[发明专利]基于预测模型的推荐

说明书

本发明特别涉及通过对利用模型评估的选项进行约束来选择适当决策的计算机实施的方法。该方法包括：选择能够接收输入并响应于输入来提供输出的模型；利用表示类似事件的数据集合来训练模型；生成表示假设事件的选项；通过将所训练的模型应用于所生成的选项来计算目标值；计算用于对所生成的选项和与所训练的模型相关联的目标值进行索引的索引；查询所述索引以获得对选项的集合的选择，所述选择是根据特定约束来执行的；返回所生成的选项的集合的子集来作为所述查询的结果，所述子集是根据与每个选项相关联的所述目标值来排序的。

技术领域

本发明涉及计算机程序和系统的领域，并且本发明更具体地涉及用于通过约束在机器学习模型的帮助下评估的可能选项来选择适当的决策的方法、系统和程序。

背景技术

推荐被用于在工程中做出决策。例如，在正在进行的卫星发射中，需要推荐应急行动以使事故风险函数(例如，控制燃料箱的温度、燃料消耗、发射器的速度、......)最小化。推荐不限于对设备的控制，而是它们也可以用在设备的构思和制造期间，例如，CAD系统可以在设备的设计期间提供推荐，以使得所设计设备的故障风险最小化。

存在几种已知类别的推荐系统。第一类别包括所谓的推荐者系统，该推荐者系统是这样的系统，其中访问者基于已经访问的内容来接收内容建议。例如，搜索引擎基于访问的页面的个人历史来对搜索结果进行排序。在Marko和Yoav Shoham.的“Fab：content-based，collaborative recommendation.”(Communications of the ACM 40.3(1997)：66-72)中或者还在Sarwar、Badrul等人的“Item-based collaborative filteringrecommendation algorithms.”(Proceedings of the 10th international conferenceon World Wide Web.ACM，2001)中讨论了这样的系统的示例。

然而，这些推荐者系统在集中了大量用户的历史的应用中起作用。例如搜索具有超过10亿的用户。在公司的服务器上托管的系统不具有众多这样的向其学习的决策做出者。决策做出者典型地使用最佳商业实践或管理咨询公司，以基于其同行在类似情况下积累的经验来寻求建议。但是，来自不同公司的相对孤立的商业、运营和装备数据使得难以通过计算机程序使该学习过程自动化。因此，决策做出者基于描述触发决策需求的情况的数据(例如描述他们自身的操作和装备的变量)来评估情况，而不是查看来自他们的同行的决策的历史。因此，这些推荐者系统并不适合于这些情况。

第二类别包括基于规则的系统，该基于规则的系统基于专家写入并自动应用的规则使与特定问题相关的决策做出自动化。当选项的数量小并且输入变量可由人管理或者经处理而被归纳为可管理的可区分变量的集合时，则对于专家而言可以指定将在大多数情况下产生最优行动的规则。第一方案被称为“仅专家规则”，其中规则由系统所被应用的技术领域的专家手动写入。第二方案被称为“与经验模型组合的专家规则”，其中基于机器学习来构建经验模型以处理可用的输入并返回可管理数量的输入。这样的模型将典型地返回估计的概率。因为减少了提供给人写入规则的输入的复杂性，所以减少了人为错误的空间。

然而，该第二类别具有许多缺点；尤其是，当独立因素的数量和选项的数量导致无法由人类专家管理的问题时，两个方案不起作用。“仅专家规则”类型的方案将不会完全地捕获所有输入变量的贡献，而“与经验模型组合的专家规则”类型的方案或者导致不完整的经验模型(如果不是所有独立因素都在输入变量中被表示)或者导致无法由人类专家理解的模型。在出现了当培训模型时不存在或未被考虑的新信息时，不理解模型的人类专家将不能够评估其关联性。