JPWO2017159403A1 - 予測システム、方法およびプログラム - Google Patents
予測システム、方法およびプログラム Download PDFInfo
- Publication number
- JPWO2017159403A1 JPWO2017159403A1 JP2018505812A JP2018505812A JPWO2017159403A1 JP WO2017159403 A1 JPWO2017159403 A1 JP WO2017159403A1 JP 2018505812 A JP2018505812 A JP 2018505812A JP 2018505812 A JP2018505812 A JP 2018505812A JP WO2017159403 A1 JPWO2017159403 A1 JP WO2017159403A1
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- customer
- prediction
- master data
- prediction model
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
例えば、あるサービスの会員が年間にエステティックサロンを利用する利用回数を、年齢から予測する予測問題を考える。この予測問題は、年齢を入力とし、利用回数を出力する関数を求める問題である。また、ここでは、データ全体が6人分のデータであるとする。図23は、その6人分の年齢と利用回数とをグラフに示した結果を例示した図である。図23に示すグラフにおいて、x軸は年齢を示し、y軸は利用回数を示している。また、その6人分のデータ全体から、線形回帰により予測モデル(上記の関数)を生成し、その関数を図示すると、その関数は、図23に示す直線のように示すことができる。この関数に年齢xを代入したときのyの値が利用回数の予測値となる。図23から分かるように、この予測値と、実際の利用回数との差は大きく、予測精度は低い。
本発明の発明者は、非特許文献2に記載のIRMを利用して、第1のマスタデータ、第2のマスタデータおよびファクトデータが与えられた場合に、第1IDおよび第2IDを共クラスタリングする処理を検討した。以下、この処理の流れを述べ、さらに、本発明の第1の実施形態において、第1のマスタデータ、第2のマスタデータおよびファクトデータが与えられた場合に、第1IDおよび第2IDを共クラスタリングする処理について述べる。
非特許文献2に記載のIRMを利用した共クラスタリング処理では、以下のステップを繰り返す。
(2−1)第1IDの各クラスタの重み(事前確率)、および、第2IDの各クラスタの重み(事前確率)を更新する。例えば、第1のマスタデータ(図1参照)の中に若い人のレコードが多い場合、若年層のクラスタに第1IDが所属する事前確率を高くする。
(2−2)第1IDを要素とする各クラスタ、および第2IDを要素とする各クラスタを対象にして、クラスタのモデル情報を、現時点でのクラスタ割り当てに基づいて更新する。クラスタのモデル情報は、そのクラスタに所属するIDに対応する属性の値の統計的な性質を表す情報である。クラスタのモデル情報は、そのクラスタの代表的な要素の持つ性質を表現していると言える。例えば、クラスタのモデル情報は、クラスタに所属しているIDに対応する属性の値の平均や分散で表すことができる。なお、第1IDの各クラスタへの所属確率および第2IDの各クラスタへの所属確率が判明しているので、クラスタのモデル情報(例えば、顧客の平均年齢や商品の平均価格)を計算することができる。
本発明の第1の実施形態の共クラスタリング処理では、一部のレコードで特定の属性の値が未知となっているマスタデータ(ここでは、第1のマスタデータ)における各レコードのID(すなわち、第1ID)のクラスタ毎に、予測モデルを保持する。本実施形態では、属性の値が類似している第1IDを同じクラスタに所属させ、クラスタ毎に異なる予測モデルを生成することで、上記の特定の属性における未知の値の予測精度を向上させる。また、本実施形態では、クラスタ割り当ての決定において、第1IDが各クラスタに所属する所属確率を、クラスタに対応する予測モデルの予測誤差が小さいほど高い確率とすることで、クラスタリングの精度を向上させる。
(3−1)第1IDの各クラスタの重み(事前確率)、および、第2IDの各クラスタの重み(事前確率)を更新する。例えば、第1のマスタデータ(図1参照)の中に若い人のレコードが多い場合、若年層のクラスタに第1IDが所属する事前確率を高くする。
(3−2)第1IDを要素とする各クラスタ、および第2IDを要素とする各クラスタを対象にして、クラスタのモデル情報を、現時点でのクラスタ割り当てに基づいて更新する。なお、第1IDの各クラスタへの所属確率および第2IDの各クラスタへの所属確率が判明しているので、クラスタのモデル情報(例えば、顧客の平均年齢や商品の平均価格)を計算することができる。
本発明の第2の実施形態では、共クラスタリングを実行し、第1IDのクラスタ毎に予測モデルを生成し、さらに、予測モデルによる予測を実行する予測システムについて説明する。
第2の実施形態では、第1の実施形態とは異なり、予測モデルの生成と、共クラスタリング処理との繰り返しをせずに、共クラスタリングが完了した後に予測モデルを生成するシステムを説明した。
以下に、第1の実施形態の具体例を示す。以下に示す具体例では、マスタデータをデータセットと記す場合がある。また、第1のマスタデータを“データセット1”と記し、第2のマスタデータを“データセット2”と記す場合がある。また、ファクトデータを関係データと記す場合がある。
第1のマスタデータと、第2のマスタデータと、前記第1のマスタデータ内のレコードのIDである第1IDと前記第2のマスタデータ内のレコードのIDである第2IDとの関係を示すファクトデータとに基づいて、前記第1IDおよび前記第2IDを共クラスタリングする共クラスタリング手段と、
前記共クラスタリング手段が出力する前記第1IDのクラスタ毎に予測モデルを生成する予測モデル生成手段と、
前記第1IDと、前記第1のマスタデータに含まれる属性の一つである目的変数とが指定された場合に、前記予測モデルと、前記第1IDが各クラスタに属する所属確率とに基づいて、前記第1IDに対応する前記目的変数の値を予測する予測手段を備える
ことを特徴とする予測システム。
予測モデル生成手段は、第1のマスタデータ内の属性と、ファクトデータによって第1IDとの関連があると判定される第2のマスタデータ内の各レコードにおける属性の値の統計量とを説明変数とする予測モデルを、第1IDのクラスタ毎に生成する
付記1に記載の予測システム。
予測手段は、
指定された第1IDが属するクラスタを特定し、前記クラスタに対応する予測モデルを用いて、前記第1IDに対応する目的変数の値を予測する
付記1または付記2に記載の予測システム。
予測手段は、
第1IDの個々のクラスタに対応する予測モデル毎に、指定された第1IDに対応する目的変数の値を予測し、予測した各値に対して、指定された第1IDが各クラスタに属する所属確率で重み付け加算した結果を、前記目的変数の値として確定する
付記1または付記2に記載の予測システム。
顧客と前記顧客の属性とを含む第1のマスタデータと、商品と前記商品の属性とを含む第2のマスタデータと、前記顧客と前記商品との関係を示すファクトデータとに基づいて、前記顧客および前記商品を共クラスタリングする共クラスタリング手段と、
前記共クラスタリング手段が出力する前記顧客のクラスタ毎に予測モデルを生成する予測モデル生成手段と、
顧客と、前記顧客の属性の一つである目的変数とが指定された場合に、前記予測モデルと、指定された前記顧客が各クラスタに属する所属確率とに基づいて、指定された前記顧客に対応する前記目的変数の値を予測する予測手段を備える
ことを特徴とする予測システム。
予測モデル生成手段は、顧客の属性と、ファクトデータによって顧客との関連があると判定される第2のマスタデータ内の各レコードにおける属性の値の統計量とを説明変数とする予測モデルを、顧客のクラスタ毎に生成する
付記5に記載の予測システム。
501 共クラスタリング部
502 予測モデル生成部
503 予測部
Claims (14)
- 第1のマスタデータと、第2のマスタデータと、前記第1のマスタデータ内のレコードのIDである第1IDと前記第2のマスタデータ内のレコードのIDである第2IDとの関係を示すファクトデータとに基づいて、前記第1IDおよび前記第2IDを共クラスタリングする共クラスタリング手段と、
前記共クラスタリング手段が出力する前記第1IDのクラスタ毎に予測モデルを生成する予測モデル生成手段と、
前記第1IDと、前記第1のマスタデータに含まれる属性の一つである目的変数とが指定された場合に、前記予測モデルと、前記第1IDが各クラスタに属する所属確率とに基づいて、前記第1IDに対応する前記目的変数の値を予測する予測手段を備える
ことを特徴とする予測システム。 - 予測モデル生成手段は、第1のマスタデータ内の属性と、ファクトデータによって第1IDとの関連があると判定される第2のマスタデータ内の各レコードにおける属性の値の統計量とを説明変数とする予測モデルを、第1IDのクラスタ毎に生成する
請求項1に記載の予測システム。 - 予測手段は、
指定された第1IDが属するクラスタを特定し、前記クラスタに対応する予測モデルを用いて、前記第1IDに対応する目的変数の値を予測する
請求項1または請求項2に記載の予測システム。 - 予測手段は、
第1IDの個々のクラスタに対応する予測モデル毎に、指定された第1IDに対応する目的変数の値を予測し、予測した各値に対して、指定された第1IDが各クラスタに属する所属確率で重み付け加算した結果を、前記目的変数の値として確定する
請求項1または請求項2に記載の予測システム。 - 顧客と前記顧客の属性とを含む第1のマスタデータと、商品と前記商品の属性とを含む第2のマスタデータと、前記顧客と前記商品との関係を示すファクトデータとに基づいて、前記顧客および前記商品を共クラスタリングする共クラスタリング手段と、
前記共クラスタリング手段が出力する前記顧客のクラスタ毎に予測モデルを生成する予測モデル生成手段と、
顧客と、前記顧客の属性の一つである目的変数とが指定された場合に、前記予測モデルと、指定された前記顧客が各クラスタに属する所属確率とに基づいて、指定された前記顧客に対応する前記目的変数の値を予測する予測手段を備える
ことを特徴とする予測システム。 - 予測モデル生成手段は、顧客の属性と、ファクトデータによって顧客との関連があると判定される第2のマスタデータ内の各レコードにおける属性の値の統計量とを説明変数とする予測モデルを、顧客のクラスタ毎に生成する
請求項5に記載の予測システム。 - 第1のマスタデータと、第2のマスタデータと、前記第1のマスタデータ内のレコードのIDである第1IDと前記第2のマスタデータ内のレコードのIDである第2IDとの関係を示すファクトデータとに基づいて、前記第1IDおよび前記第2IDを共クラスタリングし、
前記第1IDのクラスタ毎に予測モデルを生成し、
前記第1IDと、前記第1のマスタデータに含まれる属性の一つである目的変数とが指定された場合に、前記予測モデルと、前記第1IDが各クラスタに属する所属確率とに基づいて、前記第1IDに対応する前記目的変数の値を予測する
ことを特徴とする予測方法。 - 第1のマスタデータ内の属性と、ファクトデータによって第1IDとの関連があると判定される第2のマスタデータ内の各レコードにおける属性の値の統計量とを説明変数とする予測モデルを、第1IDのクラスタ毎に生成する
請求項7に記載の予測方法。 - 顧客と前記顧客の属性とを含む第1のマスタデータと、商品と前記商品の属性とを含む第2のマスタデータと、前記顧客と前記商品との関係を示すファクトデータとに基づいて、前記顧客および前記商品を共クラスタリングし、
前記顧客のクラスタ毎に予測モデルを生成し、
顧客と、前記顧客の属性の一つである目的変数とが指定された場合に、前記予測モデルと、指定された前記顧客が各クラスタに属する所属確率とに基づいて、指定された前記顧客に対応する前記目的変数の値を予測する
ことを特徴とする予測方法。 - 顧客の属性と、ファクトデータによって顧客との関連があると判定される第2のマスタデータ内の各レコードにおける属性の値の統計量とを説明変数とする予測モデルを、顧客のクラスタ毎に生成する
請求項9に記載の予測方法。 - コンピュータに、
第1のマスタデータと、第2のマスタデータと、前記第1のマスタデータ内のレコードのIDである第1IDと前記第2のマスタデータ内のレコードのIDである第2IDとの関係を示すファクトデータとに基づいて、前記第1IDおよび前記第2IDを共クラスタリングする共クラスタリング処理、
前記共クラスタリング処理で出力される前記第1IDのクラスタ毎に予測モデルを生成する予測モデル生成処理、および、
前記第1IDと、前記第1のマスタデータに含まれる属性の一つである目的変数とが指定された場合に、前記予測モデルと、前記第1IDが各クラスタに属する所属確率とに基づいて、前記第1IDに対応する前記目的変数の値を予測する予測処理
を実行させるための予測プログラム。 - コンピュータに、
予測モデル生成処理で、第1のマスタデータ内の属性と、ファクトデータによって第1IDとの関連があると判定される第2のマスタデータ内の各レコードにおける属性の値の統計量とを説明変数とする予測モデルを、第1IDのクラスタ毎に生成させる
請求項11に記載の予測プログラム。 - コンピュータに、
顧客と前記顧客の属性とを含む第1のマスタデータと、商品と前記商品の属性とを含む第2のマスタデータと、前記顧客と前記商品との関係を示すファクトデータとに基づいて、前記顧客および前記商品を共クラスタリングする共クラスタリング処理、
前記共クラスタリング処理で出力される前記顧客のクラスタ毎に予測モデルを生成する予測モデル生成処理、および、
顧客と、前記顧客の属性の一つである目的変数とが指定された場合に、前記予測モデルと、指定された前記顧客が各クラスタに属する所属確率とに基づいて、指定された前記顧客に対応する前記目的変数の値を予測する予測処理
を実行させるための予測プログラム。 - コンピュータに
予測モデル生成処理で、顧客の属性と、ファクトデータによって顧客との関連があると判定される第2のマスタデータ内の各レコードにおける属性の値の統計量とを説明変数とする予測モデルを、顧客のクラスタ毎に生成させる
請求項13に記載の予測プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016052738 | 2016-03-16 | ||
JP2016052738 | 2016-03-16 | ||
PCT/JP2017/008489 WO2017159403A1 (ja) | 2016-03-16 | 2017-03-03 | 予測システム、方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2017159403A1 true JPWO2017159403A1 (ja) | 2018-06-21 |
JP6414363B2 JP6414363B2 (ja) | 2018-10-31 |
Family
ID=59850923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018505812A Active JP6414363B2 (ja) | 2016-03-16 | 2017-03-03 | 予測システム、方法およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20180225581A1 (ja) |
JP (1) | JP6414363B2 (ja) |
WO (1) | WO2017159403A1 (ja) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10698874B2 (en) * | 2015-03-30 | 2020-06-30 | Nec Corporation | System, method, and program for business intelligence using table operations in a relational database |
US10423781B2 (en) * | 2017-05-02 | 2019-09-24 | Sap Se | Providing differentially private data with causality preservation |
US10922335B1 (en) | 2018-01-29 | 2021-02-16 | Facebook, Inc. | User targeting using an unresolved graph |
US10803094B1 (en) * | 2018-01-29 | 2020-10-13 | Facebook, Inc. | Predicting reach of content using an unresolved graph |
EP3779836A4 (en) * | 2018-03-27 | 2022-01-19 | Culture Convenience Club Co., Ltd. | DEVICE, METHOD AND PROGRAM FOR MAKING RECOMMENDATIONS BASED ON CUSTOMER ATTRIBUTE INFORMATION |
JP7198591B2 (ja) * | 2018-03-27 | 2023-01-04 | カルチュア・コンビニエンス・クラブ株式会社 | 顧客の属性情報を解析する装置、方法、およびプログラム |
JP7310171B2 (ja) * | 2019-02-28 | 2023-07-19 | 富士通株式会社 | 配分方法、抽出方法、配分プログラム、抽出プログラム、配分装置及び抽出装置 |
JP7155074B2 (ja) * | 2019-07-03 | 2022-10-18 | 富士フイルム株式会社 | 情報提案システム、情報提案方法、プログラムおよび記録媒体 |
US11551024B1 (en) * | 2019-11-22 | 2023-01-10 | Mastercard International Incorporated | Hybrid clustered prediction computer modeling |
US11620542B2 (en) * | 2019-12-05 | 2023-04-04 | At&T Intellectual Property I, L.P. | Bias scoring of machine learning project data |
KR102501496B1 (ko) * | 2020-06-11 | 2023-02-20 | 라인플러스 주식회사 | 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007164346A (ja) * | 2005-12-12 | 2007-06-28 | Toshiba Corp | 決定木変更方法、異常性判定方法およびプログラム |
WO2014179724A1 (en) * | 2013-05-02 | 2014-11-06 | New York University | System, method and computer-accessible medium for predicting user demographics of online items |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7953676B2 (en) * | 2007-08-20 | 2011-05-31 | Yahoo! Inc. | Predictive discrete latent factor models for large scale dyadic data |
-
2017
- 2017-03-03 JP JP2018505812A patent/JP6414363B2/ja active Active
- 2017-03-03 US US15/750,335 patent/US20180225581A1/en not_active Abandoned
- 2017-03-03 WO PCT/JP2017/008489 patent/WO2017159403A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007164346A (ja) * | 2005-12-12 | 2007-06-28 | Toshiba Corp | 決定木変更方法、異常性判定方法およびプログラム |
WO2014179724A1 (en) * | 2013-05-02 | 2014-11-06 | New York University | System, method and computer-accessible medium for predicting user demographics of online items |
US20160110730A1 (en) * | 2013-05-02 | 2016-04-21 | New York University | System, method and computer-accessible medium for predicting user demographics of online items |
Also Published As
Publication number | Publication date |
---|---|
JP6414363B2 (ja) | 2018-10-31 |
US20180225581A1 (en) | 2018-08-09 |
WO2017159403A1 (ja) | 2017-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6414363B2 (ja) | 予測システム、方法およびプログラム | |
JP6311851B2 (ja) | 共クラスタリングシステム、方法およびプログラム | |
TWI718422B (zh) | 對模型預測值進行融合的方法、裝置和設備 | |
TWI631518B (zh) | 具有一或多個計算裝置的電腦伺服系統及訓練事件分類器模型的電腦實作方法 | |
US10984343B2 (en) | Training and estimation of selection behavior of target | |
US8768866B2 (en) | Computer-implemented systems and methods for forecasting and estimation using grid regression | |
US11869021B2 (en) | Segment valuation in a digital medium environment | |
CN111966904A (zh) | 基于多用户画像模型的信息推荐方法和相关装置 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
WO2023103527A1 (zh) | 一种访问频次的预测方法及装置 | |
JP2017199355A (ja) | レコメンデーション生成 | |
US11301763B2 (en) | Prediction model generation system, method, and program | |
KR20150122307A (ko) | 광고 제공 방법 및 서버 장치 | |
JP7139932B2 (ja) | 需要予測方法、需要予測プログラムおよび需要予測装置 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
US11704598B2 (en) | Machine-learning techniques for evaluating suitability of candidate datasets for target applications | |
JP6988817B2 (ja) | 予測モデル生成システム、方法およびプログラム | |
US20210133853A1 (en) | System and method for deep learning recommender | |
Kuznietsova et al. | Business intelligence techniques for missing data imputation | |
JP7309673B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN114757723B (zh) | 用于资源要素交易平台的数据分析模型构建系统及方法 | |
Gandhe | Restaurant recommendation system | |
Sharma | Identifying Factors Contributing to Lead Conversion Using Machine Learning to Gain Business Insights | |
CN113469374B (zh) | 数据预测方法、装置、设备及介质 | |
JP7283548B2 (ja) | 学習装置、予測システム、方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171110 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180703 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180820 |
|
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: 20180904 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180917 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6414363 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |