JP2022529178A - 人工知能推奨モデルの特徴処理方法、装置、電子機器、及びコンピュータプログラム - Google Patents
人工知能推奨モデルの特徴処理方法、装置、電子機器、及びコンピュータプログラム Download PDFInfo
- Publication number
- JP2022529178A JP2022529178A JP2021561988A JP2021561988A JP2022529178A JP 2022529178 A JP2022529178 A JP 2022529178A JP 2021561988 A JP2021561988 A JP 2021561988A JP 2021561988 A JP2021561988 A JP 2021561988A JP 2022529178 A JP2022529178 A JP 2022529178A
- Authority
- JP
- Japan
- Prior art keywords
- feature
- atomic
- group identifier
- identifier
- artificial intelligence
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
Description
入力データを取得し、前記入力データのデータ構造を統一的なインスタンス構造に変換するステップと、
人工知能推奨モデルに対応する特徴群識別子及び特徴抽出関数を決定するステップと、
前記特徴抽出関数に基づいて、変換後の前記入力データに対して特徴抽出処理を行うことにより、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値を取得するステップと、
前記人工知能推奨モデルに対応する特徴群識別子と、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値とに基づいて、前記人工知能推奨モデルのインスタンスを構築するステップと、を含む。
入力データを取得し、前記入力データのデータ構造を統一的なインスタンス構造に変換する変換モジュールと、
人工知能推奨モデルに対応する特徴群識別子及び特徴抽出関数を決定する関数決定モジュールと、
前記特徴抽出関数に基づいて、変換後の前記入力データに対して特徴抽出処理を行うことにより、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値を取得する特徴抽出モジュールと、
前記人工知能推奨モデルに対応する特徴群識別子と、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値とに基づいて、前記人工知能推奨モデルのインスタンスを構築する構築モジュールと、を含む。
関数:fa_chainの生成
入力:特徴群識別子集合model_rule(model_ruleは、gidの集合である)
入力:原子的特徴登録情報fa_rule(fa_ruleには、agidからfaへのマッピングが含まれる)
入力:組み合わせ特徴登録情報fc_rule(fc_ruleには、cgidから「agid集合」へのマッピングが含まれる)
出力:faチェーンfa_chain
model_ruleにおけるgidごとに、
gidがfa_ruleにおけるagidである場合、
fa_ruleにおいて、該gidとマッピングがあるfa、即ち、fa_rule[gid]を決定し、fa_rule[gid]をfa_chainに挿入し、
gidが、fa_ruleにおけるagidではなく、fc_ruleにおけるcgidである場合、
fc_ruleにおいて、該gidとマッピングがある「agid集合」、即ち、fc_rule[gid]を決定し、fc_rule[gid]におけるagidごとに、
agidとマッピングがあるfa、即ち、fa_rule[agid]がfa_chainに存在しない場合、
fa_rule[agid]をfa_chainに挿入し、
fa_chainを出力する。
関数:インスタンスinstanceの取得
入力:model_rule、fa_rule、fc_rule、及びfa_chain
入力:オンラインの測定対象のデータ、又はオフラインの訓練データ(sで表す)
出力:1つのインスタンスinstance
sを、統一的なインスタンス構造を有するデータuに変換し、
マッピング配列mapを初期化し、
fa_chainにおけるfaごとに、
faに基づいて、uに対して特徴抽出処理を行うことにより、agidと、afidからafvalueへのマッピング(afid_afvalue_mapで表す)とを取得し、
map[agid]=afid_afvalue_mapのようにし、即ち、afid_afvalue_mapをmap[agid]の値とし、
model_ruleにおけるgidごとに、
gidがfa_ruleにおけるagidである場合、
instance[gid]=map[gid]のようにし、即ち、このgidとafid_afvalue_mapとの間の対応関係をインスタンスに記憶し、
gidが、fa_ruleにおけるagidではなく、fc_ruleにおけるcgidである場合、
組み合わせマッピング配列cross_mapを初期化し、
fc_ruleにおいて、該gidとマッピングがある「agid集合」、即ち、fc_rule[gid]を決定し、fc_rule[gid]におけるagidごとに、
cross_map[agid]=map[agid]のようにし、
instance[gid]=fc(cross_map)のようにし、即ち、組み合わせ特徴をinstanceに追加し(fcは特徴組み合わせ関数である)、
instanceを出力する。
関数:fc
入力:cross_map(agidから「afid_afvalue_map」へのマッピングを含む)
出力:cfidからcfvalueへのマッピング(cfid_cfvalue_mapで表す)
cfid_cfvalue_mapを初期化し、
afid_1、afid_2、…、afid_nに対して第1組み合わせ操作を実行することにより(第1組み合わせ操作は、ハッシュ操作、ビット論理和操作、ビット論理積操作、ビット排他的論理和操作を含むが、これらに限定されない)、cfidを取得し、
afvalue_1、afvalue_2、…、afvalue_nに対して第2組み合わせ操作を実行することにより(第2組み合わせ操作は、乗算操作、加算操作を含むが、これらに限定されない)、cfvalueを取得し、
cfid_cfvalue_map[cfid]=cfvalueのようにし、即ち、cfidとcfvalueとの間のマッピング関係を確立し、
cfid_cfvalue_mapを出力する。
入力データを取得し、前記入力データのデータ構造を統一的なインスタンス構造に変換する変換モジュール2551と、
人工知能推奨モデルに対応する特徴群識別子及び特徴抽出関数を決定する関数決定モジュール2552と、
前記特徴抽出関数に基づいて、変換後の前記入力データに対して特徴抽出処理を行うことにより、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値を取得する特徴抽出モジュール2553と、
前記人工知能推奨モデルに対応する特徴群識別子と、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値とに基づいて、前記人工知能推奨モデルのインスタンスを構築する構築モジュール2554と、を含んでもよい。
少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴値を組み合わせ処理することにより、組み合わせ特徴値を取得することは、少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴値に対して第2組み合わせ操作を実行することにより、組み合わせ特徴値を取得することを含み、前記第2組み合わせ操作には、乗算操作、加算操作の少なくとも1つが含まれる。
200 サーバ
300 ネットワーク
400-1 端末機器
400-2 端末機器
410-1 グラフィックインタフェース
410-2 グラフィックインタフェース
500 データベース
210 プロセッサ
220 ネットワークインタフェース
230 ユーザインタフェース
231 出力装置
232 入力装置
240 バスシステム
250 メモリ
251 オペレーティングシステム
252 ネットワーク通信モジュール
253 表現モジュール
254 入力処理モジュール
255 人工知能推奨モデルの特徴処理装置
2551 変換モジュール
2552 関数決定モジュール
2553 特徴抽出モジュール
2554 構築モジュール
Claims (20)
- 電子機器が実行する、人工知能推奨モデルの特徴処理方法であって、
入力データを取得し、前記入力データのデータ構造を統一的なインスタンス構造に変換するステップと、
人工知能推奨モデルに対応する特徴群識別子及び特徴抽出関数を決定するステップと、
前記特徴抽出関数に基づいて、変換後の前記入力データに対して特徴抽出処理を行うことにより、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値を取得するステップと、
前記人工知能推奨モデルに対応する特徴群識別子と、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値とに基づいて、前記人工知能推奨モデルのインスタンスを構築するステップと、
を含む特徴処理方法。 - 人工知能推奨モデルに対応する特徴群識別子及び特徴抽出関数を決定する前記ステップは、
原子的特徴登録情報と、組み合わせ特徴登録情報とを取得するステップであって、前記原子的特徴登録情報には、登録済みの原子的特徴群識別子と、それに対応する特徴抽出関数とが含まれ、前記組み合わせ特徴登録情報には、登録済みの組み合わせ特徴群識別子と、それに対応する少なくとも2つの原子的特徴群識別子が含まれる、ステップと、
人工知能推奨モデルに対応する特徴群識別子集合を取得し、前記特徴群識別子集合を走査するステップと、
走査される特徴群識別子が前記原子的特徴登録情報とマッチングする場合、前記原子的特徴登録情報における、前記特徴群識別子に対応する特徴抽出関数を特徴抽出関数チェーンに追加するステップと、を含む、
ことを特徴とする請求項1に記載の特徴処理方法。 - 走査される特徴群識別子が、前記原子的特徴登録情報とマッチングしなくて、且つ前記組み合わせ特徴登録情報とマッチングする場合、前記組み合わせ特徴登録情報における、前記特徴群識別子に対応するターゲット原子的特徴群識別子を決定するステップと、
前記原子的特徴登録情報において、前記ターゲット原子的特徴群識別子に対応するターゲット特徴抽出関数を決定するステップと、
前記ターゲット特徴抽出関数が前記特徴抽出関数チェーンに存在しない場合、前記ターゲット特徴抽出関数を前記特徴抽出関数チェーンに追加するステップと、
をさらに含むことを特徴とする請求項2に記載の特徴処理方法。 - 前記特徴抽出関数に基づいて、変換後の前記入力データに対して特徴抽出処理を行うことにより、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値を取得する前記ステップは、
前記特徴抽出関数チェーンを走査するステップと、
走査される特徴抽出関数に基づいて、変換後の前記入力データに対して特徴抽出処理を行うことにより、前記入力データにおける原子的特徴群識別子、原子的特徴識別子、及び原子的特徴値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に記載の特徴処理方法。 - 前記人工知能推奨モデルに対応する特徴群識別子と、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値とに基づいて、前記人工知能推奨モデルのインスタンスを構築する前記ステップは、
前記特徴群識別子集合を走査するステップと、
走査される特徴群識別子が前記原子的特徴登録情報とマッチングする場合、前記特徴群識別子を追加対象の原子的特徴群識別子として決定し、前記追加対象の原子的特徴群識別子と、それに対応する原子的特徴識別子及び原子的特徴値とをインスタンスに追加するステップと、を含む、
ことを特徴とする請求項4に記載の特徴処理方法。 - 走査される特徴群識別子が、前記原子的特徴登録情報とマッチングしなくて、且つ前記組み合わせ特徴登録情報とマッチングする場合、前記特徴群識別子を追加対象の組み合わせ特徴群識別子として決定するステップと、
前記組み合わせ特徴登録情報における、前記追加対象の組み合わせ特徴群識別子に対応する少なくとも2つの追加対象の原子的特徴群識別子を決定し、前記少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴識別子及び原子的特徴値を決定するステップと、
前記少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴識別子を組み合わせ処理することにより、組み合わせ特徴識別子を取得し、前記少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴値を組み合わせ処理することにより、組み合わせ特徴値を取得するステップと、
前記追加対象の組み合わせ特徴群識別子、前記組み合わせ特徴識別子、及び前記組み合わせ特徴値を前記インスタンスに追加するステップと、をさらに含む、
ことを特徴とする請求項5に記載の特徴処理方法。 - 前記少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴識別子を組み合わせ処理することにより、組み合わせ特徴識別子を取得する前記ステップは、
前記少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴識別子に対して第1組み合わせ操作を実行することにより、組み合わせ特徴識別子を取得するステップであって、前記第1組み合わせ操作には、ハッシュ操作、ビット論理和操作、ビット論理積操作、ビット排他的論理和操作の少なくとも1つが含まれる、ステップを含み、
前記少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴値を組み合わせ処理することにより、組み合わせ特徴値を取得する前記ステップは、
前記少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴値に対して第2組み合わせ操作を実行することにより、組み合わせ特徴値を取得するステップであって、前記第2組み合わせ操作には、乗算操作、加算操作の少なくとも1つが含まれる、ステップを含む、
ことを特徴とする請求項6に記載の特徴処理方法。 - 前記入力データが訓練データである場合、前記インスタンスに基づいて前記人工知能推奨モデルを訓練するステップと、
前記入力データが測定対象のデータである場合、前記人工知能推奨モデルによって前記インスタンスに対して予測処理を行うことにより、推奨結果を取得するステップと、をさらに含む、
ことを特徴とする請求項1乃至7のいずれか1項に記載の特徴処理方法。 - 前記インスタンスに基づいて前記人工知能推奨モデルを訓練する前記ステップは、
前記人工知能推奨モデルのコピーを作成するステップと、
前記インスタンスに基づいて前記人工知能推奨モデルのコピーを訓練するステップと、を含む、
ことを特徴とする請求項8に記載の特徴処理方法。 - 前記インスタンスに基づいて前記人工知能推奨モデルのコピーを訓練する前記ステップの前に、
前記インスタンスに基づいて前記人工知能推奨モデルのコピーの第1正確率を決定するステップをさらに含み、
前記インスタンスに基づいて前記人工知能推奨モデルのコピーを訓練する前記ステップの後、
新たな訓練データに対応するインスタンスに基づいて、訓練後の前記人工知能推奨モデルのコピーの第2正確率を決定するステップと、
前記第2正確率が前記第1正確率を超える場合、訓練後の前記人工知能推奨モデルのコピーに基づいて、前記人工知能推奨モデルを更新するステップと、をさらに含む、
ことを特徴とする請求項9に記載の特徴処理方法。 - 訓練後の前記人工知能推奨モデルのコピーに基づいて、前記人工知能推奨モデルを更新する前記ステップは、
訓練データの生成率を取得するステップと、
前記生成率が生成率閾値よりも低い場合、訓練後の前記人工知能推奨モデルのコピーに基づいて、前記人工知能推奨モデルを更新するステップと、を含む、
ことを特徴とする請求項10に記載の特徴処理方法。 - 前記インスタンスに基づいて前記人工知能推奨モデルを訓練する前記ステップの前に、
特徴調整識別子と、それに対応する調整値とを取得するステップと、
前記インスタンスにおいて、前記特徴調整識別子に合致する各群の特徴群識別子、特徴識別子、及び特徴値を調整対象のサブインスタンスとして決定するステップと、
前記調整対象のサブインスタンスの重み値を前記調整値に更新するステップと、をさらに含み、
前記特徴調整識別子は、特徴群識別子と、特徴群識別子及び特徴識別子とのうちの1種である、
ことを特徴とする請求項8に記載の特徴処理方法。 - 人工知能推奨モデルの特徴処理装置であって、
入力データを取得し、前記入力データのデータ構造を統一的なインスタンス構造に変換する変換モジュールと、
人工知能推奨モデルに対応する特徴群識別子及び特徴抽出関数を決定する関数決定モジュールと、
前記特徴抽出関数に基づいて、変換後の前記入力データに対して特徴抽出処理を行うことにより、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値を取得する特徴抽出モジュールと、
前記人工知能推奨モデルに対応する特徴群識別子と、前記入力データにおける特徴群識別子、特徴識別子、及び特徴値とに基づいて、前記人工知能推奨モデルのインスタンスを構築する構築モジュールと、
を含む特徴処理装置。 - 前記関数決定モジュールは、さらに、原子的特徴登録情報と、組み合わせ特徴登録情報とを取得し、人工知能推奨モデルに対応する特徴群識別子集合を取得し、前記特徴群識別子集合を走査し、走査される特徴群識別子が前記原子的特徴登録情報とマッチングする場合、前記原子的特徴登録情報における、前記特徴群識別子に対応する特徴抽出関数を特徴抽出関数チェーンに追加し、前記原子的特徴登録情報には、登録済みの原子的特徴群識別子と、それに対応する特徴抽出関数とが含まれ、前記組み合わせ特徴登録情報には、登録済みの組み合わせ特徴群識別子と、それに対応する少なくとも2つの原子的特徴群識別子が含まれる、
ことを特徴とする請求項13に記載の特徴処理装置。 - 前記関数決定モジュールは、さらに、走査される特徴群識別子が、前記原子的特徴登録情報とマッチングしなくて、且つ前記組み合わせ特徴登録情報とマッチングする場合、前記組み合わせ特徴登録情報における、前記特徴群識別子に対応するターゲット原子的特徴群識別子を決定し、前記原子的特徴登録情報において、前記ターゲット原子的特徴群識別子に対応するターゲット特徴抽出関数を決定し、前記ターゲット特徴抽出関数が前記特徴抽出関数チェーンに存在しない場合、前記ターゲット特徴抽出関数を前記特徴抽出関数チェーンに追加する、
ことを特徴とする請求項14に記載の特徴処理装置。 - 前記特徴抽出モジュールは、さらに、前記特徴抽出関数チェーンを走査し、走査される特徴抽出関数に基づいて、変換後の前記入力データに対して特徴抽出処理を行うことにより、前記入力データにおける原子的特徴群識別子、原子的特徴識別子、及び原子的特徴値を取得する、
ことを特徴とする請求項13に記載の特徴処理装置。 - 前記構築モジュールは、さらに、前記特徴群識別子集合を走査し、走査される特徴群識別子が前記原子的特徴登録情報とマッチングする場合、前記特徴群識別子を追加対象の原子的特徴群識別子として決定し、前記追加対象の原子的特徴群識別子と、それに対応する原子的特徴識別子及び原子的特徴値とをインスタンスに追加する、
ことを特徴とする請求項16に記載の特徴処理装置。 - 前記構築モジュールは、さらに、走査される特徴群識別子が、前記原子的特徴登録情報とマッチングしなくて、且つ前記組み合わせ特徴登録情報とマッチングする場合、前記特徴群識別子を追加対象の組み合わせ特徴群識別子として決定し、前記組み合わせ特徴登録情報における、前記追加対象の組み合わせ特徴群識別子に対応する少なくとも2つの追加対象の原子的特徴群識別子を決定し、前記少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴識別子及び原子的特徴値を決定し、前記少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴識別子を組み合わせ処理することにより、組み合わせ特徴識別子を取得し、前記少なくとも2つの追加対象の原子的特徴群識別子に対応する原子的特徴値を組み合わせ処理することにより、組み合わせ特徴値を取得し、前記追加対象の組み合わせ特徴群識別子、前記組み合わせ特徴識別子、及び前記組み合わせ特徴値を前記インスタンスに追加する、
ことを特徴とする請求項17に記載の特徴処理装置。 - メモリとプロセッサとを備える電子機器であって、前記メモリには、コンピュータ読み取り可能な命令が記憶され、前記コンピュータ読み取り可能な命令は、前記プロセッサによって実行されると、前記プロセッサに前記請求項1乃至12のいずれか1項に記載の方法を実行させる電子機器。
- コンピュータ読み取り可能な命令を記憶した1つ又は複数の不揮発性記憶媒体であって、前記コンピュータ読み取り可能な命令は、1つ又は複数のプロセッサによって実行されると、1つ又は複数のプロセッサに前記請求項1乃至12のいずれか1項に記載の方法を実行させる記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910810105.6A CN110516815A (zh) | 2019-08-29 | 2019-08-29 | 人工智能推荐模型的特征处理方法、装置及电子设备 |
CN201910810105.6 | 2019-08-29 | ||
PCT/CN2020/103256 WO2021036589A1 (zh) | 2019-08-29 | 2020-07-21 | 人工智能推荐模型的特征处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022529178A true JP2022529178A (ja) | 2022-06-17 |
JP7206419B2 JP7206419B2 (ja) | 2023-01-17 |
Family
ID=68628133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021561988A Active JP7206419B2 (ja) | 2019-08-29 | 2020-07-21 | 人工知能推奨モデルの特徴処理方法、装置、電子機器、及びコンピュータプログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220020064A1 (ja) |
JP (1) | JP7206419B2 (ja) |
CN (1) | CN110516815A (ja) |
WO (1) | WO2021036589A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102545575B1 (ko) * | 2022-07-21 | 2023-06-21 | (주)시큐레이어 | 고객군별 특성에 따른 이중화 서비스 플로우를 적용한 플랫폼을 통한 ai모델 자동추천 구독 서비스 방법 및 서버 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516815A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 人工智能推荐模型的特征处理方法、装置及电子设备 |
CN111144578B (zh) * | 2019-12-27 | 2023-07-28 | 创新奇智(重庆)科技有限公司 | 一种分布式环境下的人工智能模型管理系统及管理方法 |
CN111753994B (zh) * | 2020-06-22 | 2023-11-03 | 深圳鲲云信息科技有限公司 | Ai芯片的数据处理方法、装置和计算机设备 |
CN112270586B (zh) * | 2020-11-12 | 2024-01-02 | 广东烟草广州市有限公司 | 一种基于线性回归的遍历方法、系统、设备和存储介质 |
CN113641337A (zh) * | 2021-07-13 | 2021-11-12 | 广州三七互娱科技有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN116828486A (zh) * | 2022-03-21 | 2023-09-29 | 华为技术有限公司 | 一种通信方法及相关装置 |
CN115099352A (zh) * | 2022-07-05 | 2022-09-23 | 北京火山引擎科技有限公司 | 模型训练系统、模型训练方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589971A (zh) * | 2016-01-08 | 2016-05-18 | 车智互联(北京)科技有限公司 | 训练推荐模型的方法、装置及推荐系统 |
WO2019043163A1 (en) * | 2017-08-31 | 2019-03-07 | Kbc Groep Nv | ENHANCED ANOMALY DETECTION |
JP2019057016A (ja) * | 2017-09-20 | 2019-04-11 | 日本電信電話株式会社 | 分類装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056427A (zh) * | 2016-05-25 | 2016-10-26 | 中南大学 | 一种基于Spark的大数据混合模型的移动推荐方法 |
US10970605B2 (en) * | 2017-01-03 | 2021-04-06 | Samsung Electronics Co., Ltd. | Electronic apparatus and method of operating the same |
CN109325167B (zh) * | 2017-07-31 | 2022-02-18 | 株式会社理光 | 特征分析方法、装置、设备、计算机可读存储介质 |
CN107292298B (zh) * | 2017-08-09 | 2018-04-20 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
EP3480714A1 (en) * | 2017-11-03 | 2019-05-08 | Tata Consultancy Services Limited | Signal analysis systems and methods for features extraction and interpretation thereof |
CN109086312B (zh) * | 2018-06-26 | 2020-09-25 | 湘潭大学 | 一种区域综合能源系统多能流网络的数据表示方法及系统 |
CN108879692B (zh) * | 2018-06-26 | 2020-09-25 | 湘潭大学 | 一种区域综合能源系统能流分布预测方法及系统 |
CN109635993A (zh) * | 2018-10-23 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于预测模型的操作行为监控方法及装置 |
CN109902222B (zh) * | 2018-11-30 | 2022-05-13 | 华为技术有限公司 | 一种推荐方法及装置 |
CN110516815A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 人工智能推荐模型的特征处理方法、装置及电子设备 |
-
2019
- 2019-08-29 CN CN201910810105.6A patent/CN110516815A/zh active Pending
-
2020
- 2020-07-21 JP JP2021561988A patent/JP7206419B2/ja active Active
- 2020-07-21 WO PCT/CN2020/103256 patent/WO2021036589A1/zh active Application Filing
-
2021
- 2021-09-30 US US17/491,435 patent/US20220020064A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589971A (zh) * | 2016-01-08 | 2016-05-18 | 车智互联(北京)科技有限公司 | 训练推荐模型的方法、装置及推荐系统 |
WO2019043163A1 (en) * | 2017-08-31 | 2019-03-07 | Kbc Groep Nv | ENHANCED ANOMALY DETECTION |
JP2019057016A (ja) * | 2017-09-20 | 2019-04-11 | 日本電信電話株式会社 | 分類装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102545575B1 (ko) * | 2022-07-21 | 2023-06-21 | (주)시큐레이어 | 고객군별 특성에 따른 이중화 서비스 플로우를 적용한 플랫폼을 통한 ai모델 자동추천 구독 서비스 방법 및 서버 |
Also Published As
Publication number | Publication date |
---|---|
WO2021036589A1 (zh) | 2021-03-04 |
CN110516815A (zh) | 2019-11-29 |
US20220020064A1 (en) | 2022-01-20 |
JP7206419B2 (ja) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022529178A (ja) | 人工知能推奨モデルの特徴処理方法、装置、電子機器、及びコンピュータプログラム | |
JP7166322B2 (ja) | モデルを訓練するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN109902186B (zh) | 用于生成神经网络的方法和装置 | |
US20190005399A1 (en) | Learning device, generation device, learning method, generation method, and non-transitory computer readable storage medium | |
US9015657B2 (en) | Systems and methods for developing and delivering platform adaptive web and native application content | |
KR20180091043A (ko) | 사용자 포트레이트를 획득하는 방법 및 장치 | |
US20210163874A1 (en) | Program for operating cell culture support apparatus, cell culture support apparatus, and method for operating cell culture support apparatus | |
KR20210040316A (ko) | 사용자 상호작용 정보 처리모델 생성방법, 사용자 상호작용 정보 처리방법 및 프로그램 | |
US10810018B2 (en) | Device with extensibility | |
CN109740167B (zh) | 用于生成信息的方法和装置 | |
CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
JP2023512135A (ja) | オブジェクト推薦方法及び装置、コンピュータ機器並びに媒体 | |
CN113762502B (zh) | 神经网络模型的训练方法及装置 | |
CN111159220A (zh) | 用于输出结构化查询语句的方法和装置 | |
US20190354533A1 (en) | Information processing device, information processing method, and non-transitory computer-readable recording medium | |
CN111783873A (zh) | 基于增量朴素贝叶斯模型的用户画像方法及装置 | |
JPWO2018079225A1 (ja) | 自動予測システム、自動予測方法および自動予測プログラム | |
CN114035793A (zh) | 页面生成方法、页面生成装置、设备及存储介质 | |
CN114341795A (zh) | 用于系统设计的会话设计机器人 | |
CN111090740B (zh) | 一种用于对话系统的知识图谱生成方法 | |
US20230012316A1 (en) | Automation of leave request process | |
KR20230065339A (ko) | 모델 데이터 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 매체 | |
CN115080039A (zh) | 前端代码生成方法、装置、计算机设备、存储介质和产品 | |
KR20210148877A (ko) | 전자 장치 및 이의 제어 방법 | |
JP7099254B2 (ja) | 学習方法、学習プログラム及び学習装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211018 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211018 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221026 |
|
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: 20221205 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230104 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7206419 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |