KR102358604B1 - 융합 데이터 처리 방법 및 정보 추천 시스템 - Google Patents

융합 데이터 처리 방법 및 정보 추천 시스템 Download PDF

Info

Publication number
KR102358604B1
KR102358604B1 KR1020207013801A KR20207013801A KR102358604B1 KR 102358604 B1 KR102358604 B1 KR 102358604B1 KR 1020207013801 A KR1020207013801 A KR 1020207013801A KR 20207013801 A KR20207013801 A KR 20207013801A KR 102358604 B1 KR102358604 B1 KR 102358604B1
Authority
KR
South Korea
Prior art keywords
evaluation index
fusion
model
data source
data sources
Prior art date
Application number
KR1020207013801A
Other languages
English (en)
Other versions
KR20200069352A (ko
Inventor
수둥 황
Original Assignee
광동 오포 모바일 텔레커뮤니케이션즈 코포레이션 리미티드
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 광동 오포 모바일 텔레커뮤니케이션즈 코포레이션 리미티드 filed Critical 광동 오포 모바일 텔레커뮤니케이션즈 코포레이션 리미티드
Publication of KR20200069352A publication Critical patent/KR20200069352A/ko
Application granted granted Critical
Publication of KR102358604B1 publication Critical patent/KR102358604B1/ko

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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

본 발명은 융합 데이터 처리 방법 및 정보 추천 시스템을 제공한다. 융합 데이터 처리 방법은, 아래 단계를 포함한다. 정보 추천 시스템은 여러가지 이성질 데이터 소스를 획득한다. 정보 추천 시스템은 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득한다. 정보 추천 시스템은 융합 전략 모델의 손실 수량화 평가 지표를 획득한다. 정보 추천 시스템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다. 본 발명의 실시예는 제약 조건에서 여러가지 이성질 데이터의 전체 최적화 융합 정렬 문제를 효과적으로 해결할 수 있다.

Description

융합 데이터 처리 방법 및 정보 추천 시스템
본 발명은 기계 학습(machine learning) 기술분야에 관한 것으로, 보다 구체적으로 융합 데이터 처리 방법 및 정보 추천 시스템에 관한 것이다.
이성질 데이터 소스(heterogeneous data sources)의 혼합 배열이란, 정렬을 표시하는 리스트(검색 리스트, 추천 리스트 등)에서 부동한 제품 목표 또는 사용자 체험을 달성하기 위하여 여러가지 데이터 소스를 하나의 리스트에 융합하는 것을 가리킨다. 예를 들어, 검색에서 자연 결과와 광고를 혼합 배열하여 사용자 경험을 만족하도록 한다. 리스트 전시를 갖는 제품에 있어서, 전시 위치가 제한되어 있으므로, 여러가지 이성질 데이터 소스를 어떻게 적절히 융합하여 전체 최적화를 실현하느냐는 해결하려는 문제이다.
본 발명의 실시예는 융합 데이터 처리 방법 및 정보 추천 시스템을 제공한다. 가치 모델을 통해 여러가지 데이터 소스를 조정하고, 또한 융합 전략 모델에 의해 융합 정렬을 실행함으로써, 제약 조건에서 여러가지 이성질 데이터의 전체 최적화 융합 정렬 문제를 효과적으로 해결할 수 있다.
제 1 양태에서, 본 발명의 실시예는 융합 데이터 처리 방법을 제공한다. 융합 데이터 처리 방법은 가치 모델 세트(value-model set)와 융합 전략 모델(usion-strategy model)을 포함하는 정보 추천 시스템에 적용된다. 융합 데이터 처리 방법은, 아래 단계를 포함한다.
여러가지 이성질 데이터 소스를 획득한다. 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득한다. 융합 전략 모델의 손실 수량화 평가 지표를 획득한다. 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과(fusion sorting recommendation result)를 획득한다.
제 2 양태에서, 본 발명의 실시예는 정보 추천 시스템을 제공한다. 정보 추천 시스템은 프로세서, 실행 가능한 프로그램 코드를 저장하는 데에 사용되는 메모리를 포함하고, 프로그램 코드가 프로세서에 의해 실행되면, 프로그램은, 여러가지 이성질 데이터 소스를 획득하고, 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다.
제 3 양태에서, 본 발명의 실시예는 컴퓨터 프로그램을 저장한 비 일시적인 컴퓨터 판독 가능한 기억 매체를 제공한다. 컴퓨터 프로그램이 프로세서에 의해 실행되면, 프로세서는 여러가지 이성질 데이터 소스를 획득하고, 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다.
보다 싶이, 여러가지 이성질 데이터 소스를 획득하고, 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다. 따라서 가치 모델을 통해 여러가지 데이터 소스를 조정하고, 또한 융합 전략 모델에 의해 융합 정렬을 실행함으로써, 제약 조건에서 여러가지 이성질 데이터의 전체 최적화 융합 정렬 문제를 효과적으로 해결할 수 있다.
이하, 본 발명의 실시예에 관련된 도면을 간단히 소개한다.
도 1a은 본 발명의 실시예에 따른 융합 데이터 처리 방법을 나타내는 흐름도이다.
도 1b는 본 발명의 실시예에 따른 정보 추천 시스템의 시스템 아키텍처를 나타내는 개략도이다.
도 2는 본 발명의 실시예에 따른 융합 데이터 처리 방법을 나타내는 흐름도이다.
도 3은 본 발명의 실시예에 따른 융합 데이터 처리 방법을 나타내는 흐름도이다.
도 4는 본 발명의 실시예에 따른 융합 데이터 처리 방법을 나타내는 흐름도이다.
도 5는 본 발명의 실시예에 따른 정보 추천 시스템의 구조를 나타내는 개략도이다.
도 6은 본 발명의 실시예에 따른 융합 데이터 처리 장치의 기능 유닛을 나타내는 블록도이다.
당업자가 본 발명을 보다 잘 이해할 수 있도록, 아래, 첨부 도면을 참조하면서 본 발명의 실시예를 명확하고 완전하게 설명한다. 물론, 기재된 실시예는 본 발명의 실시예의 일부에 지나지 않고, 모든 실시예가 아니다. 창조적인 노력없이 당업자가 본 발명의 실시예에 따라 얻을 수 있는 모든 다른 실시예는 본 발명의 보호 범위에 포함된다.
본원 발명의 명세서, 특허 청구 범위 및 도면에 기재된 용어 '제 1', '제 2' 등은 특정 순서를 설명하는 데에 사용되는 것이 아니라, 서로 다른 대상을 구별하는 데에 사용된다. 용어 '포함한다', '갖고 있다' 및 그 변형은 비 배타적인 포함을 포괄한다. 예를 들어, 일련의 단계 또는 유닛을 포함하는 프로세스, 방법, 시스템, 제품 또는 장치는 나열된 단계 또는 유닛에 한정되지 않고, 선택적으로 나열되지 않은 다른 단계 또는 유닛을 포함할 수 있고, 또는 선택적으로 이러한 프로세스, 방법, 제품, 또는 장치의 고유한 다른 단계 또는 유닛을 포함할 수도 있다.
본 명세서에서 언급되는 '실시예'라는 용어는, 실시예와 관련하여 설명되는 특정 특징, 구조 또는 특성이 본 출원의 적어도 하나의 실시예에 포함될 수 있음을 의미한다. 본 명세서의 각 곳에 나타나는 이 용어는 꼭 동일한 실시예를 지칭하는 것이 아니고, 다른 실시예와 배타적인 독립적인 또는 후보 실시예를 가리키는 것도 아니다. 본 명세서에 기재된 실시예는 다른 실시예와 결합될 수 있음을 당업자는 명시적 및 암시적으로 이해할 수 있다.
도 1a은 본 발명의 실시예에 따른 융합 데이터 처리 방법을 나타내는 흐름도이다. 상기 방법은 정보 추전 시스템에 적용된다. 정보 추천 시스템은 가치 모델 세트와 융합 전략 모델을 포함한다. 도 1a에 도시된 바와 같이, 상기 방법은 블록 101의 동작으로부터 시작된다.
블록 101에서, 여러가지 이성질 데이터 소스를 획득한다.
블록 102에서, 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득한다.
블록 103에서, 융합 전략 모델의 손실 수량화 평가 지표를 획득한다.
블록 104에서, 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다.
보다 싶이, 여러가지 이성질 데이터 소스를 획득하고, 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다. 따라서 가치 모델을 통해 여러가지 데이터 소스를 조정하고, 또한 융합 전략 모델에 의해 융합 정렬을 실행함으로써, 제약 조건에서 여러가지 이성질 데이터의 전체 최적화 융합 정렬 문제를 효과적으로 해결할 수 있다.
가능한 실시예에 있어서, 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하는 것은, 아래 내용을 포함한다.
이성질 데이터 소스의 데이터 유형과 가치 모델 사이의 대응 관계를 포함하는 가치 모델 세트를 조회하여 각 이성질 데이터 소스에 대응하는 가치 모델을 획득한다. 각 이성질 데이터 소스에 대응하는 가치 모델이 필요하는 특징 파라미터를 획득한다. 각 이성질 데이터 소스에 대응하는 가치 모델에 관련된 전용 예측기를 확정한다. 각 이성질 데이터 소스의 특징 파라미터와 가치 모델을 전용 예측기에 입력하여, 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 획득한다.
가능한 실시예에 있어서, 융합 전략 모델의 손실 수량화 평가 지표를 획득하는 것은, 아래 내용을 포함한다.
융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득한다. 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 실제 사후 결과를 획득한다. 추정 사전 결과와 실제 사후 결과에 따라 융합 전략 모델의 손실 수량화 평가 지표를 확정한다.
'추정 사전 결과'는 현재 파악한 정보를 기반으로 미래에 일어날 수 있는 일에 대한 설명을 나타낸다. 사전 결과를 추정하는 목적은 많은 정확하고 유용한 가능한 결과를 생성하는 데에 도움이 되며, 입력한 데이터가 불완정하거나 불확실하거나 불안정하더라도, 가능한 실시예에 있어서, 예측기, 기능 매개 변수, 목표 모델에 따라 추정 사전 결과를 획득할 수 있다.
'실제 사후 결과'는　특정 상황에 관련된 증거를 고려한 후에 획득한 실제 정보를 말한다. 가능한 실시예에 있어, 실제 사후 결과는 대화식으로 피드백되는 사용자의 수량과 추천되는 사용자 수량의 비율일 수 있다.
가능한 실시예에 있어서, 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하는 것은, 아래 내용을 포함한다.
융합 전략 모델에 의해 미리 설정된 추천 임무를 처리하는데 필요한 특징 파라미터를 획득한다. 특징 파라미터와 융합 전략 모델을 미리 설정된 예측기에 입력함으로써, 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득한다.
가능한 실시예에 있어서, 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득하는 것은, 아래 내용을 포함한다.
각 이성질 데이터 소스의 통일 평가 지표에 따라 정렬 세트(sorting set)를 생성한다. 정렬 세트는 여러 데이터 소스 시퀀스(data source sequences)를 포함하고, 각 데이터 소스 시퀀스는 여러가지 이성질 데이터 소스를 포함한다. 임의의 2개의 데이터 소스 시퀀스 중의 이성질 데이터 소스의 순서는 다르다.
융합 전략 모델의 제약 조건하에서 정렬 세트에서 가장 바람직한 하나의 정렬을 선택하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과로 한다.
가능한 실시예에 있어서, 제약 조건은, 예를 들어, 아래 임의의 한가지이다. 추천 결과에 적어도 하나의 자연 결과가 있으며, 광고 수량은 미리 설정된 수량보다 적어서는 안되며, 추천 정보는 모두 비인기 정보이거나 또는 모두 인기 정보여서는 안되며, 1일 내의 자연 결과의 전시 비율은 미리 설정된 비율보다 크다.
가능한 실시예에 있어서, 정보 추천 시스템은 훈련 데이터 베이스와 여러 가치 모델을 포함한다. 정보 추천 시스템은 훈련 데이터 베이스의 훈련 데이터를 통해 각 가치 모델을 훈련시켜, 훈련된 가치 모델을 획득하는 데에 사용된다. 상기 방법은 또한 아래 내용을 포함한다.
훈련된 가치 모델 및 대응하는 데이터 유형을 획득한다.
획득된 훈련된 가치 모델 및 대응하는 데이터 유형에 따라 가치 모델 세트를 생성한다.
도 1a에 되시된 융합 데이터 처리 방법은 정보 추천 시스템에 적용된다.
가능한 실시예에 있어서, 정보 추천 시스템은 제 1 시스템과 제 2 시스템을 포함한다. 제 1 시스템은 클라우드 컴퓨팅 자원 또는 서버 클러스터일 수 있다. 제 2 시스템은 서버 클러스터일 수 있다. 도 1a에 도시된 융합 데이터 처리 방법은 제 1 시스템, 제 2 시스템, 제 1 시스템과 제 2 시스템 이 삼자중 하나에 의해 실해되며, 이것에 대하여 한정하지 않는다.
도 1b는 본 발명의 실시예에 따른 정보 추천 시스템의 시스템 아키텍처를 나타내는 개략도이다. 정보 추천 시스템(100)의 물리적 형태는 서버 클러스터(server cluster) 및/또는 클라우드 컴퓨팅 자원(cloud computing resources)일 수 있으며, 이것에 한정되지 않는다. 정보 추천 시스템(100)은 제 1 시스템을 포함한다. 제 1 시스템은 클라우드 컴퓨팅 자원 또는 서버 클러스터일 수 있다. 제 1 시스템(10)은 가치 모델 세트(11), 융합 전략 모델(12) 및 예측기(13)를 포함한다. 가치 모델 세트(11) 및 융합 전략 모델(12)은 실시간으로 온 라인되는 추천 임무를 처리하는 데에 사용된다. 예측기(13)는 추천 임무와 관련된 참고 특성 데이터와 융합 전략 모델(12)을 결합하여 추정 사전 결과를 생성하는 데에 사용된다.
가능한 실시예에 있어서, 정보 추천 시스템(100)은 제 2 시스템(20)을 더 포함한다. 제 2 시스템(20)은 서버 클러스터일 수 있다. 제 1 시스템(10)은 클라우드 컴퓨팅 자원 또는 서버 클러스터일 수 있다. 제 2 시스템(20)은 훈련 데이터 베이스(21) 및 여러 가치 모델(22)을 포함한다. 제 2 시스템(20)은 정기적으로 훈련 데이터 베이스(21)의 훈련 데이터를 사용하여 여러 가치 모델(22)을 훈련시켜, 훈련된 목표 가치 모델(11)을 획득하고, 훈련된 목표 가치 모델(11)을 제 1 시스템(10)에 보내여 사용하도록 한다.
가능한 실시예에 있어서, 제 1 시스템은 온 라인 시스템일 수 있고, 제 2 시스템은 오프 라인 시스템일 수 있다.
일반적인 디자인에 있어서, 주로 두가지 융합 정렬(fusion sorting)이 있다.
1. 고정 위치 정렬(Fixed-location sorting): 검색 결과 페이지에는 광고와 자연 결과를 포함하는 두가지 데이터 소스가 있다. 앞의 여러 위치는 고정적으로 광고의 위치이고, 나머지 위치는 자연 결과의 위치이다. 고정 위치 정렬은 개성화와 전체 최적화를 달성하기 어렵다는 단점이 있다.
2. 인공 규칙 위치 분배(Manual-rule location allocation) : 일부 인공 개입 수단으로 서로 다른 데이터 소스의 위치를 동적으로 분배한다. 예를 들어, 일부 사용자가 광고를 싫어하는 경우, 검색 결과 페이지에 광고를 적게 내고, 이에 반대되는 경우, 검색 결과 페이지에 나타나는 광고를 증가시킨다. 고정 위치 정렬과 비교하면, 인공 규칙 동적 위치 분배는 장점이 있지만, 개인적인 경험에 의존하기 때문에, 소량의 차원에만 관련될 뿐이고, 세밀하게 제어할 수 없으며, 전체 최적화를 달성하기 어렵다.
상술한 문제를 고려하여, 본 발명의 실시예는 융합 데이터 처리 방법을 제공한다. 이 방법에 있어서, 제 1 시스템은 먼저 여러가지 이성질 데이터 소스를 획득하고, 그 다음에 제 1 시스템은 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 그 다음에 제 1 시스템은 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 나중에 제 1 시스템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다. 보다 싶이, 제 1 시스템은 가치 모델을 통해 여러가지 데이터 소스를 조정하고, 또한 융합 전략 모델에 의해 융합 정렬을 실행함으로써, 제약 조건에서 여러가지 이성질 데이터의 전체 최적화 융합 정렬 문제를 효과적으로 해결할 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 설명한다.
도 2는 본 발명의 실시예에 따른 융합 데이터 처리 방법을 나타내는 흐름도이다. 이 방법은 제 1 시스템을 포함하는 정보 추천 시스템에 적용된다. 제 1 시스템은 가치 모델 세트와 융합 전략 모델을 포함한다. 도 2에 도시된 바와 같이, 융합 데이터 처리 방법은 블록 201의 동작으로부터 시작된다..
블록 201, 제 1 시스템은 여러가지 이성질 데이터 소스를 획득한다.
이성질 데이터 소스(즉, 상이한 데이터 소스)는 사진, 웹 페이지 아이콘, 웹 페이지 프레임 등을 포함한다.
넓게 말하면, 이성질 데이터 소스는 서로 다른 데이터 구조, 액세스 방법, 또는 형식 중의 적어도 하나를 갖는 여러 데이터 소스이다.
S202, 제 1 시스템은 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득한다.
가치 모델 세트는 여러 가치 모델을 포함한다. 제 2 시스템은 샘플 데이터를 기반으로 여러 가치 모델을 훈련할 수 있다.
블록 203, 제 1 시스템은 융합 전략 모델의 손실 수량화 평가 지표를 획득한다.
손실 수량화 평가 지표는 융합 전략 모델의 예측 품질을 평가하는 데에 사용된다.
블록 204, 제 1 시스템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다.
보다 싶이, 본 실시예에 있어서, 제 1 시스템은 먼저 여러가지 이성질 데이터 소스를 획득하고, 그 다음에 제 1 시스템은 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 그 다음에 제 1 시스템은 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 나중에 제 1 시시템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다. 보다 싶이, 제 1 시스템은 가치 모델을 통해 여러가지 데이터 소스를 조정하고, 또한 융합 전략 모델에 의해 융합 정렬을 실행함으로써, 제약 조건에서 여러가지 이성질 데이터의 전체 최적화 융합 정렬 문제를 효과적으로 해결할 수 있다.
가능한 실시예에 있어서, 제 1 시스템은 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하는 것은, 아래 내용을 포함한다.
제 1 시스템은 이성질 데이터 소스의 데이터 유형과 가치 모델 사이의 대응 관계를 포함하는 가치 모델 세트를 조회하여 각 이성질 데이터 소스에 대응하는 가치 모델을 획득한다. 제 1 시스템은 각 이성질 데이터 소스에 대응하는 가치 모델이 필요하는 특징 파라미터를 획득한다. 제 1 시스템은 각 이성질 데이터 소스에 대응하는 가치 모델에 관련된 전용 예측기를 확정한다. 제 1 시스템은 각 이성질 데이터 소스의 특징 파라미터와 가치 모델을 전용 예측기에 입력하여, 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 획득한다.
전용 예측기를 구체적인 사용자 레벨에 연관시키거나 또는 구체적인 사용자 시나리오 레벨에 더 연관시켜 전속 예측을 실현할 수 있으며, 정확도가 높다.
보다 싶이, 본 실시예에 있어서, 제 1 시스템은 각 이성질 데이터 소스에 대응하는 전용 예측기를 찾을 수 있으며, 전용 예측기를 사용하여 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 확정한다. 전용 예측기는 미리 설정된 도구이기 때문에, 정확도가 높고, 계산이 안정적이며, 통일 평가 지표의 정확성과 안정성을 향상시킨다.
가능한 실시예에 있어서, 정보 추천 시스템은 제 2 시스템을 더 포함한다. 제 1 시스템은 융합 전략 모델의 손실 수량화 평가 지표를 획득하는 것은, 아래 내용을 포함한다.
제 1 시스템은 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득한다. 제 1 시스템은 제 2 시스템에서 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 실제 사후 결과를 수신한다. 제 1 시스템은 추정 사전 결과와 실제 사후 결과에 따라 융합 전략 모델의 손실 수량화 평가 지표를 확정한다.
미리 설정된 추천 임무는 목표 추천 물품의 추천 임무이다. 예를 들어, 브라우저 애플리케이션 시나리오에서, 제 1 시스템이 뉴스를 푸시할 때에 광고를 푸시할 필요가 있는 경우, 광고 추천 임무가 생성된다.
보다 싶이, 본 실시예에 있어서, 융합 전략 모델의 손실 수량화 평가 지표는 추정 사전 결과와 실제 사후 결과에 따라 확정되며, 실제 사용자 그룹의 사용 습관과 일치하고, 정확도가 높다.
가능한 실시예에 있어서,제 1 시스템은 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하는 것은, 아래 내용을 포함한다.
제 1 시스템은 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리하는데 필요한 특징 파라미터를 획득한다. 제 1 시스템은 특징 파라미터와 융합 전략 모델을 미리 설정된 예측기에 입력함으로써, 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득한다.
특징 파라미터는 사용자의 화상 정보(취향, 취미, 지리 위치 등), 추천될 물품 정보(키워드, 카테고리 등), 시나리오 정보(휴가, 여행 등)를 포함한다. 실제 사후 결과는 대화식으로 피드백되는 사용자의 수량과 추천되는 사용자 수량의 비율일 수 있다.
예를 들어, 목표 추천 임무의 추천될 물품이 100명의 사용자에게 추천되었고, 그 중 10명이 '예'를 클릭하면, 목표 추천 임무의 실제 사후 결과는 10/100, 즉 0.1이다.
보다 싶이, 본 실시예에 있어서, 추정 사전 결과는 제 1 시스템의 예측기에 의해 획득할 수 있으며, 추정하기 위해 실시간으로 계산 모델을 구축할 필요가 없으며, 계산 효율과 정확성이 높다.
가능한 실시예에 있어서, 제 1 시스템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득하는 것은, 아래 내용을 포함한다.
제 1 시스템은 각 이성질 데이터 소스의 통일 평가 지표에 따라 정렬 세트(sorting set)를 생성한다. 정렬 세트는 여러 데이터 소스 시퀀스(data source sequences)를 포함하고, 각 데이터 소스 시퀀스는 여러가지 이성질 데이터 소스를 포함한다. 임의의 2개의 데이터 소스 시퀀스 중의 이성질 데이터 소스의 순서는 다르다. 제 1 시스템은 융합 전략 모델의 제약 조건하에서 정렬 세트에서 가장 바람직한 하나의 정렬을 선택하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과로 한다.
융합 전략 모델에는 제약 조건과 위치 경쟁 제어 전략이 포함된다. 제약 조건은, 예를 들어, 아래 임의의 한가지이다. 추천 결과에 적어도 하나의 자연 결과가 있으며, 광고 수량은 미리 설정된 수량보다 적어서는 안되며, 추천 정보는 모두 비인기 정보이거나 또는 모두 인기 정보여서는 안되며, 1일 내의 자연 결과의 전시 비율은 미리 설정된 비율보다 크다.
정렬 세트에서 선택된 가장 바람직한 정렬은 융합 전략 모델의 제약 조건을 만족하는 정렬일 수 있다.
보다 싶이, 본 실시예에 있어서, 제 1 시스템은 융합 전략 모델을 사용하여 미리 설정된 제약 조건에 따라 여러 후보 데이터 소스 시퀀스에서 최적의 데이터 소스 시퀀스를 선택하며, 선택 정확도를 향상시킨다.
가능한 실시예에 있어서, 정보 추천 시스템은 훈련 데이터 베이스와 여러 가치 모델을 포함한 제 2 시스템을 더 포함한다. 제 2 시스템은 훈련 데이터 베이스의 훈련 데이터를 통해 각 가치 모델을 훈련시켜, 훈련된 가치 모델을 획득하는 데에 사용된다. 상기 방법은 또한 아래 내용을 포함한다.
제 1 시스템은 제 2 시스템에서 훈련된 가치 모델 및 대응하는 데이터 유형을 수신한다. 제 1 시스템은 수신된 훈련된 가치 모델 및 대응하는 데이터 유형에 따라 가치 모델 세트를 생성한다.
보다 싶이, 본 실시예에 있어서, 제 2 시스템은 가치 모델을 업데이트하고, 또한 업데이트된 가치 모델을 제때에 제 1 시스템으로 보내여 사용하도록 하며, 따라서 정보 추천 시스템의 안정성을 향상시킨다.
도 2에 도시된 실시예와 일치하며, 도 3을 참조하십시오. 도 3은 본 발명의 실시예에 따른 융합 데이터 처리 방법을 나타내는 흐름도이다. 이 방법은 제 1 시스템을 포함하는 정보 추천 시스템에 적용된다. 제 1 시스템은 가치 모델 세트와 융합 전략 모델을 포함한다. 도 3에 도시된 바와 같이, 융합 데이터 처리 방법은 블록 301의 동작으로부터 시작된다.
블록 301, 제 1 시스템은 여러가지 이성질 데이터 소스를 획득한다.
블록 302, 제 1 시스템은 이성질 데이터 소스의 데이터 유형과 가치 모델 사이의 대응 관계를 포함하는 가치 모델 세트를 조회하여 각 이성질 데이터 소스에 대응하는 가치 모델을 획득한다.
블록 303, 제 1 시스템은 각 이성질 데이터 소스에 대응하는 가치 모델이 필요하는 특징 파라미터를 획득한다.
블록 304, 제 1 시스템은 각 이성질 데이터 소스에 대응하는 가치 모델에 관련된 전용 예측기를 확정한다.
블록 305, 제 1 시스템은 각 이성질 데이터 소스의 특징 파라미터와 가치 모델을 전용 예측기에 입력하여, 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 획득한다.
블록 306, 제 1 시스템은 융합 전략 모델의 손실 수량화 평가 지표를 획득한다.
블록 307, 제 1 시스템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다.
보다 싶이, 본 실시예에 있어서, 제 1 시스템은 먼저 여러가지 이성질 데이터 소스를 획득하고, 그 다음에 제 1 시스템은 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 그 다음에 제 1 시스템은 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 나중에 제 1 시스템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다. 보다 싶이, 제 1 시스템은 가치 모델을 통해 여러가지 데이터 소스를 조정하고, 또한 융합 전략 모델에 의해 융합 정렬을 실행함으로써, 제약 조건에서 여러가지 이성질 데이터의 전체 최적화 융합 정렬 문제를 효과적으로 해결할 수 있다.
또한, 제 1 시스템은 각 이성질 데이터 소스에 대응하는 전용 예측기를 찾을 수 있으며, 전용 예측기를 사용하여 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 확정한다. 전용 예측기는 미리 설정된 도구이기 때문에, 정확도가 높고, 계산이 안정적이며, 통일 평가 지표의 정확성과 안정성을 향상시킨다.
도 2에 도시된 실시예와 일치하며, 도 4를 참조하십시오. 도 4는 본 발명의 실시예에 따른 융합 데이터 처리 방법을 나타내는 흐름도이다. 이 방법은 정보 추천 시스템에 적용된다. 정보 추천 시스템은 제 1 시스템을 포함한다. 제 1 시스템은 가치 모델 세트와 융합 전략 모델을 포함한다. 도 4에 도시된 바와 같이, 융합 데이터 처리 방법은 블록 401의 동작으로부터 시작된다.
블록 401, 제 1 시스템은 여러가지 이성질 데이터 소스를 획득한다.
블록 402: 제 1 시스템은 이성질 데이터 소스의 데이터 유형과 가치 모델 사이의 대응 관계를 포함하는 가치 모델 세트를 조회하여 각 이성질 데이터 소스에 대응하는 가치 모델을 획득한다.
블록 403, 제 1 시스템은 각 이성질 데이터 소스에 대응하는 가치 모델이 필요하는 특징 파라미터를 획득한다.
블록 404, 제 1 시스템은 각 이성질 데이터 소스에 대응하는 가치 모델에 관련된 전용 예측기를 확정한다.
블록 405, 제 1 시스템은 각 이성질 데이터 소스의 특징 파라미터와 가치 모델을 전용 예측기에 입력하여, 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 획득한다.
블록 406, 제 1 시스템은 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득한다.
블록 407, 제 1 시스템은 제 2 시스템에서 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 실제 사후 결과를 수신한다.
블록 408, 제 1 시스템은 추정 사전 결과와 실제 사후 결과에 따라 융합 전략 모델의 손실 수량화 평가 지표를 확정한다.
블록 409, 제 1 시스템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다.
보다 싶이, 본 실시예에 있어서, 제 1 시스템은 먼저 여러가지 이성질 데이터 소스를 획득하고, 그 다음에 제 1 시스템은 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 그 다음에 제 1 시스템은 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 나중에 제 1 시스템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다. 보다 싶이, 제 1 시스템은 가치 모델을 통해 여러가지 데이터 소스를 조정하고, 또한 융합 전략 모델에 의해 융합 정렬을 실행함으로써, 제약 조건에서 여러가지 이성질 데이터의 전체 최적화 융합 정렬 문제를 효과적으로 해결할 수 있다.
또한, 제 1 시스템은 각 이성질 데이터 소스에 대응하는 전용 예측기를 찾을 수 있으며, 전용 예측기를 사용하여 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 확정한다. 전용 예측기는 미리 설정된 도구이기 때문에, 정확도가 높고, 계산이 안정적이며, 통일 평가 지표의 정확성과 안정성을 향상시킨다.
또한, 융합 전략 모델의 손실 수량화 평가 지표는 추정 사전 결과와 실제 사후 결과에 따라 확정되며, 실제 사용자 그룹의 사용 습관과 일치하고, 정확도가 높다.
또한, 추정 사전 결과는 제 1 시스템의 예측기에 의해 획득할 수 있으며, 추정하기 위해 실시간으로 계산 모델을 구축할 필요가 없으며, 계산 효율과 정확성이 높다.
또한, 제 1 시스템은 융합 전략 모델을 사용하여 미리 설정된 제약 조건에 따라 여러 후보 데이터 소스 시퀀스에서 최적의 데이터 소스 시퀀스를 선택하며, 선택 정확도를 향상시킨다.
도 2 내지 도 4에 도시된 실시예와 일치하며, 도 5를 참조하십시오. 도 5는 본 발명의 실시예에 따른 정보 추천 시스템의 구조를 나타내는 개략도이다. 하나 이상의 응용 프로그램과 조작 시스템이 정보 추천 시스템에서 실행된다. 도 5에 도시된 바와 같이, 정보 추천 시스템은 프로세서(501), 메모리(502), 통신 인터페이스(503) 및 하나 이상의 프로그램 코드를 포함한다. 하나 이상의 프로그램 코드는 상기 하나 이상의 응용 프로그램과는 다르다. 메모리는 하나 이상의 프로그램 코드를 저장하는 데에 사용된다. 하나 이상의 프로그램 코드는 프로세서에 의해 실행되며, 다음 조작을 실행하는 데에 사용되는 명령을 포함한다.
여러가지 이성질 데이터 소스를 획득한다. 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득한다. 융합 전략 모델의 손실 수량화 평가 지표를 획득한다. 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다.
보다 싶이, 본 실시예에 있어서, 먼저 여러가지 이성질 데이터 소스를 획득하고, 그 다음에 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 그 다음에 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 나중에 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다. 보다 싶이, 정보 추천 시스템은 가치 모델을 통해 여러가지 데이터 소스를 조정하고, 또한 융합 전략 모델에 의해 융합 정렬을 실행함으로써, 제약 조건에서 여러가지 이성질 데이터의 전체 최적화 융합 정렬 문제를 효과적으로 해결할 수 있다.
가능한 실시예에 있어서, 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하는 방면에서, 상기 프로그램의 명령은 구체적으로 아래 조작을 실행하는 데에 사용된다.
이성질 데이터 소스의 데이터 유형과 가치 모델 사이의 대응 관계를 포함하는 가치 모델 세트를 조회하여 각 이성질 데이터 소스에 대응하는 가치 모델을 획득한다. 각 이성질 데이터 소스에 대응하는 가치 모델이 필요하는 특징 파라미터를 획득한다. 각 이성질 데이터 소스에 대응하는 가치 모델에 관련된 전용 예측기를 확정한다. 각 이성질 데이터 소스의 특징 파라미터와 가치 모델을 전용 예측기에 입력하여, 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 획득한다.
가능한 실시예에 있어서, 융합 전략 모델의 손실 수량화 평가 지표를 획득하는 방면에서, 상기 프로그램의 명령은 구체적으로 아래 조작을 실행하는 데에 사용된다.
융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득한다. 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 실제 사후 결과를 획득한다. 추정 사전 결과와 실제 사후 결과에 따라 융합 전략 모델의 손실 수량화 평가 지표를 확정한다.
가능한 실시예에 있어서, 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하는 방면에서, 상기 프로그램의 명령은 구체적으로 아래 조작을 실행하는 데에 사용된다.
융합 전략 모델에 의해 미리 설정된 추천 임무를 처리하는데 필요한 특징 파라미터를 획득한다. 특징 파라미터와 융합 전략 모델을 미리 설정된 예측기에 입력함으로써, 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득한다.
가능한 실시예에 있어서, 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득하는 방면에서, 상기 프로그램의 명령은 구체적으로 아래 조작을 실행하는 데에 사용된다.
각 이성질 데이터 소스의 통일 평가 지표에 따라 정렬 세트를 생성한다. 정렬 세트는 여러 데이터 소스 시퀀스를 포함하고, 각 데이터 소스 시퀀스는 여러가지 이성질 데이터 소스를 포함한다. 임의의 2개의 데이터 소스 시퀀스 중의 이성질 데이터 소스의 순서는 다르다. 융합 전략 모델의 제약 조건하에서 정렬 세트에서 가장 바람직한 하나의 정렬을 선택하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과로 한다.
가능한 실시예에 있어서, 정보 추천 시스템은 훈련 데이터 베이스와 여러 가치 모델을 더 포함한다. 정보 추천 시스템은 훈련 데이터 베이스의 훈련 데이터를 통해 각 가치 모델을 훈련시켜, 훈련된 가치 모델을 획득하는 데에 사용된다. 상기 프로그램은 아래 조작을 실행하는 데에 사용되는 명령을 더 포함한다.
훈련된 가치 모델 및 대응하는 데이터 유형을 획득한다. 획득된 훈련된 가치 모델 및 대응하는 데이터 유형에 따라 가치 모델 세트를 생성한다.
도 6은 본 발명의 실시예에 따른 융합 데이터 처리 장치의 기능 유닛을 나타내는 블록도이다. 융합 데이터 처리 장치(600)는 제 1 시스템을 포함한 정보 추천 시스템에 적용된다. 제 1 시스템은 가치 모델 세트와 융합 전략 모델을 포함한다. 융합 데이터 처리 장치는 획득 유닛(601), 사용 유닛(602) 및 입력 처리 유닛(603)을 포함한다.
획득 유닛(601)은 여러가지 이성질 데이터 소스를 획득하는 데에 사용된다.
사용 유닛(602)은 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하는 데에 사용된다.
획득 유닛(601)은 또한 융합 전략 모델의 손실 수량화 평가 지표를 획득하는 데에 사용된다.
입력 처리 유닛(603)은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득하는 데에 사용된다.
보다 싶이, 본 발명의 실시예에 있어서, 제 1 시스템은 먼저 여러가지 이성질 데이터 소스를 획득하고, 그 다음에 제 1 시스템은 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 그 다음에 제 1 시스템은 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 나중에 제 1 시스템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득한다. 보다 싶이, 제 1 시스템은 가치 모델을 통해 여러가지 데이터 소스를 조정하고, 또한 융합 전략 모델에 의해 융합 정렬을 실행함으로써, 제약 조건에서 여러가지 이성질 데이터의 전체 최적화 융합 정렬 문제를 효과적으로 해결할 수 있다.
가능한 실시예에 있어서, 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하는 방면에서, 사용 유닛(602)은, 구체적으로, 이성질 데이터 소스의 데이터 유형과 가치 모델 사이의 대응 관계를 포함하는 가치 모델 세트를 조회하여 각 이성질 데이터 소스에 대응하는 가치 모델을 획득하고, 각 이성질 데이터 소스에 대응하는 가치 모델이 필요하는 특징 파라미터를 획득하며, 각 이성질 데이터 소스에 대응하는 가치 모델에 관련된 전용 예측기를 확정하고, 각 이성질 데이터 소스의 특징 파라미터와 가치 모델을 전용 예측기에 입력하여, 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 획득하는 데에 사용된다.
가능한 실시예에 있어서, 정보 추천 시스템은 제 2 시스템을 더 포함한다. 융합 전략 모델의 손실 수량화 평가 지표를 획득하는 방면에서, 획득 유닛(601)은, 구체적으로, 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하고, 제 2 시스템에서 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 실제 사후 결과를 수신하며, 추정 사전 결과와 실제 사후 결과에 따라 융합 전략 모델의 손실 수량화 평가 지표를 확정하는 데에 사용된다.
가능한 실시예에 있어서, 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하는 방면에서, 획득 유닛(601)은, 구체적으로, 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리하는데 필요한 특징 파라미터를 획득하고, 특징 파라미터와 융합 전략 모델을 미리 설정된 예측기에 입력함으로써, 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하는 데에 사용된다.
가능한 실시예에 있어서, 제 1 시스템은 각 이성질 데이터 소스의 통일 평가 지표와 손실 수량화 평가 지표를 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득하는 방면에서, 입력 처리 유닛(603)은, 구체적으로, 각 이성질 데이터 소스의 통일 평가 지표에 따라 정렬 세트를 생성하고, 융합 전략 모델의 제약 조건하에서 정렬 세트에서 가장 바람직한 하나의 정렬을 선택하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과로 하는 데에 사용된다. 정렬 세트는 여러 데이터 소스 시퀀스를 포함하고, 각 데이터 소스 시퀀스는 여러가지 이성질 데이터 소스를 포함하며, 임의의 2개의 데이터 소스 시퀀스 중의 이성질 데이터 소스의 순서는 다르다.
가능한 실시예에 있어서, 정보 추천 시스템은 훈련 데이터 베이스와 여러 가치 모델을 포함한 제 2 시스템을 더 포함한다. 제 2 시스템은 훈련 데이터 베이스의 훈련 데이터를 통해 각 가치 모델을 훈련시켜, 훈련된 가치 모델을 획득하는 데에 사용된다. 융합 데이터 처리 장치(600)는 수신 유닛과 생성 유닛을 더 포함한다.
수신 유닛은 제 2 시스템에서 훈련된 가치 모델 및 대응하는 데이터 유형을 수신하는 데에 사용된다.
생성 유닛은 수신된 훈련된 가치 모델 및 대응하는 데이터 유형에 따라 가치 모델 세트를 생성하는 데에 사용된다.
본 발명의 장치 실시예에서 설명되는 융합 데이터 처리 장치는 기능 유닛의 형태로 구현된다. 여기서 사용되는 용어 '유닛'은 가능한 넓은 의미로 이해하여야 하며, 각 '유닛'의 기능을 실현하는 데에 사용되는 대상은, 예를 들어, 집적 회로(ASIC), 단일 회로, 하나 이상의 소프트웨어 또는 펌웨어 프로그램을 실행하는 데에 사용되는 프로세서(공유, 전용 또는 칩세트) 및 메모리, 조합 논리 회로 및/또는 상술한 기능을 달성할 수 있는 다른 적절한 구성 요소일 수 있다.
수신 유닛(601)은 수신기일 수 있다. 사용 유닛(602) 및 입력 처리 유닛(603)은 프로세서일 수 있다.
본 발명의 실시예는 비 일시적인 컴퓨터 판독 가능한 기억 매체를 더 제공한다. 비 일시적인 컴퓨터 판독 가능한 기억 매체는 전자 데이터를 교환하는 데에 사용되는 컴퓨터 프로그램을 저장한다. 컴퓨터 프로그램이 실행되면, 컴퓨터가 상술한 방법 실시예에 기재된 임의의 방법의 일부 또는 전부 단계를 수행하도록 한다. 컴퓨터는 제 1 시스템을 포함한다.
본 발명의 실시예는 컴퓨터 프로그램 제품을 더 제공한다. 컴퓨터 프로그램 제품은 컴퓨터 프로그램을 저장한 비 일시적인 컴퓨터 판독 가능한 기억 매체를 포함한다. 컴퓨터 프로그램은 컴퓨터가 상술한 방법 실시예에 기재된 임의의 방법의 일부 또는 전부 단계를 수행하도록 한다. 컴퓨터 프로그램 제품은 소프트웨어 설치 파일일 수 있고, 컴퓨터는 제 1 시스템을 포함한다.
간단히 설명하기 위해, 상술한 방법 실시예는 일련의 동작 조합으로 설명되어 있지만, 당업자라면 본 발명은 기재되는 동작 순서에 한정되지 않고, 본 발명을 기반으로 어떤 단계는 다른 순서 또는 동시에 수행할 수 있다는 것을 이해할 수 있다. 또한, 당업자라면 본 명세서에 기재된 실시예는 바람직한 실시예이며, 관련된 동작 및 모듈은 반드시 본 발명에 있어서 필수적인 것이 아님을 이해할 수 있다.
상술한 실시예에 있어서, 각 실시예의 설명은 각자의 중점이 있다. 어느 실시예에서 상세하게 설명되지 않은 부분은 다른 실시예의 관련된 설명을 참조할 수 있다
본 출원에서 제공되는 몇몇 실시예에서, 개시된 시스템은 다른 방식으로 구현할 수 있다는 것을 이해할 수 있다. 예를 들어, 상기 설명된 장치의 실시예는 단지 예시적인 것이며, 예를 들어, 상기 유닛의 분할은 단지 논리적인 기능 분할일 뿐, 실제 구현에서는 다른 분할 방식이 있을 수 있으며, 예들 들어, 여러개의 유닛 또는 컴포넌트가 결합되거나 다른 시스템에 통합될 수 있고, 또는 일부 기능은 무시되거나 실행되지 않을 수 있다. 또한, 표시되거나 논의된 결합 또는 직접 결합 또는 통신 연결은 일부 인터페이스, 장치 또는 유닛을 통한 간접적 결합 또는 통신 연결일 수 있으며, 전기적, 기계적 또는 다른 형태일 수 있다.
분리된 구성 요소로 설명된 유닛은 물리적으로 분리되거나 분리되지 않을 수도 있고, 유닛으로 표시되는 구성 요소는 물리적 유닛일 수 있고 아닐 수도 있으며, 한 위치에 배치되거나 여러 네트워크 유닛에 분포되어 있을 수도 있다. 본 실시예 방안의 목적을 달성하기 위해 실제 요구에 따라 그중의 일부 또는 모든 유닛을 선택할 수 있다.
또한, 본 발명의 각 실시예에서의 각 기능 유닛은 하나의 처리 유닛에 통합될 수 있고, 또는 각각의 유닛이 물리적으로 별도로 존재할 수도 있고, 또는 2개 이상의 유닛이 하나의 유닛에 통합될 수도 있다. 상술한 통합된 유닛은 하드웨어 또는 소프트웨어 기능 유닛의 형태로 실현될 수 있다.
통합된 유닛은 소프트웨어 기능 유닛 형태로 구현되어 별도의 제품으로 판매되거나 사용되는 경우, 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 이러한 이해를 기초로 하여, 본 발명의 기술방안의 본질, 혹은 기술 분야에 기여하는 부분 또는 기술적 방안의 전부 또는 일부를 소프트웨어 제품의 형태로 구현될 수 있다. 해당 컴퓨터 소프트웨어는 하나의 저장 매체에 저장되며, 컴퓨터 장치(개인용 컴퓨터, 서버 또는 네트워크 장치일 수 있음)가 본 발명의 각 실시예에 따른 방법의 전부 또는 일부를 실행할 수 있도록 하는 다수의 명령어를 포함한다. 전술한 저장 매체는 USB, 읽기 전용 메모리(ROM, Read-Only Memory), 랜덤 액세스 메모리(RAM, Random Access Memory), 이동식 하드 디스크 (removable hard disk), 자기 디스크 또는 광 디스크 등과 같은 프로그램 코드를 저장할 수 있는 다양한 매체를 포함한다
당업자라면 상술한 방법 실시예의 전부 또는 일부 단계는 관련 하드웨어를 명령하는 프로그램에 의해 달성될 수 있고, 프로그램은 컴퓨터 판독 가능한 기억 매체에 저장될 수 있다는 것을 이해할 수 있다. 저장 매체는 플래시 메모리, 읽기 전용 메모리(ROM, Read-Only Memory), 랜덤 액세스 메모리(RAM, Random Access Memory), 자기 디스크 또는 광 디스크 등을 포함할 수 있다.

Claims (15)

  1. 가치 모델 세트와 융합 전략 모델을 포함하는 정보 추천 시스템에 적용되는 융합 데이터 처리 방법으로서,
    여러가지 이성질 데이터 소스를 획득하는 단계(101);
    상기 가치 모델 세트를 사용하여 상기 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하는 단계(102);
    상기 융합 전략 모델의 손실 수량화 평가 지표를 획득하는 단계(103);
    상기 각 이성질 데이터 소스의 통일 평가 지표와 상기 손실 수량화 평가 지표를 상기 융합 전략 모델에 입력하여 상기 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득하는 단계(104);
    를 포함하는 것을 특징으로 하는 융합 데이터 처리 방법.
  2. 제 1 항에 있어서,
    상기 가치 모델 세트를 사용하여 상기 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하는 것은,
    이성질 데이터 소스의 데이터 유형과 가치 모델 사이의 대응 관계를 포함하는 상기 가치 모델 세트를 조회하여 각 이성질 데이터 소스에 대응하는 가치 모델을 획득하는 것;
    상기 각 이성질 데이터 소스에 대응하는 가치 모델이 필요하는 특징 파라미터를 획득하는 것;
    상기 각 이성질 데이터 소스에 대응하는 가치 모델에 관련된 전용 예측기를 확정하는 것;
    상기 각 이성질 데이터 소스의 특징 파라미터와 상기 가치 모델을 상기 전용 예측기에 입력하여, 상기 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 획득하는 것;
    을 포함하는 것을 특징으로 하는 융합 데이터 처리 방법.
  3. 제 1 항에 있어서,
    상기 융합 전략 모델의 손실 수량화 평가 지표를 획득하는 것은,
    상기 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하는 것;
    상기 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 실제 사후 결과를 획득하는 것;
    상기 추정 사전 결과와 상기 실제 사후 결과에 따라 상기 융합 전략 모델의 손실 수량화 평가 지표를 확정하는 것;
    을 포함하는 것을 특징으로 하는 융합 데이터 처리 방법.
  4. 제 3 항에 있어서,
    상기 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하는 것은,
    상기 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리하는데 필요한 특징 파라미터를 획득하는 것;
    상기 특징 파라미터와 상기 융합 전략 모델을 미리 설정된 예측기에 입력함으로써, 상기 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하는 것;
    을 포함하는 것을 특징으로 하는 융합 데이터 처리 방법.
  5. 제 1 항에 있어서,
    상기 각 이성질 데이터 소스의 통일 평가 지표와 상기 손실 수량화 평가 지표를 상기 융합 전략 모델에 입력하여 상기 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득하는 것은,
    상기 각 이성질 데이터 소스의 통일 평가 지표에 따라 정렬 세트를 생성하는 것- 상기 정렬 세트는 여러 데이터 소스 시퀀스를 포함하고, 각 데이터 소스 시퀀스는 상기 여러가지 이성질 데이터 소스를 포함하며, 임의의 2개의 데이터 소스 시퀀스 중의 이성질 데이터 소스의 순서는 다름 - 과;
    상기 융합 전략 모델의 제약 조건하에서 상기 정렬 세트에서 가장 바람직한 하나의 정렬을 선택하여 상기 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과로 하는 것;
    을 포함하는 것을 특징으로 하는 융합 데이터 처리 방법.
  6. 제 5 항에 있어서,
    상기 제약 조건은, 추천 결과에 적어도 하나의 자연 결과가 있는 것, 광고 수량은 미리 설정된 수량보다 적어서는 안되는 것, 추천 정보는 모두 비인기 정보이거나 또는 모두 인기 정보여서는 안되는 것, 1일 내의 자연 결과의 전시 비율은 미리 설정된 비율보다 큰 것 중의 임의의 한가지인 것을 특징으로 하는 융합 데이터 처리 방법.
  7. 제 1 항에 있어서,
    상기 정보 추천 시스템은 훈련 데이터 베이스와 여러 가치 모델을 더 포함하고, 상기 정보 추천 시스템은 상기 훈련 데이터 베이스의 훈련 데이터를 통해 각 가치 모델을 훈련시켜, 훈련된 가치 모델을 획득하는 데에 사용되며, 상기 방법은,
    훈련된 가치 모델 및 대응하는 데이터 유형을 획득하는 단계;
    획득한 훈련된 가치 모델 및 대응하는 데이터 유형에 따라 상기 가치 모델 세트를 생성하는 단계;
    를 더 포함하는 것을 특징으로 하는 융합 데이터 처리 방법.
  8. 프로세서(501), 실행 가능한 프로그램 코드를 저장하는 데에 사용되는 메모리(502)를 포함하는 정보 추천 시스템으로서,
    상기 프로그램 코드가 상기 프로세서에 의해 실행되면,
    상기 프로세서는, 여러가지 이성질 데이터 소스를 획득하고; 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며; 융합 전략 모델의 손실 수량화 평가 지표를 획득하고; 상기 각 이성질 데이터 소스의 통일 평가 지표와 상기 손실 수량화 평가 지표를 상기 융합 전략 모델에 입력하여 상기 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득하는 것을 특징으로 하는 정보 추천 시스템.
  9. 제 8 항에 있어서,
    상기 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하는 방면에서,
    상기 프로그램 코드가 상기 프로세서에 의해 실행되면, 상기 프로세서는 이성질 데이터 소스의 데이터 유형과 가치 모델 사이의 대응 관계를 포함하는 상기 가치 모델 세트를 조회하여 상기 각 이성질 데이터 소스에 대응하는 가치 모델을 획득하고; 상기 각 이성질 데이터 소스에 대응하는 가치 모델이 필요하는 특징 파라미터를 획득하며; 상기 각 이성질 데이터 소스에 대응하는 가치 모델에 관련된 전용 예측기를 확정하고; 상기 각 이성질 데이터 소스의 특징 파라미터와 상기 가치 모델을 상기 전용 예측기에 입력하여, 상기 각 이성질 데이터 소스에 대응하는 통일 평가 지표를 획득하는 것을 특징으로 하는 정보 추천 시스템.
  10. 제 8 항에 있어서,
    상기 융합 전략 모델의 손실 수량화 평가 지표를 획득하는 방면에서,
    상기 프로그램 코드가 상기 프로세서에 의해 실행되면, 상기 프로세서는, 상기 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하고; 상기 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 실제 사후 결과를 획득하며; 상기 추정 사전 결과와 상기 실제 사후 결과에 따라 상기 융합 전략 모델의 손실 수량화 평가 지표를 확정하는 것을 특징으로 하는 정보 추천 시스템.
  11. 제 10 항에 있어서,
    상기 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하는 방면에서,
    상기 프로그램 코드가 상기 프로세서에 의해 실행되면, 상기 프로세서는, 상기 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리하는데 필요한 특징 파라미터를 획득하고; 상기 특징 파라미터와 상기 융합 전략 모델을 미리 설정된 예측기에 입력함으로써, 상기 융합 전략 모델에 의해 미리 설정된 추천 임무를 처리한 추정 사전 결과를 획득하는 것을 특징으로 하는 정보 추천 시스템.
  12. 제 8 항에 있어서,
    상기 각 이성질 데이터 소스의 통일 평가 지표와 상기 손실 수량화 평가 지표를 상기 융합 전략 모델에 입력하여 상기 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득하는 방면에서,
    상기 프로그램 코드가 상기 프로세서에 의해 실행되면, 상기 프로세서는, 상기 각 이성질 데이터 소스의 통일 평가 지표에 따라 정렬 세트를 생성하고; 상기 융합 전략 모델의 제약 조건하에서 상기 정렬 세트에서 가장 바람직한 하나의 정렬을 선택하여 상기 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과로 하며,
    상기 정렬 세트는 여러 데이터 소스 시퀀스를 포함하고, 각 데이터 소스 시퀀스는 여러가지 이성질 데이터 소스를 포함하며, 임의의 2개의 데이터 소스 시퀀스 중의 이성질 데이터 소스의 순서는 다른 것을 특징으로 하는 정보 추천 시스템.
  13. 제 12 항에 있어서,
    상기 제약 조건은, 추천 결과에 적어도 하나의 자연 결과가 있는 것; 광고 수량은 미리 설정된 수량보다 적어서는 안되는 것; 추천 정보는 모두 비인기 정보이거나 또는 모두 인기 정보여서는 안되는 것; 1일 내의 자연 결과의 전시 비율은 미리 설정된 비율보다 큰 것 중의 임의의 한가지인 것을 특징으로 하는 정보 추천 시스템.
  14. 제 8 항에 있어서,
    상기 정보 추천 시스템은 훈련 데이터 베이스와 여러 가치 모델을 포함하고, 상기 정보 추천 시스템은 상기 훈련 데이터 베이스의 훈련 데이터를 통해 각 가치 모델을 훈련시켜 훈련된 가치 모델을 획득하며,
    상기 프로그램 코드가 상기 프로세서에 의해 실행되면, 상기 프로세서는, 훈련된 가치 모델 및 대응하는 데이터 유형을 획득하고, 획득된 훈련된 가치 모델 및 대응하는 데이터 유형에 따라 가치 모델 세트를 생성하는것을 특징으로 하는 정보 추천 시스템.
  15. 컴퓨터 프로그램을 저장한 비 일시적인 컴퓨터 판독 가능한 기억 매체로서,
    상기 컴퓨터 프로그램이 프로세서에 의해 실행되면,
    상기 프로세서는 여러가지 이성질 데이터 소스를 획득하고, 가치 모델 세트를 사용하여 여러가지 이성질 데이터 소스를 처리하여 각 이성질 데이터 소스의 통일 평가 지표를 획득하며, 융합 전략 모델의 손실 수량화 평가 지표를 획득하고, 상기 각 이성질 데이터 소스의 통일 평가 지표와 상기 손실 수량화 평가 지표를 상기 융합 전략 모델에 입력하여 여러가지 이성질 데이터 소스의 융합 정렬 추천 결과를 획득하는 것을 특징으로 하는 비 일시적인 컴퓨터 판독 가능한 기억 매체.
KR1020207013801A 2017-12-29 2018-10-17 융합 데이터 처리 방법 및 정보 추천 시스템 KR102358604B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201711468874.X 2017-12-29
CN201711468874.XA CN108090208A (zh) 2017-12-29 2017-12-29 融合数据处理方法及装置
PCT/CN2018/110668 WO2019128394A1 (en) 2017-12-29 2018-10-17 Method for processing fusion data and information recommendation system

Publications (2)

Publication Number Publication Date
KR20200069352A KR20200069352A (ko) 2020-06-16
KR102358604B1 true KR102358604B1 (ko) 2022-02-08

Family

ID=62180497

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207013801A KR102358604B1 (ko) 2017-12-29 2018-10-17 융합 데이터 처리 방법 및 정보 추천 시스템

Country Status (6)

Country Link
US (1) US11061966B2 (ko)
EP (1) EP3506124A1 (ko)
JP (1) JP7052037B2 (ko)
KR (1) KR102358604B1 (ko)
CN (1) CN108090208A (ko)
WO (1) WO2019128394A1 (ko)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090208A (zh) * 2017-12-29 2018-05-29 广东欧珀移动通信有限公司 融合数据处理方法及装置
CN108921624B (zh) * 2018-07-27 2021-10-01 百度在线网络技术（北京）有限公司 广告融合方法、装置、存储介质和终端设备
CN109726747B (zh) * 2018-12-20 2021-09-28 西安电子科技大学 基于社交网络推荐平台的数据融合排序方法
CN110781340B (zh) * 2019-09-27 2023-05-23 上海麦克风文化传媒有限公司 一种推荐系统召回策略的离线评估方法、系统、装置及存储介质
CN110991487B (zh) * 2019-11-07 2022-11-08 天津大学 一种多源监测检测数据的集成耦合模型生成方法
CN110879806A (zh) * 2019-11-25 2020-03-13 北京优奥创思科技发展有限公司 一种数据融合的方法、装置、设备和存储介质
CN110942376B (zh) * 2019-12-02 2023-09-01 上海麦克风文化传媒有限公司 一种音频类产品的实时多召回策略的融合方法
CN112989276A (zh) * 2019-12-12 2021-06-18 北京沃东天骏信息技术有限公司 信息推送系统的评价方法和装置
CN111324594B (zh) * 2020-02-17 2023-08-11 武汉轻工大学 用于粮食加工业的数据融合方法、装置、设备及存储介质
CN113361554B (zh) * 2020-03-06 2024-05-24 北京眼神智能科技有限公司 生物特征识别多模态融合方法、装置、存储介质及设备
CN111401759B (zh) * 2020-03-20 2022-08-23 支付宝(杭州)信息技术有限公司 数据处理方法、装置、电子设备及存储介质
CN112347113B (zh) * 2020-09-16 2021-12-14 北京中兵数字科技集团有限公司 航空数据融合方法、航空数据融合装置和存储介质
CN112507196A (zh) 2020-12-18 2021-03-16 北京百度网讯科技有限公司 融合排序模型的训练方法、搜索排序方法、装置和设备
CN112711626A (zh) * 2020-12-29 2021-04-27 长威信息科技发展股份有限公司 一种多源异构数据统一汇聚方法及系统
CN113761338A (zh) * 2021-01-12 2021-12-07 北京沃东天骏信息技术有限公司 信息推送方法、装置和计算机可读存储介质
CN113127467A (zh) * 2021-04-20 2021-07-16 赛诺数据科技(南京)有限公司 基于自定义规则的etl任务失败平台处理方法及系统
CN113515432B (zh) * 2021-06-24 2021-12-10 浙江口碑网络技术有限公司 对象展示方法、装置、计算机设备及计算机可读存储介质
CN113569119A (zh) * 2021-07-02 2021-10-29 中译语通科技股份有限公司 一种基于多模态机器学习的新闻网页正文抽取系统及方法
CN114970667B (zh) * 2022-03-30 2024-03-29 国网吉林省电力有限公司 一种多源异构能源数据融合方法
CN116304974B (zh) * 2023-02-17 2023-09-29 国网浙江省电力有限公司营销服务中心 多渠道数据融合方法及系统
CN116204888B (zh) * 2023-03-01 2023-10-27 联洋国融(北京)科技有限公司 一种基于隐私计算的数据源融合评估方法及系统
CN117216722B (zh) * 2023-11-09 2024-02-27 山东农业大学 基于传感器时序数据多源异构数据融合系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088688A1 (zh) * 2015-11-25 2017-06-01 阿里巴巴集团控股有限公司 一种信息推荐方法及装置

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7392199B2 (en) 2001-05-01 2008-06-24 Quest Diagnostics Investments Incorporated Diagnosing inapparent diseases from common clinical tests using Bayesian analysis
US20070299828A1 (en) * 2006-06-05 2007-12-27 Digital Mountain, Inc. Method and Apparatus for Processing Heterogeneous Data
US20090006368A1 (en) 2007-06-29 2009-01-01 Microsoft Corporation Automatic Video Recommendation
US9495460B2 (en) * 2009-05-27 2016-11-15 Microsoft Technology Licensing, Llc Merging search results
US8478711B2 (en) * 2011-02-18 2013-07-02 Larus Technologies Corporation System and method for data fusion with adaptive learning
US10095793B2 (en) * 2011-09-12 2018-10-09 Intel Corporation Collection and management of precision user preference data
CN102508859B (zh) * 2011-09-29 2014-10-29 北京亿赞普网络技术有限公司 一种基于网页特征的广告分类方法及装置
CN102592235A (zh) * 2011-12-28 2012-07-18 北京品友互动信息技术有限公司 一种互联网广告投放系统
US10685065B2 (en) * 2012-03-17 2020-06-16 Haizhi Wangju Network Technology (Beijing) Co., Ltd. Method and system for recommending content to a user
CN103729386B (zh) 2012-10-16 2017-08-04 阿里巴巴集团控股有限公司 信息查询系统与方法
US9652797B2 (en) * 2013-01-18 2017-05-16 24/7 Customer, Inc. Intent prediction based recommendation system using data combined from multiple channels
US20150120722A1 (en) * 2013-10-31 2015-04-30 Telefonica Digital Espana, S.L.U. Method and system for providing multimedia content recommendations
CN103995878B (zh) * 2014-05-23 2017-10-27 中国科学技术大学 一种分布式个性化推荐方法及系统
CN105740276B (zh) * 2014-12-10 2020-11-03 深圳市腾讯计算机系统有限公司 适用于商业化搜索的点击反馈模型的估算方法和装置
WO2016201631A1 (en) 2015-06-17 2016-12-22 Yahoo! Inc. Systems and methods for online content recommendation
CN106445954B (zh) * 2015-08-07 2021-02-05 北京奇虎科技有限公司 一种业务对象的展示方法和装置
CN106504011B (zh) * 2015-09-06 2019-11-05 阿里巴巴集团控股有限公司 一种业务对象的展示方法和装置
JP6113797B2 (ja) * 2015-09-08 2017-04-12 ヤフー株式会社 決定装置、決定方法、及び決定プログラム
JP5996766B1 (ja) * 2015-12-07 2016-09-21 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
CN105678586B (zh) * 2016-01-12 2020-09-29 腾讯科技（深圳）有限公司 一种信息扶持方法和装置
JP2017207936A (ja) * 2016-05-18 2017-11-24 株式会社ジョルテ 広告情報提供装置および広告情報提供用プログラム
CN106126727A (zh) * 2016-07-01 2016-11-16 中国传媒大学 一种推荐系统大数据处理方法
CN107122447A (zh) * 2017-04-25 2017-09-01 南京邮电大学 一种基于偏好的多数据源融合的网络搜索系统及控制方法
CN107424043B (zh) 2017-06-15 2021-06-25 北京三快在线科技有限公司 一种产品推荐方法及装置，电子设备
CN107330050A (zh) * 2017-06-28 2017-11-07 达而观信息科技（上海）有限公司 一种个性化推荐方法及系统
CN108090208A (zh) * 2017-12-29 2018-05-29 广东欧珀移动通信有限公司 融合数据处理方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088688A1 (zh) * 2015-11-25 2017-06-01 阿里巴巴集团控股有限公司 一种信息推荐方法及装置

Also Published As

Publication number Publication date
JP2021502651A (ja) 2021-01-28
WO2019128394A1 (en) 2019-07-04
JP7052037B2 (ja) 2022-04-11
KR20200069352A (ko) 2020-06-16
US11061966B2 (en) 2021-07-13
EP3506124A1 (en) 2019-07-03
US20190205477A1 (en) 2019-07-04
CN108090208A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
KR102358604B1 (ko) 융합 데이터 처리 방법 및 정보 추천 시스템
CN110704739B (zh) 资源推荐方法、装置及计算机存储介质
US10534845B2 (en) System and method for optimizing electronic document layouts
CN109086439B (zh) 信息推荐方法及装置
CN111708964A (zh) 多媒体资源的推荐方法、装置、电子设备和存储介质
CN109582903B (zh) 一种信息展示的方法、装置、设备和存储介质
US10958704B2 (en) Feature generation for online/offline machine learning
CN108875289B (zh) 一种算法调试方法、客户端、后台服务器及系统
CN109168047B (zh) 视频推荐方法、装置、服务器及存储介质
US20230066853A1 (en) Method and apparatus for training information prediction models, method and apparatus for predicting information, and storage medium and device thereof
CN105260420A (zh) 一种用于在移动应用中提供目标页面的方法与设备
CN110825966A (zh) 一种信息推荐的方法、装置、推荐服务器和存储介质
CN105279569A (zh) 职业生涯路径导航
US20230021233A1 (en) Generation of personalized recommendations
JP2007058398A (ja) コンテンツ推薦装置、コンテンツ推薦方法及びコンピュータプログラム
CN111241381A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN104954824A (zh) 一种用于进行视频设置的方法、设备与系统
CN112000326A (zh) 一种服务提供方法、装置、电子设备及存储介质
JP2020177695A (ja) 情報提供システム、および情報提供方法
KR102406304B1 (ko) 자동 컨텐츠 인식에 의한 콜드 매칭
CN103049525B (zh) 一种用于提供对象相关信息的方法和装置
CN110413946A (zh) 使用交替最小二乘优化来在线训练和更新因子分解机
CN112269942B (zh) 一种推荐对象的方法、装置、系统及电子设备
CN109857900B (zh) 一种相似歌曲推荐方法以及相关设备
CN111492392B (zh) 用于更新客户端-项目矩阵的客户端、服务器和客户端-服务器系统

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant