JP7065122B2

JP7065122B2 - 推奨情報の取得方法及び装置、電子機器

Info

Publication number: JP7065122B2
Application number: JP2019569754A
Authority: JP
Inventors: ▲彪▼ ▲湯▼; 弓 ▲張▼; ▲チン▼ ▲蘇▼; 皓▲潔▼ 郭; 玉清 ▲覃▼; 培旭侯
Original assignee: Beijing Sankuai Online Technology Co Ltd
Current assignee: Beijing Sankuai Online Technology Co Ltd
Priority date: 2017-07-26
Filing date: 2017-12-29
Publication date: 2022-05-11
Anticipated expiration: 2037-12-29
Also published as: EP3623956A4; KR20200007917A; CA3066941A1; EP3623956A1; WO2019019554A1; CN107688606A; KR102370408B1; JP2020523714A; US20200117675A1

Description

（関連出願の相互参照）
本特許出願は２０１７年７月２６日に提出した、出願番号が２０１７１０６１８７９２．２、発明名称が「推奨情報の取得方法及び装置、電子機器」の中国特許出願の優先権を主張し、該出願の全内容が引用により本明細書に組み込まれている。

本願はコンピュータの技術分野に関し、特に推奨情報の取得方法及び装置、電子機器に関する。

ドロップダウン候補（ｓｕｇｇｅｓｔ）は、ユーザーからの（検索ボックスでの）入力テキストを関連付け、ユーザーが選択することに供するように、一致する関連候補語を推奨して表示することによって、ユーザーの入力コストを低下させるとともに、関連付け結果の品質を制御して、検索エンジンの理解及び検索を簡単にし、それによりユーザーの検索体験を向上させることを目的とする。ドロップダウン候補は、通常、ユーザーによって入力されるテキストに基づいて前方一致を行い、例えば、入力される語句の先頭の重み及び各重みでの各ドロップダウン候補結果の重みに基づいて各推奨情報の推奨確率を計算し、例えば、「火」を検索すると、ｓｕｇｇｅｓｔが「火鍋」などの推奨情報を候補情報として表示してユーザーに選択させる。さらに、ユーザーに提供される推奨情報を拡張するために、候補情報ごとに、該候補情報に関連するカテゴリ情報を推奨してユーザーに選択させるようにしてもよい。例えば、ユーザーがキーワード「シャツ」を入力して検索する場合、候補情報は「シャツワンピース」を含むとともに、システムは所定のタグシソーラスに応じて、候補情報「シャツワンピース」のカテゴリタグを選択し、その後、候補情報のカテゴリ情報、例えば、ロング、スリム、韓国風などを推奨し、推奨情報が単一である。

本願は推奨情報の取得方法を提供し、取得する推奨情報をできるだけ豊富にする。

上記問題を解決するために、第１態様によれば、本願は推奨情報の取得方法を提供し、
表示対象の候補情報を取得するステップと、
前記候補情報、及びコアワードに基づいて前記コアワードの多次元情報をタグで記述するナレッジグラフである所定のタグナレッジグラフに基づいてタグプールを構築するステップと、
前記タグプールから所定数のタグを選択してユーザーに推奨するステップと、を含む。

第２態様によれば、本願は推奨情報の取得装置を提供し、
表示対象の候補情報を取得する候補情報取得モジュールと、
前記候補情報、及びコアワードに基づいて前記コアワードの多次元情報をタグで記述するナレッジグラフである所定のタグナレッジグラフに基づいてタグプールを構築するタグプール構築モジュールと、
前記タグプールから所定数のタグを選択してユーザーに推奨する推奨モジュールと、を備える。

第３態様によれば、本願は電子機器をさらに開示し、メモリ、プロセッサ、及び前記メモリに記憶され前記プロセッサ上で実行可能なコンピュータプログラムを備え、前記プロセッサは前記コンピュータプログラムを実行する時、本願の実施形態に係る推奨情報の取得方法を実現する。

第４態様によれば、本願はコンピュータ可読記憶媒体を提供し、コンピュータプログラムが記憶され、該コンピュータプログラムがプロセッサによって実行される時、本願に開示されている推奨情報の取得方法のステップを実現する。

（発明の効果）
本願に開示されている推奨情報の取得方法は、表示対象の候補情報を取得し、前記候補情報及び所定のタグナレッジグラフに基づいてタグプールを構築し、その後、前記タグプールから所定数のタグを選択してユーザーに推奨することによって、ユーザーに推奨される情報を豊富にする。且つ、所定の方法によって、取得されたタグプールにおいてタグを選択することによって、ユーザーに推奨されるタグがリアルタイムに変化し、推奨情報の新規性を向上させる。

本願の技術案をより明瞭に説明するために、以下、実施形態又は従来技術の説明に必要な図面を簡単に説明し、明らかなように、以下、説明される図面は本願のいくつかの実施形態に過ぎず、当業者は創造的な努力をせずにこれらの図面に基づきほかの図面を想到し得る。
本願の一実施形態に係る推奨情報の取得方法のフローチャートである。本願の別の実施形態に係る推奨情報の取得方法のフローチャートである。本願の一実施形態に係る推奨情報の取得装置の構造模式図である。本願の別の実施形態に係る推奨情報の取得装置の構造模式図である。本願のさらに別の実施形態に係る推奨情報の取得装置の構造模式図である。

以下、本願の実施形態の図面を参照して、本願の実施形態例の技術案を明瞭かつ完全に説明し、明らかなように、説明される実施形態は単に本願の一部の実施形態に過ぎず、すべての実施形態ではない。本願の実施形態に基づいて、当業者が創造的な努力をせずに想到し得るほかの実施形態はすべて本願の保護範囲に属する。

本願の実施形態に係る推奨情報の取得方法は検索推奨分野に適用できる。例えば、ユーザーがアプリケーションページによって検索語を入力すると、検索エンジンは前方検索に基づいて、複数の検索結果を呼び出して候補情報として表示する。候補情報ごとに、推奨システムは本願に開示されている推奨情報の取得方法を呼び出して対応する推奨情報を取得し、適切な位置で表示する。

（実施形態１）
本実施形態に開示されている推奨情報の取得方法は、図１に示すように、ステップ１００～ステップ１２０を含む。

ステップ１００では、表示対象の候補情報を取得する。

推奨アプリケーションにおいて、ユーザーが検索キーワードを入力すると、検索エンジンは前方一致の方式で対応する検索結果をフィードバックしてユーザーに表示する。その後、推奨アプリケーションは検索結果の一致度又はクリック率などの指標に応じて、指標が最適な所定数の検索結果を候補情報として選択し、推奨アプリケーションが検索ページでユーザーに表示する。具体的な実施では、ユーザーが検索キーワードを入力したことが検出されると、検索エンジンによって提供されるインターフェースを呼び出して、ユーザーに表示される候補情報を取得する。

ステップ１１０では、前記候補情報及び所定のタグナレッジグラフに基づいてタグプールを構築する。

前記タグナレッジグラフは、前記候補情報をコアワードとし、前記候補情報の対応する次元情報をタグで記述するナレッジグラフである。

候補情報に基づいて情報推奨を行う前、まず、タグナレッジグラフを作成する。

タグナレッジグラフを作成する際に、まず、可能な候補情報を決定する。候補情報は通常、ユーザーの検索ログ及び検索結果のクリックログに基づいて取得される。例えば、多くのユーザーが「自動車」を入力した後、「自動車美容」という検索結果をクリックする場合、タグナレッジグラフを作成する際に、「自動車美容」を１つの候補情報とする。

タグナレッジグラフは候補情報をコアワードとし、前記候補情報の対応する次元情報をタグで記述するナレッジグラフである。タグナレッジグラフは複数のコアワードを含み、コアワードごとに、該コアワードの多次元知識体系が構築されており、最後にクラスター化されたナレッジグラフを形成する。タグは該コアワードの各次元の情報を記述するためのものであり、例えば、コアワード「自動車美容」について、そのカテゴリ次元の情報が「内部美容」、「塗装面のメンテナンス」で記述され、そのブランド次元の情報が「自動車ワークショップ」、「自動車億佰」で記述される場合、候補情報「自動車美容」のタグは「内部美容」、「塗装面のメンテナンス」、「自動車ワークショップ」、「自動車億佰」を含む。その後、データ構造によって候補情報と各タグの階層及びカテゴリ所属関係を表し、前記候補情報ごとのナレッジグラフを形成する。具体的な実施では、タグに関連する次元はカテゴリ、子カテゴリ、追加属性などを含み、追加属性として、店舗情報、ブランド情報、地域情報、製品特徴情報などが含まれる。コアワード及びコアワードのタグは通常、プラットフォームデータの分析によって具体的なビジネスニーズに応じて決定される。

具体的な実施では、タグナレッジグラフは木構造で表されてもよい。木構造のルートノードはクラスター化されたナレッジグラフの各コアワードであり、木構造のリーフノードはコアワードの各次元のタグである。前記候補情報と所定のタグナレッジグラフ中の各コアワードとを一致させ、その後、一致が成功するコアワードに対応するタグナレッジグラフ中のすべてのタグを該候補情報のタグとしてタグプールに追加する。

ステップ１２０では、前記タグプールから所定数のタグを選択してユーザーに推奨する。

表示空間の制限の点から、通常、前記タグプールから所定数のタグを選択してユーザーに推奨し、例えば、候補情報ごとに３個の推奨タグが表示される。ユーザーに表示されるタグを選択する時、所定数のタグをランダムに選択してユーザーに表示してもよく、クリック率が高いタグをユーザーに表示してもよく、又は、信頼上限アルゴリズムによって前記タグプールから推奨値が最も高い所定数のタグを選択してユーザーに推奨する。推奨値の計算過程では、タグの履歴クリックデータに応じて、又はタグの履歴クリックデータと推奨を受け入れるユーザーのユーザー特徴との組合せに応じてタグの推奨値を計算する。

本願の実施形態に開示されている推奨情報の取得方法は、表示対象の候補情報を取得し、前記候補情報及び所定のタグナレッジグラフに基づいてタグプールを構築し、その後、前記タグプールから所定数のタグを選択してユーザーに推奨することによって、従来技術では取得される推奨情報が単一で、所定のタグシソーラスに対して変化しないという問題を解決する。所定のタグナレッジグラフに基づいてタグプールを構築することによって、ユーザーに推奨される情報を豊富にする。所定の方法によって、取得されたタグプールにおいてタグを選択することによって、ユーザーに推奨されるタグがリアルタイムに変化し、推奨情報の新規性を向上させる。

（実施形態２）
本実施形態に開示されている推奨情報の取得方法は、図２に示すように、ステップ２００～ステップ２３０を含む。

ステップ２００では、タグナレッジグラフを構築する。

タグナレッジグラフは候補情報をコアワードとし、前記候補情報の対応する次元情報をタグで記述するナレッジグラフである。タグはコアワードに関連する単語、例えば、コアワードの各次元の属性を記述する単語である。タグナレッジグラフは複数のコアワードを含み、コアワードのタグごとに、コアワードとタグとの階層関連付け関係が該コアワードの多次元知識体系を構成し、最後にクラスター化されたナレッジグラフを形成する。タグは該コアワードの各次元の情報を記述するためのものであり、例えば、コアワード「自動車美容」について、そのカテゴリ次元の情報が「内部美容」、「塗装面のメンテナンス」で記述され、そのブランド次元の情報が「自動車ワークショップ」、「自動車億佰」で記述される場合、候補情報「自動車美容」のタグは「内部美容」、「塗装面のメンテナンス」、「自動車ワークショップ」、「自動車億佰」を含む。その後、データ構造によって候補情報と各タグの階層及びカテゴリ所属関係を表し、前記候補情報ごとのナレッジグラフを形成する。具体的な実施では、タグに関連する次元はカテゴリ、子カテゴリ、追加属性などを含み、追加属性として、店舗情報、ブランド情報、地域情報、製品特徴情報などが含まれる。コアワード及びコアワードのタグは通常、プラットフォームデータの分析によって、具体的なビジネスニーズに応じて決定される。

タグナレッジグラフを構築することは、構造化関心点データに基づいてタグナレッジグラフを構築するステップ、及び／又は、ユーザー行動ログに基づいてタグナレッジグラフを構築するステップを含む。具体的な実施では、構造化関心点データのみに基づいてタグナレッジグラフを構築してもよく、ユーザー行動ログのみに基づいてタグナレッジグラフを構築してもよく、構造化関心点データ及びユーザー行動ログの両方に基づいてタグナレッジグラフを構築してもよい。

構造化関心点データに基づいてタグナレッジグラフを構築する場合、タグナレッジグラフを構築する方法は具体的には、構造化関心点データ中の関心点名称、カテゴリ名称及び追加属性名称に基づいて、コアワード及び前記コアワードのタグを決定するステップと、前記構造化関心点データのカテゴリ体系階層関係、追加属性体系階層関係、及びカテゴリ体系と追加属性体系との対応関係に基づいて、各タグのツリー関係を作成するステップと、を含み、各前記ツリー関係のルートノードは該クラスター化されたタグナレッジグラフのコアワード、リーフノードは対応する階層のタグである。

構造化関心点（ＰｏｉｎｔｏｆＩｎｔｅｒｅｓｔ）データは、以下、ＰＯＩデータと略称され、通常、検索又は推奨プラットフォームが商品情報を記述するデータであり、ＰＯＩデータは通常、カテゴリ体系及び追加属性体系を含む。

カテゴリ体系はビジネスニーズに応じて、商品に対して異なるカテゴリタグ、及び前記カテゴリの階層関係を設定する。カテゴリタグは、親カテゴリ名称、及び子カテゴリ名称を含み、カテゴリ階層関係は、所属カテゴリ、所属カテゴリの親カテゴリ、所属カテゴリに含まれる子カテゴリなどを含む。「美容」ビジネスを例に、カテゴリ体系に含まれる親カテゴリはネイルアート、理髪、ヨガ、ダンス、タトゥーなどを含み、理髪カテゴリはさらに染毛、散髪、ヘアスタイリングなどの複数の子カテゴリに分けられ、以下同様に、階層カテゴリ関係を構成する。ＰＯＩデータのカテゴリ体系に基づいて所定数の商品のタグナレッジグラフを取得できる。

追加属性体系はビジネスニーズに応じて、商品に対して異なる追加属性タグ、及び前記追加属性の階層関係を設定する。「ネイルアート」製品を例に、「ネイルアート」は関心点名称であり、その追加属性が彩色上絵、つや消しなどの追加属性タグを含んでもよい。「彩色上絵」タグの下位層がさらにリッチ、フレッシュ、パストラルなどの属性を含む。カテゴリ体系と追加属性体系の情報は相互に補充し、タグナレッジグラフを構築するより全面的なデータを取得できる。

各ＰＯＩデータは複数のフィールドを含み、それぞれＰＯＩ名称、所属親カテゴリ、所属子カテゴリ、属性情報などを表す。具体的な実施では、ＰＯＩデータを解析することによって、ＰＯＩ名称に対応するカテゴリ名称、各カテゴリ名称の階層関係、追加属性名称、各属性名称の階層関係などを取得する。カテゴリ体系と追加属性体系は関連付け関係を有し、例えば、「ネイルアート」のカテゴリ階層が親カテゴリ、「彩色上絵」のカテゴリ階層が子カテゴリである。ＰＯＩデータから抽出される上記情報に基づいて、タグナレッジグラフを構築することができる。

具体的な実施では、コアワードが「ネイルアート」であることを例に、下位タグが「彩色上絵」及び「つや消し」を含み、それに基づいて、「ネイルアート」のタグナレッジグラフを構築できる。木構造で該タグナレッジグラフを表す場合、ルートノードは「ネイルアート」であり、リーフノードは「彩色上絵」及び「つや消し」を含む。具体的な実施では、さらにリッチ、フレッシュ、パストラルなどの追加属性を記述するタグをリーフノード、すなわち「彩色上絵」のリーフノードとして、タグナレッジグラフを完備させるようにしてもよい。

ユーザー行動ログに基づいてタグナレッジグラフを構築する場合、タグナレッジグラフを構築する方法は具体的には、マイニングされたユーザー行動ログの頻出アイテム集合に基づいて、コアワード及び前記コアワードのタグを決定するステップと、各頻出アイテム間の所定関連付け関係に基づいて、対応するタグのツリー関係を作成するステップと、を含み、前記ツリー関係のルートノードは該クラスター化されたタグナレッジグラフのコアワード、リーフノードはタグであり、前記所定関連付け関係は、商品と店舗との関連付け関係、及び店舗と商圈との関連付け関係を含む。

検索プラットフォーム又は推奨プラットフォームは、プラットフォームにおけるアプリケーションが大量のユーザー行動ログを有し、大量のユーザー履歴行動データを分析することによって、コアワード及びコアワードに関連するタグを取得できる。具体的な実施では、ユーザー行動ログに対して、マイニングアルゴリズムを用いてログデータ中の頻出アイテム集合をマイニングし、マイニングされた頻出アイテム集合からコアワード及び該コアワードのタグを選択し、具体的な実施では、検索語をコアワードとし、具体的なビジネスニーズに応じて、マイニングされた頻出アイテムから該コアワードのタグを選択し、且つコアワードからタグまでの階層関係を作成するようにしてもよい。例えば、ザリガニを検索するユーザーが大量「滬小胖」をクリックする場合、「滬小胖」がザリガニのタグとなる。「ザリガニ」をツリー関係のルートノードとし、「滬小胖」をツリー関係のリーフノードとすると、コアワード「ザリガニ」のタグナレッジグラフの一部を構成する。

具体的な実施では、ユーザー行動ログに対して頻出アイテム集合マイニングを行い、大部分のユーザーが特定の単語を検索する時にクリックする店舗をマイニングした後、さらにクリックされた店舗の分布を計算し、その後、店舗をコアワードとし、店舗が分布する商圈を店舗のタグとし、店舗から商圈までの階層関係を作成し、さらにタグナレッジグラフを構築するようにしてもよい。すなわち、店舗をツリー関係のルートノード、商圈をツリー関係のリーフノードとする。

具体的な実施では、頻出アイテム集合マイニング方法によって、ビジネスニーズに応じてコアワード及びタグを選択し、さらにタグコアワードのタグナレッジグラフを作成するようにしてもよい。所定の関連付け関係として、さらに具体的なビジネスニーズに応じてほかの関係を設定してもよく、ここでは列挙しない。

ユーザー行動ログに基づいて頻出アイテム集合マイニングを行い、品質が高く、クリック率が高い店舗及び高品質の商圈をマイニングしてユーザーに推奨することで、さらにユーザー体験を向上させる。

ステップ２１０では、表示対象の候補情報を取得する。

推奨アプリケーションにおいて、ユーザーが検索キーワードを入力すると、検索エンジンは前方一致の方式で対応する検索結果をフィードバックしてユーザーに表示する。その後、推奨アプリケーションは検索結果の一致度又はクリック率などの指標に応じて、指標が最適な所定数の検索結果を候補情報として選択し、推奨アプリケーションが検索ページでユーザーに表示する。具体的な実施では、ユーザーが検索キーワードを入力したことが検出されると、検索エンジンによって提供されるインターフェースを呼び出して、ユーザーに表示される候補情報を取得する。具体的な実施では、前記候補情報はドロップダウン候補語の形式でユーザーに表示されてもよく、ほかの形式でユーザーに表示される。

ステップ２２０では、前記候補情報及び所定のタグナレッジグラフに基づいてタグプールを構築する。

具体的な実施では、前記した前記候補情報及び所定のタグナレッジグラフに基づいてタグプールを構築することは、前記候補情報と所定のタグナレッジグラフ中の各コアワードとを一致させるステップと、一致が成功するコアワードに対応するタグナレッジグラフ中のすべてのタグをタグプールに追加するステップと、を含む。

具体的な実施では、タグナレッジグラフが木構造で表されることを例とする。木構造のルートノードはクラスター化されたナレッジグラフの各コアワードであり、木構造のリーフノードはコアワードの各次元のタグである。前記候補情報と所定のタグナレッジグラフ中の各ルートノードのコアワードとを一致させ、その後、一致が成功するルートノード下のすべてのリーフノードに対応するタグを該候補情報のタグとしてタグプールに追加する。

各候補情報に対応するタグ数は該候補情報が位置するナレッジグラフの階層に関連し、階層が高いほど、対応するタグが多い。具体的な実施では、表示空間の制限によって、候補情報ごとに、ユーザーに表示される推奨語、すなわちタグの数は限られている。例えば、ドロップダウン語ごとに多くとも３個の関連タグが表示されるとともに、画面における多すぎるタグを回避するために、全画面において多くとも９個のタグが表示される。従って、通常、ナレッジグラフの階層の降順で、前記候補情報の一致が成功するコアワードが位置するナレッジグラフの上位層からのタグを用いてタグプールを構築する。

ステップ２３０では、前記タグプールから所定数のタグを選択してユーザーに推奨する。

表示空間の制限の点から、通常、前記タグプールから所定数のタグを選択してユーザーに推奨し、例えば候補情報ごとに３個の推奨タグが表示される。ユーザーに表示されるタグを選択する時、所定数のタグをランダムに選択してユーザーに表示してもよいが、ランダム選択の方法は多くの不人気のタグが過度表示され、貴重な表示チャンスを浪費してしまうことにつながり、クリック率が高いタグを選択してユーザーを表示してもよいが、この方法の欠陥は各ユーザーに表示されるタグが同じであるとともに、大量のタグが表示されないため、ユーザー体験を損なうことである。

好ましくは、具体的な実施では、前記した前記タグプールから所定数のタグを選択してユーザーに推奨することは、信頼上限アルゴリズムによって前記タグプールから所定数のタグを選択してユーザーに推奨するステップを含む。

前記信頼上限アルゴリズムによって前記タグプールから所定数のタグを選択してユーザーに推奨することは、タグに対するユーザーの履歴行動データに基づいて、前記タグプール中の各タグの予想収益を推定するステップと、前記候補情報の履歴タグの表示総回数及び前記タグプール中の各タグの表示総回数に基づいて、それぞれ前記タグプール中の各タグの収益調整指標を決定するステップと、前記予想収益と前記収益調整指標との和を前記タグプール中の各タグの推奨値とするステップと、前記タグプールから推奨値が最も高い所定数のタグを選択してユーザーに推奨するステップと、をさらに含む。

具体的な実施では、タグの予想収益ｒｅｖｅｎｕｅは式１で表されてもよい。

Ｒｅｖｅｎｕｅ＝Ｘ_ｊ（ｔ）（式１）

式中、ｔは候補情報Ｘのタグｊの予想収益である。

前記タグに対するユーザーの履歴行動データに基づいて、前記タグプール中の各タグの予想収益を推定することは２種の方法によって実現される。

第１種について、タグと同じ候補情報の履歴クリック率に基づいて、前記タグプール中の対応するタグの予想収益を推定する。

推奨アプリケーションの検索ページを例に、検索キーワードに基づいて検索された推奨情報を表示する時、通常、候補情報表示位置とタグ表示位置が設定されている。候補情報表示位置は検索キーワードに基づいて検索された候補情報、例えばドロップダウン候補語を表示するためのものであり、タグ表示位置は候補情報のタグ、例えば、ドロップダウン候補語のカタログを表示するためのものである。候補情報に基づいて決定されたタグがタグ表示位置に表示されたことがない場合、該タグを候補情報とする時の表示後の履歴クリック率に基づいて、前記タグプール中の対応するタグの予想収益を推定する。候補情報の履歴クリック率を計算する具体的な方法は任意の公知技術を参照すればよく、例えば、ドロップダウン候補語の履歴クリック率を計算する具体的な方法を参照すればよいため、ここでは詳細説明を省略する。

ユーザーが「自動車」を入力すると、検索エンジンからフィードバックされる候補情報が「自動車」、「自動車美容」を含むことを例とする。推奨アプリケーションによって候補情報「自動車美容」に対して決定されたタグが「自動車億佰」、「自動車ワークショップ」、「自動車駅」などのタグを含む場合、そのうちの「自動車億佰」が候補情報のタグとしてユーザーに推奨されたことがないとすると、検索エンジンの履歴データに基づいて、候補情報「自動車億佰」の履歴クリック率を決定し、その後、候補情報「自動車億佰」の履歴クリック率に基づいてタグ「自動車億佰」の予想収益を決定する。例えば、候補情報「自動車億佰」の履歴クリック率をタグ「自動車億佰」の予想収益とし、又は、候補情報「自動車億佰」の履歴クリック率を特定の係数と乗算した積を、タグ「自動車億佰」の予想収益とする。具体的な実施では、タグと同じ候補情報の履歴クリック率に基づいて、前記タグプール中の対応するタグの予想収益を推定する場合、例えば、式１中のｔは候補情報「自動車美容」のタグ「自動車億佰」の予想収益であり、すなわち、「自動車億佰」は候補情報の履歴クリック率とする。さらに具体的なビジネスニーズに応じて、ほかの計算方法を採用してもよく、本願では具体的な計算方法を限定しない。

第２種について、現在ユーザーのユーザー特徴及びタグの推定クリック率に基づいて、前記タグプール中の対応するタグの予想収益を推定する。

好ましくは、ユーザー体験をさらに向上させ、異なるユーザーに応じて適切なタグを推奨するために、具体的な実施では、現在ユーザーのユーザー特徴及びタグの推定クリック率に基づいて、前記タグプール中の対応するタグの予想収益を推定するようにしてもよい。タグが表示されると、タグの履歴クリック率データがリアルタイムに更新され、更新後の履歴クリック率データに基づいてタグの予想収益をさらに計算することで、計算結果の正確性を高める。具体的な実施では、大量のユーザーがタグをクリックするか否かの行動データを収集した後、ロジスティック回帰アルゴリズム（ＬＲ、ＬｏｇｉｓｔｉｃＲｅｇｒｅｓｓｉｏｎ）によってユーザークリック確率モデルを訓練し、ユーザーの現在の予想収益をさらに正確に計算する。クリック確率モデルを訓練する具体的な方法は任意の公知技術を参照すればよいため、ここでは詳細説明を省略する。

その後、式２に基づいてタグの予想収益を推定してもよい。

Ｘ_ｊ（ｔ）＝φ^ｔ _ｕＷ（式２）

式中、φはユーザーｕの特徴及び候補情報Ｘのタグｊの推定クリック率特徴から構成される特徴ベクトルである。ユーザー特徴は、ユーザーの検索地理位置、検索時間、タグに対するユーザーのカテゴリ好み、推奨店舗に対するユーザーの好みなどのうちの１つ又は複数を含むが、それに限定されない。推定クリック率特徴はタグｊの履歴クリック回数又はユーザー行動データに基づいて推定されるクリック率であり得る。Ｗはロジスティック回帰アルゴリズムＬＲのパラメータベクトルであり、ユーザーの特徴ベクトルに対応し、Ｗは具体的には特徴ベクトルφ中の各次元特徴の重みである。Ｔはφ及びＷに対応する転置行列である。

具体的な実施では、タグに対するユーザーｕの履歴クリックデータ、すなわち、タグｊをクリックするか否かの行動データに基づいて、オープンソースＬＲアルゴリズムパッケージを使用して訓練してモデルＷベクトルを得る。その後、ユーザーｕの特徴ベクトルφに合わせてユーザーの予想収益を推定し、ユーザーに応じたタグを推奨し、且つクリック行動の変化に応じて様々な推奨タグを提供する。ユーザーの特徴ベクトルφの具体的な抽出方法は、任意の公知技術を参照すればよいため、ここでは詳細説明を省略する。

本願の実施形態では、ユーザーの特徴ベクトルは少なくともクリック率特徴を含む。各タグの収益調整指標ｂｏｎｕｓはビジネスニーズに応じて、タグの表示確率のバランスを取る。具体的な実施では、前記候補情報の履歴タグの表示総回数及び前記タグプール中の各タグの表示総回数に基づいて、それぞれ前記タグプール中の各タグの収益調整指標を決定する。本願の１つの実施形態では、式３で収益調整指標ｂｏｎｕｓを計算する。

ｂｏｎｕｓ＝√（２×ｌｎ（ｔ）／Ｔ_ｊ，ｔ）（式３）

式中、ｔは該候補情報Ｘに対して表示されるタグの履歴総回数、Ｔ_ｊ，ｔは候補情報Ｘのタグ表示中のタグｊの表示回数である。

上記式３からわかるように、表示回数が少ないタグは、表示チャンスもあり、且つ推奨値を適宜上げられる一方、表示回数が多いタグは、推奨値を適宜下げられ、表示回数が少ないタグに表示チャンスを与える。具体的な実施では、ほかの表されるｔとＴ_ｊ，ｔの反比例関数を用いて収益調整指標を計算してもよく、ここでは列挙しない。

その後、前記予想収益と前記収益調整指標との和を前記タグプール中の各タグの推奨値とし、すなわち、推奨値＝ｒｅｖｅｎｕｅ＋ｂｏｎｕｓとする。タグの表示スコアを決定する過程では、タグの予想収益値は重みが大きい一方、タグの収益調整指標ｂｏｎｕｓは微調整の役割のみを果たす。従って、具体的な実施では、加重合計の重み係数を設定する又は収益調整指標の計算式を調整することによって、推奨値計算時の予想収益と収益調整指標の貢献のバランスを取る。

最後、前記タグプールから推奨値が最も高い所定数のタグを選択してユーザーに推奨する。所定数が２であることを例に、候補情報「自動車美容」に応じて決定されたタグが「自動車億佰」、「自動車ワークショップ」、「自動車駅」などのタグを含む場合、計算したところ、推奨値が最も高いタグ「自動車億佰」、「自動車ワークショップ」を選択してユーザーに推奨する。

本願の実施形態に開示されている推奨情報の取得方法は、予めタグナレッジグラフを構築し、表示対象の候補情報を取得した後、前記候補情報及び所定のタグナレッジグラフに基づいてタグプールを構築し、その後、前記タグプールから所定数のタグを選択してユーザーに推奨することによって、ユーザーに推奨される情報を豊富にする。且つ、所定の方法によって、取得されたタグプールにおいてタグを選択することによって、ユーザーに推奨されるタグがリアルタイムに変化し、推奨情報の新規性を向上させる。

さらに、信頼上限アルゴリズムによって前記タグプールから所定数のタグを選択してユーザーに推奨することによって、各種のタグの十分な表示を最大限に確保し、マタイ効果を効果的に防止することができるとともに、最適タグ組合せの表示を確保し、タグの使用率及び検索リストページのクリック率を最大限に高める。

（実施形態３）
本実施形態に開示されている推奨情報の取得装置は、図３に示すように、
表示対象の候補情報を取得する候補情報取得モジュール３００と、
前記候補情報及び所定のタグナレッジグラフに基づいてタグプールを構築するタグプール構築モジュール３１０と、
前記タグプール構築モジュール３１０によって構築されたタグプールから所定数のタグを選択してユーザーに推奨する推奨モジュール３２０と、を備え、
前記タグナレッジグラフは、前記候補情報をコアワードとし、前記候補情報の対応する次元情報をタグで記述するナレッジグラフである。

或いは、前記推奨モジュール３２０はさらに、
信頼上限アルゴリズムによって前記タグプールから所定数のタグを選択してユーザーに推奨する。

或いは、図４に示すように、前記推奨モジュール３２０は、
タグに対するユーザーの履歴行動データに基づいて、前記タグプール中の各タグの予想収益を推定する予想収益決定ユニット３２０１と、
前記候補情報の履歴タグの表示総回数及び前記タグプール中の各タグの表示総回数に基づいて、それぞれ前記タグプール中の各タグの収益調整指標を決定する調整指標決定ユニット３２０２と、
前記予想収益と前記収益調整指標との和を前記タグプール中の各タグの推奨値とする推奨値決定ユニット３２０３と、
前記タグプールから推奨値が最も高い所定数のタグを選択してユーザーに推奨するタグ選択ユニット３２０４と、をさらに備える。

或いは、前記予想収益決定ユニット３２０１は、
タグと同じ候補情報の履歴クリック率に基づいて、前記タグプール中の対応するタグの予想収益を推定する第１予想収益決定サブユニット（図示せず）、及び
現在ユーザーのユーザー特徴及びタグの推定クリック率に基づいて、前記タグプール中の対応するタグの予想収益を推定する第２予想収益決定サブユニット（図示せず）のうちのいずれかを備える。

或いは、図４に示すように、前記タグプール構築モジュール３１０は、
前記候補情報と所定のタグナレッジグラフ中の各コアワードとを一致させるコアワード一致ユニット３１０１と、
一致が成功するコアワードに対応するタグナレッジグラフ中のすべてのタグをタグプールに追加するタグプール作成ユニット３１０２と、を備える。

或いは、図５に示すように、前記装置は、第１ナレッジグラフ構築モジュール３３０、及び／又は、第２ナレッジグラフ構築モジュール３４０をさらに備え、
前記第１ナレッジグラフ構築モジュール３３０は、構造化関心点データに基づいてタグナレッジグラフを構築する。

或いは、図５に示すように、前記第１ナレッジグラフ構築モジュール３３０は、
構造化関心点データ中の関心点名称、カテゴリ名称及び追加属性名称に基づいて、コアワード及び前記コアワードのタグを決定する第１コアワード及びタグ決定ユニット３３０１と、
前記構造化関心点データのカテゴリ体系階層関係、追加属性体系階層関係、及びカテゴリ体系と追加属性体系との対応関係に基づいて、各タグのツリー関係を作成する第１グラフ作成ユニット３３０２とを備え、各前記ツリー関係のルートノードは該クラスター化されたタグナレッジグラフのコアワード、リーフノードは対応する階層のタグである。

前記第２ナレッジグラフ構築モジュール３４０は、ユーザー行動ログに基づいてタグナレッジグラフを構築する。

或いは、図５に示すように、前記第２ナレッジグラフ構築モジュール３４０は、
マイニングされたユーザー行動ログの頻出アイテム集合に基づいて、コアワード及び前記コアワードのタグを決定する第２コアワード及びタグ決定ユニット３４０１と、
各頻出アイテム間の所定関連付け関係に基づいて、対応するタグのツリー関係を作成する第２グラフ作成ユニット３４０２と、を備え、
前記ツリー関係のルートノードは該クラスター化されたタグナレッジグラフのコアワード、リーフノードはタグであり、前記所定関連付け関係は、商品と店舗との関連付け関係、及び店舗と商圈との関連付け関係を含む。

本願の実施形態に開示されている推奨情報の取得装置は、予めタグナレッジグラフを構築し、表示対象の候補情報を取得した後、前記候補情報及び所定のタグナレッジグラフに基づいてタグプールを構築し、その後、前記タグプールから所定数のタグを選択してユーザーに推奨することによって、ユーザーに推奨される情報を豊富にする。且つ、所定の方法によって、取得されたタグプールにおいてタグを選択することによって、ユーザーに推奨されるタグがリアルタイムに変化し、推奨情報の新規性を向上させる。

さらに、信頼上限アルゴリズムによって前記タグプールから所定数のタグを選択してユーザーに推奨することによって、各種のタグの十分な表示を最大限に確保し、マタイ効果を防止することができるとともに、最適タグ組合せの表示を確保し、タグの使用率及び検索リストページのクリック率を最大限に高める。

それに対応して、本願は電子機器をさらに開示し、メモリ、プロセッサ、及び前記メモリに記憶されプロセッサ上で実行可能なコンピュータプログラムを備え、前記プロセッサは前記コンピュータプログラムを実行する時、本願の実施形態１及び実施形態２に係る推奨情報の取得方法を実現する。前記電子機器はＰＣ、携帯端末、携帯情報端末、タブレットパソコンなどであり得る。

本願はコンピュータ可読記憶媒体をさらに開示し、コンピュータプログラムが記憶され、該プログラムがプロセッサによって実行される時、本願の実施形態１及び実施形態２に係る推奨情報の取得方法のステップを実現する。

本明細書の各実施形態はいずれも漸進的に説明されており、各実施形態はほかの実施形態との相違点を重点的に説明し、各実施形態間の同一又は類似の部分は相互参照すればよい。装置の実施形態は、方法の実施形態とほぼ同様であるため、説明が比較的簡単であり、関連部分は方法の実施形態についての関連説明を参照すればよい。

以上、本願に係る推奨情報の取得方法及び装置を詳細に説明し、本明細書では具体例をもって本願の原理及び実施形態を説明したが、以上の実施形態についての説明は本願の方法及びその趣旨を理解するためのものであり、また、当業者は、本願の趣旨に基づいて具体的な実施形態及び適応範囲に種々の変更を行うことができ、従って、本明細書は本願を限定するものではない。

以上の実施形態についての説明から、当業者は各実施形態をソフトウェア及び必要な汎用ハードウェアプラットフォームによって実現してもよく、勿論、ハードウェアによって実現してもよいことを明らかにする。このような理解に基づいて、上記技術案は本質的に又は従来技術に貢献する部分をソフトウェア製品の形式で具現化でき、該コンピュータソフトウェア製品はコンピュータ可読記憶媒体、例えばＲＯＭ／ＲＡＭ、磁気ディスク、光ディスクなどに記憶でき、コンピュータ装置（パソコン、サーバ、又はネットワーク装置など）に各実施形態又は実施形態の特定の部分に係る方法を実行させるための複数の命令を含む。

Claims

検索エンジンに使われる推奨情報の取得方法であって、
プロセッサが、表示対象の候補情報を取得するステップと、
プロセッサが、前記候補情報、及びコアワードに基づいて前記コアワードの多次元情報をタグで記述するナレッジグラフである所定のタグナレッジグラフに基づいてタグプールを構築するステップと、
プロセッサが、前記タグプールから所定数のタグを選択してユーザーに推奨するステップと、を含み、
プロセッサが、前記タグプールから所定数のタグを選択してユーザーに推奨することは、
プロセッサが、前記タグプール中の各タグに対するユーザーの履歴行動データに基づいて、前記タグプール中の各タグの予想収益を推定するステップと、
プロセッサが、前記候補情報の履歴タグ表示総回数及び前記タグプール中の各タグの表示総回数に基づいて、前記タグプール中の各タグの収益調整指標を決定するステップと、
プロセッサが、前記予想収益と前記収益調整指標との和を、前記タグプール中の各タグの推奨値とするステップと、
プロセッサが、前記タグプールから前記推奨値が最も高い所定数のタグを選択してユーザーに推奨するステップと、を含むことを特徴とする方法。
前記タグに対するユーザーの履歴行動データは、
前記タグと同じ候補情報の履歴クリック率、
現在ユーザーのユーザー特徴、及び
前記タグの推定クリック率のうちの１つ又は複数を含むことを特徴とする請求項１に記載の方法。
プロセッサが、前記候補情報及び前記タグナレッジグラフに基づいて前記タグプールを構築することは、
プロセッサが、前記候補情報と前記タグナレッジグラフ中の各コアワードとを一致させるステップと、
プロセッサが、一致が成功するコアワードに対応するすべてのタグを前記タグプールに追加するステップと、を含むことを特徴とする請求項１～２のいずれか一項に記載の方法。
プロセッサが、構造化関心点データに基づいて前記タグナレッジグラフを構築するステップ、及びプロセッサが、ユーザー行動ログに基づいて前記タグナレッジグラフを構築するステップのうちの１つ又は複数をさらに備えることを特徴とする請求項１～３のいずれか一項に記載の方法。
プロセッサが、前記構造化関心点データに基づいて前記タグナレッジグラフを構築することは、プロセッサが、前記構造化関心点データ中の関心点名称、カテゴリ名称及び追加属性名称に基づいて、コアワード及び前記コアワードのタグを決定するステップと、
プロセッサが、前記構造化関心点データのカテゴリ体系の階層関係、追加属性体系の階層関係、及び前記カテゴリ体系と前記追加属性体系との対応関係に基づいて、各前記タグのツリー関係を作成するステップと、を含み、
各前記ツリー関係のルートノードは該クラスター化されたタグナレッジグラフのコアワード、リーフノードは対応する階層のタグであることを特徴とする請求項４に記載の方法。
プロセッサが、前記ユーザー行動ログに基づいて前記タグナレッジグラフを構築することは、
プロセッサが、マイニングされたユーザー行動ログの頻出アイテム集合に基づいて、コアワード及び前記コアワードのタグを決定するステップと、
プロセッサが、各頻出アイテム間の所定関連付け関係に基づいて、タグのツリー関係を作成するステップと、を含み、前記所定関連付け関係は商品と店舗との関連付け関係、及び店舗と商圈との関連付け関係を含み、
前記ツリー関係のルートノードは該クラスター化されたタグナレッジグラフのコアワード、リーフノードはタグであることを特徴とする請求項４に記載の方法。
メモリ、プロセッサ、及び前記メモリに記憶され前記プロセッサ上で実行可能なコンピュータプログラムを備える電子機器であって、前記プロセッサは前記コンピュータプログラムを実行する時、請求項１～６のいずれか一項に記載の推奨情報の取得方法を実現することを特徴とする電子機器。
コンピュータプログラムが記憶されるコンピュータ可読記憶媒体であって、該コンピュータプログラムがプロセッサによって実行される時、請求項１～６のいずれか一項に記載の推奨情報の取得方法のステップを実現することを特徴とするコンピュータ可読記憶媒体。