JP2022508163A - ユーザタグ生成方法並びにその、装置、コンピュータプログラム及びコンピュータ機器 - Google Patents
ユーザタグ生成方法並びにその、装置、コンピュータプログラム及びコンピュータ機器 Download PDFInfo
- Publication number
- JP2022508163A JP2022508163A JP2021528428A JP2021528428A JP2022508163A JP 2022508163 A JP2022508163 A JP 2022508163A JP 2021528428 A JP2021528428 A JP 2021528428A JP 2021528428 A JP2021528428 A JP 2021528428A JP 2022508163 A JP2022508163 A JP 2022508163A
- Authority
- JP
- Japan
- Prior art keywords
- field
- feature
- user
- tag
- discrete
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004590 computer program Methods 0.000 title claims description 21
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000012216 screening Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 348
- 238000010801 machine learning Methods 0.000 claims description 108
- 230000004927 fusion Effects 0.000 claims description 92
- 238000012549 training Methods 0.000 claims description 90
- 230000008569 process Effects 0.000 claims description 21
- 238000007499 fusion processing Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 description 22
- 230000006399 behavior Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000014509 gene expression Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 235000014102 seafood Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
1つより多い特徴フィールドでの、それぞれ目標ユーザ識別子に対応する離散的なユーザデータを取得するステップと、
各特徴フィールドでの離散的なユーザデータに基づいて、各特徴フィールドのそれぞれに対応し、且つ目標ユーザ識別子に対応するフィールド内特徴を得るステップと、
各フィールド内特徴を融合して目標ユーザ識別子に対応するフィールド間特徴を得るステップと、
フィールド間特徴のうちのサブ特徴に対して特徴交差処理を行い、交差特徴を取得するステップと、
フィールド間特徴及び交差特徴に基づいて、候補ユーザタグから目標ユーザ識別子に対応する目標ユーザタグをスクリーニングするステップとを含む。
1つより多い特徴フィールドでの、それぞれ目標ユーザ識別子に対応する離散的なユーザデータを取得するための取得モジュールと、
各特徴フィールドでの離散的なユーザデータに基づいて、各特徴フィールドのそれぞれに対応し、且つ目標ユーザ識別子に対応するフィールド内特徴を得、各フィールド内特徴を融合して目標ユーザ識別子に対応するフィールド間特徴を得るための融合処理モジュールと、
フィールド間特徴のうちのサブ特徴に対して特徴交差処理を行い、交差特徴を取得するための交差処理モジュールと、
フィールド間特徴及び交差特徴に基づいて、候補のユーザタグから目標ユーザ識別子に対応するユーザタグをスクリーニングするためのスクリーニングモジュールとを備える。
701 取得モジュール
702 融合処理モジュール
703 交差処理モジュール
704 スクリーニングモジュール
705 訓練モジュール
706 推薦モジュール
Claims (26)
- コンピュータ機器が実行するユーザタグ生成方法であって、
1つより多い特徴フィールドでの、それぞれ目標ユーザ識別子に対応する離散的なユーザデータを取得するステップと、
各前記特徴フィールドでの離散的なユーザデータに基づいて、各前記特徴フィールドのそれぞれに対応し、且つ前記目標ユーザ識別子に対応するフィールド内特徴を得るステップと、
各前記フィールド内特徴を融合して前記目標ユーザ識別子に対応するフィールド間特徴を得るステップと、
前記フィールド間特徴のうちのサブ特徴に対して特徴交差処理を行い、交差特徴を取得するステップと、
前記フィールド間特徴及び前記交差特徴に基づいて、候補ユーザタグから前記目標ユーザ識別子に対応する目標ユーザタグをスクリーニングするステップとを含む、ユーザタグ生成方法。 - 各前記特徴フィールドでの離散的なユーザデータに基づいて、各前記特徴フィールドのそれぞれに対応し、且つ前記目標ユーザ識別子に対応するフィールド内特徴を得る前記ステップは、
各前記離散的なユーザデータを機械学習モデルに入力するステップであって、前記機械学習モデルは入力層及びフィールド内融合層を含む、ステップと、
前記入力層により、各前記離散的なユーザデータをベクトル化し、各前記離散的なユーザデータのそれぞれに対応する離散特徴ベクトルを得るステップと、
前記フィールド内融合層により、各前記特徴フィールドでの離散特徴ベクトルを融合し、各前記特徴フィールドに対応し、且つ前記目標ユーザ識別子に対応するフィールド内特徴ベクトルを得るステップとを含む、ことを特徴とする請求項1に記載の方法。 - 前記フィールド内融合層により、各前記特徴フィールドでの離散特徴ベクトルを融合し、各前記特徴フィールドに対応し、且つ前記目標ユーザ識別子に対応するフィールド内特徴ベクトルを得る前記ステップは、
前記フィールド内融合層により、各前記特徴フィールドでの各離散特徴ベクトルのそれぞれに対応する注意配分重みを取得するステップと、
前記フィールド内融合層により、各前記特徴フィールドでの各離散特徴ベクトルに対して、それぞれに対応する注意配分重みに従って線形融合を行い、各前記特徴フィールドのそれぞれに対応し、且つ前記目標ユーザ識別子に対応するフィールド内特徴ベクトルを得るステップとを含む、ことを特徴とする請求項2に記載の方法。 - 前記機械学習モデルは、フィールド間融合層をさらに含み、
各前記フィールド内特徴を融合して前記目標ユーザ識別子に対応するフィールド間特徴を得る前記ステップは、
前記フィールド間融合層により、各前記フィールド内特徴ベクトルのそれぞれに対応する注意配分重みを取得するステップと、
前記フィールド間融合層により、各前記フィールド内特徴ベクトルに対して、それぞれに対応する注意配分重みに従って線形融合を行い、前記目標ユーザ識別子に対応するフィールド間特徴ベクトルを得る、ことを特徴とする請求項2に記載の方法。 - 前記機械学習モデルは、特徴交差層をさらに含み、
前記フィールド間特徴のうちのサブ特徴に対して特徴交差処理を行い、交差特徴を取得する前記ステップは、
前記特徴交差層により、フィールド間特徴ベクトルに対してスパースさ除去処理を行って、稠密化したフィールド間特徴ベクトルを得るステップと、
前記稠密化したフィールド間特徴ベクトルのうちのサブ特徴に対して二次交差処理を行い、交差特徴を取得するステップとを含む、ことを特徴とする請求項2に記載の方法。 - 前記特徴交差層により、フィールド間特徴ベクトルに対してスパースさ除去処理を行って、稠密化したフィールド間特徴ベクトルを得る前記ステップは、
前記特徴交差層により、前記フィールド間特徴ベクトルのうちのサブ特徴を予め設定された次元の隠れ層空間ベクトルにそれぞれマッピングするステップを含み、
前記稠密化したフィールド間特徴ベクトルのうちのサブ特徴に対して二次交差処理を行い、交差特徴を取得する前記ステップは、
前記フィールド間特徴ベクトルのうちの任意の2つのサブ特徴に対して、前記2つのサブ特徴及び前記2つのサブ特徴をマッピングして得られた前記隠れ層空間ベクトルの積を、前記2つのサブ特徴の二次交差特徴ベクトルとするステップと、
各前記二次交差特徴ベクトルを組合せ、交差特徴ベクトルを得るステップとを含む、ことを特徴とする請求項5に記載の方法。 - 前記機械学習モデルは、第1の全接続層及び第2の全接続層をさらに含み、
前記フィールド間特徴及び前記交差特徴に基づいて、候補ユーザタグから前記目標ユーザ識別子に対応する目標ユーザタグをスクリーニングする前記ステップは、
前記第1の全接続層により、交差特徴ベクトルの次元をフィールド間特徴ベクトルの次元に一致するように調整した後、前記フィールド間特徴ベクトルとスティッチングして中間特徴ベクトルを得るステップと、
前記第2の全接続層により、前記中間特徴ベクトルをターゲット特徴ベクトルにマッピングするステップと、
前記ターゲット特徴ベクトルに基づいて、前記候補ユーザタグから前記目標ユーザ識別子に対応する目標ユーザタグをスクリーニングするステップとを含む、ことを特徴とする請求項2に記載の方法。 - 前記機械学習モデルは、予測層をさらに含み、
前記ターゲット特徴ベクトルに基づいて、前記候補ユーザタグから前記目標ユーザ識別子に対応する目標ユーザタグをスクリーニングする前記ステップは、
前記予測層により、前記ターゲット特徴ベクトルと、各前記候補ユーザタグに対応するタグベクトルとの相関スコアを出力するステップと、
前記相関スコアで上位を占める候補ユーザタグを予め設定された数だけスクリーニングして、前記目標ユーザ識別子に対応する目標ユーザタグとするステップとを含む、ことを特徴とする請求項7に記載の方法。 - 1つより多い特徴フィールドでの、それぞれサンプルユーザ識別子に対応する離散的なユーザデータサンプルを収集するステップと、
前記離散的なユーザデータサンプルのそれぞれに対応する各候補ユーザタグの訓練タグを決定するステップと、
前記離散的なユーザデータサンプルを前記機械学習モデルに入力し、前記機械学習モデルに含まれる各層を介して順に処理した後、前記離散的なユーザデータサンプルと、各候補ユーザタグに対応するタグベクトルとの相関スコアサンプルを出力するステップと、
前記相関スコアサンプルと対応する訓練タグとの相違に基づいて、前記機械学習モデルを訓練するステップとをさらに含む、ことを特徴とする請求項2に記載の方法。 - 前記離散的なユーザデータサンプルのそれぞれに対応する各候補ユーザタグの訓練タグを決定する前記ステップは、
前記サンプルユーザ識別子に対応する閲覧履歴レコードを取得するステップと、
前記閲覧履歴レコードのうち、クリック内容に対応する第1の候補ユーザタグ、及び前記閲覧履歴レコードのうち、クリックされていない内容に対応する第2の候補ユーザタグをクエリするステップと、
前記離散的なユーザデータサンプルのそれぞれに対応する各前記第1の候補ユーザタグの訓練タグを正例訓練タグとして設定し、前記離散的なユーザデータサンプルのそれぞれに対応する各前記第2の候補ユーザタグの訓練タグを負例訓練タグとして設定するステップとを含む、ことを特徴とする請求項9に記載の方法。 - 前記サンプルユーザ識別子と異なる参照ユーザ識別子、及び前記参照ユーザ識別子に対応する離散的なユーザデータサンプルを選択するステップと、
前記離散的なユーザデータサンプルの正例訓練タグに対応する第3の候補ユーザタグを取得するステップと、
各前記第3の候補ユーザタグの訓練タグを前記サンプルユーザ識別子に対応する離散的なユーザデータサンプルの負例訓練タグとして設定するステップとをさらに含む、ことを特徴とする請求項10に記載の方法。 - 1つより多い推薦対象となる内容を取得するステップと、
各前記推薦対象となる内容のそれぞれに対応するユーザタグを決定するステップと、
前記それぞれに対応するユーザタグが前記目標ユーザタグとマッチングする推薦対象となる内容を前記目標ユーザ識別子に対応する端末に推薦するステップとをさらに含む、ことを特徴とする請求項1~11のいずれかに記載の方法。 - コンピュータ機器に設けられるユーザタグ生成装置であって、
1つより多い特徴フィールドでの、それぞれ目標ユーザ識別子に対応する離散的なユーザデータを取得するための取得モジュールと、
各前記特徴フィールドでの離散的なユーザデータに基づいて、各前記特徴フィールドのそれぞれに対応し、且つ前記目標ユーザ識別子に対応するフィールド内特徴を得、各前記フィールド内特徴を融合して前記目標ユーザ識別子に対応するフィールド間特徴を得るための融合処理モジュールと、
前記フィールド間特徴のうちのサブ特徴に対して特徴交差処理を行い、交差特徴を取得するための交差処理モジュールと、
前記フィールド間特徴及び前記交差特徴に基づいて、候補のユーザタグから前記目標ユーザ識別子に対応するユーザタグをスクリーニングするためのスクリーニングモジュールとを備える、ユーザタグ生成装置。 - 前記融合処理モジュールは、
各前記離散的なユーザデータを機械学習モデルに入力し、前記機械学習モデルが入力層及びフィールド内融合層を含み、
前記入力層により、各前記離散的なユーザデータをベクトル化し、各前記離散的なユーザデータのそれぞれに対応する離散特徴ベクトルを得、
前記フィールド内融合層により、各前記特徴フィールドでの離散特徴ベクトルを融合し、各前記特徴フィールドに対応し、且つ前記目標ユーザ識別子に対応するフィールド内特徴ベクトルを得る、ために用いられる、ことを特徴とする請求項13に記載の装置。 - 前記融合処理モジュールは、
前記フィールド内融合層により、各前記特徴フィールドでの各離散特徴ベクトルのそれぞれに対応する注意配分重みを取得し、
前記フィールド内融合層により、各前記特徴フィールドでの各離散特徴ベクトルに対して、それぞれに対応する注意配分重みに従って線形融合を行い、各前記特徴フィールドのそれぞれに対応し、且つ前記目標ユーザ識別子に対応するフィールド内特徴ベクトルを得る、ために用いられる、ことを特徴とする請求項14に記載の装置。 - 前記機械学習モデルは、フィールド間融合層をさらに含み、
前記融合処理モジュールは、
前記フィールド間融合層により、各前記フィールド内特徴ベクトルのそれぞれに対応する注意配分重みを取得し、
前記フィールド間融合層により、各前記フィールド内特徴ベクトルに対して、それぞれに対応する注意配分重みに従って線形融合を行い、前記目標ユーザ識別子に対応するフィールド間特徴ベクトルを得る、ために用いられる、ことを特徴とする請求項13に記載の装置。 - 前記機械学習モデルは、特徴交差層をさらに含み、
前記交差処理モジュールは、
前記特徴交差層により、フィールド間特徴ベクトルに対してスパースさ除去処理を行って、稠密化したフィールド間特徴ベクトルを得、
前記稠密化したフィールド間特徴ベクトルのうちのサブ特徴に対して二次交差処理を行い、交差特徴を取得する、ために用いられる、ことを特徴とする請求項13に記載の装置。 - 前記交差処理モジュールは、
前記特徴交差層により、前記フィールド間特徴ベクトルのうちのサブ特徴を予め設定された次元の隠れ層空間ベクトルにそれぞれマッピングし、
前記フィールド間特徴ベクトルのうちの任意の2つのサブ特徴に対して、前記2つのサブ特徴及び前記2つのサブ特徴をマッピングして得られた前記隠れ層空間ベクトルの積を、前記2つのサブ特徴の二次交差特徴ベクトルとし、
各前記二次交差特徴ベクトルを組合せ、交差特徴ベクトルを得る、ために用いられる、ことを特徴とする請求項17に記載の装置。 - 前記機械学習モデルは、第1の全接続層及び第2の全接続層をさらに含み、
前記スクリーニングモジュールは、
前記第1の全接続層により、交差特徴ベクトルの次元をフィールド間特徴ベクトルの次元に一致するように調整した後、前記フィールド間特徴ベクトルとスティッチングして中間特徴ベクトルを得、
前記第2の全接続層により、前記中間特徴ベクトルをターゲット特徴ベクトルにマッピングし、
前記ターゲット特徴ベクトルに基づいて、前記候補ユーザタグから前記目標ユーザ識別子に対応する目標ユーザタグをスクリーニングする、ために用いられる、ことを特徴とする請求項13に記載の装置。 - 前記機械学習モデルは、予測層をさらに含み、
前記スクリーニングモジュールは、
前記予測層により、前記ターゲット特徴ベクトルと、各前記候補ユーザタグに対応するタグベクトルとの相関スコアを出力し、
前記相関スコアで上位を占める候補ユーザタグを予め設定された数だけスクリーニングして、前記目標ユーザ識別子に対応する目標ユーザタグとする、ために用いられる、ことを特徴とする請求項19に記載の装置。 - 訓練モジュールを備え、
前記訓練モジュールは、
1つより多い特徴フィールドでの、それぞれサンプルユーザ識別子に対応する離散的なユーザデータサンプルを収集し、
前記離散的なユーザデータサンプルのそれぞれに対応する各候補ユーザタグの訓練タグを決定し、
前記離散的なユーザデータサンプルを前記機械学習モデルに入力し、前記機械学習モデルに含まれる各層を介して順に処理した後、前記離散的なユーザデータサンプルと、各候補ユーザタグに対応するタグベクトルとの相関スコアサンプルを出力し、
前記相関スコアサンプルと対応する訓練タグとの相違に基づいて、前記機械学習モデルを訓練する、ために用いられる、ことを特徴とする請求項14に記載の装置。 - 前記訓練モジュールは、
前記サンプルユーザ識別子に対応する閲覧履歴レコードを取得し、
前記閲覧履歴レコードのうち、クリック内容に対応する第1の候補ユーザタグ、及び前記閲覧履歴レコードのうち、クリックされていない内容に対応する第2の候補ユーザタグをクエリし、
前記離散的なユーザデータサンプルのそれぞれに対応する各前記第1の候補ユーザタグの訓練タグを正例訓練タグとして設定し、前記離散的なユーザデータサンプルのそれぞれに対応する各前記第2の候補ユーザタグの訓練タグを負例訓練タグとして設定する、ために用いられる、ことを特徴とする請求項21に記載の装置。 - 前記訓練モジュールは、
前記サンプルユーザ識別子と異なる参照ユーザ識別子、及び前記参照ユーザ識別子に対応する離散的なユーザデータサンプルを選択し、
前記離散的なユーザデータサンプルの正例訓練タグに対応する第3の候補ユーザタグを取得し、
各前記第3の候補ユーザタグの訓練タグを前記サンプルユーザ識別子に対応する離散的なユーザデータサンプルの負例訓練タグとして設定する、ために用いられる、ことを特徴とする請求項22に記載の装置。 - 推薦モジュールを備え、
前記推薦モジュールは、
1つより多い推薦対象となる内容を取得し、
各前記推薦対象となる内容のそれぞれに対応するユーザタグを決定し、
前記それぞれに対応するユーザタグが前記目標ユーザタグとマッチングする推薦対象となる内容を前記目標ユーザ識別子に対応する端末に推薦する、ために用いられる、ことを特徴とする請求項13~22のいずれかに記載の装置。 - コンピュータ可読記憶媒体であって、コンピュータプログラムが記憶され、前記コンピュータプログラムがプロセッサにより実行されるとき、前記プロセッサに請求項1~12のいずれかに記載の方法のステップを実行させる、コンピュータ可読記憶媒体。
- コンピュータ機器であって、メモリとプロセッサとを備え、前記メモリにはコンピュータプログラムが記憶され、前記コンピュータプログラムが前記プロセッサにより実行されるとき、前記プロセッサに請求項1~12のいずれかに記載の方法のステップを実行させる、コンピュータ機器。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910284354.6 | 2019-04-10 | ||
CN201910284354.6A CN110263265B (zh) | 2019-04-10 | 2019-04-10 | 用户标签生成方法、装置、存储介质和计算机设备 |
PCT/CN2020/079445 WO2020207196A1 (zh) | 2019-04-10 | 2020-03-16 | 用户标签生成方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022508163A true JP2022508163A (ja) | 2022-01-19 |
JP7104244B2 JP7104244B2 (ja) | 2022-07-20 |
Family
ID=67913501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021528428A Active JP7104244B2 (ja) | 2019-04-10 | 2020-03-16 | ユーザタグ生成方法並びにその、装置、コンピュータプログラム及びコンピュータ機器 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210271975A1 (ja) |
JP (1) | JP7104244B2 (ja) |
CN (1) | CN110263265B (ja) |
WO (1) | WO2020207196A1 (ja) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263265B (zh) * | 2019-04-10 | 2024-05-07 | 腾讯科技(深圳)有限公司 | 用户标签生成方法、装置、存储介质和计算机设备 |
US11908457B2 (en) * | 2019-07-03 | 2024-02-20 | Qualcomm Incorporated | Orthogonally constrained multi-head attention for speech tasks |
CN110837894B (zh) * | 2019-10-28 | 2024-02-13 | 腾讯科技(深圳)有限公司 | 一种特征处理方法、装置及存储介质 |
CN110991464B (zh) * | 2019-11-08 | 2023-05-23 | 华南理工大学 | 一种基于深度多模态数据融合的商品点击率预测方法 |
CN111046275B (zh) * | 2019-11-19 | 2023-03-28 | 腾讯科技(深圳)有限公司 | 基于人工智能的用户标签确定方法及装置、存储介质 |
CN111177557B (zh) * | 2019-12-30 | 2023-09-29 | 上海交通大学 | 一种可解释的基于域间显式交互的神经因子的推荐系统及方法 |
CN111191092B (zh) * | 2019-12-31 | 2023-07-14 | 腾讯科技(深圳)有限公司 | 标签确定方法和标签确定模型训练方法 |
CN111274907B (zh) * | 2020-01-16 | 2023-04-25 | 支付宝(中国)网络技术有限公司 | 使用类别识别模型来确定用户的类别标签的方法和装置 |
CN111523944A (zh) * | 2020-04-26 | 2020-08-11 | 北京深演智能科技股份有限公司 | 浏览数据处理方法、装置、非易失性存储介质和处理 |
CN111524612B (zh) * | 2020-04-26 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 传染病溯源方法、装置、计算机设备和存储介质 |
CN113674008A (zh) * | 2020-05-14 | 2021-11-19 | 北京达佳互联信息技术有限公司 | 定向标签推荐方法、装置、服务器及存储介质 |
CN111641608A (zh) * | 2020-05-18 | 2020-09-08 | 咪咕动漫有限公司 | 异常用户识别方法、装置、电子设备及存储介质 |
CN112749330B (zh) * | 2020-06-05 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
US11470107B2 (en) * | 2020-06-10 | 2022-10-11 | Servicenow, Inc. | Matching configuration items with machine learning |
US11451573B2 (en) | 2020-06-16 | 2022-09-20 | Servicenow, Inc. | Merging duplicate items identified by a vulnerability analysis |
CN112163164B (zh) * | 2020-10-16 | 2024-03-15 | 腾讯科技(深圳)有限公司 | 一种用户标签确定方法和相关装置 |
CN112507185B (zh) * | 2020-10-22 | 2022-08-19 | 复旦大学 | 用户肖像的确定方法和装置 |
CN112015749B (zh) * | 2020-10-27 | 2021-02-19 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护更新业务模型的方法、装置及系统 |
CN112508638B (zh) * | 2020-11-30 | 2023-06-20 | 上海哔哩哔哩科技有限公司 | 数据处理的方法、装置及计算机设备 |
CN114119058B (zh) * | 2021-08-10 | 2023-09-26 | 国家电网有限公司 | 用户画像模型的构建方法、设备及存储介质 |
CN114389834B (zh) * | 2021-11-26 | 2024-04-30 | 浪潮通信信息系统有限公司 | 一种api网关异常调用识别的方法、装置、设备及产品 |
CN115439719B (zh) * | 2022-10-27 | 2023-03-28 | 泉州装备制造研究所 | 一种针对对抗攻击的深度学习模型防御方法及模型 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018101324A (ja) * | 2016-12-21 | 2018-06-28 | ヤフー株式会社 | 抽出装置、抽出方法及び抽出プログラム |
JP2018128942A (ja) * | 2017-02-10 | 2018-08-16 | ヤフー株式会社 | 解析装置、解析方法、およびプログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104602042B (zh) * | 2014-12-31 | 2017-11-03 | 合一网络技术(北京)有限公司 | 基于用户行为的标签设置方法 |
CN105701161A (zh) * | 2015-12-31 | 2016-06-22 | 深圳先进技术研究院 | 实时大数据用户标签系统 |
CN108304435B (zh) * | 2017-09-08 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN107609116B (zh) * | 2017-09-13 | 2020-09-18 | 星环信息科技(上海)有限公司 | 一种创建跨域迁移深度网络的方法及设备 |
US20190102693A1 (en) * | 2017-09-29 | 2019-04-04 | Facebook, Inc. | Optimizing parameters for machine learning models |
CN109345302B (zh) * | 2018-09-27 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN110263265B (zh) * | 2019-04-10 | 2024-05-07 | 腾讯科技(深圳)有限公司 | 用户标签生成方法、装置、存储介质和计算机设备 |
-
2019
- 2019-04-10 CN CN201910284354.6A patent/CN110263265B/zh active Active
-
2020
- 2020-03-16 WO PCT/CN2020/079445 patent/WO2020207196A1/zh active Application Filing
- 2020-03-16 JP JP2021528428A patent/JP7104244B2/ja active Active
-
2021
- 2021-05-14 US US17/321,226 patent/US20210271975A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018101324A (ja) * | 2016-12-21 | 2018-06-28 | ヤフー株式会社 | 抽出装置、抽出方法及び抽出プログラム |
JP2018128942A (ja) * | 2017-02-10 | 2018-08-16 | ヤフー株式会社 | 解析装置、解析方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20210271975A1 (en) | 2021-09-02 |
JP7104244B2 (ja) | 2022-07-20 |
WO2020207196A1 (zh) | 2020-10-15 |
CN110263265B (zh) | 2024-05-07 |
CN110263265A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7104244B2 (ja) | ユーザタグ生成方法並びにその、装置、コンピュータプログラム及びコンピュータ機器 | |
CN111241311B (zh) | 媒体信息推荐方法、装置、电子设备及存储介质 | |
CN111191092B (zh) | 标签确定方法和标签确定模型训练方法 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN112085205A (zh) | 用于自动训练机器学习模型的方法和系统 | |
CN112464100B (zh) | 信息推荐模型训练方法、信息推荐方法、装置及设备 | |
CN111177559B (zh) | 文旅服务推荐方法、装置、电子设备及存储介质 | |
JP6767342B2 (ja) | 検索装置、検索方法および検索プログラム | |
Yamasaki et al. | Social popularity score: Predicting numbers of views, comments, and favorites of social photos using only annotations | |
Leite Dantas Bezerra et al. | Symbolic data analysis tools for recommendation systems | |
CN111858972A (zh) | 一种基于家庭知识图谱的电影推荐方法 | |
CN112749330B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
Babu et al. | An implementation of the user-based collaborative filtering algorithm | |
CN113051468B (zh) | 一种基于知识图谱和强化学习的电影推荐方法及系统 | |
US9875443B2 (en) | Unified attractiveness prediction framework based on content impact factor | |
KR101708440B1 (ko) | 분산 환경에서 lda 및 능동 학습 기법을 융합한 적응형 아이템 추천 방법 | |
CN115809339A (zh) | 跨领域推荐方法、系统、设备及存储介质 | |
JP6310529B1 (ja) | 検索装置、検索方法および検索プログラム | |
Liu et al. | Analyzing user preference for social image recommendation | |
CN112163163B (zh) | 多算法融合的信息推荐方法、装置和设备 | |
CN114090848A (zh) | 数据推荐及分类方法、特征融合模型及电子设备 | |
CN115114462A (zh) | 模型训练方法、装置、多媒体推荐方法、设备及存储介质 | |
Kawamae | Real time recommendations from connoisseurs | |
CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 | |
CN112000888B (zh) | 信息推送方法、装置、服务器及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210520 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210520 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220622 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220627 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220707 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7104244 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |