JP6059314B1 - 推定装置、推定方法及び推定プログラム - Google Patents
推定装置、推定方法及び推定プログラム Download PDFInfo
- Publication number
- JP6059314B1 JP6059314B1 JP2015184426A JP2015184426A JP6059314B1 JP 6059314 B1 JP6059314 B1 JP 6059314B1 JP 2015184426 A JP2015184426 A JP 2015184426A JP 2015184426 A JP2015184426 A JP 2015184426A JP 6059314 B1 JP6059314 B1 JP 6059314B1
- Authority
- JP
- Japan
- Prior art keywords
- information
- content
- feature
- time
- feature information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 49
- 239000000284 extract Substances 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 261
- 238000012545 processing Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 27
- 230000014509 gene expression Effects 0.000 description 23
- 210000002569 neuron Anatomy 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 230000008859 change Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000010365 information processing Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008685 targeting Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
Description
まず、図1を用いて、推定装置の一例である情報配信装置10の一例について説明する。図1は、実施形態に係る情報配信処理が実行する処理の一例を示す図である。図1では、情報配信装置10が実行する処理の一例として、コンテンツの配信元から投稿を受付けたコンテンツの重要度を、所定の時間帯ごとに推定する推定処理と、利用者U01が使用する端末装置100に、推定した重要度に応じた順序で表示させる情報配信処理との一例について説明する。
ここで、従来技術では、コンテンツの登録時にコンテンツの内容に基づいてコンテンツの重要度の初期値を推定し、推定した重要度を時間の経過に伴い減衰させた。しかしながら、配信対象となるコンテンツには、ニュース等、情報鮮度が重要視されるコンテンツだけではなく、コラム等、情報鮮度が重要視されないコンテンツ等も含まれる。また、コンテンツの中には、投稿されてからある程度時間が経過した後に、価値が見いだされた結果、リツイート等が頻繁に行われ、重要性が上昇するといったコンテンツも存在する。このため、各コンテンツの重要度を一律の基準で算出した場合や、時間の経過と共に重要度を減衰させた場合には、算出される重要度の値が、各コンテンツが有する実際の重要性と乖離してしまう。
ここで、情報配信装置10は、入力された情報から、その情報が有する特徴を抽出するように学習が行われた学習器Leを用いて、定常情報と変動情報との特徴を抽出し、抽出した特徴を示す情報をコンテンツの特徴情報とする。例えば、情報配信装置10は、ニューラルネットワーク、オートエンコーダ、及びディープラーニング等、入力データに対する演算結果を出力する複数のノードを多層に接続し、入力された情報の次元数を圧縮することで、入力された情報が有する特徴を抽出する学習器Leを用いて、特徴情報を抽出する。
ここで、学習器Leが定常情報と実績情報と時刻情報との組から抽出した特徴情報には、定常情報の特徴と実績情報の特徴と時刻情報の特徴とが反映されている。そこで、情報配信装置10は、所定の時刻よりも前の時刻におけるコンテンツの特徴を示す情報として抽出された特徴情報と、所定の時刻よりも前の時刻における変動情報との組から、所定の時刻におけるコンテンツの特徴情報を抽出する。
また、情報配信装置10は、抽出したコンテンツの特徴情報から、コンテンツの重要度を推定する際、任意の手法により、コンテンツの重要度を推定することができる。例えば、学習器Leを用いて抽出されるコンテンツの特徴情報は、複数次元の情報として抽出される。そこで、情報配信装置10は、特徴情報が有する各次元の情報が示す素性を推定するモデルを用いて、抽出された特徴情報からコンテンツの素性を示す素性情報を推定し、推定した素性情報からコンテンツの重要度を推定するモデルを用いて、コンテンツの重要度を推定してもよい。
まず、情報配信装置10が実行する推定処理について説明する。例えば、情報配信装置10は、クライアント端末200からコンテンツの投稿を受付ける(ステップS1)。より具体的には、情報配信装置10は、コンテンツの内容と共に、コンテンツの配信元、コンテンツが属するカテゴリ、コンテンツの著者等、コンテンツの属性を示す各種の情報を含む記事情報「x」を受付ける。
次に、情報配信装置10が実行する情報配信処理について説明する。例えば、情報配信装置10は、端末装置100からコンテンツの配信要求を受付ける(ステップS7)。このような場合、情報配信装置10は、利用者U01の属性やコンテンツの属性等から、配信対象となるコンテンツを選択し、選択したコンテンツのうち、推定重要度が高いコンテンツを優先的に配信する(ステップS8)。例えば、情報配信装置10は、選択したコンテンツについて、最後に推定した推定重要度が高い順にコンテンツを配信する。この結果、端末装置100は、推定重要度が高いコンテンツを優先的に表示することで(ステップS9)、適切な順序でコンテンツを利用者U01に閲覧させることができる。
次に、図2を用いて、実施形態にかかる情報配信装置10の構成について説明する。図2は、実施形態に係る情報配信装置が有する機能構成の一例を示す図である。図2に示すように、情報配信装置10は、通信部11と、記憶部12と、制御部13とを有する。通信部11は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部11は、ネットワークNと有線または無線で接続され、端末装置100、ログサーバ102、およびクライアント端末200との間で情報の送受信を行う。
記憶部12は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。また、記憶部12は、コンテンツデータベース14、実績情報データベース15、学習器データベース16、特徴情報データベース17、推定モデルデータベース18、重要度データベース19を記憶する。
図2に戻って、説明を続ける。制御部13は、例えば、CPU(Central Processing Unit)、MPU(Micro Processing Unit)、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等によって、情報配信装置10内部の記憶装置に記憶されている各種プログラムがRAMを作業領域として実行されることにより実現される。
日時「2015/1/1/02:00〜02:59」に含まれる日時を「t2」とする例について説明する。例えば、抽出部23は、日時「t2」までに収集された実績情報、すなわち、使用日時「2015/1/1/01:00〜01:59」を用いて抽出された特徴情報「y2」が登録されていないコンテンツを特徴情報データベース17から特定する。
次に、図9を用いて、端末装置100が推定重要度に応じた優先度でコンテンツを表示する処理の一例について説明する。図9は、実施形態にかかる端末装置が優先度に応じてコンテンツを表示する処理の一例を説明する図である。なお、図9に示す例では、コンテンツとして、ニュースA、ニュースB、コラムCが配信された後で、ニュースDおよびニュースEが配信された際に端末装置100が表示する画面の一例を記載した。また、以下の説明では、端末装置100は、最大で4つのコンテンツを表示するものとする。
次に、数式を用いて、情報配信装置20が使用する学習器Leおよびモデルの一例について説明する。なお、以下の説明では、時刻情報「k」が示す時刻における実績情報を「hk」、分散表現や特徴情報を「yk」、素性情報を「zk」、推定重要度を「wk」と記載する。また、以下の説明では、記事情報を「x」と記載する。なお、「x」は、記事情報を示す疎ベクトルとなる。
次に、図10〜図12を用いて、実施形態に係る情報配信装置10が実行する処理の流れの一例について説明する。まず、図10を用いて、コンテンツの投稿を受付けた際に実行する処理の流れについて説明する。図10は、実施形態にかかる情報配信装置がコンテンツの投稿を受付ける処理の流れの一例を示すフローチャートである。例えば、情報配信装置10は、クライアント端末20から、コンテンツの投稿を受付ける(ステップS101)。かかる場合、情報配信装置10は、コンテンツの定常情報の内容を示す分散表現を生成し(ステップS102)、処理を終了する。
上述した実施形態に係る情報配信装置10は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、上記の情報配信装置10の他の実施形態について説明する。
上述した説明では、情報配信装置10は、入力層、中間層および出力層の3層を有するオートエンコーダである学習器Leを用いて、特徴情報の抽出を行った。しかしながら、実施形態は、これに限定されるものではない。例えば、情報配信装置10は、複数の中間層を有する学習器Le、すなわち、任意の数の層を有する学習器Leを用いて、特徴情報の抽出を行ってよい。
上述した説明では、情報配信装置10は、定常情報と変動情報とに基づいて、特徴情報を抽出していた。ここで、情報配信装置10が推定重要度を推定する時間間隔が、実績情報を収集する時間間隔よりも短い場合、初期の推定処理においては、変動情報が存在しない場合がある。このような場合であっても、情報配信装置10は、上述した推定処理を実行することで、定常情報から特徴情報を推定し、推定した特徴情報から推定重要度を推定してもよい。
また、情報配信装置10は、コンテンツに関する情報のうち、時間の経過とともに変動しない情報であれば、任意の情報を定常情報として採用することができる。例えば、情報配信装置10は、コンテンツの内容、配信元等の提供主、コンテンツが属するカテゴリ、著者、コンテンツに含まれるテキスト、画像、動画像、若しくは音声等の変動しない情報のうち、少なくともいずれか1つを変動情報として採用し、変動情報に基づいて特徴情報を抽出すればよい。
上述した情報配信装置10は、定常情報と変動情報との組からコンテンツの特徴を抽出可能な学習器Leを用いた。しかしながら、実施形態は、これに限定されるものではなく、情報配信装置10は、学習器Leの学習を行ってもよい。
ここで、情報配信装置10は、配信対象となるコンテンツの選択に、学習器Leを利用してもよい。例えば、情報配信装置10は、収入、職業、学歴等のデモグラフィック属性や、ライフスタイルや利用者U01の好み等のサイコグラフィック属性等、利用者U01の属性情報を示す分散表現を求め、学習器Leを用いて、利用者U01の属性情報と、コンテンツの定常情報と、実績情報との組の特徴を示す特徴情報を抽出する。そして、情報配信装置10は、抽出した特徴情報から推定優先度を推定することで、コンテンツの配信先となる利用者U01の属性に応じた推定優先度を推定してもよい。
上述した説明では、情報配信装置10は、ニュースやコラム等のテキストを含むコンテンツの分散表現から特徴情報を抽出した。しかしながら、実施形態は、これに限定されるものではない。すなわち、情報配信装置10は、画像、動画像、音声等のコンテンツから分散表現を生成し、生成した分散表現に基づくコンテンツの特徴情報を抽出してもよい。すなわち、情報配信装置10は、画像、動画像、音声等の分散表現をコンテンツの定常情報とし、定常情報と実績情報との組に基づいて、コンテンツの特徴情報を抽出してもよい。
なお、コンテンツが広告である場合、広告主は、広告コンテンツの入稿を代理店に依頼する場合もある。この場合、情報配信装置10に広告コンテンツを入稿するのは代理店となる。本明細書では、コンテンツが広告である場合、「クライアント」といった表記は、広告コンテンツによって広告が行われるクライアント等、広告主だけでなく代理店を含む概念であり、「クライアント端末」といった表記は、広告主が使用する装置だけでなく代理店によって利用される装置を含む概念であるものとする。
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
また、上述してきた実施形態に係る情報配信装置10は、例えば図13に示すような構成のコンピュータ1000によって実現される。図13は、情報配信装置の機能を実現するコンピュータのハードウェア構成の一例を示す図である。コンピュータ1000は、CPU1100、RAM1200、ROM1300、HDD1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を有する。
上述したように、情報配信装置10は、コンテンツに係る所定の情報である定常情報と、時間の経過に応じて変化する変動情報とに基づき、所定の時刻におけるコンテンツの特徴を示す特徴情報を、入力された情報からその情報が有する特徴を抽出する学習器Leを用いて抽出する。そして、情報配信装置10は、抽出した特徴情報に基づいて、所定の時刻におけるコンテンツの重要度を推定する。このため、情報配信装置10は、コンテンツの重要度の推定精度を向上させることができる。
11 通信部
12 記憶部
13 制御部
14 コンテンツデータベース
15 実績情報データベース
16 学習器データベース
17 特徴情報データベース
18 推定モデルデータベース
19 重要度データベース
20 受付部
21 収集部
22 生成部
23 抽出部
24 推定部
25 配信部
100、101 端末装置
102 ログサーバ
200 クライアント端末
Claims (14)
- コンテンツに関する所定の定常情報と、当該コンテンツに関する情報のうち時間の経過に応じて変化する変動情報とに基づき、所定の時刻における当該コンテンツの特徴を示す特徴情報を、入力された情報から当該情報が有する特徴を抽出する学習器を用いて抽出する抽出部と、
抽出された前記特徴情報に基づいて、前記所定の時刻における前記コンテンツの重要度を推定する推定部と
を有することを特徴とする推定装置。 - 前記抽出部は、前記所定の定常情報として、前記コンテンツに関する情報のうち前記変動情報よりも時間の経過に応じた変化が少ない情報に基づき、前記特徴情報を抽出する
ことを特徴とする請求項1に記載の推定装置。 - 前記抽出部は、前記所定の時刻よりも前の時刻における前記コンテンツの特徴を示す情報として抽出された特徴情報と、前記所定の時刻よりも前の時刻における変動情報との組から、前記所定の時刻における前記コンテンツの特徴を示す特徴情報を抽出する
ことを特徴とする請求項1または2に記載の推定装置。 - 前記抽出部は、前記所定の時刻よりも前の時刻における前記コンテンツの特徴を示す特徴情報を抽出した後の時間帯における変動情報と、当該所定の時刻よりも前の時刻における前記コンテンツの特徴を示す特徴情報との組から、前記所定の時刻における前記コンテンツの特徴を示す特徴情報を抽出する
ことを特徴とする請求項3に記載の推定装置。 - 前記抽出部は、前記変動情報として、前記所定の時刻よりも前の時刻における変動情報に基づいて、前記所定の時刻における前記コンテンツの特徴を示す特徴情報を抽出する
ことを特徴とする請求項1〜4のうちいずれか1つに記載の推定装置。 - 前記抽出部は、前記変動情報として、前記コンテンツが登録されてから前記所定の時刻までの間における変動情報に基づいて、前記所定の時刻における前記コンテンツの特徴を示す特徴情報を抽出する
ことを特徴とする請求項1〜5のうちいずれか1つに記載の推定装置。 - 前記抽出部は、入力データに対する演算結果を出力する複数のノードを多層に接続した学習器であって、入力された情報の次元数を圧縮することで当該情報が有する特徴を示す特徴情報を抽出する学習器を用いて、前記コンテンツの特徴情報を抽出する
ことを特徴とする請求項1〜6のうちいずれか1つに記載の推定装置。 - 前記抽出部は、前記学習器として、入力された情報から抽出した特徴情報を出力する層と、当該層が出力した特徴情報と、前記変動情報との入力を受付ける層とを有する学習器を用いて、前記コンテンツの特徴情報を抽出する
ことを特徴とする請求項7に記載の推定装置。 - 前記抽出部は、前記定常情報として、前記コンテンツの内容、前記コンテンツの提供主、前記コンテンツが属する分野、前記コンテンツの著者、前記コンテンツに含まれるテキスト、および前記コンテンツに含まれるテキスト、画像、動画像、若しくは音声のうち、少なくともいずれか1つに基づいて、前記コンテンツの特徴情報を抽出する
ことを特徴とする請求項1〜8のうちいずれか1つに記載の推定装置。 - 前記抽出部は、前記変動情報として、前記コンテンツが閲覧された回数、前記コンテンツが選択された回数、当該コンテンツに対するリンクの数、前記コンテンツが検索された回数、前記コンテンツに関する情報が発信された回数、および前記コンテンツに対する評価のうち、少なくともいずれか1つに基づいて、前記コンテンツの特徴情報を抽出する
ことを特徴とする請求項1〜9のうちいずれか1つに記載の推定装置。 - 前記推定部は、前記所定の時刻における前記コンテンツの特徴を示す特徴情報から、前記所定の時刻における前記コンテンツが有する素性を示す素性情報を推定し、当該素性情報から、前記所定の時刻における前記コンテンツの重要度を推定するモデルを用いて、前記所定の時刻における前記コンテンツの重要度を推定する
ことを特徴とする請求項1〜10のうちいずれか1つに記載の推定装置。 - 所定の時刻におけるコンテンツの特徴を示す特徴情報と、当該コンテンツに関する情報のうち時間の経過に応じて変化する変動情報とに基づいて、前記所定の時刻よりも後の時刻における前記コンテンツの特徴を示す特徴情報を抽出する抽出部と、
抽出された前記特徴情報に基づいて、前記所定の時刻よりも後の時刻における前記コンテンツの重要度を推定する推定部と
を有することを特徴とする推定装置。 - コンテンツに関する所定の定常情報と、当該コンテンツに関する情報のうち時間の経過に応じて変化する変動情報とに基づき、所定の時刻における当該コンテンツの特徴を示す特徴情報を、入力された情報から当該情報が有する特徴を抽出する学習器を用いて抽出する抽出工程と、
抽出された前記特徴情報に基づいて、前記所定の時刻における前記コンテンツの重要度を推定する推定工程と
を含むことを特徴とする推定方法。 - コンピュータに、
コンテンツに関する所定の定常情報と、当該コンテンツに関する情報のうち時間の経過に応じて変化する変動情報とに基づき、所定の時刻における当該コンテンツの特徴を示す特徴情報を、入力された情報から当該情報が有する特徴を抽出する学習器を用いて抽出する抽出手順と、
抽出された前記特徴情報に基づいて、前記所定の時刻における前記コンテンツの重要度を推定する推定手順と
を実行させることを特徴とする推定プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015184426A JP6059314B1 (ja) | 2015-09-17 | 2015-09-17 | 推定装置、推定方法及び推定プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015184426A JP6059314B1 (ja) | 2015-09-17 | 2015-09-17 | 推定装置、推定方法及び推定プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016238717A Division JP6692739B2 (ja) | 2016-12-08 | 2016-12-08 | 抽出装置、抽出方法及び抽出プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6059314B1 true JP6059314B1 (ja) | 2017-01-11 |
JP2017059057A JP2017059057A (ja) | 2017-03-23 |
Family
ID=57756210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015184426A Active JP6059314B1 (ja) | 2015-09-17 | 2015-09-17 | 推定装置、推定方法及び推定プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6059314B1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017059255A (ja) * | 2016-12-08 | 2017-03-23 | ヤフー株式会社 | 推定装置、推定方法及び推定プログラム |
JP2020017126A (ja) * | 2018-07-26 | 2020-01-30 | Zホールディングス株式会社 | 学習装置、学習方法及び学習プログラム |
JP7440338B2 (ja) | 2020-05-11 | 2024-02-28 | 株式会社トヨタマップマスター | 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6711774B2 (ja) | 2017-03-24 | 2020-06-17 | 日本碍子株式会社 | ハニカム構造体の製造方法 |
US10691543B2 (en) * | 2017-11-14 | 2020-06-23 | International Business Machines Corporation | Machine learning to enhance redundant array of independent disks rebuilds |
JP7205328B2 (ja) | 2019-03-19 | 2023-01-17 | 富士通株式会社 | 推定プログラム、推定装置および推定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000099525A (ja) * | 1998-09-18 | 2000-04-07 | Nippon Telegr & Teleph Corp <Ntt> | 利用者の周期的興味変化に基づく情報提供方法および装置と情報提供プログラムを記録した記録媒体 |
JP2007317068A (ja) * | 2006-05-29 | 2007-12-06 | Osaka Prefecture Univ | リコメンド装置およびリコメンドシステム |
JP2012168986A (ja) * | 2012-05-25 | 2012-09-06 | Telecom Italia Spa | 選択されたコンテンツアイテムをユーザーに提供する方法 |
US20150199347A1 (en) * | 2014-01-15 | 2015-07-16 | Microsoft Corporation | Promoting documents based on relevance |
-
2015
- 2015-09-17 JP JP2015184426A patent/JP6059314B1/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000099525A (ja) * | 1998-09-18 | 2000-04-07 | Nippon Telegr & Teleph Corp <Ntt> | 利用者の周期的興味変化に基づく情報提供方法および装置と情報提供プログラムを記録した記録媒体 |
JP2007317068A (ja) * | 2006-05-29 | 2007-12-06 | Osaka Prefecture Univ | リコメンド装置およびリコメンドシステム |
JP2012168986A (ja) * | 2012-05-25 | 2012-09-06 | Telecom Italia Spa | 選択されたコンテンツアイテムをユーザーに提供する方法 |
US20150199347A1 (en) * | 2014-01-15 | 2015-07-16 | Microsoft Corporation | Promoting documents based on relevance |
Non-Patent Citations (1)
Title |
---|
JPN6016032886; 高橋 翼 外2名: '「ソーシャルブックマークにおけるトピック分析と活性度推定に基づくWebページのランキング」' 第2回データ工学と情報マネジメントに関するフォーラム-DEIM 2010-論文集 [online] , 20100525, 電子情報通信学会データ工学研究専門委員会 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017059255A (ja) * | 2016-12-08 | 2017-03-23 | ヤフー株式会社 | 推定装置、推定方法及び推定プログラム |
JP2020017126A (ja) * | 2018-07-26 | 2020-01-30 | Zホールディングス株式会社 | 学習装置、学習方法及び学習プログラム |
JP7096093B2 (ja) | 2018-07-26 | 2022-07-05 | ヤフー株式会社 | 学習装置、学習方法及び学習プログラム |
JP7440338B2 (ja) | 2020-05-11 | 2024-02-28 | 株式会社トヨタマップマスター | 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
JP2017059057A (ja) | 2017-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6059314B1 (ja) | 推定装置、推定方法及び推定プログラム | |
US11593894B2 (en) | Interest recommendation method, computer device, and storage medium | |
JP5881153B2 (ja) | 相関性のある情報の推薦 | |
US8332512B1 (en) | Method and system for selecting content based on a user's viral score | |
JP6261547B2 (ja) | 判定装置、判定方法及び判定プログラム | |
TWI636416B (zh) | 內容個人化之多相排序方法和系統 | |
US9710555B2 (en) | User profile stitching | |
KR102233805B1 (ko) | 미인지된 및 새로운 유저들에 대한 향상된 유저 경험 | |
US9582569B2 (en) | Targeted content distribution based on a strength metric | |
JP4650541B2 (ja) | 推薦装置および方法、プログラム、並びに記録媒体 | |
US11042810B2 (en) | Similarity learning-based device attribution | |
JP5984917B2 (ja) | 提案される語を提供するための方法および装置 | |
EP2407897A1 (en) | Device for determining internet activity | |
KR20160057475A (ko) | 소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법 | |
WO2017118426A1 (zh) | 社交平台的用户影响力估算方法、装置及计算机存储介质 | |
WO2014022231A1 (en) | Location retargeting system for online advertising | |
CN107301247B (zh) | 建立点击率预估模型的方法及装置、终端、存储介质 | |
JP2019514084A (ja) | ビデオ検索に対する視聴時間クラスタリング | |
CN106447419B (zh) | 基于特征选择的拜访者标识 | |
JP6522050B2 (ja) | 判定装置、学習装置、判定方法及び判定プログラム | |
EP2478448A1 (en) | Method and apparatus for data traffic analysis and clustering | |
WO2017087833A1 (en) | Measuring influence propagation within networks | |
US20130198240A1 (en) | Social Network Analysis | |
US20210233147A1 (en) | Recommendation engine based on optimized combination of recommendation algorithms | |
JP6692739B2 (ja) | 抽出装置、抽出方法及び抽出プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161019 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20161108 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161208 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6059314 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |