JP7498248B2 - コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム - Google Patents
コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム Download PDFInfo
- Publication number
- JP7498248B2 JP7498248B2 JP2022177444A JP2022177444A JP7498248B2 JP 7498248 B2 JP7498248 B2 JP 7498248B2 JP 2022177444 A JP2022177444 A JP 2022177444A JP 2022177444 A JP2022177444 A JP 2022177444A JP 7498248 B2 JP7498248 B2 JP 7498248B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- sub
- feature data
- scene
- recommended
- 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
- 238000012549 training Methods 0.000 title claims description 128
- 238000000034 method Methods 0.000 title claims description 108
- 238000004590 computer program Methods 0.000 title claims description 15
- 230000009471 action Effects 0.000 claims description 57
- 230000000694 effects Effects 0.000 claims description 42
- 230000006399 behavior Effects 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 description 67
- 230000008569 process Effects 0.000 description 43
- 230000032683 aging Effects 0.000 description 39
- 238000012545 processing Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 230000003542 behavioural effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 239000004615 ingredient Substances 0.000 description 10
- 238000013459 approach Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
推薦すべきシーンを決定することと、
少なくとも2つの次元に対して、少なくとも2つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び前記少なくとも2つの次元の特徴データに基づいて、トレーニングして得られた少なくとも2つの次元のサブモデルを含む少なくとも2つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択することと、
各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うことと、を含む。
少なくとも2つのシーンの行為情報を取得することと、
前記行為情報に基づいて、汎用特徴データと少なくとも2つの次元の特徴データを含む特徴データを構築することと、
少なくとも2つの次元に対して、前記汎用特徴データと前記少なくとも2つの次元の特徴データに基づいて、少なくとも2つの次元のサブモデルをトレーニングすることと、を含む。
推薦すべきシーンを決定するための決定モジュールと、
少なくとも2つの次元に対して、少なくとも2つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び前記少なくとも2つの次元の特徴データに基づいて、トレーニングして得られた少なくとも2つの次元のサブモデルを含む少なくとも2つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択するための選択モジュールと、
各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うための推薦モジュールと、を含む。
少なくとも2つのシーンの行為情報を取得するための取得モジュールと、
前記行為情報に基づいて、汎用特徴データと少なくとも2つの次元の特徴データを含む特徴データを構築するための特徴構築モジュールと、
少なくとも2つの次元に対して、前記汎用特徴データと前記少なくとも2つの次元の特徴データに基づいて、少なくとも2つの次元のサブモデルをトレーニングするためのサブモデルトレーニングモジュールと、を含む。
少なくとも1つのプロセッサと、
前記少なくとも1つのプロセッサと通信接続されるメモリと、を備える電子機器であって、
前記メモリには、前記少なくとも1つのプロセッサによって実行され得る命令が記憶されており、前記命令が前記少なくとも1つのプロセッサによって実行されることで、前記少なくとも1つのプロセッサが第1態様に記載の方法を実行することができる。
少なくとも1つのプロセッサと、
前記少なくとも1つのプロセッサと通信接続されるメモリとを備える電子機器であって、
前記メモリには、前記少なくとも1つのプロセッサによって実行され得る命令が記憶されており、前記命令が前記少なくとも1つのプロセッサによって実行されることで、前記少なくとも1つのプロセッサが第2態様に記載の方法を実行することができる。
推薦すべきシーンを決定することと、
少なくとも2つの次元に対して、少なくとも2つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び少なくとも2つの次元の特徴データに基づいて、トレーニングして得られた少なくとも2つの次元のサブモデルを含む少なくとも2つのサブモデルから、推薦すべきシーンに対応する目標サブモデルを選択することと、
各目標サブモデルの組み合わせを用いて、推薦すべきシーンに対してコンテンツ推薦を行うことと、を含んでもよい。
少なくとも2つのシーンの行為情報を取得することと、
行為情報に基づいて、汎用特徴データと少なくとも2つの次元の特徴データを含む特徴データを構築することと、
少なくとも2つの次元に対して、汎用特徴データと少なくとも2つの次元の特徴データに基づいて、少なくとも2つの次元のサブモデルをトレーニングすることと、を含んでもよい。
推薦すべきシーンを決定するための決定モジュール601と、
少なくとも2つの次元に対して、少なくとも2つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び少なくとも2つの次元の特徴データに基づいて、トレーニングして得られた少なくとも2つの次元のサブモデルを含む少なくとも2つのサブモデルから、推薦すべきシーンに対応する目標サブモデルを選択するための選択モジュール602と、
各目標サブモデルの組み合わせを用いて、推薦すべきシーンに対してコンテンツ推薦を行うための推薦モジュール603と、を含むことができる。
各サブモデルのモデル重みを受信するための受信モジュール701をさらに含み、
選択モジュール602は、具体的に、各サブモデルに対して、サブモデルのモデル重みがゼロでないことに応答し、サブモデルを目標サブモデルとするために用いられ、
推薦モジュール603は、具体的に、目標サブモデル及び目標サブモデルのモデル重みの組み合わせに基づいて、推薦すべきシーンに対してコンテンツ推薦を行うために用いられる。
事前にトレーニングして得られた各サブモデルの汎用モデル重みを取得するための取得モジュール801と、
推薦すべきシーンに対して、事前にトレーニングして得られた各サブモデルの汎用モデル重みを調整し、推薦すべきシーンに対応する各目標サブモデルのモデル重みを取得するための調整モジュール802と、をさらに含み、
推薦モジュール603は、具体的に、目標サブモデル及び目標サブモデルのモデル重みの組み合わせに基づいて、推薦すべきシーンに対してコンテンツ推薦を行うために用いられる。
少なくとも2つのシーンの行為情報を取得するための取得モジュール901と、
行為情報に基づいて、汎用特徴データと少なくとも2つの次元の特徴データを含む特徴データを構築するための特徴構築モジュール902と、
少なくとも2つの次元に対して、汎用特徴データと少なくとも2つの次元の特徴データに基づいて、少なくとも2つの次元のサブモデルをトレーニングするためのサブモデルトレーニングモジュール903と、を含んでもよい。
少なくとも2つの次元のサブモデル及び汎用特徴データ、少なくとも2つの次元の特徴データに基づいて、各サブモデルの汎用モデル重みをトレーニングするためのモデル重みトレーニングモジュール1001をさらに含む。
Claims (18)
- 推薦すべきシーンを決定することと、
前記推薦すべきシーンと少なくとも2つのサブモデルとの関連度に基づいて、少なくとも2つの次元のサブモデルを含む少なくとも2つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択することと、
各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うことと、を含み、
前記次元のサブモデルは、各次元に対して、汎用特徴データ及び前記次元の特徴データに基づいて、トレーニングして得られ、
前記汎用特徴データ及び少なくとも2つの次元の特徴データは、複数の行為情報に基づいて構築され、各行為情報に対して、前記行為情報を、汎用特徴データ及び少なくとも2つの次元の特徴データを含むように分割し、
複数の行為情報は、少なくとも2つのシーンの複数の行為情報を含み、
前記少なくとも2つの次元は、ソーシャル次元と、スキル次元と、興味次元と、時効次元との少なくとも2つを含む
プロセッサによって実行される、コンテンツ推薦方法。 - 推薦すべきシーンを決定することと、
少なくとも2つの次元に対して、少なくとも2つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び前記少なくとも2つの次元の特徴データに基づいて、トレーニングして得られた少なくとも2つの次元のサブモデルを含む少なくとも2つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択することと、
各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うことと、を含む、
プロセッサによって実行される、コンテンツ推薦方法であって、
各サブモデルのモデル重みを受信することをさらに含み、
少なくとも2つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択することは、
各サブモデルに対して、前記サブモデルのモデル重みがゼロでないことに応答し、前記サブモデルを目標サブモデルとすることを含み、
各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うことは、
前記目標サブモデル及び前記目標サブモデルのモデル重みの組み合わせに基づいて、前記推薦すべきシーンに対してコンテンツ推薦を行うことを含む、
プロセッサによって実行される、コンテンツ推薦方法。 - 事前にトレーニングして得られた各サブモデルの汎用モデル重みを取得することと、
前記推薦すべきシーンに対して、事前にトレーニングして得られた各サブモデルの汎用モデル重みを調整し、前記推薦すべきシーンに対応する各目標サブモデルのモデル重みを取得することと、をさらに含み、
各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うことは、
前記目標サブモデル及び前記目標サブモデルのモデル重みの組み合わせに基づいて、前記推薦すべきシーンに対してコンテンツ推薦を行うことを含む、
請求項2に記載の方法。 - 少なくとも2つのシーンの行為情報を取得することと、
前記行為情報に基づいて、汎用特徴データと少なくとも2つの次元の特徴データを含む特徴データを構築することと、
少なくとも2つの次元に対して、前記汎用特徴データと前記少なくとも2つの次元の特徴データに基づいて、少なくとも2つの次元のサブモデルをトレーニングすることと、を含む、
プロセッサによって実行される、ソートモデルトレーニング方法。 - 前記行為情報に基づいて特徴データを構築することは、
各行為情報に対して、前記行為情報中の識別情報を抽出し、前記行為情報に対応する汎用特徴データとすることと、
ソーシャル次元と、スキル次元と、興味次元と、時効次元との少なくとも2つを含む少なくとも2つの次元から、前記行為情報における前記少なくとも2つの次元と一対一に対応する特徴データを抽出することと、を含む、
請求項4に記載の方法。 - 少なくとも2つの次元のサブモデル及び前記汎用特徴データ、少なくとも2つの次元の特徴データに基づいて、各サブモデルの汎用モデル重みをトレーニングすることをさらに含む、
請求項4に記載の方法。 - 推薦すべきシーンを決定するための決定モジュールと、
前記推薦すべきシーンと少なくとも2つのサブモデルとの関連度に基づいて、
少なくとも2つの次元のサブモデルを含む少なくとも2つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択するための選択モジュールと、
各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うための推薦モジュールと、を含み、
各次元に対して、前記次元のサブモデルは、汎用特徴データ及び前記次元の特徴データに基づいて、トレーニングして得られ、
前記汎用特徴データ及び少なくとも2つの次元の特徴データは、複数の行為情報に基づいて構築され、各行為情報に対して、前記行為情報を、汎用特徴データ及び少なくとも2つの次元の特徴データを含むように分割し、
複数の行為情報は、少なくとも2つのシーンの複数の行為情報を含み、
前記少なくとも2つの次元は、ソーシャル次元と、スキル次元と、興味次元と、時効次元との少なくとも2つを含む、
コンテンツ推薦装置。 - 推薦すべきシーンを決定するための決定モジュールと、
少なくとも2つの次元に対して、少なくとも2つのシーンの行為情報を含む行為情報に基づいて構築された汎用特徴データ及び前記少なくとも2つの次元の特徴データに基づいて、トレーニングして得られた少なくとも2つの次元のサブモデルを含む少なくとも2つのサブモデルから、前記推薦すべきシーンに対応する目標サブモデルを選択するための選択モジュールと、
各目標サブモデルの組み合わせを用いて、前記推薦すべきシーンに対してコンテンツ推薦を行うための推薦モジュールと、を含む、
コンテンツ推薦装置であって、
各サブモデルのモデル重みを受信するための受信モジュールをさらに含み、
前記選択モジュールは、具体的に、各サブモデルに対して、前記サブモデルのモデル重みがゼロでないことに応答し、前記サブモデルを目標サブモデルとするために用いられ、
前記推薦モジュールは、具体的に、前記目標サブモデル及び前記目標サブモデルのモデル重みの組み合わせに基づいて、前記推薦すべきシーンに対してコンテンツ推薦を行うために用いられる、
コンテンツ推薦装置。 - 事前にトレーニングして得られた各サブモデルの汎用モデル重みを取得するための取得モジュールと、
前記推薦すべきシーンに対して、事前にトレーニングして得られた各サブモデルの汎用モデル重みを調整し、前記推薦すべきシーンに対応する各目標サブモデルのモデル重みを取得するための調整モジュールと、をさらに含み、
前記推薦モジュールは、具体的に、前記目標サブモデル及び前記目標サブモデルのモデル重みの組み合わせに基づいて、前記推薦すべきシーンに対してコンテンツ推薦を行うために用いられる、
請求項8に記載の装置。 - 少なくとも2つのシーンの行為情報を取得するための取得モジュールと、
前記行為情報に基づいて、汎用特徴データと少なくとも2つの次元の特徴データを含む特徴データを構築するための特徴構築モジュールと、
少なくとも2つの次元に対して、前記汎用特徴データと前記少なくとも2つの次元の特徴データに基づいて、少なくとも2つの次元のサブモデルをトレーニングするためのサブモデルトレーニングモジュールと、を含む、
ソートモデルトレーニング装置。 - 前記特徴構築モジュールは、具体的に、各行為情報に対して、前記行為情報中の識別情報を抽出し、前記行為情報に対応する汎用特徴データとし、ソーシャル次元と、スキル次元と、興味次元と、時効次元との少なくとも2つを含む少なくとも2つの次元から、前記行為情報における前記少なくとも2つの次元と一対一に対応する特徴データを抽出するために用いられる、
請求項10に記載の装置。 - 少なくとも2つの次元のサブモデル及び前記汎用特徴データ、少なくとも2つの次元の特徴データに基づいて、各サブモデルの汎用モデル重みをトレーニングするためのモデル重みトレーニングモジュールをさらに含む、
請求項11に記載の装置。 - 少なくとも1つのプロセッサと、
前記少なくとも1つのプロセッサと通信接続されるメモリと、を備える電子機器であって、
前記メモリには、前記少なくとも1つのプロセッサによって実行され得る命令が記憶されており、前記命令が前記少なくとも1つのプロセッサによって実行されることで、前記少なくとも1つのプロセッサが請求項1~3のいずれか一項に記載の方法を実行することができる、
電子機器。 - 少なくとも1つのプロセッサと、
前記少なくとも1つのプロセッサと通信接続されるメモリと、を備える電子機器であって、
前記メモリには、前記少なくとも1つのプロセッサによって実行され得る命令が記憶されており、前記命令が前記少なくとも1つのプロセッサによって実行されることで、前記少なくとも1つのプロセッサが請求項4~6のいずれか一項に記載の方法を実行することができる、
電子機器。 - コンピュータに請求項1~3のいずれか一項に記載の方法を実行させるためのコンピュータ命令を記憶している、
非一時的なコンピュータ可読記憶媒体。 - コンピュータに請求項4~6のいずれか一項に記載の方法を実行させるためのコンピュータ命令を記憶している、
非一時的なコンピュータ可読記憶媒体。 - プロセッサにより実行される場合に、請求項1~3のいずれか一項に記載の方法を実現するコンピュータプログラム。
- プロセッサにより実行される場合に、請求項4~6のいずれか一項に記載の方法を実現するコンピュータプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111443352.0A CN114036398B (zh) | 2021-11-30 | 2021-11-30 | 内容推荐和排序模型训练方法、装置、设备以及存储介质 |
CN202111443352.0 | 2021-11-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023017921A JP2023017921A (ja) | 2023-02-07 |
JP7498248B2 true JP7498248B2 (ja) | 2024-06-11 |
Family
ID=80139245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022177444A Active JP7498248B2 (ja) | 2021-11-30 | 2022-11-04 | コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4134900A3 (ja) |
JP (1) | JP7498248B2 (ja) |
KR (1) | KR20220154062A (ja) |
CN (1) | CN114036398B (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116204700A (zh) * | 2022-08-03 | 2023-06-02 | 北京百度网讯科技有限公司 | 目标排序模型的训练方法、目标排序方法及装置 |
CN115293291B (zh) * | 2022-08-31 | 2023-09-12 | 北京百度网讯科技有限公司 | 排序模型的训练方法、排序方法、装置、电子设备及介质 |
CN115423559B (zh) * | 2022-09-06 | 2024-05-14 | 湖南恒达讯飞科技有限公司 | 一种基于虚拟vr技术的家居产品线上展览展示方法 |
CN116610745B (zh) * | 2023-06-08 | 2023-12-26 | 深圳市巨灵数字有限公司 | 应用数字孪生技术的ai场景信息推送处理方法及*** |
CN117455573A (zh) * | 2023-10-26 | 2024-01-26 | 深圳市维卓数字营销有限公司 | 一种互联网数据分析方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015099593A (ja) | 2013-11-18 | 2015-05-28 | パロ・アルト・リサーチ・センター・インコーポレーテッドPalo Alto Research Center Incorporated | 推薦エンジンに基づく汎用グラフ、ルール及び空間構造 |
US20210044674A1 (en) | 2015-12-02 | 2021-02-11 | Zeta Global Corp. | Method and Apparatus for Real-Time Personalization |
US20210326674A1 (en) | 2019-05-13 | 2021-10-21 | Tencent Technology (Shenzhen) Company Limited | Content recommendation method and apparatus, device, and storage medium |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324948B (zh) * | 2008-07-24 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法及装置 |
JP5409268B2 (ja) * | 2009-10-30 | 2014-02-05 | 株式会社日立ソリューションズ | 情報提示装置及び携帯端末 |
CN109783539A (zh) * | 2019-01-07 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 用户挖掘及其模型构建方法、装置及计算机设备 |
CN111008332B (zh) * | 2019-12-03 | 2023-04-07 | 深圳市雅阅科技有限公司 | 内容项推荐方法、装置、服务器以及存储介质 |
CN111950593A (zh) * | 2020-07-13 | 2020-11-17 | 华为技术有限公司 | 一种推荐模型训练的方法及装置 |
CN113536105A (zh) * | 2020-11-05 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 推荐模型训练方法和装置 |
CN112950328A (zh) * | 2021-03-24 | 2021-06-11 | 第四范式(北京)技术有限公司 | 一种组合对象推荐方法、装置、***和存储介质 |
-
2021
- 2021-11-30 CN CN202111443352.0A patent/CN114036398B/zh active Active
-
2022
- 2022-11-02 KR KR1020220144752A patent/KR20220154062A/ko unknown
- 2022-11-04 JP JP2022177444A patent/JP7498248B2/ja active Active
- 2022-11-30 EP EP22210615.5A patent/EP4134900A3/en not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015099593A (ja) | 2013-11-18 | 2015-05-28 | パロ・アルト・リサーチ・センター・インコーポレーテッドPalo Alto Research Center Incorporated | 推薦エンジンに基づく汎用グラフ、ルール及び空間構造 |
US20210044674A1 (en) | 2015-12-02 | 2021-02-11 | Zeta Global Corp. | Method and Apparatus for Real-Time Personalization |
US20210326674A1 (en) | 2019-05-13 | 2021-10-21 | Tencent Technology (Shenzhen) Company Limited | Content recommendation method and apparatus, device, and storage medium |
Also Published As
Publication number | Publication date |
---|---|
JP2023017921A (ja) | 2023-02-07 |
EP4134900A3 (en) | 2023-05-24 |
KR20220154062A (ko) | 2022-11-21 |
CN114036398A (zh) | 2022-02-11 |
CN114036398B (zh) | 2024-02-13 |
EP4134900A2 (en) | 2023-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7498248B2 (ja) | コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム | |
WO2021203819A1 (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
US9934515B1 (en) | Content recommendation system using a neural network language model | |
CN105468742B (zh) | 恶意订单识别方法及装置 | |
US11487946B2 (en) | Content editing using content modeling and semantic relevancy scoring | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
US20180322188A1 (en) | Automatic conversation creator for news | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
WO2023065859A1 (zh) | 物品推荐方法、装置及存储介质 | |
KR20210040892A (ko) | 융합 관계 네트워크에 기반한 정보 추천 방법, 장치, 전자 장비, 비 일시적 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
JP7488871B2 (ja) | 対話推薦方法、装置、電子機器、記憶媒体ならびにコンピュータプログラム | |
CN117150000B (zh) | 一种投标书的生成方法、装置、设备及存储介质 | |
CN108595395B (zh) | 一种昵称的生成方法、装置及设备 | |
CN115795158A (zh) | 物料排序和神经网络训练方法、装置、设备及存储介质 | |
CN111897943A (zh) | 会话记录搜索方法、装置、电子设备及存储介质 | |
CN110942306A (zh) | 数据处理方法、装置及电子设备 | |
US20220286416A1 (en) | Method and apparatus for generating account intimacy | |
US9600770B1 (en) | Method for determining expertise of users in a knowledge management system | |
Gao et al. | User tag weight assessment based on fuzzy theory in mobile social networks | |
CN116932913A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
CN116304313A (zh) | 资源推荐及模型训练方法、装置、电子设备及存储介质 | |
CN118098217A (zh) | 人机交互方法、装置、电子设备及存储介质 | |
CN113987345A (zh) | 数据处理的方法、装置、设备、存储介质及程序产品 | |
CN118035557A (zh) | 资源推送方法、装置、电子设备、存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221104 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240301 |
|
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: 20240528 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240530 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7498248 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |