KR102607359B1 - 사용자 app 관심을 임베딩하는 방법, 장치, 기기, 저장 매체 및 프로그램 - Google Patents

사용자 app 관심을 임베딩하는 방법, 장치, 기기, 저장 매체 및 프로그램 Download PDF

Info

Publication number
KR102607359B1
KR102607359B1 KR1020210034624A KR20210034624A KR102607359B1 KR 102607359 B1 KR102607359 B1 KR 102607359B1 KR 1020210034624 A KR1020210034624 A KR 1020210034624A KR 20210034624 A KR20210034624 A KR 20210034624A KR 102607359 B1 KR102607359 B1 KR 102607359B1
Authority
KR
South Korea
Prior art keywords
app
user
installation list
embedding
interest
Prior art date
Application number
KR1020210034624A
Other languages
English (en)
Other versions
KR20210037631A (ko
Inventor
후이치앙 종
시치 수
천후이 리우
리앙후이 천
준 팡
Original Assignee
베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
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 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. filed Critical 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Publication of KR20210037631A publication Critical patent/KR20210037631A/ko
Application granted granted Critical
Publication of KR102607359B1 publication Critical patent/KR102607359B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/61—Installation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/65—Updates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Computer Security & Cryptography (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Stored Programmes (AREA)
  • Information Transfer Between Computers (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 출원의 실시예는 사용자 APP 관심을 임베딩하는 방법, 장치, 기기 및 저장 매체를 개시하며, 이는 빅 데이터 기술 분야에 관한 것이다. 해당 사용자 APP 관심을 임베딩하는 방법의 일 구체적인 구현 방식은, 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하되, APP는 APP ID 정보 및 APP 분류 정보를 포함하는 단계와, 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 사용자 APP 관심 임베딩 벡터를 획득하는 단계를 포함하되, 사용자 기존 APP 설치 목록 정보 및 최근 APP 설치 목록 정보를 결부함으로써, 사용자 APP 관심 임베딩 벡터는 사용자의 장기 관심 및 단기 관심을 동시에 반영할 수 있으며, APP ID 및 APP 분류를 결부함으로써, 롱테일 APP의 희소성 문제를 완화시키고, 사용자 APP 관심 임베딩 벡터의 표현 능력을 향상시킬 수 있다.

Description

사용자 APP 관심을 임베딩하는 방법, 장치, 기기, 저장 매체 및 프로그램{METHOD, APPARATUS, DEVICE, STORAGE MEDIUM AND PROGRAM FOR EMBEDDING USER APP INTEREST}
본 출원은 컴퓨터 기술 분야에 관한 것으로, 구체적으로는 빅 데이터 기술 분야에 관한 것이며, 특히 사용자 APP 관심을 임베딩하는 방법, 장치, 기기 및 저장 매체에 관한 것이다.
애플리케이션(APP)은 사용자의 개성화 정보와 밀접하게 관련된다. 사용자는 자신의 수요, 선호도, 습관에 따라 앱스토어에서 애플리케이션에 대한 다운, 설치, 사용 및 설치 해제를 진행한다. 사용자의 APP 설치 행위는 사용자의 개인 정보, 관심 선호도, 성격, 생활 방식 등을 크게 반영할 수 있다.
현재의 사용자 APP 설치 특징은 one-hot 특징 및 APP 분류 통계 특징을 사용한다. APP의 수량이 상대적으로 많으므로, one-hot을 이용하므로 인해 특징 공간이 아주 커지게 되며, 아울러, one-hot은 상이한 APP 사이의 관련 관계를 표현하지 못하게 되어, 다운 스트림 태스크의 사용에 영향을 미치게 된다. APP 분류 통계 특징을 이용하는 것은 간단하고 용이하나, 동일 분류의 APP 사이의 차이 정보를 구분하지 못하게 된다.
상술한 배경 기술 부분에 제시된 하나 또는 다수의 기술적 문제를 해결하기 위하여, 본 출원의 실시예는 사용자 APP 관심을 임베딩하는 방법, 장치, 기기 및 저장 매체를 제공한다.
제1 양태에 있어서, 본 출원의 실시예는 사용자 APP 관심을 임베딩하는 방법을 제공하며, 해당 방법은, 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하되, 상기 APP는 APP ID 정보 및 APP 분류 정보를 포함하는 단계와, 상기 기존 APP 설치 목록 및 상기 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 사용자 APP 관심 임베딩 벡터를 획득하는 단계를 포함한다.
제2 양태에 있어서, 본 출원의 실시예는 사용자 APP 관심 임베딩 장치를 제공하며, 해당 장치는, 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하도록 구성되되, 상기 APP는 APP ID 정보 및 APP 분류 정보를 포함하는 획득 모듈과, 상기 기존 APP 설치 목록 및 상기 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 사용자 APP 관심 임베딩 벡터를 획득하도록 구성되는 출력 모듈을 포함한다.
제3 양태에 있어서, 본 출원의 실시예는 전자 기기를 제공하며, 해당 전자 기기는 적어도 하나의 프로세서와, 적어도 하나의 프로세서와 통신 연결되는 메모리 장치를 포함하되, 메모리 장치에는 적어도 하나의 프로세서에 의해 수행 가능한 명령어가 저장되고, 명령어는 적어도 하나의 프로세서에 의해 수행되어, 적어도 하나의 프로세서로 제1 양태 중의 임의의 하나의 구현 방식에 설명된 방법을 수행시킬 수 있다.
제4 양태에 있어서, 본 출원의 실시예는 컴퓨터 명령어가 저장되는 비 일시적 컴퓨터 판독 가능한 저장 매체를 제공하며, 컴퓨터 명령어는 컴퓨터로 제1 양태 중의 임의의 하나의 구현 방식에 설명된 방법을 수행시키도록 구성된다.
제5 양태에 있어서, 본 출원의 실시예는 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램을 제공하며, 컴퓨터 프로그램은 프로세서에 의해 실행될 경우 제1 양태 중 어느 한 구현 방식에 설명된 방법을 수행시키도록 구성된다.
본 출원의 실시예에서 제공하는 사용자 APP 관심을 임베딩하는 방법, 장치, 기기 및 저장 매체，먼저 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하고, 이어서 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 사용자 APP 관심 임베딩 벡터를 획득하고, 사용자 기존 APP 설치 목록 정보 및 최근 APP 설치 목록 정보를 결부함으로써, 사용자 APP 관심 임베딩 벡터는 사용자의 장기 관심 및 단기 관심을 동시에 반영할 수 있으며, APP ID 및 APP 분류를 결합함으로써, 롱테일 APP의 희소성 문제를 완화시키고, 사용자 APP 관심 임베딩 벡터의 표현 능력을 향상시킬 수 있다.
당해 부분에 설명되는 내용은 본 개시의 실시예의 관건적인 또는 중요한 특징을 표식하기 위한 것이 아니며, 본 개시의 범위를 한정하기 위한 것도 아님을 이해하여야 한다. 본 개시의 기타의 특징은 아래의 설명을 통해 용이하게 이해할 수 있을 것이다.
본 출원의 기타 특징, 과제 및 이점들은 아래의 첨부된 도면들을 참조하여 진행한 비 한정적인 실시예들에 대한 상세한 설명으로부터 명확해 질 것이다. 첨부된 도면은 본 방안을 더욱 잘 이해시키기 위한 것이며, 본 출원에 대한 한정을 구성하지 않는다.
도 1은 본 출원이 적용 가능한 예시적 체계 구조도이다.
도 2는 본 출원에 따른 사용자 APP 관심을 임베딩하는 방법의 일 실시예의 개략적 흐름도이다.
도 3은 본 출원의 실시예에 따른 사용자 APP 관심 임베딩 모델의 트레이닝 과정의 개략적 흐름도이다.
도 4는 본 출원에 따른 사용자 APP 관심을 임베딩하는 방법의 다른 일 실시예의 개략적 흐름도이다.
도 5는 본 출원에 따른 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하는 일 실시예의 개략적 흐름도이다.
도 6은 본 출원의 사용자 APP 관심 임베딩 장치의 일 실시예의 개략적 구성도이다.
도 7은 본 출원의 실시예의 사용자 APP 관심을 임베딩하는 방법을 구현하기 위한 전자 기기의 블록도이다.
이하, 첨부된 도면 및 실시예들을 결부하여 본 출원에 대한 보다 상세한 설명을 진행하기로 한다. 여기에 설명되는 구체적인 실시예들은 단지 관련된 발명을 해석하기 위한 것일 뿐, 해당 발명을 한정하기 위한 것이 아님을 이해할 수 있을 것이다. 또한, 설명의 편의를 위해 첨부된 도면에는 단지 관련 발명에 관한 부분만이 도시됨을 설명하고자 한다.
본 출원의 실시예 및 실시예 중의 특징들은 모순되지 않는 한 서로 조합될 수 있음을 설명하고자 한다. 이하, 첨부된 도면을 참조하고 실시예들을 결부하여 본 출원에 대한 상세한 설명을 진행하기로 한다.
도 1은 본 출원의 사용자 APP 관심을 임베딩하는 방법 또는 사용자 APP 관심 임베딩 장치의 실시예가 적용 가능한 예시적 체계 구조(100)를 나타낸다.
도 1에 도시된 바와 같이, 체계 구조(100)는 단말기 장치(101), 네트워크(102), 서버(103)를 포함할 수 있다. 네트워크(102)는 단말기 장치(101)와 서버(103) 사이에서 통신 링크의 매체를 제공하도록 이용된다. 네트워크(102)는 각종의 연결 유형을 포함할 수 있으며, 예를 들어, 유선 통신 링크, 무선 통신 링크 또는 광섬유 케이블 등을 포함할 수 있다.
단말기 장치(101)는 네트워크(102)를 통해 서버(103)와 교호를 진행할 수 있다. 단말기 장치(101)에서 사용자의 APP 설치 로그를 제공할 수 있으며, 데이터 베이스, 사용자 단말기 등을 포함하나, 이에 한정되지 않는다.
서버(103)는 각종의 서비스를 제공할 수 있으며, 예를 들어, 서버(103)는 단말기 장치(101)로부터 획득된 사용자의 APP 설치 로그 등의 데이터에 대해 분석 등의 처리를 진행하여, 처리 결과(예를 들어, 사용자 APP 관심 임베딩 벡터)를 생성할 수 있다.
서버(103)가 하드웨어일 경우, 다수의 서버로 구성된 분산형 서버 클러스터로 구현될 수 있으며, 단일의 서버로 구현될 수도 있음을 설명하고자 한다. 서버(103)가 소프트웨어일 경우, 다수의 소프트웨어 또는 소프트웨어 모듈(예컨대, 분산형 서비스를 제공하기 위한 다수의 소프트웨어 또는 소프트웨어 모듈)로 구현될 수 있으며, 단일의 소프트웨어 또는 소프트웨어 모듈로 구현될 수도 있다. 여기서 이에 대한 구체적인 한정을 진행하지 않는다.
본 개시의 실시예에서 제공하는 사용자 APP 관심을 임베딩하는 방법은 일반적으로 서버(103)에 의해 수행되며, 따라서, 사용자 APP 관심 임베딩 장치는 일반적으로 서버(103)에 설치되는 것을 설명하고자 한다.
도 1의 단말기 장치, 네트워크 및 서버의 수량은 단지 예시적인 것임을 이해하여야 한다. 구현 수요에 따라, 임의의 수량의 단말기 장치, 네트워크 및 서버를 구비할 수 있다.
계속하여 도 2를 참조하면, 이는 본 출원에 따른 사용자 APP 관심을 임베딩하는 방법의 일 실시예의 흐름(200)을 나타낸다. 해당 사용자 APP 관심을 임베딩하는 방법은 아래와 같은 단계들을 포함한다.
단계(201)에서, 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득한다.
본 실시예에 있어서, 사용자 APP 관심을 임베딩하는 방법의 수행 주체(예를 들어, 도 1에 도시된 서버(103))는 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득할 수 있다. 여기서, 사용자 기존 APP 설치 목록은 현재 시각에서 사용자 기존 APP 설치 목록을 가리킨다. 여기서, 사용자 기정 시간대 내의 APP 설치 목록은 현재 시각 전의 시간대 내의 APP 설치 목록을 가리킨다. 예를 들어, 기정 시간대를 2주 또는 1달로 설정할 수 있으며, 이러할 경우 최근 2주 또는 1달의 사용자의 APP 설치 목록을 획득할 수 있다. 본 실시예에 있어서, APP 설치 목록 중의 APP 정보는 APP ID 정보 및 APP 분류 정보를 포함한다. 구체적으로, 상이한 시스템에서의 동일한 APP의 다수의 APP 명칭을 하나의 APP ID 정보에 매핑할 수 있다. 여기서, APP 분류는 소셜 유형, 뉴스 유형, 쇼핑 유형, 예능 유형, 금융 유형, 생활 유형, 툴 유형 등을 포함한다.
단계(202)에서, 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 사용자 APP 관심 임베딩 벡터를 획득한다.
본 실시예에 있어서, 상술한 수행 주체는 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 사용자 APP 관심 임베딩 벡터를 획득할 수 있다. 여기의 사용자 APP 관심 임베딩 모델은 트레이닝되지 않은 사용자 APP 관심 임베딩 모델에 대해 트레이닝을 진행하여 획득된 것이다. 트레이닝되지 않은 사용자 APP 관심 임베딩 모델의 각 계층은 초기화 파라미터를 설정할 수 있으며, 트레이닝 과정에서 파라미터는 부단히 조절될 수 있다. 트레이닝되지 않은 사용자 APP 관심 임베딩 모델은 각종 유형의 트레이닝되지 않은 또는 트레이닝 완료되지 않은 인공 신경망 또는 다수의 트레이닝되지 않은 또는 트레이닝 완료되지 않은 인공 신경망에 대해 조합을 진행하여 획득된 모델일 수 있으며, 예를 들어, 트레이닝되지 않은 사용자 APP 관심 임베딩 모델은 트레이닝되지 않은 컨볼루션 신경망일 수 있으며, 트레이닝되지 않은 순환 신경망일 수도 있으며, 트레이닝되지 않은 컨볼루션 신경망, 트레이닝되지 않은 순환 신경망 및 트레이닝되지 않은 완전 연결 계층에 대해 조합을 진행하여 획득된 모델일 수도 있다.
본 실시예의 일부의 선택 가능한 실시예에 있어서, 상술한 트레이닝되지 않은 사용자 APP 관심 임베딩 모델은 트레이닝되지 않은 자동 인코딩(AutoEncoder) 네트워크 모델일 수 있다. 트레이닝되지 않은 자동 인코딩(AutoEncoder) 네트워크 모델의 각 계층은 초기화 파라미터를 설정할 수 있으며, 트레이닝된 자동 인코딩(AutoEncoder) 네트워크 모델이 획득될 때까지, 트레이닝 과정에서 파라미터를 부단히 조절할 수 있다. 자동 인코딩(AutoEncoder) 네트워크 모델을 이용하여, 사용자 APP 설치 행위의 태그 데이터에 의존하지 않고서, 무지도형 사용자 APP 설치 특징 임베딩을 구현할 수 있다.
기존의 기술에 비해, 본 출원의 실시예는 사용자 기존 APP 설치 목록 정보 및 최근 APP 설치 목록 정보를 결부시키고, 사용자 APP 관심 임베딩 벡터는 사용자의 장기 관심 및 단기 관심을 동시에 반영할 수 있으며, APP ID 정보 및 APP 분류 정보를 결부시킴으로써, 롱테일 APP의 희소성 문제를 완화시키고, 사용자 APP 관심 임베딩 벡터의 표현 능력을 향상시킬 수 있다.
나아가 도 3을 참조하면, 이는 본 출원의 실시예에 따른 사용자 APP 관심 임베딩 모델의 트레이닝 과정의 개략적 흐름도를 나타내며, 사용자 APP 관심 임베딩 모델을 트레이닝하는 단계는 아래와 같은 단계들을 포함한다.
단계(301)에서, 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득한다.
본 실시예에 있어서, 상술한 수행 주체는 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득할 수 있다. 여기서, 사용자 기정 시간대 내의 APP 설치 목록은 현재 시각 전의 시간대 내의 APP 설치 목록을 가리킨다. 예를 들어, 기정 시간대를 2주 또는 1달로 설정할 수 있으며, 이러할 경우 최근 2주 또는 1달의 사용자의 APP 설치 목록을 획득할 수 있다. 본 실시예에 있어서, APP 설치 목록 중의 APP 정보는 APP ID 정보 및 APP 분류 정보를 포함한다. 구체적으로, 상이한 시스템에서의 동일한 APP의 다수의 APP 명칭을 하나의 APP ID 정보에 매핑할 수 있다. 여기서, APP 분류는 소셜 유형, 뉴스 유형, 쇼핑 유형, 예능 유형, 금융 유형, 생활 유형, 도구 유형 등을 포함한다.
단계(302)에서, APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 임의로 설치하고, APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 스티칭하여, APP 임베딩 벡터를 획득한다.
본 실시예에 있어서, 상술한 수행 주체는 APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 임의로 설치하고, APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 스티칭하여, APP 임베딩 벡터를 획득할 수 있다. 사용자 APP 관심 임베딩 모델의 입력 데이터는 기존 APP 설치 목록 및 최근 APP 설치 목록을 포함하며, 각 APP는 APP ID 정보 및 분류 정보를 포함한다. 먼저, APP에 대해 임베딩을 진행하고, APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 임의로 설정하여야 하며, 차원은 각각 n1*v1, n2*v2이고, 여기서, n1은 APP 수량이고, v1은 APP ID 벡터 차원이며, n2는 APP 분류 수량이고, v2는 APP 분류 벡터 차원이다. APP의 임베딩 벡터는 APP ID 벡터와 APP 분류 벡터를 스티칭시켜 생성되고, 차원은 v1+v2이다. 이어서, 기존 APP 설치 목록 및 최근 APP 설치 목록에 대응하는 APP 임베딩 벡터를 각각 생성한다.
단계(303)에서, APP 설치 목록을 one-hot 특징으로 표시하고, one-hot 특징 및 APP 임베딩 벡터를 기반으로 기존 APP 설치 목록의 입력 벡터 및 기정 시간대 내의 APP 설치 목록의 입력 벡터를 각각 결정한다.
본 실시예에 있어서, 상술한 수행 주체는 APP 설치 목록을 one-hot 특징으로 표시하고, one-hot 특징 및 APP 임베딩 벡터를 기반으로 기존 APP 설치 목록의 입력 벡터 및 기정 시간대 내의 APP 설치 목록의 입력 벡터를 각각 결정할 수 있다. 구체적으로, 먼저 APP 설치 목록을 one-hot 특징으로 표시하고, 제m 차원에서, 1은 해당 APP를 설치한 것을 표시하고, 0은 해당 APP가 설치되지 않은 것을 표시하며, 여기서, m는 양의 정수이며, 이어서 APP 설치 목록의 one-hot 특징과 APP의 임베딩 벡터를 곱하여, 기존 APP 설치 목록의 입력 벡터 및 기정 시간대 내의 APP 설치 목록의 입력 벡터를 획득한다.
단계(304)에서, 사용자 APP 관심 임베딩 모델을 구축하고, 입력 벡터를 사용자 APP 관심 임베딩 모델에 입력한다.
본 실시예에 있어서, AutoEncoder 네트워크 모델을 구축하고, 기존 APP 설치 목록의 입력 벡터 및 기정 시간대 내의 APP 설치 목록의 입력 벡터를 AutoEncoder 네트워크 모델에 입력하고, AutoEncoder 네트워크 모델을 통해 사용자 APP 설치 행위에 대해 표현을 진행할 수 있다. 구체적으로, 먼저 각각 기존 APP 설치 목록 입력 벡터 및 최근 APP 설치 목록 입력 벡터에 대해 풀링 조작을 진행할 수 있으며, 풀링은 합계, 평균 및 최대치를 구하는 세 가지 방식을 포함하며, 다시 풀링 후의 결과를 스티칭하여, 차원이 2*3*(v1+v2)인 출력 벡터를 획득하며, 여기서, 2는 기존 APP 설치 목록 및 최근 APP 설치 목록의 두가지 입력을 표시하고, 3은 합계, 평균 및 최대치를 구하는 세가지 풀링 조작을 표시하며, v1+v2는 APP의 임베딩 벡터를 표시하며, 최종으로, N개의 은닉 계층 신경망 모델을 이용하여 사용자 APP 설치 행위에 대해 표현을 진행하며, 각 신경망 모델은 완전 연결과 활성화 함수로 조성될 수 있으며, 여기서, 앞으로 M 계층의 활성화 함수는 Relu를 이용하고, 마지막 계층은 sigmoID를 이용하며, 삼원 세트(f, W, b)로 표시하며, 여기서, f는 활성화 함수이고, w는 전량 연결 가중치를 표시하며, b는 완전 연결 편향을 표시한다. Xn가 신경망 모델의 출력을 표시하면, Xn=fn(Xn-1*Wn+bn)이고, Xn은 즉 AutoEncoder 네트워크 모델의 출력 벡터이다.
단계(305)에서, 사용자 APP 관심 임베딩 모델에 대응하는 디코딩 네트워크 모델을 구축하고, 사용자 APP 관심 임베딩 모델의 출력을 디코딩 네트워크 모델의 입력으로 이용한다.
본 실시예에 있어서, 상술한 수행 주체는 사용자 APP 관심 임베딩 모델에 대응하는 디코딩 네트워크 모델을 구축하고, 사용자 APP 관심 임베딩 모델의 출력을 디코딩 네트워크 모델의 입력으로 이용할 수 있다. 구체적으로, 디코딩 네트워크 모델은 Decoder1 모듈 및 Decoder2 모듈을 포함한다. 여기서, 먼저 AutoEncoder 네트워크 모델과 같이 역방향인 N개의 은닉 계층 신경망 모델을 이용하며, 예를 들어, AutoEncoder 네트워크 모델 은닉 계층의 크기는 [h1,h2,h3]이고, 여기서, h1은 입력이고, h2와 h3은 은닉 계층 출력이며, 이러할 경우, Decoder1 모듈 은닉 계층의 크기는 [h3,h2,h1]이며, 여기서, h3은 입력이고, h2와 h1은 은닉 계층 출력이다. 이어서, Decoder2 모듈은 Decoder1 모듈 출력에 대해 디코딩을 진행하며, 디코딩은 N개의 완전 연결과 sigmoID 활성화 함수 모델을 이용하여, 각각 기존 APP 설치 목록 및 최근 APP 설치 목록의 one-hot 특징을 획득한다. 완전 연결의 입력의 크기는 Decoder1의 출력 h1이고, 완전 연결의 출력의 크기는 APP 수량 n1이다.
단계(306)에서, 디코딩 네트워크 모델의 기존 APP 설치 목록의 디코딩 오류 및 최근 APP 설치 목록의 디코딩 오류를 기반으로 역방향 전파를 진행하고, 사용자 APP 관심 임베딩 모델이 수렴하도록, APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 조절한다.
본 실시예에 있어서, 손실 함수는 MSE 평균 제곱 오차를 이용하고, 모델 손실은 두개의 부분으로 조성되며, loss1은 기존 APP 설치 목록의 디코딩 오류이고, loss2는 최근 APP 설치 목록의 디코딩 오류이며, 전반적인 loss=loss1+a*loos2이며, 여기서, a는 튜닝 가중치이다. loss를 기반으로 역방향 전파를 진행하고, 사용자 APP 관심 임베딩 모델이 최대 반복 횟수로 수렵 또는 달할 때까지, 파라미터, APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 업데이트한다.
계속하여 도 4를 참조하면, 이는 본 출원에 따른 사용자 APP 관심을 임베딩하는 방법의 다른 일 실시예의 흐름(400)을 나타낸다. 해당 사용자 APP 관심을 임베딩하는 방법은 아래와 같은 단계들을 포함한다.
단계(401)에서, 정기적인 시간대에 따라, 사용자의 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 정기적으로 획득한다.
본 실시예에 있어서, 정기적인 시간대는 사용자의 수요에 따라 특정된 시간 길이로 설정할 수 있으며, 예를 들어, 정기적인 시간대는 2주 또는 1달로 설정할 수 있으며, 이러할 경우, 2주 또는 1달마다 사용자의 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득할 수 있다.
단계(402)에서, 정기적으로 획득한 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 정기적인 시간대에 대응하는 사용자 APP 관심 임베딩 벡터를 획득한다.
본 실시예에 있어서, 상술한 수행 주체는 정기적으로 획득한 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 상응한 사용자 APP 관심 임베딩 벡터를 획득할 수 있다. 예를 들어, 정기적인 시간대는 2주 또는 1달로 설정하고, 이러할 경우, 2주 또는 1달마다 사용자의 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 2주 또는 1달마다 사용자 APP 관심 임베딩 벡터를 획득할 수 있다.
단계(403)에서, 정기적인 시간대에 대응하는 사용자 APP 관심 임베딩 벡터를 키-값 라이브러리에 저장한다.
본 실시예에 있어서, 상술한 수행 주체는 정기적으로 획득한 사용자 APP 관심 임베딩 벡터를 키-값(Key-value) 라이브러리에 저장할 수 있다.
본 실시예에 있어서, 정기적인 시간대를 설정하고, 사용자의 APP 관심 임베딩 벡터를 정기적으로 획득하고, 이를 키-값 라이브러리에 저장함으로써, 사용자의 APP 관심 표현 벡터가 빈번히 업데이트되고 요청량이 큰 것으로 인해 사용자 APP 관심 임베딩 모델 예측 압력이 커지는 것을 초래하는 문제점을 해결할 수 있다.
계속하여 도 5를 참조하면, 이는 본 출원에 따른 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하는 일 실시예의 개략적 흐름도를 나타낸다.
도 5에 도시된 바와 같이, 해당 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하는 단계는 아래와 같은 단계들을 포함한다.
단계(501)에서, 사용자의 APP 설치 로그를 수집하고, APP 설치 로그 중의 APP 설치 정보를 시간과 관련시킨다.
본 실시예에 있어서, 상술한 수행 주체는 사용자의 APP 설치 로그를 수집하고, 시간과 관련시킬 수 있으며, 일 사용자의 상이한 시각의 APP 설치 정보를 상이한 샘플로 이용한다.
단계(502)에서, APP에 대해 사용자량 통계를 진행하고, APP의 사용자량에 따라 특정 수량의 APP 집합을 선별하다.
본 실시예에 있어서, 상술한 수행 주체는 APP에 대해 사용자량 통계를 진행하고, 사용자 피복률 또는 top k개의 방법을 통해 후보 n개의 APP 집합을 선별할 수 있으며, 여기서, k 및 n는 모두 양의 정수이다.
단계(503)에서, APP 집합에 따라 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록에 대해 통계를 진행한다.
본 실시예에 있어서, 상술한 수행 주체는 특정된 시각에서의 사용자의 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록에 대해 통계를 진행할 수 있으며, 예를 들어, 기정 시간대는 2주 또는 1달로 설정될 수 있다.
단계(504)에서, APP 설치 목록 중의 APP ID 정보 및 APP 분류 정보를 수집한다.
본 실시예에 있어서, 상술한 수행 주체는 APP에 대응하는 미세입도 분류 정보를 수집 또는 생성할 수 있으며, 각 APP는 APP ID 정보 및 분류 정보를 포함한다.
나아가 도 6을 참조하면, 이는 상술한 각 도면에 도시된 방법의 구현으로서, 본 출원은 사용자 APP 관심을 임베딩하는 일 실시예를 제공하며, 해당 장치 실시예는 도 2에 도시된 방법 실시예에 대응되며, 해당 장치는 구체적으로 각종의 전자 기기에 적용될 수 있다.
도 6에 도시된 바와 같이, 본 실시예의 사용자 APP 관심 임베딩 장치(600)는 획득 모듈(601) 및 출력 모듈(602)을 포함할 수 있다. 여기서, 획득 모듈(601)은, 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하도록 구성되되, 상기 APP는 APP ID 정보 및 APP 분류 정보를 포함하고, 출력 모듈(602)은, 상기 기존 APP 설치 목록 및 상기 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 사용자 APP 관심 임베딩 벡터를 획득하도록 구성된다.
본 실시예에 있어서, 사용자 APP 관심 임베딩 장치(600)에 있어서, 획득 모듈(601) 및 출력 모듈(602)의 구체적인 처리 및 이로 실현하는 기술적 효과는 각각 도 2의 대응되는 실시예 중의 단계(201) 내지 단계(202)의 관련 설명을 참조할 수 있으며, 여기서 이에 대한 중복된 설명은 생략하기로 한다.
본 실시예의 일부의 선택 가능한 구현 방식에 있어서, 상기 장치는 트레이닝 모듈을 더 포함하고, 상기 트레이닝 모듈은, 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하도록 구성되되, 상기 APP는 APP ID 정보 및 APP 분류 정보를 포함하는 획득 서브 모듈과, APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 임의로 설치하고, 상기 APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 스티칭하여, APP 임베딩 벡터를 획득하도록 구성되는 초기화 서브 모듈과, 상기 APP 설치 목록을 one-hot 특징으로 표현하고, 상기 one-hot 특징 및 상기 APP 임베딩 벡터를 기반으로 기존 APP 설치 목록의 입력 벡터 및 기정 시간대 내의 APP 설치 목록의 입력 벡터를 각각 결정하도록 구성되는 벡터화 서브 모듈과, 사용자 APP 관심 임베딩 모델을 구축하고, 상기 입력 벡터를 상기 사용자 APP 관심 임베딩 모델에 입력하도록 구성되는 임베딩 모델 구축 서브 모듈과, 상기 사용자 APP 관심 임베딩 모델에 대응하는 디코딩 네트워크 모델을 구축하고, 상기 사용자 APP 관심 임베딩 모델의 출력을 상기 디코딩 네트워크 모델의 입력으로 이용하도록 구성되는 디코딩 모델 구축 서브 모듈과, 상기 디코딩 네트워크 모델의 기존 APP 설치 목록의 디코딩 오류 및 기정 시간대 내의 APP 설치 목록의 디코딩 오류를 기반으로 역방향 전파를 진행하고, 상기 사용자 APP 관심 임베딩 모델이 수렴하도록, APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 조절하도록 구성되는 튜닝 서브 모듈을 포함한다.
본 실시예의 일부의 선택 가능한 구현 방식에 있어서, 정기적인 시간대에 따라, 사용자의 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 정기적으로 획득하도록 구성되되, 상기 APP는 APP ID 정보 및 APP 분류 정보를 포함하는 정기적 획득 모듈과, 상기 정기적인 시간대에 대응하는 사용자 APP 관심 임베딩 벡터를 키-값 라이브러리에 저장하도록 구성되는 저장 모듈을 더 포함하되, 상기 출력 모듈은, 상기 정기적으로 획득한 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 상기 정기적인 시간대에 대응하는 사용자 APP 관심 임베딩 벡터를 획득하도록 더 구성된다.
본 실시예의 일부의 선택 가능한 구현 방식에 있어서, 상기 획득 모듈은, 사용자의 APP 설치 로그를 수집하고, 상기 APP 설치 로그 중의 APP 설치 정보를 시간과 관련시키도록 구성되는 수집 서브 모듈과, APP에 대해 사용자량 통계를 진행하고, APP의 사용자량에 따라 특정 수량의 APP 집합을 선별하도록 구성되는 선별 서브 모듈과, 상기 APP 집합에 따라 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록에 대해 통계를 진행하도록 구성되는 통계 서브 모듈과, 상기 APP 설치 목록 중의 APP ID 정보 및 APP 분류 정보를 수집하도록 구성되는 채집 서브 모듈을 포함한다.
본 실시예의 일부의 선택 가능한 구현 방식에 있어서, 상기 사용자 APP 관심 임베딩 모델은 자체 인코딩 네트워크 모델이다.
도 7에 도시된 바와 같이, 이는 본 출원의 실시예에 따른 사용자 APP 관심을 임베딩하는 방법의 전자 기기의 블록도이다. 전자 기기는 각종 형식의 디지털 컴퓨터, 예컨대 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크 스테이션, 개인용 디지털 어시스턴트, 서버, 블레이드 서버, 메인 프레임 컴퓨터 및 기타 적합한 컴퓨터를 가리키고자 한다. 전자 기기는 각종 형식의 이동 장치, 예컨대, 개인 디지털 처리 장치, 휴대폰, 스마트 폰, 웨어러블 장치 및 기타 유사한 컴퓨팅 장치를 가리킬 수도 있다. 본원에 도시된 부재, 이들의 연결 및 관계, 및 이들의 기능은 단지 예시적인 것이며, 본 원에 설명된 및/또는 요구되는 본 출원의 구현을 한정하고자 하지 않는다.
도 7에 도시된 바와 같이, 해당 전자 기기는, 하나 또는 다수의 프로세서(701), 메모리 장치(702), 및 고속 인터페이스와 저속 인터페이스를 포함하여 각 부재를 연결하기 위한 인터페이스를 포함한다. 각 부재는 상이한 버스라인을 이용하여 서로 연결되며, 공동 메인 보드에 장착되거나 수요에 따라 기타의 방식으로 장착될 수 있다. 프로세서는 전자 기기 내에서 실행되는 명령어에 대해 처리를 진행할 수 있으며, 메모리 장치에 또는 메모리 장치 상에 저장되어 외부 입력/출력 장치(예컨대, 인터페이스에 연결된 표지 장치) 상에서 GUI를 나타내는 도형 정보의 명령어를 포함한다. 기타의 실시예에 있어서, 필요할 경우, 다수의 프로세서 및/또는 다수의 버스라인과 다수의 메모리 장치를 함께 사용할 수 있다. 마찬가지로, 다수의 전자 기기를 연결할 수 있으며, 각 전자 기기는 일부의 필요한 조작(예컨대, 서버 어레이, 일 그룹의 블레이드 서버, 또는 다중 프로세서 시스템)을 제공한다. 도 7에서는 하나의 프로세서(701)를 예로 든다.
메모리 장치(702)는 즉 본 출원에서 제공하는 비 일시적 컴퓨터 판독 가능한 저장 매체이다. 여기서, 상기 메모리 장치에는 적어도 하나의 프로세서에 의해 실행 가능한 명령어가 저장되어, 상기 적어도 하나의 프로세서로 본 출원에서 제공하는 사용자 APP 관심을 임베딩하는 방법을 실행한다. 본 출원의 비 일시적 컴퓨터 판독 가능한 저장 매체는 컴퓨터 명령어를 저장하고, 해당 컴퓨터 명령어는 컴퓨터로 본 출원에서 제공하는 사용자 APP 관심을 임베딩하는 방법을 실행시키도록 구성된다.
메모리 장치(702)는 비 일시적 컴퓨터 판독 가능한 저장 매체로서, 본 출원의 실시예 중의 사용자 APP 관심을 임베딩하는 방법에 대응하는 프로그램 명령어/모듈(예컨대, 도 6에 도시된 획득 모듈(601) 및 출력 모듈(602))과 같은 비 일시적 소프트웨어 프로그램, 비 일시적 컴퓨터로 실행 가능한 프로그램 및 모듈을 저장하도록 구성될 수 있다. 프로세서(701)는 메모리 장치(702)에 저장된 비 일시적 소프트웨어 프로그램, 명령어 및 모듈을 운행시킴으로써, 서버의 각종의 기능 응용 및 데이터 처리를 실행하며, 즉, 상술한 방법 실시예 중의 사용자 APP 관심을 임베딩하는 방법을 구현한다.
메모리 장치(702)는 프로그램 저장 구간 및 데이터 저장 구간을 포함할 수 있으며, 여기서, 프로그램 저장 구간은 운영 체제, 적어도 하나의 기능에 필요한 응용 프로그램을 저장할 수 있으며, 데이터 저장 구간은 사용자 APP 관심을 임베딩하는 방법의 전자 기기의 사용에 따라 구축되는 데이터 등을 저장할 수 있다. 또한, 메모리 장치(702)는 고속 랜덤 액세스 메모리 장치를 포함할 수 있으며, 비 일시적 메모리 장치, 예컨대, 적어도 하나의 자기 디스크 메모리 소자, 플래시 소자 또는 기타 비 일시적 솔리드 스테이트 메모리 소자를 더 포함할 수 있다. 일부의 실시예에 있어서, 메모리 장치(702)는 선택적으로 프로세서(701)에 대해 원격으로 설치된 메모리 장치를 포함하며, 이러한 원격 메모리 장치는 네트워크를 통해 사용자 APP 관심을 임베딩하는 방법의 전자 기기에 연결될 수 있다. 상술한 네트워크의 예시는 인터넷, 기업 인트라넷, 근거리 통신망, 이동 통신망 및 이들의 조합을 포함하나, 이에 한정되지 않는다.
사용자 APP 관심을 임베딩하는 방법의 전자 기기는 입력 장치(703) 및 출력 장치(704)를 더 포함할 수 있다. 프로세서(701), 메모리 장치(702), 입력 장치(703) 및 출력 장치(704)는 버스라인 또는 기타의 방식으로 연결될 수 있으며, 도 7에서는 버스라인을 통해 연결되는 것을 예로 든다.
입력 장치(703)는 입력되는 디지털 또는 문자 정보를 수신하고, 사용자 APP 관심을 임베딩하는 방법의 전자 기기의 사용자 설정 및 기능 제어에 관련된 키 신호 입력를 발생할 수 있으며, 예컨대, 터치 스크린, 키패드, 마우스, 트랙 패드, 터치 패드, 지시 레버, 하나 또는 다수의 마우스 버튼, 트랙 볼, 조작 레버 등의 입력 장치이다. 출력 장치(704)는 표시 장치, 보조 조명 장치(예컨대, LED) 및 터치 피드백 장치(예컨대, 진동 모터) 등을 포함할 수 있다. 해당 표시 장치는 액정 표시 장치(LCD), 발광 다이오드(LED) 표시 장치 및 플라즈마 표시 장치를 포함할 수 있으나, 이에 한정되지 않는다. 일부의 실시예에 있어서, 표시 장치는 터치 스크린일 수 있다.
본 원에 설명된 시스템 및 기술의 각종의 실시예는 디지털 전자 회로 시스템, 집적 회로 시스템, 특정 ASIC(주문형 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 구현될 수 있다. 이러한 각종의 실시예는, 하나 또는 다수의 컴퓨터 프로그램에서 실시되는 것을 포함할 수 있고, 해당 하나 또는 다수의 컴퓨터 프로그램은 적어도 하나의 프로그래밍 가능한 프로세서를 포함하는 프로그래밍 가능한 시스템 상에서 실행 및/또는 해석될 수 있으며, 해당 프로그래밍 가능한 프로세서는 특정 또는 범용 프로그래밍 가능한 프로세서일 수 있으며, 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치로부터 데이터 및 명령어를 수신할 수 있으며, 데이터 및 명령어는 해당 저장 시스템, 해당 적어도 하나의 입력 장치 및 해당 적어도 하나의 출력 장치에 전송된다.
이러한 컴퓨팅 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 또는 코드로도 지칭됨)은 프로그래밍 가능한 프로세서의 기계 명령어를 포함하고, 고급 공정 및/또는 객체 지향의 프로그래밍 언어 및/또는 편집/기계 언어를 이용하여 컴퓨팅 프로그램을 실시할 수 있다. 본 원에 사용되는 바와 같이, 용어 "기계 판독 가능한 매체" 및 "컴퓨터 판독 가능한 매체"는 기계 명령어 및/또는 데이터를 프로그래밍 가능한 프로세서에 제공하기 위한 임의의 검퓨터 프로그램 제품, 기기 및/또는 장치(예컨대, 자기 디스크, 광학 디스크, 메모리 장치, 프로그래밍 가능한 논리 장치(PLD))를 가리키며, 기계 판독 가능한 신호인 기계 명령어를 수신하는 기계 판독 가능한 매체를 포함한다. 용어 "기계 판독 가능한 신호"는 기계 명령어 및/또는 데이터를 프로그래밍 가능한 프로세서에 제공하기 위한 임의의 신호를 가리킨다.
사용자와의 상호 작용을 제공하기 위하여, 컴퓨터 상에서 본 원에 설명된 시스템 및 기술을 실시할 수 있으며, 해당 컴퓨터는 사용자에게 정보를 나타내기 위한 표시 장치(예컨대, CRT(음극관) 또는 LCD(액정 표시 장치) 모니터), 및 키보드 및 지향 장치(예컨대, 마우스 또는 트랙볼)를 구비하며, 사용자는 해당 키보드 및 해당 지향 장치를 통해 입력을 컴퓨터에 제공할 수 있다. 기타 유형의 장치는 사용자와의 상호 작용을 제공하도록 더 구성될 수 있으며, 예를 들어, 사용자에게 제공하는 피드백은 임의의 형식의 감지 피드백(예컨대, 시각 피드백, 청각 피드백 또는 촉각 피드백)일 수 있으며, 임의의 형식(음향 입력, 음성 입력 또는 터치 입력)으로 사용자의 입력을 수신할 수 있다.
본 원에 설명된 시스템 및 기술은 백 엔드 부재를 포함하는 컴퓨팅 시스템(예컨대, 데이터 서버로서) 또는 중간 부재를 포함하는 컴퓨팅 시스템(예컨대, 응용 서버) 또는 프런트 엔드 부재를 포함하는 컴퓨팅 시스템(예컨대, 그래픽 사용자 인터페이스 또는 웹 브라우저를 구비하는 사용자 컴퓨터, 사용자는 해당 그래픽 사용자 인터페이스 또는 해당 웹 브라우저를 통해 본 원에 설명된 시스템 및 기술의 실시예를 통해 상호 작용을 진행할 수 있음) 또는 이러한 백 엔드 부재, 중간 부재 또는 프런트 엔드 부재를 포함하는 임의의 조공감 컴퓨팅 시스템에서 실시될 수 있다. 시스템의 부재는 임의의 형식 또는 매체의 디지털 데이터 통신(통신망)을 통해 서로 연결될 수 있다. 통신망의 예시는 근거리 통신망(LAN), 광역 통신망(WAN), 및 인터넷을 포함한다.
컴퓨터 시스템은 클라이언트 측 및 서버를 포함할 수 있다. 클라이언트 측과 서버는 일반적으로 서로 멀리 떨어져 있으며, 통상적으로 통신망를 통해 상호 작용을 진행한다. 클라이언트 측과 서버의 관계는 상응한 컴퓨터 상에서 운행되고 서로 클라이언트 측-서버 관계를 구비하는 컴퓨터 프로그램을 통해 발생한다.
본 출원의 기술적 방안에 의하면, 먼저 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하고, 이어서 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 사용자 APP 관심 임베딩 벡터를 획득하고, 사용자 기존 APP 설치 목록 정보 및 최근 APP 설치 목록 정보를 결부함으로써, 사용자 APP 관심 임베딩 벡터는 사용자의 장기 관심 및 단기 관심을 동시에 반영할 수 있으며, APP ID 및 APP 분류를 결부함으로써, 롱테일 APP의 희소성 문제를 완화시키고, 사용자 APP 관심 임베딩 벡터의 표현 능력을 향상시킬 수 있다.
앞서 도시된 각종 형식의 흐름을 사용하거나, 단계에 대한 재 배열, 추가 또는 삭제를 진행할 수 있음을 이해하여야 한다. 예를 들어, 본 출원에 개시된 기술적 방안의 원하는 결과를 실현할 수만 있다면, 본 출원에 기재된 각 단계는 병렬로 실행될 수 있으며, 순차적으로 실행될 수도 있으며, 상이한 순서로 실행될 수도 있으며, 본 원에서 이에 대한 한정을 진행하지 않는다.
상술한 구체적은 실시예는 본 출원의 보호 범위에 대한 한정을 구성하지 않는다. 설계 요구 및 기타의 요소에 따라 각종의 수정, 조합, 서브 조합 및 대체를 진행할 수 있음을 당해 기술 분야의 당업자는 자명할 것이다. 본 출원의 사상 및 원칙 내에서 진행하는 임의의 수정, 균등한 대체 및 개선 등은 모두 본 출원의 보호 범위 내에 포함되어야 한다.

Claims (13)

  1. 사용자 APP 관심을 임베딩하는 장치의 프로세서에 의해 실행되는 사용자 APP 관심을 임베딩하는 방법에 있어서,
    사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하되, 상기 APP 설치 목록은 APP ID 정보 및 APP 분류 정보를 포함하는 단계와,
    상기 기존 APP 설치 목록 및 상기 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하고, 상기 사용자 APP 관심 임베딩 모델은 상기 APP ID 정보의 벡터와 상기 APP 분류 정보의 벡터를 스티칭하여 APP 임베딩 벡터를 획득하고, 상기 APP 설치 목록의 one-hot 특징과 상기 APP 임베딩 벡터를 곱하여 상기 사용자 기존 APP 설치 목록의 입력 벡터와 상기 기정 시간대 내의 APP 설치 목록의 입력 벡터를 얻으며, 상기 사용자 기존 APP 설치 목록의 입력 벡터와 상기 기정 시간대 내의 APP 설치 목록의 입력 벡터에 대해 풀링 조작을 진행하여 사용자 APP 관심 임베딩 벡터를 획득하는 단계를 포함하는 사용자 APP 관심을 임베딩하는 방법.
  2. 제1항에 있어서,
    상기 사용자 APP 관심 임베딩 모델은,
    사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하되, 상기 APP 설치 목록은 APP ID 정보 및 APP 분류 정보를 포함하고,
    APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 임의로 설치하고, 상기 APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 스티칭하여, APP 임베딩 벡터를 획득하고,
    상기 APP 설치 목록을 one-hot 특징으로 표현하고, 상기 one-hot 특징 및 상기 APP 임베딩 벡터를 기반으로 기존 APP 설치 목록의 입력 벡터 및 기정 시간대 내의 APP 설치 목록의 입력 벡터를 각각 결정하고,
    사용자 APP 관심 임베딩 모델을 구축하고, 상기 입력 벡터를 상기 사용자 APP 관심 임베딩 모델에 입력하고,
    상기 사용자 APP 관심 임베딩 모델에 대응하는 디코딩 네트워크 모델을 구축하고, 상기 사용자 APP 관심 임베딩 모델의 출력을 상기 디코딩 네트워크 모델의 입력으로 이용하고,
    상기 디코딩 네트워크 모델의 기존 APP 설치 목록의 디코딩 오류 및 기정 시간대 내의 APP 설치 목록의 디코딩 오류를 기반으로 역방향 전파를 진행하고, 상기 사용자 APP 관심 임베딩 모델이 수렴하도록, APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 조절하는 방식을 통해 트레이닝되는 사용자 APP 관심을 임베딩하는 방법.
  3. 제1항에 있어서,
    정기적인 시간대에 따라, 사용자의 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 정기적으로 획득하되, 상기 APP 설치 목록은 APP ID 정보 및 APP 분류 정보를 포함하는 단계와,
    상기 정기적으로 획득한 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 상기 정기적인 시간대에 대응하는 사용자 APP 관심 임베딩 벡터를 획득하는 단계와,
    상기 정기적인 시간대에 대응하는 사용자 APP 관심 임베딩 벡터를 키-값 라이브러리에 저장하는 단계를 더 포함하는 사용자 APP 관심을 임베딩하는 방법.
  4. 제2항에 있어서,
    사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하는 단계는,
    사용자의 APP 설치 로그를 수집하고, 상기 APP 설치 로그 중의 APP 설치 정보를 시간과 관련시키는 단계와,
    APP에 대해 사용자량 통계를 진행하고, APP의 사용자량에 따라 특정 수량의 APP 집합을 선별하는 단계와,
    상기 APP 집합에 따라 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록에 대해 통계를 진행하는 단계와,
    상기 APP 설치 목록 중의 APP ID 정보 및 APP 분류 정보를 수집하는 단계를 포함하는 사용자 APP 관심을 임베딩하는 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 사용자 APP 관심 임베딩 모델은 자체 인코딩 네트워크 모델인 사용자 APP 관심을 임베딩하는 방법.
  6. 사용자 APP 관심 임베딩 장치에 있어서,
    사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하도록 구성되되, 상기 APP 설치 목록은 APP ID 정보 및 APP 분류 정보를 포함하는 획득 모듈과,
    상기 기존 APP 설치 목록 및 상기 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하고, 상기 사용자 APP 관심 임베딩 모델은 상기 APP ID 정보의 벡터와 상기 APP 분류 정보의 벡터를 스티칭하여 APP 임베딩 벡터를 획득하고, 상기 APP 설치 목록의 one-hot 특징과 상기 APP 임베딩 벡터를 곱하여 상기 사용자 기존 APP 설치 목록의 입력 벡터와 상기 기정 시간대 내의 APP 설치 목록의 입력 벡터를 얻으며, 상기 사용자 기존 APP 설치 목록의 입력 벡터와 상기 기정 시간대 내의 APP 설치 목록의 입력 벡터에 대해 풀링 조작을 진행하여 사용자 APP 관심 임베딩 벡터를 획득하도록 구성되는 출력 모듈을 포함하는 사용자 APP 관심 임베딩 장치.
  7. 제6항에 있어서,
    상기 장치는 트레이닝 모듈을 더 포함하되,
    상기 트레이닝 모듈은,
    사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 획득하도록 구성되되, 상기 APP 설치 목록은 APP ID 정보 및 APP 분류 정보를 포함하는 획득 서브 모듈과,
    APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 임의로 설치하고, 상기 APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 스티칭하여, APP 임베딩 벡터를 획득하도록 구성되는 초기화 서브 모듈과,
    상기 APP 설치 목록을 one-hot 특징으로 표현하고, 상기 one-hot 특징 및 상기 APP 임베딩 벡터를 기반으로 기존 APP 설치 목록의 입력 벡터 및 기정 시간대 내의 APP 설치 목록의 입력 벡터를 각각 결정하도록 구성되는 벡터화 서브 모듈과,
    사용자 APP 관심 임베딩 모델을 구축하고, 상기 입력 벡터를 상기 사용자 APP 관심 임베딩 모델에 입력하도록 구성되는 임베딩 모델 구축 서브 모듈과,
    상기 사용자 APP 관심 임베딩 모델에 대응하는 디코딩 네트워크 모델을 구축하고, 상기 사용자 APP 관심 임베딩 모델의 출력을 상기 디코딩 네트워크 모델의 입력으로 이용하도록 구성되는 디코딩 모델 구축 서브 모듈과,
    상기 디코딩 네트워크 모델의 기존 APP 설치 목록의 디코딩 오류 및 기정 시간대 내의 APP 설치 목록의 디코딩 오류를 기반으로 역방향 전파를 진행하고, 상기 사용자 APP 관심 임베딩 모델이 수렴하도록, APP ID 질의 벡터 테이블 및 APP 분류 질의 벡터 테이블을 조절하도록 구성되는 튜닝 서브 모듈을 포함하는 사용자 APP 관심 임베딩 장치.
  8. 제6항에 있어서,
    정기적인 시간대에 따라, 사용자의 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 정기적으로 획득하도록 구성되되, 상기 APP 설치 목록은 APP ID 정보 및 APP 분류 정보를 포함하는 정기적 획득 모듈과,
    상기 정기적인 시간대에 대응하는 사용자 APP 관심 임베딩 벡터를 키-값 라이브러리에 저장하도록 구성되는 저장 모듈을 더 포함하되,
    상기 출력 모듈은, 상기 정기적으로 획득한 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록을 미리 트레이닝한 사용자 APP 관심 임베딩 모델에 입력하여, 상기 정기적인 시간대에 대응하는 사용자 APP 관심 임베딩 벡터를 획득하도록 더 구성되는 사용자 APP 관심 임베딩 장치.
  9. 제7항에 있어서,
    상기 획득 모듈은,
    사용자의 APP 설치 로그를 수집하고, 상기 APP 설치 로그 중의 APP 설치 정보를 시간과 관련시키도록 구성되는 수집 서브 모듈과,
    APP에 대해 사용자량 통계를 진행하고, APP의 사용자량에 따라 특정 수량의 APP 집합을 선별하도록 구성되는 선별 서브 모듈과,
    상기 APP 집합에 따라 사용자 기존 APP 설치 목록 및 기정 시간대 내의 APP 설치 목록에 대해 통계를 진행하도록 구성되는 통계 서브 모듈과,
    상기 APP 설치 목록 중의 APP ID 정보 및 APP 분류 정보를 수집하도록 구성되는 채집 서브 모듈을 포함하는 사용자 APP 관심 임베딩 장치.
  10. 제7항 내지 제9항 중 어느 한 항에 있어서,
    상기 사용자 APP 관심 임베딩 모델은 자체 인코딩 네트워크 모델인 사용자 APP 관심 임베딩 장치.
  11. 전자 기기에 있어서,
    적어도 하나의 프로세서와,
    상기 적어도 하나의 프로세서에 통신 연결되는 메모리 장치를 포함하되,
    상기 메모리 장치에는 상기 적어도 하나의 프로세서에 의해 수행 가능한 명령어가 저장되고, 상기 명령어는 상기 적어도 하나의 프로세서에 의해 수행되어, 제1항에 따른 사용자 APP 관심 임베딩 방법을 수행하도록 하는 것을 특징으로 하는 전자 기기.
  12. 컴퓨터 명령어가 저장되는 비 일시적 컴퓨터 판독 가능한 저장 매체에 있어서,
    상기 컴퓨터 명령어는 컴퓨터가 제1항에 따른 사용자 APP 관심 임베딩 방법을 수행하도록 하는 비 일시적 컴퓨터 판독 가능한 저장 매체.
  13. 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 프로세서에 의해 실행될 경우 제1항에 따른 사용자 APP 관심 임베딩 방법을 수행하도록 하는 컴퓨터 프로그램.

KR1020210034624A 2020-09-21 2021-03-17 사용자 app 관심을 임베딩하는 방법, 장치, 기기, 저장 매체 및 프로그램 KR102607359B1 (ko)

Applications Claiming Priority (2)

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

Publications (2)

Publication Number Publication Date
KR20210037631A KR20210037631A (ko) 2021-04-06
KR102607359B1 true KR102607359B1 (ko) 2023-11-29

Family

ID=73521584

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210034624A KR102607359B1 (ko) 2020-09-21 2021-03-17 사용자 app 관심을 임베딩하는 방법, 장치, 기기, 저장 매체 및 프로그램

Country Status (5)

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

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392149B (zh) * 2021-06-15 2022-09-13 浙江大学 一种基于多源异构数据融合的贷款逾期预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130117329A1 (en) * 2011-11-03 2013-05-09 International Business Machines Corporation Providing relevant product reviews to the user to aid in purchasing decision
CN110765352A (zh) * 2019-10-11 2020-02-07 上海上湖信息技术有限公司 一种用户兴趣识别方法及装置
US20200107072A1 (en) * 2018-10-02 2020-04-02 Adobe Inc. Generating user embedding representations that capture a history of changes to user trait data

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100332326A1 (en) * 2008-02-13 2010-12-30 Ron Ishai System And Methods For Positioning Information From A Plurality Of Users
CN108062342A (zh) * 2016-11-08 2018-05-22 北京国双科技有限公司 应用程序的推荐方法及装置
EP3454260A1 (en) * 2017-09-11 2019-03-13 Tata Consultancy Services Limited Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof
CN107861938B (zh) * 2017-09-21 2020-09-25 北京三快在线科技有限公司 一种poi文案生成方法及装置，电子设备
CN107729560A (zh) * 2017-11-08 2018-02-23 北京奇虎科技有限公司 基于大数据的用户画像构造方法、装置及计算设备
CN108921221B (zh) * 2018-07-04 2022-11-18 腾讯科技（深圳）有限公司 用户特征的生成方法、装置、设备及存储介质
KR20210015524A (ko) * 2019-08-02 2021-02-10 삼성전자주식회사 사용자 관심도의 산출 방법 및 이를 지원하는 전자 장치
CN111242748B (zh) * 2020-02-21 2023-04-07 腾讯科技（深圳）有限公司 用于向用户推荐项目的方法、装置和存储介质
CN111523007B (zh) * 2020-04-27 2023-12-26 北京百度网讯科技有限公司 用户感兴趣信息确定方法、装置、设备以及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130117329A1 (en) * 2011-11-03 2013-05-09 International Business Machines Corporation Providing relevant product reviews to the user to aid in purchasing decision
US20200107072A1 (en) * 2018-10-02 2020-04-02 Adobe Inc. Generating user embedding representations that capture a history of changes to user trait data
CN110765352A (zh) * 2019-10-11 2020-02-07 上海上湖信息技术有限公司 一种用户兴趣识别方法及装置

Also Published As

Publication number Publication date
KR20210037631A (ko) 2021-04-06
US20210201149A1 (en) 2021-07-01
JP7220733B2 (ja) 2023-02-10
CN112015439A (zh) 2020-12-01
JP2022051665A (ja) 2022-04-01
EP3825876A3 (en) 2021-10-06
EP3825876A2 (en) 2021-05-26
CN112015439B (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
JP7312780B2 (ja) オンライン予測モデルのトレーニング方法、装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム
KR102588055B1 (ko) 멀티미디어 리소스 추천 방법, 장치, 전자 기기 및 저장 매체
US11714816B2 (en) Information search method and apparatus, device and storage medium
EP3828719A2 (en) Method and apparatus for generating model for representing heterogeneous graph node, electronic device, storage medium, and computer program product
US20210209446A1 (en) Method for generating user interactive information processing model and method for processing user interactive information
CN113094550B (zh) 视频检索方法、装置、设备和介质
JP7074964B2 (ja) セッション推奨方法、装置及び電子機器
KR20210037627A (ko) 타겟 데이터 획득 방법 및 장치
CN111737954B (zh) 文本相似度确定方法、装置、设备和介质
CN110727434B (zh) 渲染方法、装置、电子设备及存储介质
US20210210112A1 (en) Model Evaluation Method and Device, and Electronic Device
JP2021111334A (ja) 検索データに基づくヒューマンコンピュータ対話型インタラクションの方法、装置及び電子機器
EP3799036A1 (en) Speech control method, speech control device, electronic device, and readable storage medium
CN111125176B (zh) 一种业务数据搜索方法、装置、电子设备和存储介质
CN112559870A (zh) 多模型融合方法、装置、电子设备和存储介质
KR102607359B1 (ko) 사용자 app 관심을 임베딩하는 방법, 장치, 기기, 저장 매체 및 프로그램
CN112115387B (zh) 兴趣点poi推荐模型的训练方法、装置和电子设备
CN112580723B (zh) 多模型融合方法、装置、电子设备和存储介质
US20220276067A1 (en) Method and apparatus for guiding voice-packet recording function, device and computer storage medium
CN111177479A (zh) 获取关系网络图中节点的特征向量的方法以及装置
CN113656689B (zh) 模型生成方法和网络信息的推送方法
CN111783872B (zh) 训练模型的方法、装置、电子设备及计算机可读存储介质
JP2021193619A (ja) 対話生成方法、装置、電子機器及び記憶媒体
CN112579917B (zh) 信息投放方法、装置、设备和介质
CN112466292A (zh) 语言模型的训练方法、装置和电子设备

Legal Events

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