[发明专利]自动化的预测性建模与框架

说明书

提供了预测性框架的系统和方法。该预测性框架包括可适应的、可执行的神经元的多个神经层。神经元接受一个或多个输入信号，并产生可以由上层神经层使用的输出信号。输入信号由编码神经层接收，在编码神经层中，输入信号和编码神经元之间存在1：1的对应关系。输入信号在编码层处被接收，并由各种神经层连续处理。目标函数利用最顶层神经层的输出信号，根据目标来生成针对数据集的预测性结果。在一个实施例中，目标是：确定用户关于搜索结果集中的特定内容项的交互的可能性，或者确定用户关于搜索结果集中的任何内容项的交互的可能性。

技术领域

本公开的实施例一般地涉及一种用于确定针对数据集的预测结果的计算机实现的方法。

背景技术

对于搜索引擎提供商的一个挑战是要能够预测一个人与给定内容项的交互的可能性，或者，在搜索结果页面的多个项的上下文的情况下，在搜索结果页面中的所有搜索结果和/或内容项中，此人会选择哪一个或与哪一个进行交互？

为了生成关于用户与搜索结果页面上的任何给定内容项、或者特定内容项的交互的概率/可能性，搜索引擎提供商在公式(或公式集)中利用并组合广泛的标准、条件和/或因素，以生成用户交互的各种概率和可能性。然而，虽然公式的结果(概率性确定)根据查询日志和训练模型而被确定，但公式是一个或多个人的人工产物。这些“编码员”从各种信号(即，对于搜索引擎可用的、与接收查询有关的标准、条件和/或因素)中选择，并且基于他们的专业知识和直觉，确定如何对所选信号进行解释、限制、组合并加权，然后产生公式(或多个公式)，该公式(或多个公式)生成表示用户交互的概率或可能性的数。

显然，当公式是根据特定的人(或一组人)的专业知识、经验和直觉而被生成的时候，扩展和修改也是直觉和实验的产物。此外，如果编码员离开该组或公司，则会产生空白，并且通常会丢失关于公式“如何”和“为何”以某种方式被制定的原理知识。例如，如果一个特定信号不再可用，或者如果有附加的信号变为可用，则修改给定公式需要最初生成公式所需的专业知识、实验方法和直觉，然而最初制定公式的人员可能会或可能不会依旧能够提供帮助。简而言之，这些人工制定的公式脆弱并且无法管理。

发明内容

以下发明内容被提供，用于以简化的形式介绍所选择的概念，这些概念将在下文的具体实施方式中被进一步描述。该发明内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。

根据所公开的主题的各个方面，提供了用于提供预测性框架的系统和方法。该预测性框架包括可适应的、可执行的神经元的多个神经层。神经元接受一个或多个输入信号，并产生可以由上层神经层使用的输出信号。输入信号由编码神经层接收，在编码神经层中，输入信号和编码神经元之间存在1：1的对应关系。针对数据集的输入信号在编码层处被接收，并由多个神经层连续地处理。目标函数利用最顶层神经层的输出信号，根据目标生成针对数据集的预测性结果。在一个实施例中，目标是：确定用户关于搜索结果集中的特定内容项的交互的可能性，或者确定用户关于搜索结果集中的任何内容项的交互的可能性。

根据所公开的主题的附加方面，呈现了用于提供预测结果的计算机实现的框架。该框架包括多个神经层，多个神经层包括多个中间神经层和编码层。该框架还包括目标函数。关于多个神经层，每个神经层包括多个神经元，其中每个神经元是可执行对象，可执行对象接受一个或多个输入并生成输出。编码层是第一神经层，并且包括多个编码神经元，多个编码神经元具有与针对用于评估的数据集的多个输入信号的1：1的对应关系。在执行中，目标函数根据预定目标，从多个神经层中最顶层神经层的输出信号来确定预测结果。在运算中，目标函数根据预定目标，从最顶层神经层的输出信号确定预测结果，并将预测结果提供给请求方。