JP2023017921A - コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム - Google Patents

Abstract

【課題】各シーンに対して１つのソートモデルを構築する必要がなく、モデルトレーニング及び推薦過程を簡略化するコンテンツ推薦とソートモデルトレーニング方法、装置、機器及び記憶媒体を提供する。
【解決手段】コンテンツ推薦方法は、推薦すべきシーンを決定し、少なくとも２つの次元に対して、少なくとも２つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び少なくとも２つの次元の特徴データに基づいて、トレーニングして得られた少なくとも２つの次元のサブモデルを含む少なくとも２つのサブモデルから、推薦すべきシーンに対応する目標サブモデルを選択し、各目標サブモデルの組み合わせを用いて、推薦すべきシーンに対してコンテンツ推薦を行う。
【選択図】図１

Description

本開示は、コンピュータ技術分野に関し、特に、ビッグデータ、ディープラーニング、インテリジェント検索の技術分野に関する。

コンピュータ技術の急速な発展に伴い、ますます多くのコンテンツは、コンピュータ処理により取得する必要があり、処理が完了した後にネットワークを介して伝送する。さらに、ますます多くのシーンにおいて、例えばニュース、ビデオ、又は、広告の推薦等で、ユーザにコンテンツ推薦を行う必要がある。

本開示は、コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラムを提供している。

本開示の第１態様によれば、コンテンツ推薦方法を提供し、該方法は、
推薦すべきシーンを決定することと、
少なくとも２つの次元に対して、少なくとも２つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び前記少なくとも２つの次元の特徴データに基づいて、トレーニングして得られた少なくとも２つの次元のサブモデルを含む少なくとも２つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択することと、
各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うことと、を含む。

本開示の第２態様によれば、ソートモデルトレーニング方法を提供し、該方法は、
少なくとも２つのシーンの行為情報を取得することと、
前記行為情報に基づいて、汎用特徴データと少なくとも２つの次元の特徴データを含む特徴データを構築することと、
少なくとも２つの次元に対して、前記汎用特徴データと前記少なくとも２つの次元の特徴データに基づいて、少なくとも２つの次元のサブモデルをトレーニングすることと、を含む。

本開示の第３態様によれば、コンテンツ推薦装置を提供し、該装置は、
推薦すべきシーンを決定するための決定モジュールと、
少なくとも２つの次元に対して、少なくとも２つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び前記少なくとも２つの次元の特徴データに基づいて、トレーニングして得られた少なくとも２つの次元のサブモデルを含む少なくとも２つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択するための選択モジュールと、
各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うための推薦モジュールと、を含む。

本開示の第４態様によれば、ソートモデルトレーニング装置を提供し、該装置は、
少なくとも２つのシーンの行為情報を取得するための取得モジュールと、
前記行為情報に基づいて、汎用特徴データと少なくとも２つの次元の特徴データを含む特徴データを構築するための特徴構築モジュールと、
少なくとも２つの次元に対して、前記汎用特徴データと前記少なくとも２つの次元の特徴データに基づいて、少なくとも２つの次元のサブモデルをトレーニングするためのサブモデルトレーニングモジュールと、を含む。

本開示の第５態様によれば、電子機器を提供し、該電子機器は、
少なくとも１つのプロセッサと、
前記少なくとも１つのプロセッサと通信接続されるメモリと、を備える電子機器であって、
前記メモリには、前記少なくとも１つのプロセッサによって実行され得る命令が記憶されており、前記命令が前記少なくとも１つのプロセッサによって実行されることで、前記少なくとも１つのプロセッサが第１態様に記載の方法を実行することができる。

本開示の第６態様によれば、電子機器を提供し、該電子機器は、
少なくとも１つのプロセッサと、
前記少なくとも１つのプロセッサと通信接続されるメモリとを備える電子機器であって、
前記メモリには、前記少なくとも１つのプロセッサによって実行され得る命令が記憶されており、前記命令が前記少なくとも１つのプロセッサによって実行されることで、前記少なくとも１つのプロセッサが第２態様に記載の方法を実行することができる。

本開示の第７態様によれば、コンピュータに第１態様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ている、非一時的なコンピュータ可読記憶媒体を提供する。

本開示の第８態様によれば、コンピュータに第２態様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ている、非一時的なコンピュータ可読記憶媒体を提供する。

本開示の第９態様によれば、プロセッサにより実行される場合に、第１態様に記載の方法を実現するコンピュータプログラムを提供する。

本開示の第１０態様によれば、プロセッサにより実行される場合に、第２態様に記載の方法を実現するコンピュータプログラムを提供する。

本開示によれば、各シーンに対してソートモデルを個別に構成する必要がなく、各シーンに対して区別的に推薦することを実現するように、複数のサブモデルに基づいて柔軟に組み合わせることができる。

本部分に記載された内容は、本開示の実施例のキーポイントまたは重要な特徴を示すことを意図するものではなく、本開示の範囲を限定するものでもないと理解されるべきである。本開示の他の特徴は、以下の説明により容易に理解される。

図面は、本開示の発明をよく理解するために用いられ、本開示を限定するものではない。

図１は、本開示の実施例に提供されるコンテンツ推薦方法のフローチャートである。 図２は、本開示の実施例に提供されるコンテンツ推薦方法の別のフローチャートである。 図３は、本開示の実施例に提供されるコンテンツ推薦方法の更なるフローチャートである。 図４は、本開示の実施例に提供されるソートモデルトレーニング方法のフローチャートである。 図５は、本開示の実施例に提供されるソートモデルトレーニング方法を適用する概略図である。 図６は、本開示の実施例に提供されるコンテンツ推薦装置の構成概略図である。 図７は、本開示の実施例に提供されるコンテンツ推薦装置の別の構成概略図である。 図８は、本開示の実施例に提供されるコンテンツ推薦装置の更なる構成概略図である。 図９は、本開示の実施例に提供されるソートモデルトレーニング装置の構成概略図である。 図１０は、本開示の実施例に提供されるソートモデルトレーニング装置の別の構成概略図である。 図１１は、本開示の実施例のコンテンツ推薦方法を実現するための電子機器のブロック図である。 図１２は、本開示の実施例のソートモデルトレーニング方法を実現するための電子機器のブロック図である。

以下、図面を参照して本開示の例示的な実施例を説明する。ここで、より理解しやすいために本開示の実施例の様々な詳細が含まれるが、それらは例示的なものであると考えられるべきである。したがって、当業者であれば、ここで記載される実施例に対して様々な変更や補正を行うことができ、本開示の範囲及び精神から逸脱することはないと理解すべきである。同様に、明確かつ簡潔に説明するために、以下の記載において周知の機能や構成に対する説明を省略する。

同一の推薦モデルを直接的に使用してコンテンツ推薦を行い、または、それぞれの推薦シーンに個別の推薦モデルを構築してコンテンツ推薦を行うことができる。しかし、全ての推薦シーンがいずれも同一の推薦モデルを直接的に使用すれば、それぞれのシーンにおけるユーザの興味選好、材料タイプなどの違いに適応することができず、推薦効果がよくない。一方、各シーンにそれぞれ推薦モデルを構築すれば、構築過程において、１つのシーンに対する推薦モデルの構築が、該シーンで生成された履歴ユーザ行為データのみをトレーニングデータとしてトレーニングすることができ、各独立シーンでのユーザ行為データが少なく、トレーニングデータが少なくて、モデルのラーニングに不利であり、かつ異なるシーンにおける共通点を利用することができない。

全ての推薦シーンがいずれも同一の推薦モデルを直接的に使用すれば、それぞれのシーンにおけるユーザの興味選好、材料タイプ等の違いに適応することができず、推薦効果がよくないという問題、及び、それぞれのシーンに推薦モデルを個別にトレーニングすれば、ロバストなディープラーニングモデルを学習しにくいという問題に鑑みて、本開示の実施例では、異なるシーンのデータを融合して学習すると、より大きなトレーニングデータセットを構築し、モデル学習を支援することができ、かつ、異なるモデルの共通点を利用し、より全面的にユーザの興味を描くことができる、ということを考慮した。

これに基づいて、本開示の実施例では、マルチシーンのユーザ行為データを用いて、階層化モデル、即ち、少なくとも２つの次元の少なくとも２つのサブモデルを一回でトレーニングし、異なるシーンにおいて柔軟に配置することにより異なる重点のソートモデルを取得し、即ち、複数のサブモデルに基づいて柔軟に組み合わせることにより、各シーンに区別的に推薦することを実現し、例えば、シーンにマッチングするソートモデルを得ることができ、このようにして、各シーンに対してソートモデルを個別に構成する必要がない。また、複数のシーンのデータを使用し、ユーザをより全面的に描き、深い階層のユーザ特性を掘り下げることができ、推薦の効果を向上させることができる。

以下に本開示の実施例に提供されるコンテンツ推薦方法について詳細に説明する。

本開示の実施例に提供されるコンテンツ推薦方法は、電子機器に適用することができ、具体的には、電子機器は、サーバ、端末などを含むことができる。

本開示の実施例は、コンテンツ推薦方法を提供し、
推薦すべきシーンを決定することと、
少なくとも２つの次元に対して、少なくとも２つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び少なくとも２つの次元の特徴データに基づいて、トレーニングして得られた少なくとも２つの次元のサブモデルを含む少なくとも２つのサブモデルから、推薦すべきシーンに対応する目標サブモデルを選択することと、
各目標サブモデルの組み合わせを用いて、推薦すべきシーンに対してコンテンツ推薦を行うことと、を含んでもよい。

本開示の実施例において、推薦すべきシーンを決定した後、少なくとも２つの事前にトレーニングされたサブモデルから推薦すべきシーンに対応する目標サブモデルを選択し、それぞれの目標サブモデルの組み合わせを利用し、推薦すべきシーンに対してコンテンツ推薦を行うことができ、即ち、複数のサブモデルに基づいて組み合わせて該推薦すべきシーンに対して推薦を行うことができ、このように、各シーンに対して１つのソートモデルを構築する必要がなく、推薦過程を簡略化することができる。

同時に、それぞれのシーンが同じソートモデルを使用することで、それぞれのシーンにおけるユーザの興味選好、材料タイプ等の違いに適応することができず、推薦効果がよくないという問題を回避し、推薦効果を向上させることができる。

また、複数のシーンの行為情報を利用して特徴データを構築し、これらの特徴データに基づいてトレーニングして異なる次元のサブモデルを取得すれば、数量の多いトレーニングデータを利用してモデルトレーニングを行い、それぞれのシーンでの行為情報を十分に利用してモデルのトレーニングを行い、モデルの学習能力を向上させることができ、トレーニングにより得られたモデルの性能をよりよくし、さらにソート及び推薦性能をよりよくすることができる。

図１は、本開示の実施例に提供されるコンテンツ推薦方法のフローチャートである。図１に示す通り、本開示の実施例に提供されるコンテンツ推薦方法は、以下を含むことができる。

Ｓ１０１：推薦すべきシーンを決定する。

簡単に理解されるように、推薦すべきシーンは、どのようなシーンでのユーザにコンテンツを推薦するかを示すことができる。

１つの実現可能な方式においては、それぞれの推薦シーンのシーン情報を予め記憶することができ、現在の推薦があるシーンのシーン情報を取得した後、該シーン情報を既に記憶されたそれぞれの推薦シーン情報と比較し、該シーン情報とある推薦シーンのシーン情報とのマッチング程度が所定のマッチング程度閾値より大きい場合、現在の推薦すべきシーンが該シーン情報とのマッチング程度が所定のマッチング程度閾値より大きいシーン情報に対応する推薦シーンであると決定することができる。

推薦すべきシーンは、任意の推薦する必要があるシーンであってもよい。例えば、内部学習ビデオの推薦シーン、フォーラム投稿推薦シーン、同僚動的推薦シーンなどのオフィス分野における推薦シーンを含むことができる。

Ｓ１０２：少なくとも２つのサブモデルから、推薦すべきシーンに対応する目標サブモデルを選択する。

ここで、少なくとも２つのサブモデルは、少なくとも２つの次元のサブモデルを含む。

少なくとも２つの次元に対して、少なくとも２つの次元のサブモデルは、汎用特徴データ及び少なくとも２つの次元の特徴データに基づいてトレーニングして得られる。

簡単に理解されるように、各次元のサブモデルに対して、該次元のサブモデルは、汎用特徴データ及び該次元の特徴データに基づいてトレーニングして得られる。

汎用特徴データ及び少なくとも２つの次元の特徴データは、少なくとも２つのシーンの行為情報を含む行為情報に基づいて構築される。

行為情報は、複数のユーザの複数の材料に対する行為情報を表すことができる。

例えば、サブモデルは、サブモデル１と、サブモデル２と、サブモデル３と、サブモデル４とを含み、該推薦すべきシーンに対して、サブモデル１と、サブモデル２と、サブモデル３という目標サブモデルを選択して該推薦すべきシーンの目標サブモデルとする。

異なるサブモデルの重点は異なり、実際の応用における推薦すべきシーンと各サブモデルとの関連度に基づいて推薦すべきシーンの目標サブモデルを選択することができる。ここで、異なるシーンの推薦する必要があるデータのタイプ（ビデオ、画像、文字）が異なり、推薦する必要があるデータのテーマが異なり、ユーザが異なる選好を有するなど、推薦すべきシーンに推薦する必要があるデータのタイプ、推薦する必要があるデータのテーマ、ユーザの選好等に基づいて、推薦シーンと異なるサブモデルとの関連度を決定することができる。

１つの実現可能な方式において、本開示の実施例において事前にトレーニングして得られたサブモデルは、ソーシャルサブモデルと、スキルサブモデルと、興味サブモデルと、時効サブモデルとを含む。ここで、トレーニングしてソーシャルサブモデルと、スキルサブモデルと、興味サブモデルと、時効サブモデルとを取得する過程は、複数のシーンの行為情報を取得することと、行為情報に基づいて、行為情報におけるユーザ及び材料の識別情報を含む汎用特徴データ及び少なくとも２つの次元の特徴データを含む特徴データを構築することと、汎用特徴データ及びソーシャル特徴データに基づいてソーシャルサブモデルをトレーニングすることと、汎用特徴データ及びスキル特徴データに基づいてスキルサブモデルをトレーニングすることと、汎用特徴データ及び興味特徴データに基づいて興味サブモデルをトレーニングすることと、汎用特徴データ及び時効特性データに基づいて時効サブモデルをトレーニングすることと、を含んでもよい。

異なるシーンの推薦する必要があるデータのタイプ（ビデオ、画像、文字）が異なり、推薦する必要があるデータのテーマが異なり、ユーザが異なる選好を有する。例えば、内部学習ビデオの推薦シーンに対して、推薦する必要があるデータのテーマは、一般的に技術学習類データであり、該シーンでユーザの選好とユーザの職位との関連性が強い。フォーラム投稿推薦シーンに対して、推薦する必要があるデータのテーマは、一般的に生活、製品などの議論類データであり、該シーンでユーザの選好とユーザの生活興味との関連性が強い。同僚動的推薦シーンに対して、推薦する必要があるデータのタイプは、一般的に短いテキスト、画像、小さなビデオであり、推薦する必要があるデータのテーマは、一般的にユーザが自発的にシェアした生活仕事関連データであり、該シーンでユーザの選好とユーザのソーシャル関係との関連性が強い。

推薦すべきシーンの推薦する必要があるデータのタイプ、推薦する必要があるデータのテーマ、ユーザの選好等に基づいて、推薦シーンと異なるサブモデルとの関連度を決定することができ、さらに、推薦すべきシーンと異なるサブモデルとの関連度に基づいて、推薦すべきシーンの目標サブモデルを選択することができる。例えば、同僚動的シーンとソーシャル次元、興味次元及び時効次元との相関度が高いので、ソーシャル次元に対応するソーシャルサブモデル、興味次元に対応する興味サブモデル及び時効次元に対応する時効サブモデルを同僚動的シーンに対応する目標サブモデルとして選択することができる。例えば、学習ビデオ推薦シーンとソーシャル次元、スキル次元、興味次元及び時効次元との相関度がいずれも高いので、ソーシャル次元に対応するソーシャルサブモデル、スキル次元に対応するスキルサブモデル、興味次元に対応する興味サブモデル及び時効次元に対応する時効サブモデルを学習ビデオ推薦シーンに対応する目標サブモデルとして選択することができる。

Ｓ１０３：各目標サブモデルの組み合わせを利用し、推薦すべきシーンに対してコンテンツ推薦を行う。

全てのサブモデルを目標サブモデルとして選択し、全てのサブモデルに基づいて組み合わせ、かつ全てのサブモデルの組み合わせを利用して推薦を行ってもよく、又は、サブモデルにおける一部のサブモデルを目標サブモデルとして選択し、一部のサブモデルに基づいて組み合わせ、かつ一部のサブモデルの組み合わせを利用して推薦を行ってもよい。

例えば、それぞれの材料に対して、該材料を各目標サブモデルにそれぞれ入力し、次に、各目標サブモデルの出力に基づいてユーザの材料に対する行為を計算して予測し、例えば、各目標サブモデルがいずれも１つの予測スコアを出力することができ、全ての目標サブモデルの予測スコアに基づいて最終的に１つの予測スコアを算出し、ユーザの該材料に対するスコアとする。各材料の該スコアをソートし、ソート結果に基づいてコンテンツ推薦を行い、例えば、スコアが最も高い材料を選択してユーザに推薦する。

組み合わせを行う過程において、異なる目標サブモデルの比率が異なり、具体的には目標サブモデルの重みにより表示することができ、具体的には、各材料に対して、各目標サブモデルのモデル重みを結合して全ての目標サブモデルの予測スコアの重み付けスコアを計算することができ、例えば、各目標サブモデルが出力した予測スコアと該目標サブモデルのモデル重みとの積の和である。各材料の重み付けスコアをソートし、ソート結果に基づいて推薦を行い、例えば、重み付けスコアが最も高い材料をユーザに推薦する。

ここで、モデル重みは、目標サブモデルを選択した後に各目標サブモデルに対して対応するモデル重みを配置することができる。又は、目標サブモデルを選択する過程においてモデル重みを配置することができる。目標サブモデルのモデル重みは、推薦すべきシーンと目標サブモデルとの関連度の高さに基づいて決定することができ、例えば、推薦すべきシーンと目標サブモデルとの関連度が高いほど、該目標サブモデルのモデル重みが大きくなり、推薦すべきシーンと目標サブモデルとの関連度が低いほど、該目標サブモデルのモデル重みが小さくなる。

１つの選択可能な実施例において、本開示の実施例において各目標サブモデルの組み合わせを利用して該推薦すべきシーンに対応するソートモデルを取得し、次に、該ソートモデルを利用して該推薦すべきシーンに対してコンテンツ推薦を行う。簡単に理解されるように、目標サブモデルに基づいてまずソートモデルを構築し、次に該ソートモデルを利用して該推薦すべきシーンに対してコンテンツ推薦を行う。

例えば、同僚動的シーンについて、ソーシャル次元に対応するソーシャルサブモデル、興味次元に対応する興味サブモデル及び時効次元に対応する時効サブモデルを選択して組み合わせて同僚動的シーンの最終的なソートモデルを得て、該ソートモデルを利用して同僚動的シーンに対してコンテンツ推薦を行う。

例えば、学習ビデオ推薦シーンについて、ソーシャル次元に対応するソーシャルサブモデル、スキル次元に対応するスキルサブモデル、興味次元に対応する興味サブモデル及び時効次元に対応する時効サブモデルを選択して組み合わせて学習ビデオ推薦シーンの最終的なソートモデルを得て、該ソートモデルを利用して学習ビデオ推薦シーンに対してコンテンツ推薦を行う。

１つの実現可能な方式において、各ユーザに対して、ソートモデルを利用して該ユーザの複数の材料に対する行為に対してスコアを予測し、スコアがより高い材料を選択して該ユーザに推薦し、例えば最も高いスコアに対応する材料を選択して該ユーザに推薦することができる。

別の実現可能な方式において、目標サブモデルに異なるモデル重みを配置し、各目標サブモデル及び該目標サブモデルのモデル重みに基づいて推薦すべきシーンに対応するソートモデルを構築することができる。即ち、目標サブモデル及び目標サブモデルのモデル重みに基づいてソートモデルを構築し、ソートモデルを利用して推薦すべきシーンに対してコンテンツ推薦を行うことができる。

複数の材料に対して、該材料を推薦すべきシーンに対応する目標サブモデルにそれぞれ入力し、各サブモデルは、該材料に対する予測スコアをそれぞれ出力し、該予測スコアは、ユーザが材料に対して行為操作を行う可能性がある確率を表すことができ、該ソートモデルは、各目標サブモデルが出力した予測スコアの重み付けスコアを計算するために用いられる。

本開示の実施例において、複数のシーンの行為情報から特徴データを構築し、これらの特徴データに基づいて少なくとも２つのサブモデルを構築し、異なるシーンでサブモデルを選択して組み合わせて、ソートして推薦することができ、このように、各シーンに対して１つのソートモデルを構築する必要がなく、推薦過程を簡略化することができる。また、各シーンのデータをトレーニングデータとして使用し、各サブモデルをトレーニングすることにより、より全面的にユーザを描くことができ、このように、これらのサブモデルに基づいて推薦することにより推薦効果を向上させることができる。

１つの選択可能な実施例において、図２に示すように、本開示の実施例に提供されるユーザ推薦方法は、さらに以下を含むことができる。

Ｓ２０１：各サブモデルのモデル重みを受信する。

例えば、入力インタフェースを提供し、入力インタフェースにより入力された各サブモデルのモデル重みを受信することができる。

１つの実現可能な方式において、入力インタフェースには、各サブモデルに対応するモデル重み入力ボックスが含まれてもよく、コンテンツ提供側がバックグラウンドであり、例えば、バックグラウンド作業者は、入力ボックスにおいて該推薦すべきシーンでの各サブモデルのモデル重みを入力することができ、このように、電子機器は、入力インタフェースにより入力された各サブモデルのモデル重みを受信することができる。

異なるシーンの重点が異なると、異なるシーンと異なるサブモデルとの関連度が異なると理解することができ、シーンと異なるサブモデルとの関連度に基づいてサブモデルに対して対応するモデル重みを配置することができる。理解しやすくし、計算しやすくために、一般的に、モデル重みの範囲は（０、１）であり、かつ各サブモデルのモデル重みの和は１である。ここで、サブモデルの重みが０であれば、推薦すべきシーンが該サブモデルと関連しないことを示し、該推薦すべきシーンに対して、該サブモデルを該推薦すべきシーンの目標サブモデルとして選択しないと理解することができる。換言すれば、本開示の実施例において、サブモデル重みがゼロでないサブモデルを該推薦すべきシーンに対応する目標サブモデルとする。

Ｓ１０２は以下を含むことができる。

各サブモデルに対して、サブモデルのモデル重みがゼロでないことに応答し、サブモデルを目標サブモデルとする。

目標サブモデルを選択して取得した後、目標サブモデル及び目標サブモデルのモデル重みの組み合わせに基づいて、該推薦すべきシーンに対してコンテンツ推薦を行うことができる。

複数の材料に対して、該材料を各目標サブモデルにそれぞれ入力し、各目標サブモデルは該材料に対する予測スコアをそれぞれ出力し、該予測スコアはユーザが材料に対して行為操作を行う可能性がある確率を表すことができ、次に、各目標サブモデルと該目標サブモデルのモデル重みとの積を計算し、かつ各目標サブモデルに対応する積を加算することにより、各目標サブモデルが出力した予測スコアの重み付けスコアを取得し、各材料についてその対応する重み付けスコアをそれぞれ計算して得て、全ての材料の重み付きスコアをソートし、ソート結果に基づいて推薦を行うことができ、例えば重み付けスコアが最も高い材料を選択してユーザに推薦することができる。

１つの実現可能な方式において、目標サブモデル及び目標サブモデルのモデル重みに基づいて、ソートモデルを構築することができる。

入力インタフェースにより入力された各サブモデルのモデル重みを受信した後、まず各サブモデルのモデル重みがゼロであるか否かを判断し、モデル重みがゼロでないサブモデルを推薦すべきシーンの目標サブモデルとして選択し、次に、モデル重みに基づいて、各目標サブモデルを組み合わせて推薦すべきシーンに対応するソートモデルを得る。

このような場合、推薦すべきシーンに対して各サブモデルのモデル重みを柔軟に配置し、さらに推薦すべきシーンに対応する目標サブモデルを決定し、サブモデル及びモデル重みの組み合わせに基づいて推薦すべきシーンに対応するソートモデルを得て、各シーンに対して個別にソートモデルをトレーニングする必要がなく、モデルトレーニング及び推薦過程を簡略化することができる。且つ、目標サブモデル及び目標サブモデルのモデル重みの組み合わせに基づいて推薦すべきシーンにマッチングするソートモデルを得ることができ、それにより、該ソートモデルに基づいて推薦すれば、該推薦すべきシーンにより適合し、推薦効果を向上させることができる。

別の選択可能な実施例において、図３に示すように、本開示の実施例に提供されるコンテンツ推薦方法は、さらに以下を含むことができる。

Ｓ３０１：事前にトレーニングして得られた各サブモデルの汎用モデル重みを取得する。

ここで、各サブモデルの汎用モデル重みは、各サブモデル及びサブモデルをトレーニングする際に使用された全ての特徴データに基づき、トレーニングして得られることができ、具体的にトレーニングして汎用モデル重みを得る過程は、下記実施例において詳細に説明され、ここで説明を省略する。

Ｓ３０２：推薦すべきシーンに対して、事前にトレーニングして得られた各サブモデルの汎用モデル重みを調整し、推薦すべきシーンに対応する各目標サブモデルのモデル重みを取得する。

汎用モデル重みを基礎として調整することができ、各サブモデルの汎用モデル重みの大きさの比例関係に基づいて、各推薦すべきシーンと各サブモデルとの関連度を利用して汎用モデル重みを調整し、推薦すべきシーンに対応する各モデル重みを取得することができる。例えば、３つのサブモデルを含み、３つのサブモデルのそれぞれに対応する汎用モデル重みは０．１、０．３及び０．６であり、一つの推薦すべきシーンに対して、推薦すべきシーンにおける推薦する必要があるデータのタイプ、推薦する必要があるデータのテーマ、ユーザの選好等に基づいて、推薦シーンとサブモデル２との関連度が低いと決定すると、サブモデル２のモデル重みを低く調整することができ、例えば、０．２、０．２及び０．６に調整する。

このように、目標サブモデル及び目標サブモデルのモデル重みの組み合わせに基づいて、該推薦すべきシーンに対してコンテンツ推薦を行うことができる。

１つの実現可能な方式において、目標サブモデル及び目標サブモデルのモデル重みに基づいて、ソートモデルを構築することができる。

本開示の実施例において、事前にトレーニングして得られた各サブモデルの汎用モデル重みを参照して、推薦すべきシーンに対して、調整して、推薦すべきシーンに対応する各目標サブモデルのモデル重みを得ることができる。

本開示の実施例は、ソートモデルトレーニング方法を提供し、
少なくとも２つのシーンの行為情報を取得することと、
行為情報に基づいて、汎用特徴データと少なくとも２つの次元の特徴データを含む特徴データを構築することと、
少なくとも２つの次元に対して、汎用特徴データと少なくとも２つの次元の特徴データに基づいて、少なくとも２つの次元のサブモデルをトレーニングすることと、を含んでもよい。

本開示の実施例において、少なくとも２つのシーンの行為情報を利用して特徴データを構築し、かつこれらの特徴データに基づいてトレーニングして少なくとも２つの次元の少なくとも２つのサブモデルを取得することができ、トレーニングして汎用のサブモデルを得ることができ、このようにして、推薦する過程において、異なる推薦シーンに対してサブモデルを柔軟に選択して組み合わせて推薦を行うことができ、各推薦シーンに対してソートモデルをそれぞれトレーニングする必要がなく、ソート及び推薦過程を簡略化する。

また、選択べき各サブモデルは、複数のシーンの行為情報に基づいて構築された特徴データをトレーニングして得られ、数量の多いトレーニングデータを利用してモデルトレーニングを行い、各シーンでの行為情報を十分に利用してモデルのトレーニングを行い、モデルの学習能力を向上させ、トレーニングにより得られたモデルの性能をよりよくさせ、さらにソート及び推薦性能をよりよくさせることができる。同時に、各シーンが同じソートモデルを使用し、各シーンにおけるユーザの興味選好、材料タイプ等の違いに適応することができず、推薦効果がよくないという問題を回避し、推薦効果を向上させることができる。

図４は、本開示の実施例に提供されるソートモデルトレーニング方法のフローチャートである。図４を参照し、本開示の実施例に提供されるソートモデルトレーニング方法は、以下を含むことができる。

Ｓ４０１：少なくとも２つのシーンの行為情報を取得する。

ここで、行為情報は、ユーザの材料に対する行為情報を表す。

各シーンに対して、いずれも複数の行為情報を取得することができる。１つの行為情報が１つのユーザの１つの材料に対する行為情報を表すと理解することができ、複数の行為情報は、複数のユーザの複数の材料に対する行為情報を表すことができる。

少なくとも２つのシーンの行為情報は、トレーニングデータとして理解されてもよく、即ち、マルチシーン埋没点ログを使用してトレーニングデータの構築を行うことができる。

各シーンに対して、該シーンの行為ログを収集してもよく、該シーンでの行為情報を収集すると理解してもよい。

少なくとも２つのシーンの行為情報は、各シーンに対する、該シーンでのユーザのｉｄ（識別子）、材料のｉｄ、画像、材料の特徴、対応するシーンｉｄ、行為の時間、及び、クリック、いいね、コメント、お気に入りなどの具体的な行為を含むことができる。

Ｓ４０２：行為情報に基づいて特徴データを構築する。

特徴データは、汎用特徴データ及び少なくとも２つの次元の特徴データを含む。

ここで、汎用特徴データは、行為情報におけるユーザ及び材料の識別情報を含む。

各行為情報に対して、該行為情報は、汎用特徴データ及び少なくとも２つの次元の特徴データを含むと理解することができ、ここで、異なる方面から次元の分割を行うことができる。例えば、次元は、ユーザの次元及び材料の次元を含んでもよく、又は、ソーシャル次元、スキル次元、時効次元、興味次元等を含んでもよい。

行為情報に基づいて特徴データを構築し、具体的には、各行為情報に対して、汎用方面及び少なくとも２つの次元から、該行為情報における該次元での特徴データを抽出することができる。各行為情報に対して、該行為情報を汎用特徴データ及び少なくとも２つの次元を含む特徴データに分割すると理解してもよい。

汎用特徴データは、複数の行為情報から抽出された汎用特徴データを含み、少なくとも２つの次元の特徴データも複数の行為情報からそれぞれ抽出された該次元での特徴データを含む。

Ｓ４０３：少なくとも２つの次元に対して、汎用特徴データ及び少なくとも２つの次元の特徴データに基づいて少なくとも２つの次元のサブモデルをトレーニングする。

各次元に対して、汎用特徴データ及び該次元の特徴データに基づいて該次元のサブモデルをトレーニングすることができ、このようにして、少なくとも２つの次元における各次元のサブモデルをトレーニングして得ることができる。

サブモデルは、ユーザの材料に対する行為を予測するために用いられてもよい。例えば、サブモデルは、ユーザの材料に対する行為の予測スコアを出力することができる。

例えば、次元一、次元二及び次元三を含む場合、次元一に対して、汎用特徴データ及び次元一の特徴データに基づいて次元一のサブモデルをトレーニングし、即ち、汎用特徴データ及び複数の行為情報からそれぞれ抽出された次元一での特徴データに基づいて、次元一のサブモデルをトレーニングし、該サブモデルは、次元一サブモデルと呼ばれる。次元二に対して、汎用特徴データ及び次元二の特徴データに基づいて次元二のサブモデルをトレーニングし、即ち、汎用特徴データ及び複数の行為情報からそれぞれ抽出された次元二での特徴データに基づいて、次元二のサブモデルをトレーニングし、該サブモデルは、次元二サブモデルと呼ばれる。次元三に対して、汎用特徴データ及び次元三の特徴データに基づいて次元三のサブモデルをトレーニングし、即ち、汎用特徴データ及び複数の行為情報からそれぞれ抽出された次元三での特徴データに基づいて、次元三のサブモデルをトレーニングし、該サブモデルは、次元三サブモデルと呼ばれる。このようにして、３つの次元のそれぞれに対応するサブモデルである次元一サブモデル、次元二サブモデル及び次元三サブモデルをトレーニングして得ることができる。

このように、推薦過程において、推薦すべきシーンを決定した後、少なくとも２つのサブモデルから推薦すべきシーンに対応する目標サブモデルを選択し、例えば次元一サブモデル、次元二サブモデル及び次元三サブモデルから推薦すべきシーンに対応する目標サブモデルを選択し、かつ目標サブモデルに基づいて推薦すべきシーンに対応するソートモデルを構築し、かつソートモデルを利用して推薦すべきシーンに対してコンテンツ推薦を行うことができる。具体的には、少なくとも２つのサブモデルから目標サブモデルを選択して推薦すべきシーンに対応するソートモデルを構築し、推薦を行う過程については、上記実施例において既に詳述されており、ここでは説明を省略する。

サブモデルは、ディープラーニングモデルであってもよく、本開示の実施例は、サブモデルの構成等を限定しない。１つの実現可能な方式において、サブモデルはｗｉｄｅ＆ｄｅｅｐモデルであって、単層のｗｉｄｅ部分と複数層のｄｅｅｐ部分により構成された混合モデルであってもよい。ここで、ｗｉｄｅ部分の主な役割は、モデルに強い「記憶能力」を持たせることであり、ｄｅｅｐ部分の主な役割は、モデルに「汎化能力」を持たせることであり、このような構成特徴であるこそ、モデルにロジスティック回帰及びディープニューラルネットワークの利点を兼備させる。本開示の実施例におけるサブモデルは、このような構成を採用することで、サブモデルにロジスティック回帰及びディープニューラルネットワークを兼備させることができる。

１つの実現可能な方式において、特徴データをマークすることができ、例えば、各次元の特徴データに対して、該次元の特徴データに対するユーザ行為をマークし、マークされた該次元に対する特徴データのユーザ行為を真値として理解する。

具体的には、ある次元に対して、まず、１つのディープラーニングを初期モデルとして選択し、汎用特徴データと該次元の特徴データ及び対応する真値を該初期モデルに入力し、モデルパラメータを調整することにより、初期モデルの出力と該真値との間の差異を所定の差異値より小さくさせ、該次元での複数の特徴データに対して上記したモデルパラメータを調整する過程をそれぞれ実行し、該次元での１つの特徴データに対して上記したモデルパラメータを調整する過程は、一回の反復であると理解することができ、反復回数が所定の回数に達すると、具体的には所定の回数が実際の需要又は経験等に基づいて決定され、例えば１０００回、２０００回等であり、又は、モデルの出力と真値との間の差異が収束し、複数回の反復によってモデルの出力と真値との間の差異が変化しなくなると、トレーニング過程を終了し、トレーニングされた該次元でのサブモデルを取得する。

ここでのある次元でのサブモデルに対するトレーニング過程は例示的な説明であり、本開示の実施例において任意の実現可能なモデルのトレーニング過程を採用することができ、本開示の実施例は具体的なトレーニング方式を限定しない。各次元に対応するサブモデルのトレーニング過程はいずれも上記モデルトレーニング過程を参照することができ、又は、異なる次元で対応するサブモデルをトレーニングするトレーニング過程は、異なるトレーニング方式を採用してもよい。

このように、複数のシーンでの行為情報に基づいてトレーニングして異なる次元のサブモデルを取得することができ、各サブモデルのトレーニング過程において複数のシーンでの行為情報を考慮しており、モデルトレーニング過程において依存するトレーニングデータをより豊富にし、モデルの学習能力を向上させ、トレーニングして得られたモデルの性能を向上させる。且つ、複数のシーンでの行為情報を総合的に考慮しており、ユーザをより豊富に描くことができ、複数のシーンでの行為情報の間の共通点と関連性を考慮しており、モデルをより正確的にトレーニングすることができ、さらに、これらのサブモデルに基づいて推薦する時の推薦効果を向上させることができる。

オフィス分野において、各推薦シーンの間に差異があり、異なるシーンの推薦する必要があるデータのタイプ（ビデオ、画像、文字）が異なり、推薦する必要があるデータのテーマが異なり、ユーザが異なる選好を有するなど。例えば、内部学習ビデオの推薦シーンに対して、推薦する必要があるデータのテーマは、一般的に技術学習類のデータであり、該シーンでのユーザの選好とユーザの職位との関連性が強い。フォーラム投稿推薦シーンに対して、推薦する必要があるデータのテーマは、一般的に生活、製品などの議論類データであり、該シーンでのユーザの選好とユーザの生活の興味との関連性が強い。同僚動的推薦シーンに対して、推薦する必要があるデータのタイプは、一般的に短いテキスト、画像、小さなビデオであり、推薦する必要があるデータのテーマは、一般的にユーザが自発的にシェアした生活仕事関連データであり、該シーンでのユーザの選好とユーザのソーシャル関係との関連性が強い。同時に、各推薦シーンにも関連性があり、例えば、各推薦シーンのユーザの集合は一致し、いずれも社内スタッフであり、且つ、異なる推薦シーンの興味には共通集合及び深層関連性がある。これに基づいて、１つの選択可能な実施例において、本開示の実施例に提供されるソートモデルトレーニング方法は、オフィス分野に適用することができ、シーンは、オフィス分野における内部学習ビデオの推薦シーン、フォーラム投稿推薦シーン、同僚動的推薦シーンなどを含むことができる。

本開示の実施例において複数のシーンの行為情報を取得することは、内部学習ビデオの推薦シーン、フォーラム投稿推薦シーン、同僚動的推薦シーンなどの行為情報を取得し、且つ、これらのシーンでの行為情報に基づいてサブモデルをトレーニングすることを含むことができる。

Ｓ４０２は以下を含むことができる。

それぞれの行為情報に対して、行為情報中の識別情報を抽出し、行為情報に対応する汎用特徴データとする。少なくとも２つの次元のそれぞれから行為情報における少なくとも２つの次元と一対一に対応する特徴データを抽出する。

ここで、少なくとも２つの次元は、ソーシャル次元と、スキル次元と、興味次元と、時効次元との少なくとも２つを含む。

具体的には、各行為情報に対して、行為情報におけるユーザ識別情報、材料識別情報、材料作者識別情報及びシーン識別情報を抽出し、かつ行為情報におけるユーザ識別情報、材料識別情報、材料作者識別情報及びシーン識別情報を、行為情報に対応する汎用特徴データとすることができる。

例えば、汎用特徴は、ユーザの唯一の識別子、材料の唯一の識別子、材料の作者の唯一の識別子、シーンｉｄである。

ソーシャル特徴は、同じ部門のユーザの集合、親密なユーザの集合、及びユーザの材料に対する（投稿、いいね、コメント）行為により算出され、同じ部門のユーザの重みは１であり、親密なユーザの重みは親密度（０～１）であり、親密なユーザのデータはチャットデータなどから掘り下げることができ、最終的な特徴は、材料投稿者の重みと、いいねを行なった人の数、重みの和と、コメント者の数、重みの和となどである。

スキル特徴は、役職情報、部門スキルラベル、個人スキルラベル、材料部門ラベル、材料スキルラベルである。

興味特徴は、ユーザ興味ラベル、材料興味ラベルであり、ラベルは、複数の方面の記述ラベル、例えば粗粒度ラベル、細粒度ラベル等に分けられる。

時効特徴は、行為時間、材料投稿時間、材料がコメント及び／又はいいねとされた時間である。

Ｓ４０３は、以下を含むことができる。

ソーシャル次元に対して、汎用特徴データ及びソーシャル特徴データに基づいてソーシャルサブモデルをトレーニングする。

スキル次元に対して、汎用特徴データ及びスキル特徴データに基づいてスキルサブモデルをトレーニングする。

興味次元に対して、汎用特徴データ及び興味特徴データに基づいて興味サブモデルをトレーニングする。

時効次元に対して、汎用特徴データ及び時効特徴データに基づいて時効サブモデルをトレーニングする。

具体的に各次元に対してトレーニングを行って該次元に対応するサブモデルを得る過程は、上記実施例において既に詳述されており、ソーシャル次元に対してソーシャルサブモデルをトレーニングする過程、スキル次元に対してスキルサブモデルをトレーニングする過程、興味次元に対して興味サブモデルをトレーニングする過程、及び時効次元に対して時効サブモデルをトレーニングする過程においては、上記の各次元に対してトレーニングして該次元に対応するサブモデルを得る過程を参照することができ、ここでは説明を省略する。

ソーシャル次元に対して、汎用特徴データ及びソーシャル特徴データに基づいてソーシャルサブモデルをトレーニングするには、次元を具体的にソーシャル次元とし、トレーニング過程に使用する次元に対応する特徴データを、具体的にソーシャル特徴データとし、かつ汎用特徴データ及びソーシャル特徴データに基づいてトレーニングして、ソーシャルサブモデルを取得することができる。

スキル次元に対して、汎用特徴データ及びスキル特徴データに基づいてスキルサブモデルをトレーニングするには、次元を具体的にスキル次元とし、トレーニング過程に使用する次元に対応する特徴データを、具体的にスキル特徴データとし、かつ汎用特徴データ及びスキル特徴データに基づいてトレーニングして、スキルサブモデルを取得することができる。

興味次元に対して、汎用特徴データ及び興味特徴データに基づいて興味サブモデルをトレーニングするには、次元を具体的に興味次元とし、トレーニング過程に使用する次元に対応する特徴データを、具体的に興味特徴データとし、かつ汎用特徴データ及び興味特徴データに基づいてトレーニングして、興味サブモデルを取得することができる。

時効次元に対して、汎用特徴データ及び時効特徴データに基づいて時効サブモデルをトレーニングするには、次元を具体的に時効次元とし、トレーニング過程に使用する次元に対応する特徴データを、具体的に時効特徴データとし、かつ汎用特徴データ及び時効特徴データに基づいてトレーニングして、時効サブモデルを得ることができる。

複数の材料から材料を選択してコンテンツの推薦を行なうことができ、材料は、ユーザに推薦するコンテンツとして理解することができる。例えば、ビデオ、文字、オーディオ等であってもよい。

１つの材料に対して、該材料の材料識別情報は、該材料と他の材料を区別するために用いられる。材料作者識別情報は、材料を作成し、アップロードするユーザの情報であってもよい。

ソーシャル次元、スキル次元、興味次元及び時効次元のそれぞれから、行為情報における、ソーシャル次元に対応するソーシャル特徴データ、スキル次元に対応するスキル特徴データ、興味次元に対応する興味特徴データ及び時効次元に対応する時効特徴データを抽出する。

ソーシャル次元は、ユーザのソーシャル属性から考えられた次元である。例えば、該ユーザと頻繁に会話するユーザの行為、該ユーザと同じ部門のユーザの行為などの情報の次元を考慮する。

汎用特徴データ及びソーシャル特徴データに基づいてトレーニングして得られたソーシャルサブモデルは、ソーシャル次元に対応するソーシャルサブモデルであり、ソーシャル属性からユーザの材料に対する行為を予測することを重点とすると理解してもよく、ソーシャル特徴データを利用してユーザにコンテンツを推薦することを重点とすると理解してもよい。

スキル次元とは、ユーザのスキル情報を考慮する次元、例えば、ユーザのスキル、ビデオ生成部門に係るビデオ処理のスキルなどのユーザの所在部門のスキル等の情報を考慮する次元である。

汎用特徴データ及びスキル特徴データに基づいてトレーニングして得られたスキルサブモデルは、スキル次元に対応するスキルサブモデルであり、スキル情報の次元からユーザの材料に対する行為を予測することを重点とすると理解してもよく、スキル特徴データを利用してユーザにコンテンツを推薦することを重点とすると理解してもよい。

時効次元とは、ユーザの行為時間、材料の投稿時間、いいね及び／又はコメントされる時間などの材料関連時間等の情報を考慮する次元である。

汎用特徴データ及び時効特徴データに基づいてトレーニングして得られたスキルサブモデルは、時効次元に対応する時効サブモデルであり、時間の次元からユーザの材料に対する行為を予測することを重点とすると理解してもよく、時効特徴データを利用してユーザにコンテンツを推薦することを重点とすると理解してもよい。

興味次元とは、例えば、ユーザが頻繁にクリックする材料などのユーザの興味を考慮する次元である。

汎用特徴データ及び興味特徴データに基づいてトレーニングして得られた興味サブモデルは、興味次元に対応する興味サブモデルであり、興味のある方面からユーザの材料に対する行為を予測することを重点とすると理解してもよく、興味特徴データを利用してユーザにコンテンツを推薦することを重点とすると理解してもよい。

図５に示すように、複数のシーンの行為情報により構築されたユーザ及び材料の特徴は、ソーシャル特徴と、スキル特徴と、興味特徴と、時効特徴と、汎用特徴とを含み、ソーシャル特徴及び汎用特徴に基づいてトレーニングしてソーシャルサブモデルを取得し、スキル特徴及び汎用特徴に基づいてトレーニングしてスキルサブモデルを取得し、興味特徴及び汎用特徴に基づいてトレーニングして興味サブモデルを取得し、時効特徴及び汎用特徴に基づいてトレーニングして時効サブモデルを取得する。

オフィス分野における複数の推薦シーンの異なり及び関連性を利用して、トレーニングしてオフィス分野に適用されるサブモデルであるソーシャルサブモデル、スキルサブモデル、興味サブモデル及び時効サブモデルを取得することができ、オフィス分野における推薦シーンに対して、各推薦シーンに対して、サブモデルを柔軟に選択して組み合わせることができ、これにより、オフィス分野における推薦シーンに対してよりマッチングする推薦を行い、推薦効果を向上させ、かつ各推薦シーンに対していずれも１つのソートモデルをトレーニングすることを回避し、トレーニング過程を簡略化し、さらに推薦過程を簡略化することができる。また、各サブモデルのトレーニング過程においていずれもオフィス分野における複数のシーンでの行為情報を考慮しており、モデルトレーニング過程において依存するトレーニングデータをより豊富にさせ、モデルの学習能力を向上させ、トレーニングして得られたモデルの性能を向上させる。且つ、複数のシーンでの行為情報を総合的に考慮しており、ユーザをより豊富に描くことができ、複数のシーンでの行為情報の間の共通点と関連性を考慮しており、モデルをより正確的にトレーニングすることができ、さらにこれらのサブモデルに基づいて推薦する時の推薦効果を向上させることができる。

具体的な推薦過程においては、各サブモデルの全部又は部分の組み合わせに基づいて推薦を行うことができる。

簡単に理解されるように、各サブモデルは低階層モデルとして理解することができ、さらに高階層モデルをトレーニングすることができる。本開示の実施例におけるソートモデルは階層化モデルとして理解することができる。ここで、高階層モデルをトレーニングする過程は、各サブモデルに一組の汎用モデル重みをトレーニングし、各サブモデル及び各サブモデルにそれぞれ対応するモデル重みにより該高階層モデルを構成することであると理解することができる。

図５に示すように、ソーシャルサブモデル、スキルサブモデル、興味サブモデル及び時効サブモデルを利用して重み付けスコアを計算することができる。例えば、各材料に対して、該材料をソーシャルサブモデル、スキルサブモデル、興味サブモデル及び時効サブモデルにそれぞれ入力し、ソーシャルサブモデル、スキルサブモデル、興味サブモデル及び時効サブモデルはそれぞれ１つの予測スコアを出力することができ、次に、ソーシャルサブモデル、スキルサブモデル、興味サブモデル及び時効サブモデルに基づいて最終的に１つの予測スコアをユーザの該材料に対するスコアとして算出することができる。各材料の該スコアをソートし、ソート結果に基づいてコンテンツ推薦を行い、例えば、スコアが最も高い材料を選択してユーザに推薦する。

１つの選択可能な実施例において、本開示の実施例に提供されるソートモデルのトレーニング方法は、さらに以下を含むことができる。

少なくとも２つの次元のサブモデル及び汎用特徴データ、少なくとも２つの次元の特徴データに基づいて、各サブモデルの汎用モデル重みをトレーニングする。

具体的には、トレーニングして各サブモデルを取得した後、各次元のサブモデル及び汎用特徴データ、各次元の特徴データに基づいて、各サブモデルの汎用モデル重みをトレーニングする。

各サブモデルの汎用モデル重み及び各サブモデルは、共に高階層のソートモデルを構成する。高階層モデルについて、該高階層ソートモデルは、全てのサブモデルスコアを重み付ける総モデルであると理解することができる。

１つの実現可能な方式において、各サブモデルのモデル重みをそれぞれ該サブモデルのモデルパラメータとして理解することができる。

汎用モデル重みをトレーニングする過程は、モデルパラメータを調整する過程と類似する。

具体的には、各特徴データに対して、特徴データを各次元のサブモデルにそれぞれ入力し、各サブモデルの汎用モデル重みを調整し、所定の反復条件に達すると、トレーニングされた各サブモデルの汎用モデル重みを取得することができる。

汎用モデル重みをトレーニングする過程において汎用特徴データ及び各次元の特徴データを統合しており、これらのデータの全ては汎用モデル重みをトレーニングするためのトレーニングデータを構成する。

例えば、各特徴データ（汎用特徴データ及び各次元の特徴データを含む）に対して、該特徴データを各サブモデルにそれぞれ入力し、各サブモデルのモデル重みを調整することにより、特徴データの材料真値に対応する最終的な各サブモデルの重み付けスコアを最も高くする。

このように、各サブモデルの汎用モデル重みを含む一組のモデル重みをトレーニングして得ることができ、この組のモデル重みを記憶することができ、推薦過程において、この組のモデル重みを取得することができ、且つ、異なるシーンに対して、この組のモデル重みに基づいて調整し、異なるシーンに対応するモデル重みを取得し、さらに各サブモデル及びモデル重みに基づいて該シーンに対する推薦を行う。

本開示の実施例は、オフィス分野で複数のシーンソートモデルをサポートする構築方式を提供することができ、オフィス分野の推薦シーンで、トレーニングして統合されたサブモデルを取得することができ、低階層化モデルとして理解することができ、次に各推薦シーンに対して、重点が異なりかつ推薦シーンにマッチングするソートモデルを柔軟に配置して推薦する。具体的には、一回に複数のシーンソートモデルに対してトレーニングデータを構築し、かつディープラーニングモデルを利用して統一階層化ソートモデルを構築し、複数のシーンにおいて下層モデルを柔軟に配置することにより異なるシーン、異なる特徴に適応する高階層ソートモデルを構築して推薦する。

本開示の実施例は、コンテンツ推薦装置をさらに提供し、図６に示すように、
推薦すべきシーンを決定するための決定モジュール６０１と、
少なくとも２つの次元に対して、少なくとも２つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び少なくとも２つの次元の特徴データに基づいて、トレーニングして得られた少なくとも２つの次元のサブモデルを含む少なくとも２つのサブモデルから、推薦すべきシーンに対応する目標サブモデルを選択するための選択モジュール６０２と、
各目標サブモデルの組み合わせを用いて、推薦すべきシーンに対してコンテンツ推薦を行うための推薦モジュール６０３と、を含むことができる。

好ましくは、図７に示すように、該コンテンツ推薦装置は、
各サブモデルのモデル重みを受信するための受信モジュール７０１をさらに含み、
選択モジュール６０２は、具体的に、各サブモデルに対して、サブモデルのモデル重みがゼロでないことに応答し、サブモデルを目標サブモデルとするために用いられ、
推薦モジュール６０３は、具体的に、目標サブモデル及び目標サブモデルのモデル重みの組み合わせに基づいて、推薦すべきシーンに対してコンテンツ推薦を行うために用いられる。

好ましくは、図８に示すように、該コンテンツ推薦装置は、
事前にトレーニングして得られた各サブモデルの汎用モデル重みを取得するための取得モジュール８０１と、
推薦すべきシーンに対して、事前にトレーニングして得られた各サブモデルの汎用モデル重みを調整し、推薦すべきシーンに対応する各目標サブモデルのモデル重みを取得するための調整モジュール８０２と、をさらに含み、
推薦モジュール６０３は、具体的に、目標サブモデル及び目標サブモデルのモデル重みの組み合わせに基づいて、推薦すべきシーンに対してコンテンツ推薦を行うために用いられる。

本開示の実施例は、ソートモデルトレーニング装置をさらに提供し、図９に示すように、
少なくとも２つのシーンの行為情報を取得するための取得モジュール９０１と、
行為情報に基づいて、汎用特徴データと少なくとも２つの次元の特徴データを含む特徴データを構築するための特徴構築モジュール９０２と、
少なくとも２つの次元に対して、汎用特徴データと少なくとも２つの次元の特徴データに基づいて、少なくとも２つの次元のサブモデルをトレーニングするためのサブモデルトレーニングモジュール９０３と、を含んでもよい。

好ましくは、特徴構築モジュール９０２は、具体的に、各行為情報に対して、行為情報中の識別情報を抽出し、行為情報に対応する汎用特徴データとし、ソーシャル次元と、スキル次元と、興味次元と、時効次元との少なくとも２つを含む少なくとも２つの次元から行為情報における少なくとも２つの次元と一対一に対応する特徴データを抽出するために用いられる。

好ましくは、図１０に示すように、該ソートモデルトレーニング装置は、
少なくとも２つの次元のサブモデル及び汎用特徴データ、少なくとも２つの次元の特徴データに基づいて、各サブモデルの汎用モデル重みをトレーニングするためのモデル重みトレーニングモジュール１００１をさらに含む。

本開示の発明において、係るユーザ個人情報の収集、記憶、使用、加工、伝送、提供及び開示等の処理は、いずれも相関法規則の規定に適合し、且つ公序良俗に反するものではない。

本開示の実施例によれば、本開示は、電子機器、可読記憶媒体及びコンピュータプログラムをさらに提供する。

図１１には、本開示の実施例を実施するために用いられる電子機器１１００の模式的ブロック図を示している。電子機器は、様々な形式のデジタルコンピュータを示すことを目的とし、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、大型コンピュータ及び他の適切なコンピュータである。電子機器は、さらに様々な形式の移動装置を示してもよく、例えば、個人デジタルアシスタント、携帯電話、スマートフォン、ウェアラブル機器及び他の類似の演算装置である。本明細書に示された部品、それらの接続及び関係、及びそれらの機能は、例示に過ぎず、本明細書に記載された及び／または要求された本開示の実現を限定すると意味しない。

図１１に示すように、機器１１００は、演算ユニット１１０１を含み、演算ユニット１１０１は、リードオンリーメモリ（ＲＯＭ）１１０２に記憶されたコンピュータプログラムまたは記憶ユニット１１０８からランダムアクセスメモリ（ＲＡＭ）１１０３にロードされたコンピュータプログラムに基づいて、様々な適切な動作及び処理を実行してもよい。ＲＡＭ１１０３には、電子機器１１００の操作に必要な様々なプログラム及びデータをさらに記憶してもよい。演算ユニット１１０１と、ＲＯＭ１１０２と、ＲＡＭ１１０３とは、バス１１０４を介して相互に接続される。入出力（Ｉ／Ｏ）インタフェース１１０５も、バス１１０４に接続される。

機器１１００における、例えばキーボード、マウス等の入力ユニット１１０６と、例えば様々な種類のディスプレイ、スピーカ等の出力ユニット１１０７と、例えば磁気ディスク、光ディスク等の記憶ユニット１１０８と、例えばネットワークカード、モデム、無線通信トランシーバ等の通信ユニット１１０９とを含む複数の部品は、Ｉ／Ｏインタフェース１１０５に接続される。通信ユニット１１０９は、電子機器１１００がインターネット等のコンピュータネットワーク及び／または各種の電気通信ネットワークを介して他の機器と情報・データをやり取りすることを可能にする。

演算ユニット１１０１は、処理及び演算能力を有する各種の汎用及び／または専用の処理モジュールであってもよい。演算ユニット１１０１の幾つかの例としては、中央処理装置（ＣＰＵ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、各種専用の人工知能（ＡＩ）演算チップ、機械学習モデルアルゴリズムをランニングする各種演算ユニット、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、並びに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等が挙げられるが、これらに限定されない。演算ユニット１１０１は、例えばコンテンツ推薦方法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、コンテンツ推薦方法は、例えば記憶ユニット１１０８のような機械可読媒体に有形的に含まれるコンピュータソフトウェアプログラムとして実現されてもよい。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または全部は、ＲＯＭ１１０２及び／又は通信ユニット１１０９を介して電子機器１１００にロード及び／またはインストールされてもよい。コンピュータプログラムがＲＡＭ１１０３にロードされて演算ユニット１１０１により実行される場合、上記に記載のコンテンツ推薦方法の１つまたは複数のステップを実行してもよい。代替的に、他の実施例において、演算ユニット１１０１は、他の任意の適切な方式（例えば、ファームウェアを介する）によりコンテンツ推薦方法を実行するように構成されてもよい。

図１２には、本開示の実施例を実施するために用いられる電子機器１２００の模式的ブロック図を示している。電子機器は、様々な形式のデジタルコンピュータを示すことを目的とし、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、大型コンピュータ及び他の適切なコンピュータである。電子機器は、さらに様々な形式の移動装置を示してもよく、例えば、個人デジタルアシスタント、携帯電話、スマートフォン、ウェアラブル機器及び他の類似の演算装置である。本明細書に示された部品、それらの接続及び関係、及びそれらの機能は、例示に過ぎず、本明細書に記載された及び／または要求された本開示の実現を限定すると意味しない。

図１２に示すように、機器１２００は、演算ユニット１２０１を含み、演算ユニット１２０１は、リードオンリーメモリ（ＲＯＭ）１２０２に記憶されたコンピュータプログラムまたは記憶ユニット１２０８からランダムアクセスメモリ（ＲＡＭ）１２０３にロードされたコンピュータプログラムに基づいて、様々な適切な動作及び処理を実行してもよい。ＲＡＭ１２０３には、電子機器１２００の操作に必要な様々なプログラム及びデータをさらに記憶してもよい。演算ユニット１２０１と、ＲＯＭ１２０２と、ＲＡＭ１２０３とは、バス１２０４を介して相互に接続される。入出力（Ｉ／Ｏ）インタフェース１２０５も、バス１２０４に接続される。

機器１２００における、例えばキーボード、マウス等の入力ユニット１２０６と、例えば様々な種類のディスプレイ、スピーカ等の出力ユニット１２０７と、例えば磁気ディスク、光ディスク等の記憶ユニット１２０８と、例えばネットワークカード、モデム、無線通信トランシーバ等の通信ユニット１２０９とを含む複数の部品は、Ｉ／Ｏインタフェース１２０５に接続される。通信ユニット１２０９は、電子機器１２００がインターネット等のコンピュータネットワーク及び／または各種の電気通信ネットワークを介して他の機器と情報・データをやり取りすることを可能にする。

演算ユニット１２０１は、処理及び演算能力を有する各種の汎用及び／または専用の処理モジュールであってもよい。演算ユニット１２０１の幾つかの例としては、中央処理装置（ＣＰＵ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、各種専用の人工知能（ＡＩ）演算チップ、機械学習モデルアルゴリズムをランニングする各種演算ユニット、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、並びに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等が挙げられるが、これらに限定されない。演算ユニット１２０１は、例えばソートモデルトレーニング方法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、ソートモデルトレーニング方法は、例えば記憶ユニット１２０８のような機械可読媒体に有形的に含まれるコンピュータソフトウェアプログラムとして実現されてもよい。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または全部は、ＲＯＭ１２０２及び／又は通信ユニット１２０９を介して機器１２００にロード及び／またはインストールされてもよい。コンピュータプログラムがＲＡＭ１２０３にロードされて演算ユニット１２０１により実行される場合、上記に記載のソートモデルトレーニング方法の１つまたは複数のステップを実行してもよい。代替的に、他の実施例において、演算ユニット１２０１は、他の任意の適切な方式（例えば、ファームウェアを介する）によりソートモデルトレーニング方法を実行するように構成されてもよい。

本明細書で説明されたシステム及び技術の様々な実施形態は、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）、コンプレックスプログラムマブルロジックデバイス （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、及び／又はそれらの組み合わせにおいて実現されてもよい。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において実施され、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つのプログラムマブルプロセッサを含むプログラムマブルシステムで実行され及び／または解釈されることが可能であり、当該プログラムマブルプロセッサは、専用または汎用のプログラムマブルプロセッサであってもよく、記憶システム、少なくとも１つの入力装置、及び少なくとも１つの出力装置からデータ及び命令を受信し、且つデータ及び命令を当該記憶システム、当該少なくとも１つの入力装置、及び当該少なくとも１つの出力装置に伝送することができることを含んでもよい。

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み合わせで作成されてもよい。これらのプログラムコードは、汎用コンピュータ、専用コンピュータまたは他のプログラマブルデータ処理装置のプロセッサまたはコントローラに提供されてもよく、それによって、プログラムコードがプロセッサまたはコントローラにより実行される時に、フローチャート及び／またはブロック図に規定された機能・操作が実施される。プログラムコードは、機器に完全に実行されてもよく、部分的に機器で実行されてもよく、独立したソフトウェアパッケージとして部分的に機器で実行され、かつ部分的に遠隔機器で実行されるかまたは完全に遠隔機器またはサーバで実行されてもよい。

本開示のコンテキストにおいて、機械可読媒体は、有形の媒体であってもよく、命令実行システム、装置または電子機器に使用され、または命令実行システム、装置または電子機器と組み合わせて使用されるプログラムを含んでまたは記憶してもよい。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ってもよい。機械可読媒体は、電子の、磁気的、光学的、電磁的、赤外線の、または半導体システム、装置または電子機器、または上記内容の任意の適切な組み合わせを含んでもよいが、そ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としては、１つ以上の線による電気的接続、携帯式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）、読み出し専用メモリ（ＲＯＭ）、消去可能なプログラマブルリードオンリーメモリ（ＥＰＲＯＭまた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ーメモリ（ＣＤ－ＲＯＭ）、光学記憶装置、磁気記憶装置、または上記内容の任意の適切な組み合わせを含む。

ユーザとの対話を提供するために、コンピュータにここで説明されたシステム及び技術を実施させてもよく、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（例えば、ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニタ）と、キーボード及びポインティングデバイス（例えば、マウスまたはトラックボール）とを備え、ユーザは、当該キーボード及び当該ポインティングデバイスを介して入力をコンピュータに提供することができる。他の種類の装置は、さらにユーザとの対話を提供してもよく、例えば、ユーザに提供されたフィードバックは、いかなる形式のセンシングフィードバック（例えば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック）であってもよく、且ついかなる形式（音声入力、語音入力、または、触覚入力を含む）でユーザからの入力を受信してもよい。

ここで説明されたシステム及び技術は、バックグラウンド部品を含むコンピューティングシステム（例えば、データサーバとする）、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、グラフィカルユーザインタ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、ユーザが該グラフィカルユーザインタフェースまたは該ネットワークブラウザを介してここで説明されたシステム及び技術の実施形態と対話することができる）、またはこのようなバックグラウンド部品、ミドルウェア部品、またはフロントエンド部品のいずれかの組み合わせを含むコンピューティングシステムに実施されることが可能である。任意の形式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）により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としては、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）及びインターネットを例示的に含む。

コンピュータシステムは、クライアント及びサーバを含んでもよい。クライアントとサーバ同士は、一般的に離れており、通常、通信ネットワークを介して対話する。クライアントとサーバとの関係は、該当するコンピュータ上でランニングし、クライアント－サーバの関係を有するコンピュータプログラムによって生成される。サーバは、クラウドサーバであってもよく、分散型システムのサーバであってもよく、またはブロックチェーンを組み合わせしたサーバであってもよい。

以上に示された様々な形式のフローを使用してもよく、ステップを改めてソーティングしたり、追加したりまたは削除してもよいと理解されるべきである。例えば、本開示に記載の各ステップは、並列に実行されたり、順次に実行されたり、または異なる順序で実行されてもよく、本開示に開示された技術案の所望の結果を実現することができれば、本明細書はここで限定されない。

上記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、設計要件及び他の要因に応じて、様々な修正、組み合わせ、サブコンビネーション及び代替を行うことが可能であると理解すべきである。本開示の精神と原則内で行われる任意の修正、均等置換及び改良などは、いずれも本開示の保護範囲内に含まれるべきである。

Claims (18)

1. 推薦すべきシーンを決定することと、
   少なくとも２つの次元に対して、少なくとも２つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び前記少なくとも２つの次元の特徴データに基づいて、トレーニングして得られた少なくとも２つの次元のサブモデルを含む少なくとも２つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択することと、
   各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うことと、を含む、
   コンテンツ推薦方法。
2. 各サブモデルのモデル重みを受信することをさらに含み、
   少なくとも２つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択することは、
   各サブモデルに対して、前記サブモデルのモデル重みがゼロでないことに応答し、前記サブモデルを目標サブモデルとすることを含み、
   各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うことは、
   前記目標サブモデル及び前記目標サブモデルのモデル重みの組み合わせに基づいて、前記推薦すべきシーンに対してコンテンツ推薦を行うことを含む、
   請求項１に記載の方法。
3. 事前にトレーニングして得られた各サブモデルの汎用モデル重みを取得することと、
   前記推薦すべきシーンに対して、事前にトレーニングして得られた各サブモデルの汎用モデル重みを調整し、前記推薦すべきシーンに対応する各目標サブモデルのモデル重みを取得することと、をさらに含み、
   各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うことは、
   前記目標サブモデル及び前記目標サブモデルのモデル重みの組み合わせに基づいて、前記推薦すべきシーンに対してコンテンツ推薦を行うことを含む、
   請求項１に記載の方法。
4. 少なくとも２つのシーンの行為情報を取得することと、
   前記行為情報に基づいて、汎用特徴データと少なくとも２つの次元の特徴データを含む特徴データを構築することと、
   少なくとも２つの次元に対して、前記汎用特徴データと前記少なくとも２つの次元の特徴データに基づいて、少なくとも２つの次元のサブモデルをトレーニングすることと、を含む、
   ソートモデルトレーニング方法。
5. 前記行為情報に基づいて特徴データを構築することは、
   各行為情報に対して、前記行為情報中の識別情報を抽出し、前記行為情報に対応する汎用特徴データとすることと、
   ソーシャル次元と、スキル次元と、興味次元と、時効次元との少なくとも２つを含む少なくとも２つの次元から、前記行為情報における前記少なくとも２つの次元と一対一に対応する特徴データを抽出することと、を含む、
   請求項４に記載の方法。
6. 少なくとも２つの次元のサブモデル及び前記汎用特徴データ、少なくとも２つの次元の特徴データに基づいて、各サブモデルの汎用モデル重みをトレーニングすることをさらに含む、
   請求項４に記載の方法。
7. 推薦すべきシーンを決定するための決定モジュールと、
   少なくとも２つの次元に対して、少なくとも２つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び前記少なくとも２つの次元の特徴データに基づいて、トレーニングして得られた少なくとも２つの次元のサブモデルを含む少なくとも２つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択するための選択モジュールと、
   各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うための推薦モジュールと、を含む、
   コンテンツ推薦装置。
8. 各サブモデルのモデル重みを受信するための受信モジュールをさらに含み、
   前記選択モジュールは、具体的に、各サブモデルに対して、前記サブモデルのモデル重みがゼロでないことに応答し、前記サブモデルを目標サブモデルとするために用いられ、
   前記推薦モジュールは、具体的に、前記目標サブモデル及び前記目標サブモデルのモデル重みの組み合わせに基づいて、前記推薦すべきシーンに対してコンテンツ推薦を行うために用いられる、
   請求項７に記載の装置。
9. 事前にトレーニングして得られた各サブモデルの汎用モデル重みを取得するための取得モジュールと、
   前記推薦すべきシーンに対して、事前にトレーニングして得られた各サブモデルの汎用モデル重みを調整し、前記推薦すべきシーンに対応する各目標サブモデルのモデル重みを取得するための調整モジュールと、をさらに含み、
   前記推薦モジュールは、具体的に、前記目標サブモデル及び前記目標サブモデルのモデル重みの組み合わせに基づいて、前記推薦すべきシーンに対してコンテンツ推薦を行うために用いられる、
   請求項７に記載の装置。
10. 少なくとも２つのシーンの行為情報を取得するための取得モジュールと、
    前記行為情報に基づいて、汎用特徴データと少なくとも２つの次元の特徴データを含む特徴データを構築するための特徴構築モジュールと、
    少なくとも２つの次元に対して、前記汎用特徴データと前記少なくとも２つの次元の特徴データに基づいて、少なくとも２つの次元のサブモデルをトレーニングするためのサブモデルトレーニングモジュールと、を含む、
    ソートモデルトレーニング装置。
11. 前記特徴構築モジュールは、具体的に、各行為情報に対して、前記行為情報中の識別情報を抽出し、前記行為情報に対応する汎用特徴データとし、ソーシャル次元と、スキル次元と、興味次元と、時効次元との少なくとも２つを含む少なくとも２つの次元から、前記行為情報における前記少なくとも２つの次元と一対一に対応する特徴データを抽出するために用いられる、
    請求項１０に記載の装置。
12. 少なくとも２つの次元のサブモデル及び前記汎用特徴データ、少なくとも２つの次元の特徴データに基づいて、各サブモデルの汎用モデル重みをトレーニングするためのモデル重みトレーニングモジュールをさらに含む、
    請求項１１に記載の装置。
13. 少なくとも１つのプロセッサと、
    前記少なくとも１つのプロセッサと通信接続されるメモリと、を備える電子機器であって、
    前記メモリには、前記少なくとも１つのプロセッサによって実行され得る命令が記憶されており、前記命令が前記少なくとも１つのプロセッサによって実行されることで、前記少なくとも１つのプロセッサが請求項１～３のいずれか一項に記載の方法を実行することができる、
    電子機器。
14. 少なくとも１つのプロセッサと、
    前記少なくとも１つのプロセッサと通信接続されるメモリと、を備える電子機器であって、
    前記メモリには、前記少なくとも１つのプロセッサによって実行され得る命令が記憶されており、前記命令が前記少なくとも１つのプロセッサによって実行されることで、前記少なくとも１つのプロセッサが請求項４～６のいずれか一項に記載の方法を実行することができる、
    電子機器。
15. コンピュータに請求項１～３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ている、
    非一時的なコンピュータ可読記憶媒体。
16. コンピュータに請求項４～６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ている、
    非一時的なコンピュータ可読記憶媒体。
17. プロセッサにより実行される場合に、請求項１～３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。
18. プロセッサにより実行される場合に、請求項４～６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。

Images