JP7095140B2 - 特徴抽出に基くマルチモデルトレーニング方法及び装置、電子機器と媒体 - Google Patents
特徴抽出に基くマルチモデルトレーニング方法及び装置、電子機器と媒体 Download PDFInfo
- Publication number
- JP7095140B2 JP7095140B2 JP2021047153A JP2021047153A JP7095140B2 JP 7095140 B2 JP7095140 B2 JP 7095140B2 JP 2021047153 A JP2021047153 A JP 2021047153A JP 2021047153 A JP2021047153 A JP 2021047153A JP 7095140 B2 JP7095140 B2 JP 7095140B2
- Authority
- JP
- Japan
- Prior art keywords
- feature
- partner
- column
- data
- columns
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/30—Public key, i.e. encryption algorithm being computationally infeasible to invert or user's encryption keys not requiring secrecy
- H04L9/3006—Public key, i.e. encryption algorithm being computationally infeasible to invert or user's encryption keys not requiring secrecy underlying computational problems or public-key parameters
- H04L9/302—Public key, i.e. encryption algorithm being computationally infeasible to invert or user's encryption keys not requiring secrecy underlying computational problems or public-key parameters involving the integer factorization problem, e.g. RSA or quadratic sieve [QS] schemes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
トレーニング開始者(例えばパートナーAなど)は、暗号化アルゴリズムに基づいて公開鍵と秘密鍵を初期化し、秘密鍵は復号のためにローカルに残し、公開鍵はデータプロバイダー(例えば、コーディネーター)に送信することができ、パートナーが同じ暗号化アルゴリズムで転送しようとするデータに対して暗号化するため、データトレーナーは、データを受信した後、秘密鍵を使用してデータを復号することができる。トレーニング開始者がその共通サンプルがある広告をクリックしたかどうかのラベルデータの一次導関数
いくつかの実施例によれば、前記線形モデルは、ロジスティック回帰LRモデル、ポアソン回帰PRモデルのうちの1つを含む。
本発明の別の態様によれば、連合特徴抽出に基づくマルチモデルトレーニング装置400を提供し、それは、ツリーモデルをトレーニングするように構成され、当該ツリーモデルは複数のパートナーとそれぞれ共通のユーザーサンプルのデータに基づいて、各前記パートナーとそれぞれ協力してトレーニングされたものであり、ここで各前記パートナーとのデータ伝送は全て暗号化された形で行われるツリーモデルトレーニングユニット410と、前記トレーニングされたツリーモデルに対して特徴の重要度評価を実行し、各ツリーモデルによって生成された特徴コラムに対応する重みを付けるように構成される重要度評価ユニット420と、第1のパートナーが線形モデルをトレーニングすることに応じて、前記第1のパートナーと共通の第1のユーザーサンプルのデータを前記第1のパートナーに対応するツリーモデルと第2のパートナーに対応するツリーモデルに入力することで、複数のワンホットエンコーディングされた特徴コラムを取得するように構成され、前記第2のパートナーは前記複数のパートナーの中で前記第1のパートナーを除いた他の一つ又は複数のパートナーである特徴抽出ユニット430と、前記重みに基づいて取得した特徴コラムを選別し、前記選別された特徴コラムと前記第1のユーザーサンプルのデータに基づいて、前記第1のパートナーに対応する線形モデルをトレーニングするように構成される線形モデルトレーニングユニット440とを含む。
いくつかの実施例によれば、前記ツリーモデルは、XGBoostモデル、LightGBMモデルのうちの1つを含む。
いくつかの実施例によれば、前記共通のユーザーサンプルのデータは、前記ユーザーサンプルが広告をクリックしたかどうかのラベルデータ及び前記ユーザーサンプルの行為データを含む。
Claims (21)
- 連合特徴抽出に基づくマルチモデルトレーニング方法であって、
ツリーモデルをトレーニングし、当該ツリーモデルは複数のパートナーとそれぞれ共通のユーザーサンプルのデータに基づいて、各前記パートナーと協力してトレーニングされたものであり、各前記パートナーとのデータ伝送は全て暗号化された形で行われることと、
前記トレーニングされたツリーモデルに対して特徴の重要度評価を実行して、各ツリーモデルによって生成された特徴コラムに、対応する重みを付けることと、
第1のパートナーが線形モデルをトレーニングすることに応じて、前記第1のパートナーと共通の第1のユーザーサンプルのデータを前記第1のパートナーに対応するツリーモデルと第2のパートナーに対応するツリーモデルに入力することで、複数のワンホットエンコーディングされた特徴コラムを取得して、前記第2のパートナーは前記複数のパートナーのうち、前記第1のパートナー以外の一つ又は複数のパートナーであることと、
前記重みに基づいて、取得した特徴コラムを選別して、前記選別された特徴コラムと前記第1のユーザーサンプルのデータに基づいて、前記第1のパートナーに対応する線形モデルをトレーニングすることとを含む連合特徴抽出に基づくマルチモデルトレーニング方法。 - ツリーモデルをトレーニングし、当該ツリーモデルは複数のパートナーとそれぞれ共通のユーザーサンプルのデータに基づいて、各前記パートナーとそれぞれ協力してトレーニングされたものであり、各前記パートナーとのデータ伝送は全て暗号化された形で行われることは、
前記複数のパートナーが暗号化アルゴリズムに基づいてそれぞれ生成された公開鍵を受信して、対応する公開鍵に基づいて送信すべきデータを暗号化することと、
前記パートナーがそれにより生成した公開鍵に基づいて暗号化した導関数を受信して、対応するビニングでの勾配和を計算することと、
前記勾配和を前記パートナーに送信して、前記パートナーが前記暗号化アルゴリズムに基づいて生成した秘密鍵によって前記勾配和を復号し、双方のツリーモデルをトレーニングすることとを含む請求項1に記載の方法。 - 前記重みに基づいて、取得された特徴コラムを選別して、前記選別された特徴コラムと前記第1のユーザーサンプルのデータに基づいて、前記第1のパートナーに対応する線形モデルをトレーニングすることは、
前記第1のパートナーに対応するツリーモデルによって取得された特徴コラムを選択して、前記選択した特徴コラムと前記第1のユーザーサンプルのデータで第1のデータセットを構成することと、
前記第2のパートナーに対応するツリーモデルによって取得された特徴コラムを選別し、前記選別された特徴コラムと前記第1のデータセットで第2のデータセットを構成することと、
前記第2のデータセットに基づいて前記第1のパートナーに対応する線形モデルをトレーニングすることとを含む請求項1に記載の方法。 - 前記第2のパートナーに対応するツリーモデルによって取得された特徴コラムを選別し、前記選別された特徴コラムと前記第1のデータセットで第2のデータセットを構成することは、
前記第2のパートナーに対応するツリーモデルによって取得された特徴コラムから、その重みが第1の閾値より小さい特徴コラムをフィルタリング除去することで、第1の残りの特徴コラムを取得することと、
前記第1の残りの特徴コラムのうちの2つずつの特徴コラムからなる特徴コラムペアに相関性分析を行うことと、
その相関係数が第2の閾値より大きい全ての特徴コラムペアを確定して、その相関係数が前記第2の閾値より大きくない全ての特徴コラムペアで第2の残りの特徴コラムを構成することと、
前記確定されたその相関係数が前記第2の閾値より大きい各特徴コラムペアのうち、重み値が比較的に大きい特徴コラムを選択して、前記選択した特徴コラムと前記第2の残りの特徴コラムを前記選別した特徴コラムとすることとを含む請求項3に記載の方法。 - 前記第2のパートナーに対応するツリーモデルによって取得された特徴コラムを選別して、前記選別された特徴コラムと前記第1のデータセットで第2のデータセットを構成することは、
前記第2のパートナーに対応するツリーモデルの各自の重みの閾値をそれぞれ設定することと、
前記第2のパートナーに対応するツリーモデルによって取得された特徴コラムをその各自の重みの閾値に基づいてフィルタリングし、その重みがその対応する重みの閾値より小さい特徴コラムを除去することで、第1の残りの特徴コラムを取得することと、
前記第1の残りの特徴コラムのうちの2つずつの特徴コラムからなる特徴コラムペアに相関性分析を行うことと、
その相関係数が第2の閾値より大きい全ての特徴コラムペアを確定し、その相関係数が前記第2の閾値より大きくない全ての特徴コラムペアで第2の残りの特徴コラムを構成することと、
前記確定されたその相関係数が前記第2の閾値より大きい各特徴コラムペアのうち、重み値が比較的に大きい特徴コラムを選択して、前記選択した特徴コラムと前記第2の残りの特徴コラムを前記選別した特徴コラムとすることとを含む請求項3に記載の方法。 - 前記暗号化アルゴリズムは、RSAアルゴリズム、Paillerアルゴリズムのうちの1つを含む請求項2に記載の方法。
- 前記ツリーモデルは、XGBoostモデル、LightGBMモデルのうちの1つを含む請求項1に記載の方法。
- 前記線形モデルは、ロジスティック回帰LRモデル、ポアソン回帰PRモデルのうちの1つを含む請求項1に記載の方法。
- 前記共通のユーザーサンプルのデータは、前記ユーザーサンプルが広告をクリックしたかどうかのラベルデータ及び前記ユーザーサンプルの行為データを含む請求項1に記載の方法。
- 連合特徴抽出に基づくマルチモデルトレーニング装置であって、
ツリーモデルをトレーニングするように構成され、当該ツリーモデルは複数のパートナーとそれぞれ共通のユーザーサンプルのデータに基づいて、各前記パートナーとそれぞれ協力してトレーニングされたものであり、各前記パートナーとのデータ伝送は全て暗号化された形で行われるツリーモデルトレーニングユニットと、
前記トレーニングされたツリーモデルに対して特徴の重要度評価を実行して、各ツリーモデルによって生成された特徴コラムに、対応する重みを付けるように構成される重要度評価ユニットと、
第1のパートナーが線形モデルをトレーニングすることに応じて、前記第1のパートナーと共通の第1のユーザーサンプルのデータを前記第1のパートナーに対応するツリーモデルと第2のパートナーに対応するツリーモデルに入力することで、複数のワンホットエンコーディングされた特徴コラムを取得するように構成され、前記第2のパートナーは前記複数のパートナーのうち、前記第1のパートナー以外の一つ又は複数のパートナーである特徴抽出ユニットと、
前記重みに基づいて、取得した特徴コラムを選別し、前記選別された特徴コラムと前記第1のユーザーサンプルのデータに基づいて、前記第1のパートナーに対応する線形モデルをトレーニングするように構成される線形モデルトレーニングユニットとを含む連合特徴抽出に基づくマルチモデルトレーニング装置。 - 前記ツリーモデルトレーニングユニットは、
前記複数のパートナーが暗号化アルゴリズムに基づいてそれぞれ生成された公開鍵を受信して、対応する公開鍵に基づいて送信すべきデータを暗号化し、
前記パートナーがそれにより生成した公開鍵に基づいて暗号化された導関数を受信して、対応するビニングでの勾配和を計算し、
前記勾配和を前記パートナーに送信して、前記パートナーが前記暗号化アルゴリズムに基づいて生成された秘密鍵によって前記勾配和を復号して、双方のツリーモデルをトレーニングするように構成される請求項10に記載の装置。 - 前記線形モデルトレーニングユニットは、
前記第1のパートナーに対応するツリーモデルによって取得された特徴コラムを選択して、前記選択した特徴コラムと前記第1のユーザーサンプルのデータで第1のデータセットを構成し、
前記第2のパートナーに対応するツリーモデルによって取得された特徴コラムを選別し、前記選別された特徴コラムと前記第1のデータセットで第2のデータセットを構成し、
前記第2のデータセットに基づいて前記第1のパートナーに対応する線形モデルをトレーニングするように構成される請求項10に記載の装置。 - 前記第2のパートナーに対応するツリーモデルによって取得された特徴コラムを選別し、前記選別された特徴コラムと前記第1のデータセットで第2のデータセットを構成することは、
前記第2のパートナーに対応するツリーモデルによって取得された特徴コラムから、その重みが第1の閾値より小さい特徴コラムをフィルタリング除去することで、第1の残りの特徴コラムを取得することと、
前記第1の残りの特徴コラムのうちの2つずつの特徴コラムからなる特徴コラムペアに相関性分析を行うことと、
その相関係数が第2の閾値より大きい全ての特徴コラムペアを確定し、その相関係数が前記第2の閾値より大きくない全ての特徴コラムペアで第2の残りの特徴コラムを構成することと、
前記確定されたその相関係数が前記第2の閾値より大きい各特徴コラムペアのうち、重み値が比較的に大きい特徴コラムを選択して、前記選択した特徴コラムと前記第2の残りの特徴コラムを前記選別した特徴コラムとすることとを含む請求項12に記載の装置。 - 前記第2のパートナーに対応するツリーモデルによって取得された特徴コラムを選別し、前記選別された特徴コラムと前記第1のデータセットで第2のデータセットを構成することは、
前記第2のパートナーに対応するツリーモデルの各自の重みの閾値をそれぞれ設定することと、
前記第2のパートナーに対応するツリーモデルによって取得された特徴コラムをその各自の重みの閾値に基づいてフィルタリングし、その重みがその対応する重みの閾値より小さい特徴コラムを除去することで、第1の残りの特徴コラムを取得することと、
前記第1の残りの特徴コラムのうちの2つずつの特徴コラムからなる特徴コラムペアに相関性分析を行うことと、
その相関係数が第2の閾値より大きい全ての特徴コラムペアを確定し、その相関係数が前記第2の閾値より大きくない全ての特徴コラムペアで第2の残りの特徴コラムを構成することと、
前記確定されたその相関係数が前記第2の閾値より大きい各特徴コラムペアのうち、重み値が比較的に大きい特徴コラムを選択して、前記選択した特徴コラムと前記第2の残りの特徴コラムを前記選別した特徴コラムとすることとを含む請求項12に記載の装置。 - 前記暗号化アルゴリズムは、RSAアルゴリズム、Paillerアルゴリズムのうちの1つを含む請求項11に記載の装置。
- 前記ツリーモデルは、XGBoostモデル、LightGBMモデルのうちの1つを含む請求項10に記載の装置。
- 前記線形モデルは、ロジスティック回帰LRモデル、ポアソン回帰PRモデルのうちの1つを含む請求項10に記載の装置。
- 前記共通のユーザーサンプルのデータは、前記ユーザーサンプルが広告をクリックしたかどうかのラベルデータ及び前記ユーザーサンプルの行為データを含む請求項10に記載の装置。
- 電子機器であって、
プロセッサ、及び
プログラムが記憶されたメモリを含み、前記プログラムは命令を含み、前記命令は前記プロセッサによって実行される際に、前記プロセッサに請求項1~9のいずれか一項に記載の方法を実行させる電子機器。 - プログラムが記憶されたコンピュータ可読記憶媒体であって、前記プログラムは命令を含み、前記命令は電子機器のプロセッサにより実行される際に、前記電子機器に請求項1~9のいずれか一項に記載の方法を実行させるコンピュータ可読記憶媒体。
- コンピュータプログラムであって、プロセッサにより実行される際に、請求項1~9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。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025657.5 | 2020-09-25 | ||
CN202011025657.5A CN111967615B (zh) | 2020-09-25 | 基于特征抽取的多模型训练方法及设备、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021121922A JP2021121922A (ja) | 2021-08-26 |
JP7095140B2 true JP7095140B2 (ja) | 2022-07-04 |
Family
ID=73386849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021047153A Active JP7095140B2 (ja) | 2020-09-25 | 2021-03-22 | 特徴抽出に基くマルチモデルトレーニング方法及び装置、電子機器と媒体 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210234687A1 (ja) |
EP (1) | EP3975089A1 (ja) |
JP (1) | JP7095140B2 (ja) |
KR (1) | KR20220041704A (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220397666A1 (en) * | 2021-06-11 | 2022-12-15 | Robert Bosch Gmbh | Ultrasonic system and method for classifying obstacles using a machine learning algorithm |
CN113657525B (zh) * | 2021-08-23 | 2024-04-26 | 同盾科技有限公司 | 基于KMeans的跨特征联邦聚类方法及相关设备 |
CN116318481A (zh) * | 2021-12-20 | 2023-06-23 | 华为技术有限公司 | 一种通信方法及装置 |
CN116821693B (zh) * | 2023-08-29 | 2023-11-03 | 腾讯科技(深圳)有限公司 | 虚拟场景的模型训练方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015011724A (ja) | 2013-07-01 | 2015-01-19 | ヤフー! インコーポレイテッド | オンラインシステムにおける広告及びコンテンツの統合型市場 |
CN109741113A (zh) | 2019-01-10 | 2019-05-10 | 博拉网络股份有限公司 | 一种基于大数据的用户购买意向预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165683B (zh) * | 2018-08-10 | 2023-09-12 | 深圳前海微众银行股份有限公司 | 基于联邦训练的样本预测方法、装置及存储介质 |
US10970402B2 (en) * | 2018-10-19 | 2021-04-06 | International Business Machines Corporation | Distributed learning preserving model security |
EP3648015B1 (en) * | 2018-11-05 | 2024-01-03 | Nokia Technologies Oy | A method for training a neural network |
CN111695629A (zh) * | 2020-06-11 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 用户特征获取方法、装置、计算机设备及存储介质 |
CN111612168B (zh) * | 2020-06-30 | 2021-06-15 | 腾讯科技(深圳)有限公司 | 一种机器学习任务的管理方法以及相关装置 |
-
2021
- 2021-02-26 EP EP21159714.1A patent/EP3975089A1/en active Pending
- 2021-03-02 KR KR1020210027323A patent/KR20220041704A/ko not_active Application Discontinuation
- 2021-03-22 JP JP2021047153A patent/JP7095140B2/ja active Active
- 2021-03-22 US US17/208,788 patent/US20210234687A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015011724A (ja) | 2013-07-01 | 2015-01-19 | ヤフー! インコーポレイテッド | オンラインシステムにおける広告及びコンテンツの統合型市場 |
CN109741113A (zh) | 2019-01-10 | 2019-05-10 | 博拉网络股份有限公司 | 一种基于大数据的用户购买意向预测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210234687A1 (en) | 2021-07-29 |
EP3975089A1 (en) | 2022-03-30 |
CN111967615A (zh) | 2020-11-20 |
JP2021121922A (ja) | 2021-08-26 |
KR20220041704A (ko) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7095140B2 (ja) | 特徴抽出に基くマルチモデルトレーニング方法及び装置、電子機器と媒体 | |
CN109284313B (zh) | 基于半监督学习的联邦建模方法、设备及可读存储介质 | |
CN110189192B (zh) | 一种信息推荐模型的生成方法及装置 | |
WO2017140248A1 (zh) | 数据交换方法、数据交换装置及计算装置 | |
EP3971798A1 (en) | Data processing method and apparatus, and computer readable storage medium | |
CN111428887B (zh) | 一种基于多个计算节点的模型训练控制方法、装置及系统 | |
CN111784001B (zh) | 一种模型训练方法、设备及计算机可读存储介质 | |
CN111046237B (zh) | 用户行为数据处理方法、装置、电子设备及可读介质 | |
CN111144576A (zh) | 模型训练方法、装置和电子设备 | |
US20220391642A1 (en) | Method and apparatus for evaluating joint training model | |
CN112200382B (zh) | 一种风险预测模型的训练方法和装置 | |
US10360579B2 (en) | Campaign performance data snapshot cards | |
Changpetch et al. | Selection of multinomial logit models via association rules analysis | |
CN112529101B (zh) | 分类模型的训练方法、装置、电子设备及存储介质 | |
CN111709051A (zh) | 数据处理方法、装置、系统、计算机存储介质及电子设备 | |
CN111563267A (zh) | 用于联邦特征工程数据处理的方法和装置 | |
CN111291273A (zh) | 推荐系统优化方法、装置、设备及可读存储介质 | |
CN114818000B (zh) | 隐私保护的集合混淆求交方法、系统及相关设备 | |
US10896290B2 (en) | Automated pattern template generation system using bulk text messages | |
CN111953652B (zh) | 用于生成用于链接标识符的桥接匹配标识符的系统和方法 | |
Jain et al. | Generator based approach to analyze mutations in genomic datasets | |
CN110175283B (zh) | 一种推荐模型的生成方法及装置 | |
US10650083B2 (en) | Information processing device, information processing system, and information processing method to determine correlation of data | |
CN112019642B (zh) | 一种音频上传方法、装置、设备和存储介质 | |
CN111967615B (zh) | 基于特征抽取的多模型训练方法及设备、电子设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210322 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210325 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210602 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220128 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220201 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220415 |
|
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: 20220614 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220622 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7095140 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |