図面 (/)

技術 パーソナライズされた推奨を生成するために適合されたクライアント、サーバ、およびクライアント−サーバシステム

出願人 華為技術有限公司
発明者 フラナガン,エイドリアンタン,クアンイークフゥ,チアーンイワンチェンコ,エフゲニー
出願日 2017年12月22日 (3年4ヶ月経過) 出願番号 2020-534387
公開日 2021年3月4日 (2ヶ月経過) 公開番号 2021-508395
状態 未査定
技術分野 計算機間の情報転送 学習型計算機
主要キーワード バイナリ変数 更新モデル 機械学習モデル 要素セット 収束基準 サービス依頼者 ゲイン関数 更新クライアント
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2021年3月4日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (3)

課題・解決手段

クライアント(i)のユーザのためにパーソナライズされたアイテム推奨を生成するように適合されたクライアントであって、クライアントは、アイテムのグローバルセット(j1,...,jM)および少なくとも1つのモデル(A1,...,AK)を利用するサーバに接続されている。クライアント(i)は、サーバからダウンロードした少なくとも1つのモデル(A1,...,AK)を利用し、クライアント(i)に記憶されたダウンロードされたモデル(A1,...,AK)の少なくとも1つおよびローカル・クライアント・データセット(ui)を用いて、アイテム(j1,...,jM)の少なくとも1つ(jp)を含む推奨セット(Rij)を生成するように構成されている。

概要

背景

クライアントサーバシステムは、システムタスクサービスプロバイダ、すなわちサーバサービス要求者、すなわちクライアントとの間で分割される構造である。サーバは、そのリソースをクライアントと共有する1つ以上のプログラムを実行することができる。一方、クライアントはそのリソースのいかなるものも共有せず、サーバのコンテンツサービス機能を要求する。クライアント、すなわち、携帯電話タブレットなどのユーザ装置は、各クライアントがデータのソースであるので、そのようなクライアント−サーバシステムにおいて使用される機械学習プロセスの重要な部分であり、そのデータは、機械学習プロセスにおいて使用されるモデル構築し、モデルから結果を生成するために使用される。

結果は、例えば、クライアントのユーザにとって関心のある特定のアイテムが1つまたは複数のモデルによって予測される、より大きなアイテムのセットから取られた、1つまたは複数の特定のアイテムの推奨とすることができる。アイテムは、例えば、視聴利用可能なビデオダウンロードに利用可能なアプリケーション、または購入に利用可能な衣服のような物理オブジェクトである。クライアントとアイテムは、いわゆるクライアント−アイテム行列収集することができる。

機械学習プロセスは、例えば、履歴およびトランザクションデータに見い出されるパターンを利用することによって、予測作成に使用され得る複雑なモデルおよびアルゴリズムを作成することを含む。予測作成にはいくつかの技法があるが、1つの共通する特徴は、例えば、ビデオクリップ、衣服などのより大きな要素セット内の個々の要素に対して、レーティングのような予測スコアを適用することである。予測は、ユーザがビデオを視聴し、アプリケーションをダウンロードし、または衣服を購入する確率を示し、その後、ユーザへの推奨を生成するために使用され得る。

効率的な機械学習プロセスを達成することは困難である。なぜなら、パターンを見つけることが困難であり、しばしば利用可能である十分な訓練データがないためである。その結果、機械学習プロセスは送達に失敗することが多い。したがって、機械学習プロセスに可能な限り多くのデータが利用可能であることが重要である。クライアント−サーバシステムの場合、これは、できるだけ多くのクライアントおよびそれらのデータへのアクセス権を持つサーバに変換される。各クライアントは、携帯電話、タブレットなどのユーザデバイスであり、機械学習プロセスで使用されるモデルを構築するために使用されるデータのソースであるだけでなく、最も高いスコアを得たビデオクリップまたは衣服をクライアントのユーザに推奨するなど、モデルの結果を配信するための媒体でもある。

このようなモデル構築に対する従来技術のアプローチは、ユーザデータを中央サーバに送信することを含み、データを処理し、モデルを構築し、推奨の形式で結果を生成するために異なるアルゴリズムが使用される。推奨は、個別および個人的であるべきであり、データが個人的であるほど、推奨は良好になる。

携帯電話、タブレットなどのクライアントは、異なる種類の個人的なユーザデータ、例えば、非常に機密性の高い個人的なデータと考えられることがあるクライアント位置、および特に機密性の高い個人的なデータとは考えられないことがあるダウンロードされたアプリケーションを含む。機密性のレベルにかかわらず、データは依然として個人的なユーザデータと考えられる。

例えば、2018年にEU諸国で施行されるGDPR(General Data Protection Regulation)や、企業がどのようにしてユーザデータを収集し、保管し、使用するかについての一般的な精査は、パーソナライズされた推薦を生成することをより困難にする問題であり、ユーザのデータを収集し、保管し、処理するために明示的なユーザのオプトイン同意が要求されるときには不可能でさえあるかもしれない。オプトイン率が20%と低いことを開示している調査では、このようなパーソナライズされた推奨を生成しようとすることは、もはや有益ではないことがある。

さらに、多数のクライアントのために毎日ギガバイトのユーザデータを収集し、データをセキュアに保管および使用するには、高価なインフラストラクチャおよび管理ソリューションが必要である。

クライアントのユーザにパーソナライズされた推奨のような結果を提供することは、例えば、すでに視聴したビデオクリップであることにより、関心のないコンテンツをフィルタリングしながら、例えば、視聴を楽しめるビデオクリップをユーザが見つける手助けをすることによって、ユーザをサービスに関与させる重要な手段である。

概要

クライアント(i)のユーザのためにパーソナライズされたアイテムの推奨を生成するように適合されたクライアントであって、クライアントは、アイテムのグローバルセット(j1,...,jM)および少なくとも1つのモデル(A1,...,AK)を利用するサーバに接続されている。クライアント(i)は、サーバからダウンロードした少なくとも1つのモデル(A1,...,AK)を利用し、クライアント(i)に記憶されたダウンロードされたモデル(A1,...,AK)の少なくとも1つおよびローカル・クライアント・データセット(ui)を用いて、アイテム(j1,...,jM)の少なくとも1つ(jp)を含む推奨セット(Rij)を生成するように構成されている。

目的

予測作成にはいくつかの技法があるが、1つの共通する特徴は、例えば、ビデオクリップ、衣服などのより大きな要素セット内の個々の要素に対して、レーティングのような予測スコアを適用することである

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

クライアント(i)のユーザのためにパーソナライズされたアイテム推奨を生成するように適合されたクライアントであって、当該クライアント(i)は、アイテムのグローバルセット(j1,...,jM)および少なくとも1つのモデル(A1,...,AK)を利用するサーバに接続されており、当該クライアントは、前記サーバからダウンロードした少なくとも1つのモデル(A1,...,AK)を利用することと、前記ダウンロードしたモデル(A1,...,AK)の少なくとも1つおよび当該クライアント(i)に記憶されたローカル・クライアント・データセット(ui)を用いて、前記アイテム(j1,...,jM)の少なくとも1つ(jp)を含む推奨セット(Rij)を生成することと、をするように構成されている、クライアント。

請求項2

前記モデル(A1,...,AK)は、協調フィルタリング予測モデリング、および/または深層学習モデルを含む、請求項1に記載のクライアント。

請求項3

前記クライアント・データセット(ui)は、暗黙的ユーザフィードバック、および/または明示的なユーザフィードバックを含む、請求項1または2に記載のクライアント。

請求項4

前記推奨セット(Rij)は、2つのモデル(A1、A2)の組み合わせと前記クライアント・データセット(ui)を用いて生成され、一方のモデル(A1)は協調フィルタリングであり、他方のモデル(A2)は予測モデリングである、前述の請求項のいずれか1項に記載のクライアント。

請求項5

前記推奨セット(Rij)は、1つのモデル(A1、A12、A13)および前記クライアント・データセット(ui)を用いて生成された第1の推奨セット(R1ij)と、さらなるモデル(A2、A22)、前記第1の推奨セット(R1ij)および前記クライアント・データセット(ui)を用いて生成された第2の推奨セット(R2ij)とを含む、前述の請求項のいずれか1項に記載のクライアント。

請求項6

前記第2の推奨セット(R2ij)を生成することは、前記第1の推奨セット(R1ij)の個々のアイテム(jp)を選択し、スコアリングすることを含む、請求項5に記載のクライアント。

請求項7

当該クライアント(i)は、A.前記ダウンロードしたモデル(A1,...,AK)および前記ローカル・クライアント・データセット(ui)を用いて更新モデル(A12i,...,AK2i)を計算することと、B.前記更新モデル(A12i,...,AK2i)を前記サーバにアップロードすることであって、前記更新モデル(A12i,...,AK2i)は、前記サーバが新しい更新モデル(A12,...,AK2)を計算するために使用される、アップロードすることと、C.前記サーバから前記新しい更新モデル(A12,...,AK2)をダウンロードすることと、D.前記新しい更新モデル(A12,...,AK2)および前記ローカル・クライアント・データセット(ui)を用いて、少なくとも1つのさらなる更新モデル(A13i,...,AK3i)を計算することと、を用いて各ダウンロードされたモデルを更新するように構成されている、前述の請求項のいずれか一項に記載のクライアント。

請求項8

当該クライアント(i)は、A.前記ローカル・クライアント・データセット(ui)を用いて、各ダウンロードされたモデル(A1,...,AK)に対する更新(dA1i,...,dAKi)を計算することと、B.前記更新(dA1i,...,dAKi)を前記サーバにアップロードすることであって、前記更新(dA1i,...,dAKi)は、前記サーバが更新モデル(A12,...,AK2)を計算するために使用される、アップロードすることと、C.前記更新モデル(A12,...,AK2)を前記サーバからダウンロードすることと、D.前記ローカル・クライアント・データセット(ui)を用いて、前記更新モデル(A12,...,AK2)に対する新しい更新(dA12i,..,dAK2i)を計算することと、E.前記更新モデル(A12,...,AK2)、前記新しい更新(dA12i,...,dAK2i)および前記ローカル・クライアント・データセット(ui)を用いて、少なくとも1つのさらなる更新モデル(A13i,...,AK3i)を計算することと、を用いて各モデルに対する少なくとも1つの更新を計算するように構成されている、請求項1〜6のいずれか一項に記載のクライアント。

請求項9

更新(dA1i1,...,dAKi、dA12i1,...,dAK2i)を計算することは、関数f(i,j)を用いて各アイテム(j1,...,jM)の値を計算することを含む、請求項8に記載のクライアント。

請求項10

当該クライアント(i)は、前記さらなる更新モデル(A13i,...,AK3i)および前記ローカル・クライアント・データセット(ui)を用いて推奨セット(Rij)を生成するようにさらに構成されている、請求項7〜9のいずれか一項に記載のクライアント。

請求項11

クライアント(i)で、前記クライアント(i)のユーザのためのパーソナライズされたアイテムの推奨を生成するのを支援するように適合されたサーバであって、当該サーバは、アイテムのグローバルセット(j1,...,jM)および少なくとも1つのモデル(A1,...,AK)を利用するように構成されており、当該サーバは、複数のクライアント(i1,...,iN)に接続されており、各クライアント(i)は、前記モデル(A1,...,AK)をダウンロードし、前記モデル(A1,...,AK2i)に対する更新モデル(A12i,...,AK2i)または更新(dA1i,...,dAKi)を生成するように構成されており、当該サーバは、さらに、前記クライアント(i1,...,iN)の少なくとも1つによってアップロードされた更新モデル(A12i,...,AK2i)または更新(dA1i,...,dAKi)を用いて新しい更新モデル(A12,...,AK2)を生成することと、前記複数のクライアント(i1,...,iN)に前記新しい更新モデル(A12,...,AK2)を送信することと、をするように構成されており、前記クライアント(i)に記憶された前記新しい更新モデル(A12,...,AK2)およびローカル・クライアント・データセット(ui)は、各クライアント(i)が前記パーソナライズされたアイテムの推奨を生成するために使用される、サーバ。

請求項12

当該サーバには、前記モデルを利用する前に、前記少なくとも1つのモデル(A1,...,AK)が割り当てられ、割り当てることは、ランダムモデルまたは既知のモデルのうちの1つを選択することを含む、請求項11に記載のサーバ。

請求項13

当該サーバは、D.前記クライアント(i1,...,iN)のうちのいくつかを決定することであって、各決定されたクライアント(i)は、前記ダウンロードしたモデル(A1,...,AK)および前記ローカル・クライアント・データセット(ui)を用いて更新モデル(A12i,...,AK2i)を計算し、前記更新モデル(A12i,...,AK2i)を当該サーバにアップロードするように構成されている、決定することと、E.前記決定されたクライアント(i1,...,iN)の少なくとも1つによってアップロードされた更新モデル(A12i,...,AK2i)を受信することと、F.前記受信した更新モデル(A12i,...,AK2i)を平均することによって、前記新しい更新モデル(A12,...,AK2)を計算することと、を用いて前記新しい更新モデルを生成するように構成されている、請求項11または12に記載のサーバ。

請求項14

当該サーバは、D.前記クライアント(i1,...,iN)のうちのいくつかを決定することであって、各決定されたクライアント(i)は、前記ローカル・クライアント・データセット(ui)によって各モデル(A1,...,AK)に対する更新(dA1i,...,dAKi)を計算し、前記更新(dA1i,...,dAKi)を前記サーバにアップロードするように構成されている、決定することと、E.前記決定されたクライアント(i1,...,iN)の少なくとも1つによってアップロードされた前記更新(dA1i,...,dAKi)を受信することと、F.前記モデル(A1,...,AK)および前記受信した更新(dA1i,...,dAKi)の集合を用いて、前記新しい更新モデル(A12,...,AK2)を計算することと、を用いて前記新しい更新モデルを生成するように構成されている、請求項11または12に記載のサーバ。

請求項15

クライアント(i)のユーザに対してパーソナライズされたアイテムの推奨を生成するように適合された機械学習クライアント−サーバシステムであって、請求項1〜10のいずれか一項に記載の複数のクライアントと、請求項11〜14のいずれか一項に記載のサーバとを含む、クライアント−サーバシステム。

技術分野

0001

この開示は、パーソナライズされた推奨の生成を可能にする改良されたクライアントサーバ、およびクライアント−サーバシステムに関する。

背景技術

0002

クライアント−サーバシステムは、システムタスクサービスプロバイダ、すなわちサーバとサービス要求者、すなわちクライアントとの間で分割される構造である。サーバは、そのリソースをクライアントと共有する1つ以上のプログラムを実行することができる。一方、クライアントはそのリソースのいかなるものも共有せず、サーバのコンテンツサービス機能を要求する。クライアント、すなわち、携帯電話タブレットなどのユーザ装置は、各クライアントがデータのソースであるので、そのようなクライアント−サーバシステムにおいて使用される機械学習プロセスの重要な部分であり、そのデータは、機械学習プロセスにおいて使用されるモデル構築し、モデルから結果を生成するために使用される。

0003

結果は、例えば、クライアントのユーザにとって関心のある特定のアイテムが1つまたは複数のモデルによって予測される、より大きなアイテムのセットから取られた、1つまたは複数の特定のアイテムの推奨とすることができる。アイテムは、例えば、視聴利用可能なビデオダウンロードに利用可能なアプリケーション、または購入に利用可能な衣服のような物理オブジェクトである。クライアントとアイテムは、いわゆるクライアント−アイテム行列収集することができる。

0004

機械学習プロセスは、例えば、履歴およびトランザクションデータに見い出されるパターンを利用することによって、予測作成に使用され得る複雑なモデルおよびアルゴリズムを作成することを含む。予測作成にはいくつかの技法があるが、1つの共通する特徴は、例えば、ビデオクリップ、衣服などのより大きな要素セット内の個々の要素に対して、レーティングのような予測スコアを適用することである。予測は、ユーザがビデオを視聴し、アプリケーションをダウンロードし、または衣服を購入する確率を示し、その後、ユーザへの推奨を生成するために使用され得る。

0005

効率的な機械学習プロセスを達成することは困難である。なぜなら、パターンを見つけることが困難であり、しばしば利用可能である十分な訓練データがないためである。その結果、機械学習プロセスは送達に失敗することが多い。したがって、機械学習プロセスに可能な限り多くのデータが利用可能であることが重要である。クライアント−サーバシステムの場合、これは、できるだけ多くのクライアントおよびそれらのデータへのアクセス権を持つサーバに変換される。各クライアントは、携帯電話、タブレットなどのユーザデバイスであり、機械学習プロセスで使用されるモデルを構築するために使用されるデータのソースであるだけでなく、最も高いスコアを得たビデオクリップまたは衣服をクライアントのユーザに推奨するなど、モデルの結果を配信するための媒体でもある。

0006

このようなモデル構築に対する従来技術のアプローチは、ユーザデータを中央サーバに送信することを含み、データを処理し、モデルを構築し、推奨の形式で結果を生成するために異なるアルゴリズムが使用される。推奨は、個別および個人的であるべきであり、データが個人的であるほど、推奨は良好になる。

0007

携帯電話、タブレットなどのクライアントは、異なる種類の個人的なユーザデータ、例えば、非常に機密性の高い個人的なデータと考えられることがあるクライアント位置、および特に機密性の高い個人的なデータとは考えられないことがあるダウンロードされたアプリケーションを含む。機密性のレベルにかかわらず、データは依然として個人的なユーザデータと考えられる。

0008

例えば、2018年にEU諸国で施行されるGDPR(General Data Protection Regulation)や、企業がどのようにしてユーザデータを収集し、保管し、使用するかについての一般的な精査は、パーソナライズされた推薦を生成することをより困難にする問題であり、ユーザのデータを収集し、保管し、処理するために明示的なユーザのオプトイン同意が要求されるときには不可能でさえあるかもしれない。オプトイン率が20%と低いことを開示している調査では、このようなパーソナライズされた推奨を生成しようとすることは、もはや有益ではないことがある。

0009

さらに、多数のクライアントのために毎日ギガバイトのユーザデータを収集し、データをセキュアに保管および使用するには、高価なインフラストラクチャおよび管理ソリューションが必要である。

0010

クライアントのユーザにパーソナライズされた推奨のような結果を提供することは、例えば、すでに視聴したビデオクリップであることにより、関心のないコンテンツをフィルタリングしながら、例えば、視聴を楽しめるビデオクリップをユーザが見つける手助けをすることによって、ユーザをサービスに関与させる重要な手段である。

0011

これは、改良されたクライアント、サーバ、およびクライアント−サーバシステムを提供することを目的とする。

0012

前述および他の目的は、独立請求項の特徴によって達成される。さらなる実施態様の形式は、従属クレーム、明細書および図面から明らかである。

0013

第1の態様によれば、クライアントのユーザのためにパーソナライズされたアイテムの推奨を生成するように適合されたクライアントであって、クライアントは、アイテムのグローバルセットおよび少なくとも1つのモデルを利用するサーバに接続されており、クライアントは、サーバからダウンロードした少なくとも1つのモデルを利用することと、ダウンロードしたモデルの少なくとも1つおよびクライアントに記憶されたローカル・クライアント・データセットを用いて、アイテムの少なくとも1つを含む推奨セットを生成することと、をするように構成されている、クライアントが提供される。

0014

これらの特徴を含むクライアントは、パーソナライズされたアイテムの推奨を生成するために必要な計算の一部がクライアントで実行され、計算で使用されるデータの一部がクライアントに記憶されるため、効率的で安全なパーソナライズされたアイテムの推奨の生成を可能にする。

0015

第1の態様の可能な実施態様の形式では、モデルは、異なるタイプの使用のために十分に確立されたモデルである、協調フィルタリング、予測モデリング、および/または深層学習モデルを含む。

0016

第1の態様のさらなる可能な実施態様の形式では、クライアント・データセットは、暗黙的ユーザフィードバックおよび/または明示的なユーザフィードバックを含み、パーソナライズされたアイテムの推奨を生成するために使用される推定値が、ユーザの行動に基づいて計算されることを可能にするとともに、ユーザのレビューが計算において考慮されることを可能にする。

0017

第1の態様のさらなる可能な実施態様の形式では、推奨セットは、2つのモデルの組み合わせとクライアント・データセットを用いて生成され、一方のモデルは協調フィルタリングであり、他方のモデルは予測モデリングであり、それらが組み合わされると、パーソナライズされたアイテムの推奨の高い効率的な生成を可能にする。

0018

第1の態様のさらなる可能な実施態様の形式では、勧告セットは、1つのモデルおよびクライアント・データセットを用いて生成された第1の推奨セットと、さらなるモデル、第1の推奨セットおよびクライアント・データセットを用いて生成された第2の推奨セットとを含み、第1の推奨セットが改善されることを可能にする。

0019

第1の態様のさらなる可能な実施態様の形式では、第2の推奨セットを生成することは、第1の推奨セットの個々のアイテムを選択し、スコアリングすることを含み、より小さい、および/または、より正確な推奨セットを生成することを可能にする。

0020

第1の態様のさらなる可能な実施態様の形式では、クライアントは、ダウンロードしたモデルおよびローカル・クライアント・データセットを用いて更新モデルを計算することと、更新モデルをサーバにアップロードすることであって、更新モデルは、サーバが新しい更新モデルを計算するために使用される、アップロードすることと、サーバから新しい更新モデルをダウンロードすることと、新しい更新モデルおよびローカル・クライアント・データセットを用いて、少なくとも1つの更なる更新モデルを計算することと、を用いて各ダウンロードされたモデルを更新するように構成されている。

0021

これらの機能を含むクライアントは、サーバに接続されたすべてのクライアントのクライアントデータへのアクセス権を有するため、効率的であり、個々のクライアントに関するクライアントデータがまったく同じままであるので、安全である機械学習プロセスを可能にする。クライアントに接続されたサーバは、大量のクライアントデータを収集または記憶する必要がないため、このプロセスは、時間的にもコスト的にも効果的である。

0022

第1の態様のさらなる可能な実施態様の形式では、クライアントは、ローカル・クライアント・データセットを用いて、各ダウンロードされたモデルに対する更新を計算することと、更新をサーバにアップロードすることであって、更新は、サーバが更新モデルを計算するために使用される、アップロードすることと、更新モデルをサーバからダウンロードすることと、ローカル・クライアント・データセットを用いて、更新モデルに対する新しい更新を計算することと、更新モデル、新しい更新およびローカル・クライアント・データセットを用いて、少なくとも1つのさらなる更新モデルを計算することと、を用いて各モデルに対する少なくとも1つの更新を計算するように構成されている。

0023

上述したように、これらの機能を含むクライアントは、効率的で安全な機械学習プロセスを可能にする。クライアントは、サーバからモデル全体をダウンロードまたはアップロードしなくてもよいため、このプロセスは特に効果的である。

0024

第1の態様のさらなる可能な実施態様の形式では、更新を計算することは、関数f(i,j)を用いて各アイテムの値を計算することを含み、任意の個人的な顧客データから解放された値を計算することを可能にする。

0025

第1の態様のさらなる可能な実施態様の形式では、クライアントは、さらなる更新モデルおよびローカル・クライアント・データセットを用いて推奨セットを生成するようにさらに構成され、可能な限り多くのクライアントデータを使用することを可能にする。

0026

第2の態様によれば、クライアントで、クライアントのユーザのためのパーソナライズされたアイテムの推奨を生成するのを支援するように適合されたサーバであって、サーバは、アイテムのグローバルセットおよび少なくとも1つのモデルを利用するように構成されており、サーバは、複数のクライアントに接続されており、各クライアントは、モデルをダウンロードし、モデルに対する更新モデルまたは更新を生成するように構成されており、サーバは、さらに、クライアントの少なくとも1つによってアップロードされた更新モデルまたは更新を用いて新しい更新モデルを生成することと、複数のクライアントに新しい更新モデルを送信することと、をするように構成されており、クライアントに記憶された新しい更新モデルおよびローカル・クライアント・データセットは、各クライアントがパーソナライズされたアイテムの推奨を生成するために使用される、サーバが提供される。

0027

これらの特徴を含むサーバは、パーソナライズされたアイテムの推奨を生成するために必要な計算の一部がクライアントで実行され、計算に使用されるデータの一部がクライアントに記憶されるため、パーソナライズされたアイテムの推奨の効率的で安全な生成を可能にする。

0028

第2の態様の可能な実施態様の形式では、サーバには、モデルを利用する前に少なくとも1つのモデルが割り当てられ、割り当てることは、ランダムモデルまたは既知のモデルのうちの1つを選択することを含む、新しいモデルまたは以前に使用されたモデルのうちのいずれかを計算の出発点として使用することを可能にする。

0029

第2の態様のさらなる可能な実施態様の形式では、サーバは、クライアントのうちのいくつかを決定することであって、各決定されたクライアントは、ダウンロードしたモデルおよびローカル・クライアント・データセットを用いて更新モデルを計算し、更新モデルをサーバにアップロードするように構成されている、決定することと、決定されたクライアントの少なくとも1つによってアップロードされた更新モデルを受信することと、受信した更新モデルを平均することによって、新しい更新モデルを計算することと、を用いて新しい更新モデルを生成するように構成されている。

0030

これらの機能を含むサーバは、サーバに接続されたすべてのクライアントのクライアントデータへのアクセス権を有するため、効率的であり、個々のクライアントに関するクライアントデータがまったく同じままであるため、安全である機械学習プロセスを可能にする。クライアントに接続されたサーバは、大量のクライアントデータを収集または記憶する必要がないため、このプロセスは、時間的にもコスト的にも効果的である。

0031

第2の態様のさらなる可能な実施態様の形式の形式では、サーバは、クライアントのうちのいくつかを決定することであって、各決定されたクライアントは、ローカル・クライアント・データセットによって各モデルに対する更新を計算し、更新をサーバにアップロードするように構成されている、決定することと、決定されたクライアントの少なくとも1つによってアップロードされた更新を受信することと、モデルおよび受信した更新の集合を用いて、新しい更新モデルを計算することと、を用いて新しい更新モデルを生成するように構成されている。

0032

上述のように、これらの機能を有するサーバは、効率的で安全な機械学習プロセスを可能にする。クライアントは、サーバからモデル全体をダウンロードまたはアップロードしなくてもよいため、このプロセスは特に効果的である。

0033

第3の態様によれば、クライアントのユーザに対してパーソナライズされたアイテムの推奨を生成するように構成された機械学習クライアント−サーバシステムであって、上述の複数のクライアントと、上述のサーバとを含む、クライアント−サーバシステムが提供される。これらの機能を含むクライアント−サーバシステムは、パーソナライズされたアイテムの推奨を生成するために必要な計算の一部がクライアントで実行され、計算で使用されるデータの一部がクライアントに記憶されるので、効率的で安全なパーソナライズされたアイテムの推奨の生成を可能にする。

0034

これらおよび他の態様は、以下に説明する実施形態から明らかであろう。

図面の簡単な説明

0035

本開示の以下の詳細な部分では、図面に示された例示的な実施形態を参照して、態様、実施形態、および実施態様をより詳細に説明する。

0036

本開示の一実施形態によるクライアント−サーバシステムの概略図である。
本開示のさらなる実施形態によるクライアント−サーバシステムの概略図である。

実施例

0037

背景の項で述べたように、クライアント−サーバシステムとは、システムのタスクが、サービス提供者、すなわちサーバと、サービス依頼者、すなわち、携帯電話、タブレット端末などのクライアントとに分割される構造である。提供されるべきサービスは、ビデオサービスであってもよく、ビデオサービスに関連するユーザデータのすべてがサーバに記憶される。

0038

従来技術のモデル構築は、データが処理され、モデルが構築され、結果が生成され、クライアントに返送される中央サーバにクライアントから個人的なユーザデータを送信することを含む。結果は、例えば、より大きなアイテムのセットから取得された、1つまたは複数の特定のアイテムの推奨を生成するために使用される推定値でもよく、特定のアイテムは、クライアントのユーザにとって関心があると、1つまたは複数のモデルによって予測される。アイテムは、例えば、視聴に利用可能なビデオ、ダウンロードに利用可能なアプリケーション、または購入に利用可能な衣服のような物理的オブジェクトである。

0039

クライアントの数および使用可能なアイテムは、通常、非常に多く、クライアント−アイテム行列




において好ましくは収集され、Nは、サーバに接続されたクライアントiの最大数であり、Mは、サーバで利用可能なアイテムjの最大数である。

0040

クライアントの数Nは数百万であり、アイテムの数Mは数千であることを考えると、クライアント−アイテム行列Rは、多くの要素rijが特定されていないスパースである可能性がある。本開示の1つの目的は、そのような特定されていない要素をそれらの推定値




で置き換えることである。

0041

従来技術とは対照的に、また、クライアントの計算能力の一般的な増加のような技術的進歩により、本開示は、依然としてクライアント上のすべての個人的なユーザデータを維持しつつ、すなわち、個人ユーザデータは、中央サーバで使用も保存もされないが、そのような推定値を生成する。従って、サーバに転送されて記憶されるデータの量が減り、データ収集とユーザのプライバシーに関する問題が回避される。要素rijとその推定値




は、パーソナライズされたアイテムの推奨を生成するために使用される。

0042

上記は、部分的に、協調フィルタリングによって達成される。要するに、協調フィルタリングでは、モデルは、以前に購入または選択されたアイテム、および/または、ユーザによってそれらのアイテムに与えられた数値評価、ならびに、他のユーザによってなされた同様の決定のような、ユーザの過去の行動から構築される。次いで、このモデルは、ユーザがどの他のアイテムに関心を持つかを予測するために使用される。協調フィルタリングは、単独で、または他のタイプのモデル、例えば、予測モデリングと組み合わせて、ユーザのための推奨を生成するために最も使用されるモデルの1つである。予測モデリングは、好ましくは、上述の推定値




に対して、評価のような予測スコアを適用するために使用される。

0043

従来技術では、これらのモデルは両方とも集中サーバで収集されるモデルの構築に使用されるすべてのデータを収集する必要がある。

0044

前述したように、クライアントの数とアイテムの数は、通常、非常に多いため、モデルの組み合わせを使用して、特定のクライアントiのユーザに関連性のあるパーソナライズされたアイテムの推奨のみを提供することができる。一例として、図2にも示されているように、協調フィルタリングモデルA1が、第1のセットのアイテムの推奨R1ij、前述の要素rijおよび推定値




のすべてではない場合、いくつかを含むいわゆる候補セットを生成するために使用されてもよく、予測モデリングモデルA2が、最初に推奨されたアイテムR1ijをスコアリングし、それらを重みで分類することによって、最終的な使用可能な推奨R2ijを生成するために使用されてもよい。

0045

推定値




は、特定のクライアントだけでなく複数のクライアント、一実施形態においてはすべての可能なクライアントからの暗黙的および/または明示的なフィードバックに基づいてもよい。暗黙的なフィードバックは、例えばアプリケーションをダウンロードするなど、ユーザによって取られるアクションを含む。明示的なフィードバックは、アイテムのユーザレビューを含む。協調フィルタリングは、これら2種類のデータのみを使用するが、上述の予測モデリングは、人口統計学行動データ、アイテムがどこで、いつ、アイテムが相互作用したか、およびどのような種類の装置が使用されたかのような他のユーザ活動関連データ、名前およびログインデータのような個人的なユーザデータ等の追加の種類の明示的なフィードバックを使用してもよい。

0046

すべての協調フィルタリング・リコメンダ・システムの基本は、前述のクライアント−アイテム行列




である。簡単のために、以下の説明では、クライアントiをそのユーザ、アイテムjをダウンロード可能なアプリケーションと同一視することがある。

0047

協調フィルタリングでは、値rijは、ユーザレビューなどの明示的なフィードバックから導き出され、例えば、




である。

0048

例えば、ユーザがアプリケーションをダウンロードするような暗黙的なフィードバックの場合、ユーザ/クライアントiがアプリケーション/アイテムjをダウンロードしたとき、rij=1であり、そうでなければ、rijは特定されず、1≦i≦Nおよび1≦j≦Mである。

0049

協調フィルタリングは、特定されていないrijをそれらの推定値




で置き換えるために、例えば、行列因数分解を用いて使用される。行列因数分解は、各クライアントiに対してクライアント・ファクタベクトル









と、各アイテムjに対してアイテム・ファクタ・ベクトル









と、を生成することを伴う。kは、ファクタの数であり、通常、MとNの両方よりもはるかに小さい。特定されていないrijの推定値は、




で与えられる。

0050

第1のモデルA1は、複数のクライアント・ファクタ・ベクトル(xi)を含むファクタ行列A1=X(i,k)であり、第2のモデルA2は、複数のアイテム・ファクタ・ベクトル(yj)を含むファクタ行列A2=Y(j,k)である。

0051

クライアント・ファクタ・ベクトルは、行列




に収集され、X=(x1,x2,...,xi,...,xM)であり、アイテム・ファクタ・ベクトルは、行列




に収集され、Y=(y1,y2,...,yj,...,yN)である。クライアント−アイテム行列Rはまた、言い換えると




で定義される。

0052

明示的なフィードバックの場合、バイナリ変数pijのセットは、ユーザ/クライアントiがアプリケーション/アイテムjを評価したかどうかを示すために導入され、




である。値pij>0は、アプリケーション/アイテムjが評価されていることを意味し、値pij=0は、ユーザがアプリケーション/アイテムjを評価しなかったか、または単にアプリケーション/アイテムjが存在することに気づいていないことを意味する。

0053

暗黙的なフィードバックの場合、バイナリ変数pijのセットは、アプリケーション/アイテムjに対するユーザ/クライアントiの嗜好を示すために導入され、




である。値pij=0は、ユーザ/クライアントiがアプリケーション/アイテムjに関心がないか、またはアプリケーション/アイテムjが存在することに気づいていないことを含めて、多くの解釈を有することができる。これを説明するために、信頼パラメータcijが導入され、




として定義され、α>0である。暗黙的なフィードバック問題は、言い換えると、信頼レベルcijを考慮に入れる必要があるという点で、標準の明示的なフィードバック問題とは異なる。

0054

すべての更新は、ダウンロードjがあるクライアントiではなく、すべてのクライアントiとすべてのアイテムjを通して行われる。

0055

従来技術の協調フィルタリングモデルでは、xiは、式




を用いて更新され、Y、




は、アイテム・ファクタ・ベクトルの前述の行列であり、Ciは、




である対角行列であり、Iは、単位行列であり、




は、クライアントiに対するバイナリ嗜好変数ベクトルである。

0056

同様に、yjは、式




を用いて、更新され、X、




は、前述のクライアント・ファクタ・ベクトルの行列であり、Ciは、




である対角行列であり、




は、クライアントiに対するバイナリ嗜好変数ベクトルである。

0057

要約すると、上述の従来技術の方法は、Xを計算するためにYを使用し、Yを計算するためにXを使用し、少なくとも適切な収束基準が満たされるまで、2つの方程式の間で繰り返し、交互に使用する。収束基準は、あらかじめ定義された制限値、たとえば1%とされる。Cおよびpは、ユーザ/クライアントデータに基づいており、XおよびYの両方を計算するために使用され、すべてのユーザデータは、XおよびYと同じ場所、すなわちサーバに配置されなければならない。これは、協調フィルタリングのためのALS(Alternating Least Squares)法と呼ばれ、従来技術において頻繁に使用されている。

0058

図1に概略的に示す本開示の実施形態は、Yを計算するために異なるアプローチがとられるようなALS法の適応を含み、この適応は、計算がクライアントに配布されることを可能にし、従って、クライアントデータをサーバに転送する必要性を回避する。すべてのアイテム・ファクタ・ベクトル




はサーバに配置され、サーバで更新され、その後、各クライアントiに配布される。すべてのクライアント・ファクタ・ベクトル




はクライアントiにとどまり、ローカル・クライアント・データuiとサーバからのアイテム・ファクタ・ベクトルとを使用してクライアントで更新される。更新は、各クライアントiのアイテムjから計算され、サーバに送信され、集約され、yjが更新される。

0059

を計算をするのに必要な値はすべて、アイテム・ファクタ・ベクトル




の現在のセットがクライアントiにダウンロードされている限り、クライアントiで利用可能であり、Yはアイテム・ファクタ・ベクトルの行列、Ciは、




である対角行列であり、λは、正則化ファクタであり、Iは、単位行列であり、




は、クライアントiに対するバイナリ嗜好変数ベクトルである。さらに、これらの値はすべて、任意の他のクライアントiの対応する値から独立している。従って、ALSアルゴリズムの第1ステップに対応するものは、他のクライアントを参照することなく、各個々のクライアントiで計算することができる。

0060

しかし、ALS法を使用するときに、yj、




は、クライアント・ファクタ・ベクトルの行列Xを必要とし、この更新は、すべてのクライアントデータが利用可能なサーバで行わなければならない。ALS法におけるように、yjの更新を直接計算するのではなく、本開示は、勾配降下アプローチを適用して、サーバで更新されたyjを計算する。より具体的には、本開示は、式




を用いて更新yj、すなわち、更新行列Yを計算し、Yはゲイン関数であり、∂J/∂yjは、式




を用いて計算される。

0061

上述の式∂J/∂yjは、コスト関数J、




由来し、λは、正則化ファクタである。コスト関数Jは、クライアント・ファクタ・ベクトル行列Xとアイテム・ファクタ・ベクトル行列Yの計算を交互に行うことによって最小化される。コスト関数Jを最小化するための第一段階は、∂J/∂xiおよび∂J/∂yjを用いて、すべてクライアントiに対するxiおよびすべてのアイテムjに対するyjについて、Jを微分することである。

0062

ALS法のように、xiの初期開始値が、









により直接計算することが可能であり、前述のように、必要な値がクライアントiで利用可能である。

0063

一方、∂J/∂yjは、すべてのクライアントiに対する合計である成分を含み、合計はf(i,j)と定義される。f(i,j)は、クライアントデータのみに基づいて、




を用いて計算される、すなわち、f(i,j)は、他のすべてのクライアントとは独立に、各クライアントiで計算される。

0064

各クライアントiは、各アイテムjに対して計算された値f(i,j)の評価をサーバに報告し、その後、すべてのクライアント評価がサーバで、




を用いて合計され、その後、




に適用される。

0065

本開示は、言い換えると、少なくとも1つのモデル、例えば、協調フィルタリングモデルA1を訓練することに関し、クライアントからサーバにユーザデータを転送する必要はなく、同時に、モデルA1を使用して、クライアント−アイテム行列Rの特定されていない要素の推定値




を計算し、推定値は、パーソナライズされた推奨を生成するために使用される。図1に示すように、機械学習モデルA1は、最初に、集中サーバに配置され、各ユーザ装置/クライアントiに配布される。初期モデルA1は、モデルA1およびクライアントに配置されるクライアントデータuiを使用して、各クライアントで更新される。各ユーザ装置/クライアントで生成された更新dA1i、または完全更新モデルA12iは、サーバに返送され、すべての決定されたクライアントを横断して集約され、新しいモデルコンポーネントA12を生成し、これが次にクライアントiにダウンロードされ、モデルA13iを形成するように更新される。

0066

「モデル」によって、モデル全体またはモデルの部分のいずれかが意味される。後者の場合、モデルは少なくとも2つの部分A1、A2を含む。1つの個々の部分A1iは、クライアントに割り当てられ、1つの部分A2は、サーバからクライアントiにダウンロードされる。個々の部分A1iは、ダウンロードされたサーバ部分およびローカル・クライアント・データuiの要素によって更新され、更新された個々の部分A12iをもたらす。各アイテムjに対する個々の値は、ダウンロードしたサーバ部分A2、更新された個々の部分A12i、およびローカル・クライアント・データuiの要素を使用してクライアントで計算される。値の評価は、各クライアントからサーバにアップロードされ、サーバ部分は、そのような評価の集合体を用いて更新され、更新サーバ部分A22を形成することができる。更新サーバ部分A22は、クライアントにダウンロードされ、さらに、ダウンロードした更新サーバ部分A22およびローカル・クライアント・データuiの要素を用いて、クライアントでさらに更新された個々の部分A13iが計算される。その後、クライアント−アイテム行列Rの少なくとも1つの特定されていない要素は、さらに更新された個々の部分A13iおよび更新サーバ部分A22を用いて、特定されていない要素をその推定値で置き換えることによって、更新され得る。

0067

クライアントiにローカルに記憶されたモデルA13iとクライアントデータuiは、クライアント−アイテム行列Rの特定されていない要素を置き換える推定値を計算するために使用される。したがって、クライアントデータuiはクライアントから離れることはない。更新クライアント−アイテム行列Rは、言い換えると、第1の推奨セットR1ijを生成するために使用される。

0068

予測モデリングのようなさらなるモデルが使用されて、第1の推奨セットR1ijを選択し、再スコアリングし、ソートし、その後絞り込んで、第2の推奨セットR2ijにする。

0069

本開示の一態様は、クライアントiのユーザのためにパーソナライズされたアイテムの推奨を生成するように適合されたクライアントに関する。クライアントは、アイテムj1,...,jMのグローバルセットおよび少なくとも1つのモデルA1,...,AKを利用するサーバに接続される。クライアントiは、図1に示すように、サーバからダウンロードした少なくとも1つのモデルA1,...,AKを利用し、ダウンロードしたモデルA1,...,AKの少なくとも1つおよびクライアントiに記憶されたローカル・クライアント・データセットuiを用いて、アイテムj1,...,jMの少なくとも1つを含む推奨セットRijを生成するように構成されている。

0070

モデルA1,...,AKは、協調フィルタリング、予測モデリング、および/または深層学習モデルを含む。クライアント・データセットは、暗黙的なユーザフィードバックおよび/または明示的なユーザフィードバックを含む。

0071

推奨セットRijは、2つのモデルA1、A2の組み合わせとクライアント・データセットuiを用いて生成され、一方のモデルA1は、協調フィルタリングであり、他方のモデルA2は予測モデリングである。

0072

推奨セットRijは、1つのモデルA1、A12、A13およびクライアント・データセットuiによって生成された第1の推奨セットR1ijと、さらなるモデルA2、A22、第1の推奨セットR1ij、およびクライアント・データセットuiによって生成された第2の推奨セットR2ijを含む。これは、図2に模式的に示される。

0073

第2の推奨セットR2ijを生成することは、第1の推奨セットR1ijの個々のアイテムjpを選択し、スコアリングすることを含む。

0074

クライアントiは、図1および図2に概略的に示される、以下のステップを用いて、各ダウンロードされたモデルを更新するように構成され得る。
A.ダウンロードしたモデルA1,...,AK、およびローカル・クライアント・データセットuiを用いて、更新モデルA12i,...,AK2iを計算する。
B.更新モデルA12i,...,AK2iをサーバにアップロードし、更新モデルA12i,...,AK2iは、サーバが新しい更新モデルA12,...,AK2を計算するために使用される。
C.新しい更新モデルA12,...,AK2をサーバからダウンロードする。
D.新しい更新モデルA12,...,AK2およびローカル・クライアント・データセットuiを用いて少なくとも1つのさらなる更新モデルA13i,...,AK3iを計算する。

0075

モデルAは、上記のステップAおよびDに記載されるように、クライアントで更新され得る。モデルが協調フィルタリングモデルであるときに、式




を用いて、更新が実行され、p(i)は、クライアントiに対するバイナリ嗜好変数ベクトル、Riは、クライアントiに対する既知の入力のベクトル、Iは、単位行列であり、λは、正規化パラメータである。

0076

モデルAは、上記のステップBに記載されるように、サーバで更新され得る。更新は、ステップBにおいても、サーバにアップロードされた更新モデルを平均化することによって実行される。

0077

クライアント(i)は、さらに、以下のステップによって、各モデルに対して少なくとも1つの更新を計算するように構成され得る。
A.ローカル・クライアント・データセットuiを用いて、各ダウンロードしたモデルA1,...,AKに対する更新dA1i,...,dAKiを計算する。
B.更新dA1i,...,dAKiをサーバにアップロードし、更新dA1i,...,dAKiは、サーバが更新モデルA12,...,AK2を計算するために使用される。
C.更新モデルA12,...,AK2をサーバからダウンロードする。
D.ローカル・クライアント・データセットuiを用いて、更新モデルA12,...,AK2に対する新しい更新dA12i,...,dAK2iを計算する。
E.更新モデルA12,...,AK2、新しい更新dA12i,...,dAK2i、およびローカル・クライアント・データセットuiを用いて、少なくとも1つのさらなる更新モデルA13i,...,AK3iを計算する。
更新dA1i1,...,dAKi、dA12i1,...,dAK2iを計算することは、関数f(i,j)を用いて、各アイテムj1,...,jMの値を計算することを含む。

0078

モデルAは、上記のステップA、D、およびEに記載されているように、クライアントで更新され得る。モデルが協調フィルタリングモデルであるときに、式




を用いて、更新が実行され、p(i)はクライアントiに対するバイナリ嗜好変数ベクトル、Riは、クライアントiに対する既知の入力のベクトルであり、Iは、単位行列であり、λは、正規化パラメータである。

0079

モデルAは、上記ステップBに記載されるように、サーバで更新され得る。更新は、式




を用いて実行され、γはゲイン関数である。各モデルA、例えばA1は、モデルパラメータyについて最小化されるコスト関数J1を有する。∂J/∂yjは、dA1iの合計、すなわち、クライアントi1〜iNによって提供されるdA1によって与えられる。

0080

クライアントiは、さらに、更新モデルA13i,...,AK3iおよびローカル・クライアント・データセットuiを用いて、推奨セットRijを生成するように構成されている。

0081

本開示のさらなる態様は、クライアントiのユーザに対して、クライアントiで、パーソナライズされたアイテムの推奨を生成するのを支援するように構成されたサーバに関し、サーバは、アイテムj1,...,jMのグローバルセットおよび少なくとも1つのモデルA1,...,AKを利用するように構成されている。サーバは、複数のクライアントi1,...,iNに接続されており、各クライアントiは、モデルA1,...,AKをダウンロードし、モデルA1,...,AKに対する更新モデルdA1i,...,dAKiを生成するように構成されている。サーバは、さらに、クライアントi1,...,iNの少なくとも1つによってアップロードされた更新モデルA12i,...,AK2iまたは更新dA1i,...,dAKiを用いて、新しい更新モデルA12,...,AK2を生成し、複数のクライアントi1,...,iNに新しい更新モデルA12,...,AK2を送信するように構成されている。新しい更新モデルA12,...,AK2およびクライアントiに記憶されたローカル・クライアント・データセットuiは、各クライアントiがパーソナライズされたアイテムの推奨を生成するために利用される。これは、図1および図2に概略的に示される。

0082

サーバには、モデルを利用する前に、少なくとも1つのモデルA1,...,AKが割り当てられ、割り当てることは、ランダムモデルまたは既知のモデルを選択することの1つを含む。

0083

サーバは、次のステップによって新しい更新モデルを生成するように構成されている。
A.クライアントi1,...,iNのうちのいくつかを決定し、各決定されたクライアントiは、ダウンロードしたモデルA1,...,AKおよびローカル・クライアント・データセットuiを用いて、更新モデルA12i,...,AK2iを計算し、サーバに更新モデルA12i,...,AK2iをアップロードするように構成されている。
B.決定されたクライアントi1,...,iNの少なくとも1つによってアップロードされた更新モデルA12i,...,AK2iを受信する。
C.受信した更新モデルA12i,...,AK2iを平均することを用いて、新しい更新モデルA12,...,AK2を計算する。

0084

サーバは、さらに、以下のステップによって、新しい更新モデルを生成するように構成され得る。
A.クライアントi1,...,iNのうちのいくつかを決定し、各決定されたクライアントiは、ローカル・クライアント・データセットuiを用いて、更新dA1i,...,dAKiを計算し、サーバに更新dA1i,...,dAKiをアップロードするように構成されている。
B.決定されたクライアントi1,...,iNの少なくとも1つによってアップロードされた更新dA1i,...,dAKiを受信する。
C.モデルA1,...,AKおよび受信した更新モデルdA1i,...,dAKiの集約することを用いて、新しい更新モデルA12,...,AK2を計算する。

0085

モデルAは、上記ステップCで記載されたように、サーバで更新され得る。更新は、式




によって実行され、γはゲイン関数である。

0086

本開示のさらに別の態様は、クライアントiのユーザに向けてパーソナライズされたアイテムの推奨を生成するように適合された機械学習クライアント−サーバシステムに関する。システムは、上述のサーバおよび上述の複数のクライアントを含む。

0087

図1は、概略的に、クライアント−アイテム行列Rを更新するように適合したクライアント−サーバシステムにおける情報のフローを示す。アイテムjに対する値f(i,j)は、ローカル・ユーザ・データuiを使用してクライアントiで計算される。更新モデルA12iに含まれる複数のアイテムjの値f(i,j)は、複数のクライアントからサーバSに返送され、集約され、その後、初期モデルA1はモデルA12に更新される。したがって、モデルA1を更新するためにクライアントiからローカル・クライアント・データuiを転送する必要がない。その後、同じ手順が少なくともモデルA12に対して実行され、各クライアントiでモデルA13iをもたらし、そのモデルは、クライアントiのユーザに向けてパーソナライズされたアイテムの推奨を生成するために使用される。

0088

システムは、1つのサーバSとN個のクライアントiを含む。簡略化のために、図1は、i1とiNの2つのクライアントを示し、すなわちiNは2に等しい。クライアントi1は、ローカル・クライアント・データui、すなわちu1、およびダウンロードしたモデルA1を利用する。同様に、クライアントi2は、モデルA1と同様に、ローカル・クライアント・データu2を利用する。

0089

図2は、同様に、1つのサーバS、1つのクライアントi1を含み、パーソナライズされたアイテムの推奨を生成するために2つのモデルA1、A2を利用するクライアント−サーバシステムにおける情報のフローを示す。

0090

種々の態様および実施態様が、本明細書の種々の実施形態と併せて説明された。しかしながら、開示された実施形態に対する他の変形は、図面、開示、および添付の請求の範囲の研究から、請求項の主題を実施する際に当業者によって理解され、有効にされ得る。請求項において、文言「含む」は、他の要素またはステップを除外せず、不定詞「a」または「an」は、複数を除外しない。特定の測定値が相互に異なる従属クレームで規定されているという単なる事実は、これらの測定値の組み合わせが有利に使用できないことを示すものではない。

0091

請求項において使用される参照符号は、範囲を限定するものと解釈されないものとする。

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い技術

関連性が強い 技術一覧

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ