-
Patent Agency Ranking
公开(公告)号：CN109978175A
公开(公告)日：2019-07-05
申请号：CN201811570862.2
申请日：2018-12-21
Applicant: 微软技术许可有限责任公司
Abstract: 执行机器学习模型训练过程的迭代直到发生收敛为止。使用第一机器学习算法来训练固定效应机器学习模型。通过将所训练的固定效应机器学习模型的结果与第一组目标结果进行比较来确定固定效应机器学习模型的训练残差。使用第二机器学习算法和固定效应机器学习模型的训练残差来训练第一随机效应机器学习模型。通过将所训练的第一随机效应机器学习模型的结果与第二组目标结果进行比较来确定第一随机效应机器学习模型的训练残差。在每次后续迭代中，对固定效应机器学习模型的训练使用在先前迭代中训练的最后机器学习模型的训练残差。
-
公开(公告)号：CN110955840B
公开(公告)日：2023-10-27
申请号：CN201910904528.4
申请日：2019-09-24
Applicant: 微软技术许可有限责任公司
IPC: G06F16/9536 , G06N20/10 , G06Q50/00
Abstract: 在示例性实施例中，机器学习模型被用于确定是否向用户发送针对推送对象的通知。该机器学习模型不仅基于通知将使用户与推送对象进行交互的可能性而被优化，而且还基于用户与所述推送对象进行交互的可能的短期和长期影响而被优化。该机器学习模型不仅考虑查看者的立即行动的概率(诸如点击推送对象)，而且还考虑长期影响的概率(诸如使查看者向网络贡献内容或者观看者的响应鼓励更多人为网络贡献内容的显示)。因此，所述机器学习模型不仅对通知交互性而且还对推送对象交互性进行优化。
-
公开(公告)号：CN110955840A
公开(公告)日：2020-04-03
申请号：CN201910904528.4
申请日：2019-09-24
Applicant: 微软技术许可有限责任公司
IPC: G06F16/9536 , G06N20/10 , G06Q50/00
Abstract: 在示例性实施例中，机器学习模型被用于确定是否向用户发送针对推送对象的通知。该机器学习模型不仅基于通知将使用户与推送对象进行交互的可能性而被优化，而且还基于用户与所述推送对象进行交互的可能的短期和长期影响而被优化。该机器学习模型不仅考虑查看者的立即行动的概率(诸如点击推送对象)，而且还考虑长期影响的概率(诸如使查看者向网络贡献内容或者观看者的响应鼓励更多人为网络贡献内容的显示)。因此，所述机器学习模型不仅对通知交互性而且还对推送对象交互性进行优化。
-
公开(公告)号：CN113228004A
公开(公告)日：2021-08-06
申请号：CN201980084206.8
申请日：2019-12-11
Applicant: 微软技术许可有限责任公司
IPC: G06F16/93 , G06F40/169 , G06F16/908
Abstract: 在本文中公开了智能内容管理的计算机系统、设备以及相关联的方法。在一个实施例中，一种方法包括：扫描文档以确定所述文档中的一个或多个词语是否表示所述文件管理系统中的资源，所述资源是人的名称或所述文件管理系统中的链接文档。响应于确定在所述文档中的一个或多个词语表示资源，所述方法包括从所述计算系统中的数据库取回与所述资源相对应的资源记录，所述资源记录具有包含表示所述资源的当前状态的数据，并且在文档中向所述用户显现所述资源的所述当前状态的取回数据。
-
公开(公告)号：CN113228004B
公开(公告)日：2024-11-22
申请号：CN201980084206.8
申请日：2019-12-11
Applicant: 微软技术许可有限责任公司
IPC: G06F16/93 , G06F40/169 , G06F16/908
Abstract: 在本文中公开了智能内容管理的计算机系统、设备以及相关联的方法。在一个实施例中，一种方法包括：扫描文档以确定所述文档中的一个或多个词语是否表示所述文件管理系统中的资源，所述资源是人的名称或所述文件管理系统中的链接文档。响应于确定在所述文档中的一个或多个词语表示资源，所述方法包括从所述计算系统中的数据库取回与所述资源相对应的资源记录，所述资源记录具有包含表示所述资源的当前状态的数据，并且在文档中向所述用户显现所述资源的所述当前状态的取回数据。
-
-
-
-
Search Results
5
records
(took 0.02 seconds)
