためのトレーニングデータにオブジェクトセットに属さない新規オブジェクトが含まれるとの特定に従って、新規オブジェクトに対応する新規リーフノードを作成するように配置される新規リーフノード作成モジュールと、新規リーフノードをツリー構造に挿入するように配置される挿入モジュールと、をさらに含む。

いくつかの実施例では、挿入モジュールは、トレーニングデータにおいて、新規オブジェクトに関連するユーザデータを取得するように配置されるユーザデータ取得モジュールと、ユーザデータ及び分類器に基づいて、ツリー構造において好まれる確率が最大である目標リーフノードを特定するように配置される目標リーフノード特定モジュールと、新規リーフ子ノードを目標リーフノードの兄弟ノードとしてツリー構造に追加するように配置される兄弟ノード追加モジュールと、を含む。

いくつかの実施例において、ユーザデータ取得モジュールは、新規オブジェクトが複数のユーザの複数の候補ユーザデータに関連するとの特定に従って、複数の候補ユーザデータからランダムに選択された１つの候補ユーザデータと、複数の候補ユーザデータに基づいて特定される平均候補ユーザデータと、複数の候補ユーザデータにおける重みが最も大きいユーザに対応する候補ユーザデータと、という少なくとも１つに基づいてユーザデータを特定するように配置されるユーザデータ特定モジュールを含む。

いくつかの実施例において、挿入モジュールは、ツリー構造の最下位階層の一層上の階層における非リーフノードから、目標非リーフノードをランダムに特定するように配置される目標非リーフノード特定モジュールと、新規リーフのノードを、目標非リーフノードの子ノードとしてツリー構造に追加するように配置される子ノード追加モジュールと、を含む。

いくつかの実施例では、装置１２００は、第１の予定時間長内に新規オブジェクトを好むユーザ数が閾値数より多いとの特定に従って、トレーニングデータに新規オブジェクトが含まれると特定するように配置される新規オブジェクト特定モジュール、をさらに含む。

いくつかの実施例において、装置１２００は、第２の予定時間長内にオブジェクトセットにおけるオブジェクトが好まれる回数が閾値回数未満であるとの特定に従って、オブジェクトセットからオブジェクトを除去して新規オブジェクトセットを取得するように配置される新規オブジェクトセット取得モジュールと、新規オブジェクトセットに基づいて新規ツリー構造の新規ツリー構造パラメータを取得するように配置される新規ツリー構造パラメータ取得モジュールと、新規ツリー構造パラメータに基づいて新規リコールモデルを構築するように配置される新規リコールモデル構築モジュールと、をさらに含む。

いくつかの実施例において、分類器は、ツリー構造の最上位階層以下の複数の階層に対応する複数の分類器ユニットを含み、複数の分類器ユニットの各々は、対応階層におけるノードがユーザによって好まれる確率を予測するために使用される。

図１３は、本開示の実施例による例示情報推薦装置１３００の一例を示すブロック図である。いくつかの実施例では、装置１３００は、図１のコンピューティングデバイス１２０に含まれてもよく、またはコンピューティングデバイス１２０として実現されてもよい。他の実施例では、装置１３００は、図１に示されないコンピューティング装置に含まれてもよく、またはそのようなコンピューティング装置として実現されてもよい。

図１３に示されるように、装置１３００は、リコールモジュール１３１０及び推薦オブジェクト特定モジュール１３２０を含む。リコールモジュール１３１０は、本開示の任意の実施例に従って構築されたリコールモデルに基づいて、推薦システムにおける推薦に利用可能なオブジェクトセットから、ユーザに対する候補オブジェクトセットを特定するように配置される。推薦オブジェクト特定モジュール１３２０は、候補オブジェクト集合からユーザに推薦する少なくとも１つのオブジェクトを特定するように配置される。

本開示の実施例によれば、本開示は、電子デバイス、可読記憶媒体、およびコンピュータプログラム製品をさらに提供している。

図１４は、本開示の実施例を実現するための例示的電子デバイス１４００の概略ブロック図を示す。電子デバイスは、例えば、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、メインフレームコンピュータ、及び他の適切なコンピュータなどの様々な形態のデジタルコンピュータである。電子デバイスは、例えば、パーソナルデジタルプロセッシング、携帯電話、スマートフォン、ウェアラブルデバイス、及び他の類似なコンピューティングデバイス等、様々な形態のモバイルデバイスであってもよい。本明細書に示される部品、それらの接続及び関係、並びにそれらの機能は、単なる例示であり、本明細書に記載及び／又は請求される本開示の実施を限定しない。

図１４に示されるように、デバイス１４００は、リードオンリーメモリ（ＲＯＭ）１４０２に記憶されたコンピュータプログラム、又は記憶ユニット１４０８からランダムアクセスメモリ（ＲＡＭ）１４０３にロードされたコンピュータプログラムに従って様々な適切な動作及び処理を実行することができるコンピューティングユニット１４０１を含む。ＲＡＭ１４０３には、デバイス１４００の操作に必要な各種プログラムやデータを記憶するもできる。コンピューティングユニット１４０１、ＲＯＭ１４０２、及びＲＡＭ１４０３は、バス１４０４を介して相互に接続されている。入出力（Ｉ／Ｏ）インタフェース１４０５もバス１４０４に接続されている。

デバイス１４００における複数の部品は、Ｉ／Ｏインタフェース１４０５に接続されており、例えばキーボード、マウスなどの入力ユニット１４０６と、例えば各種のディスプレイ、スピーカなどの出力ユニット１４０７と、例えば磁気ディスク、光ディスクなどの記憶ユニット１４０８と、例えばネットワークカード、モデム、無線通信送受信機などの通信ユニット１４０９と、を含む。通信ユニット１４０９は、デバイス１４００が、例えばインターネットなどのコンピュータネットワーク及び／又は様々な電気通信ネットワークを介して、他の機器と情報／データを交換することを可能にする。

コンピューティングユニット１４０１は、処理および計算能力を有する様々な汎用および／または専用処理コンポーネントであることができる。コンピューティングユニット１４０１のいくつかの例示は、中央処理ユニット（ＣＰＵ）、グラフィック処理ユニット（ＧＰＵ）、様々な専用人工知能（ＡＩ）コンピューティングチップ、様々な機械学習モデルアルゴリズムを実行するコンピューティングユニット、デジタルシグナルプロセッサ（ＤＳＰ）、および任意の適切なプロセッサ、コントローラ、マイクロコントローラなどを含むが、これらに限定されない。コンピューティングユニット１４０１は、例えば方法２００、３００、５００、６００、７００、８００および９００のような上記に記載の各方法及び処理を実行する。例えば、いくつかの実施例において、方法２００、３００、５００、６００、７００、８００および９００のいずれかは、コンピュータソフトウェアプログラムとして実現され、例えば記憶ユニット１４０８などの機械可読媒体に有形に組み込まれる。いくつかの実施例において、コンピュータプログラムの一部又は全部は、ＲＯＭ１４０２及び／又は通信ユニット１４０９を介してデバイス１４００にロード及び／又はインストールされてよい。コンピュータプログラムがＲＡＭ１４０３にロードされ、コンピューティングユニット１４０１によって実行されると、上記に記載の方法２００、３００、５００、６００、７００、８００および９００のいずれかの１つまたは複数のステップを実行することができる。あるいは、他の実施例では、コンピューティングユニット１４０１は、他の任意の適切な方式で（例えば、ファームウェアを用いて）方法２００、３００、５００、６００、７００、８００および９００のいずれかを実行するように配置されることができる。

本明細書で説明したシステムおよび技術の様々な実施態様は、デジタル電子回路システム、集積回路システム、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、特定用途向け標準製品（ＡＳＳＰ）、システムオンチップ（ＳＯＣ）、負荷プログラマブル論理デバイス（ＣＰＬＤ）、コンピュータハードウェア、ファームウェア、ソフトウェア、および／またはそれらの組合せで実現され得る。これらの様々な実施形態は、１つまたは複数のコンピュータプログラム内で実施されることを含み、当該１つまたは複数のコンピュータプログラムは、少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステム上で実行および／または解釈され、当該プログラマブルプロセッサは、専用または汎用のプログラマブルプロセッサであり、記憶システム、少なくとも１つの入力装置、および少なくとも１つの出力装置からデータおよび命令を受信し、データおよび命令を当該記憶システム、少なくとも１つの入力装置、および少なくとも１つの出力装置に送信する。

本開示の方法を実施するためのプログラムコードは、１つまたは複数のプログラミング言語の任意の組合せで書かれてもよい。これらのプログラムコードは、汎用コンピュータ、専用コンピュータ、又は他のプログラム可能なデータ処理装置のプロセッサ又はコントローラに提供されてもよく、これにより、プログラムコードがプロセッサ又はコントローラによって実行されると、フローチャート及び／又はブロック図において特定された機能／動作が実施される。プログラムコードは、完全にマシンで、部分的にマシンで、独立型ソフトウェアパッケージとして部分的にマシンで、部分的にリモートマシンで、または完全にリモートマシンもしくはサーバで実行され得る。

本開示の文脈において、機械可読媒体は、命令実行システム、装置、またはデバイスによる使用のための、またはそれらと関連して使用されるプログラムを含み、または記憶することができる有形媒体であり得る。機械可読媒体は、機械可読信号媒体または機械可読記憶媒体であり得る。機械可読媒体は、電子的、磁気的、光学的、電磁的、赤外線、または半導体システム、装置、もしくはデバイス、または上記の任意の好適な組み合わせを含み得るが、これらに限定されない。機械可読記憶媒体のより具体的な例示は、１つ以上の配線に基づく電気接続、ポータブルコンピュータディスク、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、光ファイバ、コンパクトディスクリードオンリメモリ（ＣＤ－ＲＯＭ）、光記憶装置、磁気記憶装置、又はこれらの任意の適切な組み合わせを含む。

ユーザとのインテラクティブを提供するために、コンピュータで本明細書に記載されるシステムおよび技術を実施することができ、当該コンピュータは、ユーザに情報を表示するための表示装置（たとえば、ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニタ）と、ユーザがコンピュータに入力を提供し得るキーボードおよびポインティングデバイス（たとえば、マウスまたはトラックボール）とを有する。他の種類の装置は、ユーザとのインテラクティブを提供するために使用され得る。例えば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック（例えば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバック）であってもよく、任意の形態（例えば、音声入力、発話入力または触覚入力）でユーザからの入力を受信することができる。

本明細書で説明されるシステムおよび技術を、バックエンド部品を含むコンピューティングシステム（例えば、データサーバとして）、またはミドルウェア部品を含むコンピューティングシステム（例えば、アプリケーションサーバ）、またはフロントエンド部品を含むコンピューティングシステム（例えば、ユーザが本明細書で説明されるシステムおよび技術の実施形態とインテラクティブすることができるグラフィカルユーザインターフェースまたはウェブブラウザを有するユーザコンピュータ）、またはそのようなバックエンド部品、ミドルウェア部品、もしくはフロントエンド部品の任意の組合せを含むコンピューティングシステムにおいて実施され得る。任意の形態または媒体のデジタルデータ通信（例えば、通信ネットワーク）を介してシステムの部品を互いに接続することができる。通信ネットワークの例示は、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、およびインターネットを含む。

コンピュータシステムは、クライアントおよびサーバを含み得る。クライアントおよびサーバは、一般に、互いから離れており、通常、通信ネットワークを介してインテラクティブしている。相応的なコンピュータで運行し、互いにクライアント-サーバ関係を有するコンピュータプログラムによって、クライアントとサーバの関係を生成する。サーバは、クラウドサーバー、すなわちクラウドコンピューティングサーバ又はクラウドホストとも称され、従来の物理ホスト及びＶＰＳサービス（「Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｓｅｒｖｅｒ」又は単に「ＶＰＳ」）における管理の困難さが大きく、サービスの拡張性が弱いという欠点を解決するために、クラウドコンピューティングサービスのアーキテクチャにおけるホスト製品の１つであってもよい。サーバは、分散システムのサーバ、または、ブロックチェーンを結合したサーバであってもよい。

なお、上記に示された様々な形態のフローを用いて、ステップを並べ替え、追加、または削除することができることを理解されたい。例えば、本開示に記載された各ステップは、並列的に実行されてもよく、順番に実行されてもよく、異なる順番で実行されてもよく、本開示において開示された技術案の所望の結果を達成することができる限り、ここで制限されない。

上記の具体的な実施形態は、本開示の保護範囲を限定するものではない。当業者であれば、設計の要求及び他の要因に応じて、各種の補正、組合、サブ組合および切り替えを行うことができることは明らかであろう。本開示の思想及び原則における任意の補正、均等物及び改善は、本開示の保護範囲に含まれるべきである。

Claims (30)

1. 推薦に利用可能なオブジェクトセットをインデックスするためのツリー構造のツリー構造パラメータを取得することと、
   前記ツリー構造の最上位階層から下位に向けて階層ごとに、各階層のユーザに好まれる確率ランキングが上位である嗜好ノードセットを予測する分類器の分類器パラメータを取得し、一層の嗜好ノードセットがその上位層の嗜好ノードセットに基づいて特定されることと、
   前記ツリー構造パラメータ及び前記分類器パラメータに基づいてリコールモデルを構築し、前記オブジェクトセットで前記ユーザに対する候補オブジェクトセットを特定することと、を含む
   情報処理方法。
2. 前記ツリー構造パラメータを取得することは、
   前記オブジェクトセットをベクトル化して、オリジナルオブジェクトベクトルセットを生成することと、
   事前トレーニングモデルおよび前記オリジナルオブジェクトベクトルセットに基づいて、クラスタリング特性に関して最適化された最適化オブジェクトベクトルセットを生成することと、
   前記最適化オブジェクトベクトルセットに対してクラスタリングを実行して前記ツリー構造を構築し、前記ツリー構造パラメータを特定することと、を含む
   請求項１に記載の方法。
3. 前記ユーザは第１のユーザであり、
   前記方法は、
   第２のユーザの履歴ユーザデータに基づいて、前記ツリー構造で前記第２のユーザに好まれるリーフノードを特定することと、
   前記ツリー構造における前記リーフノードの先輩ノードを第１のノードセットとして特定することと、
   前記第１のノードセットに基づいて、前記リコールモデルをトレーニングするためのポジティブサンプルを特定することと、をさらに含む
   請求項１に記載の方法。
4. 前記ポジティブサンプルを特定することは、
   前記履歴ユーザデータ及び前記分類器に基づいて、前記ツリー構造の最上位階層以下の複数の階層に対応する複数の階層ノードサブセットを特定し、各階層ノードサブセットが対応階層における確率ランキングが上位である複数のノードを含むことと、
   前記複数の階層ノードサブセットの和集合に基づいて、第２のノードセットを特定することと、
   前記第１のノードセットと前記第２のノードセットとの共通集合に基づいて、前記ポジティブサンプルを取得することと、を含む
   請求項３に記載の方法。
5. 前記リコールモデルをトレーニングするためのトレーニングデータに前記オブジェクトセットに属さない新規オブジェクトが含まれるとの特定に従って、前記新規オブジェクトに対応する新規リーフノードを作成することと、
   前記新規リーフノードを前記ツリー構造に挿入することと、をさらに含む
   請求項１に記載の方法。
6. 前記新規リーフノードを前記ツリー構造に挿入することは、
   前記トレーニングデータにおいて、前記新規オブジェクトに関連するユーザデータを取得することと、
   前記ユーザデータ及び前記分類器に基づいて、前記ツリー構造において好まれる確率が最大である目標リーフノードを特定することと、
   前記新規リーフ子ノードを前記目標リーフノードの兄弟ノードとして前記ツリー構造に追加することと、を含む
   請求項５に記載の方法。
7. 前記新規オブジェクトに関連する前記ユーザデータを取得することは、
   前記新規オブジェクトが複数のユーザの複数の候補ユーザデータに関連するとの特定に従って、
   前記複数の候補ユーザデータからランダムに選択された１つの候補ユーザデータと、
   前記複数の候補ユーザデータに基づいて特定される平均候補ユーザデータと、
   前記複数の候補ユーザデータにおける重みが最も大きいユーザに対応する候補ユーザデータと、
   の少なくとも１つに基づいて前記ユーザデータを特定する
   請求項６に記載の方法。
8. 前記新規リーフノードを前記ツリー構造に挿入することは、
   前記ツリー構造の最下位階層の一層上の階層における非リーフノードから、目標非リーフノードをランダムに特定することと、
   前記新規リーフのノードを、前記目標非リーフノードの子ノードとして前記ツリー構造に追加することと、を含む
   請求項５に記載の方法。
9. 前記第１の予定時間長内に前記新規オブジェクトを好むユーザ数が閾値数より多いとの特定に従って、前記トレーニングデータに前記新規オブジェクトが含まれると特定すること、をさらに含む
   請求項５に記載の方法。
10. 第２の予定時間長内に前記オブジェクトセットにおけるオブジェクトが好まれる回数が閾値回数未満であるとの特定に従って、前記オブジェクトセットから前記オブジェクトを除去して新規オブジェクトセットを取得することと、
    前記新規オブジェクトセットに基づいて新規ツリー構造の新規ツリー構造パラメータを取得することと、
    前記新規ツリー構造パラメータに基づいて新規リコールモデルを構築することと、をさらに含む
    請求項１に記載の方法。
11. 前記分類器は、前記ツリー構造の最上位階層以下の複数の階層に対応する複数の分類器ユニットを含み、前記複数の分類器ユニットの各々は、対応階層におけるノードがユーザによって好まれる確率を予測するために使用される
    請求項１に記載の方法。
12. 請求項１～１１のいずれか一項に記載の方法に従って構築されたリコールモデルに基づいて、推薦システムにおける推薦に利用可能なオブジェクトセットから、ユーザに対する候補オブジェクトセットを特定することと、
    前記候補オブジェクトセットから前記ユーザに推薦する少なくとも１つのオブジェクトを特定することと、を含む
    情報推薦方法。
13. 推薦に利用可能なオブジェクトセットをインデックスするためのツリー構造のツリー構造パラメータを取得するように配置されるツリー構造パラメータ取得モジュールと、
    前記ツリー構造の最上位階層から下位に向けて階層ごとに、各階層のユーザに好まれる確率ランキングが上位である嗜好ノードセットを予測する分類器の分類器パラメータを取得し、一層の嗜好ノードセットがその上位層の嗜好ノードセットに基づいて特定されるように配置される分類器パラメータ取得モジュールと、
    前記ツリー構造パラメータ及び前記分類器パラメータに基づいてリコールモデルを構築し、前記オブジェクトセットで前記ユーザに対する候補オブジェクトセットを特定するように配置されるリコールモデル構築モジュールと、を含む
    情報処理装置。
14. 前記ツリー構造パラメータ取得モジュールは、
    前記オブジェクトセットをベクトル化して、オリジナルオブジェクトベクトルセットを生成するように配置されるオリジナルオブジェクトベクトルセット生成モジュールと、
    事前トレーニングモデルおよび前記オリジナルオブジェクトベクトルセットに基づいて、クラスタリング特性に関して最適化された最適化オブジェクトベクトルセットを生成するように配置される最適化オブジェクトベクトルセット生成モジュールと、
    前記最適化オブジェクトベクトルセットに対してクラスタリングを実行して前記ツリー構造を構築し、前記ツリー構造パラメータを特定するように配置されるクラスタリングモジュールと、を含む
    請求項１３に記載の装置。
15. 前記ユーザは第１のユーザであり、
    前記装置は、
    第２のユーザの履歴ユーザデータに基づいて、前記ツリー構造で前記第２のユーザに好まれるリーフノードを特定するように配置される嗜好リーフノード特定モジュールと、
    前記ツリー構造における前記リーフノードの先輩ノードを第１のノードセットとして特定するように配置される第１のノードセット特定モジュールと、
    前記第１のノードセットに基づいて、前記リコールモデルをトレーニングするためのポジティブサンプルを特定するように配置されるポジティブサンプル特定モジュールと、をさらに含む
    請求項１３に記載の装置。
16. 前記ポジティブサンプル特定モジュールは、
    前記履歴ユーザデータ及び前記分類器に基づいて、前記ツリー構造の最上位階層以下の複数の階層に対応する複数の階層ノードサブセットを特定し、各階層ノードサブセットが対応階層における確率ランキングが上位である複数のノードを含むように配置される階層ノードサブセット特定モジュールと、
    前記複数の階層ノードサブセットの和集合に基づいて、第２のノードセットを特定するように配置される第２のノードセット特定モジュールと、
    前記第１のノードセットと前記第２のノードセットとの共通集合に基づいて、前記ポジティブサンプルを取得するように配置されるポジティブサンプル取得モジュールと、を含む
    請求項１５に記載の装置。
17. 前記リコールモデルをトレーニングするためのトレーニングデータに前記オブジェクトセットに属さない新規オブジェクトが含まれるとの特定に従って、前記新規オブジェクトに対応する新規リーフノードを作成するように配置される新規リーフノード作成モジュールと、
    前記新規リーフノードを前記ツリー構造に挿入するように配置される挿入モジュールと、をさらに含む
    請求項１３に記載の装置。
18. 前記挿入モジュールは、
    前記トレーニングデータにおいて、前記新規オブジェクトに関連するユーザデータを取得するように配置されるユーザデータ取得モジュールと、
    前記ユーザデータ及び前記分類器に基づいて、前記ツリー構造において好まれる確率が最大である目標リーフノードを特定するように配置される目標リーフノード特定モジュールと、
    前記新規リーフ子ノードを前記目標リーフノードの兄弟ノードとして前記ツリー構造に追加するように配置される兄弟ノード追加モジュールと、を含む
    請求項１７に記載の装置。
19. 前記ユーザデータ取得モジュールは、
    前記新規オブジェクトが複数のユーザの複数の候補ユーザデータに関連するとの特定に従って、
    前記複数の候補ユーザデータからランダムに選択された１つの候補ユーザデータと、
    前記複数の候補ユーザデータに基づいて特定される平均候補ユーザデータと、
    前記複数の候補ユーザデータにおける重みが最も大きいユーザに対応する候補ユーザデータと、
    の少なくとも１つに基づいて前記ユーザデータを特定するように配置されるユーザデータ特定モジュールを含む
    請求項１８に記載の装置。
20. 前記挿入モジュールは、
    前記ツリー構造の最下位階層の一層上の階層における非リーフノードから、目標非リーフノードをランダムに特定するように配置される目標非リーフノード特定モジュールと、
    前記新規リーフのノードを、前記目標非リーフノードの子ノードとして前記ツリー構造に追加するように配置される子ノード追加モジュールと、を含む
    請求項１７に記載の装置。
21. 前記第１の予定時間長内に前記新規オブジェクトを好むユーザ数が閾値数より多いとの特定に従って、前記トレーニングデータに前記新規オブジェクトが含まれると特定するように配置される新規オブジェクト特定モジュール、をさらに含む
    請求項１７に記載の装置。
22. 第２の予定時間長内に前記オブジェクトセットにおけるオブジェクトが好まれる回数が閾値回数未満であるとの特定に従って、前記オブジェクトセットから前記オブジェクトを除去して新規オブジェクトセットを取得するように配置される新規オブジェクトセット取得モジュールと、
    前記新規オブジェクトセットに基づいて新規ツリー構造の新規ツリー構造パラメータを取得するように配置される新規ツリー構造パラメータ取得モジュールと、
    前記新規ツリー構造パラメータに基づいて新規リコールモデルを構築するように配置される新規リコールモデル構築モジュールと、をさらに含む
    請求項１３に記載の装置。
23. 前記分類器は、前記ツリー構造の最上位階層以下の複数の階層に対応する複数の分類器ユニットを含み、前記複数の分類器ユニットの各々は、対応階層におけるノードがユーザによって好まれる確率を予測するために使用される
    請求項１３に記載の装置。
24. 請求項１～１１のいずれか一項に記載の方法に従って構築されたリコールモデルに基づいて、推薦システムにおける推薦に利用可能なオブジェクトセットから、ユーザに対する候補オブジェクトセットを特定するように配置されるリコールモジュールと、
    前記候補オブジェクトセットから前記ユーザに推薦する少なくとも１つのオブジェクトを特定するように配置される推薦オブジェクト特定モジュールと、を含む
    情報推薦装置。
25. プロセッサと、
    前記プロセッサと通信可能に接続されたメモリと、を含み、
    前記メモリには、前記プロセッサによって実行可能な命令が記憶され、前記命令は、前記プロセッサによって実行され、前記プロセッサに請求項１～１１のいずれか一項に記載の方法を実行させることを可能にする
    電子デバイス。
26. プロセッサと、
    前記プロセッサと通信可能に接続されたメモリと、を含み、
    前記メモリには、前記プロセッサによって実行可能な命令が記憶され、前記命令は、前記プロセッサによって実行され、前記プロセッサに請求項１２に記載の方法を実行させることを可能にする
    電子デバイス。
27. コンピュータに請求項１～１１のいずれか一項に記載の方法を実行させるためのコンピュータ命令を記憶した非一時的コンピュータ可読記憶媒体。
28. コンピュータに請求項１２に記載の方法を実行させるためのコンピュータ命令を記憶した非一時的コンピュータ可読記憶媒体。
29. プロセッサによって実行されたときに、請求項１～１１のいずれか一項に記載の方法を実現するコンピュータプログラム。
30. プロセッサによって実行されたときに、請求項１２に記載の方法を実現するコンピュータプログラム。

Images