Varlıkların Öznel Niteliklerinin Belirlenmesi

Varlıkların UGC Öznel Niteliklerinin Belirlenmesi

Yakın zamanda verilen bu patent, varlıkların öznel niteliklerini belirlemekle ilgilidir.

Varlıkların öznel nitelikleri veya bu varlıklara verilen yanıtlar hakkında bir patent görmedim.

Bunun kritik bir yönü, kullanıcı tarafından oluşturulan içerik olmasıdır.

Sosyal ağların, blogların, inceleme web sitelerinin vb. artan popülaritesi nedeniyle, kullanıcı tarafından oluşturulan içeriğin (UGC) Web'de daha yaygın hale geldiği söylendi.

Kullanıcı tarafından oluşturulan içeriği genellikle aşağıdakiler gibi yorumlar şeklinde görürüz:

• Bir sosyal ağ içinde ikinci bir kullanıcı tarafından paylaşılan içerik hakkında bir ilk kullanıcının yorumu
• Bir köşe yazarının blogundaki bir makaleye yanıt olarak kullanıcı yorumları
• İçerik barındırma web sitesinde yayınlanan bir video klipten yapılan yorum
• İncelemeler (ürünler, filmler gibi)
• İşlemler (Beğen!, Beğenmedim!, +1, paylaşma, yer imi ekleme, oynatma listesi vb.)
• bundan böyle

Bu patent kapsamında, varlıkların (medya klipleri, resimler, gazete makaleleri, blog girişleri, kişiler, kuruluşlar, ticari işletmeler vb. gibi) öznel niteliklerini tanımlamanın ve tahmin etmenin bir yolu sağlanır.

Şununla başlar:

• İlk varlığa verilen tepkiye dayalı olarak bir ilk varlık için bir ilk öznel nitelik kümesinin belirlenmesi (bir web sitesindeki yorumlar, ilk varlığın onayının gösterilmesi ("Beğen!, vb. gibi)
• İlk varlığı paylaşma
• İlk varlığı işaretleme
• İlk varlığı bir oynatma listesine ekleme
• Bir sınıflandırıcıyı eğitmek (bir destek vektör makinesi, AdaBoost, bir sinir ağı, girdi-çıktı eşlemeleri kümesinin, girdisi olan bir girdi-çıktı eşlemesi içerdiği bir dizi girdi-çıktı eşlemesi üzerinde bir karar ağacı) Bir özellik vektörü sağlama çıktısı ilk öznel nitelik kümesine dayanan ilk varlık için
• İkinci varlık için ikinci bir öznel nitelik kümesi elde etmek için eğitilmiş sınıflandırıcıya ikinci bir varlık için bir özellik vektörü sağlama

Varlıklar için öznel nitelikleri belirlemek ve tahmin etmek için bir bellek ve bir işlemci sağlanır.

Bilgisayar tarafından okunabilen bir depolama ortamı, bir bilgisayar sisteminin aşağıdakileri içeren işlemleri gerçekleştirmesine neden olan talimatlara sahiptir:

• Birinci varlığa verilen tepkiye dayalı olarak bir ilk varlık için bir birinci öznel nitelik kümesinin belirlenmesi
• İlk varlık için bir birinci özellik vektörü elde etme
• Bir sınıflandırıcıyı bir dizi girdi-çıktı eşlemesi üzerinde eğitmek, burada girdi-çıktı eşlemeleri kümesi, girdisi birinci öznitelik vektörüne dayalı olan ve çıktısı birinci öznel nitelik kümesine dayalı olan bir girdi-çıktı eşlemesini içermektedir.
• İkinci bir varlık için ikinci bir özellik vektörü elde etme
• Eğitimden sonra sınıflandırıcıya, ikinci özellik vektörünün ikinci varlık için ikinci bir öznel nitelik kümesi elde etmesini sağlamak

Varlıklar için sübjektif niteliklerin tanımlanmasına ilişkin bu patent şu adreste bulunur:

Kürasyon sinyallerinin analiziyle öznel niteliklerin belirlenmesi
Mucitler: Hrishikesh Aradhye ve Sanketh Shetty
Atanan: Google LLC
ABD Patenti: 11.328.218
Verildi: 10 Mayıs 2022
Dosyalanma: 6 Kasım 2017

Soyut:

Varlıklar (medya klipleri, filmler, televizyon programları, resimler, gazete makaleleri, blog girişleri, kişiler, kuruluşlar, ticari işletmeler vb. gibi) için öznel nitelikleri belirlemek ve tahmin etmek için bir sistem ve yöntem ifşa edilir.

Bir açıdan, bir ilk medya öğesi için öznel nitelikler, ilk medya öğesine verilen tepkiye dayalı olarak belirlenir ve yaklaşık ilk medya öğesiyle kişisel nitelikler için alaka puanları belirlenir.

Bir sınıflandırıcı, (i) birinci medya öğesi için bir dizi özellik ve eğitim girdisi için bir hedef çıktı içeren bir eğitim girdisi kullanılarak eğitilir, hedef çıktı, birinci medya öğesinin öznel nitelikleri için ilgili uygunluk puanlarını içerir.

Varlıklar İçin Öznel Niteliklerin Belirlenmesi ve Öngörülmesi

Varlıklar için öznel nitelikleri belirleme ve tahmin etme yolları (medya klipleri, resimler, gazete makaleleri, blog girişleri, kişiler, kuruluşlar, ticari işletmeler vb.).

Öznel nitelikler ("sevimli", "komik", "harika" vb.) tanımlanır ve belirli bir varlık için öznel nitelikler, kullanıcının varlığa verdiği tepkiye göre belirlenir, örneğin:

• Bir web sitesindeki yorumlar
• Beğenmek!
• İlk varlığı diğer kullanıcılarla paylaşma
• İlk varlığı işaretleme
• İlk varlığı bir oynatma listesine ekleme
• Vb

Öznel Niteliklerin İlgililik Puanlarının Varlık Hakkında Belirlenmesi

Bir video klibe yapılan yorumların önemli bir kısmında "sevimli" öznel özniteliği görünüyorsa, "sevimli" yüksek bir alaka düzeyi puanı alabilir.

Varlık daha sonra tanımlanan öznel nitelikler ve uygunluk puanları ile ilişkilendirilir (örneğin varlığa uygulanan etiketler aracılığıyla, bir ilişkisel veritabanı tablosundaki girişler aracılığıyla, vb.).

Yukarıdaki prosedür, belirli bir varlık kümesindeki (bir video klip havuzundaki video klipler gibi) her varlık için gerçekleştirilir ve kişisel niteliklere ve alaka puanlarına dayalı olarak öznel niteliklerden gruptaki varlıklara ters bir eşleme oluşturulur. .

Ters eşleme daha sonra, belirli bir öznel öznitelikle eşleşen kümedeki tüm varlıkları (örneğin, "komik" öznel özniteliği ile ilişkilendirilmiş tüm varlıklar vb.)

• Anahtar kelime aramalarını işlemek için ilgili varlıkların hızlı bir şekilde alınması
• Oynatma listelerini doldurma
• reklam teslimi
• Sınıflandırıcı için eğitim setleri oluşturma
• bundan böyle

Bir sınıflandırıcı (bir destek vektör makinesi [SVM], AdaBoost, bir sinir ağı, bir karar ağacı, vb. gibi), bir eğitim örneğinin girdisinin bir öznitelik vektörünü içerdiği bir dizi eğitim örneği sağlayarak eğitilir. belirli bir varlık (bir video klip için bir özellik vektörü gibi.

Aşağıdakiler hakkında sayısal değerler içerebilir:

• Renk
• Doku
• yoğunluk
• Video kliple ilişkili meta veri etiketleri
• Vb

Çıktı, belirli bir varlık için kelime dağarcığındaki her bir öznel nitelik için alaka puanlarına sahiptir.

Eğitilen sınıflandırıcı daha sonra eğitim setinde olmayan varlıklar için öznel öznitelikleri tahmin edebilir (örneğin yeni yüklenen bir video klip, henüz herhangi bir yorum almamış bir haber makalesi vb.).

Bu patent, varlıkları, kullanıcıların varlıklara verdiği tepkiye dayalı olarak "komik", "sevimli" vb. gibi öznel niteliklere göre sınıflandırabilir.

Bu patent, bir video klip için etiketler gibi varlık açıklamalarının kalitesini iyileştirebilir, aramaların kalitesini ve reklamların hedeflenmesini iyileştirebilir.

Öznel Nitelikleri Tanımlamak İçin Bir Sistem Mimarisi

Sistem mimarisi şunları içerir:

• sunucu makinesi
• varlık deposu
• İstemci makineler bir ağa bağlı

Ağ, genel (İnternet gibi), özel bir ağ (yerel alan ağı (LAN) veya geniş alan ağı (WAN) gibi) veya bunların bir kombinasyonu olabilir.

İstemci makineler kablosuz terminaller (akıllı telefonlar vb.), kişisel bilgisayarlar (PC), dizüstü bilgisayarlar, tablet bilgisayarlar veya diğer herhangi bir bilgi işlem veya iletişim cihazı olabilir.

İstemci makineler, istemci makinelerin donanımını ve yazılımını yöneten bir işletim sistemi (OS) çalıştırabilir.

İstemci makinelerde (istemci makinelerin işletim sistemi gibi) bir tarayıcı (gösterilmemiştir) çalışabilir.

Tarayıcı, bir web sunucusu tarafından sunulan web sayfalarına ve içeriğe erişebilen bir web tarayıcısı olabilir.

İstemci makineler ayrıca şunları da yükleyebilir:

• internet sayfaları
• Medya klipleri
• Blog girişleri
• makalelere bağlantılar
• bundan böyle

Sunucu makinesi, bir web sunucusu ve öznel bir öznitelik yöneticisi içerir. Web sunucusu ve duygusal öznitelik yöneticisi farklı cihazlarda çalışabilir.

Varlık deposu, medya klipleri (video klipler, ses klipleri, hem video hem de ses içeren klipler, resimler vb.) gibi varlıkları ve diğer içerik öğesi türlerini (web sayfaları, metinler gibi) depolayabilen kalıcı depolamadır. tabanlı belgeler, restoran incelemeleri, film incelemeleri vb.) ve ayrıca varlıkları etiketlemek, düzenlemek ve dizine eklemek için veri yapıları.

Varlık deposu, ana bellek, manyetik veya optik depolama tabanlı diskler, teypler veya sabit sürücüler, NAS, SAN vb. gibi depolama aygıtları tarafından barındırılabilir.

Varlık deposu, ağa bağlı bir dosya sunucusu tarafından barındırılabilir. Buna karşılık, diğer uygulamalarda, varlık deposu, sunucu makinesininki veya sunucu makinesine ağ yoluyla bağlanan farklı makineler gibi başka bir kalıcı depolama türü tarafından barındırılabilir.

Varlık deposunda depolanan varlıklar, istemci makineler tarafından yüklenen kullanıcı tarafından oluşturulan içeriği içerebilir ve aşağıdakiler gibi hizmet sağlayıcılar tarafından sağlanan içeriği içerebilir:

• Haber kuruluşları
• yayıncılar
• kütüphaneler
• Yakın zamanda

Sunucu, varlık depolarından istemcilere web sayfaları ve içerik sunabilir.

Öznel nitelik yöneticisi:

• Kullanıcı tepkisine dayalı olarak varlıklar için öznel öznitelikleri tanımlar (yorumlar, Beğen!, paylaşma, yer imi ekleme, oynatma listesi vb.)
• Varlıklarla ilgili öznel nitelikler için alaka puanlarını belirler
• Sübjektif nitelikleri ve alaka puanlarını varlıklarla ilişkilendirir
• Renk, doku ve yoğunluk gibi görüntü özellikleri gibi özellikleri ayıklar; genlik, spektral katsayı oranları gibi ses özellikleri; kelime sıklıkları, ortalama cümle uzunluğu, biçimlendirme parametreleri gibi metinsel özellikler; varlıkla ilişkili meta veriler; vb.) varlıklardan özellik vektörleri oluşturmak için
• Özellik vektörlerine ve öznel özniteliklerin alaka düzeyi puanlarına dayalı olarak bir sınıflandırıcı eğitir
• Yeni varlıkların özellik vektörlerine dayalı olarak yeni varlıklar için öznel nitelikleri tahmin etmek için eğitilmiş sınıflandırıcıyı kullanır

Öznel Bir Nitelik Yöneticisi

Öznel öznitelik yöneticisi, öznel öznitelik yöneticisi ile aynı olabilir ve şunları içerebilir:

• Öznel nitelik tanımlayıcısı
• alaka puanı
• Özellik çıkarıcı
• sınıflandırıcı
• Bilgi deposu

.

Bileşenler birleştirilebilir veya daha fazla ayrıntıya ayrılabilir.

Veri deposu, bir kişisel öznitelik sözlüğünü, işlenecek olan varlıkları, varlıklarla ilişkili özellik vektörlerini, kişisel öznitelikleri tutmak için varlık deposuyla aynı veya farklı bir veri deposu (geçici bir arabellek veya kalıcı bir veri deposu gibi) olabilir. ve varlıklarla veya bu verilerin bazı kombinasyonlarıyla ilgili alaka puanları.

Veri deposu, ana bellek, manyetik veya optik depolama tabanlı diskler, teypler veya sabit sürücüler vb. gibi depolama aygıtları tarafından barındırılabilir.

Öznel öznitelik yöneticisi, kullanıcıları veri deposunda ve varlık deposunda depolanan bilgi türleri konusunda bilgilendirir ve kullanıcıların bu tür bilgilerin toplanıp öznel öznitelik yöneticisiyle paylaşılmamasını seçmelerine olanak tanır.

Öznel Nitelik Tanımlayıcı

Kişisel öznitelik tanımlayıcısı, varlıklara yönelik kullanıcı tepkisine dayalı olarak varlıklar için öznel öznitelikleri tanımlar.

Kişisel öznitelik tanımlayıcısı, bir sosyal ağ web sitesinde bir kullanıcı tarafından yayınlanan bir varlığa yapılan kullanıcıların yorumlarının metin işlemesi yoluyla öznel öznitelikleri tanımlayabilir.

Öznel öznitelik tanımlayıcı, varlıklara yönelik diğer kullanıcı tepkileri türlerine dayalı olarak varlıklar için öznel öznitelikleri tanımlayabilir, örneğin:

• 'Beğenmek!' veya 'Beğenmedim!'
• Varlığı paylaşma
• Varlığı işaretleme
• Varlığı bir oynatma listesine ekleme
• bundan böyle

Kişisel öznitelik tanımlayıcısı, hangi özniteliklerin bir varlıkla ilişkili olduğunu belirlemek için eşikler uygulayabilir (öznel öznitelik en az N yorumda görünmelidir, vb.).

İlgililik puanlayıcısı, varlıklarla ilgili öznel nitelikler için uygunluk puanlarını belirler.

Örneğin, öznel nitelik tanımlayıcısı, bir sosyal ağ web sitesinde yayınlanan bir medya klibine yapılan yorumlara dayalı olarak "sevimli", "komik" ve "harika" öznel nitelikleri belirlediğinde, alaka düzeyi puanlayıcısı, bu üç öznel durumun her biri için alaka puanlarını belirleyebilir. niteliklere dayalı:

• Bu öznel özelliklerin yorumlarda görünme sıklığı
• Öznel özellikleri sağlayan belirli kullanıcılar
• bundan böyle

Örneğin, 40 yorum varsa ve 20 kelimede "sevimli" ve 8 yorumda "harika" görünüyorsa, "sevimli"ye "harika"dan daha yüksek bir alaka düzeyi puanı atanabilir.

Alaka düzeyi puanları, öznel bir özelliğin yer aldığı yorumların oranına göre atanabilir ("sevimli" için 0,5 puan ve "harika" için 0,2 puan vb.).

İlgililik puanlayıcısı, yalnızca en alakalı öznel nitelikleri tutabilir ve diğer kişisel nitelikleri atabilir.

Örneğin, kişisel nitelik tanımlayıcısının, kullanıcı yorumlarında en az üç kez görünen yedi duygusal özelliği tanımladığını varsayalım. Bu durumda, ilgililik puanlayıcısı, örneğin, yalnızca en yüksek ilgililik puanlarına sahip beş öznel özelliği koruyabilir ve diğer iki duygusal özelliği (ilgi puanlarını sıfıra ayarlayarak, vb.) atabilir.

Alaka düzeyi puanı, 0,0 ile 1,0 dahil arasında doğal bir sayıdır.

Özellik çıkarıcı, aşağıdaki gibi teknikleri kullanarak bir varlık için bir özellik vektörü elde eder:

• Temel bileşenler Analizi
• yarı kesin gömmeler
• izomapler
• Kısmi en küçük kareler
• bundan böyle

Bir varlığın özelliklerinin çıkarılmasıyla ilgili hesaplamalar, özellik çıkarıcının kendisi tarafından gerçekleştirilir.

Diğer bazı yönlerden bu hesaplamalar, aşağıdakilerin Yürütülebilir kitaplığı gibi başka bir varlık tarafından gerçekleştirilir:

• Sunucu makine tarafından barındırılan görüntü işleme rutinleri [Şekillerde gösterilmemiştir]
• Ses işleme rutinleri
• Metin işleme rutinleri
• Vb

Sonuçlar, özellik çıkarıcıya sağlanır.

Sınıflandırıcı, bir varlıkla ilişkili bir özellik vektörünü girdi olarak kabul eden ve uygunluk puanları (0 ile 0 arasında gerçek bir sayı gibi) veren bir öğrenme makinesidir (destek vektör makineleri [SVM'ler], AdaBoost, sinir ağları, karar ağaçları vb.) ve 1 dahil, vb.) kişisel nitelik kelime dağarcığının her bir öznel niteliği için.

Sınıflandırıcı, tek bir sınıflandırıcıdan oluşur.

Sınıflandırıcı birden fazla sınıflandırıcı içerebilir (kişisel nitelik sözlüğündeki her bir öznel nitelik için bir sınıflandırıcı gibi).

Kişisel nitelik sözlüğündeki her bir öznel nitelik için bir dizi olumlu örnek ve olumsuz kriter bir araya getirilmiştir.

Sübjektif bir nitelik için olumlu örnekler kümesi, o belirli kişisel nitelik ile ilişkili varlıklar için özellik vektörlerini içerebilir.

Bir öznel nitelik için olumsuz örnekler kümesi, o belirli kişisel nitelik ile ilişkilendirilmemiş varlıklar için özellik vektörlerini içerebilir.

Olumlu örnekler kümesi ve olumsuz kriterler kümesi boyut olarak eşit olmadığında, daha kapsamlı küme, daha küçük grubun boyutuna uyacak şekilde örneklenebilir.

Eğitimden sonra, sınıflandırıcı, sınıflandırıcıya girdi olarak bu varlıklar için özellik vektörleri sağlayarak eğitim kümesinde olmayan diğer varlıklar için öznel nitelikleri tahmin edebilir.

Sınıflandırıcının çıktısından, sıfır olmayan ilgi puanları ile tüm duygusal nitelikleri dahil ederek bir dizi öznel nitelik elde edilebilir. Sayısal puanlara en küçük eşik uygulanarak bir grup öznel puan elde edilebilir (en az, örneğin 0,2 puana sahip tüm kişisel özelliklerin kümenin bir üyesi olduğu düşünülerek).

Varlıkların Öznel Niteliklerinin Belirlenmesi

Yöntem, donanım (devre, tahsisli mantık, vb.), yazılım (genel amaçlı bir bilgisayar sistemi veya tahsisli bir makine üzerinde çalıştırılanlar gibi) veya her ikisini içerebilen işleme mantığı ile gerçekleştirilir.

Yöntem, sunucu makine tarafından gerçekleştirilir, diğer bazı uygulamalar başka bir cihaz tarafından gerçekleştirilebilir.

Öznel öznitelik yöneticilerinin çeşitli bileşenleri ayrı makinelerde çalışabilir (kişisel öznitelik tanımlayıcısı ve uygunluk puanlayıcısı bir aygıtta çalışırken, öznitelik çıkarıcı ve sınıflandırıcı başka bir aygıtta çalışabilir, vb.).

Açıklamanın basitliği için, yöntem bir dizi eylem olarak tasvir edilir ve tanımlanır.

Fakat fiiller çeşitli sıralarda ve burada sunulmayan ve tarif edilmeyen diğer fiillerle birlikte meydana gelebilir.

Ayrıca, gösterilen tüm fiillerin açıklanan konuya göre yöntemleri kurması gerekmeyebilir.

Ek olarak, teknikte uzman kişiler, yöntemin bir durum diyagramı veya olaylar yoluyla birbiriyle ilişkili bir dizi durum olarak temsil edilebileceğini anlayacak ve takdir edecektir.

Ek olarak, bu spesifikasyonda açıklanan yöntemlerin, bu tür metodolojilerin bilgisayar cihazlarına taşınmasını ve aktarılmasını kolaylaştırmak için bir üretim nesnesi üzerinde depolanabileceği takdir edilmelidir.

Burada kullanıldığı şekliyle üretim maddesi terimi, bilgisayar tarafından okunabilen herhangi bir cihazdan veya depolama ortamından erişilebilen bir bilgisayar programını kapsamayı amaçlamaktadır.

Sübjektif niteliklerden oluşan bir kelime dağarcığı oluşturulur.

Bazı yönlerden, öznel nitelik kelime dağarcığı tanımlanabilir. Buna karşılık, diğer bazı faktörlerde, kişisel nitelik kelime dağarcığı, kullanıcıların varlıklara tepkilerinde kullanılan terimler ve ifadeler toplanarak otomatik bir şekilde oluşturulabilir. Buna karşılık, diğer yönlerden, kelime dağarcığı, manuel ve otomatik tekniklerin bir kombinasyonu ile oluşturulabilir.

Kelime dağarcığı, varlıklara uygulanması beklenen az sayıda öznel nitelikle tohumlanır. Kullanıcı tepkilerinde görünen daha fazla terim veya kelime öbeği, yanıtların otomatik olarak işlenmesi yoluyla tanımlandıkça, kelime dağarcığı zamanla genişler.

Öznel öznitelik sözcük dağarcığı, muhtemelen kişisel özniteliklerle ilişkili "meta-niteliklere" dayalı olarak hiyerarşik olarak organize edilebilir ("komik" kişisel öznitelik "olumlu" bir üst niteliğe sahip olabilirken, öznel nokta "iğrenç" olabilir. bir meta-öznitelik “negatif” vb.).

Bir S varlık kümesi (varlık deposundaki tüm varlıklar, varlık deposundaki varlıkların bir alt kümesi vb. gibi) önceden işlenir.

Bir açıdan, varlıkların ön işlemesi, varlıklara yönelik kullanıcı tepkilerinin belirlenmesini ve ardından yanıtlara dayalı olarak bir sınıflandırıcının eğitilmesini içerir.

Bir Varlık Gerçek Bir Fiziksel Varlık Olduğunda

Bir varlığın gerçek bir fiziksel varlık (bir kişi, bir restoran vb.) olması durumunda, varlığın ön işlemesinin, fiziksel varlıkla ilişkili bir "siber proxy" (örneğin bir bir sosyal ağ web sitesinde bir aktör için hayran sayfası, bir web sitesinde bir restoran incelemesi vb.); ancak, öznel niteliklerin varlığın kendisiyle ilişkilendirildiği düşünülür (aktörün hayran sayfası veya restoran incelemesi değil, oyuncu veya restoran gibi).

Almak için bir yöntem örneği ayrıntılı olarak açıklanmıştır.

S kümesinde olmayan E varlığı alındı ​​(yeni yüklenen bir video klip, henüz herhangi bir yorum almamış bir haber makalesi, varlık deposundaki eğitim kümesine dahil edilmemiş bir varlık vb.).

E varlığı için konu nitelikleri ve uygunluk puanları elde edilir.

Bir birinci örnek yöntemin bir uygulaması aşağıda ayrıntılı olarak anlatılmıştır ve ikinci bir örnek yöntemin performansı anlatılmıştır.

Elde edilen öznel nitelikler ve uygunluk puanları, E varlığı ile ilişkilendirilir (örneğin, varlığa karşılık gelen etiketlerin uygulanması, ilişkisel bir veritabanı tablosuna bir kayıt eklenmesi vb.).

Yürütme geri devam ediyor.

Sınıflandırıcının (döngünün her 100 iterasyonundan sonra, her N günde bir, vb.) aynı anda yürütülebilecek bir yeniden eğitim süreci ile yeniden eğitilebileceğine dikkat edilmelidir.

Bir Varlık Seti Ön İşleme

Yöntem, donanım (devre, tahsisli mantık, vb.), yazılım (genel amaçlı bir bilgisayar sistemi veya tahsisli bir makine üzerinde çalıştırılanlar gibi) veya her ikisini içerebilen işleme mantığı ile gerçekleştirilir.

Yöntem gerçekleştirilir, diğer bazı uygulamalarda başka bir makine tarafından gerçekleştirilebilir.

Eğitim kümesi boş kümeye başlatılır. Bir E varlığı seçilir ve S varlık kümesinden çıkarılır.

E varlığı için öznel nitelikler, E varlığına (kullanıcı yorumları, Beğen!, yer imi ekleme, paylaşma, bir oynatma listesine ekleme vb.) yönelik kullanıcı tepkilerine göre tanımlanır.

Sübjektif niteliklerin tanımlanması, aşağıdakiler gibi kullanıcı yorumlarının işlenmesini içerir:

• Kullanıcı yorumlarındaki kelimeleri, kelime dağarcığındaki öznel niteliklerle eşleştirme
• Sözdizimsel ve anlamsal analiz gibi sözcük eşleştirme ve diğer doğal dil işleme tekniklerini birleştirmek
• Vb

Konumların Yakınında Oluşan Varlıklar

Kullanıcı tepkileri, aşağıdakiler gibi birçok yerde meydana gelen varlıklar için toplanabilir:

• Birçok kullanıcının oynatma listesinde görünen varlıklar
• Paylaşılan ve bir sosyal ağ web sitesinde çok sayıda kullanıcının “haber beslemelerinde” görünen varlıklar
• Vb

Farklı konumlar, aşağıdakiler gibi çeşitli faktörlere dayalı olarak alaka düzeyi puanlarına katkıları açısından ağırlıklandırılabilir:

Konumla ilişkilendirilen belirli bir kullanıcı (örneğin, belirli bir kullanıcı klasik müzik konusunda bir otorite olabilir ve bu nedenle haber akışlarındaki bir varlık hakkındaki yorumlar, başka bir haber akışındaki yorumlardan daha fazla ağırlık alabilir, vb.), metinsel olmayan kullanıcı tepkileri (örneğin, “Beğen!”, “Beğenmedim!”, “+1” vb.).

Ek olarak, varlığın göründüğü konumların sayısı, öznel niteliklerin ve uygunluk puanlarının belirlenmesinde de kullanılabilir (bir video klibin alaka puanları gibi, video klip yüzlerce kullanıcı oynatma listesinde olduğunda vb. artabilir).

Blok, öznel nitelik tanımlayıcısı tarafından gerçekleştirilir.

Öznel nitelikler için uygunluk puanları, E varlığı tarafından belirlenir.

Belirli bir öznel öznitelik için, kişisel özniteliğin kullanıcı yorumlarında görünme sıklığına, öznel ayrıntıları kendi sözleriyle sağlayan belirli kullanıcılara (örneğin, bazı kullanıcıların deneyimlerinden daha doğru olduğu biliniyor olabilir) dayalı olarak belirlenir. diğer kullanıcılardan daha fazla yorum vb.).

Örneğin, 40 yorum varsa ve 20 kelimede "sevimli" ve 8 yorumda "harika" görünüyorsa, "sevimli"ye "harika"dan daha yüksek bir alaka düzeyi puanı atanabilir.

Alaka düzeyi puanları, öznel bir özelliğin göründüğü yorumların oranına göre atanabilir ("sevimli" için 0,5 puan ve "harika" için 0,2 puan vb.).

Bir açıdan, alaka puanları [0, 1] aralıklarına düşecek şekilde normalleştirilir.

Bazı yönlerden, tanımlanan öznel nitelikler, ilgililik puanlarına dayalı olarak atılabilir (örneğin, en yüksek alaka puanları olan k duygusal nitelikleri korumak, alaka puanı bir eşiğin altında olan herhangi bir kişisel özelliği atmak, vb.).

Bazı yönlerden ilgililik puanı sıfıra ayarlanarak öznel bir özelliğin atılabileceği belirtilmelidir.

Öznel Nitelikler ve İlgililik Puanları Varlıklarla İlişkilendirilir

Sübjektif nitelikler ve uygunluk puanları, varlıklarla ilişkilendirilir (örneğin, etiketleme yoluyla, ilişkisel bir veritabanındaki bir tablodaki girişler, vb.).

E varlığı için bir özellik vektörü elde edilir.

Bir yönde, bir video klibin veya hareketsiz görüntünün özellik vektörü renk, doku, yoğunluk vb. ile ilgili sayısal değerler içerebilirken, bir ses klibinin (veya sesli bir video klibin) özellik vektörü genlikle ilgili sayısal değerleri içerebilir. , spektral katsayılar vb., bir metin belgesi için özellik vektörü şunları içerebilir:

• Kelime frekansları hakkında sayısal değerler
• Ortalama cümle uzunluğu
• biçimlendirme parametreleri
• bundan böyle

Bu, özellik çıkarıcı tarafından gerçekleştirilebilir.

Elde edilen öznitelik vektörü ve ilgililik puanları eğitim setine eklenir.

Bock, S varlık kümesinin boş olup olmadığını kontrol eder; S boş değilse, yürütme devam eder, aksi takdirde yürütme devam eder.

Sınıflandırıcı, eğitim kümesinin tüm örnekleri üzerinde eğitilir, öyle ki bir eğitim örneğinin özellik vektörü sınıflandırıcıya girdi olarak sağlanır ve öznel öznitelik alaka puanları çıktı olarak sağlanır.

Bir Varlık İçin Öznel Nitelikler ve İlgililik Puanlarının Elde Edilmesi

E varlığı için bir özellik vektörü oluşturulur.

Yukarıda açıklandığı gibi, bir video klibin veya hareketsiz görüntünün özellik vektörü renk, doku, yoğunluk vb. ile ilgili sayısal değerler içerebilir. Bunun aksine, bir ses klibi (veya sesli bir video klibi) için özellik vektörü sayısal değerler içerebilir. genlik, spektral katsayılar vb. hakkında. Buna karşılık, bir metin belgesi için özellik vektörü, kelime frekansları, ortalama cümle uzunluğu, formatlama parametreleri vb. hakkında sayısal değerler içerebilir.

Eğitilmiş sınıflandırıcı, E varlığı için tahmin edilen öznel öznitelikleri ve alaka puanlarını almak için özellik vektörünü sağlar.

Tahmin edilen öznel nitelikler ve alaka düzeyi puanları, E varlığı ile ilişkilendirilir (örneğin, E varlığına uygulanan etiketler aracılığıyla, bir ilişkisel veritabanı tablosundaki girişler aracılığıyla vb.).

Bir Varlık İçin Öznel Nitelikler ve İlgililik Puanları Elde Etmenin İkinci Bir Yöntemi

Yöntem, donanım (devre, özel mantık, vb.), yazılım veya her ikisinin bir kombinasyonunu içerebilen işleme mantığı ile gerçekleştirilir.

Yöntem sunucu makine tarafından gerçekleştirilirken, bazıları başka bir cihaz tarafından gerçekleştirilebilir.

E varlığı için bir özellik vektörü oluşturulur. Eğitilmiş sınıflandırıcı, E varlığı için tahmin edilen öznel öznitelikleri ve alaka puanlarını almak için özellik vektörünü sağlar.

Elde edilen tahmini öznel öznitelikler bir kullanıcıya önerilir (örneğin varlığı yükleyen kullanıcı gibi. Kullanıcıdan, önerilen öznitelikler arasından seçim yaptığı ve muhtemelen yeni nitelikler ekler, vb.).

Varlıklar için Varsayılan Uygunluk Puanı

Kullanıcı tarafından eklenen tüm yeni öznel niteliklere varsayılan bir alaka düzeyi puanı atanır.

Varsayılan alaka düzeyi puanı 0,0 ile 1,0 arasında bir ölçekte 1,0 olabilir, varsayılan alaka düzeyi puanı belirli bir kullanıcıya dayalı olabilir (örneğin, kullanıcının geçmişten özellikleri önermede çok iyi olduğu biliniyorsa 1,0 puan, bir puan gibi). kullanıcının öznitelikleri önermede biraz iyi olduğu biliniyorsa, vb.) 0,8'dir.

Blok dalları, kullanıcının önerilen öznel özniteliklerden herhangi birini (özniteliği seçmemek gibi) kaldırıp kaldırmadığına bağlıdır.

E Varlığı, sınıflandırıcının gelecekteki yeniden eğitimi için kaldırılan özniteliklerin olumsuz bir örneği olarak saklanır. Rafine edilmiş öznel nitelikler kümesi ve karşılık gelen ilgililik puanları, E varlığı ile ilişkilendirilir (örneğin, E varlığına uygulanan etiketler aracılığıyla, bir ilişkisel veritabanı tablosundaki girişler aracılığıyla vb.).