JP2024021038A - ユーザの興味嗜好に基づくドメイン間移行推薦システム - Google Patents
ユーザの興味嗜好に基づくドメイン間移行推薦システム Download PDFInfo
- Publication number
- JP2024021038A JP2024021038A JP2023068432A JP2023068432A JP2024021038A JP 2024021038 A JP2024021038 A JP 2024021038A JP 2023068432 A JP2023068432 A JP 2023068432A JP 2023068432 A JP2023068432 A JP 2023068432A JP 2024021038 A JP2024021038 A JP 2024021038A
- Authority
- JP
- Japan
- Prior art keywords
- information
- user
- network
- domain
- sample
- 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.)
- Pending
Links
- 230000005012 migration Effects 0.000 claims abstract description 35
- 238000013508 migration Methods 0.000 claims abstract description 35
- 230000006399 behavior Effects 0.000 claims description 69
- 238000013528 artificial neural network Methods 0.000 claims description 58
- 230000004913 activation Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 abstract description 8
- 238000001994 activation Methods 0.000 description 33
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【課題】ユーザの興味嗜好に基づくドメイン間移行推薦システム、ドメイン間マイグレーション推奨システムを提供する。【解決手段】ドメイン間移行推奨システムは、ユーザデータ取得モジュールと、推奨モジュールとを含む。ユーザデータ取得モジュールは、ユーザのアカウント情報、行動習慣情報およびアプリケーションシナリオと、アプリケーションシナリオによって使用され、アプリケーションシナリオの特定タイプのメディアリソースに対応して形成されるメディアリソース空間とを指し示す対象ドメインでの履歴行動記録を取得し、ユーザのアカウント情報、行動習慣情報および履歴行動記録を取得する。推奨モジュールは、ユーザのアカウント情報、行動習慣情報およびターゲットドメインにおける履歴行動記録に基づいて、ターゲットドメイン内のメディアリソースをユーザにレコメンデーションする。【選択図】図1
Description
本発明は、メディアリソース推薦の分野に係り、特に、ユーザの興味嗜好に基づくドメイン間移行推薦システムに関する。
インターネットの急速な発展に伴い、メディアリソースのレコメンデーションは、人々の日常生活のあらゆる面で利用されている。例えば、読書アプリではユーザーに興味のある本を推薦したり、長短ビデオアプリケーションでは、ユーザに興味のある長短ビデオまたは短編ビデオを推薦することができ、オーディオアプリケーションでは、ユーザに講談、オーディオブック、ラジオドラマなどを推薦することができるが、これらのアプリケーションは相互にデータ相互作用がなく、他のアプリケーションの中の有効な情報に基づいて自身の推薦能力を最適化することもできない。
本発明は、上記の少なくとも1つの技術的問題を解決するものとするものである。
ユーザの興味嗜好に基づくドメイン間移行推薦システムは、ユーザデータ取得モジュール101と、推薦モジュール102とを含む。
ユーザデータ取得モジュール101は、ユーザのアカウント情報、行動習慣情報、およびアプリケーションシナリオと、アプリケーションシナリオによって使用され、アプリケーションシナリオに対応する特定タイプのメディアリソースによって形成されるメディアリソース空間とを指し示す対象ドメインにおける履歴行動記録を取得する。
本出願では、各ドメインからのユーザについて、そのアカウント情報、行動習慣情報、およびそのドメインにおける履歴行動記録に基づいて、そのユーザが関心を持つそのドメインにおけるメディアリソースを予測することができ、そのドメインは上述したターゲットドメインである。本出願におけるターゲットドメインは、移行推奨システムによってサポートされる様々なドメインのうちのいずれであってもよい。
ユーザデータ取得モジュール101は、ユーザのアカウント情報、行動習慣情報、およびアプリケーションシナリオと、アプリケーションシナリオによって使用され、アプリケーションシナリオに対応する特定タイプのメディアリソースによって形成されるメディアリソース空間とを指し示す対象ドメインにおける履歴行動記録を取得する。
本出願では、各ドメインからのユーザについて、そのアカウント情報、行動習慣情報、およびそのドメインにおける履歴行動記録に基づいて、そのユーザが関心を持つそのドメインにおけるメディアリソースを予測することができ、そのドメインは上述したターゲットドメインである。本出願におけるターゲットドメインは、移行推奨システムによってサポートされる様々なドメインのうちのいずれであってもよい。
実際、本出願の実施形態は、様々なアプリケーションが存在しますが、異なるタイプのメディアリソースをユーザに推薦することができる、しかし、同じユーザにとっては、趣味には共通性があり、例えば、ユーザは歴史が好きです。ビデオや音声や本は歴史的なものである可能性が高く、ということは、この共通の情報を十分に利用することは、ユーザの嗜好をより正確に予測するのに役立つ。これはまた、本発明の実施形態において、ユーザの興味嗜好に基づいたドメイン間移行システムを構築する理由の1つである、ドメイン間移行を介して、個々のアプリケーションに対応する個別の推薦システムに関連する情報を、ドメイン間移行のための包括的な推薦システムに移行する。これにより、ドメイン間移行システムは、それがサポートする各ドメインに対応した推薦サービスを提供することができ、異なるドメインの共通情報の融合と、各ドメインに対する高精度な推薦を実現することができる。
本出願中のドメイン間移行に関与するドメインは、ビデオ再生シーン中で再生されるビデオタイプのメディアリソースによって形成されるメディアリソース空間を少なくとも1つ含み、ビデオ再生シーン中の特定のタイプはビデオというタイプを指す。オーディオ再生シーンにおいて再生されるオーディオタイプのメディアリソースによって形成されるメディアリソース空間であって、オーディオ再生シーンにおける特定のタイプがオーディオというタイプを指す。メディアリソース空間;図書閲覧シーンで再生されるテキストタイプのメディアリソースによって形成されるメディアリソース空間であり、図書閲覧シーンにおける特定のタイプとはテキストというタイプを指す。すなわち、これらのドメインに関連するアプリケーションに対応するパーソナライズされた推薦システムをドメイン間で移行することでドメイン間移行システムを得ることができる。
ユーザデータ取得モジュール101は、推薦シーンで使用することができる、ユーザのアカウント情報、行動習慣情報、およびドメイン間移行システムがサポートするドメイン(ターゲット・ドメイン)での履歴行動記録を入力することにより、ドメイン間移行システムの推奨結果を得ることができる。推薦結果は、ターゲット・ドメイン内のユーザに推奨されるメディア・リソースである場合がある。
本出願中のドメイン間移行に関与するドメインは、ビデオ再生シーン中で再生されるビデオタイプのメディアリソースによって形成されるメディアリソース空間を少なくとも1つ含み、ビデオ再生シーン中の特定のタイプはビデオというタイプを指す。オーディオ再生シーンにおいて再生されるオーディオタイプのメディアリソースによって形成されるメディアリソース空間であって、オーディオ再生シーンにおける特定のタイプがオーディオというタイプを指す。メディアリソース空間;図書閲覧シーンで再生されるテキストタイプのメディアリソースによって形成されるメディアリソース空間であり、図書閲覧シーンにおける特定のタイプとはテキストというタイプを指す。すなわち、これらのドメインに関連するアプリケーションに対応するパーソナライズされた推薦システムをドメイン間で移行することでドメイン間移行システムを得ることができる。
ユーザデータ取得モジュール101は、推薦シーンで使用することができる、ユーザのアカウント情報、行動習慣情報、およびドメイン間移行システムがサポートするドメイン(ターゲット・ドメイン)での履歴行動記録を入力することにより、ドメイン間移行システムの推奨結果を得ることができる。推薦結果は、ターゲット・ドメイン内のユーザに推奨されるメディア・リソースである場合がある。
推薦モジュール102は、ユーザのアカウント情報、行動習慣情報、およびターゲットドメインにおける履歴行動記録に基づいて、ターゲットドメイン内のメディアリソースをユーザに推薦する。ここで、推薦モジュールは、少なくとも2つのドメインにおける共通の連想嗜好情報を遷移させることによって得られる。
推薦モジュール102は、ドメイン間移行によって構築されるドメイン間レコメンドシステムコアコンポーネントであり、特に以下の動作を実行するために使用される:
ユーザのアカウント情報及び履歴から、ターゲットドメイン内のユーザの特定のタイプのメディアリソースに対するプリファレンス情報を特徴付けるターゲットドメイン内のメディアリソースプリファレンス情報を予測する。
ユーザのアカウント情報、行動習慣情報、および静的属性情報に基づいて、ターゲットドメインにおけるユーザの行動傾向を特徴付けるユーザの行動指示嗜好情報を予測することと、
推薦されるメディアリソースは、ターゲットドメインのメディアリソース嗜好情報とユーザ行動指示嗜好情報とから予測される。
具体的には、アカウント情報は、アカウント識別、アカウントの帰属、アカウントのアクティブ頻度、アカウントレベルのうちの少なくとも1つを含む。
静的属性情報は、アカウントが属するユーザの年齢情報、性別情報、学歴情報、地域情報、プロフィール情報のうちの少なくとも1つと、アカウントが属するユーザの年齢情報、性別情報、学歴情報、地域情報、プロフィール情報とを含む。
行動習慣情報は、アカウントに属するユーザが長期的に一定の関心を持っているか否か、同じメディアリソースを繰り返し消費することを好むか否かのうちの少なくとも1つを含む。
履歴行動情報:アカウントが属するユーザの消費メディアリソースの履歴行動。
推薦モジュール102は、ドメイン間移行によって構築されるドメイン間レコメンドシステムコアコンポーネントであり、特に以下の動作を実行するために使用される:
ユーザのアカウント情報及び履歴から、ターゲットドメイン内のユーザの特定のタイプのメディアリソースに対するプリファレンス情報を特徴付けるターゲットドメイン内のメディアリソースプリファレンス情報を予測する。
ユーザのアカウント情報、行動習慣情報、および静的属性情報に基づいて、ターゲットドメインにおけるユーザの行動傾向を特徴付けるユーザの行動指示嗜好情報を予測することと、
推薦されるメディアリソースは、ターゲットドメインのメディアリソース嗜好情報とユーザ行動指示嗜好情報とから予測される。
具体的には、アカウント情報は、アカウント識別、アカウントの帰属、アカウントのアクティブ頻度、アカウントレベルのうちの少なくとも1つを含む。
静的属性情報は、アカウントが属するユーザの年齢情報、性別情報、学歴情報、地域情報、プロフィール情報のうちの少なくとも1つと、アカウントが属するユーザの年齢情報、性別情報、学歴情報、地域情報、プロフィール情報とを含む。
行動習慣情報は、アカウントに属するユーザが長期的に一定の関心を持っているか否か、同じメディアリソースを繰り返し消費することを好むか否かのうちの少なくとも1つを含む。
履歴行動情報:アカウントが属するユーザの消費メディアリソースの履歴行動。
本明細書に記載の推薦モジュールは、図2に示すように、以下の方法によってトレーニングされるニューラルネットワークから構築される:
ステップS101.サンプルユーザのアカウント情報、静的属性情報、行動習慣情報、少なくとも1つのサンプルドメインの履歴行動情報、およびフィードバック行動情報を含む、少なくとも1つのバッチのサンプルユーザに対応するサンプルデータを取得する。
本明細書の実施形態では、ニューラルネットワークのトレーニングはバッチトレーニングで行いますが、各バッチのトレーニングはステップS102を使用してもよいでしょう。もちろん、サンプルデータに含まれるサンプルユーザのアカウント情報、静的属性情報、行動習慣情報の内容は前述のとおりですが、サンプルドメインはドメイン横断推薦システムによってサポートされるドメイン内のあるドメインに属し、履歴行動情報はサンプルユーザのそのドメイン内での行動、例えばビデオアプリケーションであればビデオの視聴行動、その行動には、どのような動画をどれくらい見たのか、コメントや「いいね!」や評価をしたか、といった内容が含まれます。フィードバック行動情報指定は、クリックしたかどうか、視聴したかどうか、コメントしたかどうか、好きか嫌いかを表現したかどうかなどのサンプルユーザのアカウント情報、静的属性情報、行動習慣情報、少なくとも1つのサンプルドメインの履歴行動情報に基づいて、ドメイン横断推薦システムによって推薦されるメディアリソースの消費情報である。
ステップS101.サンプルユーザのアカウント情報、静的属性情報、行動習慣情報、少なくとも1つのサンプルドメインの履歴行動情報、およびフィードバック行動情報を含む、少なくとも1つのバッチのサンプルユーザに対応するサンプルデータを取得する。
本明細書の実施形態では、ニューラルネットワークのトレーニングはバッチトレーニングで行いますが、各バッチのトレーニングはステップS102を使用してもよいでしょう。もちろん、サンプルデータに含まれるサンプルユーザのアカウント情報、静的属性情報、行動習慣情報の内容は前述のとおりですが、サンプルドメインはドメイン横断推薦システムによってサポートされるドメイン内のあるドメインに属し、履歴行動情報はサンプルユーザのそのドメイン内での行動、例えばビデオアプリケーションであればビデオの視聴行動、その行動には、どのような動画をどれくらい見たのか、コメントや「いいね!」や評価をしたか、といった内容が含まれます。フィードバック行動情報指定は、クリックしたかどうか、視聴したかどうか、コメントしたかどうか、好きか嫌いかを表現したかどうかなどのサンプルユーザのアカウント情報、静的属性情報、行動習慣情報、少なくとも1つのサンプルドメインの履歴行動情報に基づいて、ドメイン横断推薦システムによって推薦されるメディアリソースの消費情報である。
ステップS102.各ユーザの各ドメインのサンプルデータに対して、以下の動作を実行する:
前記サンプルドメインは、分散活性化処理のために前記第1のネットワークに入力され、前記第2のネットワークのそれぞれに対応する融合特徴パラメータが得られ、前記ニューラルネットワークは、前記対応するドメインのメディアリソース自体の共通の連想嗜好情報を出力するために使用される少なくとも2つのドメインに対応する第2のネットワークを含み、前記ニューラルネットワークは、前記第2のネットワークのそれぞれに対応する融合特徴パラメータが得られる。
前記サンプルドメインは、分散活性化処理のために前記第1のネットワークに入力され、前記第2のネットワークのそれぞれに対応する融合特徴パラメータが得られ、前記ニューラルネットワークは、前記対応するドメインのメディアリソース自体の共通の連想嗜好情報を出力するために使用される少なくとも2つのドメインに対応する第2のネットワークを含み、前記ニューラルネットワークは、前記第2のネットワークのそれぞれに対応する融合特徴パラメータが得られる。
本発明の実施形態では、ドメインは異なるが、しかし、ユーザが異なるドメインで示した興味は一致した共通の連想表現を呈することができる、これは、例えば、読書アプリケーションに関連するドメインでは、ユーザは歴史書も人物伝記も好きである可能性が高く、ビデオアプリケーションに関連するドメインでは、ユーザは歴史映画も人物伝記系の映画も好きである可能性が高いというように、本出願の実施の形態の発明思想の構築基盤の1つである。このような情報が共通連想情報であり、各ドメインの推薦システムに記録されているが、通常、各ドメインの推薦システムはニューラルネットワークで構築されており、この情報はニューラルネットワークのパラメータ行列に記録される。すなわち、第2のネットワークは、各ドメインに対応するサブセットの推薦システムから来ることができ、第2のネットワークを有するドメイン間移行推薦システムを訓練することによって、第2のネットワークのドメイン間移行が実現される。例えば、読書アプリのレコメンデーションシステム、ビデオアプリのレコメンデーションシステム、オーディオアプリのレコメンデーションシステム、これらの推薦システムのうち共通連想選好情報が記録されているネットワークを上記のニューラルネットワークに移行することが、このニューラルネットワークにおける第2のネットワークである、第2のネットワーク自体はドメイン間移行の情報を記録するが、これらの情報は最終的にドメイン間移行システムの推薦に適用されるために、ニューラルネットワークの訓練プロセスに従って反復的に最適化される必要がある。したがって、前記第2のネットワークは、対応するドメインに対応する推薦システムから、ドメイン間遷移により前記ニューラルネットワークにリンクされていると考えてもよい。対応するドメインに対応する推奨システムは当然、対応するソフトウェア開発チームによって保守され、ライセンスを取得してから直接使用すればよい。本出願では、その構築方法については説明しない。
第1のネットワークと各第2のネットワークとの間には、活性化層シーケンスが設けられ、第2のネットワークは、活性化層シーケンスを有する、活性化層のシーケンスは、順次接続された少なくとも2つの活性化層を含む、2番目のネットワークの場合、前記サンプル領域は、特徴特性を特徴付けるために前記第1のネットワークに入力され、前記サンプル領域特徴を取得し、前記第2のネットワークの対応する活性化層シーケンスの前記第1のネットワークに近い活性化層に前記サンプル領域特徴を入力し、前記第2のネットワークに近い活性化層シーケンスの活性化層によって対応する融合特徴パラメータを出力する、いずれの活性化層シーケンスについても、活性化層シーケンス内の隣接する活性化層の活性化関数は一致しない。
本出願の実施例では、第1のネットワークの構造を限定するものではなく、特徴抽出が可能であればよいが、特徴抽出のためのニューラルネットワーク構造は非常に多く、例えば、CNNやDNNにおける部分構造などを選択することができるので、従来技術を参考にしていただき、ここでは制限しない。本明細書は、一連の活性化層における活性化層の数を限定するものではなく、好ましくは2つまたは3つである。活性化層シーケンスは本質的に、サンプル領域特性を第2のネットワークが出力する情報の重みとして機能することができる定数にマッピングすることである。本発明の実施形態は、アクティベーション層のアクティベーション関数を限定するものではなく、アクティベーション層のシーケンス中の隣接するアクティベーション層のアクティベーション関数が一致しない限り、少なくとも2回の連続的なアクティベーションによって、融合特徴パラメータであるドメイン間遷移推奨システムにより適合する定数を得ることができる。
本発明の実施形態は、第1のネットワークに入力されるサンプル領域の表現方法に限定されず、サンプル領域の対応する識別情報によって表現することができる。
本出願の実施例では、第1のネットワークの構造を限定するものではなく、特徴抽出が可能であればよいが、特徴抽出のためのニューラルネットワーク構造は非常に多く、例えば、CNNやDNNにおける部分構造などを選択することができるので、従来技術を参考にしていただき、ここでは制限しない。本明細書は、一連の活性化層における活性化層の数を限定するものではなく、好ましくは2つまたは3つである。活性化層シーケンスは本質的に、サンプル領域特性を第2のネットワークが出力する情報の重みとして機能することができる定数にマッピングすることである。本発明の実施形態は、アクティベーション層のアクティベーション関数を限定するものではなく、アクティベーション層のシーケンス中の隣接するアクティベーション層のアクティベーション関数が一致しない限り、少なくとも2回の連続的なアクティベーションによって、融合特徴パラメータであるドメイン間遷移推奨システムにより適合する定数を得ることができる。
本発明の実施形態は、第1のネットワークに入力されるサンプル領域の表現方法に限定されず、サンプル領域の対応する識別情報によって表現することができる。
前記各第2のネットワークにそれぞれ対応する融合特徴パラメータを、前記入力第2のネットワークにそれぞれ対応させ、前記各第2のネットワークから出力された情報を融合させて、前記サンプルドメインに基づく共通連想選好情報を得る。
各第2のネットワークにおけるパラメータは、第2のネットワークが対応するドメインの共通連想優先度情報を記録する、融合特徴パラメータを第2のネットワークに入力した後、この第2のネットワークのドメインに対する共通連想選好情報の縮小効果が達成される。ということは、第2のネットワークが対応するドメインとサンプルドメインとが近接している場合、重要なのは、ドメインを跨ぐ推薦を行う際に重点的に考慮するが、もし遠ければ、その比較は重要ではなく、ドメインを跨ぐ推薦の際に考慮することは少なく、それによって、前記サンプルドメインに基づく共通の連想選好情報が得られ、ドメインを跨ぐ情報の融合を実現し、具体的なサンプルドメインに適応することで、サンプルドメインの共通の連想選好情報の技術的効果が得られる。
前記サンプル領域に対する履歴行動情報は、埋め込み特徴抽出のために第3のネットワークに入力され、前記サンプル領域に対応する履歴行動特徴を得る。
本出願の実施例では、第3のネットワークの構造を限定するものではなく、埋め込み特徴抽出を行えばよいが、埋め込み特徴抽出のニューラルネットワーク構造は非常に多く、例えば、CNNやDNNにおける部分構造などを選択することができるので、従来技術を参考にし、ここでは制限しない。
各第2のネットワークにおけるパラメータは、第2のネットワークが対応するドメインの共通連想優先度情報を記録する、融合特徴パラメータを第2のネットワークに入力した後、この第2のネットワークのドメインに対する共通連想選好情報の縮小効果が達成される。ということは、第2のネットワークが対応するドメインとサンプルドメインとが近接している場合、重要なのは、ドメインを跨ぐ推薦を行う際に重点的に考慮するが、もし遠ければ、その比較は重要ではなく、ドメインを跨ぐ推薦の際に考慮することは少なく、それによって、前記サンプルドメインに基づく共通の連想選好情報が得られ、ドメインを跨ぐ情報の融合を実現し、具体的なサンプルドメインに適応することで、サンプルドメインの共通の連想選好情報の技術的効果が得られる。
前記サンプル領域に対する履歴行動情報は、埋め込み特徴抽出のために第3のネットワークに入力され、前記サンプル領域に対応する履歴行動特徴を得る。
本出願の実施例では、第3のネットワークの構造を限定するものではなく、埋め込み特徴抽出を行えばよいが、埋め込み特徴抽出のニューラルネットワーク構造は非常に多く、例えば、CNNやDNNにおける部分構造などを選択することができるので、従来技術を参考にし、ここでは制限しない。
サンプルドメインの対応する履歴行動特性と、サンプルドメインの共通の連想嗜好情報とを一緒に符号化のために第4のネットワークに入力して、サンプルドメインにおけるサンプルユーザの対応するメディアリソース嗜好情報を得る。
本発明の実施形態では、第4のネットワークの構造を限定するものではなく、符号化すればよいが、符号化されるニューラルネットワークの構造は非常に多く、例えば、transformerにおける部分構造等を選択して用いることができるので、従来技術を参考にしていただき、ここでは制限しない。
符号化の目的は、サンプルドメインに対応する履歴行動特性と、サンプルドメインの共通の連想嗜好情報とを融合して、サンプルドメインにおけるサンプルユーザの対応するメディアリソース嗜好情報を得ることである。
本発明の実施形態では、第4のネットワークの構造を限定するものではなく、符号化すればよいが、符号化されるニューラルネットワークの構造は非常に多く、例えば、transformerにおける部分構造等を選択して用いることができるので、従来技術を参考にしていただき、ここでは制限しない。
符号化の目的は、サンプルドメインに対応する履歴行動特性と、サンプルドメインの共通の連想嗜好情報とを融合して、サンプルドメインにおけるサンプルユーザの対応するメディアリソース嗜好情報を得ることである。
前記サンプルユーザのアカウント情報、静的属性情報及び行動習慣情報を第5のネットワークに入力して融合に基づく特徴抽出を行い、前記サンプルユーザに対応する行動指示嗜好情報を得る。
本出願の実施例では、第5のネットワークの構造を限定するものではなく、融合に基づく特徴抽出を行えばよく、例えば、畳み込み層、プール層、最大プール層などの有機的な組み合わせを用いて第5のネットワークを得ることができ、その構築方法は限定されず、当業者は実際の状況に応じて設計することができる。
本出願の実施例では、第5のネットワークの構造を限定するものではなく、融合に基づく特徴抽出を行えばよく、例えば、畳み込み層、プール層、最大プール層などの有機的な組み合わせを用いて第5のネットワークを得ることができ、その構築方法は限定されず、当業者は実際の状況に応じて設計することができる。
(6)サンプルドメインに対応するメディアリソース嗜好情報およびサンプルユーザに対応する行動指示嗜好情報を第6のネットワークに入力して、サンプルドメインの下でサンプルユーザによってパーソナライズされた関心のあるリソースを得る。
本出願の実施例では、第6のネットワークの構造を限定するものではなく、融合に基づく特徴抽出を行えばよく、例えば、畳み込み層、プール層、最大プール層などの有機的な組み合わせを用いて第6のネットワークを得ることができ、その構築方法は限定されず、当業者は実際の状況に応じて設計することができる。
(7)ニューラルネットワークによって生成された損失を、関心のあるリソースと、関心のあるリソースに対するサンプルデータ中のフィードバック行動情報とに基づいて決定する。
本発明の実施形態は、損失の測定方法に限定されず、予測されたリソースおよびそのリソースからのフィードバック情報に基づいて損失を決定する方法が推薦型ニューラルネットワーク訓練に多く見られるが、これについては言及しない。
(8)損失フィードバックに従って、第1のネットワーク、第2のネットワーク、第3のネットワーク、第4のネットワーク、第5のネットワーク、および第6のネットワークのパラメータを調整する。
本出願の実施例では、第6のネットワークの構造を限定するものではなく、融合に基づく特徴抽出を行えばよく、例えば、畳み込み層、プール層、最大プール層などの有機的な組み合わせを用いて第6のネットワークを得ることができ、その構築方法は限定されず、当業者は実際の状況に応じて設計することができる。
(7)ニューラルネットワークによって生成された損失を、関心のあるリソースと、関心のあるリソースに対するサンプルデータ中のフィードバック行動情報とに基づいて決定する。
本発明の実施形態は、損失の測定方法に限定されず、予測されたリソースおよびそのリソースからのフィードバック情報に基づいて損失を決定する方法が推薦型ニューラルネットワーク訓練に多く見られるが、これについては言及しない。
(8)損失フィードバックに従って、第1のネットワーク、第2のネットワーク、第3のネットワーク、第4のネットワーク、第5のネットワーク、および第6のネットワークのパラメータを調整する。
ニューラルネットワークの訓練過程の前(1)から(7)はすべてフォワードフィードバックのステップであり、(8)はフィードバック調節のステップであり、フォワードフィードバックとリバース調節及びリバース調節の調整方法、及びニューラルネットワークの訓練終了条件はすべて現有技術に属し、その他の資料を参照することができ、これについては言及しない。
本発明の実施形態では、ニューラルネットワークの訓練を複数のロットに分けて行うことができます、ニューラルネットワークは膨大なので、収束速度や精度の制御にも困難がありますが、これに対して、本出願の実施例では、連続する2つのロットの訓練の間にニューラルネットワークの切り出しを行う、すなわち、切り出しと訓練というニューラルネットワークを最適化する2つのステップをロットごとに重ねて行うことにより、収束を速め、精度を十分に確保した上でニューラルネットワークを簡素化し、訓練速度を向上させることを提案している。
本発明の実施形態では、ニューラルネットワークの訓練を複数のロットに分けて行うことができます、ニューラルネットワークは膨大なので、収束速度や精度の制御にも困難がありますが、これに対して、本出願の実施例では、連続する2つのロットの訓練の間にニューラルネットワークの切り出しを行う、すなわち、切り出しと訓練というニューラルネットワークを最適化する2つのステップをロットごとに重ねて行うことにより、収束を速め、精度を十分に確保した上でニューラルネットワークを簡素化し、訓練速度を向上させることを提案している。
具体的には、サンプルユーザに対応するサンプルデータの少なくとも1つのバッチは、サンプルユーザに対応するサンプルデータの少なくとも2つのバッチを含む、トレーニング方法は、第1の対象ロットのサンプルデータに基づいてニューラルネットワークのトレーニングを行い、中間状態ニューラルネットワークを得るステップと、中間状態ニューラルネットワークの精度情報と予め設定された精度情報目標値との差に基づいて、中間状態ニューラルネットワークをクリッピング処理してクリッピング後ニューラルネットワークを得る、クロッピング後のニューラルネットワークのトレーニングは、第2の対象ロットのサンプルデータに基づいて行われる。
第1のターゲット・ロットのサンプルおよび第2のターゲット・ロットのサンプルは、任意の2つの連続したロットのサンプルとして理解することができる、連続する2ロットのサンプルの訓練において、ニューラルネットワークの中間状態の精度に応じてニューラルネットワークのクロッピングを行うことにより、クロッピング後のニューラルネットワークの量を小さくし、訓練速度を速くすることができ、訓練の高速化と迅速な収束を図ることができる。なお、本実施形態の精度情報の目標値は、実情に応じて設定することができる、精度情報の取得は、ニューラルネットワーク精度情報評価ソフトウェアを用いて計算することができます、ニューラルネットワークのクロッピングにはいくつかの方法や規則がありますが、具体的にどのように裁断するかは従来技術に基づいて実施することができ、本出願の実施例は限定しないが、このような重複裁断とロットによる参照調整の訓練方式は、本出願の実施例がニューラルネットワークを迅速に収束させ、精度を保証するために提案した発明思想であることを指摘しておく必要がある。
本発明の実施形態は、ユーザの興味嗜好に基づいたドメイン間移行推薦システムを提供する、このシナリオでは、個々のアプリケーションに対応する個別のレコメンデーション・システムの関連情報を、ドメイン間移行を介して、ドメイン間移行を統合したレコメンデーション・システムに移行します、これにより、ドメイン間移行システムは、それがサポートする各ドメインに対応した推薦サービスを提供することができ、異なるドメインの共通情報の融合と、各ドメインに対する高精度な推薦を実現することができる。
別の態様では、本発明の実施形態は、少なくとも1つのプロセッサと、少なくとも1つのプロセッサと通信可能に接続されたメモリとを含む電子装置を提供する、ここで、メモリは、少なくとも1つのプロセッサによって実行可能な命令を格納し、少なくとも1つのプロセッサは、メモリに格納された命令を実行することによって、ユーザの興味嗜好に基づいて上述したドメイン間マイグレーション推薦システムを実現する。
一方、本発明の実施形態は、プロセッサによって実行されると、ユーザの興味嗜好に基づいて上述したドメイン間マイグレーション推薦システムを実現するコンピュータプログラムまたは命令を含むコンピュータプログラム製品を提供する。
別の態様では、本発明の実施形態は、少なくとも1つのプロセッサと、少なくとも1つのプロセッサと通信可能に接続されたメモリとを含む電子装置を提供する、ここで、メモリは、少なくとも1つのプロセッサによって実行可能な命令を格納し、少なくとも1つのプロセッサは、メモリに格納された命令を実行することによって、ユーザの興味嗜好に基づいて上述したドメイン間マイグレーション推薦システムを実現する。
一方、本発明の実施形態は、プロセッサによって実行されると、ユーザの興味嗜好に基づいて上述したドメイン間マイグレーション推薦システムを実現するコンピュータプログラムまたは命令を含むコンピュータプログラム製品を提供する。
上記は、本出願の実施形態のより良い実施形態に過ぎず、本出願の実施形態を限定するものではなく、本出願の実施形態の精神及び原則の範囲内において、行われたあらゆる修正、同等の置換、改善等は、本出願の実施形態の保護範囲内に含まれるものとする。
本発明は、ユーザデータ取得モジュールは、ユーザのアカウント情報、行動習慣情報、およびアプリケーションシナリオと、アプリケーションシナリオによって使用され、アプリケーションシナリオの特定タイプのメディアリソースに対応して形成されるメディアリソース空間とを指し示す対象ドメインでの履歴行動記録を取得するためのモジュールであり、ユーザデータ取得モジュールは、ユーザのアカウント情報、行動習慣情報、および履歴行動記録を取得するためのモジュールであり、ユーザデータ取得モジュールは、ユーザのアカウント情報、行動習慣情報、および履歴行動記録を取得するためのモジュールである。レコメンデーションモジュールは、ユーザのアカウント情報、行動習慣情報、およびターゲットドメインにおける履歴行動記録に基づいて、ターゲットドメイン内のメディアリソースをユーザにレコメンデーションする。ここで、推奨モジュールは、少なくとも2つのドメインにおける共通の連想嗜好情報を遷移させることによって得られる。
本発明の実施形態は、メディアリソース推薦の分野に関し、特に、ユーザの興味嗜好に基づくドメイン間移行推薦システムに関する。
ユーザの興味嗜好に基づくドメイン間移行推奨システムは、ユーザデータ取得モジュールと、推薦モジュールを含む。
ユーザデータ取得モジュール101は、ユーザのアカウント情報、行動習慣情報、およびアプリケーションシナリオと、アプリケーションシナリオによって使用され、アプリケーションシナリオの特定タイプのメディアリソースに対応して形成されるメディアリソース空間とを指し示す対象ドメインでの履歴行動記録を取得するためのモジュールである。
推薦モジュール102は、ユーザのアカウント情報、行動習慣情報、およびターゲットドメインにおける履歴行動記録に基づいて、ターゲットドメイン内のメディアリソースをユーザに推薦する。ここで、推奨モジュール102は、少なくとも2つのドメインにおける共通の連想嗜好情報を遷移させることによって得られる。
推薦モジュール102は、ドメイン間移行によって構築されるドメイン間レコメンドシステムコアコンポーネントであり、特に以下の動作を実行するために使用される:
ユーザのアカウント情報及び履歴から、ターゲットドメイン内のユーザの特定のタイプのメディアリソースに対するプリファレンス情報を特徴付けるターゲットドメイン内のメディアリソースプリファレンス情報を予測する。
ユーザのアカウント情報、行動習慣情報、および静的属性情報に基づいて、ターゲットドメインにおけるユーザの行動傾向を特徴付けるユーザの行動を示す嗜好情報を予測する。
推奨されるメディアリソースは、ターゲットドメインのメディアリソース嗜好情報とユーザ行動指示嗜好情報とから予測される。
ユーザデータ取得モジュール101は、ユーザのアカウント情報、行動習慣情報、およびアプリケーションシナリオと、アプリケーションシナリオによって使用され、アプリケーションシナリオの特定タイプのメディアリソースに対応して形成されるメディアリソース空間とを指し示す対象ドメインでの履歴行動記録を取得するためのモジュールである。
推薦モジュール102は、ユーザのアカウント情報、行動習慣情報、およびターゲットドメインにおける履歴行動記録に基づいて、ターゲットドメイン内のメディアリソースをユーザに推薦する。ここで、推奨モジュール102は、少なくとも2つのドメインにおける共通の連想嗜好情報を遷移させることによって得られる。
推薦モジュール102は、ドメイン間移行によって構築されるドメイン間レコメンドシステムコアコンポーネントであり、特に以下の動作を実行するために使用される:
ユーザのアカウント情報及び履歴から、ターゲットドメイン内のユーザの特定のタイプのメディアリソースに対するプリファレンス情報を特徴付けるターゲットドメイン内のメディアリソースプリファレンス情報を予測する。
ユーザのアカウント情報、行動習慣情報、および静的属性情報に基づいて、ターゲットドメインにおけるユーザの行動傾向を特徴付けるユーザの行動を示す嗜好情報を予測する。
推奨されるメディアリソースは、ターゲットドメインのメディアリソース嗜好情報とユーザ行動指示嗜好情報とから予測される。
推薦モジュール102は、図2に示すように、以下の方法によってトレーニングされるニューラルネットワークから構築される:
ステップS101.サンプルユーザのアカウント情報、静的属性情報、行動習慣情報、少なくとも1つのサンプルドメインの履歴行動情報、およびフィードバック行動情報を含む、少なくとも1つのバッチのサンプルユーザに対応するサンプルデータを取得することと、サンプルユーザのアカウント情報、静的属性情報、行動習慣情報、少なくとも1つのサンプルドメインの履歴行動情報、およびフィードバック行動情報を含む、サンプルデータを取得する。
ステップS102.各ドメインに対する各ユーザのサンプルデータに対して、次の操作を実行する:
前記サンプルドメインは、分散活性化処理のために前記第1のネットワークに入力され、前記第2のネットワークのそれぞれに対応する融合特徴パラメータが得られ、前記ニューラルネットワークは、前記対応するドメインのメディアリソース自体の共通の連想嗜好情報を出力するために使用される少なくとも2つのドメインに対応する第2のネットワークを含み、前記ニューラルネットワークは、前記第2のネットワークのそれぞれに対応する融合特徴パラメータが得られる。
前記各第2のネットワークにそれぞれ対応する融合特徴パラメータを、前記入力第2のネットワークにそれぞれ対応させ、前記各第2のネットワークから出力された情報を融合させて、前記サンプルドメインに基づく共通連想選好情報を得る。
前記サンプル領域に対する履歴行動情報は、埋め込み特徴抽出のために第3のネットワークに入力され、前記サンプル領域に対応する履歴行動特徴を得る。
サンプルドメインの対応する履歴行動特性と、サンプルドメインの共通の連想嗜好情報とを一緒に符号化のために第4のネットワークに入力して、サンプルドメインにおけるサンプルユーザの対応するメディアリソース嗜好情報を得る。
前記サンプルユーザのアカウント情報、静的属性情報及び行動習慣情報を第5のネットワークに入力して融合に基づく特徴抽出を行い、前記サンプルユーザに対応する行動指示嗜好情報を得る。
サンプルドメインに対応するメディアリソースのプリファレンス情報とサンプルユーザに対応する行動は、プリファレンス情報を第6のネットワークに入力し、サンプルドメインの下でサンプルユーザに個人化された関心のあるリソースを得ることを示す。
神経ネットワークから生じる損失は、関心のあるリソースおよび関心のあるリソースに対するサンプルデータのフィードバック行動情報に基づいて決定される。
第1のネットワーク、第2のネットワーク、第3のネットワーク、第4のネットワーク、第5のネットワーク、および第6のネットワークのパラメータは、損失フィードバックに従って調整される。
ステップS101.サンプルユーザのアカウント情報、静的属性情報、行動習慣情報、少なくとも1つのサンプルドメインの履歴行動情報、およびフィードバック行動情報を含む、少なくとも1つのバッチのサンプルユーザに対応するサンプルデータを取得することと、サンプルユーザのアカウント情報、静的属性情報、行動習慣情報、少なくとも1つのサンプルドメインの履歴行動情報、およびフィードバック行動情報を含む、サンプルデータを取得する。
ステップS102.各ドメインに対する各ユーザのサンプルデータに対して、次の操作を実行する:
前記サンプルドメインは、分散活性化処理のために前記第1のネットワークに入力され、前記第2のネットワークのそれぞれに対応する融合特徴パラメータが得られ、前記ニューラルネットワークは、前記対応するドメインのメディアリソース自体の共通の連想嗜好情報を出力するために使用される少なくとも2つのドメインに対応する第2のネットワークを含み、前記ニューラルネットワークは、前記第2のネットワークのそれぞれに対応する融合特徴パラメータが得られる。
前記各第2のネットワークにそれぞれ対応する融合特徴パラメータを、前記入力第2のネットワークにそれぞれ対応させ、前記各第2のネットワークから出力された情報を融合させて、前記サンプルドメインに基づく共通連想選好情報を得る。
前記サンプル領域に対する履歴行動情報は、埋め込み特徴抽出のために第3のネットワークに入力され、前記サンプル領域に対応する履歴行動特徴を得る。
サンプルドメインの対応する履歴行動特性と、サンプルドメインの共通の連想嗜好情報とを一緒に符号化のために第4のネットワークに入力して、サンプルドメインにおけるサンプルユーザの対応するメディアリソース嗜好情報を得る。
前記サンプルユーザのアカウント情報、静的属性情報及び行動習慣情報を第5のネットワークに入力して融合に基づく特徴抽出を行い、前記サンプルユーザに対応する行動指示嗜好情報を得る。
サンプルドメインに対応するメディアリソースのプリファレンス情報とサンプルユーザに対応する行動は、プリファレンス情報を第6のネットワークに入力し、サンプルドメインの下でサンプルユーザに個人化された関心のあるリソースを得ることを示す。
神経ネットワークから生じる損失は、関心のあるリソースおよび関心のあるリソースに対するサンプルデータのフィードバック行動情報に基づいて決定される。
第1のネットワーク、第2のネットワーク、第3のネットワーク、第4のネットワーク、第5のネットワーク、および第6のネットワークのパラメータは、損失フィードバックに従って調整される。
一実施形態では、第2のネットワークは、対応するドメインに対応する推薦システムからのものであり、ドメイン間移行によってニューラルネットワークにリンクされる。
一実施形態では、第1のネットワークと各第2のネットワークとの間には、活性化層シーケンスが設けられ、第2のネットワークは、活性化層シーケンスを有する。活性化層のシーケンスは、順次接続された少なくとも2つの活性化層を含む、2番目のネットワークの場合、前記サンプル領域は、特徴特性を特徴付けるために前記第1のネットワークに入力され、前記サンプル領域特徴を取得し、前記第2のネットワークの対応する活性化層シーケンスの前記第1のネットワークに近い活性化層に前記サンプル領域特徴を入力し、前記第2のネットワークに近い活性化層シーケンスの活性化層によって対応する融合特徴パラメータを出力する。
いずれの活性化層シーケンスについても、活性化層シーケンス内の隣接する活性化層の活性化関数は一致しない。
一実施形態では、第1のネットワークと各第2のネットワークとの間には、活性化層シーケンスが設けられ、第2のネットワークは、活性化層シーケンスを有する。活性化層のシーケンスは、順次接続された少なくとも2つの活性化層を含む、2番目のネットワークの場合、前記サンプル領域は、特徴特性を特徴付けるために前記第1のネットワークに入力され、前記サンプル領域特徴を取得し、前記第2のネットワークの対応する活性化層シーケンスの前記第1のネットワークに近い活性化層に前記サンプル領域特徴を入力し、前記第2のネットワークに近い活性化層シーケンスの活性化層によって対応する融合特徴パラメータを出力する。
いずれの活性化層シーケンスについても、活性化層シーケンス内の隣接する活性化層の活性化関数は一致しない。
一実施形態では、少なくとも1つのサンプルドメインは、以下のサンプルドメインのうちの少なくとも1つを含む:
ビデオ再生シーンにおいて再生されるビデオタイプのメディアリソースによって形成されるメディアリソース空間;
オーディオ再生シーンで再生されるオーディオタイプのメディアリソースによって形成されるメディアリソース空間;
図書閲覧シーンで再生されるテキストタイプのメディアリソースによって形成されるメディアリソース空間。
ビデオ再生シーンにおいて再生されるビデオタイプのメディアリソースによって形成されるメディアリソース空間;
オーディオ再生シーンで再生されるオーディオタイプのメディアリソースによって形成されるメディアリソース空間;
図書閲覧シーンで再生されるテキストタイプのメディアリソースによって形成されるメディアリソース空間。
一実施形態では、サンプルユーザに対応するサンプルデータの少なくとも1つのバッチは、サンプルユーザに対応するサンプルデータの少なくとも2つのバッチを含む:
トレーニング方法は、さらに、以下のステップを含む:
第1の対象ロットのサンプルデータに基づいてニューラルネットワークの訓練を行い、中間状態ニューラルネットワークを得る。
中間状態ニューラルネットワークの精度情報と予め設定された精度情報目標値との差に基づいて、中間状態ニューラルネットワークをクリッピング処理してクリッピング後ニューラルネットワークを得る。
クロッピング後のニューラルネットワークのトレーニングは、第2の対象ロットのサンプルデータに基づいて行われる。
トレーニング方法は、さらに、以下のステップを含む:
第1の対象ロットのサンプルデータに基づいてニューラルネットワークの訓練を行い、中間状態ニューラルネットワークを得る。
中間状態ニューラルネットワークの精度情報と予め設定された精度情報目標値との差に基づいて、中間状態ニューラルネットワークをクリッピング処理してクリッピング後ニューラルネットワークを得る。
クロッピング後のニューラルネットワークのトレーニングは、第2の対象ロットのサンプルデータに基づいて行われる。
別の態様では、本発明の実施形態は、ユーザの興味嗜好に基づいたドメイン間マイグレーション推薦システムを実現するために、プロセッサによってロードされ実行される少なくとも1つの命令または少なくとも1つのプログラムを格納したコンピュータ可読記憶媒体を提供する。
別の態様では、本発明の実施形態は、少なくとも1つのプロセッサと、少なくとも1つのプロセッサと通信可能に接続されたメモリとを含む電子装置を提供する、ここで、メモリは、少なくとも1つのプロセッサによって実行可能な命令を格納し、少なくとも1つのプロセッサは、メモリに格納された命令を実行することによって、ユーザの興味嗜好に基づいて上述したドメイン間マイグレーション推薦システムを実現する。
別の態様では、本発明の実施形態は、少なくとも1つのプロセッサと、少なくとも1つのプロセッサと通信可能に接続されたメモリとを含む電子装置を提供する、ここで、メモリは、少なくとも1つのプロセッサによって実行可能な命令を格納し、少なくとも1つのプロセッサは、メモリに格納された命令を実行することによって、ユーザの興味嗜好に基づいて上述したドメイン間マイグレーション推薦システムを実現する。
一方、本発明の実施形態は、プロセッサによって実行されると、ユーザの興味嗜好に基づいて上述したドメイン間マイグレーション推薦システムを実現するコンピュータプログラムまたは命令を含むコンピュータプログラム製品を提供する。
本発明の実施形態は、ユーザの興味嗜好に基づいたドメイン間移行推薦システムを提供する、このシナリオでは、個々のアプリケーションに対応する個別のレコメンデーション・システムの関連情報を、ドメイン間移行を介して、ドメイン間移行を統合したレコメンデーション・システムに移行する。これにより、ドメイン間移行システムは、それがサポートする各ドメインに対応した推薦サービスを提供することができ、異なるドメインの共通情報の融合と、各ドメインに対する高精度な推薦を実現することができる。
本発明の実施形態は、ユーザの興味嗜好に基づいたドメイン間移行推薦システムを提供する、このシナリオでは、個々のアプリケーションに対応する個別のレコメンデーション・システムの関連情報を、ドメイン間移行を介して、ドメイン間移行を統合したレコメンデーション・システムに移行する。これにより、ドメイン間移行システムは、それがサポートする各ドメインに対応した推薦サービスを提供することができ、異なるドメインの共通情報の融合と、各ドメインに対する高精度な推薦を実現することができる。
Claims (10)
- ユーザの興味嗜好に基づくドメイン間移行推奨システムであって、前記システムは、ユーザデータ取得モジュールと、推薦モジュールと、を含むことを特徴とする。
ユーザデータ取得モジュールは、ユーザのアカウント情報、行動習慣情報、およびアプリケーションシナリオと、アプリケーションシナリオによって使用され、アプリケーションシナリオの特定タイプのメディアリソースに対応して形成されるメディアリソース空間とを指し示す対象ドメインでの履歴行動記録を取得するためのモジュールであり、
推薦モジュールは、ユーザのアカウント情報、行動習慣情報、およびターゲットドメインにおける履歴行動記録に基づいて、ターゲットドメイン内のメディアリソースをユーザにレコメンデーションする。
ここで、推薦モジュールは、少なくとも2つのドメインにおける共通の連想嗜好情報を遷移させることによって得られる。 - 請求項1記載のシステムであって、
ユーザのアカウント情報及び履歴から、ターゲットドメイン内のユーザの特定のタイプのメディアリソースに対するプリファレンス情報を特徴付けるターゲットドメイン内のメディアリソースプリファレンス情報を予測する。
ユーザのアカウント情報、行動習慣情報、および静的属性情報に基づいて、ターゲットドメインにおけるユーザの行動傾向を特徴付けるユーザの行動指示嗜好情報を予測することと、
推薦されるメディアリソースは、ターゲットドメインのメディアリソース嗜好情報とユーザ行動指示嗜好情報とから予測される。 - 請求項2記載のシステムであって、
サンプルユーザのアカウント情報、静的属性情報、行動習慣情報、少なくとも1つのサンプルドメインの履歴行動情報、およびフィードバック行動情報を含むサンプルユーザの少なくとも一ロットのサンプルデータを取得する。
各ドメインに対する各ユーザのサンプルデータに対して、次の操作を実行する:
前記サンプルドメインは、分散活性化処理のために第1のネットワークに入力され、第2のネットワークのそれぞれに対応する融合特徴パラメータが得られ、ニューラルネットワークは、前記対応するドメインのメディアリソース自体の共通の連想嗜好情報を出力するために使用される少なくとも2つのドメインに対応する第2のネットワークを含み、ニューラルネットワークは、第2のネットワークのそれぞれに対応する融合特徴パラメータが得られる。
前記第2のネットワークにそれぞれ対応する融合特徴パラメータを、第2のネットワークにそれぞれ対応させ、第2のネットワークから出力された情報を融合させて、前記サンプルドメインに基づく共通連想選好情報を得る。
前記サンプル領域に対する履歴行動情報は、埋め込み特徴抽出のために第3のネットワークに入力され、前記サンプル領域に対応する履歴行動特徴を得る。
サンプルドメインの対応する履歴行動特性と、サンプルドメインの共通の連想嗜好情報とを一緒に符号化のために第4のネットワークに入力して、サンプルドメインにおけるサンプルユーザの対応するメディアリソース嗜好情報を得る。
前記サンプルユーザのアカウント情報、静的属性情報及び行動習慣情報を第5のネットワークに入力して融合に基づく特徴抽出を行い、前記サンプルユーザに対応する行動指示嗜好情報を得る。
神経ネットワークから生じる損失は、関心のあるリソースおよび関心のあるリソースに対するサンプルデータのフィードバック行動情報に基づいて決定される。
損失フィードバックに従って、第1のネットワーク、第2のネットワーク、第3のネットワーク、第4のネットワーク、第5のネットワーク、第6のネットワークのパラメータを調整する。 - 請求項1記載のシステムであって、
アカウント情報は、アカウント識別、アカウントの帰属、アカウントのアクティブ頻度、アカウントレベルのうちの少なくとも1つを含む。
静的属性情報は、アカウントが属するユーザの年齢情報、性別情報、学歴情報、地域情報、プロフィール情報のうちの少なくとも1つと、アカウントが属するユーザの年齢情報、性別情報、学歴情報、地域情報、プロフィール情報とを含む。
行動習慣情報は、アカウントに属するユーザが長期的に一定の関心を持っているか否か、同じメディアリソースを繰り返し消費することを好むか否かのうちの少なくとも1つを含む。
履歴行動情報:アカウントが属するユーザの消費メディアリソースの履歴行動。 - 請求項3記載のシステムであって、
前記第2のネットワークは、対応するドメインに対応する推奨システムから来ており、ドメイン横断遷移によって前記ニューラルネットワークにリンクされることを特徴とする請求項4に記載のシステム。 - 請求項4または5に記載のシステム、その特徴は、第1のネットワークと各第2のネットワークとの間には、活性化層シーケンスが設けられ、第2のネットワークは、活性化層シーケンスを有する。活性化層のシーケンスは、順次接続された少なくとも2つの活性化層を含む、2番目のネットワークの場合、前記サンプル領域は、特徴特性を特徴付けるために前記第1のネットワークに入力され、前記サンプル領域特徴を取得し、前記第2のネットワークの対応する活性化層シーケンスの前記第1のネットワークに近い活性化層に前記サンプル領域特徴を入力し、前記第2のネットワークに近い活性化層シーケンスの活性化層によって対応する融合特徴パラメータを出力する。
いずれの活性化層シーケンスについても、活性化層シーケンス内の隣接する活性化層の活性化関数は一致しない。 - 請求項3記載のシステムであって、少なくとも1つのサンプルドメインは、以下の少なくとも1つを含む。
ビデオ再生シーンにおいて再生されるビデオタイプのメディアリソースによって形成されるメディアリソース空間;
オーディオ再生シーンで再生されるオーディオタイプのメディアリソースによって形成されるメディアリソース空間;
図書閲覧シーンで再生されるテキストタイプのメディアリソースによって形成されるメディアリソース空間。 - 請求項3記載のシステムであって、
トレーニング方法は、さらに、以下のステップを含む:
第1の対象ロットのサンプルデータに基づいてニューラルネットワークの訓練を行い、中間状態ニューラルネットワークを得る。
中間状態ニューラルネットワークの精度情報と予め設定された精度情報目標値との差に基づいて、中間状態ニューラルネットワークをクリッピング処理してクリッピング後ニューラルネットワークを得る。
クロッピング後のニューラルネットワークのトレーニングは、第2の対象ロットのサンプルデータに基づいて行われる。 - コンピュータ読み取り可能な記憶媒体、請求項1~8のいずれかに記載のユーザの興味嗜好に基づいたドメイン間マイグレーション推奨システムを実現するためにプロセッサによってロードされ実行される少なくとも1つの命令または少なくとも1つのプログラムが、コンピュータ可読記憶媒体に記憶されていることを特徴とする。
- 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可能に接続されたメモリと、を備えることを特徴とする電子装置である。ここで、メモリは、少なくとも1つのプロセッサによって実行可能な命令を記憶し、少なくとも1つのプロセッサは、メモリに記憶された命令を実行することによって、請求項1~8のいずれかに記載のユーザの興味嗜好に基づくドメイン間マイグレーション推奨システムを実現する。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210920425.9A CN115481262A (zh) | 2022-08-02 | 2022-08-02 | 基于用户兴趣偏好的跨域迁移推荐系统 |
CN202210920425.9 | 2022-08-02 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024021038A true JP2024021038A (ja) | 2024-02-15 |
Family
ID=84422749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023068432A Pending JP2024021038A (ja) | 2022-08-02 | 2023-04-19 | ユーザの興味嗜好に基づくドメイン間移行推薦システム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2024021038A (ja) |
CN (1) | CN115481262A (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556149B (zh) * | 2024-01-11 | 2024-03-26 | 腾讯科技(深圳)有限公司 | 资源推送方法、装置、电子设备和存储介质 |
-
2022
- 2022-08-02 CN CN202210920425.9A patent/CN115481262A/zh not_active Withdrawn
-
2023
- 2023-04-19 JP JP2023068432A patent/JP2024021038A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
CN115481262A (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10572565B2 (en) | User behavior models based on source domain | |
CN110781321B (zh) | 一种多媒体内容推荐方法及装置 | |
JP6549128B2 (ja) | ガイドされたユーザアクションのためのシステムおよび方法 | |
US9684656B2 (en) | Creating personalized and continuous playlists for a content sharing platform based on user history | |
US9967628B2 (en) | Rating videos based on parental feedback | |
JP5572261B2 (ja) | 興味があるクラウドに含まれる関心タグに基づくコンテンツの選択 | |
US9607096B2 (en) | System and method for content access control | |
US10817791B1 (en) | Systems and methods for guided user actions on a computing device | |
US9386328B1 (en) | Thumbnail of content video to provide context to ad video playback | |
CN115203443A (zh) | 创建具有多个作者的单个播放列表 | |
CN101878482A (zh) | 社交协同过滤 | |
US20150213018A1 (en) | Method for recommending videos to add to a playlist | |
US9560159B1 (en) | Recommending media content to a user based on information associated with a referral source | |
US20230102640A1 (en) | System and methods for machine learning training data selection | |
JP2024021038A (ja) | ユーザの興味嗜好に基づくドメイン間移行推薦システム | |
KR20220140598A (ko) | 사용자 공급 기준들에 기초한 추천들을 위한 방법들 및 시스템들 | |
US20170264923A1 (en) | Dynamic manifest for content programming | |
US20110161838A1 (en) | Virtual space providing apparatus and method | |
KR20240064003A (ko) | 맞춤화된 보완 미디어 콘텐츠의 동적 통합 | |
CN113515696A (zh) | 推荐方法、装置、电子设备及存储介质 | |
KR102619044B1 (ko) | 기계학습 기반 추천 방법 및 그 시스템 | |
JP7385032B2 (ja) | メディアアイテムが提示されることになるユーザのグループのサイズを変更するためのシステムおよび方法 | |
RU2789842C2 (ru) | Способы и серверы для хранения данных, связанных с пользователями и цифровыми элементами рекомендательной системы | |
US20230020043A1 (en) | Method for identifying new audiences for content of a content provider | |
US20230379520A1 (en) | Time marking of media items at a platform using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230419 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230609 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240220 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240517 |