JP7372278B2 - 算出装置、算出方法及び算出プログラム - Google Patents
算出装置、算出方法及び算出プログラム Download PDFInfo
- Publication number
- JP7372278B2 JP7372278B2 JP2021071238A JP2021071238A JP7372278B2 JP 7372278 B2 JP7372278 B2 JP 7372278B2 JP 2021071238 A JP2021071238 A JP 2021071238A JP 2021071238 A JP2021071238 A JP 2021071238A JP 7372278 B2 JP7372278 B2 JP 7372278B2
- Authority
- JP
- Japan
- Prior art keywords
- query
- counting
- partial
- calculation
- category
- 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
- 238000004364 calculation method Methods 0.000 title claims description 156
- 239000013598 vector Substances 0.000 claims description 137
- 238000000034 method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Description
まず、図1を用いて、算出装置100が実行する算出処理の一例について説明する。図1は、実施形態に係る算出装置100が実行する算出処理の一例を示す図である。
図2に示すように、算出システム1は、端末装置10と、ECサーバ20と、算出装置100とを含む。端末装置10、ECサーバ20及び算出装置100は、ネットワークNを介して、有線又は無線により通信可能に接続される。なお、図2に示す算出システム1には、複数台の端末装置10や、複数台のECサーバ20や、複数台の算出装置100が含まれてもよい。
以下、上記した算出装置100が有する機能構成の一例について説明する。図2は、実施形態に係る算出装置100の構成例を示す図である。図2に示すように、算出装置100は、通信部110と、記憶部120と、制御部130とを有する。
通信部110は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部110は、ネットワークNと有線又は無線で接続され、他の各種装置との間で情報の送受信を行う。
記憶部120は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。また、記憶部120は、利用者情報記憶部121と、計数情報記憶部122と、学習モデル123とを有する。
利用者情報記憶部121は、利用者に関する各種情報を記憶する。ここで、図3に、実施形態に係る利用者情報記憶部121の一例を示す。図3に示した例では、利用者情報記憶部121は、「利用者ID(Identifier)」、「利用者情報」といった項目を有する。例えば、「利用者情報」は、「検索履歴」、「属性情報」、「閲覧履歴」、「購入履歴」を含む。
計数情報記憶部122は、算出した計数結果に関する各種情報を記憶する。ここで、図4に、実施形態に係る計数情報記憶部122の一例を示す。図4に示した例では、計数情報記憶部122は、「データセットID」、「部分クエリ」、「カテゴリ」、「計数結果」を含む。
制御部130は、コントローラ(Controller)であり、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、算出装置100内部の記憶装置に記憶されている各種プログラム(算出プログラムの一例)がRAMを作業領域として実行されることにより実現される。また、制御部130は、コントローラであり、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。
取得部131は、各種情報を取得する。具体的には、取得部131は、利用者情報をECサーバ20から取得する。例えば、取得部131は、ECサービスを利用する利用者の各種ログとして、検索履歴や、閲覧履歴や、購入履歴等をECサーバ20から取得する。そして、取得部131は、かかる各種ログを利用者情報記憶部121に記憶する。また、取得部131は、利用者の属性情報を取得してもよい。この場合、取得部131は、取得した属性情報を利用者情報記憶部121に記憶する。
計数部132は、利用者によって入力されたクエリのうち、クエリを構成する部分クエリと関連する検索対象の数を、検索対象が属するカテゴリ毎に計数する。ここで、部分クエリを特定する手法は、如何なる手法を用いて実行されてもよく、例えば、部分クエリは、形態素解析及び意味解析等の従来技術を用いて、単語毎に特定されてもよい。例えば、計数部132は、部分クエリを特定し、かかる部分クエリと対応する複数のカテゴリの各々を対応付けて計数情報記憶部122に記憶する。
算出部133は、各種値を算出する。具体的には、計数部132によって計数された計数結果に基づいて、部分クエリと関連する複数のカテゴリの各々によって重み付けが行われた部分クエリに対応する値を算出する。
生成部134は、クエリに関する情報と、クエリを構成する部分クエリ毎に対応する値であって、計数結果に基づいて部分クエリと関連する複数のカテゴリの各々によって重み付けが行われた値とを入力することで、クエリが所定のカテゴリと関連する度合いを示す関連度を出力するように学習させた学習モデル123を生成する。
受付部135は、各種要求を受付ける。例えば、受付部135は、利用者によって入力されたクエリをECサーバ20から受付ける。
提供部136は、各種情報を提供する。例えば、提供部136は、受付部135によって受付けられたクエリと、カテゴリとの関連度をECサーバ20に提供する。また、提供部136は、受付部135によって受付けられたクエリと、複数のカテゴリの各々との関連度をECサーバ20に提供する。
次に、図5を用いて、実施形態に係る算出装置100が実行する生成処理の手順について説明する。図5は、実施形態に係る算出装置100が実行する生成処理の流れの一例を示すフローチャートである。
次に、図6を用いて、実施形態に係る算出装置100が実行する提供処理の手順について説明する。図6は、実施形態に係る算出装置100が実行する提供処理の流れの一例を示すフローチャートである。
上述した算出装置100は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、算出装置100の他の実施形態について説明する。
上記実施形態では、電子商取引サービスにおける検索処理の例を示したが、これに限定されなくともよい。例えば、電子商取引サービスにおける検索処理の代わりに、ウェブ検索等の各種検索サービスにおける検索処理であってもよい。
上記実施形態では、算出装置100の生成部134がクエリに関する情報と、クエリを構成する部分クエリ毎に対応する値であって、計数結果に基づいて部分クエリと関連する複数のカテゴリの各々によって重み付けが行われた値とを入力することで、クエリが所定のカテゴリと関連する度合いを示す関連度を出力するように学習させた学習モデル123を生成する生成処理を例に挙げて説明したが、これに限定されない。例えば、生成部134は、クエリを構成する文字毎に算出されたベクトルと、複数のカテゴリの各々から算出されたベクトル毎に重み付けを行い、重み付けが行われたベクトルの総和と、属性情報とを入力することで、クエリが所定のカテゴリと関連する度合いを示す関連度を出力するように学習させた学習モデルを生成してもよい。
上記実施形態では、算出装置100の取得部131がログを取得する例を挙げて説明したが、これに限定されなくともよい。例えば、取得部131は、ログの代わりに、商品又はサービスの各種データや、商品に対応する型番といったデータ等を取得してもよい。これにより、生成部134は、商品又はサービスの各種データや、商品に対応する型番といったデータに基づく学習モデルを生成することができる。例えば、新商品等の場合、ログのデータ数が少ないと予測されるため、十分な学習処理が実現できない場合が有り得る。このような場合に、生成部134は、ログ以外の情報を用いてことで、利用者の意図を的確に把握するための学習モデルを生成することができる。なお、生成部134は、さらに、ログと、ログ以外の商品又はサービスの各種データや、商品に対応する型番といったデータ等とを組合せることで、学習モデルを生成してもよい。
また、上述した実施形態に係る算出装置100は、例えば、図7に示すような構成のコンピュータ1000によって実現される。図7は、ハードウェア構成の一例を示す図である。コンピュータ1000は、出力装置1010、入力装置1020と接続され、演算装置1030、一次記憶装置1040、二次記憶装置1050、出力IF(Interface)1060、入力IF1070、ネットワークIF1080がバス1090により接続された形態を有する。
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
上述してきたように、実施形態に係る算出装置100は、計数部132と、算出部133とを有する。計数部132は、利用者によって入力されたクエリのうち、クエリを構成する部分クエリと関連する検索対象の数を、検索対象が属するカテゴリ毎に計数する。算出部133は、計数部132によって計数された計数結果に基づいて、部分クエリと関連する複数のカテゴリの各々によって重み付けが行われた部分クエリに対応する値を算出する。
1 算出システム
10 端末装置
20 ECサーバ
100 算出装置
110 通信部
120 記憶部
121 利用者情報記憶部
122 計数情報記憶部
123 学習モデル
130 制御部
131 取得部
132 計数部
133 算出部
134 生成部
135 受付部
136 提供部
Claims (8)
- 利用者によって入力されたクエリのうち、当該クエリを構成する部分クエリと関連する検索対象の数を、当該検索対象が属するカテゴリ毎に計数する計数部と、
前記計数部によって計数された計数結果に基づいて、前記部分クエリと関連する複数のカテゴリの各々によって重み付けが行われた前記部分クエリに対応する値を算出する算出部と、
クエリに関する情報と、当該クエリを構成する部分クエリ毎に対応する値であって、前記計数結果に基づいて当該部分クエリと関連する複数のカテゴリの各々によって重み付けが行われた値とを入力することで、当該クエリが所定のカテゴリと関連する度合いを示す関連度を出力するように学習させた学習モデルを生成する生成部と
を備え、
前記生成部は、
前記クエリを構成する文字毎に算出されたベクトルと、前記複数のカテゴリの各々から算出されたベクトル毎に重み付けを行い、当該重み付けが行われたベクトルの総和とを入力することで、前記関連度を出力するように学習させた学習モデルを生成する
ことを特徴とする算出装置。 - 前記計数部は、
前記クエリを構成する複数の部分クエリの各々と関連する検索対象の数を、当該検索対象が属するカテゴリ毎に計数し、
前記算出部は、
前記計数部によって計数された計数結果に基づいて、前記複数の部分クエリの各々と関連する複数のカテゴリの各々によって重み付けが行われた前記複数の部分クエリの各々に対応する値を算出する
ことを特徴とする請求項1に記載の算出装置。 - 前記算出部は、
前記計数結果に基づいて、前記複数のカテゴリの各々から算出されたベクトル毎に重み付けを行い、当該重み付けが行われたベクトルの総和を前記値として算出する
ことを特徴とする請求項1又は2に記載の算出装置。 - 前記算出部は、
重み付けを行う場合の重みとして各カテゴリの計数結果に応じた割合を、各カテゴリと対応する前記ベクトルに乗じたベクトルの総和を前記値として算出する
ことを特徴とする請求項3に記載の算出装置。 - 利用者の属性に関する属性情報を取得する取得部をさらに備え、
前記生成部は、
前記クエリを構成する文字毎に算出されたベクトルと、前記複数のカテゴリの各々から算出されたベクトル毎に重み付けを行い、当該重み付けが行われたベクトルの総和と、前記属性情報とを入力することで、前記関連度を出力するように学習させた学習モデルを生成する
ことを特徴とする請求項1に記載の算出装置。 - 前記計数部は、
前記クエリを構成する部分クエリと関連する検索対象の数を、当該検索対象が属するカテゴリであって、電子商取引サービスにおいて商品又はサービスを分類するカテゴリ毎に計数する
ことを特徴とする請求項1~5のいずれか1つに記載の算出装置。 - コンピュータが実行する算出方法であって、
利用者によって入力されたクエリのうち、当該クエリを構成する部分クエリと関連する検索対象の数を、当該検索対象が属するカテゴリ毎に計数する計数工程と、
前記計数工程によって計数された計数結果に基づいて、前記部分クエリと関連する複数のカテゴリの各々によって重み付けが行われた前記部分クエリに対応する値を算出する算出工程と、
クエリに関する情報と、当該クエリを構成する部分クエリ毎に対応する値であって、前記計数結果に基づいて当該部分クエリと関連する複数のカテゴリの各々によって重み付けが行われた値とを入力することで、当該クエリが所定のカテゴリと関連する度合いを示す関連度を出力するように学習させた学習モデルを生成する生成工程と
を含み、
前記生成工程は、
前記クエリを構成する文字毎に算出されたベクトルと、前記複数のカテゴリの各々から算出されたベクトル毎に重み付けを行い、当該重み付けが行われたベクトルの総和とを入力することで、前記関連度を出力するように学習させた学習モデルを生成する
ことを特徴とする算出方法。 - 利用者によって入力されたクエリのうち、当該クエリを構成する部分クエリと関連する検索対象の数を、当該検索対象が属するカテゴリ毎に計数する計数手順と、
前記計数手順によって計数された計数結果に基づいて、前記部分クエリと関連する複数のカテゴリの各々によって重み付けが行われた前記部分クエリに対応する値を算出する算出手順と、
クエリに関する情報と、当該クエリを構成する部分クエリ毎に対応する値であって、前記計数結果に基づいて当該部分クエリと関連する複数のカテゴリの各々によって重み付けが行われた値とを入力することで、当該クエリが所定のカテゴリと関連する度合いを示す関連度を出力するように学習させた学習モデルを生成する生成手順と
をコンピュータに実行させ、
前記生成手順は、
前記クエリを構成する文字毎に算出されたベクトルと、前記複数のカテゴリの各々から算出されたベクトル毎に重み付けを行い、当該重み付けが行われたベクトルの総和とを入力することで、前記関連度を出力するように学習させた学習モデルを生成する
ことを特徴とする算出プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021071238A JP7372278B2 (ja) | 2021-04-20 | 2021-04-20 | 算出装置、算出方法及び算出プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021071238A JP7372278B2 (ja) | 2021-04-20 | 2021-04-20 | 算出装置、算出方法及び算出プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022165754A JP2022165754A (ja) | 2022-11-01 |
JP7372278B2 true JP7372278B2 (ja) | 2023-10-31 |
Family
ID=83851298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021071238A Active JP7372278B2 (ja) | 2021-04-20 | 2021-04-20 | 算出装置、算出方法及び算出プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7372278B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015511039A (ja) | 2012-03-15 | 2015-04-13 | アリババ・グループ・ホールディング・リミテッドAlibaba Group Holding Limited | 製品情報の公開 |
JP2018518788A (ja) | 2016-01-07 | 2018-07-12 | テンセント・テクノロジー・(シェンジェン)・カンパニー・リミテッド | ウェブページトレーニング方法及び装置、検索意図識別方法及び装置 |
JP2019053386A (ja) | 2017-09-13 | 2019-04-04 | ヤフー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
-
2021
- 2021-04-20 JP JP2021071238A patent/JP7372278B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015511039A (ja) | 2012-03-15 | 2015-04-13 | アリババ・グループ・ホールディング・リミテッドAlibaba Group Holding Limited | 製品情報の公開 |
JP2018518788A (ja) | 2016-01-07 | 2018-07-12 | テンセント・テクノロジー・(シェンジェン)・カンパニー・リミテッド | ウェブページトレーニング方法及び装置、検索意図識別方法及び装置 |
JP2019053386A (ja) | 2017-09-13 | 2019-04-04 | ヤフー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2022165754A (ja) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Riaz et al. | Opinion mining on large scale data using sentiment analysis and k-means clustering | |
Zheng et al. | Feature engineering for machine learning: principles and techniques for data scientists | |
US10339184B2 (en) | System and method for topic extraction and opinion mining | |
US9251292B2 (en) | Search result ranking using query clustering | |
Galitsky | Machine learning of syntactic parse trees for search and classification of text | |
WO2013021889A1 (ja) | 色名決定装置、色名決定方法、情報記録媒体、ならびに、プログラム | |
WO2017075017A1 (en) | Automatic conversation creator for news | |
US20230177360A1 (en) | Surfacing unique facts for entities | |
Kulkarni et al. | Converting text to features | |
RU2664481C1 (ru) | Способ и система выбора потенциально ошибочно ранжированных документов с помощью алгоритма машинного обучения | |
Banik | Hands-on recommendation systems with Python: start building powerful and personalized, recommendation engines with Python | |
US20180285448A1 (en) | Producing personalized selection of applications for presentation on web-based interface | |
Gao et al. | Text classification research based on improved Word2vec and CNN | |
WO2021007159A1 (en) | Identifying entity attribute relations | |
JP6321845B1 (ja) | 付与装置、付与方法および付与プログラム | |
JP7372278B2 (ja) | 算出装置、算出方法及び算出プログラム | |
US11256703B1 (en) | Systems and methods for determining long term relevance with query chains | |
US20210224303A1 (en) | Searching device and searching program | |
Hafez et al. | Multi-criteria recommendation systems to foster online grocery | |
JP6680655B2 (ja) | 学習装置および学習方法 | |
KR20230100220A (ko) | 컴퓨터 장치를 이용한 어문 저작물 ip의 거래 중개 방법 | |
US11017172B2 (en) | Proposition identification in natural language and usage thereof for search and retrieval | |
JP7407139B2 (ja) | 生成装置、生成方法及び生成プログラム | |
JP6756648B2 (ja) | 生成装置、生成方法および生成プログラム | |
Zou et al. | Automatic product copywriting for e‐commerce |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220719 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230808 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230914 |
|
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: 20231003 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231019 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7372278 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |