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 PDF

Info

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
Application number
JP2021071238A
Other languages
English (en)
Other versions
JP2022165754A (ja
Inventor
聡 田爪
伸裕 鍜治
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.)
Yahoo Japan Corp
Original Assignee
Yahoo Japan Corp
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 Yahoo Japan Corp filed Critical Yahoo Japan Corp
Priority to JP2021071238A priority Critical patent/JP7372278B2/ja
Publication of JP2022165754A publication Critical patent/JP2022165754A/ja
Application granted granted Critical
Publication of JP7372278B2 publication Critical patent/JP7372278B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Description

本発明は、算出装置、算出方法及び算出プログラムに関する。
従来、各々のセグメント化ワードの有効回数に従って算出された重みに従い、第１トレーニングウェブページのウェブページベクトルを生成し、トレーニングウェブページセットの中のウェブページの手動で注釈を付けられたクラス及び対応するウェブページベクトルに従い、ウェブページ分類モデルを生成する技術が提供されている。
特表２０１８－５１８７８８号公報
しかしながら、上記の従来技術では、トレーニングウェブページセットの中のウェブページの手動で注釈を付けられたクラス及び対応するウェブページベクトルに従い、ウェブページ分類モデルを生成するに過ぎないため、例えば、利用者の検索意図を十分に反映させることができない場合がある。
本願は、上記に鑑みてなされたものであって、利用者の意図を精度よく把握することができる算出装置、算出方法及び算出プログラムを目的とする。
本願に係る算出装置は、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を備えることを特徴とする。
実施形態の一態様によれば、利用者の意図を精度よく把握することができるという効果を奏する。
図１は、実施形態に係る算出装置が実行する算出処理の一例を示す図である。 図２は、実施形態に係る算出システムの構成例を示す図である。 図３は、実施形態に係る利用者情報記憶部の一例を示す図である。 図４は、実施形態に係る計数情報記憶部の一例を示す図である。 図５は、実施形態に係る算出装置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。 図６は、実施形態に係る算出装置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。 図７は、算出装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。
以下に、本願に係る算出装置、算出方法及び算出プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る算出装置、算出方法及び算出プログラムが限定されるものではない。また、各実施形態は、処理内容を矛盾させない範囲で適宜組合せることが可能である。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。
〔１．算出装置が示す算出処理の一例〕
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。
以下では、まず、算出装置１００がクエリ（検索クエリ）と、クエリを構成する部分クエリとに基づいて、学習モデルを生成する例について説明する。次に、算出装置１００が、生成した学習モデルを用いて、利用者によって入力されたクエリと、カテゴリと関連する度合いを示す関連度を出力する例について説明する。
まず、算出装置１００がクエリ（検索クエリ）と、クエリを構成する部分クエリとに基づいて、学習モデルを生成する例について説明する。図１に示すように、算出装置１００は、インターネットショッピングや、電子商店街等の電子商取引（ＥＣ：Electronic Commerce）サービスを利用する利用者の各種ログをＥＣサーバ２０から取得する（ステップＳ１）。ここで、ＥＣサーバ２０は、ＥＣサービスを利用者に対して提供するものとする。例えば、算出装置１００は、各種ログとして、利用者によって入力されたクエリに関する情報を取得する。
続いて、算出装置１００は、クエリを構成する文字毎に算出されたベクトルと、部分クエリと関連する複数のカテゴリの各々から算出されたベクトルとを算出する（ステップＳ２）。ここで、部分クエリとは、例えば、クエリを構成する文字列であり、意味を有する文字列や、文字列間のスペース等を示す。なお、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。
図１の例では、ログに含まれる利用者によって入力されたクエリＱＵ１が、「卵形 スプーン」であるものとする。また、部分クエリとして、「卵形」と、「スプーン」と特定されているものとする。この場合、算出装置１００は、クエリを構成する文字毎に、ベクトルを算出する。このとき、算出したベクトルは、以下で説明する学習処理中に得られるものとする。すなわち、学習処理は、文字をベクトルに変換する処理を含みうる。図１の例では、算出装置１００は、「Ｅ卵」、「Ｅ形」、「Ｅ空白１」、「Ｅス」、「Ｅプ」、「Ｅ－」、「Ｅン」といったようにベクトルを算出する。ここで、「Ｅ空白１」は、スペースに対応するベクトルである。
また、算出装置１００は、ｗｏｒｄ２ｖｅｃ等の従来技術を用いて、部分クエリと関連するカテゴリ毎に、ベクトルを算出する。図１の例では、算出装置１００は、「Ｅ卵形」、「Ｅ空白２」、「Ｅスプーン」といったようにベクトルを算出する。ここで、「Ｅ空白２」は、スペースに対応するベクトルである。
そして、算出装置１００は、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（ステップＳ３）。ここで、検索対象とは、例えば、商品又はサービス等である。また、カテゴリとは、例えば、商品又はサービスが属するカテゴリに関する情報等である。
図１の例では、部分クエリＣＨ１と関連するカテゴリが、カテゴリＣＡ１、カテゴリＣＡ２、カテゴリＣＡ３であるものとする。この場合、算出装置１００は、カテゴリＣＡ１に属する検索対象であって、部分クエリＣＨ１と関連する検索対象の数を計数結果ＲＣ１と計数する。また、算出装置１００は、カテゴリＣＡ２に属する検索対象であって、部分クエリＣＨ１と関連する検索対象の数を計数結果ＲＣ２と計数する。また、算出装置１００は、カテゴリＣＡ３に属する検索対象であって、部分クエリＣＨ１と関連する検索対象の数を計数結果ＲＣ３と計数する。
続いて、算出装置１００は、複数のカテゴリの各々から算出されたベクトル毎に、カテゴリ毎の計数結果による重み付けを行い、重み付けが行われたベクトルの総和を算出する（ステップＳ４）。
図１の例では、算出装置１００は、カテゴリＣＡ１から算出されたベクトルに計数結果ＲＣ１の逆数を重みとして乗じたベクトルと、カテゴリＣＡ２から算出されたベクトルに計数結果ＲＣ２の逆数を重みとして乗じたベクトルと、カテゴリＣＡ３から算出されたベクトルに計数結果ＲＣ３の逆数を重みとして乗じたベクトルとの和を算出する。このように、算出装置１００は、重み付けが行われたベクトルの総和を算出する。
そして、算出装置１００は、クエリを構成する文字毎に算出されたベクトルと、計数結果によって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、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ＭＯ１を生成する（ステップＳ５）。この場合、ログに含まれる情報のうち、予めクエリと、カテゴリとの組合せが既知であるデータを正例として利用し、かかるクエリと、異なる他のカテゴリとの組合せを負例として利用するものとする。
図１の例では、算出装置１００は、ＣＮＮ（Convolutional Neural Network）等の従来技術を用いて、クエリＱＵ１を構成する文字毎に算出されたベクトルから構成されるベクトル群ＶＣ１と、計数結果によって重み付けが行われたベクトルの総和を示すベクトルから構成されるベクトル群との組合せを正例として学習モデルＭＯ１に学習させる。例えば、算出装置１００は、ベクトル群ＶＣ１と、計数結果によって重み付けが行われたベクトルの総和を示すベクトルから構成されるベクトル群と、スコア「１」との組合せを学習モデルＭＯ１に学習させる。
また、算出装置１００は、ベクトル群ＶＣ１と、ステップＳ３～Ｓ４において使用したカテゴリとは異なるカテゴリの計数結果によって重み付けが行われたベクトルの総和を示すベクトルから構成されるベクトル群との組合せを負例として学習モデルＭＯ１に学習させる。例えば、算出装置１００は、ベクトル群ＶＣ１と、異なるカテゴリの計数結果によって重み付けが行われたベクトルの総和を示すベクトルから構成されるベクトル群と、スコア「０」との組合せを学習モデルＭＯ１に学習させる。
このように、算出装置１００は、ＣＮＮ等の従来技術を用いて、学習モデルＭＯ１に、クエリを構成する文字毎に算出されたベクトルと、計数結果によって重み付けが行われたベクトルの総和との組合せといった入力情報を入力することで、クエリＱＵ１と、カテゴリとの関連度を出力するように学習させた学習モデルＭＯ１を生成する。なお、算出装置１００は、ＣＮＮの代わりに、ＢＲＥＴ（Bidirectional Encoder Representations from Transformers）等を用いてもよい。
例えば、算出装置１００は、バックプロパゲーション（誤差逆伝播法）等の手法により学習処理を行う。例えば、算出装置１００は、学習処理により、ノード間で値が伝達する際に考慮される重みの値を調整する。このように、算出装置１００は、学習モデルＭＯ１における出力と、入力に対応する正解との誤差が少なくなるようにパラメータを補正するバックプロパゲーション等の処理により学習モデルＭＯ１を学習する。例えば、算出装置１００は、所定の損失関数を最小化するようにバックプロパゲーション等の処理を行うことにより学習モデルＭＯ１を生成する。これにより、算出装置１００は、学習モデルＭＯ１のパラメータを学習する学習処理を行う。このように、算出装置１００は、利用者の意図を精度よく把握することができる適切な学習モデルを生成することができる。
次に、算出装置１００が、生成した学習モデルを用いて、利用者によって入力されたクエリと、カテゴリと関連する度合いを示す関連度を出力する例について説明する。図１に示すように、ＥＣサーバ２０は、利用者によって入力されたクエリを、利用者によって利用される端末装置１０から受付ける（ステップＳ６）。
例えば、予めＥＣサービスに関する検索エンジンを端末装置１０に送信するものとする。この場合、ＥＣサーバ２０は、検索エンジンに配置される検索窓に、利用者によって入力されたクエリを受付ける。
続いて、算出装置１００は、クエリをＥＣサーバ２０から受付ける（ステップＳ７）。そして、算出装置１００は、受付けられたクエリと、カテゴリとの関連度を出力する（ステップＳ８）。
図１の例では、算出装置１００は、学習モデルＭＯ１を用いて、受付けられたクエリを構成する文字毎に算出されたベクトルと、受付けられたクエリを構成する部分クエリに対応する計数結果によって重み付けが行われたベクトルの総和とを学習モデルＭＯ１に入力することで、かかるクエリと、一のカテゴリとの関連度を出力する。そして、算出装置１００は、上記出力処理を、各カテゴリにおいて実行する。これにより、算出装置１００は、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出力する。
続いて、算出装置１００は、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（ステップＳ９）。例えば、算出装置１００は、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。
そして、ＥＣサーバ２０は、クエリに対応する検索結果を提供する（ステップＳ１０）。例えば、ＥＣサーバ２０は、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とに基づいて、検索結果に含める商品又はサービスが属するカテゴリを選択する。そして、ＥＣサーバ２０は、選択されたカテゴリに属する商品又はサービスを検索結果として端末装置１０に提供する。
従来、例えば、クエリから推定されたカテゴリに属さない商品又はサービスを除外する場合、クエリから推定が困難なカテゴリに属する商品又はサービスは、検索結果に含まれる場合があった。このため、利用者の検索意図を検索結果に対して十分に反映させることができない場合があった。そこで、実施形態に係る算出装置１００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。そして、算出装置１００は、計数し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。このように、算出装置１００は、利用者の意図を精度よく把握することができる。これにより、算出装置１００は、固有名詞等が多い商品又はサービスに対しても、利用者の検索意図を検索結果に対して十分に反映させることが可能となる。
例えば、ゲームといった商品の場合、ゲームのタイトルがメインタイトルと、サブタイトルとで構成される場合がある。この場合、サブタイトルをクエリとして検索した場合に、対応するゲームを検索結果に含めることが難しい場合がある。また、メインタイトルをクエリとして検索した場合、対応するゲームと関連する漫画や、玩具等が検索結果に含まれる場合があり、結果として、対応するゲーム以外の検索対象が多く含まれる場合がある。このような場合において、算出装置１００は、計数し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ため、利用者の意図を精度よく把握することができる。したがって、算出装置１００は、利用者によって入力されたクエリに対応する検索対象を、利用者の検索意図に応じて適切に絞り込むことができる。
〔２．算出システムの構成〕
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。
実施形態に係る端末装置１０は、ブラウザに表示されるウェブページやアプリケーション用のコンテンツ等のコンテンツにアクセスする利用者によって利用される情報処理装置である。例えば、端末装置１０は、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット端末や、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等や、スマートウォッチ等のウェアラブルデバイス（Wearable Device）等である。
実施形態に係るＥＣサーバ２０は、各種ＥＣサービスを提供する情報処理装置であり、例えば、サーバ装置又はクラウドシステム等により実現される。例えば、ＥＣサーバ２０は、電子商取引サービスを、利用者によって利用される端末装置１０に提供する。また、ＥＣサーバ２０は、電子商取引サービスにて取扱われている各種商品情報や、利用者に関するログを算出装置１００に提供する。
実施形態に係る算出装置１００は、ネットワークＮを介して、各種の装置と通信可能な情報処理装置であり、例えば、サーバ装置又はクラウドシステム等により実現される。例えば、算出装置１００は、ネットワークＮを介して、他の各種装置と通信可能に接続される。
〔３．算出装置の構成〕
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について）
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について）
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について）
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。
「利用者ＩＤ」は、利用者を識別する識別子である。「検索履歴」は、「利用者ＩＤ」に対応付けられた検索履歴に関する情報である。例えば、検索履歴に関する情報とは、利用者によって入力されたクエリに関する情報等である。
「属性情報」は、「利用者ＩＤ」に対応付けられた利用者の属性に関する属性情報である。例えば、属性情報とは、利用者の年齢や、性別や、電話番号や、住所又は居所等に関する情報である。
「閲覧履歴」は、「利用者ＩＤ」に対応付けられた閲覧履歴に関する情報である。例えば、閲覧履歴に関する情報とは、利用者によって入力されたクエリに応じて検索された検索結果に関するコンテンツに対する閲覧履歴や、検索結果に含まれる商品又はサービスに対する閲覧履歴等に関する情報である。
「購入履歴」は、「利用者ＩＤ」に対応付けられた購入履歴に関する情報である。例えば、購入履歴に関する情報は、利用者によって購入された商品又はサービスに関する情報である。
例えば、図３では、利用者ＩＤによって識別された「Ｕ１」は、検索履歴が「ＵＥ１」であり、属性情報が「ＵＣ１」であり、閲覧履歴が「ＵＲ１」であり、購入履歴が「ＵＰ１」である。
なお、図３に示した例では、検索履歴等を、「ＵＥ１」等の抽象的な符号で表現したが、検索履歴等は、検索履歴等を示す数値や、検索履歴等を示す文字列や、検索履歴等を示す各種情報を含むファイルのファイル形式等であってもよい。
（計数情報記憶部１２２について）
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。
「データセットＩＤ」は、データセットを識別する識別子である。「部分クエリ」は、「データセットＩＤ」に対応付けられた部分クエリに関する情報である。「カテゴリ」は、「データセットＩＤ」に対応付けられた検索対象が属するカテゴリに関する情報である。「計数結果」は、「データセットＩＤ」に対応付けられた計数結果に関する情報である。
例えば、図４では、データセットＩＤによって識別された「Ｄ１」は、部分クエリが「ＣＨ１」であり、カテゴリが「ＣＡ１」であり、計数結果が「ＲＣ１」である。なお、図４に示した例では、部分クエリ等を、「ＣＨ１」等の抽象的な符号で表現したが、部分クエリ等は、部分クエリ等を示すベクトル等の値や、部分クエリ等を示す各種情報を含むファイルのファイル形式等であってもよい。
（制御部１３０について）
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。
図２に示すように、制御部１３０は、取得部１３１と、計数部１３２と、算出部１３３と、生成部１３４と、受付部１３５と、提供部１３６とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図２に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図２に示した接続関係に限られず、他の接続関係であってもよい。
（取得部１３１について）
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について）
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。
図４の例では、部分クエリＣＨ１と関連するカテゴリが、カテゴリＣＡ１、カテゴリＣＡ２、カテゴリＣＡ３であるものとする。この場合、計数部１３２は、カテゴリＣＡ１に属する検索対象であって、部分クエリＣＨ１と関連する検索対象の数を計数結果ＲＣ１と計数する。また、計数部１３２は、カテゴリＣＡ２に属する検索対象であって、部分クエリＣＨ１と関連する検索対象の数を計数結果ＲＣ２と計数する。また、計数部１３２は、カテゴリＣＡ３に属する検索対象であって、部分クエリＣＨ１と関連する検索対象の数を計数結果ＲＣ３と計数する。そして、計数部１３２は、計数した各計数結果を計数情報記憶部１２２に記憶する。
（算出部１３３について）
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。
例えば、算出部１３３は、クエリを構成する文字毎に算出されたベクトルと、部分クエリと関連する複数のカテゴリの各々から算出されたベクトルとを算出する。図１の例では、ログに含まれる利用者によって入力されたクエリＱＵ１が、「卵形 スプーン」であるものとする。また、部分クエリとして、「卵形」と、「スプーン」と特定されているものとする。この場合、算出部１３３は、クエリを構成する文字毎に、ベクトルを算出する。このとき、算出したベクトルは、学習処理中に得られるものとする。図１の例では、算出部１３３は、「Ｅ卵」、「Ｅ形」、「Ｅ空白１」、「Ｅス」、「Ｅプ」、「Ｅ－」、「Ｅン」といったようにベクトルを算出する。
また、算出部１３３は、ｗｏｒｄ２ｖｅｃ等の従来技術を用いて、部分クエリと関連するカテゴリ毎に、ベクトルを算出する。図１の例では、算出部１３３は、「Ｅ卵形」、「Ｅ空白２」、「Ｅスプーン」といったようにベクトルを算出する。
また、算出部１３３は、複数のカテゴリの各々から算出されたベクトル毎に、カテゴリ毎の計数結果による重み付けを行い、重み付けが行われたベクトルの総和を算出する。図４の例では、算出部１３３は、カテゴリＣＡ１から算出されたベクトルに計数結果ＲＣ１の逆数を重みとして乗じたベクトルと、カテゴリＣＡ２から算出されたベクトルに計数結果ＲＣ２の逆数を重みとして乗じたベクトルと、カテゴリＣＡ３から算出されたベクトルに計数結果ＲＣ３の逆数を重みとして乗じたベクトルとの和を算出する。このように、算出部１３３は、重み付けが行われたベクトルの総和を算出する。
また、算出部１３３は、利用者によって入力されたクエリと、カテゴリとの関連度を出力する。例えば、算出部１３３は、学習モデル１２３を用いて、利用者によって入力されたクエリを構成する文字毎に算出されたベクトルと、かかるクエリを構成する部分クエリに対応する計数結果によって重み付けが行われたベクトルの総和とを学習モデル１２３に入力することで、かかるクエリと、一のカテゴリとの関連度を出力する。そして、算出部１３３は、上記出力処理を、各カテゴリにおいて実行する。これにより、算出部１３３は、利用者によって入力されたクエリと、複数のカテゴリの各々との関連度を出力する。
（生成部１３４について）
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。
図１の例では、生成部１３４は、ＣＮＮ等の従来技術を用いて、クエリＱＵ１を構成する文字毎に算出されたベクトルから構成されるベクトル群ＶＣ１と、計数結果によって重み付けが行われたベクトルの総和を示すベクトルから構成されるベクトル群との組合せを正例として学習モデル１２３に学習させる。例えば、生成部１３４は、ベクトル群ＶＣ１と、計数結果によって重み付けが行われたベクトルの総和を示すベクトルから構成されるベクトル群と、スコア「１」との組合せを学習モデル１２３に学習させる。
また、生成部１３４は、ベクトル群ＶＣ１と、図１に示すステップＳ３～Ｓ４において使用したカテゴリとは異なるカテゴリの計数結果によって重み付けが行われたベクトルの総和を示すベクトルから構成されるベクトル群との組合せを負例として学習モデル１２３に学習させる。例えば、生成部１３４は、ベクトル群ＶＣ１と、異なるカテゴリの計数結果によって重み付けが行われたベクトルの総和を示すベクトルから構成されるベクトル群と、スコア「０」との組合せを学習モデル１２３に学習させる。
このように、生成部１３４は、ＣＮＮ等の従来技術を用いて、学習モデル１２３に、クエリを構成する文字毎に算出されたベクトルと、計数結果によって重み付けが行われたベクトルの総和との組合せといった入力情報を入力することで、クエリＱＵ１と、カテゴリとの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。そして、生成部１３４は、生成した学習モデル１２３を記憶部１２０に記憶する。
例えば、生成部１３４は、バックプロパゲーション（誤差逆伝播法）等の手法により学習処理を行う。例えば、生成部１３４は、学習処理により、ノード間で値が伝達する際に考慮される重みの値を調整する。このように、生成部１３４は、学習モデル１２３における出力と、入力に対応する正解との誤差が少なくなるようにパラメータを補正するバックプロパゲーション等の処理により学習モデル１２３を学習する。例えば、生成部１３４は、所定の損失関数を最小化するようにバックプロパゲーション等の処理を行うことにより学習モデル１２３を生成する。これにより、生成部１３４は、学習モデル１２３のパラメータを学習する学習処理を行う。このように、生成部１３４は、利用者の意図を精度よく把握することができる適切な学習モデルを生成することができる。
（受付部１３５について）
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について）
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。
〔４．処理手順（１）〕
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。
図５に示すように、取得部１３１は、ログを取得する（ステップＳ１０１）。そして、計数部１３２は、取得部１３１によって取得されたログに基づいて、ログに含まれる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（ステップＳ１０２）。
さらに、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値を算出する（ステップＳ１０３）。
そして、生成部１３４は、クエリに関する情報と、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（ステップＳ１０４）。
〔５．処理手順（２）〕
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。
図６に示すように、受付部１３５は、利用者によって入力されたクエリを受付ける（ステップＳ２０１）。具体的には、受付部１３５は、利用者によって入力されたクエリを受付けていない場合（ステップＳ２０１；Ｎｏ）、クエリを受付けるまで待機する。
一方、算出部１３３は、受付部１３５が利用者によって入力されたクエリを受付けた場合（ステップＳ２０１；Ｙｅｓ）、学習モデル１２３を用いて、受付けられたクエリと、カテゴリとの関連度を出力する（ステップＳ２０２）。
そして、提供部１３６は、算出部１３３によって算出された関連度をＥＣサーバ２０に提供する（ステップＳ２０３）。具体的には、提供部１３６は、受付けられたクエリと、カテゴリと、関連度との組合せに関する情報をＥＣサーバ２０に提供する。
〔６．変形例〕
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。
〔６－１．電子商取引サービス〕
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。
〔６－２．属性情報〕
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。
例えば、取得部１３１は、利用者の属性に関する属性情報を取得する。そして、生成部１３４は、利用者によって入力されたクエリを構成する文字毎に算出されたベクトルから構成されるベクトル群と、計数結果によって重み付けが行われたベクトルの総和を示すベクトルから構成されるベクトル群と、複数の属性情報の各々から算出されたベクトルから構成されるベクトル群とを学習モデルに入力する。そして、生成部１３４は、ＣＮＮ等の従来技術を用いて、学習モデルにかかる入力情報を入力することで、利用者によって入力されたクエリと、カテゴリとの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。
なお、生成部１３４は、上記例に限定されず、属性情報を重みに使用してもよい。例えば、生成部１３４は、利用者によって入力されたクエリを構成する文字毎に算出されたベクトルから構成されるベクトル群と、計数結果及び属性情報によって重み付けが行われたベクトルの総和を示すベクトルから構成されるベクトル群とを学習モデルに入力する。そして、生成部１３４は、ＣＮＮ等の従来技術を用いて、学習モデルにかかる入力情報を入力することで、利用者によって入力されたクエリと、カテゴリとの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。
このように、実施形態に係る算出装置１００の生成部１３４は、利用者にパーソナライズさせた学習モデルを生成することができる。これにより、生成部１３４は、より精度よく利用者の意図を把握するための指標を高精度に出力可能な学習モデルを生成することができる。
〔６－３．学習データの対象〕
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。
〔６－４．プログラム〕
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。
演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ等により実現される。
出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。
なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。
ネットワークＩＦ１０８０は、ネットワークＮを介して他の機器からデータを受信して演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。
演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。
例えば、コンピュータ１０００が算出装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。
〔６－５．その他〕
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。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組合せることが可能である。
また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、算出部は、算出手段や算出回路に読み替えることができる。
〔７．効果〕
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。
これにより、実施形態に係る算出装置１００は、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ため、利用者の意図を精度よく把握することができる。
また、実施形態に係る算出装置１００において、計数部１３２は、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、検索対象が属するカテゴリ毎に計数し、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、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複数の部分クエリの各々に対応する値を算出する。
これにより、実施形態に係る算出装置１００は、計数結果に基づいて、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複数の部分クエリの各々に対応する値を算出するため、利用者の意図を精度よく把握することができる。
また、実施形態に係る算出装置１００において、算出部１３３は、計数結果に基づいて、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を値として算出する。
これにより、実施形態に係る算出装置１００は、計数結果に基づいて、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を値として算出するため、利用者の意図を精度よく把握することができる。
また、実施形態に係る算出装置１００において、算出部１３３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ベクトルに乗じたベクトルの総和を値として算出する。
これにより、実施形態に係る算出装置１００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ベクトルに乗じたベクトルの総和を値として算出するため、利用者の意図を精度よく把握することができる。
また、実施形態に係る算出装置１００において、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を生成する生成部１３４をさらに備える。
これにより、実施形態に係る算出装置１００は、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を生成するため、利用者の意図を精度よく把握することができる適切な学習モデルを生成することができる。
また、実施形態に係る算出装置１００において、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を入力することで、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。
これにより、実施形態に係る算出装置１００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を入力することで、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ため、利用者の意図を精度よく把握することができる適切な学習モデルを生成することができる。
また、実施形態に係る算出装置１００において、利用者の属性に関する属性情報を取得する取得部１３１をさらに備え、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、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。
これにより、実施形態に係る算出装置１００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、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ため、利用者の属性情報を考慮した適切な学習モデルを生成することができる。
また、実施形態に係る算出装置１００において、計数部１３２は、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。
これにより、実施形態に係る算出装置１００は、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ため、電子商取引サービスを利用する利用者の商品又はサービスの検索意図を精度よく把握することができる。
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
Ｎ ネットワーク
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)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  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。
JP2021071238A 2021-04-20 2021-04-20 算出装置、算出方法及び算出プログラム Active JP7372278B2 (ja)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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