RU2015141340A - Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования - Google Patents

Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования Download PDF

Info

Publication number
RU2015141340A
RU2015141340A RU2015141340A RU2015141340A RU2015141340A RU 2015141340 A RU2015141340 A RU 2015141340A RU 2015141340 A RU2015141340 A RU 2015141340A RU 2015141340 A RU2015141340 A RU 2015141340A RU 2015141340 A RU2015141340 A RU 2015141340A
Authority
RU
Russia
Prior art keywords
interest
decision tree
parameters
forecasting model
sheet
Prior art date
Application number
RU2015141340A
Other languages
English (en)
Other versions
RU2632133C2 (ru
Inventor
Андрей Владимирович ГУЛИН
Андрей Сергеевич Мищенко
Константин Вячеславович Воронцов
Евгений Андреевич Соколов
Original Assignee
Общество С Ограниченной Ответственностью "Яндекс"
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 Общество С Ограниченной Ответственностью "Яндекс" filed Critical Общество С Ограниченной Ответственностью "Яндекс"
Priority to RU2015141340A priority Critical patent/RU2632133C2/ru
Priority to US15/263,654 priority patent/US10387801B2/en
Publication of RU2015141340A publication Critical patent/RU2015141340A/ru
Application granted granted Critical
Publication of RU2632133C2 publication Critical patent/RU2632133C2/ru
Priority to US16/536,348 priority patent/US11341419B2/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Claims (92)

1. Способ определения параметра точности обученной модели прогнозирования в виде дерева принятия решений, способ выполняется в компьютерной системе машинного обучения; способ включает в себя:
доступ, с постоянного машиночитаемого носителя системы машинного обучения, к набору обучающих объектов, причем каждый обучающий объект из набора обучающих объектов включает в себя признаки и параметр интереса;
создание процессором системы машинного обучения обученной модели прогнозирования в виде дерева принятия решений по меньшей мере частично на основе набора обучающих объектов, причем каждый обучающий объект из набора обучающих объектов включает в себя признаки и параметр интереса, а обученная модель прогнозирования в виде дерева принятия решений включает в себя узлы, связанные с факторами, и листы, связанные с параметрами интереса обучающих объектов из набора обучающих объектов, и связь между листами и параметрами интереса была определена с помощью выполненного процессором системы машинного обучения сравнения по меньшей мере двух из факторов и признаков обучающих объектов из набора обучающих объектов;
отправку команды процессору системы машинного обучения на выполнение:
создания процессором подгруппы случайных параметров интереса;
связывания в постоянном машиночитаемом носителе подгруппы случайных параметров интереса с данным листом;
определение процессором параметра точности листа на основе (i) параметров интереса, связанных с данным листом и (ii) подгруппы случайных параметров интереса данного листа; и
определение процессором параметра точности обученной модели прогнозирования в виде дерева принятия решений на основе определенного параметра точности листа.
2. Способ определения параметра точности обученной модели прогнозирования в виде дерева принятия решений, способ выполняется в компьютерной системе машинного обучения; способ включает в себя:
доступ, с постоянного машиночитаемого носителя, к обученной модели прогнозирования в виде дерева принятия решений, созданной по меньшей мере частично на основе набора обучающих объектов, причем каждый обучающий объект из набора обучающих объектов включает в себя признаки и параметр интереса, а обученная модель прогнозирования в виде дерева принятия решений включает в себя узлы, связанные с факторами, и листы, связанные с параметрами интереса обучающих объектов из набора обучающих объектов, и связь между листами и параметрами интереса была определена с помощью сравнения по меньшей мере двух из факторов и признаков обучающих объектов из набора обучающих объектов;
создание процессором подгруппы случайных параметров интереса;
связывания в постоянном машиночитаемом носителе подгруппы случайных параметров интереса с данным листом;
определение процессором параметра точности листа на основе (i) параметров интереса, связанных с данным листом и (ii) подгруппы случайных параметров интереса данного листа; и
определение процессором параметра точности обученной модели прогнозирования в виде дерева принятия решений на основе определенного параметра точности листа.
3. Способ по п. 2, в котором сравнение по меньшей мере двух факторов и признаков обучающих объектов включает в себя сравнение процессором условий, связанных по меньшей мере с двумя факторами и по меньшей мере двумя значениями, связанными с признаками соответствующего обучающего объекта.
4. Способ по п. 2, в котором создание процессором подгруппы случайных параметров интереса включает в себя создание случайных значений целевой функции, связанной с обученной моделью прогнозирования в виде дерева принятия решений.
5. Способ по п. 4, в котором и случайные значения выбираются таким образом, чтобы увеличить ошибку, связанную с наилучшим из факторов фактором, поддерживая при этом созданный ранее параметр точности обученной модели прогнозирования в виде дерева принятия решений ниже минимального порога.
6. Способ по п. 5, в котором наилучший из факторов фактор определен как фактор, оказывающий наиболее положительное влияние на созданный ранее параметр точности обученной модели прогнозирования в виде дерева принятия решений.
7. Способ по п. 4, в котором случайные значения выбираются на основе значений параметров интереса, связанных с данным листом.
8. Способ по п. 7, в котором случайные значения выбираются таким образом, что они будут включены в состав диапазона, включающего в себя минимальное значение, определенное как самое низкое значений параметра интереса, связанного с данным листом, и самое высокое значений, определенное как самое высокое значение параметра интереса, связанного с данным листом.
9. Способ по п. 2, в котором подгруппа случайных параметров интереса включает в себя число случайных параметров интереса, равное числу параметров интереса данного листа, с которым подгруппа случайных параметров интереса связана.
10. Способ по п. 2, в котором определение процессором параметра точности обученной модели прогнозирования в виде дерева принятия решений, основанное на определенном параметре точности листа, включает в себя определение общей ошибки листов в соответствии с формулой:
Figure 00000001
где М - число листов, Nj является числом параметров интереса, связанных с j-тым листом.
11. Способ по п. 10, в котором число параметров интереса, связанное с j-тым листом, равно числу обучающих объектов, связанных с j-тым листом.
12. Способ по п. 2, в котором определение процессором параметра точности обученной модели прогнозирования в виде дерева принятия решений основано на множестве определенных параметров точности листа, причем каждый из множества определенных параметров листа связан с отдельным листом.
13. Способ по п. 2, в котором признаки указывают по меньшей мере либо на число щелчков мышью, либо на число просмотров, либо на ранжирование документов, либо на URL, либо на доменное имя, либо на IP-адрес, либо на поисковой запрос, либо на ключевое слово.
14. Способ по п. 2, в котором параметр интереса указывает по меньшей мере либо на прогнозирование поискового результата, либо на вероятность щелчка мышью, либо на релевантность документа, либо на пользовательский интерес, либо на URL, либо на число щелчков мышью, либо на отношение количества щелчков мышью к количеству показов (CTR).
15. Способ по п. 2, в котором параметр точности модели прогнозирования в виде дерева принятия решений показывает точность целевой функции, связанную с моделью прогнозирования в виде дерева принятия решений.
16. Способ по п. 2, в котором каждый из факторов связан либо с (i) условием, применимым к бинарному признаку, либо с (ii) условием, применимым к численному признаку либо с (iii) условием, применимым к категориальному признаку.
17. Способ создания обученной модели прогнозирования в виде дерева принятия решений, способ выполняется в компьютерной системе машинного обучения; способ включает в себя:
осуществление доступа из постоянного машиночитаемого носителя к набору факторов;
идентификацию процессором из набора факторов фактора, связанного с наилучшим параметром точности предварительно обученной модели прогнозирования в виде дерева принятия решений, для данного положения узла, связанного с фактором в предварительно обученной модели прогнозирования в виде дерева принятия решений, причем наилучший параметр точности предварительно обученной модели прогнозирования в виде дерева принятия решений выбирается из множества параметров точности множества предварительных моделей прогнозирования в виде дерева принятия решений, причем множество параметров точности множества предварительных моделей прогнозирования в виде дерева принятия решений было создано в соответствии со способом по п. 2;
связь процессором фактора с данным положением узла создающейся обученной модели прогнозирования в виде дерева принятия решений; и
создание процессором обученной модели прогнозирования в виде дерева принятия решений, причем обученная модель прогнозирования в виде дерева принятия решений включает в себя узел, связанный с фактором, для данного положения.
18. Способ по п. 17, в котором каждый из множества параметров точности связан с соответствующей моделью из множества предварительных моделей прогнозирования в виде дерева принятия решений.
19. Способ по п. 17, в котором способ дополнительно включает в себя:
идентификацию процессором другого фактора из набора факторов, причем этот другой фактор связан с наилучшим параметром точности другой предварительно обученной модели прогнозирования в виде дерева принятия решений для другого данного положения другого узла, связанного с другим фактором в другой предварительно обученной модели прогнозирования в виде дерева принятия решений; и
и связывание процессором другого фактора с другим данным положением другого узла создающейся обученной модели прогнозирования в виде дерева принятия решений.
20. Способ по п. 17, в котором обученная модель прогнозирования в виде дерева принятия решений также включает в себя другой узел, связанный с другим фактором, для другого данного положения.
21. Способ определения параметра точности обученной модели прогнозирования в виде дерева принятия решений, способ выполняется в компьютерной системе машинного обучения; способ включает в себя:
доступ, с постоянного машиночитаемого носителя, к набору обучающих объектов, причем каждый обучающий объект из набора обучающих объектов включает в себя признаки и параметр интереса;
создание процессором обученной модели прогнозирования в виде дерева принятия решений по меньшей мере частично на основе набора обучающих объектов, причем каждый обучающий объект из набора обучающих объектов включает в себя признаки и параметр интереса, а обученная модель прогнозирования в виде дерева принятия решений включает в себя узлы, связанные с факторами, и листы, связанные с параметрами интереса обучающих объектов из набора обучающих объектов, и связь между листами и параметрами интереса была определена с помощью сравнения по меньшей мере двух из факторов и признаков обучающих объектов из набора обучающих объектов;
создания процессором подгруппы случайных параметров интереса;
связывания в постоянном машиночитаемом носителе подгруппы случайных параметров интереса с данным листом;
определение процессором параметра точности листа на основе (i) параметров интереса, связанных с данным листом и (ii) подгруппы случайных параметров интереса данного листа; и
определение процессором параметра точности обученной модели прогнозирования в виде дерева принятия решений на основе определенного параметра точности листа.
22. Компьютерная система для определения параметра точности обученной модели прогнозирования в виде дерева принятия решений, система включает в себя:
постоянный машиночитаемый носитель;
процессор, выполненный с возможностью осуществлять:
доступ, с постоянного машиночитаемого носителя, к обученной модели прогнозирования в виде дерева принятия решений, созданной по меньшей мере частично на основе набора обучающих объектов, причем каждый обучающий объект из набора обучающих объектов включает в себя признаки и параметр интереса, а обученная модель прогнозирования в виде дерева принятия решений включает в себя узлы, связанные с факторами, и листы, связанные с параметрами интереса обучающих объектов из набора обучающих объектов, и связь между листами и параметрами интереса была определена с помощью сравнения по меньшей мере двух из факторов и признаков обучающих объектов из набора обучающих объектов;
создания процессором подгруппы случайных параметров интереса;
связывания в постоянном машиночитаемом носителе подгруппы случайных параметров интереса с данным листом;
определение процессором параметра точности листа на основе (i) параметров интереса, связанных с данным листом и (ii) подгруппы случайных параметров интереса данного листа; и
определение процессором параметра точности обученной модели прогнозирования в виде дерева принятия решений на основе определенного параметра точности листа.
23. Система по п. 22, в которой сравнение по меньшей мере двух факторов и признаков обучающих объектов включает в себя сравнение процессором условий, связанных по меньшей мере с двумя факторами и по меньшей мере двумя значениями, связанными с признаками соответствующего обучающего объекта.
24. Система по п. 22, в которой создание процессором подгруппы случайных параметров интереса включает в себя создание случайных значений целевой функции, связанной с обученной моделью прогнозирования в виде дерева принятия решений.
25. Система по п. 24, в которой и случайные значения выбираются таким образом, чтобы увеличить ошибку, связанную с наилучшим из факторов фактором, поддерживая при этом созданный ранее параметр точности обученной модели прогнозирования в виде дерева принятия решений ниже минимального порога.
26. Система по п. 25, в которой наилучший из факторов фактор определен как фактор, оказывающий наиболее положительное влияние на созданный ранее параметр точности обученной модели прогнозирования в виде дерева принятия решений.
27. Система по п. 24, в которой случайные значения выбираются на основе значений параметров интереса, связанных с данным листом.
28. Система по п. 27, в которой случайные значения выбираются таким образом, что они будут включены в состав диапазона, включающего в себя минимальное значение, определенное как самое низкое значений параметра интереса, связанного с данным листом, и самое высокое значений, определенное как самое высокое значение параметра интереса, связанного с данным листом.
29. Система по п. 22, в которой подгруппа случайных параметров интереса включает в себя число случайных параметров интереса, равное числу параметров интереса данного листа, с которым подгруппа случайных параметров интереса связана.
30. Система по п. 22, в которой определение процессором параметра точности обученной модели прогнозирования в виде дерева принятия решений, основанное на определенном параметре точности листа, включает в себя определение общей ошибки листов в соответствии с формулой:
Figure 00000002
где М - число листов, Nj является числом параметров интереса, связанных с j-тым листом.
31. Система по п. 30, в которой число параметров интереса, связанное с j-тым листом, равно числу обучающих объектов, связанных с j-тым листом.
32. Система по п. 22, в которой определение процессором параметра точности обученной модели прогнозирования в виде дерева принятия решений основано на множестве определенных параметров точности листа, причем каждый из множества определенных параметров листа связан с отдельным листом.
33. Система по п. 22, в которой признаки указывают по меньшей мере либо на число щелчков мышью, либо на число просмотров, либо на ранжирование документов, либо на URL, либо на доменное имя, либо на IP-адрес, либо на поисковой запрос, либо на ключевое слово.
34. Система по п. 22, в которой параметр интереса указывает по меньшей мере либо на прогнозирование поискового результата, либо на вероятность щелчка мышью, либо на релевантность документа, либо на пользовательский интерес, либо на URL, либо на число щелчков мышью, либо на отношение количества щелчков мышью к количеству показов (CTR).
35. Система по п. 22, в которой параметр точности модели прогнозирования в виде дерева принятия решений показывает точность целевой функции, связанную с моделью прогнозирования в виде дерева принятия решений.
36. Система по п. 22, в которой каждый из факторов связан либо с (i) условием, применимым к бинарному признаку, либо с (ii) условием, применимым к численному признаку, либо с (iii) условием, применимым к категориальному признаку.
37. Компьютерная система для создания обученной модели прогнозирования в виде дерева принятия решений, система включает в себя:
постоянный машиночитаемый носитель;
процессор, выполненный с возможностью осуществлять:
осуществление доступа из постоянного машиночитаемого носителя к набору факторов;
идентификацию процессором из набора факторов фактора, связанного с наилучшим параметром точности предварительно обученной модели прогнозирования в виде дерева принятия решений, для данного положения узла, связанного с фактором в предварительно обученной модели прогнозирования в виде дерева принятия решений, причем наилучший параметр точности предварительно обученной модели прогнозирования в виде дерева принятия решений выбирается из множества параметров точности множества предварительных моделей прогнозирования в виде дерева принятия решений, причем множество параметров точности множества предварительных моделей прогнозирования в виде дерева принятия решений было создано в соответствии со способом по п. 2;
связь процессором фактора с данным положением узла создающейся обученной модели прогнозирования в виде дерева принятия решений; и
создание процессором обученной модели прогнозирования в виде дерева принятия решений, причем обученная модель прогнозирования в виде дерева принятия решений включает в себя узел, связанный с фактором, для данного положения.
38. Система по п. 37, в которой каждый из множества параметров точности связан с соответствующей моделью из множества предварительных моделей прогнозирования в виде дерева принятия решений.
39. Система по п. 37, в которой процессор дополнительно выполнен с возможностью осуществлять:
идентификацию процессором другого фактора из набора факторов, причем этот другой фактор связан с наилучшим параметром точности другой предварительно обученной модели прогнозирования в виде дерева принятия решений для другого данного положения другого узла, связанного с другим фактором в другой предварительно обученной модели прогнозирования в виде дерева принятия решений; и
и связывание процессором другого фактора с другим данным положением другого узла создающейся обученной модели прогнозирования в виде дерева принятия решений.
40. Система по п. 37, в которой обученная модель прогнозирования в виде дерева принятия решений также включает в себя другой узел, связанный с другим фактором, для другого данного положения.
41. Компьютерная система для определения параметра точности обученной модели прогнозирования в виде дерева принятия решений, система включает в себя:
постоянный машиночитаемый носитель;
процессор, выполненный с возможностью осуществлять:
доступ, с постоянного машиночитаемого носителя, к набору обучающих объектов, причем каждый обучающий объект из набора обучающих объектов включает в себя признаки и параметр интереса;
создание процессором обученной модели прогнозирования в виде дерева принятия решений по меньшей мере частично на основе набора обучающих объектов, причем каждый обучающий объект из набора обучающих объектов включает в себя признаки и параметр интереса, а обученная модель прогнозирования в виде дерева принятия решений включает в себя узлы, связанные с факторами, и листы, связанные с параметрами интереса обучающих объектов из набора обучающих объектов, и связь между листами и параметрами интереса была определена с помощью сравнения по меньшей мере двух из факторов и признаков обучающих объектов из набора обучающих объектов;
создания процессором подгруппы случайных параметров интереса;
связывания в постоянном машиночитаемом носителе подгруппы случайных параметров интереса с данным листом;
определение процессором параметра точности листа на основе (i) параметров интереса, связанных с данным листом и (ii) подгруппы случайных параметров интереса данного листа; и
определение процессором параметра точности обученной модели прогнозирования в виде дерева принятия решений на основе определенного параметра точности листа.
RU2015141340A 2015-09-29 2015-09-29 Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования RU2632133C2 (ru)

Priority Applications (3)

Application Number Priority Date Filing Date Title
RU2015141340A RU2632133C2 (ru) 2015-09-29 2015-09-29 Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования
US15/263,654 US10387801B2 (en) 2015-09-29 2016-09-13 Method of and system for generating a prediction model and determining an accuracy of a prediction model
US16/536,348 US11341419B2 (en) 2015-09-29 2019-08-09 Method of and system for generating a prediction model and determining an accuracy of a prediction model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2015141340A RU2632133C2 (ru) 2015-09-29 2015-09-29 Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования

Publications (2)

Publication Number Publication Date
RU2015141340A true RU2015141340A (ru) 2017-04-06
RU2632133C2 RU2632133C2 (ru) 2017-10-02

Family

ID=58409639

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2015141340A RU2632133C2 (ru) 2015-09-29 2015-09-29 Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования

Country Status (2)

Country Link
US (2) US10387801B2 (ru)
RU (1) RU2632133C2 (ru)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2694001C2 (ru) * 2017-11-24 2019-07-08 Общество С Ограниченной Ответственностью "Яндекс" Способ и система создания параметра качества прогноза для прогностической модели, выполняемой в алгоритме машинного обучения
US10387801B2 (en) 2015-09-29 2019-08-20 Yandex Europe Ag Method of and system for generating a prediction model and determining an accuracy of a prediction model
US11256991B2 (en) 2017-11-24 2022-02-22 Yandex Europe Ag Method of and server for converting a categorical feature value into a numeric representation thereof
US11995519B2 (en) 2017-11-24 2024-05-28 Direct Cursus Technology L.L.C Method of and server for converting categorical feature value into a numeric representation thereof and for generating a split value for the categorical feature

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11775850B2 (en) 2016-01-27 2023-10-03 Microsoft Technology Licensing, Llc Artificial intelligence engine having various algorithms to build different concepts contained within a same AI model
US11120299B2 (en) 2016-01-27 2021-09-14 Microsoft Technology Licensing, Llc Installation and operation of different processes of an AI engine adapted to different configurations of hardware located on-premises and in hybrid environments
US10733531B2 (en) 2016-01-27 2020-08-04 Bonsai AI, Inc. Artificial intelligence engine having an architect module
US11868896B2 (en) 2016-01-27 2024-01-09 Microsoft Technology Licensing, Llc Interface for working with simulations on premises
US11841789B2 (en) 2016-01-27 2023-12-12 Microsoft Technology Licensing, Llc Visual aids for debugging
US11138157B2 (en) * 2017-08-30 2021-10-05 Jpmorgan Chase Bank, N.A. System and method for identifying business logic and data lineage with machine learning
US12067466B2 (en) 2017-10-19 2024-08-20 Pure Storage, Inc. Artificial intelligence and machine learning hyperscale infrastructure
US11494692B1 (en) 2018-03-26 2022-11-08 Pure Storage, Inc. Hyperscale artificial intelligence and machine learning infrastructure
US10671435B1 (en) 2017-10-19 2020-06-02 Pure Storage, Inc. Data transformation caching in an artificial intelligence infrastructure
US10360214B2 (en) * 2017-10-19 2019-07-23 Pure Storage, Inc. Ensuring reproducibility in an artificial intelligence infrastructure
US11645277B2 (en) * 2017-12-11 2023-05-09 Google Llc Generating and/or utilizing a machine learning model in response to a search request
US11245777B1 (en) * 2018-09-11 2022-02-08 Groupon, Inc. Multi-application interactive support and communication interface
JP7087931B2 (ja) * 2018-11-08 2022-06-21 富士通株式会社 探索プログラム、探索方法及び探索装置
US11036607B2 (en) * 2019-09-06 2021-06-15 Ebay Inc. Visualization of high-dimensional data
US11385782B2 (en) 2019-09-06 2022-07-12 Ebay Inc. Machine learning-based interactive visual monitoring tool for high dimensional data sets across multiple KPIs
US11941496B2 (en) * 2020-03-19 2024-03-26 International Business Machines Corporation Providing predictions based on a prediction accuracy model using machine learning
CN111581545B (zh) * 2020-05-12 2023-09-19 腾讯科技（深圳）有限公司 一种召回文档的排序方法及相关设备
CN111695739B (zh) * 2020-06-17 2022-06-14 广东电网有限责任公司计量中心 一种负荷预测方法、系统以及设备
CN113792904A (zh) * 2021-07-19 2021-12-14 陈启达 一种基于决策树的博物馆游客感兴趣点预测方法
WO2024258307A1 (ru) * 2023-06-15 2024-12-19 Публичное Акционерное Общество "Сбербанк России" Способ и система автоматического создания модели машинного обучения

Family Cites Families (120)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5652829A (en) 1994-07-26 1997-07-29 International Business Machines Corporation Feature merit generator
US5978497A (en) 1994-09-20 1999-11-02 Neopath, Inc. Apparatus for the identification of free-lying cells
US6115802A (en) 1995-10-13 2000-09-05 Sun Mircrosystems, Inc. Efficient hash table for use in multi-threaded environments
US5657424A (en) 1995-10-31 1997-08-12 Dictaphone Corporation Isolated word recognition using decision tree classifiers and time-indexed feature vectors
US6360220B1 (en) 1998-08-04 2002-03-19 Microsoft Corporation Lock-free methods and systems for accessing and storing information in an indexed computer data structure having modifiable entries
US6279004B1 (en) 1998-12-22 2001-08-21 International Business Machines Corporation Database index key versioning
US6523015B1 (en) 1999-10-14 2003-02-18 Kxen Robust modeling
CN1241135C (zh) 1999-10-21 2006-02-08 国际商业机器公司 用于排序分类属性以更好地可视化多维数据的系统和方法
US7113932B2 (en) 2001-02-07 2006-09-26 Mci, Llc Artificial intelligence trending system
US20020143787A1 (en) 2001-03-31 2002-10-03 Simon Knee Fast classless inter-domain routing (CIDR) lookups
US20030030637A1 (en) 2001-04-20 2003-02-13 Grinstein Georges G. Method and system for data analysis
US20030014405A1 (en) 2001-07-09 2003-01-16 Jacob Shapiro Search engine designed for handling long queries
US6871201B2 (en) 2001-07-31 2005-03-22 International Business Machines Corporation Method for building space-splitting decision tree
US6748401B2 (en) 2001-10-11 2004-06-08 International Business Machines Corporation Method and system for dynamically managing hash pool data structures
JP3791908B2 (ja) 2002-02-22 2006-06-28 インターナショナル・ビジネス・マシーンズ・コーポレーション 検索システム、システム、検索方法およびプログラム
US7451065B2 (en) * 2002-03-11 2008-11-11 International Business Machines Corporation Method for constructing segmentation-based predictive models
AU2003241302A1 (en) * 2002-04-19 2003-11-03 Computer Associates Think, Inc Using neural networks for data mining
US7272590B2 (en) 2002-04-26 2007-09-18 International Business Machines Corporation System and method for determining numerical representations for categorical data fields
US7349917B2 (en) 2002-10-01 2008-03-25 Hewlett-Packard Development Company, L.P. Hierarchical categorization method and system with automatic local selection of classifiers
US7020593B2 (en) 2002-12-04 2006-03-28 International Business Machines Corporation Method for ensemble predictive modeling by multiplicative adjustment of class probability: APM (adjusted probability model)
US7606714B2 (en) 2003-02-11 2009-10-20 Microsoft Corporation Natural language classification within an automated response system
US7197497B2 (en) * 2003-04-25 2007-03-27 Overture Services, Inc. Method and apparatus for machine learning a document relevance function
US8136025B1 (en) * 2003-07-03 2012-03-13 Google Inc. Assigning document identification tags
US7409587B2 (en) 2004-08-24 2008-08-05 Symantec Operating Corporation Recovering from storage transaction failures using checkpoints
US7702628B1 (en) 2003-09-29 2010-04-20 Sun Microsystems, Inc. Implementing a fully dynamic lock-free hash table without dummy nodes
US6988180B2 (en) 2003-09-29 2006-01-17 Microsoft Corporation Method and apparatus for lock-free, non-blocking hash table
US20060026138A1 (en) 2004-01-09 2006-02-02 Gavin Robertson Real-time indexes
US7287012B2 (en) 2004-01-09 2007-10-23 Microsoft Corporation Machine-learned approach to determining document relevance for search over large electronic collections of documents
CA2556778C (en) 2004-02-27 2019-08-06 Accenture Global Services Gmbh System for individualized customer interaction
US7349926B2 (en) 2004-03-30 2008-03-25 International Business Machines Corporation Atomic renaming and moving of data files while permitting lock-free look-ups
US7574409B2 (en) 2004-11-04 2009-08-11 Vericept Corporation Method, apparatus, and system for clustering and classification
US20060112121A1 (en) 2004-11-23 2006-05-25 Mckenney Paul E Atomically moving list elements between lists using read-copy update
US7613701B2 (en) 2004-12-22 2009-11-03 International Business Machines Corporation Matching of complex nested objects by multilevel hashing
EP1839229A4 (en) 2004-12-30 2010-01-20 Proventys Inc METHODS, SYSTEMS AND COMPUTER PROGRAM PRODUCTS FOR DEVELOPING AND USING PREDICTIVE MODELS FOR PREDICTING MULTIPLE MEDICAL RESULTS, FOR EVALUATING INTERVENTION STRATEGIES AND FOR SIMULTANEOUSLY VALIDATING BIOMARKING CAUSENESS
US7451166B2 (en) 2005-01-13 2008-11-11 International Business Machines Corporation System and method for maintaining checkpoints of a keyed data structure using a sequential log
US7328218B2 (en) 2005-03-22 2008-02-05 Salford Systems Constrained tree structure method and system
US20070005646A1 (en) * 2005-06-30 2007-01-04 Microsoft Corporation Analysis of topic dynamics of web search
US7673233B2 (en) 2005-09-08 2010-03-02 Microsoft Corporation Browser tab management
US8341158B2 (en) 2005-11-21 2012-12-25 Sony Corporation User's preference prediction from collective rating data
US20070208730A1 (en) * 2006-03-02 2007-09-06 Microsoft Corporation Mining web search user behavior to enhance web search relevance
US7949186B2 (en) 2006-03-15 2011-05-24 Massachusetts Institute Of Technology Pyramid match kernel and related techniques
US8214157B2 (en) 2006-03-31 2012-07-03 Nodality, Inc. Method and apparatus for representing multidimensional data
US20070244747A1 (en) 2006-04-14 2007-10-18 Nikovski Daniel N Method and system for recommending products to consumers by induction of decision trees
US8694318B2 (en) 2006-09-19 2014-04-08 At&T Intellectual Property I, L. P. Methods, systems, and products for indexing content
US7801836B2 (en) 2006-09-27 2010-09-21 Infosys Technologies Ltd. Automated predictive data mining model selection using a genetic algorithm
US8661029B1 (en) 2006-11-02 2014-02-25 Google Inc. Modifying search result ranking based on implicit user feedback
US7668851B2 (en) 2006-11-29 2010-02-23 International Business Machines Corporation Lockless hash table lookups while performing key update on hash table element
US8250075B2 (en) 2006-12-22 2012-08-21 Palo Alto Research Center Incorporated System and method for generation of computer index files
US7743003B1 (en) 2007-05-16 2010-06-22 Google Inc. Scaling machine learning using approximate counting that uses feature hashing
FR2917259B1 (fr) 2007-06-08 2009-08-21 Alcatel Lucent Sas Utilisation d'un arbre de hachage a prefixes (pht) pour la localisation des services au sein d'un reseau de communication poste-a-poste
US8287639B2 (en) 2007-07-31 2012-10-16 Cognis Ip Management Gmbh Methods and compositions for improving air entrainment in cementitious mixtures
US7916728B1 (en) 2007-09-28 2011-03-29 F5 Networks, Inc. Lockless atomic table update
NO327653B1 (no) 2007-12-20 2009-09-07 Fast Search & Transfer As Fremgangsmate for dynamisk oppdatering av en indeks og en sokemotor som implementerer samme
US20090182723A1 (en) 2008-01-10 2009-07-16 Microsoft Corporation Ranking search results using author extraction
US8584233B1 (en) 2008-05-05 2013-11-12 Trend Micro Inc. Providing malware-free web content to end users using dynamic templates
US20090319481A1 (en) 2008-06-18 2009-12-24 Yahoo! Inc. Framework for aggregating information of web pages from a website
US8972410B2 (en) 2008-07-30 2015-03-03 Hewlett-Packard Development Company, L.P. Identifying related objects in a computer database
US8965881B2 (en) 2008-08-15 2015-02-24 Athena A. Smyros Systems and methods for searching an index
US8738436B2 (en) * 2008-09-30 2014-05-27 Yahoo! Inc. Click through rate prediction system and method
NZ572036A (en) 2008-10-15 2010-03-26 Nikola Kirilov Kasabov Data analysis and predictive systems and related methodologies
US8190537B1 (en) 2008-10-31 2012-05-29 Google Inc. Feature selection for large scale models
US20100161385A1 (en) 2008-12-19 2010-06-24 Nxn Tech, Llc Method and System for Content Based Demographics Prediction for Websites
US8572071B2 (en) 2008-12-19 2013-10-29 Rutgers, The State University Of New Jersey Systems and methods for data transformation using higher order learning
US8150723B2 (en) 2009-01-09 2012-04-03 Yahoo! Inc. Large-scale behavioral targeting for advertising over a network
US8935483B2 (en) 2009-04-27 2015-01-13 Lsi Corporation Concurrent, coherent cache access for multiple threads in a multi-core, multi-thread network processor
US8537832B2 (en) 2010-03-12 2013-09-17 Lsi Corporation Exception detection and thread rescheduling in a multi-core, multi-thread network processor
US8032551B2 (en) 2009-05-11 2011-10-04 Red Hat, Inc. Searching documents for successive hashed keywords
US8032550B2 (en) 2009-05-11 2011-10-04 Red Hat, Inc. Federated document search by keywords
US8396287B2 (en) 2009-05-15 2013-03-12 Google Inc. Landmarks from digital photo collections
US8611592B2 (en) 2009-08-26 2013-12-17 Apple Inc. Landmark identification using metadata
US10528972B2 (en) * 2009-08-27 2020-01-07 Micro Focus Llc Predicting email responses
US20110153611A1 (en) 2009-12-22 2011-06-23 Anil Babu Ankisettipalli Extracting data from a report document
US20110188715A1 (en) 2010-02-01 2011-08-04 Microsoft Corporation Automatic Identification of Image Features
SG184482A1 (en) 2010-04-06 2012-11-29 Justone Database Inc Data storage and/or retrieval based on a database model-agnostic, schema-agnostic and workload-agnostic data storage and access models
US8370337B2 (en) 2010-04-19 2013-02-05 Microsoft Corporation Ranking search results using click-based data
US8510236B1 (en) 2010-05-07 2013-08-13 Google Inc. Semi-supervised and unsupervised generation of hash functions
US8473431B1 (en) 2010-05-14 2013-06-25 Google Inc. Predictive analytic modeling platform
US8438122B1 (en) 2010-05-14 2013-05-07 Google Inc. Predictive analytic modeling platform
US8521664B1 (en) 2010-05-14 2013-08-27 Google Inc. Predictive analytical model matching
US8543517B2 (en) 2010-06-09 2013-09-24 Microsoft Corporation Distributed decision tree training
US20120079212A1 (en) 2010-09-23 2012-03-29 International Business Machines Corporation Architecture for sharing caches among multiple processes
WO2012061162A1 (en) 2010-10-25 2012-05-10 Intelius Inc. Cost-sensitive alternating decision trees for record linkage
US8543586B2 (en) 2010-11-24 2013-09-24 International Business Machines Corporation Determining points of interest using intelligent agents and semantic data
US8533222B2 (en) 2011-01-26 2013-09-10 Google Inc. Updateable predictive analytical modeling
US8595154B2 (en) 2011-01-26 2013-11-26 Google Inc. Dynamic predictive modeling platform
US8924365B2 (en) 2011-02-08 2014-12-30 Wavemarket, Inc. System and method for range search over distributive storage systems
RU2637610C2 (ru) 2011-03-11 2017-12-05 Конинклейке Филипс Н.В. Устройство мониторинга для мониторинга физиологического сигнала
US8533224B2 (en) 2011-05-04 2013-09-10 Google Inc. Assessing accuracy of trained predictive models
US9038172B2 (en) 2011-05-06 2015-05-19 The Penn State Research Foundation Robust anomaly detection and regularized domain adaptation of classifiers with application to internet packet-flows
AU2012203348B2 (en) 2011-06-08 2013-11-07 Accenture Global Services Limited High-risk procurement analytics and scoring system
US8868472B1 (en) 2011-06-15 2014-10-21 Google Inc. Confidence scoring in predictive modeling
US8909564B1 (en) 2011-06-21 2014-12-09 Google Inc. Predictive model evaluation and training based on utility
EP2724269B1 (en) 2011-06-27 2020-02-19 Jethrodata Ltd. System, method and data structure for fast loading, storing and access to huge data sets in real time
US8762299B1 (en) 2011-06-27 2014-06-24 Google Inc. Customized predictive analytical model training
US8489632B1 (en) 2011-06-28 2013-07-16 Google Inc. Predictive model training management
US8843427B1 (en) 2011-07-01 2014-09-23 Google Inc. Predictive modeling accuracy
US20130117684A1 (en) 2011-11-03 2013-05-09 Microsoft Corporation Dynamically generated icons for graphical user interface on client
US9355095B2 (en) 2011-12-30 2016-05-31 Microsoft Technology Licensing, Llc Click noise characterization model
RU2491622C1 (ru) 2012-01-25 2013-08-27 Общество С Ограниченной Ответственностью "Центр Инноваций Натальи Касперской" Способ классификации документов по категориям
US8965829B2 (en) 2012-02-09 2015-02-24 Jeffrey L. Pattillo System and method for making decisions using network-guided decision trees with multivariate splits
US8655029B2 (en) 2012-04-10 2014-02-18 Seiko Epson Corporation Hash-based face recognition system
US8694444B2 (en) 2012-04-20 2014-04-08 Xerox Corporation Learning multiple tasks with boosted decision trees
US9955965B2 (en) 2012-07-09 2018-05-01 Covidien Lp Switch block control assembly of a medical device
JP5943762B2 (ja) 2012-07-30 2016-07-05 キヤノン株式会社 シート搬送装置及び画像形成装置
WO2014056093A1 (en) 2012-10-11 2014-04-17 Orboros, Inc. Method and system for visualizing complex data via a multi-agent query engine
US9373087B2 (en) * 2012-10-25 2016-06-21 Microsoft Technology Licensing, Llc Decision tree training in machine learning
US8880446B2 (en) 2012-11-15 2014-11-04 Purepredictive, Inc. Predictive analytics factory
US10262330B2 (en) 2013-01-04 2019-04-16 PlaceIQ, Inc. Location-based analytic platform and methods
US20140195972A1 (en) 2013-01-07 2014-07-10 Electronics And Telecommunications Research Institute Method and apparatus for managing programs or icons
KR101822463B1 (ko) 2013-01-21 2018-01-26 삼성전자주식회사 복수 개의 아이콘들을 화면상에 배치하는 장치 및 이의 운용 방법
US9324040B2 (en) 2013-01-30 2016-04-26 Technion Research & Development Foundation Limited Training ensembles of randomized decision trees
US9953270B2 (en) 2013-05-07 2018-04-24 Wise Io, Inc. Scalable, memory-efficient machine learning and prediction for ensembles of decision trees for homogeneous and heterogeneous datasets
US9633311B2 (en) * 2013-07-03 2017-04-25 Sas Institute Inc. Decision tree learning
US9639807B2 (en) 2014-06-10 2017-05-02 Jose Oriol Lopez Berengueres Method and system for forecasting future events
US9886670B2 (en) 2014-06-30 2018-02-06 Amazon Technologies, Inc. Feature processing recipes for machine learning
US10339465B2 (en) 2014-06-30 2019-07-02 Amazon Technologies, Inc. Optimized decision tree based models
US9348920B1 (en) 2014-12-22 2016-05-24 Palantir Technologies Inc. Concept indexing among database of documents using machine learning techniques
RU2632133C2 (ru) 2015-09-29 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования
RU2015141339A (ru) 2015-09-29 2017-04-04 Общество С Ограниченной Ответственностью "Яндекс" Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования
US10380127B2 (en) 2017-02-13 2019-08-13 Microsoft Technology Licensing, Llc Candidate search result generation

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10387801B2 (en) 2015-09-29 2019-08-20 Yandex Europe Ag Method of and system for generating a prediction model and determining an accuracy of a prediction model
US11341419B2 (en) 2015-09-29 2022-05-24 Yandex Europe Ag Method of and system for generating a prediction model and determining an accuracy of a prediction model
RU2694001C2 (ru) * 2017-11-24 2019-07-08 Общество С Ограниченной Ответственностью "Яндекс" Способ и система создания параметра качества прогноза для прогностической модели, выполняемой в алгоритме машинного обучения
US11256991B2 (en) 2017-11-24 2022-02-22 Yandex Europe Ag Method of and server for converting a categorical feature value into a numeric representation thereof
US11995519B2 (en) 2017-11-24 2024-05-28 Direct Cursus Technology L.L.C Method of and server for converting categorical feature value into a numeric representation thereof and for generating a split value for the categorical feature

Also Published As

Publication number Publication date
US10387801B2 (en) 2019-08-20
US20170091670A1 (en) 2017-03-30
US11341419B2 (en) 2022-05-24
US20190362267A1 (en) 2019-11-28
RU2632133C2 (ru) 2017-10-02

Similar Documents

Publication Publication Date Title
RU2015141340A (ru) Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования
CN107205016B (zh) 物联网设备的检索方法
CN104253855B (zh) 一种面向内容中心网络中基于内容分类的类别流行度缓存替换方法
CN108052593A (zh) 一种基于主题词向量和网络结构的主题关键词提取方法
CN103577462B (zh) 一种文档分类方法及装置
RU2017111480A (ru) Способ и система ранжирования множества документов на странице результатов поиска
CA3059929C (en) Text searching method, apparatus, and non-transitory computer-readable storage medium
JP2014532928A (ja) 検索結果をランク付けする方法および装置ならびに検索方法および装置
US20150356072A1 (en) Method and Apparatus of Matching Text Information and Pushing a Business Object
RU2016145396A (ru) Способ и устройство извлечения тематических предложений веб-страниц
EP2783303A1 (en) Prototype-based re-ranking of search results
US20120233096A1 (en) Optimizing an index of web documents
JP2018501579A (ja) 画像の内容の意味表現
CN103123653A (zh) 基于贝叶斯分类学习的搜索引擎检索排序方法
US20140147048A1 (en) Document quality measurement
CN105095271B (zh) 微博检索方法和微博检索装置
RU2015141339A (ru) Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования
RU2019111281A (ru) Способ и сервер для повторного обучения алгоритма машинного обучения
CN104268230A (zh) 一种基于异质图随机游走的中文微博客观点探测方法
CN107895303A (zh) 一种基于ocean模型的个性化推荐的方法
Jiang et al. PITT at TREC 2011 session track
Setayesh et al. Presentation of an Extended Version of the PageRank Algorithm to Rank Web Pages Inspired by Ant Colony Algorithm
CN103309962A (zh) 一种基于内容相关度和社交影响力的微博服务专家定位方法
CN106980677A (zh) 面向行业的主题搜索方法
Bayomi et al. ADAPT_TCD: An Ontology-Based Context Aware Approach for Contextual Suggestion.