JP6587330B2 - ランダムフォレストモデルの訓練方法、電子装置及び記憶媒体 - Google Patents

Description

「関連出願の相互参照」
本願は、パリ条約に基づき、２０１７年３月１３日に中国国家知識産権局に出願された、中国特許出願第２０１７１０１４７６９８３号の「ランダムフォレストモデルの訓練方法及びモデル訓練制御システム」と題する中国特許出願の優先権を主張し、当該出願の全体が参照により本願に援用される。

本発明は、機械学習の技術分野に関し、詳しく言えば、ランダムフォレストモデルの訓練方法、電子装置及び記憶媒体に関するものである。

機械学習におけるランダムフォレストは、多数の決定木を用いてサンプルデータを訓練して予測を行う、複数の決定木を含む分類器であり、決定木とは、一連のルールによりデータを分類するプロセスを指す。現状では、オンラインサービス（例えば、遠隔保険加入、遠隔損害賠償請求、オンライン資産運用など）を提供する企業の多くは、すでにサービスシステムにランダムフォレストを導入しており、分類ラベルによるユーザの認識を行い、認識結果に基づき、ターゲットを絞ったサービス提示及び処理を行っている。

しかしながら、モデルの認識精度を高めるための反復練習にはサンプルデータが新たに提供される場合、従来の技術的解決手段では、既存のサンプルデータ及び新たなサンプルデータを同時に用いて、ランダムフォレストモデルの再構成的訓練を再度行うようにしている。再構成的訓練とは、ランダムフォレストモデルにおける決定木の構造を変更させるための訓練を指す。このような訓練方法は、一般的に、新たなサンプルデータが提供されると、再構成的訓練を実行するものであり、そのため、訓練の回数が多く、特にオンラインサービスにデータの変更が頻繁に行われる状況においては、訓練が頻繁に行われると、システムの負荷が大きくなり、その結果、オンラインサービスシステムの効率及びオンラインサービスの進行に影響が出ているのが現状である。

本発明は、ランダムフォレストモデルの訓練の回数を減らし、システムの負荷を軽減し、システムの効率を高めるために、ランダムフォレストモデルの訓練方法、電子装置及び記憶媒体を提供することを目的とする。

本発明の第１の態様は、ランダムフォレストモデルの訓練方法を提供し、
前記方法は、
モデル訓練制御システムによってモデル訓練を行うための条件を満たしたか否かを分析するステップＳ１と、
モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定するステップＳ２と、
前記ランダムフォレストモデルに対して再構成的訓練を行う必要がある場合、サンプルデータを用いて前記ランダムフォレストモデルに対して再構成的訓練を行うステップＳ３と、
前記ランダムフォレストモデルに対して再構成的訓練を行う必要がない場合、サンプルデータを用いて前記ランダムフォレストモデルに対して補正的訓練を行うステップＳ４と、
を含む。

本発明の第２の態様は、電子装置を提供し、
前記電子装置は、
処理機器と、記憶機器と、モデル訓練制御システムとを含み、
前記モデル訓練制御システムは、前記記憶機器に記憶されており、少なくとも１つのコンピュータ読み取り可能なコマンドを含み、
前記少なくとも１つのコンピュータ読み取り可能なコマンドを前記処理機器が実行することで、
モデル訓練制御システムによってモデル訓練を行うための条件を満たしたか否かを分析するステップＳ１と、
モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定するステップＳ２と、
前記ランダムフォレストモデルに対して再構成的訓練を行う必要がある場合、サンプルデータを用いて前記ランダムフォレストモデルに対して再構成的訓練を行うステップＳ３と、
前記ランダムフォレストモデルに対して再構成的訓練を行う必要がない場合、サンプルデータを用いて前記ランダムフォレストモデルに対して補正的訓練を行うステップＳ４と、
を実現できる。

本発明の第３の態様は、コンピュータ読み取り可能な記憶媒体を提供し、
前記記憶媒体に少なくとも１つのコンピュータ読み取り可能なコマンドが記憶されており、
前記少なくとも１つのコンピュータ読み取り可能なコマンドを処理機器が実行することで、
モデル訓練制御システムによってモデル訓練を行うための条件を満たしたか否かを分析するステップＳ１と、
モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定するステップＳ２と、
前記ランダムフォレストモデルに対して再構成的訓練を行う必要がある場合、サンプルデータを用いて前記ランダムフォレストモデルに対して再構成的訓練を行うステップＳ３と、
前記ランダムフォレストモデルに対して再構成的訓練を行う必要がない場合、サンプルデータを用いて前記ランダムフォレストモデルに対して補正的訓練を行うステップＳ４と、
を実現できる。

本発明は、ランダムフォレストモデルを用いて、オンラインサービスを利用するユーザについて分類する際、ランダムフォレストモデル訓練を行うための条件を設定、又は限定することができ、これにより、オンラインサービスの進行に影響を与えないだけでなく、モデル訓練の回数を減らすとともに、モデル訓練のタイプを選択し、すなわち、モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行うか、それとも補正的訓練を行うかを決定することで、ランダムフォレストモデルの訓練を選択的に行うことができ、これにより、システムの負荷を大幅に軽減し、オンラインサービスシステムの効率を高め、オンラインサービスを効率よく進めることができる。

本発明によるランダムフォレストモデルの訓練方法の好ましい実施例を実現する環境を示す図である。 本発明によるランダムフォレストモデルの訓練方法の好ましい実施例のフローチャートである。 図２におけるステップＳ４の詳細的なフローチャートである。 本発明によるモデル訓練制御システムの好ましい実施例の概略構造図である。 図４における第２の訓練モジュールの概略構造図である。

以下にて実施例及び図面を踏まえて、本発明の原理及び特徴を説明するが、挙げられる実施例は、本発明を説明するためのものに過ぎず、本発明を限定するためではないことは自明である。

図１は、本発明によるランダムフォレストモデルの訓練方法の好ましい実施例を実現する環境であり、図１によると、前記環境は、電子装置１と、端末機器２とを含む。このうち、電子装置１は、ネットワークや近距離通信技術などの適切な技術により端末機器２とデータ交換を行うことができる。

端末機器２は、キーボード、マウス、リモートコントローラ、タッチパネル、又は音声制御機器などの手段により、ユーザとマンマシンインタラクションを行うことができる任意の電子製品、例えば、ＰＣ、タブレットＰＣ、スマートフォン、パーソナルデジタルアシスタント（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ、ＰＤＡ）、ゲーム機、インターネットプロトコル放送テレビ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ Ｔｅｌｅｖｉｓｉｏｎ、ＩＰＴＶ）、ウェアラブル端末などを含むが、これらに限定されない。

電子装置１は、例えば、予め設定された又は記憶されているコマンドに従って、数値計算及び／又は情報処理を自動的に行うことができる機器である。電子装置１には、コンピュータ、又は単一のネットワークサーバ、複数のネットワークサーバからなるサーバ群、もしくはクラウドコンピューティングに基づく大量のホストやネットワークサーバからなるクラウド型機器が挙げられ、クラウドコンピューティングとは、分散コンピューティングの一種であり、疎結合されている複数のコンピュータクラスターからなる大型仮想コンピュータを指すものである。

本実施例では、電子装置１が、相互に通信できるようにシステムバスによって接続された記憶機器１１と、処理機器１２と、ネットワークインタフェース１３とを含むが、これらに限定されない。図１は部品１１と、部品１２と、部品１３とを備えた電子装置１を示しているが、必ずしも示された全ての部品で実施するとは限らず、代替案として、より多い又はより少ない部品で実施してもよい。

このうち、記憶機器１１は、メモリと、少なくとも１つのタイプの読み取り可能な記憶媒体とを含む。メモリは、電子装置１の動作時にキャッシュを提供し、読み取り可能な記憶媒体は、例えば、フラッシュメモリ、ハードディスク、マルチメディアカード、カード型メモリなどの不揮発性記憶媒体である。いくつかの実施例では、読み取り可能な記憶媒体が電子装置１の内部記憶手段、例えば、電子装置１のハードディスクであり、別の実施例では、前記不揮発性記憶媒体が、電子装置１の外部記憶機器、例えば、電子装置１に搭載された外付けハードディスク、スマートメディアカード（Ｓｍａｒｔ Ｍｅｄｉａ（登録商標） Ｃａｒｄ、ＳＭＣ）、セキュアデジタル（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ、ＳＤ）カード、フラッシュカード（Ｆｌａｓｈ Ｃａｒｄ）などである。本実施例では、記憶機器１１の読み取り可能な記憶媒体が一般的に、電子装置１にインストールされるオペレーティングシステム及び各種アプリケーションソフトウェア、例えば、本発明の好ましい実施例におけるモデル訓練制御システム１０のプログラムコードなどを記憶することに用いられる。記憶機器１１は、すでに出力された又は出力する各種データを一時的に記憶することにも用いられる。

いくつかの実施例では、処理機器１２が、１つ又は複数のマイクロプロセッサと、マイクロコントローラと、デジタルプロセッサなどを含んでもよい。処理機器１２は、一般的に、電子装置１の動作、例えば、端末機器２とのデータ交換又は通信に関連する制御及び処理などの実行を制御することに用いられる。本実施例では、処理機器１２が、記憶機器１１に記憶されているプログラムコードを実行し又はデータを処理し、例えば、モデル訓練制御システム１０などを実行することに用いられる。

ネットワークインタフェース１３は、無線ネットワークインタフェース又は有線ネットワークインタフェースを含んでもよく、ネットワークインタフェース１３は、一般的に、電子装置１とその他の電子機器との間に通信接続を確立することに用いられる。本実施例では、ネットワークインタフェース１３は、主に電子装置１と１つ又は複数の端末機器２を接続させることで、電子装置１と１つ又は複数の端末機器２との間にデータ伝送チャネル及び通信接続を確立することに用いられる。

モデル訓練制御システム１０は、記憶機器１１に記憶されている少なくとも１つのコンピュータ読み取り可能なコマンドを含み、前記少なくとも１つのコンピュータ読み取り可能なコマンドを処理機器１２が実行することで、本発明の各実施例によるランダムフォレストモデルの訓練方法を実現できる。以下の記載から分かるように、前記少なくとも１つのコンピュータ読み取り可能なコマンドは、その各部分が実現する機能の違いにより、異なる論理モジュールに分けられてもよい。

一実施例では、モデル訓練制御システム１０を処理機器１２が実行する際、モデル訓練制御システムは、モデル訓練を行うための条件を満たしたか否かを分析する動作と、モデル訓練を行うための条件を満たした場合、前記ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定する動作と、前記ランダムフォレストモデルに対して再構成的訓練を行う必要がある場合、サンプルデータを用いて前記ランダムフォレストモデルに対して再構成的訓練を行う動作と、前記ランダムフォレストモデルに対して再構成的訓練を行う必要がない場合、サンプルデータを用いて前記ランダムフォレストモデルに対して補正的訓練を行う動作と、を実現する。

図２は、本発明によるランダムフォレストモデルの訓練方法の好ましい実施例のフローチャートを示しており、図２によると、本実施例のランダムフォレストモデルの訓練方法は、図２のフローチャートにおけるステップに限定されず、また、図２のフローチャートのステップの一部を省略したり、ステップの順序を変更させたりしてもよい。前記ランダムフォレストモデルの訓練方法は、ステップＳ１と、ステップＳ２と、ステップＳ３と、ステップＳ４とを含む。

ステップＳ１：モデル訓練制御システムによって、モデル訓練を行うための条件を満たしたか否かを分析する。

モデル訓練は、再構成的訓練及び補正的訓練を含む。モデル訓練を行うための条件は、モデル訓練制御システムにおいて手動で柔軟的に設定し、又はモデル訓練制御システムに予め設定されたデフォルト条件を適用することができる。

オンラインサービスの場合、モデル訓練を行うための条件は、ユーザのサービスデータを基準とし（例えば、ユーザのサービスデータが所定の数量に達するとモデル訓練を行う）、又は実際のニーズを基準とし（例えば、モデル訓練制御システムの操作者が実際のニーズに応じてモデル訓練制御システムにモデル訓練実行コマンドを送信することにより、モデル訓練を行う）、又はタイマにより計時し、１回のモデル訓練が終了した後に、所定の時間が経過するごとにランダムフォレストモデルに対して訓練を行うなどとする。

好ましくは、モデル訓練を行うための条件を満たしたか否かを分析する際、
サービスシステムにおける前回のモデル訓練が終了した時点から現時点までの期間に新規追加されたユーザのサービスデータの第１の数量（例えば、第１の数量を２００人のユーザのサービスデータの数量とする）を取得し、前記第１の数量が第１の所定閾値を超えた場合、モデル訓練を行うための条件を満たしたとし（再構成的訓練又は補正的訓練を行うことができる）、前記第１の数量が第１の所定閾値以下の場合、モデル訓練を行うための条件を満たさないとし（再構成的訓練又は補正的訓練を行わない）、
又は、モデル訓練コマンドを受信したか否かをリアルタイムにもしくは定時的に（例えば、１０分間ごとに）検出し、例えば、モデル訓練制御システムの操作者がシステムにログインし、モデル訓練の操作画面に入って、モデル訓練の操作画面上の「モデル訓練」ボタンをクリックし又はトリガさせることにより、モデル訓練コマンドを発信し、モデル訓練制御システムがモデル訓練コマンドを受信すると、モデル訓練を行うための条件を満たしたとし（再構成的訓練又は補正的訓練を行うことができる）、モデル訓練コマンドを受信しなかった場合、モデル訓練を行うための条件を満たさないとする（再構成的訓練又は補正的訓練を行わない）。

ステップＳ２：モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定する。

モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行うか、それとも補正的訓練を行うかを決定する。このうち、ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定することは、２回の再構成的訓練の間におけるユーザのサービスデータを基準とし（例えば、２回の再構成的訓練の間におけるユーザのサービスデータが所定の数量を超えると再構成的訓練を行う）、又は実際のニーズを基準とする（例えば、モデル訓練制御システムの操作者が実際のニーズに応じてモデル訓練制御システムに再構成的訓練実行コマンドを送信することにより、再構成的訓練を行う）などとする。

好ましくは、ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定する際、
サービスシステムにおける前回の再構成的訓練が終了した時点から現時点までの期間に新規追加されたユーザのサービスデータの第２の数量（例えば、第２の数量を５００人のユーザのサービスデータの数量とする）を取得し、前記第２の数量が第２の所定閾値を超えた場合、ランダムフォレストモデルに対して再構成的訓練を行う必要があるとし、前記第２の数量が第１の所定閾値超え第２の閾値未満の場合、前記ランダムフォレストモデルに対して補正的訓練を行い、
又は、所定の端末（例えば、携帯電話、タブレットＰＣ、コンピュータなど好適な電子端末）にランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを問い合わせるリクエストを送信し、例えば、モデル訓練の操作画面に入って「モデル訓練」コマンドを発信した後、モデル訓練制御システムが、所定の端末に再構成的訓練を行うか否かを問い合わせる情報を送信し、端末から前記問い合わせリクエストに応じてフィードバックされた確認コマンドを受信した場合、前記ランダムフォレストモデルに対して再構成的訓練を行う必要があるとし、端末から前記問い合わせリクエストに応じてフィードバックされた否定コマンドを受信した又は所定の時間（例えば、３分間）以内に端末からフィードバックを受信しなかった場合、前記ランダムフォレストモデルに対して補正的訓練を行う。

ステップＳ３：前記ランダムフォレストモデルに対して再構成的訓練を行う必要がある場合、サンプルデータを用いて前記ランダムフォレストモデルに対して再構成的訓練を行う。

ステップＳ４：前記ランダムフォレストモデルに対して再構成的訓練を行う必要がない場合、サンプルデータを用いて前記ランダムフォレストモデルに対して補正的訓練を行う。

本実施例では、サンプルデータは、既存のサンプルデータ及び新規追加されたサンプルデータを含む。再構成的訓練は、ランダムフォレストモデルの変数に対する確定的訓練及び変数の係数に対する確定的訓練を含み、補正的訓練は、ランダムフォレストモデルの変数の係数に対する確定的訓練のみを含む。このうち、ランダムフォレストモデルの変数は、例えば、アルゴリズムのタイプ、決定木の数量、決定木の最大の深さ、決定木のリーフとノードの各種のデータなどを含む。再構成的訓練に使用されるシステムリソースは、補正的訓練に用いるシステムリソースよりも多い。

従来の技術と比べ、本実施例は、ランダムフォレストモデルを用いてオンラインサービスを利用するユーザについて分類する際、ランダムフォレストモデルに対して訓練を行うための条件を設定し又は限定することができ、オンラインサービスの進行に影響を与えないだけでなく、モデル訓練の回数を減らすとともに、モデル訓練のタイプを選択し、すなわち、モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行うか、それとも補正的訓練を行うかを決定することで、ランダムフォレストモデルの訓練を選択的に行うことができ、これにより、システムの負荷を大幅に軽減し、オンラインサービスシステムの効率を高め、オンラインサービスを効率よく進めることができる。

一つの好ましい実施例では、図３に示すように、前記図２の実施例をベースに、前記ステップＳ４は、さらに、ステップＳ４１とステップＳ４２とを含む。

ステップＳ４１：所定のランダムフォレストモデルの変数と変数の係数の値の範囲とのマッピング関係に基づき、各前記変数に対応する変数の係数の値の範囲を特定する。

ステップＳ４２：前記変数ごとに、対応する変数の係数の値の範囲から変数の係数の値を取得し、値を取得した変数の係数に基づき、前記ランダムフォレストモデルに対して補正的訓練を行う。

本実施例では、ランダムフォレストモデルの変数と変数係数の値の範囲を、予め関連付けてマッピング関係を確立し、そして関連付けにより確立したマッピング関係を記憶してもよい（例えば、表の形式で記憶する）。ランダムフォレストモデルに対して訓練を行う前に、ランダムフォレストモデルの変数を決めた上で、記憶されている関連付けにより確立したマッピング関係を取得することで、対応する変数の係数の値の範囲を取得し、そして前記変数の係数の値を、得られた値の範囲に限定して取得することにより、モデル訓練の正確性を確保するとともに、ランダムフォレストモデルの各変数の係数の値を全数値範囲から取得して訓練を行うことを回避することで、モデル訓練の速度を効果的に速めることができる。

図４は、本発明によるモデル訓練制御システム１０の好ましい実施例の機能モジュールを示しており、図４によると、本実施例では、モデル訓練制御システム１０は、１つ又は複数のモジュールに分けられ、前記１つ又は複数のモジュールがメモリに記憶されており、１つ又は複数の処理機器が実行することにより、本発明を実現する。例えば、図４によると、モデル訓練制御システム１０が、検出モジュール２１と、認識モジュール２２と、複製モジュール２３と、インストールモジュール２４と、起動モジュール２５とに分けられる。なお、本発明でいうモジュールは、特定の機能を実現するための一連のコンピュータプログラムコマンドブロックを指し、プログラム全体よりも、電子装置におけるモデル訓練制御システム１０の実行プロセスの説明に好適である。

このうち、分析モジュール１０１は、モデル訓練を行うための条件を満たしたか否かを分析する。

モデル訓練は、再構成的訓練及び補正的訓練を含む。モデル訓練を行うための条件は、モデル訓練制御システム１０において手動で柔軟的に設定し、又はモデル訓練制御システムに予め設定されたデフォルト条件を適用することができる。

オンラインサービスの場合、モデル訓練を行うための条件は、ユーザのサービスデータを基準とし（例えば、ユーザのサービスデータが所定の数量に達するとモデル訓練を行う）、又は実際のニーズを基準とし（例えば、モデル訓練制御システムの操作者が実際のニーズに応じてモデル訓練制御システムにモデル訓練実行コマンドを送信することにより、モデル訓練を行う）、又はタイマにより計時し、１回のモデル訓練が終了した後に、所定の時間が経過するごとにランダムフォレストモデルに対して訓練を行うなどとする。

好ましくは、具体的には、分析モジュール１０が、サービスシステムにおける前回のモデル訓練が終了した時点から現時点までの期間に新規追加されたユーザのサービスデータの第１の数量（例えば、第１の数量を２００人のユーザのサービスデータの数量とする）を取得し、前記第１の数量が第１の所定閾値を超えた場合、モデル訓練を行うための条件を満たしたとし（再構成的訓練又は補正的訓練を行うことができる）、前記第１の数量が第１の所定閾値以下の場合、モデル訓練を行うための条件を満たさないとし（再構成的訓練又は補正的訓練を行わない）、
又は、モデル訓練コマンドを受信したか否かをリアルタイムにもしくは定時的に（例えば、１０分間ごとに）検出し、例えば、モデル訓練制御システムの操作者がシステムにログインし、モデル訓練の操作画面に入って、モデル訓練の操作画面上の「モデル訓練」ボタンをクリックし又はトリガさせることにより、モデル訓練コマンドを発信し、モデル訓練制御システムがモデル訓練コマンドを受信すると、モデル訓練を行うための条件を満たしたとし（再構成的訓練又は補正的訓練を行うことができる）、モデル訓練コマンドを受信しなかった場合、モデル訓練を行うための条件を満たさないとする（再構成的訓練又は補正的訓練を行わない）。

決定モジュール１０２は、モデル訓練を行うための条件を満たした場合、前記ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定する。

モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行うか、それとも補正的訓練を行うかを決定する。このうち、ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定することは、２回の再構成的訓練の間におけるユーザのサービスデータを基準とし（例えば、２回の再構成的訓練の間におけるユーザのサービスデータが所定の数量を超えると再構成的訓練を行う）、又は実際のニーズを基準とする（例えば、モデル訓練制御システムの操作者が実際のニーズに応じてモデル訓練制御システムに再構成的訓練実行コマンドを送信することにより、再構成的訓練を行う）などとする。

好ましくは、具体的には、決定モジュール１０２が、サービスシステムにおける前回の再構成的訓練が終了した時点から現時点までの期間に新規追加されたユーザのサービスデータの第２の数量（例えば、第２の数量を５００人のユーザのサービスデータの数量とする）を取得し、前記第２の数量が第２の所定閾値を超えた場合、ランダムフォレストモデルに対して再構成的訓練を行う必要があるとし、前記第２の数量が第１の所定閾値超え第２の閾値未満の場合、前記ランダムフォレストモデルに対して補正的訓練を行い、
又は、所定の端末（例えば、携帯電話、タブレットＰＣ、コンピュータなど好適な電子端末）にランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを問い合わせるリクエストを送信し、例えば、モデル訓練の操作画面に入って「モデル訓練」コマンドを発信した後、モデル訓練制御システムが、所定の端末に再構成的訓練を行うか否かを問い合わせる情報を送信し、端末から前記問い合わせリクエストに応じてフィードバックされた確認コマンドを受信した場合、前記ランダムフォレストモデルに対して再構成的訓練を行う必要があるとし、端末から前記問い合わせリクエストに応じてフィードバックされた否定コマンドを受信した又は所定の時間（例えば、３分間）以内に端末からフィードバックを受信しなかった場合、前記ランダムフォレストモデルに対して補正的訓練を行う。

第１の訓練モジュール１０３は、前記ランダムフォレストモデルに対して再構成的訓練を行う必要がある場合、サンプルデータを用いて前記ランダムフォレストモデルに対して再構成的訓練を行う。

第２の訓練モジュール１０４は、前記ランダムフォレストモデルに対して再構成的訓練を行う必要がない場合、サンプルデータを用いて前記ランダムフォレストモデルに対して補正的訓練を行う。

本実施例では、サンプルデータは、既存のサンプルデータ及び新規追加されたサンプルデータを含む。再構成的訓練は、ランダムフォレストモデルの変数に対する確定的訓練及び変数の係数に対する確定的訓練を含み、補正的訓練は、ランダムフォレストモデルの変数の係数に対する確定的訓練のみを含む。このうち、ランダムフォレストモデルの変数は、例えば、アルゴリズムのタイプ、決定木の数量、決定木の最大の深さ、決定木のリーフとノードの各種のデータなどを含む。再構成的訓練に使用されるシステムリソースは、補正的訓練に用いるシステムリソースよりも多い。

従来の技術と比べ、本実施例は、ランダムフォレストモデルを用いてオンラインサービスを利用するユーザについて分類する際、ランダムフォレストモデルに対して訓練を行うための条件を設定し又は限定することができ、オンラインサービスの進行に影響を与えないだけでなく、モデル訓練の回数を減らすとともに、モデル訓練のタイプを選択し、すなわち、モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行うか、それとも補正的訓練を行うかを決定することで、ランダムフォレストモデルの訓練を選択的に行うことができ、これにより、システムの負荷を大幅に軽減し、オンラインサービスシステムの効率を高め、オンラインサービスを効率よく進めることができる。

一つの好ましい実施例では、図５に示すように、前記図４の実施例をベースに、前記第２の訓練モジュール１０４が特定手段１０４１と、訓練手段１０４２とを含む。

特定手段１０４１は、所定のランダムフォレストモデルの変数と変数の係数の値の範囲とのマッピング関係に基づき、各前記変数に対応する変数の係数の値の範囲を特定する。

訓練手段１０４２は、前記変数ごとに、対応する変数の係数の値の範囲から変数の係数の値を取得し、値を取得した変数の係数に基づき、前記ランダムフォレストモデルに対して補正的訓練を行う。

本実施例では、ランダムフォレストモデルの変数と変数係数の値の範囲を、予め関連付けてマッピング関係を確立し、そして関連付けにより確立したマッピング関係を記憶してもよい（例えば、表の形式で記憶する）。ランダムフォレストモデルに対して訓練を行う前に、ランダムフォレストモデルの変数を決めた上で、記憶されている関連付けにより確立したマッピング関係を取得することで、対応する変数の係数の値の範囲を取得し、そして前記変数の係数の値を、得られた値の範囲に限定して取得することにより、モデル訓練の正確性を確保するとともに、ランダムフォレストモデルの各変数の係数の値を全数値範囲から取得して訓練を行うことを回避することで、モデル訓練の速度を効果的に速めることができる。

以上にて本発明の好ましい実施例を記載したに過ぎず、これをもって本発明を限定するものではなく、本発明の趣旨及び範囲内で行われる修正、同等な置換や改良などであれば、いずれも本発明の保護範囲に含まれるものとする。

Claims (9)

1. ソフトウェアの制御によってコンピュータが行う情報処理方法としてのランダムフォレストモデルの訓練方法であって、
   モデル訓練制御システムによってモデル訓練を行うための条件を満たしたか否かを分析するステップＳ１と、
   モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定するステップＳ２と、
   前記ランダムフォレストモデルに対して再構成的訓練を行う必要がある場合、サンプルデータを用いて前記ランダムフォレストモデルに対して再構成的訓練を行うステップＳ３と、
   前記ランダムフォレストモデルに対して再構成的訓練を行う必要がない場合、サンプルデータを用いて前記ランダムフォレストモデルに対して補正的訓練を行うステップＳ４と、
   を含み、
   前記再構成的訓練は、前記ランダムフォレストモデルの変数に対する確定的訓練及び変数の係数に対する確定的訓練を含み、
   前記補正的訓練は、前記ランダムフォレストモデルの変数の係数に対する確定的訓練を含む
   ことを特徴とするランダムフォレストモデルの訓練方法。
2. 前記ステップＳ１として、
   サービスシステムにおける前回のモデル訓練が終了した時点から現時点までの期間に新規追加されたユーザのサービスデータの第１の数量を取得し、前記第１の数量が第１の所定閾値を超えた場合、モデル訓練を行うための条件を満たしたとし、
   又は、モデル訓練コマンドを受信したか否かをリアルタイムにもしくは定時的に検出し、モデル訓練コマンドを受信した場合、モデル訓練を行うための条件を満たしたとする
   ことを特徴とする請求項１に記載のランダムフォレストモデルの訓練方法。
3. 前記ステップＳ２として、
   サービスシステムにおける前回の再構成的訓練が終了した時点から現時点までの期間に新規追加されたユーザのサービスデータの第２の数量を取得し、前記第２の数量が第２の所定閾値を超えた場合、前記ランダムフォレストモデルに対して再構成的訓練を行う必要があるとし、
   又は、所定の端末に前記ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを問い合わせるリクエストを送信し、前記端末から前記問い合わせリクエストに応じてフィードバックされた確認コマンドを受信した場合、前記ランダムフォレストモデルに対して再構成的訓練を行う必要があるとする
   ことを特徴とする請求項１に記載のランダムフォレストモデルの訓練方法。
4. 前記ステップＳ４は、
   所定のランダムフォレストモデルの変数と変数の係数の値の範囲とのマッピング関係に基づき、各前記変数に対応する変数の係数の値の範囲を特定するステップＳ４１と、
   前記変数ごとに、対応する変数の係数の値の範囲から変数の係数の値を取得し、値を取得した変数の係数に基づき、前記ランダムフォレストモデルに対して補正的訓練を行うＳ４２と、
   を含むことを特徴とする請求項１乃至３のいずれか一項に記載のランダムフォレストモデルの訓練方法。
5. 電子装置であって、
   処理機器と、記憶機器と、モデル訓練制御システムと、を含み、
   前記モデル訓練制御システムは、前記記憶機器に記憶されており、少なくとも１つのコンピュータ読み取り可能なコマンドを含み、
   前記少なくとも１つのコンピュータ読み取り可能なコマンドを前記処理機器が実行することで、
   モデル訓練制御システムによってモデル訓練を行うための条件を満たしたか否かを分析するステップＳ１と、
   モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定するステップＳ２と、
   前記ランダムフォレストモデルに対して再構成的訓練を行う必要がある場合、サンプルデータを用いて前記ランダムフォレストモデルに対して再構成的訓練を行うステップＳ３と、
   前記ランダムフォレストモデルに対して再構成的訓練を行う必要がない場合、サンプルデータを用いて前記ランダムフォレストモデルに対して補正的訓練を行うステップＳ４と、を実現でき、
   前記再構成的訓練は、前記ランダムフォレストモデルの変数に対する確定的訓練及び変数の係数に対する確定的訓練を含み、
   前記補正的訓練は、前記ランダムフォレストモデルの変数の係数に対する確定的訓練を含む
   ことを特徴とする電子装置。
6. 前記ステップＳ１として、
   サービスシステムにおける前回のモデル訓練が終了した時点から現時点までの期間に新規追加されたユーザのサービスデータの第１の数量を取得し、前記第１の数量が第１の所定閾値を超えた場合、モデル訓練を行うための条件を満たしたとし、
   又は、モデル訓練コマンドを受信したか否かをリアルタイムにもしくは定時的に検出し、モデル訓練コマンドを受信した場合、モデル訓練を行うための条件を満たしたとする
   ことを特徴とする請求項５に記載の電子装置。
7. 前記ステップＳ２として、
   サービスシステムにおける前回の再構成的訓練が終了した時点から現時点までの期間に新規追加されたユーザのサービスデータの第２の数量を取得し、前記第２の数量が第２の所定閾値を超えた場合、前記ランダムフォレストモデルに対して再構成的訓練を行う必要があるとし、
   又は、所定の端末に前記ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを問い合わせるリクエストを送信し、前記端末から前記問い合わせリクエストに応じてフィードバックされた確認コマンドを受信した場合、前記ランダムフォレストモデルに対して再構成的訓練を行う必要があるとする
   ことを特徴とする請求項５に記載の電子装置。
8. 前記ステップＳ４は、
   所定のランダムフォレストモデルの変数と変数の係数の値の範囲とのマッピング関係に基づき、各前記変数に対応する変数の係数の値の範囲を特定するＳ４１と、
   前記変数ごとに、対応する変数の係数の値の範囲から変数の係数の値を取得し、値を取得した変数の係数に基づき、前記ランダムフォレストモデルに対して補正的訓練を行うＳ４２と、
   を含むことを特徴とする請求項５乃至７のいずれか一項に記載の電子装置。
9. コンピュータ読み取り可能な記憶媒体であって、
   前記記憶媒体に少なくとも１つのコンピュータ読み取り可能なコマンドが記憶されており、
   前記少なくとも１つのコンピュータ読み取り可能なコマンドを電子装置に含まれる処理機器が実行することで、
   モデル訓練制御システムによってモデル訓練を行うための条件を満たしたか否かを分析するステップＳ１と、
   モデル訓練を行うための条件を満たした場合、ランダムフォレストモデルに対して再構成的訓練を行う必要があるか否かを決定するステップＳ２と、
   前記ランダムフォレストモデルに対して再構成的訓練を行う必要がある場合、サンプルデータを用いて前記ランダムフォレストモデルに対して再構成的訓練を行うステップＳ３と、
   前記ランダムフォレストモデルに対して再構成的訓練を行う必要がない場合、サンプルデータを用いて前記ランダムフォレストモデルに対して補正的訓練を行うステップＳ４と、を実現でき、
   前記再構成的訓練は、前記ランダムフォレストモデルの変数に対する確定的訓練及び変数の係数に対する確定的訓練を含み、
   前記補正的訓練は、前記ランダムフォレストモデルの変数の係数に対する確定的訓練を含む
   ことを特徴とするコンピュータ読み取り可能な記憶媒体。