JP2023017702A - 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 - Google Patents
機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 Download PDFInfo
- Publication number
- JP2023017702A JP2023017702A JP2022096136A JP2022096136A JP2023017702A JP 2023017702 A JP2023017702 A JP 2023017702A JP 2022096136 A JP2022096136 A JP 2022096136A JP 2022096136 A JP2022096136 A JP 2022096136A JP 2023017702 A JP2023017702 A JP 2023017702A
- Authority
- JP
- Japan
- Prior art keywords
- shop
- user
- item
- data set
- training data
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000003993 interaction Effects 0.000 claims description 162
- 230000006870 function Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 9
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0244—Optimization
-
- 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
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
(a)前記電子商取引プラットフォーム上のショップのサンプルバッチであって、小型カテゴリのショップと大型カテゴリのショップを含むサンプルバッチを特定するステップであって、前記小型カテゴリと前記大型カテゴリは、前記電子商取引プラットフォーム上の販売量閾値に関連して定義され、前記小型カテゴリのショップは、前記大型カテゴリのショップよりも前記電子商取引プラットフォーム上の販売量が少なく、
(b)前記サンプルバッチ内の各ショップについて、第1訓練データセットと第2訓練データセットを取得するステップであって、各ショップについて、前記第1訓練データセットと第2訓練データセットはそれぞれ、前記ショップ内のアイテムに関するアイテムデータと、前記ショップ内のアイテムに関するユーザ-アイテム相互作用データを含むユーザデータと、を有し、
(c)前記サンプルバッチの各ショップに対して、
前記ショップが前記小型カテゴリに含まれるか、又は大型カテゴリに含まれるかを判断し、
前記ショップが前記小型カテゴリに含まれることに応答して、
前記機械学習モデルを、前記ショップの前記第1訓練データセットのユーザデータとアイテムデータに適用して、前記第1訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用を取得することは、前記ショップの前記第1訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第1訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第1ショップ固有損失を算出し、
前記ショップの前記第1訓練データセットにおける全ての前記ユーザとアイテムのペアの前記ユーザ-アイテム相互作用スコアの逆数の総和の関数として、前記ショップの第1正則化項を算出し、
前記第1ショップ固有損失と、前記ショップの第1正則化項の組合せに基づいて、前記機械学習モデルの第1ショップ固有パラメータ調整を算出し、
前記ショップ固有パラメータ調整を前記機械学習モデルに適用することにより、前記機械学習モデルのショップ固有バージョンを生成し、
前記機械学習モデルの前記ショップ固有バージョンを、前記ショップの前記第2訓練データセットのユーザデータとアイテムデータに適用して、前記第2訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用は、前記ショップの前記第2訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第2訓練データセットにおけて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第2ショップ固有損失を算出し、
前記ショップの前記第2訓練データセットにおける全ての前記ユーザとアイテムのペアの前記ユーザ-アイテム相互作用スコアの逆数の総和の関数として、前記ショップの第2正則化項を算出すること、を実行し、
前記ショップが前記大型カテゴリに含まれることに応答して、
前記機械学習モデルを、前記ショップの前記第1訓練データセットのユーザデータとアイテムデータに適用して、前記第1訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用を取得することは、前記ショップの前記第1訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第1訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第1ショップ固有損失を算出し、
前記第1ショップ固有損失に基づいて、前記機械学習モデルの第1ショップ固有パラメータ調整を算出し、
前記第1ショップ固有パラメータ調整を、前記機械学習モデルに適用することにより、前記機械学習モデルのショップ固有バージョンを生成し、
前記機械学習モデルの前記ショップ固有バージョンを、前記ショップの前記第2訓練データセットのユーザデータとアイテムデータに適用して、前記第2訓練データセットの予測されたユーザ-アイテム相互作用を取得し、
前記ショップの前記第2訓練データセットにおけて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第2ショップ固有損失を算出する、ステップを実行し
(d)(1)前記大型カテゴリに含まれるショップの前記第2ショップ固有損失と、(2)前記小型カテゴリに含まれるショップの前記第2ショップ固有損失と前記第2正則化項の組合せに基づいて、前記機械学習モデルのグローバルパラメータ調整を算出するステップと、
(e)前記グローバルパラメータ調整を用いて、前記機械学習モデルのパラメータを調整することにより、更新された機械学習モデルを生成するステップと、
(f)前の繰り返しで更新された機械学習モデルが、次の繰り返しの機械学習モデルになるように、ステップ(c)-(e)を複数回繰り返す、ことを実行するステップを備える。
(1.訓練段階)
図1は、訓練段階の概要を示す図である。システムは、電子商取引プラットフォームにおけるユーザ-アイテム相互作用を予測するため、以前に訓練された機械学習モデルを取得する(ステップ110)。このモデルは、本明細書において、基準モデルと呼ばれる。一実施形態では、基準モデルは、電子商取引プラットフォーム上のユーザ-アイテム相互作用を含む、アイテムデータ及びユーザデータを用いて訓練される。基準モデルは、多数の既知の訓練方法のうちの1つを使用して訓練されてもよく、本明細書で開示される再訓練方法は、基準モデルが最初に訓練される方法に依存しない。上述したように、小型ショップのアイテムよりも大型ショップからのアイテムの方がより多くの訓練データがある。したがって、基準モデルは、より大型ショップからのアイテムについてより良く、予測を行うことになる。これはサンプル選択バイアスと呼ばれる。
図2は再訓練の方法を示す。次のセクションで説明するように、この方法の第1の部分は、サンプルバッチ内の各ショップに対して、モデルのショップ固有バージョンを生成することを含む。
再訓練処理の一環として、システムは、サンプルバッチ内の各ショップに対して、モデルのショップ固有バージョンを生成する。このショップ固有バージョンの生成方法は、小型ショップと大型ショップで異なる。
ステップ210a-222aは、小型ショップのショップ固有バージョンのモデルを生成する方法を示す。これらのステップは、サンプルバッチ内の各小型ショップについて実行される。システムは、小型ショップの第1訓練データセットを取得し(ステップ210a)、小型ショップの第1訓練データセット内のユーザデータとアイテムデータに、グローバルモデルを適用する(ステップ212a)。グローバルモデルは、ショップ固有バージョンのモデルとは対照的に、電子商取引プラットフォーム上の全てのショップのための機械学習モデルである。再訓練方法の最初の繰り返しの間、グローバルモデルは、基準モデルである。その後の繰り返しでは、グローバルモデルは、基準モデルの更新されたバージョンとなる。
ステップ210b-222bは、大型ショップのモデルのショップ固有バージョンを生成する方法を示す。これらのステップは、サンプルバッチ内の各大型ショップについて実行される。システムは、大型ショップの第1訓練データセットを取得し(ステップ210b)、グローバルモデルを大型ショップの第1訓練データセット内のユーザデータとアイテムデータに適用する(ステップ212b)。
サンプルバッチ内の各ショップについて、システムは、ショップの第2訓練データセット内のユーザデータとアイテムデータに、モデルのショップ固有バージョンを適用して、第2訓練データセットの予測されたユーザ-アイテム相互作用スコアを得る(ステップ225a及び225b)。一実施形態では、第2訓練データセットのサイズは、最大数(例えば、100kトランザクション)までの電子商取引プラットフォーム上のショップの販売量に対応する。これは、より大型ショップに対するモデルの予測精度を維持するのに役立つ。
以下は、一実施形態による再訓練方法の数式である。
θは、推薦モデルgのパラメータ。
θpは、ショップ固有推薦モデルのパラメータ。
Dp sは、ショップpの最初のデータセット。
Dp Qは、ショップpの2つ目のデータセット。
αとβは、学習率である。
γは、小型ショップの損失と正則化項のバランスをとるためのハイパーパラメータ。
∇は、勾配ステップ。
Lは、損失関数。
Rは、正則化である。
予測段階では、再訓練されたモデルは、ターゲット広告のためにショップにユーザを推薦する、又は、電子商取引プラットフォーム上でユーザにアイテムを推薦するために使用することができる。
図4(a)及び図4(b)は、機械学習推薦モデルのアーキテクチャの例を示す。図4(a)において、モデル400aは、連結モジュール420と、ニューラルネットワークエンコーダ430とを含む。連結モジュール420は、ユーザ入力とアイテム入力を受取り、それらを連結する。ニューラルネットワークエンコーダ430は、結合されたユーザとアイテムのデータを入力として受取り、ユーザ-アイテム相互作用スコア(これはベクトルの形である)を出力する。ユーザ-アイテム相互作用スコアは、分類モジュール440によって使用され、ユーザ-アイテム相互作用を予測する。
図5は、推薦システムソフトウェアアーキテクチャの一例を示す図である。本明細書に開示されるシステム及び方法は、必ずしもこのアーキテクチャに限定されるものではない。システム500は、機械学習モデル530と、訓練モジュール550と、推薦モジュール540とを含む。機械学習モデル530は、入力されたユーザとアイテムデータ510、520に適用され、ユーザ-アイテム相互作用を予測する。機械学習モデル530は、本明細書に記載の訓練方法に従って、訓練モジュール550によって訓練される。推薦モジュール540は、予測されたユーザ-アイテム相互作用に基づいて、ユーザをショップに推薦するか、又はユーザにアイテムを推薦する。当業者は、推薦システムが、本明細書の開示に関連しない他のモジュールを有し得ることを理解するであろう。
図1-5について説明した方法は、ソフトウェアで具現化され、ソフトウェアを実行するコンピュータシステム(1つまたは複数のコンピューティングデバイスからなる)によって実行される。当業者であれば、コンピュータシステムが、ソフトウェア命令を格納するための1つ以上の物理的なメモリユニット、ディスク、または他の物理的なコンピュータ可読記録媒体、ならびにソフトウェア命令を実行するための1つ以上のプロセッサを有することを理解するであろう。当業者であれば、コンピュータシステムは、スタンドアロンであっても、サーバとしてコンピュータネットワークに接続されていてもよいことも理解するであろう。
Claims (20)
- コンピュータシステムによって実行され、異なる販売量を有する異なるショップからの商品を含む電子商取引プラットフォーム上で、ユーザ-アイテム相互作用値を予測するための機械学習方法であって、
訓練段階と予測段階を含み、
前記訓練段階は、
前もって訓練された機械学習モデルであって、前記異なる販売量を有する異なるショップを含む前記電子商取引プラットフォーム上のユーザデータとアイテムデータに基づいて、ユーザ-アイテム相互作用を予測する機械学習モデルを取得する取得ステップと、
前記機械学習モデルを修正して、販売量の多いショップに有利なサンプル選択バイアスを低減させる修正ステップと、を備え、
前記修正ステップは、
(a)前記電子商取引プラットフォーム上のショップのサンプルバッチであって、小型カテゴリのショップと大型カテゴリのショップを含むサンプルバッチを特定するステップであって、前記小型カテゴリと前記大型カテゴリは、前記電子商取引プラットフォーム上の販売量閾値に関連して定義され、前記小型カテゴリのショップは、前記大型カテゴリのショップよりも前記電子商取引プラットフォーム上の販売量が少なく、
(b)前記サンプルバッチ内の各ショップについて、第1訓練データセットと第2訓練データセットを取得するステップであって、各ショップについて、前記第1訓練データセットと第2訓練データセットはそれぞれ、前記ショップ内のアイテムに関するアイテムデータと、前記ショップ内のアイテムに関するユーザ-アイテム相互作用データを含むユーザデータと、を有し、
(c)前記サンプルバッチの各ショップに対して、
前記ショップが前記小型カテゴリに含まれるか、又は大型カテゴリに含まれるかを判断し、
前記ショップが前記小型カテゴリに含まれることに応答して、
前記機械学習モデルを、前記ショップの前記第1訓練データセットのユーザデータとアイテムデータに適用して、前記第1訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用を取得することは、前記ショップの前記第1訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第1訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第1ショップ固有損失を算出し、
前記ショップの前記第1訓練データセットにおける全ての前記ユーザとアイテムのペアの前記ユーザ-アイテム相互作用スコアの逆数の総和の関数として、前記ショップの第1正則化項を算出し、
前記第1ショップ固有損失と、前記ショップの第1正則化項の組合せに基づいて、前記機械学習モデルの第1ショップ固有パラメータ調整を算出し、
前記ショップ固有パラメータ調整を前記機械学習モデルに適用することにより、前記機械学習モデルのショップ固有バージョンを生成し、
前記機械学習モデルの前記ショップ固有バージョンを、前記ショップの前記第2訓練データセットのユーザデータとアイテムデータに適用して、前記第2訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用は、前記ショップの前記第2訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第2訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第2ショップ固有損失を算出し、
前記ショップの前記第2訓練データセットにおける全ての前記ユーザとアイテムのペアの前記ユーザ-アイテム相互作用スコアの逆数の総和の関数として、前記ショップの第2正則化項を算出すること、を実行し、
前記ショップが前記大型カテゴリに含まれることに応答して、
前記機械学習モデルを、前記ショップの前記第1訓練データセットのユーザデータとアイテムデータに適用して、前記第1訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用を取得することは、前記ショップの前記第1訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第1訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第1ショップ固有損失を算出し、
前記第1ショップ固有損失に基づいて、前記機械学習モデルの第1ショップ固有パラメータ調整を算出し、
前記第1ショップ固有パラメータ調整を、前記機械学習モデルに適用することにより、前記機械学習モデルのショップ固有バージョンを生成し、
前記機械学習モデルの前記ショップ固有バージョンを、前記ショップの前記第2訓練データセットのユーザデータとアイテムデータに適用して、前記第2訓練データセットの予測されたユーザ-アイテム相互作用を取得し、
前記ショップの前記第2訓練データセットにおけて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第2ショップ固有損失を算出する、ステップを実行し
(d)(1)前記大型カテゴリに含まれるショップの前記第2ショップ固有損失と、(2)前記小型カテゴリに含まれるショップの前記第2ショップ固有損失と前記第2正則化項の組合せに基づいて、前記機械学習モデルのグローバルパラメータ調整を算出するステップと、
(e)前記グローバルパラメータ調整を用いて、前記機械学習モデルのパラメータを調整することにより、更新された機械学習モデルを生成するステップと、
(f)前の繰り返しで更新された機械学習モデルが、次の繰り返しの機械学習モデルになるように、ステップ(c)-(e)を複数回繰り返す、ことを実行するステップを備え、
前記予測段階は、
前記更新されたモデルを使用して、前記電子商取引プラットフォーム上のユーザとアイテムのペアに関して、前記電子商取引プラットフォーム上のユーザ-アイテム相互作用値の予測を取得すること、を実行する、
機械学習方法。 - 前記ショップ固有パラメータ調整と前記グローバルパラメータ調整は、勾配降下法を用いて算出され、前記ショップ固有パラメータ調整と前記グローバルパラメータ調整は、勾配ステップである、
請求項1に記載の機械学習方法。 - ショップにより前記電子商取引プラットフォーム上で販売されたアイテムと、複数のテストユーザのそれぞれについて、予測される相互作用値に基づいて、1人以上のテストユーザを前記ショップに推薦するステップを、さらに含む、
請求項1に記載の機械学習方法。 - テストユーザと、前記電子商取引プラットフォーム上の複数のアイテムのそれぞれについて、予測される相互作用値に基づいて、前記テストユーザに1つ以上のアイテムを推奨すること、をさらに含む、
請求項1に記載の機械学習方法。 - 前記第1訓練データセットのサイズは、前記サンプルバッチ内の各ショップについて実質的に同じサイズである、
請求項1に記載の機械学習方法。 - ショップの前記第2訓練データセットは、前記電子商取引プラットフォームにおけるショップの販売量の大きさに対応する、
請求項1に記載の機械学習方法。 - コンピュータシステムによって実行され、異なる販売量を有する異なるショップからの商品を含む電子商取引プラットフォーム上で、ユーザ-アイテム相互作用値を予測する機械学習モデルを訓練するための訓練方法であって、
訓練段階を含み、前記訓練段階は、
前もって訓練された機械学習モデルであって、前記異なる販売量を有する異なるショップを含む前記電子商取引プラットフォーム上のユーザデータとアイテムデータに基づいて、ユーザ-アイテム相互作用を予測する機械学習モデルを取得する取得ステップと、
前記機械学習モデルを修正して、販売量の多いショップに有利なサンプル選択バイアスを低減させる修正ステップと、を備え、
前記修正ステップは、
(a)前記電子商取引プラットフォーム上のショップのサンプルバッチであって、小型カテゴリのショップと大型カテゴリのショップを含むサンプルバッチを特定するステップであって、前記小型カテゴリと前記大型カテゴリは、前記電子商取引プラットフォーム上の販売量閾値に関連して定義され、前記小型カテゴリのショップは、前記大型カテゴリのショップよりも前記電子商取引プラットフォーム上の販売量が少なく、
(b)前記サンプルバッチ内の各ショップについて、第1訓練データセットと第2訓練データセットを取得するステップであって、各ショップについて、前記第1訓練データセットと第2訓練データセットはそれぞれ、前記ショップ内のアイテムに関するアイテムデータと、前記ショップ内のアイテムに関するユーザ-アイテム相互作用データを含むユーザデータと、を有し、
(c)前記サンプルバッチの各ショップに対して、
前記ショップが前記小型カテゴリに含まれるか、又は大型カテゴリに含まれるかを判断し、
前記ショップが前記小型カテゴリに含まれることに応答して、
前記機械学習モデルを、前記ショップの前記第1訓練データセットのユーザデータとアイテムデータに適用して、前記第1訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用を取得することは、前記ショップの前記第1訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第1訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第1ショップ固有損失を算出し、
前記ショップの前記第1訓練データセットにおける全ての前記ユーザとアイテムのペアの前記ユーザ-アイテム相互作用スコアの逆数の総和の関数として、前記ショップの第1正則化項を算出し、
前記第1ショップ固有損失と、前記ショップの第1正則化項の組合せに基づいて、前記機械学習モデルの第1ショップ固有パラメータ調整を算出し、
前記ショップ固有パラメータ調整を前記機械学習モデルに適用することにより、前記機械学習モデルのショップ固有バージョンを生成し、
前記機械学習モデルの前記ショップ固有バージョンを、前記ショップの前記第2訓練データセットのユーザデータとアイテムデータに適用して、前記第2訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用は、前記ショップの前記第2訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第2訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第2ショップ固有損失を算出し、
前記ショップの前記第2訓練データセットにおける全ての前記ユーザとアイテムのペアの前記ユーザ-アイテム相互作用スコアの逆数の総和の関数として、前記ショップの第2正則化項を算出すること、を実行し、
前記ショップが前記大型カテゴリに含まれることに応答して、
前記機械学習モデルを、前記ショップの前記第1訓練データセットのユーザデータとアイテムデータに適用して、前記第1訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用を取得することは、前記ショップの前記第1訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第1訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第1ショップ固有損失を算出し、
前記第1ショップ固有損失に基づいて、前記機械学習モデルの第1ショップ固有パラメータ調整を算出し、
前記第1ショップ固有パラメータ調整を、前記機械学習モデルに適用することにより、前記機械学習モデルのショップ固有バージョンを生成し、
前記機械学習モデルの前記ショップ固有バージョンを、前記ショップの前記第2訓練データセットのユーザデータとアイテムデータに適用して、前記第2訓練データセットの予測されたユーザ-アイテム相互作用を取得し、
前記ショップの前記第2訓練データセットにおけて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第2ショップ固有損失を算出する、ステップを実行し
(d)(1)前記大型カテゴリに含まれるショップの前記第2ショップ固有損失と、(2)前記小型カテゴリに含まれるショップの前記第2ショップ固有損失と前記第2正則化項の組合せに基づいて、前記機械学習モデルのグローバルパラメータ調整を算出するステップと、
(e)前記グローバルパラメータ調整を用いて、前記機械学習モデルのパラメータを調整することにより、更新された機械学習モデルを生成するステップと、
(f)前の繰り返しで更新された機械学習モデルが、次の繰り返しの機械学習モデルになるように、ステップ(c)-(e)を複数回繰り返す、ことを実行するステップを備える、
訓練方法。 - 前記ショップ固有パラメータ調整と前記グローバルパラメータ調整は、勾配降下を使用して算出され、前記ショップ固有パラメータと前記グローバルパラメータ調整は、勾配ステップである、
請求項7に記載の訓練方法。 - 前記第1訓練データセットが、前記サンプルバッチ内のショップの各々について実質的に同じサイズである、
請求項7に記載の訓練方法。 - 前記ショップに対する前記第2訓練データセットサイズは、前記電子商取引プラットフォームにおける前記ショップの販売量のサイズに対応する、
請求項9に記載の訓練方法。 - 異なる販売量を有する異なるショップの商品を含む電子商取引プラットフォームにおいて、ユーザとアイテムの相互作用値を予測するための予測システムであって、
機械コードのセットを使用してプログラムされた命令を実行するように構成されたプロセッサと、
プロセッサに結合された1つ以上のメモリユニットと、
当該システムの前記1つ以上のメモリユニットに格納され、ユーザ入力とアイテム入力を取得し、前記電子商取引プラットフォーム上のユーザとアイテムの予測されたユーザ相互作用値に対応するユーザ相互作用スコアを出力する機械学習モデルであって、前記出力を生成するために前記機械コードに実装された算出命令を含む機械学習モデルと、を備え、
前記機械学習モデルは、訓練方法により訓練され、
前記訓練方法は、
(a)前記電子商取引プラットフォーム上のショップのサンプルバッチであって、小型カテゴリのショップと大型カテゴリのショップを含むサンプルバッチを特定するステップであって、前記小型カテゴリと前記大型カテゴリは、前記電子商取引プラットフォーム上の販売量閾値に関連して定義され、前記小型カテゴリのショップは、前記大型カテゴリのショップよりも前記電子商取引プラットフォーム上の販売量が少なく、
(b)前記サンプルバッチ内の各ショップについて、第1訓練データセットと第2訓練データセットを取得するステップであって、各ショップについて、前記第1訓練データセットと第2訓練データセットはそれぞれ、前記ショップ内のアイテムに関するアイテムデータと、前記ショップ内のアイテムに関するユーザ-アイテム相互作用データを含むユーザデータと、を有し、
(c)前記サンプルバッチの各ショップに対して、
前記ショップが前記小型カテゴリに含まれるか、又は大型カテゴリに含まれるかを判断し、
前記ショップが前記小型カテゴリに含まれることに応答して、
前記機械学習モデルを、前記ショップの前記第1訓練データセットのユーザデータとアイテムデータに適用して、前記第1訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用を取得することは、前記ショップの前記第1訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第1訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第1ショップ固有損失を算出し、
前記ショップの前記第1訓練データセットにおける全ての前記ユーザとアイテムのペアの前記ユーザ-アイテム相互作用スコアの逆数の総和の関数として、前記ショップの第1正則化項を算出し、
前記第1ショップ固有損失と、前記ショップの第1正則化項の組合せに基づいて、前記機械学習モデルの第1ショップ固有パラメータ調整を算出し、
前記ショップ固有パラメータ調整を前記機械学習モデルに適用することにより、前記機械学習モデルのショップ固有バージョンを生成し、
前記機械学習モデルの前記ショップ固有バージョンを、前記ショップの前記第2訓練データセットのユーザデータとアイテムデータに適用して、前記第2訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用は、前記ショップの前記第2訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第2訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第2ショップ固有損失を算出し、
前記ショップの前記第2訓練データセットにおける全ての前記ユーザとアイテムのペアの前記ユーザ-アイテム相互作用スコアの逆数の総和の関数として、前記ショップの第2正則化項を算出すること、を実行し、
前記ショップが前記大型カテゴリに含まれることに応答して、
前記機械学習モデルを、前記ショップの前記第1訓練データセットのユーザデータとアイテムデータに適用して、前記第1訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用を取得することは、前記ショップの前記第1訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第1訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第1ショップ固有損失を算出し、
前記第1ショップ固有損失に基づいて、前記機械学習モデルの第1ショップ固有パラメータ調整を算出し、
前記第1ショップ固有パラメータ調整を、前記機械学習モデルに適用することにより、前記機械学習モデルのショップ固有バージョンを生成し、
前記機械学習モデルの前記ショップ固有バージョンを、前記ショップの前記第2訓練データセットのユーザデータとアイテムデータに適用して、前記第2訓練データセットの予測されたユーザ-アイテム相互作用を取得し、
前記ショップの前記第2訓練データセットにおけて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第2ショップ固有損失を算出する、ステップを実行し
(d)(1)前記大型カテゴリに含まれるショップの前記第2ショップ固有損失と、(2)前記小型カテゴリに含まれるショップの前記第2ショップ固有損失と前記第2正則化項の組合せに基づいて、前記機械学習モデルのグローバルパラメータ調整を算出するステップと、
(e)前記グローバルパラメータ調整を用いて、前記機械学習モデルのパラメータを調整することにより、更新された機械学習モデルを生成するステップと、
(f)前の繰り返しで更新された機械学習モデルが、次の繰り返しの機械学習モデルになるように、ステップ(c)-(e)を複数回繰り返す、ことを実行するステップを備える、
予測システム。 - 前記機械学習モデルは、
前記ユーザ入力と前記アイテム入力を受け取り、前記ユーザ入力と前記アイテム入力を連結する連結モジュールと、
連結された前記ユーザ入力と前記アイテム入力を受け取り、前記ユーザ-アイテム相互作用スコアを出力するニューラルネットワークエンコーダと、を含む、
請求項11に記載の予測システム。 - 前記機械学習モデルは、
前記アイテムデータを受け取り、アイテム特徴表現を出力するアイテムニューラルネットワークエンコーダと、
前記ユーザデータを受け取り、ユーザ特徴表現を出力するユーザニューラルネットワークエンコーダと、を備え、
前記ユーザ-アイテム相互作用スコアは、前記ユーザ特徴表現と前記アイテム特徴表現のドット積を取得することにより生成される、
請求項11に記載の予測システム。 - 前記ショップ固有パラメータ調整と前記グローバルパラメータ調整は、勾配降下法を用いて算出され、前記ショップ固有パラメータ調整と前記グローバルパラメータ調整は、勾配ステップである、
請求項11に記載の予測システム。 - 前記第1訓練データセットのサイズは、前記サンプルバッチ内の各ショップについて実質的に同じサイズである、
請求項11に記載の予測システム。 - ショップの前記第2訓練データセットは、前記電子商取引プラットフォームにおける前記ショップの販売量の大きさに対応する、
請求項15に記載の予測システム。 - コンピュータシステムにより実行され、コンピュータシステムが、異なる販売量を有する異なるショップからの商品を含む電子商取引プラットフォームにおいて、ユーザ-アイテム相互作用値を予測するための方法を実行することを可能にする、非一時的コンピュータ可読媒体であって、
該方法は、
訓練段階と予測段階を含み、
前記訓練段階は、
前もって訓練された機械学習モデルであって、前記異なる販売量を有する異なるショップを含む前記電子商取引プラットフォーム上のユーザデータとアイテムデータに基づいて、ユーザ-アイテム相互作用を予測する機械学習モデルを取得する取得ステップと、
前記機械学習モデルを修正して、販売量の多いショップに有利なサンプル選択バイアスを低減させる修正ステップと、を備え、
前記修正ステップは、
(a)前記電子商取引プラットフォーム上のショップのサンプルバッチであって、小型カテゴリのショップと大型カテゴリのショップを含むサンプルバッチを特定するステップであって、前記小型カテゴリと前記大型カテゴリは、前記電子商取引プラットフォーム上の販売量閾値に関連して定義され、前記小型カテゴリのショップは、前記大型カテゴリのショップよりも前記電子商取引プラットフォーム上の販売量が少なく、
(b)前記サンプルバッチ内の各ショップについて、第1訓練データセットと第2訓練データセットを取得するステップであって、各ショップについて、前記第1訓練データセットと第2訓練データセットはそれぞれ、前記ショップ内のアイテムに関するアイテムデータと、前記ショップ内のアイテムに関するユーザ-アイテム相互作用データを含むユーザデータと、を有し、
(c)前記サンプルバッチの各ショップに対して、
前記ショップが前記小型カテゴリに含まれるか、又は大型カテゴリに含まれるかを判断し、
前記ショップが前記小型カテゴリに含まれることに応答して、
前記機械学習モデルを、前記ショップの前記第1訓練データセットのユーザデータとアイテムデータに適用して、前記第1訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用を取得することは、前記ショップの前記第1訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第1訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第1ショップ固有損失を算出し、
前記ショップの前記第1訓練データセットにおける全ての前記ユーザとアイテムのペアの前記ユーザ-アイテム相互作用スコアの逆数の総和の関数として、前記ショップの第1正則化項を算出し、
前記第1ショップ固有損失と、前記ショップの第1正則化項の組合せに基づいて、前記機械学習モデルの第1ショップ固有パラメータ調整を算出し、
前記ショップ固有パラメータ調整を前記機械学習モデルに適用することにより、前記機械学習モデルのショップ固有バージョンを生成し、
前記機械学習モデルの前記ショップ固有バージョンを、前記ショップの前記第2訓練データセットのユーザデータとアイテムデータに適用して、前記第2訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用は、前記ショップの前記第2訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第2訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第2ショップ固有損失を算出し、
前記ショップの前記第2訓練データセットにおける全ての前記ユーザとアイテムのペアの前記ユーザ-アイテム相互作用スコアの逆数の総和の関数として、前記ショップの第2正則化項を算出すること、を実行し、
前記ショップが前記大型カテゴリに含まれることに応答して、
前記機械学習モデルを、前記ショップの前記第1訓練データセットのユーザデータとアイテムデータに適用して、前記第1訓練データセットの予測されたユーザ-アイテム相互作用を取得し、前記予測されたユーザ-アイテム相互作用を取得することは、前記ショップの前記第1訓練データセットの各ユーザとアイテムのペアについてユーザ-アイテム相互作用スコアを算出することを含み、
前記ショップの前記第1訓練データセットにおいて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第1ショップ固有損失を算出し、
前記第1ショップ固有損失に基づいて、前記機械学習モデルの第1ショップ固有パラメータ調整を算出し、
前記第1ショップ固有パラメータ調整を、前記機械学習モデルに適用することにより、前記機械学習モデルのショップ固有バージョンを生成し、
前記機械学習モデルの前記ショップ固有バージョンを、前記ショップの前記第2訓練データセットのユーザデータとアイテムデータに適用して、前記第2訓練データセットの予測されたユーザ-アイテム相互作用を取得し、
前記ショップの前記第2訓練データセットにおけて、前記予測されたユーザ-アイテム相互作用と、実際のユーザ-アイテム相互作用との間の第2ショップ固有損失を算出する、ステップを実行し
(d)(1)前記大型カテゴリに含まれるショップの前記第2ショップ固有損失と、(2)前記小型カテゴリに含まれるショップの前記第2ショップ固有損失と前記第2正則化項の組合せに基づいて、前記機械学習モデルのグローバルパラメータ調整を算出するステップと、
(e)前記グローバルパラメータ調整を用いて、前記機械学習モデルのパラメータを調整することにより、更新された機械学習モデルを生成するステップと、
(f)前の繰り返しで更新された機械学習モデルが、次の繰り返しの機械学習モデルになるように、ステップ(c)-(e)を複数回繰り返す、ことを実行するステップを備え、
前記予測段階は、
前記更新されたモデルを使用して、前記電子商取引プラットフォーム上のユーザとアイテムのペアに関して、前記電子商取引プラットフォーム上のユーザ-アイテム相互作用値の予測を取得すること、を実行する、
非一時的コンピュータ可読媒体。 - 前記電子商取引プラットフォーム上でショップにより販売されるアイテムと、複数のテストユーザのそれぞれについて、予測された相互作用値に基づいて、前記ショップに1人以上のテストユーザを推薦するステップを、さらに含む、
請求項17に記載の非一時的コンピュータ可読媒体。 - テストユーザと、前記電子商取引プラットフォーム上の複数のアイテムのそれぞれについて、予測された相互作用値に基づいて、前記テストユーザに1つ以上のアイテムを推奨すること、をさらに含む、
請求項17に記載の非一時的コンピュータ可読媒体。 - 前記第1訓練データセットのサイズは、前記サンプルバッチ内の各ショップについて実質的に同じサイズである、
請求項17に記載の非一時的コンピュータ可読媒体。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163221872P | 2021-07-14 | 2021-07-14 | |
US63/221,872 | 2021-07-14 | ||
US17/589,802 US11995665B2 (en) | 2021-07-14 | 2022-01-31 | Reducing sample selection bias in a machine learning-based recommender system |
US17/589,802 | 2022-01-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023017702A true JP2023017702A (ja) | 2023-02-07 |
JP7431890B2 JP7431890B2 (ja) | 2024-02-15 |
Family
ID=82016337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022096136A Active JP7431890B2 (ja) | 2021-07-14 | 2022-06-14 | 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11995665B2 (ja) |
EP (1) | EP4120174A1 (ja) |
JP (1) | JP7431890B2 (ja) |
TW (1) | TW202324207A (ja) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10354184B1 (en) | 2014-06-24 | 2019-07-16 | Amazon Technologies, Inc. | Joint modeling of user behavior |
DE102018213454A1 (de) | 2018-08-09 | 2020-02-13 | Robert Bosch Gmbh | Verfahren zum Betreiben eines Sensors zur Detektion von Teilchen in einem Messgas |
US11093798B2 (en) | 2018-12-28 | 2021-08-17 | Palo Alto Research Center Incorporated | Agile video query using ensembles of deep neural networks |
CN111652364A (zh) | 2019-03-04 | 2020-09-11 | 富士通株式会社 | 训练元学习网络的装置和方法 |
US20210110306A1 (en) * | 2019-10-14 | 2021-04-15 | Visa International Service Association | Meta-transfer learning via contextual invariants for cross-domain recommendation |
US11854022B2 (en) * | 2019-10-22 | 2023-12-26 | Sap Se | Proactively predicting transaction dates based on sparse transaction data |
US11494644B2 (en) | 2019-11-20 | 2022-11-08 | Rakuten Group, Inc. | System, method, and computer program for recommending items using a direct neural network structure |
EP3920100A1 (en) * | 2020-06-03 | 2021-12-08 | Naver Corporation | Adaptive pointwise-pairwise learning to rank |
US20220300804A1 (en) * | 2021-03-22 | 2022-09-22 | Accenture Global Solutions Limited | Few-shot learning for multi- task recommendation systems |
-
2022
- 2022-01-31 US US17/589,802 patent/US11995665B2/en active Active
- 2022-06-14 EP EP22178900.1A patent/EP4120174A1/en active Pending
- 2022-06-14 TW TW111121956A patent/TW202324207A/zh unknown
- 2022-06-14 JP JP2022096136A patent/JP7431890B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
EP4120174A1 (en) | 2023-01-18 |
TW202324207A (zh) | 2023-06-16 |
US11995665B2 (en) | 2024-05-28 |
US20230033492A1 (en) | 2023-02-02 |
JP7431890B2 (ja) | 2024-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008858B (zh) | 一种商品销量预测方法及系统 | |
CN109102127B (zh) | 商品推荐方法及装置 | |
JP7460703B2 (ja) | 共有されたニューラルアイテム表現をコールドスタート推薦に用いる改良型のレコメンダシステム及び方法 | |
CN110599295B (zh) | 物品的推送方法、装置及设备 | |
JP7271630B2 (ja) | 機械学習に基づくレコメンダシステムにおける入力及びパラメータの同時学習 | |
Chen et al. | An algorithm for low-rank matrix factorization and its applications | |
JP7441270B2 (ja) | 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 | |
JP7423694B2 (ja) | 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 | |
Adam et al. | Machine learning for demand estimation in long tail markets | |
US11334935B2 (en) | Method, system, and manufacture for light hypergraph based recommendation | |
JP7431890B2 (ja) | 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 | |
JP7429260B2 (ja) | 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 | |
CN108304407B (zh) | 一种进行对象排序的方法和系统 | |
CN111400512B (zh) | 一种筛选多媒体资源的方法及装置 | |
CN113743440A (zh) | 一种信息处理方法及装置、存储介质 | |
CN110880141A (zh) | 一种深度双塔模型智能匹配算法及装置 | |
WO2022247878A1 (en) | System, method, and computer-readable media for leakage correction in graph neural network based recommender systems | |
US11797961B2 (en) | Vectorization of transactions | |
CN112102039B (zh) | 物品推送方法、计算机系统及存储介质 | |
US20230342672A1 (en) | Method and system for classification and/or prediction on unbalanced datasets | |
CN111563783B (zh) | 一种物品推荐方法及装置 | |
US20220092634A1 (en) | Information processing device and non-transitory computer readable medium | |
TW202407610A (zh) | 具有樞紐成對距離損失和正交表示的單類別推薦系統 | |
CN113129108A (zh) | 基于Double DQN算法的产品推荐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221114 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221114 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230929 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231017 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231211 |
|
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: 20240130 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240202 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7431890 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |