特許ウォッチ

公開番号2023075060
公報種別公開特許公報(A)
公開日2023-05-30
出願番号2022182883
出願日2022-11-15
発明の名称グラフ機械学習ベースの回帰を用いた推奨
出願人富士通株式会社
代理人個人,個人,個人
主分類G06F 16/903 20190101AFI20230523BHJP(計算;計数)
要約【課題】グラフ機械学習ベースの回帰を用いた推奨を提供する。
【解決手段】一実施形態において、エンティティグラフからのエンティティを項目に関連づけるサブグラフのセットの各々がグラフデータベースから抽出される。各サブグラフについて、それぞれのエンティティに対する項目の重要度であるラベルスコアが計算される。サブグラフのセットと各サブグラフのラベルスコアとを含む訓練データセットが生成される。ML回帰モデルのセットが、訓練データセットのそれぞれのエンティティ固有のサブセット上で訓練される。第2のエンティティに関連づけられたML回帰モデルが、見たことのないグラフの予測スコアを生成する。サブグラフのセットから、第2のエンティティに関連づけられた1つ以上のサブグラフが予測スコアに基づいて決定される。1つ以上のサブグラフに基づいて、1つ以上の項目の推奨が決定される。推奨は、第1のエンティティのユーザデバイスに表示される。
【選択図】図1
特許請求の範囲【請求項１】
プロセッサにより実行される方法であって、
グラフデータベースにクエリしてサブグラフのセットを抽出するステップであり、前記サブグラフの各々は、エンティティグループのそれぞれのエンティティを項目に関連づける情報を含む、ステップと、
前記サブグラフのセットの各サブグラフのラベルスコアを計算するステップであり、前記ラベルスコアは前記それぞれのエンティティに対する前記項目の重要度を示す、ステップと、
前記サブグラフのセットと前記サブグラフのセットの各サブグラフの前記ラベルスコアとを含む訓練データセットを生成するステップと、
前記訓練データセットのそれぞれのエンティティ固有のサブセット上で機械学習（ＭＬ）回帰モデルのセットを訓練するステップと、
前記訓練されたＭＬ回帰モデルのセットのうちの訓練されたＭＬ回帰モデルへの入力として、第１のエンティティに関連づけられた見たことのないサブグラフを提供するステップであり、前記訓練されたＭＬ回帰モデルは、前記第１のエンティティと異なる第２のエンティティに関連づけられている、ステップと、
前記入力に対する前記訓練されたＭＬ回帰モデルの出力として予測スコアを生成するステップと、
前記予測スコアに基づいて、前記サブグラフのセットから、前記第２のエンティティに関連づけられた１つ以上のサブグラフを決定するステップと、
前記１つ以上のサブグラフに基づいて、１つ以上の項目の推奨を決定するステップと、
前記推奨を表示するために前記第１のエンティティに関連づけられたユーザデバイスを制御するステップと、
を含む方法。
続きを表示（約 2,100 文字）【請求項２】
前記エンティティは、ユーザ、共通の目的を達成するために共に働くユーザのグループ、又は組織のうちの１つに対応する、請求項１に記載の方法。
【請求項３】
前記グラフデータベースは、
前記エンティティグループに関連づけられた区別可能なエンティティノードのセット、
項目のセットに対応する区別可能な項目ノードのセット、及び
前記サブグラフのセットであり、前記サブグラフの各々が前記区別可能なエンティティノードのセットの少なくとも１つのエンティティノードと前記区別可能な項目ノードのセットの少なくとも１つの項目ノードとの間に存在する、前記サブグラフのセット
を含むナレッジグラフを含む、請求項１に記載の方法。
【請求項４】
前記ＭＬ回帰モデルのセットの各ＭＬ回帰モデルはグラフＭＬモデルである、請求項１に記載の方法。
【請求項５】
前記サブグラフのセットの各サブグラフにおける前記情報は、エッジのセットを通してエンティティノード及び項目ノードに接続された中間ノードのセットを含み、
前記中間ノードのセットの各中間ノードは、前記項目にリンクされている属性を表す、請求項１に記載の方法。
【請求項６】
前記エンティティグループの前記それぞれのエンティティは、研究者に対応し、前記項目は、前記研究者が関連づけられている研究雑誌に対応し、
前記中間ノードのセットは、キーフレーズノードのセット及びトピックノードのセットを含む、請求項５に記載の方法。
【請求項７】
前記キーフレーズノードのセットの各キーフレーズノードと前記トピックノードのセットの対応するトピックノードとの間のエッジに、関連性重みが割り当てられる、請求項６に記載の方法。
【請求項８】
前記グラフデータベースにクエリすることは、
前記グラフデータベースにおける区別可能なエンティティノードのセットを決定することと、
前記グラフデータベースにおける区別可能な項目ノードのセットを決定することと、
前記区別可能なエンティティノードのセットのうちのエンティティノードと前記区別可能な項目ノードのセットのうちの項目ノードとのペアごとに、動作のセットを実行することであり、前記動作は、
複数のサブグラフのうちの第１のサブグラフを抽出する第１の動作であり、
前記抽出された第１のサブグラフ内の情報は、
中間ノードのセット、及び
エッジのセットであり、各々が前記中間ノードのセットのうちの中間ノードのペアを接続する、エッジのセット
を含む、第１の動作と、
前記エッジのセットの各エッジに割り当てられた関連性属性に基づいて、前記中間ノードのセットから１つ以上の中間ノードをトリムする第２の動作と、
を含む、ことと、
前記複数のサブグラフから１つ以上の重複サブグラフを除去することにより、前記複数のサブグラフから前記サブグラフのセットを抽出することと、
を含む、請求項１に記載の方法。
【請求項９】
前記サブグラフのセットからの、前記第１のエンティティ及び前記第２のエンティティと異なる第３のエンティティに関連づけられた、第１のサブグラフに関連づけられたラベルスコアが、
前記第１のサブグラフのノード及びエッジの合計を含む第１のスコア、
前記第１のサブグラフのエッジ対ノード比を含む第２のスコア、
前記第１のサブグラフに関連づけられた項目の関連性ベースのキーフレーズスコアを含む第３のスコア、又は
前記第１のサブグラフに関連づけられた前記項目の相対キーフレーズスコアを含む第４のスコア
のうちの少なくとも１つに基づいて計算される、請求項１に記載の方法。
【請求項１０】
前記第３のスコアを、
前記サブグラフのセットのうちの１つ以上の第１のサブグラフのキーフレーズノードのセットにおける第１のキーフレーズノードの出現数を決定することであり、前記１つ以上の第１のサブグラフは前記第３のエンティティに関連づけられている、ことと、
前記キーフレーズノードのセットの総数に対する前記第１のキーフレーズノードの前記出現数の第１の比率に基づいて、前記第１のキーフレーズノードの第１のｋスコアを決定することと、
前記第１のキーフレーズノードに関連づけられた関連性に基づいて、前記第１のｋスコアに第１の重みを割り当てて前記第１のキーフレーズノードの第１の重み付きｋスコアを決定することと、
前記キーフレーズノードのセットに対して、前記第１の重み付きｋスコアを含む重み付きｋスコアのセットを正規化することと、
前記正規化された重み付きｋスコアのセットを合計して、前記第１のサブグラフに関連づけられた前記項目の前記第３のスコアを決定することと、
により決定することをさらに含む、請求項９に記載の方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示で論じられる実施形態は、グラフ機械学習ベースの回帰を使用した推奨に関する。
続きを表示（約 3,500 文字）【背景技術】
【０００２】
知識表現と推論の分野における進歩は、多数のグラフベースの推奨の開発をもたらしてきた。グラフの一般的なタイプの１つは、オブジェクト、エンティティ、イベント、状況、及び関連する相互依存性をグラフ構造化データモデルの形式で表すナレッジグラフである。ナレッジグラフは通常、ノードと、ノードを接続するエッジとを含む。あらゆるエッジが、２つの接続ノード間の関係を表す。多くのレコメンダシステムは、ナレッジグラフを使用して、様々なタイプのノードにより表される情報、並びにそれらの接続及び関係の間の類似度に基づいてユーザに推奨を提供する。
【０００３】
本開示で請求される対象事項は、いずれかの欠点を解決し又は上記のような環境でのみ動作する実施形態に限定されない。むしろ、この背景技術は、本開示に記載されるいくつかの実施形態が実施され得る１つの例示的な技術分野を示すためにのみ提供されている。
【発明の概要】
【０００４】
一実施形態の態様によれば、方法が動作のセットを含むことができ、動作は、グラフデータベースにクエリしてサブグラフのセットを抽出することを含んでもよく、サブグラフの各々は、エンティティグループのそれぞれのエンティティを項目に関連づける情報を含むことができる。動作のセットは、サブグラフのセットの各サブグラフのラベルスコアを計算することをさらに含んでもよい。ラベルスコアは、それぞれのエンティティに対する項目の重要度を示すことができる。動作のセットは、サブグラフのセットとサブグラフのセットの各サブグラフのラベルスコアとを含む訓練データセットを生成することをさらに含んでもよい。動作のセットは、訓練データセットのそれぞれのエンティティ固有のサブセット上で機械学習（ＭＬ）回帰モデルのセットを訓練することと、訓練されたＭＬ回帰モデルのセットのうちのＭＬ回帰モデルへの入力として、第１のエンティティに関連づけられた見たことのないサブグラフを提供することをさらに含んでもよい。訓練されたＭＬ回帰モデルは、第１のエンティティと異なり得る第２のエンティティに関連づけられていてもよい。動作のセットは、入力に対するＭＬ回帰モデルの出力として予測スコアを生成することと、サブグラフのセットから、第２のエンティティに関連づけられた１つ以上のサブグラフを決定することをさらに含んでもよい。１つ以上のサブグラフは、予測スコアに基づいて決定されてもよい。動作のセットは、１つ以上のサブグラフに基づいて１つ以上の項目の推奨を決定することと、推奨を表示するために第１のエンティティに関連づけられたユーザデバイスを制御することをさらに含んでもよい。
【０００５】
実施形態の目的及び利点は、少なくとも特許請求の範囲で特に指し示される要素、特徴、及び組み合わせにより実現され、達成される。
【０００６】
前述の一般的な説明及び以下の詳細な説明の双方が例として与えられており、説明的であり、請求される発明を制限するものではない。
【図面の簡単な説明】
【０００７】
例示的な実施形態は、添付の図面の使用を通してさらなる特定性及び詳細と共に記載され、説明される。
グラフ機械学習ベースの回帰を用いた推奨に関連する一例示的な環境を表す図である。
グラフ機械学習ベースの回帰を用いた推奨のための一例示的なシステムを示すブロック図である。
例示的なグラフを含むグラフデータベースからエンティティとエンティティに関連する項目とに関連づけられたサブグラフを抽出する一例示的なシナリオを示す図である。
グラフデータベースからサブグラフのセットを抽出する一例示的な方法のフローチャートを示す図である。
各エンティティが研究者に対応し、各項目がそれぞれの研究者に関連づけられた研究雑誌に対応する、一例示的なグラフを示す図である。
グラフデータベースからサブグラフのセットを抽出する例示的な動作を示す図である。
グラフ機械学習ベースの回帰を用いて推奨を決定する一例示的な方法のフローチャートを示す図である。
グラフ機械学習ベースの回帰を用いて推奨を決定する一例示的な方法のブロック図を示す図である。
グラフデータベースから抽出されたサブグラフのセットからの第１のサブグラフに関連づけられた第３のスコアを決定する一例示的な方法のフローチャートを示す図である。
グラフデータベースから抽出されたサブグラフのセットからの第１のサブグラフに関連づけられた第４のスコアを決定する一例示的な方法のフローチャートを示す図である。
グラフデータベースから抽出されたサブグラフのセットに関連づけられた調整されたスコアのセットを決定する一例示的な方法のフローチャートを示す図である。
グラフデータベースから抽出されたサブグラフのセットからの第１のサブグラフに関連づけられた項目の第３のスコアを決定する一例示的な方法のフローチャートを示す図である。
グラフ機械学習ベースの回帰を使用することにより見たことがないグラフのエンティティに関連づけられた推奨を決定する一例示的なシナリオのブロック図を示す図である。
【０００８】
全て、本開示に記載される少なくとも１つの実施形態に従う。
【発明を実施するための形態】
【０００９】
本開示に記載されるいくつかの実施形態は、グラフ機械学習ベースの回帰（graph machine learning-based regression）を用いた推奨のための方法及びシステムに関する。本開示では、サブグラフのセットを抽出するために、グラフデータベースにクエリすることができる。抽出されたサブグラフのセットのうちの各々は、エンティティグループのそれぞれのエンティティを項目に関連づける情報を含むことができる。さらに、サブグラフのセットの各サブグラフについて、ラベルスコアを計算することができる。ラベルスコアは、それぞれのエンティティに対する項目の重要度を示すことができる。その後、訓練データセットを生成して、サブグラフのセットと各サブグラフのラベルスコアを含めることができる。訓練データセットのそれぞれのエンティティ固有のサブセット上で機械学習（ＭＬ）回帰モデルのセットを訓練することができる。その後、第１のエンティティに関連づけられた見たことのないサブグラフを、訓練されたＭＬ回帰モデルのセットのうちのＭＬ回帰モデルへの入力として提供することができる。訓練されたＭＬ回帰モデルは、第１のエンティティと異なり得る第２のエンティティに関連づけられていてもよい。その後、入力に対するＭＬ回帰モデルの出力として、予測スコアを生成することができる。さらに、サブグラフのセットから、予測スコアに基づいて、第２のエンティティに関連づけられた１つ以上のサブグラフを決定することができる。１つ以上のサブグラフに基づいて、１つ以上の項目の推奨を決定することができる。さらに、推奨を表示するために、第１のエンティティに関連づけられたユーザデバイスを制御することができる。
【００１０】
本開示の１つ以上の実施形態によれば、知識表現及び推論の技術分野は、コンピューティングシステムがグラフ機械学習ベースの回帰を使用して推奨を決定することが可能であり得るようにコンピューティングシステムを構成することにより改善される可能性がある。コンピューティングシステムは、グラフデータベースから抽出されたサブグラフのセットと各サブグラフのラベルスコアとを含む訓練データセットのそれぞれのエンティティ固有のサブセット上でＭＬ回帰モデルのセットを訓練することができる。第１のエンティティに関連づけられた見たことのないサブグラフを第２のエンティティに関連づけられたＭＬ回帰モデルに入力すると、予測スコアを生成することができる。生成された予測スコアは、サブグラフのセットから第２のエンティティに関連づけられた１つ以上のサブグラフを決定するために使用することができる。最後、１つ以上のサブグラフに基づいて、１つ以上の項目の推奨を決定することができる。
（【００１１】以降は省略されています）

関連特許