JP6985518B2 - パーソナライズされた推奨を生成するために適合されたクライアント、サーバ、およびクライアント−サーバシステム - Google Patents
パーソナライズされた推奨を生成するために適合されたクライアント、サーバ、およびクライアント−サーバシステム Download PDFInfo
- Publication number
- JP6985518B2 JP6985518B2 JP2020534387A JP2020534387A JP6985518B2 JP 6985518 B2 JP6985518 B2 JP 6985518B2 JP 2020534387 A JP2020534387 A JP 2020534387A JP 2020534387 A JP2020534387 A JP 2020534387A JP 6985518 B2 JP6985518 B2 JP 6985518B2
- Authority
- JP
- Japan
- Prior art keywords
- client
- model
- server
- update
- clients
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/34—Network arrangements or protocols for supporting network services or applications involving the movement of software or configuration parameters
Description
において好ましくは収集され、Nは、サーバに接続されたクライアントiの最大数であり、Mは、サーバで利用可能なアイテムjの最大数である。
で置き換えることである。
は、パーソナライズされたアイテムの推奨を生成するために使用される。
に対して、評価のような予測スコアを適用するために使用される。
のすべてではない場合、いくつかを含むいわゆる候補セットを生成するために使用されてもよく、予測モデリングモデルA2が、最初に推奨されたアイテムR1ijをスコアリングし、それらを重みで分類することによって、最終的な使用可能な推奨R2ijを生成するために使用されてもよい。
は、特定のクライアントだけでなく複数のクライアント、一実施形態においてはすべての可能なクライアントからの暗黙的および/または明示的なフィードバックに基づいてもよい。暗黙的なフィードバックは、例えばアプリケーションをダウンロードするなど、ユーザによって取られるアクションを含む。明示的なフィードバックは、アイテムのユーザレビューを含む。協調フィルタリングは、これら2種類のデータのみを使用するが、上述の予測モデリングは、人口統計学、行動データ、アイテムがどこで、いつ、アイテムが相互作用したか、およびどのような種類の装置が使用されたかのような他のユーザ活動関連データ、名前およびログインデータのような個人的なユーザデータ等の追加の種類の明示的なフィードバックを使用してもよい。
である。簡単のために、以下の説明では、クライアントiをそのユーザ、アイテムjをダウンロード可能なアプリケーションと同一視することがある。
で置き換えるために、例えば、行列因数分解を用いて使用される。行列因数分解は、各クライアントiに対してクライアント・ファクタ・ベクトル
、
と、各アイテムjに対してアイテム・ファクタ・ベクトル
、
と、を生成することを伴う。kは、ファクタの数であり、通常、MとNの両方よりもはるかに小さい。特定されていないrijの推定値は、
で与えられる。
に収集され、X=(x1,x2,...,xi,...,xM)であり、アイテム・ファクタ・ベクトルは、行列
に収集され、Y=(y1,y2,...,yj,...,yN)である。クライアント−アイテム行列Rはまた、言い換えると
で定義される。
である。値pij>0は、アプリケーション/アイテムjが評価されていることを意味し、値pij=0は、ユーザがアプリケーション/アイテムjを評価しなかったか、または単にアプリケーション/アイテムjが存在することに気づいていないことを意味する。
である。値pij=0は、ユーザ/クライアントiがアプリケーション/アイテムjに関心がないか、またはアプリケーション/アイテムjが存在することに気づいていないことを含めて、多くの解釈を有することができる。これを説明するために、信頼パラメータcijが導入され、
として定義され、α>0である。暗黙的なフィードバック問題は、言い換えると、信頼レベルcijを考慮に入れる必要があるという点で、標準の明示的なフィードバック問題とは異なる。
を用いて更新され、Y、
は、アイテム・ファクタ・ベクトルの前述の行列であり、Ciは、
である対角行列であり、Iは、単位行列であり、
は、クライアントiに対するバイナリ嗜好変数ベクトルである。
はサーバに配置され、サーバで更新され、その後、各クライアントiに配布される。すべてのクライアント・ファクタ・ベクトル
はクライアントiにとどまり、ローカル・クライアント・データuiとサーバからのアイテム・ファクタ・ベクトルとを使用してクライアントで更新される。更新は、各クライアントiのアイテムjから計算され、サーバに送信され、集約され、yjが更新される。
を計算をするのに必要な値はすべて、アイテム・ファクタ・ベクトル
の現在のセットがクライアントiにダウンロードされている限り、クライアントiで利用可能であり、Yはアイテム・ファクタ・ベクトルの行列、Ciは、
である対角行列であり、λは、正則化ファクタであり、Iは、単位行列であり、
は、クライアントiに対するバイナリ嗜好変数ベクトルである。さらに、これらの値はすべて、任意の他のクライアントiの対応する値から独立している。従って、ALSアルゴリズムの第1ステップに対応するものは、他のクライアントを参照することなく、各個々のクライアントiで計算することができる。
は、クライアント・ファクタ・ベクトルの行列Xを必要とし、この更新は、すべてのクライアントデータが利用可能なサーバで行わなければならない。ALS法におけるように、yjの更新を直接計算するのではなく、本開示は、勾配降下アプローチを適用して、サーバで更新されたyjを計算する。より具体的には、本開示は、式
を用いて更新yj、すなわち、更新行列Yを計算し、Yはゲイン関数であり、∂J/∂yjは、式
を用いて計算される。
に由来し、λは、正則化ファクタである。コスト関数Jは、クライアント・ファクタ・ベクトル行列Xとアイテム・ファクタ・ベクトル行列Yの計算を交互に行うことによって最小化される。コスト関数Jを最小化するための第一段階は、∂J/∂xiおよび∂J/∂yjを用いて、すべてクライアントiに対するxiおよびすべてのアイテムjに対するyjについて、Jを微分することである。
を用いて計算される、すなわち、f(i,j)は、他のすべてのクライアントとは独立に、各クライアントiで計算される。
を計算し、推定値は、パーソナライズされた推奨を生成するために使用される。図1に示すように、機械学習モデルA1は、最初に、集中サーバに配置され、各ユーザ装置/クライアントiに配布される。初期モデルA1は、モデルA1およびクライアントに配置されるクライアントデータuiを使用して、各クライアントで更新される。各ユーザ装置/クライアントで生成された更新dA1i、または完全更新モデルA12iは、サーバに返送され、すべての決定されたクライアントを横断して集約され、新しいモデルコンポーネントA12を生成し、これが次にクライアントiにダウンロードされ、モデルA13iを形成するように更新される。
A.ダウンロードしたモデルA1,...,AK、およびローカル・クライアント・データセットuiを用いて、更新モデルA12i,...,AK2iを計算する。
B.更新モデルA12i,...,AK2iをサーバにアップロードし、更新モデルA12i,...,AK2iは、サーバが新しい更新モデルA12,...,AK2を計算するために使用される。
C.新しい更新モデルA12,...,AK2をサーバからダウンロードする。
D.新しい更新モデルA12,...,AK2およびローカル・クライアント・データセットuiを用いて少なくとも1つのさらなる更新モデルA13i,...,AK3iを計算する。
を用いて、更新が実行され、p(i)は、クライアントiに対するバイナリ嗜好変数ベクトル、Riは、クライアントiに対する既知の入力のベクトル、Iは、単位行列であり、λは、正規化パラメータである。
A.ローカル・クライアント・データセットuiを用いて、各ダウンロードしたモデルA1,...,AKに対する更新dA1i,...,dAKiを計算する。
B.更新dA1i,...,dAKiをサーバにアップロードし、更新dA1i,...,dAKiは、サーバが更新モデルA12,...,AK2を計算するために使用される。
C.更新モデルA12,...,AK2をサーバからダウンロードする。
D.ローカル・クライアント・データセットuiを用いて、更新モデルA12,...,AK2に対する新しい更新dA12i,...,dAK2iを計算する。
E.更新モデルA12,...,AK2、新しい更新dA12i,...,dAK2i、およびローカル・クライアント・データセットuiを用いて、少なくとも1つのさらなる更新モデルA13i,...,AK3iを計算する。
更新dA1i1,...,dAKi、dA12i1,...,dAK2iを計算することは、関数f(i,j)を用いて、各アイテムj1,...,jMの値を計算することを含む。
を用いて、更新が実行され、p(i)はクライアントiに対するバイナリ嗜好変数ベクトル、Riは、クライアントiに対する既知の入力のベクトルであり、Iは、単位行列であり、λは、正規化パラメータである。
を用いて実行され、γはゲイン関数である。各モデルA、例えばA1は、モデルパラメータyについて最小化されるコスト関数J1を有する。∂J/∂yjは、dA1iの合計、すなわち、クライアントi1〜iNによって提供されるdA1によって与えられる。
A.クライアントi1,...,iNのうちのいくつかを決定し、各決定されたクライアントiは、ダウンロードしたモデルA1,...,AKおよびローカル・クライアント・データセットuiを用いて、更新モデルA12i,...,AK2iを計算し、サーバに更新モデルA12i,...,AK2iをアップロードするように構成されている。
B.決定されたクライアントi1,...,iNの少なくとも1つによってアップロードされた更新モデルA12i,...,AK2iを受信する。
C.受信した更新モデルA12i,...,AK2iを平均することを用いて、新しい更新モデルA12,...,AK2を計算する。
A.クライアントi1,...,iNのうちのいくつかを決定し、各決定されたクライアントiは、ローカル・クライアント・データセットuiを用いて、更新dA1i,...,dAKiを計算し、サーバに更新dA1i,...,dAKiをアップロードするように構成されている。
B.決定されたクライアントi1,...,iNの少なくとも1つによってアップロードされた更新dA1i,...,dAKiを受信する。
C.モデルA1,...,AKおよび受信した更新モデルdA1i,...,dAKiの集約することを用いて、新しい更新モデルA12,...,AK2を計算する。
Claims (11)
- クライアント(i)のユーザのためにパーソナライズされたアイテムの推奨を生成するように適合されたクライアントであって、
当該クライアント(i)は、アイテムのグローバルセット(j1,...,jM)および少なくとも1つのモデル(A1,...,AK)を利用するサーバに接続されており、
当該クライアントは、
前記サーバからダウンロードした少なくとも1つのモデル(A1,...,AK)を利用することと、
前記ダウンロードしたモデル(A1,...,AK)の少なくとも1つおよび当該クライアント(i)に記憶されたローカル・クライアント・データセット(ui)を用いて、前記アイテム(j1,...,jM)の少なくとも1つ(jp)を含む推奨セット(Rij)を生成することと、をするように構成されており、
当該クライアント(i)は、
A.前記ダウンロードしたモデル(A1,...,AK)および前記ローカル・クライアント・データセット(u i )を用いて更新モデル(A12 i ,...,AK2 i )を計算することと、
B.前記更新モデル(A12 i ,...,AK2 i )を前記サーバにアップロードすることであって、前記更新モデル(A12 i ,...,AK2 i )は、前記サーバが新しい更新モデル(A12,...,AK2)を計算するために使用される、アップロードすることと、
C.前記サーバから前記新しい更新モデル(A12,...,AK2)をダウンロードすることと、
D.前記新しい更新モデル(A12,...,AK2)および前記ローカル・クライアント・データセット(u i )を用いて、少なくとも1つの更なる更新モデル(A13 i ,...,AK3 i )を計算することと、
を用いて各ダウンロードされたモデルを更新するように構成されている、クライアント。 - 前記モデル(A1,...,AK)は、協調フィルタリング、予測モデリング、および/または深層学習モデルを含む、請求項1に記載のクライアント。
- 前記クライアント・データセット(ui)は、暗黙的なユーザフィードバック、および/または明示的なユーザフィードバックを含む、請求項1または2に記載のクライアント。
- 前記推奨セット(Rij)は、2つのモデル(A1、A2)の組み合わせと前記クライアント・データセット(ui)を用いて生成され、一方のモデル(A1)は協調フィルタリングであり、他方のモデル(A2)は予測モデリングである、請求項1〜3のいずれか1項に記載のクライアント。
- 前記推奨セット(Rij)は、1つのモデル(A1、A12、A13)および前記クライアント・データセット(ui)を用いて生成された第1の推奨セット(R1ij)と、さらなるモデル(A2、A22)、前記第1の推奨セット(R1ij)および前記クライアント・データセット(ui)を用いて生成された第2の推奨セット(R2ij)とを含む、請求項1〜4のいずれか1項に記載のクライアント。
- 前記第2の推奨セット(R2ij)を生成することは、前記第1の推奨セット(R1ij)の個々のアイテム(jp)を選択し、スコアリングすることを含む、請求項5に記載のクライアント。
- 当該クライアント(i)は、さらなる更新モデル(A13i,...,AK3i)および前記ローカル・クライアント・データセット(ui)を用いて推奨セット(Rij)を生成するようにさらに構成されている、請求項1に記載のクライアント。
- クライアント(i)で、前記クライアント(i)のユーザのためのパーソナライズされたアイテムの推奨を生成するのを支援するように適合されたサーバであって、
当該サーバは、アイテムのグローバルセット(j1,...,jM)および少なくとも1つのモデル(A1,...,AK)を利用するように構成されており、
当該サーバは、複数のクライアント(i1,...,iN)に接続されており、各クライアント(i)は、前記モデル(A1,...,AK)をダウンロードし、前記モデル(A1,...,AK2i)に対する更新モデル(A12i,...,AK2i )を生成するように構成されており、
当該サーバは、さらに、
前記クライアント(i1,...,iN)の少なくとも1つによってアップロードされた更新モデル(A12i,...,AK2i )を用いて新しい更新モデル(A12,...,AK2)を生成することと、
前記複数のクライアント(i1,...,iN)に前記新しい更新モデル(A12,...,AK2)を送信することと、をするように構成されており、
前記クライアント(i)に記憶された前記新しい更新モデル(A12,...,AK2)およびローカル・クライアント・データセット(ui)は、各クライアント(i)が前記パーソナライズされたアイテムの推奨を生成するために使用される、サーバ。 - 当該サーバには、前記モデルを利用する前に、前記少なくとも1つのモデル(A1,...,AK)が割り当てられ、割り当てることは、ランダムモデルまたは既知のモデルのうちの1つを選択することを含む、請求項8に記載のサーバ。
- 当該サーバは、
D.前記クライアント(i1,...,iN)のうちのいくつかを決定することであって、各決定されたクライアント(i)は、前記ダウンロードしたモデル(A1,...,AK)および前記ローカル・クライアント・データセット(ui)を用いて更新モデル(A12i,...,AK2i)を計算し、前記更新モデル(A12i,...,AK2i)を当該サーバにアップロードするように構成されている、決定することと、
E.前記決定されたクライアント(i1,...,iN)の少なくとも1つによってアップロードされた更新モデル(A12i,...,AK2i)を受信することと、
F.前記受信した更新モデル(A12i,...,AK2i)を平均することによって、前記新しい更新モデル(A12,...,AK2)を計算することと、
を用いて前記新しい更新モデルを生成するように構成されている、請求項8または9に記載のサーバ。 - クライアント(i)のユーザに対してパーソナライズされたアイテムの推奨を生成するように適合された機械学習クライアント−サーバシステムであって、請求項1〜7のいずれか一項に記載の複数のクライアントと、請求項8〜10のいずれか一項に記載のサーバとを含む、クライアント−サーバシステム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2017/084491 WO2019120578A1 (en) | 2017-12-22 | 2017-12-22 | Client, server, and client-server system adapted for generating personalized recommendations |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021508395A JP2021508395A (ja) | 2021-03-04 |
JP6985518B2 true JP6985518B2 (ja) | 2021-12-22 |
Family
ID=60935863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020534387A Active JP6985518B2 (ja) | 2017-12-22 | 2017-12-22 | パーソナライズされた推奨を生成するために適合されたクライアント、サーバ、およびクライアント−サーバシステム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20200342358A1 (ja) |
EP (1) | EP3698308A1 (ja) |
JP (1) | JP6985518B2 (ja) |
CN (1) | CN111492391A (ja) |
RU (1) | RU2763530C1 (ja) |
WO (1) | WO2019120578A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6699764B1 (ja) * | 2019-01-16 | 2020-05-27 | 株式会社富士通ゼネラル | 空気調和システム |
US11086754B2 (en) * | 2019-07-02 | 2021-08-10 | International Business Machines Corporation | Automated feedback-based application optimization |
KR20210086008A (ko) | 2019-12-31 | 2021-07-08 | 삼성전자주식회사 | 컨텐츠 추천 모델을 개인화하는 방법 및 장치 |
WO2021185428A1 (en) * | 2020-03-16 | 2021-09-23 | Huawei Technologies Co., Ltd. | Enabling generation of personalized recommendations |
EP4091075A1 (en) * | 2020-03-16 | 2022-11-23 | Huawei Technologies Co., Ltd. | Generation of personalized recommendations |
CN113536097B (zh) * | 2020-04-14 | 2024-03-29 | 华为技术有限公司 | 基于自动特征分组的推荐方法及装置 |
CN112733181B (zh) * | 2020-12-18 | 2023-09-15 | 平安科技(深圳)有限公司 | 一种产品推荐方法、系统、计算机设备及存储介质 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7475027B2 (en) * | 2003-02-06 | 2009-01-06 | Mitsubishi Electric Research Laboratories, Inc. | On-line recommender system |
JP4240096B2 (ja) * | 2006-09-21 | 2009-03-18 | ソニー株式会社 | 情報処理装置および方法、プログラム並びに記録媒体 |
US7685232B2 (en) * | 2008-06-04 | 2010-03-23 | Samsung Electronics Co., Ltd. | Method for anonymous collaborative filtering using matrix factorization |
US20110060738A1 (en) * | 2009-09-08 | 2011-03-10 | Apple Inc. | Media item clustering based on similarity data |
US8676736B2 (en) * | 2010-07-30 | 2014-03-18 | Gravity Research And Development Kft. | Recommender systems and methods using modified alternating least squares algorithm |
HUP1000408A2 (en) * | 2010-07-30 | 2012-03-28 | Gravity Res & Dev Kft | Recommender systems and methods |
JP2013228947A (ja) * | 2012-04-26 | 2013-11-07 | Sony Corp | 端末装置、情報処理装置、推薦システム、情報処理方法、及びプログラム |
US10261938B1 (en) * | 2012-08-31 | 2019-04-16 | Amazon Technologies, Inc. | Content preloading using predictive models |
US8983888B2 (en) * | 2012-11-07 | 2015-03-17 | Microsoft Technology Licensing, Llc | Efficient modeling system for user recommendation using matrix factorization |
US9691035B1 (en) * | 2014-04-14 | 2017-06-27 | Amazon Technologies, Inc. | Real-time updates to item recommendation models based on matrix factorization |
WO2015188349A1 (en) * | 2014-06-12 | 2015-12-17 | Hewlett-Packard Development Company, L.P. | Recommending of an item to a user |
US10223727B2 (en) * | 2014-10-20 | 2019-03-05 | Oath Inc. | E-commerce recommendation system and method |
US10114824B2 (en) * | 2015-07-14 | 2018-10-30 | Verizon Patent And Licensing Inc. | Techniques for providing a user with content recommendations |
US20170061286A1 (en) * | 2015-08-27 | 2017-03-02 | Skytree, Inc. | Supervised Learning Based Recommendation System |
US10795900B1 (en) * | 2015-11-11 | 2020-10-06 | Twitter, Inc. | Real time analyses using common features |
JP6679415B2 (ja) * | 2016-05-30 | 2020-04-15 | ヤフー株式会社 | 選択装置、選択方法および選択プログラム |
WO2018005489A1 (en) * | 2016-06-27 | 2018-01-04 | Purepredictive, Inc. | Data quality detection and compensation for machine learning |
-
2017
- 2017-12-22 CN CN201780097874.5A patent/CN111492391A/zh active Pending
- 2017-12-22 JP JP2020534387A patent/JP6985518B2/ja active Active
- 2017-12-22 WO PCT/EP2017/084491 patent/WO2019120578A1/en unknown
- 2017-12-22 EP EP17825542.8A patent/EP3698308A1/en active Pending
- 2017-12-22 RU RU2020122720A patent/RU2763530C1/ru active
- 2017-12-22 US US16/956,258 patent/US20200342358A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
EP3698308A1 (en) | 2020-08-26 |
JP2021508395A (ja) | 2021-03-04 |
CN111492391A (zh) | 2020-08-04 |
US20200342358A1 (en) | 2020-10-29 |
RU2763530C1 (ru) | 2021-12-30 |
WO2019120578A1 (en) | 2019-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6985518B2 (ja) | パーソナライズされた推奨を生成するために適合されたクライアント、サーバ、およびクライアント−サーバシステム | |
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
US10127618B2 (en) | Determining connectivity within a community | |
US9691035B1 (en) | Real-time updates to item recommendation models based on matrix factorization | |
Tang et al. | Cloud service QoS prediction via exploiting collaborative filtering and location‐based data smoothing | |
Xu et al. | Integrated collaborative filtering recommendation in social cyber-physical systems | |
WO2016015444A1 (zh) | 一种目标用户的确定方法、设备和网络服务器 | |
CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
KR101785219B1 (ko) | 사물 인터넷 환경에서의 그룹 사용자를 위한 그룹 구성 정보 기반 서비스 추천 방법 | |
US20150039539A1 (en) | Method and Apparatus For Propagating User Preference Information in a Communications Network | |
KR20180137351A (ko) | 사용자 행위 기반의 아이템 추천 방법 및 장치 | |
US20210109906A1 (en) | Clustering model analysis for big data environments | |
CN111340522B (zh) | 资源推荐方法、装置、服务器及存储介质 | |
KR102262118B1 (ko) | 사용자 맞춤형 추천정보 제공장치 및 제공방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 해독 가능한 기록 매체 | |
CN104462093B (zh) | 个人推荐方案 | |
CN112926090A (zh) | 基于差分隐私的业务分析方法及装置 | |
CN111475744A (zh) | 一种基于集成学习的个性化位置推荐方法 | |
JP6351813B1 (ja) | 選択装置、選択方法および選択プログラム | |
WO2017095371A1 (en) | Product recommendations based on selected user and product attributes | |
CN111492392B (zh) | 用于更新客户端-项目矩阵的客户端、服务器和客户端-服务器系统 | |
Al-Zanbouri et al. | Data-aware web service recommender system for energy-efficient data mining services | |
Raghavendra et al. | Analysis of Prediction Accuracies for Memory Based and Model-Based Collaborative Filtering Models | |
CN112307319A (zh) | 一种页面生成方法及装置 | |
Smirnov et al. | Multicriteria Context-Driven Recommender Systems: Model and Method | |
Sassani et al. | A cluster based collaborative filtering method for improving the performance of recommender systems in e-commerce |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200703 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200703 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210716 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210720 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211020 |
|
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: 20211102 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211125 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6985518 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |