RU2017140974A - Способ и сервер преобразования значения категориального фактора в его числовое представление - Google Patents
Способ и сервер преобразования значения категориального фактора в его числовое представление Download PDFInfo
- Publication number
- RU2017140974A RU2017140974A RU2017140974A RU2017140974A RU2017140974A RU 2017140974 A RU2017140974 A RU 2017140974A RU 2017140974 A RU2017140974 A RU 2017140974A RU 2017140974 A RU2017140974 A RU 2017140974A RU 2017140974 A RU2017140974 A RU 2017140974A
- Authority
- RU
- Russia
- Prior art keywords
- learning
- models
- objects
- ordered list
- categorical
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims 25
- 230000001131 transforming effect Effects 0.000 title 1
- 238000003066 decision tree Methods 0.000 claims 22
- 238000010801 machine learning Methods 0.000 claims 7
- 230000002123 temporal effect Effects 0.000 claims 4
- 230000008520 organization Effects 0.000 claims 3
- 238000012795 verification Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 claims 1
- 230000006870 function Effects 0.000 claims 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/76—Arrangements for rearranging, permuting or selecting data according to predetermined rules, independently of the content of the data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
-
- 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
- G06F16/9027—Trees
-
- 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
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90348—Query processing by searching ordered data, e.g. alpha-numerically ordered data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (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)
Claims (75)
1. Способ преобразования значения категориального значения фактора в его числовое представление, категориальный фактор связан с обучающих объектом, который используется для обучения алгоритма машинного обучения, выполняемого системой машинного обучения, для прогнозирования целевого значения объекта фазы использования, способ включающий в себя:
получение доступа со стороны постоянного машиночитаемого носителя системы машинного обучения к набору обучающих объектов, причем каждый обучающий объект из набора обучающих объектов содержит документ и индикатор события, связанный с документом, причем каждый документ связан с категориальным фактором;
создание набора моделей для MLA, причем каждая модель из набора моделей основана на ансамбле деревьев решений; для каждой модели из набора моделей:
организация набора обучающих объектов в соответствующий упорядоченный список обучающих объектов, причем соответствующий упорядоченный список обучающих объектов организован таким образом, что для каждого обучающего объекта в соответствующем упорядоченном списке обучающих объектов существует по меньшей мере один из:
(i) предыдущий обучающий объект, который находится до данного обучающего объекта и
(ii) последующий обучающий объект, который находится после данного обучающего объекта;
при создании данной итерации дерева решений в данном ансамбле деревьев решений:
выбор одной модели из набора моделей и соответствующего упорядоченного списка;
создание структуры дерева решений с помощью одной модели из набора моделей;
при обработке данного категориального фактора с помощью структуры дерева решений, причем данный категориальный фактор, связанный с данным обучающим объектом, причем данный обучающий объект обладает по меньшей мере одним предыдущим обучающим объектом в соответствующем упорядоченном списке обучающих объектов, создание его числового представления, причем создание основывается на:
(i) числе общих вхождений по меньшей мере одного предыдущего обучающего объекта с тем же самым значением категориального фактора в соответствующем упорядоченном списке; и
(ii) числе заранее определенных результатов событий, связанных с по меньшей мере одним предыдущим обучающим объектом, который обладает тем же самым значением категориального фактора в соответствующем упорядоченном списке.
2. Способ по п. 1, в котором создание включает в себя применение формулы:
где NumberOCCURENCEs число общих вхождений по меньшей мере одного предыдущего обучающего объекта с тем же самым значением категориального фактора; и
NumberWINs число заранее определенных результатов событий, связанных с по меньшей мере одним предыдущим обучающим объектом, который обладает тем же самым значением категориального фактора.
3. Способ по п. 1, в котором создание включает в себя применение формулы:
где:
NumberOCCURENCEs число общих вхождений по меньшей мере одного предыдущего обучающего объекта с тем же самым категориальным фактором; и
NumberWINs число заранее определенных результатов событий, связанных с по меньшей мере одним предыдущим обучающим объектом, который обладает тем же самым категориальным фактором; и
Rconstant является заранее определенным значением.
4. Способ по п. 1, в котором данный категориальный фактор является набором категориальных факторов, который включает в себя по меньшей мере первый категориальный фактор и второй категориальный фактор, причем создание их числового представления включает в себя:
(i) использование числа общих вхождений по меньшей мере одного предыдущего обучающего объекта с тем же самым значением категориального фактора:
число общих вхождений по меньшей мере одного предыдущего обучающего объекта, обладающего как первым значением категориального фактора, так и вторым значением категориального фактора в соответствующем упорядоченном списке; и
(ii) использование в качестве числа заранее определенных результатов событий, связанных с по меньшей мере одним предыдущим обучающим объектом, который обладает тем же самым значением категориального фактора:
числа заранее определенных результатов событий, связанных с по меньшей мере одним предыдущим обучающим объектом, обладающим как первым значением категориального фактора, так и вторым значением категориального фактора.
5. Способ по п. 4, создание числового представления включает в себя применение формулы:
где
(i) NumberWINs(F1 and F2) is - число общих вхождений по меньшей мере одного предыдущего обучающего объекта с тем же самым набором значений категориальных факторов; и
(ii) NumberOCCURENCEs(F1 and F2) is the - число заранее определенных результатов событий, связанных с по меньшей мере одним предыдущим обучающим объектом, который обладает тем же самым набором значений категориальных факторов.
6. Способ по п. 1, в котором индикатор события обладает заранее определенным значением, и это заранее определенное значение является одним из положительного результата или отрицательного результата.
7. Способ по п. 1, в котором организация набора обучающих объектов в упорядоченный список обучающих объектов выполняется в момент времени до создания числового значения.
8. Способ по п. 1, в котором обучающие объекты связаны с присущим им временным порядком, и причем организация набора обучающих объектов в упорядоченный список обучающих объектов включает в себя организацию обучающих объектов в соответствии с временным порядком.
9. Способ по п. 1, в котором обучающие объекты не связаны с присущим им временным порядком, и причем организация набора обучающих объектов в упорядоченный список обучающих объектов включает в себя организацию обучающих объектов в соответствии с заранее определенным правилом.
10. Способ по п. 1, в котором обучающие объекты не связаны с присущим им временным порядком, и причем организация набора обучающих объектов в упорядоченный список обучающих объектов включает в себя создание случайного порядка обучающих объектов, который будет использован в качестве упорядоченного списка.
11. Способ по п. 1, который далее включает в себя использование структуры дерева решений для других моделей из набора моделей для данной итерации дерева решений.
12. Способ по п. 11, который далее включает в себя заполнение каждой из набора моделей с помощью набора обучающих объектов, причем значения категориальных факторов документов преобразованы в свои числовые представления с помощью соответствующего упорядоченного списка обучающих объектов.
13. Способ по п. 12, в котором набор моделей включает в себя набор прото-моделей, и в котором набор моделей далее включает в себя итоговую модель, и в котором способ далее включает в себя:
на каждой итерации обучения, выбор наиболее хорошо работающей модели из набора прото-моделей, и
использование наиболее хорошо работающей модели из набора прото-моделей для создания дерева решений итоговой модели для итерации обучения.
14. Способ по п. 13, способ далее включает в себя определение наилучшей работающей из набора прото-моделей путем применения алгоритма проверки.
15. Способ по п. 14, в котором алгоритм проверки учитывает работу данной итерации каждой из набора моделей и предыдущих деревьев решений в соответствующей модели из набора моделей.
16. Способ по п. 12, в котором использование различных соответствующих упорядоченных наборов приводит к тому, что значения в листьях разных моделей из набора моделей по меньшей мере частично отличаются.
17. Способ по п. 16, в котором использование набора других моделей со связанными соответствующими упорядоченными списками приводит к снижению эффекта переобучения во время обучения.
18. Способ по п. 17, в котором любой из упорядоченных списков отличается от других из упорядоченных списков.
19. Способ преобразования значения категориального значения фактора в его числовое представление, категориальный фактор связан с обучающих объектом, который используется для обучения алгоритма машинного обучения, выполняемого электронным устройством, для прогнозирования целевого значения объекта фазы использования, способ, включающий в себя:
получение доступа со стороны постоянного машиночитаемого носителя системы машинного обучения к набору обучающих объектов, причем каждый обучающий объект из набора обучающих объектов содержит документ и индикатор события, связанный с документом, причем каждый документ связан с категориальным фактором;
создание набора моделей для MLA, причем каждая модель из набора моделей основана на ансамбле деревьев решений; для каждой модели из набора моделей:
организация набора обучающих объектов в соответствующий упорядоченный список обучающих объектов, причем соответствующий упорядоченный список обучающих объектов организован таким образом, что для каждого обучающего объекта в соответствующем упорядоченном списке обучающих объектов существует по меньшей мере один из:
(i) предыдущий обучающий объект, который находится до данного обучающего объекта и
(ii) последующий обучающий объект, который находится после данного обучающего объекта;
при создании данной итерации дерева решений в данном ансамбле деревьев решений:
выбор одной модели из набора моделей и соответствующего упорядоченного списка;
создание структуры дерева решений с помощью одной модели из набора моделей;
при обработке данного категориального фактора с помощью структуры дерева решений, для данного категориального фактора, причем данный категориальный фактор, связанный с данным обучающим объектом, причем данный обучающий объект обладает по меньшей мере одним предыдущим обучающим объектом в соответствующем упорядоченном списке обучающих объектов, создание его числового представления, причем создание включает в себя вычисление функции с помощью формулы:
f (Number_WINs_PAST, Number_Occurence_PAST)
где:
Number_WINs_PAST - число заранее определенных результатов событий, связанных с по меньшей мере одним предыдущим обучающим объектом, который обладает теми же самыми значениями категориального фактора в соответствующем упорядоченном списке; и
Number_Occurence_PAST - число общих вхождений по меньшей мере одного предыдущего обучающего объекта с тем же самым значением категориального фактора в соответствующем упорядоченном списке.
20. Сервер, выполненный с возможностью осуществлять алгоритм машинного обучения (MLA), который основан на прогностической модели дерева решений, основанной на дереве решений, причем дерево решений предназначено для обработки значения категориального фактора путем преобразования его в его числовое представление, категориальный фактор связан с обучающим объектом, используемым для обучения MLA, причем MLA используется сервером для прогноза целевого значения объекта фазы использования, и сервер включает в себя:
постоянный носитель компьютерной информации;
процессор, связанный постоянным машиночитаемым носителем, процессор выполнен с возможностью осуществлять:
получение доступа со стороны постоянного машиночитаемого носителя системы машинного обучения к набору обучающих объектов, причем каждый обучающий объект из набора обучающих объектов содержит документ и индикатор события, связанный с документом, причем каждый документ связан с категориальным фактором;
создание набора моделей для MLA, причем каждая модель из набора моделей основана на ансамбле деревьев решений; для создания, процессор далее выполнен с возможностью осуществлять, для каждой модели из набора моделей:
организацию набора обучающих объектов в соответствующий упорядоченный список обучающих объектов, причем соответствующий упорядоченный список обучающих объектов организован таким образом, что для каждого обучающего объекта в соответствующем упорядоченном списке обучающих объектов существует по меньшей мере один из:
(i) предыдущий обучающий объект, который находится до данного обучающего объекта и
(ii) последующий обучающий объект, который находится после данного обучающего объекта;
при создании данной итерации дерева решений в данном ансамбле деревьев решений, процессор выполнен с возможностью осуществлять:
выбор одной модели из набора моделей и соответствующего упорядоченного списка;
создание структуры дерева решений с помощью одной модели из набора моделей;
при обработке данного категориального фактора с помощью структуры дерева решений, для данного категориального фактора, причем данный категориальный фактор, связанный с данным обучающим объектом, причем данный обучающий объект обладает по меньшей мере одним предыдущим обучающим объектом в соответствующем упорядоченном списке обучающих объектов, создание его числового представления, причем создание основывается на:
(i) числе общих вхождений по меньшей мере одного предыдущего обучающего объекта с тем же самым значением категориального фактора; и
(ii) числе заранее определенных результатов событий, связанных с по меньшей мере одним предыдущим обучающим объектом, который обладает тем же самым значением категориального фактора.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2017140974A RU2693324C2 (ru) | 2017-11-24 | 2017-11-24 | Способ и сервер преобразования значения категориального фактора в его числовое представление |
| US16/000,819 US11256991B2 (en) | 2017-11-24 | 2018-06-05 | Method of and server for converting a categorical feature value into a numeric representation thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2017140974A RU2693324C2 (ru) | 2017-11-24 | 2017-11-24 | Способ и сервер преобразования значения категориального фактора в его числовое представление |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| RU2017140974A true RU2017140974A (ru) | 2019-05-24 |
| RU2017140974A3 RU2017140974A3 (ru) | 2019-05-24 |
| RU2693324C2 RU2693324C2 (ru) | 2019-07-02 |
Family
ID=66633274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2017140974A RU2693324C2 (ru) | 2017-11-24 | 2017-11-24 | Способ и сервер преобразования значения категориального фактора в его числовое представление |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11256991B2 (ru) |
| RU (1) | RU2693324C2 (ru) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110400560B (zh) * | 2019-07-24 | 2022-10-18 | 北京明略软件系统有限公司 | 数据处理方法及装置、存储介质、电子装置 |
| CN110598774B (zh) * | 2019-09-03 | 2023-04-07 | 中电长城网际安全技术研究院(北京)有限公司 | 加密流量检测方法及装置、计算机可读存储介质、电子设备 |
| US11734582B2 (en) * | 2019-10-31 | 2023-08-22 | Sap Se | Automated rule generation framework using machine learning for classification problems |
| CN110956497B (zh) * | 2019-11-27 | 2022-11-25 | 桂林电子科技大学 | 一种电子商务平台用户重复购买行为预测方法 |
| CN113127692B (zh) * | 2019-12-31 | 2023-08-18 | 北京奇艺世纪科技有限公司 | 一种数据存储结构、检索方法、数据存储方法及终端设备 |
| US11676041B2 (en) * | 2020-03-24 | 2023-06-13 | Clover Health | Supervisory layer for model exchange |
| US11568317B2 (en) * | 2020-05-21 | 2023-01-31 | Paypal, Inc. | Enhanced gradient boosting tree for risk and fraud modeling |
| CN113159175B (zh) * | 2021-04-21 | 2023-06-06 | 平安科技（深圳）有限公司 | 数据预测方法、装置、设备及存储介质 |
Family Cites Families (120)
| 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 |
| JP2005523533A (ja) | 2002-04-19 | 2005-08-04 | コンピュータ アソシエイツ シンク，インコーポレイテッド | 混合型数字及び／又は非数字データの処理 |
| 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 |
| CA2938561C (en) | 2004-02-27 | 2019-09-03 | Accenture Global Services Limited | 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 |
| WO2006072011A2 (en) | 2004-12-30 | 2006-07-06 | Proventys, Inc. | Methods, systems, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality |
| 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 |
| WO2007117423A2 (en) | 2006-03-31 | 2007-10-18 | Cira Discovery Sciences, 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 |
| US8032550B2 (en) | 2009-05-11 | 2011-10-04 | Red Hat, Inc. | Federated document search by keywords |
| US8032551B2 (en) | 2009-05-11 | 2011-10-04 | Red Hat, Inc. | Searching documents for successive hashed 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 |
| US8738608B2 (en) | 2010-04-06 | 2014-05-27 | Justone Database, Inc. | Apparatus, systems and methods for 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 |
| US8521664B1 (en) | 2010-05-14 | 2013-08-27 | Google Inc. | Predictive analytical model matching |
| US8438122B1 (en) | 2010-05-14 | 2013-05-07 | Google Inc. | Predictive analytic modeling platform |
| 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 |
| US8949158B2 (en) | 2010-10-25 | 2015-02-03 | 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 |
| BR112013022900A2 (pt) | 2011-03-11 | 2017-11-14 | Koninklijke Philips Nv | aparelho, método e programa de computador de monitoramento para monitorar sinais fisiológicos |
| 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 |
| US20120316981A1 (en) | 2011-06-08 | 2012-12-13 | 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 |
| US9547830B2 (en) | 2013-05-07 | 2017-01-17 | 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 |
| US10339465B2 (en) | 2014-06-30 | 2019-07-02 | Amazon Technologies, Inc. | Optimized decision tree based models |
| US9886670B2 (en) | 2014-06-30 | 2018-02-06 | Amazon Technologies, Inc. | Feature processing recipes for machine learning |
| US9348920B1 (en) | 2014-12-22 | 2016-05-24 | Palantir Technologies Inc. | Concept indexing among database of documents using machine learning techniques |
| 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 |
| 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 |
| US10380127B2 (en) | 2017-02-13 | 2019-08-13 | Microsoft Technology Licensing, Llc | Candidate search result generation |
-
2017
- 2017-11-24 RU RU2017140974A patent/RU2693324C2/ru active
-
2018
- 2018-06-05 US US16/000,819 patent/US11256991B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US20190164060A1 (en) | 2019-05-30 |
| RU2017140974A3 (ru) | 2019-05-24 |
| RU2693324C2 (ru) | 2019-07-02 |
| US11256991B2 (en) | 2022-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2017140974A (ru) | Способ и сервер преобразования значения категориального фактора в его числовое представление | |
| Smith | Cyclical learning rates for training neural networks | |
| RU2017140969A (ru) | Способ и система создания параметра качества прогноза для прогностической модели, выполняемой в алгоритме машинного обучения | |
| CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
| JP2021523464A5 (ru) | ||
| TWI689825B (zh) | 一種文件品質指標獲取方法及裝置 | |
| JP2019511033A5 (ru) | ||
| CN108229924A (zh) | 招聘信息匹配方法、装置以及计算机可读存储介质 | |
| JP2019519821A (ja) | モデル分析方法、装置、及びコンピュータ読み取り可能な記憶媒体 | |
| RU2015141340A (ru) | Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования | |
| CN103399872B (zh) | 对网页抓取进行优化的方法和装置 | |
| JP2010537286A5 (ru) | ||
| CN109388634B (zh) | 地址信息的处理方法、终端设备及计算机可读存储介质 | |
| CN108009147B (zh) | 电子书封面生成方法、电子设备及计算机存储介质 | |
| RU2018122689A (ru) | Способ и система выбора для ранжирования поисковых результатов с помощью алгоритма машинного обучения | |
| US20200311611A1 (en) | Feature generation and feature selection for machine learning tool | |
| CN110096652A (zh) | 舆情风向标指数计算方法及装置、可读存储介质 | |
| RU2017140973A (ru) | Способ и сервер для переобразования значения категориального фактора в его числовое представление и для создания разделяющего значения категориольного фактора | |
| WO2019085332A1 (zh) | 金融数据分析方法、应用服务器及计算机可读存储介质 | |
| EP3921760A1 (en) | Mapping natural language utterances to operations over a knowledge graph | |
| CN104636407A (zh) | 参数取值训练及搜索请求处理方法和装置 | |
| CN109067708A (zh) | 一种网页后门的检测方法、装置、设备及存储介质 | |
| WO2015192798A1 (zh) | 主题挖掘方法和装置 | |
| CN108446170B (zh) | 一种基于机器学习的dns线程管理方法、装置和服务器 | |
| RU2015141339A (ru) | Способ (варианты) и система (варианты) создания модели прогнозирования и определения точности модели прогнозирования |