JP7220733B2 - ユーザａｐｐインタレストの埋め込み方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム - Google Patents

ユーザａｐｐインタレストの埋め込み方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム Download PDF

Info

Publication number
JP7220733B2
JP7220733B2 JP2021039379A JP2021039379A JP7220733B2 JP 7220733 B2 JP7220733 B2 JP 7220733B2 JP 2021039379 A JP2021039379 A JP 2021039379A JP 2021039379 A JP2021039379 A JP 2021039379A JP 7220733 B2 JP7220733 B2 JP 7220733B2
Authority
JP
Japan
Prior art keywords
app
user
installation list
embedding
vector
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
Application number
JP2021039379A
Other languages
English (en)
Other versions
JP2022051665A (ja
Inventor
フイチェン チョン
スチ シュ
チェンフイ リュウ
リェンフイ チェン
ジュン ファン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Publication of JP2022051665A publication Critical patent/JP2022051665A/ja
Application granted granted Critical
Publication of JP7220733B2 publication Critical patent/JP7220733B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/61—Installation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/65—Updates
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Description

本出願はコンピュータ技術分野に関し、具体的にビッグデータ技術分野に関し、特にユーザＡＰＰインタレスト（アプリケーションに関するユーザの興味）の埋め込み方法及び装置、電子機器、記憶媒体並びにコンピュータプログラムに関する。
アプリケーション（ＡＰＰ）は、ユーザの個人情報に密接に関連している。ユーザは、自分のニーズ、好み、習慣に基づいてアプリケーションストアからアプリケーションをダウンロード、インストール、使用、アンインストールすることができる。ユーザのＡＰＰインストール動作は、ユーザの個人情報、興味の好み、性格、ライフスタイルなどを反映する場合が多い。
現在、ユーザのＡＰＰインストール特徴としては、ｏｎｅ－ｈｏｔ特徴とＡＰＰカテゴリ統計特徴を用いる。ＡＰＰの数が多いため、ｏｎｅ－ｈｏｔを用いると、特徴スペースが非常に大きくなり、同時に、ｏｎｅ－ｈｏｔが異なるＡＰＰの間の関連関係を表現できないので、ダウンストリームタスクの使用に影響を与えることがある。ＡＰＰカテゴリの統計特徴を用いると、簡単で実行しやすいが、同じカテゴリに属するＡＰＰの間の異なる情報を区別することができない。
上記の背景技術に言及された１つまたは複数の技術的問題を解決するために、本出願の実施形態は、ユーザＡＰＰインタレストの埋め込み方法及び装置、電子機器、記憶媒体並びにコンピュータプログラムを提供する。
第１態様において、本出願の実施形態は、コンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法であって、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得し、前記ＡＰＰインストールリストにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれるステップと、前記既存のＡＰＰインストールリストと前記所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、前記事前訓練済みユーザＡＰＰインタレスト埋め込みモデルによって、前記ＡＰＰＩＤ情報のベクトルと前記ＡＰＰカテゴリ情報のベクトルとをスティッチングしてＡＰＰ埋め込みベクトルを得、前記ＡＰＰインストールリストのｏｎｅ－ｈｏｔ特徴と前記ＡＰＰ埋め込みベクトルとに基づいて、前記既存のＡＰＰインストールリストの入力ベクトルと前記所定の時間窓内でのＡＰＰインストールリストの入力ベクトルを得、前記既存のＡＰＰインストールリストの入力ベクトルと前記所定の時間窓内でのＡＰＰインストールリストの入力ベクトルとをプーリングすることによりユーザＡＰＰインタレスト埋め込みベクトルを取得するステップと、を含む、コンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法を提供する。
第２態様において、本出願の実施形態は、ユーザＡＰＰインタレストの埋め込み装置であって、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得するように構成される取得モジュールであって、前記ＡＰＰインストールリストにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる取得モジュールと、前記既存のＡＰＰインストールリストと前記所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、前記事前訓練済みユーザＡＰＰインタレスト埋め込みモデルによって、前記ＡＰＰＩＤ情報のベクトルと前記ＡＰＰカテゴリ情報のベクトルとをスティッチングしてＡＰＰ埋め込みベクトルを得、前記ＡＰＰインストールリストのｏｎｅ－ｈｏｔ特徴と前記ＡＰＰ埋め込みベクトルとに基づいて、前記既存のＡＰＰインストールリストの入力ベクトルと前記所定の時間窓内でのＡＰＰインストールリストの入力ベクトルを得、前記既存のＡＰＰインストールリストの入力ベクトルと前記所定の時間窓内でのＡＰＰインストールリストの入力ベクトルとをプーリングすることによりユーザＡＰＰインタレスト埋め込みベクトルを取得するように構成される出力モジュールと、を備えるユーザＡＰＰインタレストの埋め込み装置を提供する。
第３態様において、本出願の実施形態は、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、メモリには少なくとも１つのプロセッサによって実行されることができる指令が格納され、指令が少なくとも１つのプロセッサによって実行されると、少なくとも１つのプロセッサによって第１態様のいずれかの実施形態に記載の方法が実行される、電子機器を提供する。
第４態様において、本出願の実施形態は、コンピュータ指令が格納された非一時的なコンピュータ読み取り可能な記憶媒体であって、前記コンピュータ指令はコンピュータに第１態様のいずれかの実施形態に記載の方法を実行するために使用される非一時的なコンピュータ読み取り可能な記憶媒体を提供する。
第５態様において、本出願の実施形態はプロセッサにより実行されると、第１態様のいずれかの実施形態に記載の方法が実施される、コンピュータプログラムを提供する。
本出願の実施形態によるユーザＡＰＰインタレストの埋め込み方法、装置、機器及び記憶媒体は、まずユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得し、次に、既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、ユーザＡＰＰインタレスト埋め込みベクトルを取得し、ユーザの既存のＡＰＰインストールリスト情報と最近のＡＰＰインストールリスト情報を組み合わせることによって、ユーザＡＰＰインタレスト埋め込みベクトルはユーザの長期的なインタレストと短期的なインタレストの両方を反映でき、ＡＰＰＩＤとＡＰＰカテゴリを組み合わせることによって、ロングテールＡＰＰのスパース問題（ｓｐａｒｓｅ ｐｒｏｂｌｅｍ）を軽減し、ユーザＡＰＰインタレスト埋め込みベクトルの表現能力を向上させることができる。
なお、この部分で記述する内容は、本出願の実施形態の肝心なまたは重要な特徴を特定することを意図するものではなく、本出願の範囲を限定することを意図するものでもない。本出願の他の特徴は以下の明細書を通じて容易に理解される。
以下の図面を参照して非限定的な実施形態に対して行われた詳細な説明を読むことによって、本出願の他の特徴、目的及び利点がより明らかになる。図面は、当該技術的手段をより良く理解するためのものであり、本出願を限定するものではない。
本出願を適用できる例示的なシステムアーキテクチャを示す図である。 本出願によるユーザＡＰＰインタレストの埋め込み方法の一実施形態のフロー模式図である。 本出願の実施形態によるユーザＡＰＰインタレスト埋め込みモデルの訓練プロセスのフロー模式図である。 本出願によるユーザＡＰＰインタレストの埋め込み方法の他の実施形態のフロー模式図である。 本出願によるユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得する一実施形態のフロー模式図である。 本出願によるユーザＡＰＰインタレストの埋め込み装置の一実施形態の構造模式図である。 本出願の実施形態によるユーザＡＰＰインタレストの埋め込み方法を実装するための電子機器のブロック図である。
以下、図面と実施形態を組み合わせて本出願をさらに詳細に説明する。ここで述べている具体的な実施形態は関連発明を説明するためのものに過ぎず、当該発明を限定するものではないことを理解すべきである。また、なお、説明の便宜上、図面には関連発明に関連する部分のみが示される。
なお、矛盾しない場合、本出願における実施形態及び実施形態における特徴を組み合わせることができる。以下、図面を参照して実施形態を組み合わせて本出願を詳細に説明する。
図１は本出願を適用できるユーザＡＰＰインタレストの埋め込み方法またはユーザＡＰＰインタレストの埋め込み装置の実施形態の例示的なシステムアーキテクチャ１００である。
図１に示すように、システムアーキテクチャ１００は端末装置１０１、ネットワーク１０２、サーバ１０３を備えてもよい。ネットワーク１０２は端末装置１０１とサーバ１０３の間に通信リンクを提供する媒体である。ネットワーク１０２は、様々な接続タイプ、例えば有線、無線通信リンクまたはいは光ファイバケーブルなどを含んでもよい。
端末装置１０１はネットワーク１０２を介してサーバ１０３とやりとりをすることができる。端末装置１０１はユーザのＡＰＰインストールログを提供することができ、データベース、ユーザ端末などを含むが、これらに限定されない。
サーバ１０３は、様々なサービスを提供することができ、例えばサーバ１０３が端末装置１０１から取得されたユーザのＡＰＰインストールログなどのデータに対して解析などの処理を実行して、処理結果（例えば、ユーザＡＰＰインタレスト埋め込みベクトル）を生成することができる。
なお、サーバ１０３は、ハードウェアであってもよいし、ソフトウェアであってもよい。サーバ１０３がハードウェアである場合、複数のサーバからなる分散サーバクラスターとして実装されてもよいし、単一のサーバとして実装されてもよい。サーバ１０３がソフトウェアである場合、複数のソフトウェアまたはソフトウェアモジュールとして実装されてもよいし（例えば分散サービスを提供するために使用される）、単一のソフトウェアまたはソフトウェアモジュールとして実装されてもよい。ここでは具体的な限定をしない。
なお、本出願の実施形態によるユーザＡＰＰインタレストの埋め込み方法は一般にサーバ１０３により実行され、対応的に、ユーザＡＰＰのインタレストのある埋め込み装置は一般にサーバ１０３に設けられる。
理解すべきなのは、図１中の端末装置、ネットワーク及びサーバの数はただ例示的なものである。実装の必要性に応じて、任意の数の端末装置、ネットワーク及びサーバを備えることができる。
次に、本出願によるユーザＡＰＰインタレストの埋め込み方法の一実施形態のフロー２００を示す図２を参照する。該ユーザＡＰＰインタレストの埋め込み方法は、ステップ２０１～２０２を含む。
ステップ２０１：ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得する。
本実施形態において、ユーザＡＰＰインタレストの埋め込み方法の実行主体（例えば、図１に示すサーバ１０３）は、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得することができる。ユーザの既存のＡＰＰインストールリストとは、現時点でのユーザ既存のＡＰＰインストールリストを指す。ユーザの所定の時間窓内でのＡＰＰインストールリストとは、現時点より前の時間窓内でのＡＰＰインストールリストを指す。例えば、所定の時間窓を２週間或いは１か月に設定すると、最近の２週間または１か月にわたるユーザのＡＰＰインストールリストを取得することができる。本実施形態において、ＡＰＰインストールリストにおけるＡＰＰ情報にはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる。具体的に、同じＡＰＰの異なるシステムにおける複数のＡＰＰ名称を１つのＡＰＰＩＤ情報にマッピングすることができる。ＡＰＰカテゴリには、ソーシャル、ニュース、ショッピング、エンターテインメント、金融、生活、ツールなどが含まれる。
ステップ２０２：既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、ユーザＡＰＰインタレスト埋め込みベクトルを取得する。
本実施形態において、上記実行主体は既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、ユーザＡＰＰインタレスト埋め込みベクトルを取得することができる。ここで、ユーザＡＰＰインタレスト埋め込みモデルは、訓練されていないユーザＡＰＰインタレスト埋め込みモデルを訓練することによって取得される。訓練されていないユーザＡＰＰインタレスト埋め込みモデルの各層には初期パラメータを設定でき、パラメータは訓練中に継続的に調整され得る。訓練されていないユーザＡＰＰインタレスト埋め込みモデルは、様々なタイプの、訓練されていないまたは部分的に訓練された人工ニューラルネットワーク或いは訓練されていないまたは部分的に訓練された複数の人工ニューラルネットワークを組み合わせることによって取得されるモデルであってもよく、例えば、訓練されていないユーザＡＰＰインタレスト埋め込みモデルは、訓練されていない畳み込みニューラルネットワークであってもよいし、訓練されていない再帰型ニューラルネットワークであってもよいし、訓練されていない畳み込みニューラルネットワーク、訓練されていない再帰型ニューラルネットワーク及び訓練されていない全結合層を組み合わせることによって取得されるモデルであってもよい。
本実施形態のいくつかのオプション的な実施形態において、上記訓練されていないユーザＡＰＰインタレスト埋め込みモデルは、訓練されていないオートエンコーダ（ＡｕｔｏＥｎｃｏｄｅｒ）ネットワークモデルであってもよい。訓練されていないオートエンコーダ（ＡｕｔｏＥｎｃｏｄｅｒ）ネットワークモデルの各層には初期パラメータを設定でき、訓練済みオートエンコーダ（ＡｕｔｏＥｎｃｏｄｅｒ）ネットワークモデルを取得するまで、訓練中にパラメータを継続的に調整できる。オートエンコーダ（ＡｕｔｏＥｎｃｏｄｅｒ）ネットワークモデルを使用すると、ユーザＡＰＰインストール動作のラベルデータに依存することなく、教師なしのユーザＡＰＰインストール特徴の埋め込みを達成する。
従来の技術と比べて、本出願の実施形態はユーザの既存のＡＰＰインストールリスト情報と最近のＡＰＰインストールリスト情報を組み合わせて、ユーザＡＰＰインタレスト埋め込みベクトルはユーザの長期的なインタレストと短期的なインタレストの両方を反映でき、ＡＰＰＩＤとＡＰＰカテゴリを組み合わせることによって、ロングテールＡＰＰのスパース問題を軽減し、ユーザＡＰＰインタレスト埋め込みベクトルの表現能力を向上させることができる。
次に、本出願の実施形態によるユーザＡＰＰインタレスト埋め込みモデルの訓練プロセスのフロー模式図である図３を参照する。ユーザＡＰＰインタレスト埋め込みモデルを訓練するステップは、ステップ３０１～３０６を含む。
ステップ３０１：ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得する。
本実施形態において、上記実行主体は、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得することができる。ユーザの所定の時間窓内でのＡＰＰインストールリストとは、現時点より前の時間窓内でのＡＰＰインストールリストを指す。例えば、所定の時間窓を２週間或いは１か月に設定すると、最近の２週間または１か月にわたるユーザのＡＰＰインストールリストを取得することができる。本実施形態において、ＡＰＰインストールリストにおけるＡＰＰ情報にはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる。具体的に、同じＡＰＰの異なるシステムにおける複数のＡＰＰ名称を１つのＡＰＰＩＤ情報にマッピングすることができる。ＡＰＰカテゴリには、ソーシャル、ニュース、ショッピング、エンターテインメント、金融、生活、ツールなどが含まれる。
ステップ３０２：ＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルをランダムに設定し、ＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルをスティッチングして、ＡＰＰ埋め込みベクトルを取得する。
本実施形態において、上記実行主体は、ＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルをランダムに設定し、ＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルをスティッチングして、ＡＰＰ埋め込みベクトルを取得することができる。ユーザＡＰＰインタレスト埋め込みモデルの入力データには既存のＡＰＰインストールリストと最近のＡＰＰインストールリストが含まれ、各ＡＰＰにはＡＰＰＩＤ情報及びカテゴリ情報が含まれる。まず、ＡＰＰを埋め込む必要があり、ＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルをランダムに設定し、次元はそれぞれｎ１＊ｖ１、ｎ２＊ｖ２であり、ここで、ｎ１はＡＰＰの数であり、ｖ１はＡＰＰＩＤベクトル次元であり、ｎ２はＡＰＰカテゴリの数であり、ｖ２はＡＰＰカテゴリベクトル次元である。ＡＰＰの埋め込みベクトルはＡＰＰＩＤベクトルとＡＰＰカテゴリベクトルをスティッチングしてなり、次元はｖ１＋ｖ２である。次に、それぞれ既存のＡＰＰインストールリストと最近のＡＰＰインストールリストに対応するＡＰＰ埋め込みベクトルを生成する。
ステップ３０３：ＡＰＰインストールリストをｏｎｅ－ｈｏｔ特徴で表し、及びｏｎｅ－ｈｏｔ特徴とＡＰＰ埋め込みベクトルに基づいて、それぞれ既存のＡＰＰインストールリストの入力ベクトルと所定の時間窓内でのＡＰＰインストールリストの入力ベクトルを確定する。
本実施形態において、上記実行主体は、ＡＰＰインストールリストをｏｎｅ－ｈｏｔ特徴で表し、及びｏｎｅ－ｈｏｔ特徴とＡＰＰ埋め込みベクトルに基づいて、それぞれ既存のＡＰＰインストールリストの入力ベクトルと所定の時間窓内でのＡＰＰインストールリストの入力ベクトルを確定することができる。具体的に、まずＡＰＰインストールリストをｏｎｅ－ｈｏｔ特徴で表し、ｍ番目の次元は１であると、該ＡＰＰをインストールしたことを示し、０であると、該ＡＰＰをインストールしていないことを示し、ｍが正の整数であり、その後、ＡＰＰインストールリストのｏｎｅ－ｈｏｔ特徴とＡＰＰの埋め込みベクトルを乗算し、既存のＡＰＰインストールリストの入力ベクトルと所定の時間窓内でのＡＰＰインストールリストの入力ベクトルを取得する。
ステップ３０４：ユーザＡＰＰインタレスト埋め込みモデルを構築し、及び入力ベクトルをユーザＡＰＰインタレスト埋め込みモデルに入力する。
本実施形態において、ＡｕｔｏＥｎｃｏｄｅｒネットワークモデルを構築して、且つ既存のＡＰＰインストールリストの入力ベクトルと所定の時間窓内でのＡＰＰインストールリストの入力ベクトルをＡｕｔｏＥｎｃｏｄｅｒネットワークモデルに入力することができ、ＡｕｔｏＥｎｃｏｄｅｒネットワークモデルによってユーザＡＰＰインストール動作を特徴付ける。具体的に、まずそれぞれ既存のＡＰＰインストールリストの入力ベクトルと最近のＡＰＰインストールリストの入力ベクトルに対して、加算、平均化、及び最大値の求めの３種の形態を含むプーリング操作を実行し、プーリングされた結果をスティッチングし、それぞれ次元が２＊３＊（ｖ１＋ｖ２）の出力ベクトルを取得し、２は既存のＡＰＰインストールリストと最近のＡＰＰインストールリストの２種の入力を示し、３は加算、平均化、及び最大値の求めの３種のプーリング動作を示し、ｖ１＋ｖ２はＡＰＰの埋め込みベクトルを示し、最後に、Ｎ個の隠れ層ニューラルネットワークモデルを使用してユーザＡＰＰインストール動作を表し、各ニューラルネットワークモデルは活性化関数を有する全結合層から構成され得、最初のＭ層の活性化関数はＲｅｌｕを使用し、最後の層はｓｉｇｍｏＩＤを使用し、トリプル（ｆ、Ｗ、ｂ）で表すことができ、ｆは活性化関数であり、ｗは全結合重み（ｆｕｌｌ ｃｏｎｎｅｃｔｉｏｎ ｗｅｉｇｈｔ）を示し、ｂは全結合オフセット（ｆｕｌｌ ｃｏｎｎｅｃｔｉｏｎ ｏｆｆｓｅｔ）を示す。Ｘｎはニューラルネットワークモデルの出力を示すと、Ｘｎ＝ｆｎ（Ｘｎ－１＊Ｗｎ＋ｂｎ）であり、ＸｎはＡｕｔｏＥｎｃｏｄｅｒネットワークモデルの出力ベクトルである。
ステップ３０５：ユーザＡＰＰインタレスト埋め込みモデルに対応する復号ワークモデルを構築し、且つユーザＡＰＰインタレスト埋め込みモデルの出力を復号ネットワークモデルの入力とする。
本実施形態において、上記実行主体は、ユーザＡＰＰインタレスト埋め込みモデルに対応する復号ネットワークモデルを構築し、且つユーザＡＰＰインタレスト埋め込みモデルの出力を復号ネットワークモデルの入力とすることができる。具体的に、復号ネットワークモデルはＤｅｃｏｄｅｒ１モジュールとＤｅｃｏｄｅｒ２モジュールを含む。まず、ＡｕｔｏＥｎｃｏｄｅｒネットワークモデルと同じような、逆方向のＮ個の隠れ層ニューラルネットワークモデルを使用し、例えば、ＡｕｔｏＥｎｃｏｄｅｒネットワークモデルの隠れ層の大きさは［ｈ１，ｈ２，ｈ３］であり、ここで、ｈ１が入力であり、ｈ２とｈ３が隠れ層の出力であり、Ｄｅｃｏｄｅｒ１モジュールの隠れ層の大きさは［ｈ３，ｈ２，ｈ１］であり、ここで、ｈ３が入力であり、ｈ２とｈ１が隠れ層の出力である。その後、Ｄｅｃｏｄｅｒ２モジュールはＤｅｃｏｄｅｒ１モジュールの出力を復号し、復号にはｓｉｇｍｏＩＤ活性化関数を有するＮ個の全結合層からなるモデルを使用し、それぞれ既存のＡＰＰインストールリストと最近のＡＰＰインストールリストのｏｎｅ－ｈｏｔ特徴を取得する。全結合の入力の大きさはＤｅｃｏｄｅｒ１の出力ｈ１であり、全結合の出力の大きさはＡＰＰの数ｎ１である。
ステップ３０６：復号ネットワークモデルの既存のＡＰＰインストールリストの復号誤差と最近のＡＰＰインストールリストの復号誤差に基づいて、誤差逆伝播を行い、ユーザＡＰＰインタレスト埋め込みモデルを収束させるようにＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルを調整する。
本実施形態において、損失関数はＭＳＥ平均二乗誤差を採用し、モデル損失は２つの部分からなり、ｌｏｓｓ１は既存のＡＰＰインストールリストの復号誤差であり、ｌｏｓｓ２は最近のＡＰＰインストールリストの復号誤差であり、総合損失ｌｏｓｓ＝ｌｏｓｓ１＋ａ＊ｌｏｓｓ２であり、式中、ａは高調波の重みである。ｌｏｓｓに基づいて誤差逆伝播を行い、ユーザＡＰＰインタレスト埋め込みモデルが収束するか、最大反復回数に達するまで、パラメータ、ＡＰＰＩＤクエリベクトルテーブル及びＡＰＰカテゴリクエリベクトルテーブルを更新する。
次に、本出願によるユーザＡＰＰインタレストの埋め込み方法の他の実施形態のフロー４００を示す図４を参照する。該ユーザＡＰＰインタレストの埋め込み方法は、ステップ４０１～４０３を含む。
ステップ４０１：周期時間窓に基づいて、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを定期的に取得する。
本実施形態において、周期時間窓は、ユーザのニーズに応じて、特定の時間長さに設定でき、例えば、周期時間窓は２週間または１か月に設定されると、２週間または１か月ごとにユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得することができる。
ステップ４０２：定期的に取得された既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、周期時間窓に対応するユーザＡＰＰインタレスト埋め込みベクトルを取得する。
本実施形態において、上記実行主体は、定期的に取得された既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力することによって、対応するユーザＡＰＰインタレスト埋め込みベクトルを取得する。例えば、周期時間窓は２週間または１か月に設定されると、２週間または１か月ごとにユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、２週間または１か月あたりのユーザＡＰＰインタレスト埋め込みベクトルを取得する。
ステップ４０３：周期時間窓に対応するユーザＡＰＰインタレスト埋め込みベクトルをキー値（Ｋｅｙ－ｖａｌｕｅ）ストアに格納する。
本実施形態において、上記実行主体は定期的に取得されたユーザＡＰＰインタレスト埋め込みベクトルをキー値ストアに格納することができる。
本実施形態において、周期時間窓を設定し、ユーザのＡＰＰインタレスト埋め込みベクトルを定期的に取得して、キー値ストアに格納することによって、ユーザのＡＰＰインタレスト表現ベクトルの頻繁な更新と大量のリクエストによって引き起こされたユーザＡＰＰインタレスト埋め込みモデルの予測圧力が大きいという問題を解消できる。
次に、本出願によるユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得する一実施形態のフロー模式図である図５を参照する。
図５に示すように、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得するステップはステップ５０１～５０４を含む。
ステップ５０１：ユーザのＡＰＰインストールログを収集して、且つＡＰＰインストールログにおけるＡＰＰインストール情報と時間を関連付ける。
本実施形態において、上記実行主体は、ユーザのＡＰＰインストールログを収集し、且つ時間と関連付けることができ、一人のユーザの異なる時点でのＡＰＰインストール情報を異なるサンプルとする。
ステップ５０２：ＡＰＰのユーザ数を統計し、ＡＰＰのユーザ数に基づいて特定の数のＡＰＰセットをスクリーニングする。
本実施形態において、上記実行主体は、ＡＰＰのユーザ数を統計し、ユーザカバー率或いはｔｏｐｋ方法によって候補となるＮ個のＡＰＰセットをスクリーニングすることができ、ここで、ｋ、ｎはすべて正の整数である。
ステップ５０３：ＡＰＰセットに基づいて、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを統計する。
本実施形態において、上記実行主体は、特定の時点でのユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを統計することができ、例えば、所定の時間窓は２週間或いは１か月に設定され得る。
ステップ５０４：ＡＰＰインストールリストにおけるＡＰＰＩＤ情報とＡＰＰカテゴリ情報を収集する。
本実施形態において、上記実行主体は、ＡＰＰに対応する細分化カテゴリ情報を収集或いは生成することができ、各ＡＰＰにはＡＰＰＩＤ情報及びカテゴリ情報が含まれる。
更に図６を参照し、上記各図に示すような方法の実装として、本出願はユーザＡＰＰインタレストの埋め込みの一実施形態を提供し、該装置の実施形態は図２に示すような方法の実施形態に対応し、該装置は具体的に様々な電子機器に適用できる。
図６に示すように、本実施形態のユーザＡＰＰインタレストの埋め込み装置６００は、取得モジュール６０１と出力モジュール６０２を備え得る。取得モジュール６０１は、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得するように構成され、前記ＡＰＰにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれ、出力モジュール６０２は、前記既存のＡＰＰインストールリストと前記所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、ユーザＡＰＰインタレスト埋め込みベクトルを取得するように構成される。
本実施形態において、ユーザＡＰＰインタレストの埋め込み装置６００において、取得モジュール６０１と出力モジュール６０２の具体的な処理及びそれらによってもたらされた技術効果は、それぞれ図２の対応する実施形態におけるステップ２０１～２０２の関連説明を参照でき、ここでは省略する。
本実施形態のいくつかのオプション的な実施形態において、前記装置は、訓練モジュールをさらに備え、前記訓練モジュールは、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得するように構成され、前記ＡＰＰにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる取得モジュールと、ＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルをランダムに設定し、及び前記ＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルをスティッチングして、ＡＰＰ埋め込みベクトルを取得するように構成される初期化モジュールと、前記ＡＰＰインストールリストをｏｎｅ－ｈｏｔ特徴で表し、及び前記ｏｎｅ－ｈｏｔ特徴と前記ＡＰＰ埋め込みベクトルに基づいて、それぞれ既存のＡＰＰインストールリストの入力ベクトルと所定の時間窓内でのＡＰＰインストールリストの入力ベクトルを確定するように構成されるベクトル化モジュールと、ユーザＡＰＰインタレスト埋め込みモデルを構築し、及び前記入力ベクトルを前記ユーザＡＰＰインタレスト埋め込みモデルに入力するように構成される埋め込みモデル構築モジュールと、前記ユーザＡＰＰインタレスト埋め込みモデルに対応する復号ネットワークモデルを構築し、且つ前記ユーザＡＰＰインタレスト埋め込みモデルの出力を前記復号ネットワークモデルの入力とするように構成される復号モデル構築モジュールと、前記復号ネットワークモデルの既存のＡＰＰインストールリストの復号誤差と所定の時間窓内でのＡＰＰインストールリストの復号誤差に基づいて、誤差逆伝播を行い、且つ前記ユーザＡＰＰインタレスト埋め込みモデルを収束させるようにＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルを調整するように構成されるパラメータ調整モジュールと、を備える。
本実施形態のいくつかのオプション的な実施形態において、周期時間窓に基づいて、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを定期的に取得するように構成され、前記ＡＰＰにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる定期取得モジュールと、前記の前記周期時間窓に対応するユーザＡＰＰインタレスト埋め込みベクトルをキー値ストアに格納するように構成される記憶モジュールと、をさらに備え、前記出力モジュールはさらに、前記定期的に取得された既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、前記周期時間窓に対応するユーザＡＰＰインタレスト埋め込みベクトルを取得するように構成される。
本実施形態のいくつかのオプション的な実施形態において、前記取得モジュールは、ユーザのＡＰＰインストールログを収集し、且つ前記ＡＰＰインストールログにおけるＡＰＰインストール情報と時間を関連付けるように構成される収集モジュールと、ＡＰＰのユーザ数を統計し、ＡＰＰのユーザ数に基づいて特定の数のＡＰＰセットをスクリーニングするように構成されるスクリーニングモジュールと、前記ＡＰＰセットに基づいて、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを統計するように構成される統計モジュールと、前記ＡＰＰインストールリストにおけるＡＰＰＩＤ情報とＡＰＰカテゴリ情報を採集するように構成される採集モジュールと、を備える。
本実施形態のいくつかのオプション的な実施形態において、前記ユーザＡＰＰインタレスト埋め込みモデルはオートエンコーダネットワークモデルである。
図７に示すように、本出願の実施形態によるユーザＡＰＰインタレストの埋め込み方法の電子機器のブロック図である。電子機器は、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、メインフレームコンピュータ、その他の適切なコンピュータなどのさまざまな態様のデジタルコンピュータを示す。電子機器は、パーソナルデジタル処理、セルラー方式の携帯電話、スマートフォン、ウェアラブル装置、及び他の類似するコンピューティングデバイスなどのさまざまな態様のモバイルデバイスを示すこともできる。本明細書に示されるコンポーネント、それらの接続及び関係、ならびにそれらの機能は、単なる例示であり、本明細書に記載されるおよび／または要求される本出願の実現を限定することを意図するものではない。
図７に示すように、該電子機器は、１つまたは複数のプロセッサ７０１、メモリ７０２、及び各コンポーネントを接続するための、高速インターフェース及び低速インターフェースを含むインターフェースを備える。各コンポーネントは、異なるバスで相互に接続されており、共通のマザーボードに実装されてもよいし、必要に応じて、他の方法で実装されてもよい。プロセッサは、ＧＵＩのグラフィック情報を外部入／出力装置（インターフェースに結合された表示装置など）に表示できるように、メモリ内またはメモリ上に格納された指令を含む、電子機器で実行される指令を処理できる。他の実施形態では、必要とすれば、複数のプロセッサおよび／または複数のバスを複数のメモリと共に用いることができる。同様に、複数の電子機器を接続でき、各機器は一部の必要な動作を提供する（例えば、サーバアレイ、ブレードサーバグループ、またはマルチプロセッサシステムとする）。図７では、１つのプロセッサ７０１を例にする。
メモリ７０２は、即ち、本出願による非一時的なコンピュータ読み取り可能な記憶媒体である。ただし、前記メモリは、少なくとも１つのプロセッサによって実行可能な指令を格納するので、前記少なくとも１つのプロセッサに本出願によるユーザＡＰＰインタレストの埋め込み方法を実行させる。本出願の非一時的なコンピュータ読み取り可能な記憶媒体は、コンピュータに本出願によるユーザＡＰＰインタレストの埋め込み方法を実行させるためのコンピュータ指令を格納する。
メモリ７０２は非一時的なコンピュータ読み取り可能な記憶媒体として、非一時的なソフトウェアプログラム、非一時的なコンピュータ実行可能なプログラム、及びモジュールを格納することに用いられ、例えば本出願の実施形態におけるユーザＡＰＰインタレストの埋め込み方法に対応するプログラム指令／モジュール（例えば、図６に示すような取得モジュール６０１、出力モジュール６０２）が挙げられる。プロセッサ７０１は、メモリ７０２に格納された非一時的なソフトウェアプログラム、指令及びモジュールを実行することによって、サーバの様々な機能アプリケーション及びデータ処理を実行し、即ち、上記方法の実施形態に係るユーザＡＰＰインタレストの埋め込み方法を実現する。
メモリ７０２は、オペレーティングシステム、少なくとも１つの機能に必要なアプリケーションプログラムを格納可能なプログラム記憶領域と、ユーザＡＰＰインタレストの埋め込み方法に係る電子機器の使用に応じて作成されたデータ等を格納可能なデータ記憶領域とを含んでもよい。また、メモリ７０２は、高速ランダムアクセスメモリを含んでもよく、さらに非一時的なメモリを含んでもよく、例えば、少なくとも１つの磁気ディスク記憶デバイス、フラッシュメモリデバイス、または他の非一時的なソリッドステートストレージデバイスなどの非一時的なメモリを含んでもよい。いくつかの実施形態では、メモリ７０２は、任意選択で、プロセッサ６０１に対して遠隔に設置されたリモートメモリを含み、これらのリモートメモリは、ネットワークを介してユーザＡＰＰインタレストの埋め込み方法を実行する電子機器に接続されることができる。上記ネットワークとしては、インターネット、企業イントラネット、ローカルエリアネットワーク、モバイル通信ネットワーク、及びそれらの組み合わせなどを含むが、これらに限定されない。
ユーザＡＰＰインタレストの埋め込み方法を実行する電子機器は、入力装置７０３と出力装置７０４を備えてもよい。プロセッサ７０１、メモリ７０２、入力装置７０３及び出力装置７０４は、バスまたは他の方法で接続されてもよいが、図７にバスによる接続を例にする。
入力装置７０３は、入力された数字または文字情報を受信し、ユーザＡＰＰインタレストの埋め込み方法を実行する電子機器のユーザ設定及び機能制御に関連するキー信号入力を生成することができる。例えば、タッチスクリーン、キーパッド、マウス、トラックパッド、タッチパッド、ポインティングデバイス、１つ以上のマウスボタン、トラックボール、ジョイスティック、その他の入力装置が挙げられる。出力装置７０４は、表示装置、補助照明装置（例えば、ＬＥＤ）、触覚フィードバック装置（例えば、振動モーター）などを備えてもよい。該表示装置は、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ、及びプラズマディスプレイを備えてもよい。いくつかの実施形態では、表示装置はタッチスクリーンであってもよい。
ここでは説明される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、特定用途向けＡＳＩＣ（特定用途向け集積回路）、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、および／またはそれらの組み合わせにおいて実現できる。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実装され、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つのプログラマブルプロセッサを含むプログラマブルシステム上で実行および／または解釈されてもよく、該プログラマブルプロセッサは、ストレージシステム、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と指令を受信し、そのデータと指令をストレージシステム、少なくとも１つの入力装置、及び少なくとも１つの出力装置に送信できる専用または汎用のプログラマブルプロセッサであってもよい。
これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、またはコードとも呼ばれる）は、プログラマブルプロセッサの機械命令を含み、高度プロセスおよび／またはオブジェクト指向プログラミング言語、および／またはアセンブリ言語／機械語を利用してこれらのコンピュータプログラムを実装することができる。本明細書で使用されるように、「機械読み取り可能な媒体」及び「コンピュータ読み取り可能な媒体」という用語は、プログラマブルプロセッサに機械命令および／またはデータを提供するために用いられる任意のコンピュータプログラム製品、デバイス、および／または装置（例えば、磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス（ＰＬＤ）を指す。機械読み取り可能な信号である機械指令を受信する機械読み取り可能な媒体を含む。「機械読み取り可能な信号」という用語は、プログラマブルプロセッサに機械命令および／またはデータを提供するために用いられる任意の信号を指す。
ユーザとのインタラクションを提供するために、コンピュータにここで説明するシステム及び技術を実施してもよく、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）モニター）、及びキーボードとポインティングデバイス（マウスやトラックボールなど）を備え、ユーザが該キーボードとポインティングデバイスを介してコンピュータに入力を提供することができる。他のタイプの装置もユーザとのインタラクションを提供するために用いられ、例えば、ユーザに提供されるフィードバックは、任意の形式の感覚フィードバック（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、任意の形式（音入力、音声入力、または触覚入力を含む）でユーザからの入力を受信することもできる。
ここでは説明するシステムと技術は、バックエンドコンポーネントを含むコンピューティングシステム（例えば、データサーバとして）、ミドルウェアコンポーネント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コンポーネント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ーフェースまたはＷｅｂブラウザを備え、ユーザが該ラフィカルユーザインターフェースまたはＷｅｂブラウザを介してここで説明したシステムと技術の実施形態とやりとりできるユーザコンピュータ）、またはそのようなバックエンドコンポーネント、ミドルウェアコンポーネント、またはフロントエンドコンポーネントの任意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してもよい。システムのコンポーネントは、任意の形式または媒体のデジタルデータ通信（通信ネットワークなど）を介して相互に接続されてもよい。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）およびインターネットが挙げられる。
コンピューティングシステムは、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は、一般的に互いに離れており、通常は通信ネットワークを介してやりとりをする。対応するコンピュータ上で、互いにクライアント－サーバ関係を持つコンピュータプログラムを実行することによりクライアントとサーバの関係を生成する。
本出願の技術案によれば、まずユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得し、次に、既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、ユーザＡＰＰインタレスト埋め込みベクトルを取得し、ユーザの既存のＡＰＰインストールリスト情報と最近のＡＰＰインストールリスト情報を組み合わせることによって、ユーザＡＰＰインタレスト埋め込みベクトルはユーザの長期的なインタレストと短期的なインタレストの両方を反映でき、ＡＰＰＩＤとＡＰＰカテゴリを組み合わせることによって、ロングテールＡＰＰのスパース問題を軽減し、ユーザＡＰＰインタレスト埋め込みベクトルの表現能力を向上させることができる。
なお、上述した様々な形態のフローを用いて、ステップを並び替え、追加または削除を行うことができることを理解されるべきである。例えば、本出願に記載された各ステップは、本出願に開示された技術方案の所望の結果が達成できる限り、並行して実行されてもよく、順番に実行されてもよく、異なる順序で実行されてもよい。本明細書はここで制限はしない。
上記の具体的な実施形態は、本出願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、サブ組み合わせ、及び代替を行うことは理解される。本出願の精神及び原則を逸脱せずに行われるあらゆる補正、均等な置換、改良などは、すべて本出願の保護範囲内に含まれるべきである。

Claims (13)

  1. コンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法であって、
    ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得するステップであって、前記ＡＰＰインストールリストにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる、ステップと、
    前記既存のＡＰＰインストールリストと前記所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、前記事前訓練済みユーザＡＰＰインタレスト埋め込みモデルによって、前記ＡＰＰＩＤ情報のベクトルと前記ＡＰＰカテゴリ情報のベクトルとをスティッチングしてＡＰＰ埋め込みベクトルを得、前記ＡＰＰインストールリストのｏｎｅ－ｈｏｔ特徴と前記ＡＰＰ埋め込みベクトルとに基づいて、前記既存のＡＰＰインストールリストの入力ベクトルと前記所定の時間窓内でのＡＰＰインストールリストの入力ベクトルを得、前記既存のＡＰＰインストールリストの入力ベクトルと前記所定の時間窓内でのＡＰＰインストールリストの入力ベクトルとをプーリングすることによりユーザＡＰＰインタレスト埋め込みベクトルを取得するステップと、を含む、コンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法。
  2. 前記事前訓練済みユーザＡＰＰインタレスト埋め込みモデルは、
    ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得するステップであって、前記ＡＰＰインストールリストにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる、ステップと、
    ＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルをランダムに設定し、前記ＡＰＰＩＤクエリベクトルテーブルと前記ＡＰＰカテゴリクエリベクトルテーブルをスティッチングして、ＡＰＰ埋め込みベクトルを取得するステップと、
    前記ＡＰＰインストールリストをｏｎｅ－ｈｏｔ特徴で表し、前記ｏｎｅ－ｈｏｔ特徴と前記ＡＰＰ埋め込みベクトルに基づいて、前記既存のＡＰＰインストールリストの入力ベクトルと前記所定の時間窓内でのＡＰＰインストールリストの入力ベクトルをそれぞれ確定するステップと、
    ユーザＡＰＰインタレスト埋め込みモデルを構築し、前記入力ベクトルを前記ユーザＡＰＰインタレスト埋め込みモデルに入力するステップと、
    前記ユーザＡＰＰインタレスト埋め込みモデルに対応する復号ネットワークモデルを構築し、前記ユーザＡＰＰインタレスト埋め込みモデルの出力を前記復号ネットワークモデルの入力とするステップと、
    前記復号ネットワークモデルの既存のＡＰＰインストールリストの復号誤差と所定の時間窓内でのＡＰＰインストールリストの復号誤差に基づいて、誤差逆伝播を行い、前記ユーザＡＰＰインタレスト埋め込みモデルを収束させるように、前記ＡＰＰＩＤクエリベクトルテーブルと前記ＡＰＰカテゴリクエリベクトルテーブルを調整するステップと、
    によって訓練されて得る、請求項１に記載のコンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法。
  3. 周期時間窓によって、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを定期的に取得するステップであって、前記ＡＰＰインストールリストにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる、ステップと、
    定期的に取得された前記既存のＡＰＰインストールリストと前記所定の時間窓内でのＡＰＰインストールリストを前記事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、前記周期時間窓に対応するユーザＡＰＰインタレスト埋め込みベクトルを取得するステップと、
    前記周期時間窓に対応するユーザＡＰＰインタレスト埋め込みベクトルをキー値ストアに格納するステップと、をさらに含む請求項１に記載のコンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法。
  4. ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得する前記ステップは、
    ユーザのＡＰＰインストールログを収集し、前記ＡＰＰインストールログにおけるＡＰＰインストール情報と時間を関連付けるステップと、
    ＡＰＰのユーザ数の統計をとり、ＡＰＰの前記ユーザ数に基づいて特定の数のＡＰＰセットをスクリーニングするステップと、
    前記ＡＰＰセットに基づいて、ユーザの前記既存のＡＰＰインストールリストと前記所定の時間窓内でのＡＰＰインストールリストの統計をとるステップと、
    前記ＡＰＰインストールリストにおけるＡＰＰＩＤ情報とＡＰＰカテゴリ情報を採集するステップと、を含む請求項２に記載のコンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法。
  5. 前記事前訓練済みユーザＡＰＰインタレスト埋め込みモデルは、オートエンコーダネットワークモデルである請求項１～４のいずれかに記載のコンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法。
  6. ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得するように構成される取得モジュールであって、前記ＡＰＰインストールリストにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる、取得モジュールと、
    前記既存のＡＰＰインストールリストと前記所定の時間窓内でのＡＰＰインストールリストを事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、前記事前訓練済みユーザＡＰＰインタレスト埋め込みモデルによって、前記ＡＰＰＩＤ情報のベクトルと前記ＡＰＰカテゴリ情報のベクトルとをスティッチングしてＡＰＰ埋め込みベクトルを得、前記ＡＰＰインストールリストのｏｎｅ－ｈｏｔ特徴と前記ＡＰＰ埋め込みベクトルとに基づいて、前記既存のＡＰＰインストールリストの入力ベクトルと前記所定の時間窓内でのＡＰＰインストールリストの入力ベクトルを得、前記既存のＡＰＰインストールリストの入力ベクトルと前記所定の時間窓内でのＡＰＰインストールリストの入力ベクトルとをプーリングすることによりユーザＡＰＰインタレスト埋め込みベクトルを取得するように構成される出力モジュールと、を備えるユーザＡＰＰインタレストの埋め込み装置。
  7. 前記ユーザＡＰＰインタレストの埋め込み装置は訓練モジュールをさらに備え、
    前記訓練モジュールは、
    ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを取得するように構成される取得モジュールであって、前記ＡＰＰインストールリストにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる、取得モジュールと、
    ＡＰＰＩＤクエリベクトルテーブルとＡＰＰカテゴリクエリベクトルテーブルをランダムに設定し、前記ＡＰＰＩＤクエリベクトルテーブルと前記ＡＰＰカテゴリクエリベクトルテーブルをスティッチングして、ＡＰＰ埋め込みベクトルを取得するように構成される初期化モジュールと、
    前記ＡＰＰインストールリストをｏｎｅ－ｈｏｔ特徴で表し、前記ｏｎｅ－ｈｏｔ特徴と前記ＡＰＰ埋め込みベクトルに基づいて、前記既存のＡＰＰインストールリストの入力ベクトルと前記所定の時間窓内でのＡＰＰインストールリストの入力ベクトルをそれぞれ確定するように構成されるベクトル化モジュールと、
    ユーザＡＰＰインタレスト埋め込みモデルを構築し、前記入力ベクトルを前記ユーザＡＰＰインタレスト埋め込みモデルに入力するように構成される埋め込みモデル構築モジュールと、
    前記ユーザＡＰＰインタレスト埋め込みモデルに対応する復号ネットワークモデルを構築し、前記ユーザＡＰＰインタレスト埋め込みモデルの出力を前記復号ネットワークモデルの入力とするように構成される復号モデル構築モジュールと、
    前記復号ネットワークモデルの既存のＡＰＰインストールリストの復号誤差と所定の時間窓内でのＡＰＰインストールリストの復号誤差に基づいて、誤差逆伝播を行い、前記ユーザＡＰＰインタレスト埋め込みモデルを収束させるように、前記ＡＰＰＩＤクエリベクトルテーブルと前記ＡＰＰカテゴリクエリベクトルテーブルを調整するように構成されるパラメータ調整モジュールと、を備える請求項６に記載のユーザＡＰＰインタレストの埋め込み装置。
  8. 周期時間窓によって、ユーザの既存のＡＰＰインストールリストと所定の時間窓内でのＡＰＰインストールリストを定期的に取得するように構成される定期取得モジュールであって、前記ＡＰＰインストールリストにはＡＰＰＩＤ情報とＡＰＰカテゴリ情報が含まれる、定期取得モジュールと、
    前記周期時間窓に対応するユーザＡＰＰインタレスト埋め込みベクトルをキー値ストアに格納するように構成される記憶モジュールと、をさらに備え、
    前記出力モジュールはさらに、定期的に取得された前記既存のＡＰＰインストールリストと前記所定の時間窓内でのＡＰＰインストールリストを前記事前訓練済みユーザＡＰＰインタレスト埋め込みモデルに入力し、前記周期時間窓に対応するユーザＡＰＰインタレスト埋め込みベクトルを取得するように構成される、請求項６に記載のユーザＡＰＰインタレストの埋め込み装置。
  9. 前記取得モジュールは、
    ユーザのＡＰＰインストールログを収集し、前記ＡＰＰインストールログにおけるＡＰＰインストール情報と時間を関連付けるように構成される収集モジュールと、
    ＡＰＰのユーザ数の統計をとり、ＡＰＰの前記ユーザ数に基づいて特定の数のＡＰＰセットをスクリーニングするように構成されるスクリーニングモジュールと、
    前記ＡＰＰセットに基づいて、ユーザの前記既存のＡＰＰインストールリストと前記所定の時間窓内でのＡＰＰインストールリストの統計をとるように構成される統計モジュールと、
    前記ＡＰＰインストールリストにおけるＡＰＰＩＤ情報とＡＰＰカテゴリ情報を採集するように構成される採集モジュールと、を備える請求項７に記載のユーザＡＰＰインタレストの埋め込み装置。
  10. 前記事前訓練済みユーザＡＰＰインタレスト埋め込みモデルは、オートエンコーダネットワークモデルである請求項７～９のいずれかに記載のユーザＡＰＰインタレストの埋め込み装置。
  11. 少なくとも１つのプロセッサと、
    前記少なくとも１つのプロセッサに通信可能に接続されるメモリと、を備え、
    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ることができる指令が格納され、前記指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と、前記少なくとも１つのプロセッサによって請求項１～５のいずれかに記載のコンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法が実行される、電子機器。
  12. コンピュータ指令が格納された非一時的なコンピュータ読み取り可能な記憶媒体であって、
    前記コンピュータ指令は請求項１～５のいずれかに記載のコンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法を該コンピュータに実行させるために使用される非一時的なコンピュータ読み取り可能な記憶媒体。
  13. プロセッサにより実行されると、請求項１～５のいずれかに記載のコンピュータによって実行されるユーザＡＰＰインタレストの埋め込み方法が実施される、コンピュータプログラム。
JP2021039379A 2020-09-21 2021-03-11 ユーザａｐｐインタレストの埋め込み方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム Active JP7220733B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010995356.9 2020-09-21
CN202010995356.9A CN112015439B (zh) 2020-09-21 2020-09-21 用户app兴趣的嵌入方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
JP2022051665A JP2022051665A (ja) 2022-04-01
JP7220733B2 true JP7220733B2 (ja) 2023-02-10

Family

ID=73521584

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021039379A Active JP7220733B2 (ja) 2020-09-21 2021-03-11 ユーザａｐｐインタレストの埋め込み方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム

Country Status (5)

Country Link
US (1) US20210201149A1 (ja)
EP (1) EP3825876A3 (ja)
JP (1) JP7220733B2 (ja)
KR (1) KR102607359B1 (ja)
CN (1) CN112015439B (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392149B (zh) * 2021-06-15 2022-09-13 浙江大学 一种基于多源异构数据融合的贷款逾期预测方法
CN114692972A (zh) * 2022-03-31 2022-07-01 支付宝(杭州)信息技术有限公司 行为预测系统的训练方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765352A (zh) 2019-10-11 2020-02-07 上海上湖信息技术有限公司 一种用户兴趣识别方法及装置
US20200107072A1 (en) 2018-10-02 2020-04-02 Adobe Inc. Generating user embedding representations that capture a history of changes to user trait data

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009101629A2 (en) * 2008-02-13 2009-08-20 Ron Ishai A system and methods for positioning information from a plurality of users
US9104771B2 (en) * 2011-11-03 2015-08-11 International Business Machines Corporation Providing relevant product reviews to the user to aid in purchasing decision
CN108062342A (zh) * 2016-11-08 2018-05-22 北京国双科技有限公司 应用程序的推荐方法及装置
EP3454260A1 (en) * 2017-09-11 2019-03-13 Tata Consultancy Services Limited Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof
CN107861938B (zh) * 2017-09-21 2020-09-25 北京三快在线科技有限公司 一种poi文案生成方法及装置，电子设备
CN107729560A (zh) * 2017-11-08 2018-02-23 北京奇虎科技有限公司 基于大数据的用户画像构造方法、装置及计算设备
CN111242748B (zh) * 2020-02-21 2023-04-07 腾讯科技（深圳）有限公司 用于向用户推荐项目的方法、装置和存储介质
CN111523007B (zh) * 2020-04-27 2023-12-26 北京百度网讯科技有限公司 用户感兴趣信息确定方法、装置、设备以及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200107072A1 (en) 2018-10-02 2020-04-02 Adobe Inc. Generating user embedding representations that capture a history of changes to user trait data
CN110765352A (zh) 2019-10-11 2020-02-07 上海上湖信息技术有限公司 一种用户兴趣识别方法及装置

Also Published As

Publication number Publication date
EP3825876A3 (en) 2021-10-06
US20210201149A1 (en) 2021-07-01
EP3825876A2 (en) 2021-05-26
JP2022051665A (ja) 2022-04-01
KR102607359B1 (ko) 2023-11-29
CN112015439B (zh) 2024-01-12
KR20210037631A (ko) 2021-04-06
CN112015439A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
JP7166322B2 (ja) モデルを訓練するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム
KR102484617B1 (ko) 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램
US11044949B2 (en) Systems and methods for dynamic delivery of web content
CN111539514B (zh) 用于生成神经网络的结构的方法和装置
JP7194163B2 (ja) マルチメディアリソースの推薦方法、マルチメディアリソースの推薦装置、電子機器、非一時的なコンピュータ読み取り可能な記憶媒体及びコンピュータプログラム
JP7312780B2 (ja) オンライン予測モデルのトレーニング方法、装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム
KR102476056B1 (ko) 아이템 추천방법, 시스템, 전자기기 및 기록매체
JP7220733B2 (ja) ユーザａｐｐインタレストの埋め込み方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN111311321B (zh) 用户消费行为预测模型训练方法、装置、设备及存储介质
CN111582479B (zh) 神经网络模型的蒸馏方法和装置
CN111506803B (zh) 内容推荐方法、装置、电子设备及存储介质
CN111539479A (zh) 生成样本数据的方法和装置
CN111563593B (zh) 神经网络模型的训练方法和装置
US20220036394A1 (en) Method of determining suggestion model, method of determining price of item, device, and medium
CN111949272A (zh) 寄宿应用的编译优化方法、装置、电子设备及可读存储介质
CN111709252A (zh) 基于预训练的语义模型的模型改进方法及装置
CN114492788A (zh) 训练深度学习模型的方法和装置、电子设备及存储介质
CN112446574B (zh) 产品评估方法、装置、电子设备及存储介质
CN111582452B (zh) 生成神经网络模型的方法和装置
KR20220003444A (ko) 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체
CN112580723A (zh) 多模型融合方法、装置、电子设备和存储介质
CN112085103B (zh) 基于历史行为的数据增强方法、装置、设备以及存储介质
CN111582480A (zh) 用于对模型剪枝的方法和装置
CN114912522B (zh) 信息分类方法和装置
CN114662783A (zh) 更新业务处理模型的方法、装置、设备及存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210530

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220726

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221021

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221101

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: 20230117

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230131

R150 Certificate of patent or registration of utility model

Ref document number: 7220733

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150