由客户端设备对计算机资产进行活动预测、预取和预加载的方法和系统技术方案

一种解决方案，被布置为建立或训练机器学习模型，并将机器学习模型上传到服务器，服务器被布置为将机器学习模型部署到多个通信设备。机器学习模型能够被布置为接收多个通信设备中的一个通信设备上的一个或多个先前活动的序列作为输入，分析所述一个通信设备上的一个或多个先前活动的序列，基于对一个或多个先前活动的序列的分析来预测所述一个通信设备上的下一个活动，基于预测的下一个活动来抢先搜索计算机网络以找到计算机资产，并且将找到的计算机资产预加载到所述一个通信设备中的存储器。存储器。存储器。

【技术实现步骤摘要】
【国外来华专利技术】由客户端设备对计算机资产进行活动预测、预取和预加载的方法和系统


[0001]本公开涉及一种计算机资产搜索和交付解决方案，包括一种方法、系统和计算机程序，用于基于通信设备上的一个或多个先前活动来预测下一个活动，基于预测的活动搜索计算机网络并将计算机资产预取或预加载到通信设备。

技术介绍

[0002]在诸如因特网的计算机网络环境中，通信设备能够使用web搜索和检索技术来在因特网上找到网页，并将网页从托管网站下载到通信设备。然后，网页能够被渲染在在显示设备上，诸如包括在通信设备中的显示设备上。
[0003]网络搜索和检索技术经常能够经历相当长的延迟，并且花费很长时间来找到网页或将网页加载到通信设备。例如，当通信设备在低信号强度区域中操作时，在该区域中，到因特网服务提供商(ISP)或网站的通信链路饱和或过载，在该区域中，带宽限制显著地限制或约束了能够通过通信链路发送的数据量或速率，在该区域中，源网站或ISP服务器正经历异常大的数据流量，或者当内容包括大量数据时，都会发生这种情况。迫切需要一种能够解决这类缺点的计算机资产搜索和交付解决方案。

技术实现思路

[0004]本公开提供了一种计算机资产搜索和交付解决方案，其满足了未实现的需求并解决了上述缺点。计算机资产搜索和交付解决方案能够预测通信设备上的下一个活动，并且基于该预测来搜索和将一个或多个计算机资产预取或预加载到通信设备。该解决方案能够提供一种智能的、基于行为的预取方法，该方法能够避免过度提取，从而节省用户带宽，该用户带宽在诸如移动设备的通信设备上能够是宝贵的。
[0005]计算机资产搜索和交付解决方案的非限制性实施例包括非暂时性计算机可读存储介质，该非暂时性计算机可读存储介质包含计算机可执行指令，当由计算设备执行时，所述计算机可执行指令使得计算设备执行建立或训练机器学习模型并且使得机器学习模型被部署到多个通信设备的方法。该方法包括由计算设备建立机器学习模型，由计算设备训练机器学习模型，由计算设备将机器学习模型转换成web浏览器兼容格式，以及由计算设备将机器学习模型上传到服务器，该服务器被布置为将机器学习模型部署到多个通信设备。在该方法中，机器学习模型能够被布置为接收多个通信设备中的一个通信设备上的一个或多个先前活动的序列作为输入，分析该一个通信设备上的一个或多个先前活动的序列，基于对一个或多个先前活动的序列的分析来预测所述一个通信设备上的下一个活动，基于预测的下一个活动来抢先搜索计算机网络以找到计算机资产，并且将找到的计算机资产预加载到所述一个通信设备中的存储装置。
[0006]机器学习模型能够被布置为在所述一个通信设备上将找到的计算机资产渲染为网页，或者与所述一个通信设备上的web浏览器的前端代码集成，或者在所述一个通信设备
上在web浏览器中调用JavaScript，或者响应于通信设备上的进一步的活动将计算机资产渲染为网页。进一步的活动能够与预测的下一个活动相匹配。机器学习模型能够包括Transformer模型，或前馈深度神经网络模型，或注意力机制。注意力机制能够包括填充注意力掩模或前瞻注意力掩模。
[0007]预测的下一个活动能够包括用户接口上的输入，该输入包括一个或多个自然语言术语或者输入到所述一个通信设备上的web浏览器的搜索查询。
[0008]计算机资产搜索和交付解决方案的另一个非限制性实施例包括一种系统，该系统被布置为建立或训练机器学习模型，并将该机器学习模型上传到服务器，该服务器被布置为将该机器学习模型部署到多个通信设备。该系统包括被布置为建立机器学习模型的机器学习模型建立器和机器学习生产流水线。机器学习生产流水线能够被布置为训练机器学习模型，将机器学习模型转换成web浏览器兼容格式，并将转换后的机器学习模型上传到服务器。机器学习模型能够被布置为接收多个通信设备中的一个通信设备上的一个或多个先前活动的序列作为输入，分析所述一个通信设备上的一个或多个先前活动的序列，基于对一个或多个先前活动的序列的分析来预测所述一个通信设备上的下一个活动，基于预测的下一个活动来抢先搜索计算机网络以找到计算机资产，并且将找到的计算机资产预加载到所述一个通信设备中的存储设备。
[0009]在该系统中，机器学习模型能够被布置为将找到的计算机资产渲染为所述一个通信设备上的网页，或者与所述一个通信设备上的web浏览器的前端代码集成，或者在所述一个通信设备上在web浏览器中调用JavaScript，或者响应于通信设备上的进一步的活动将计算机资产渲染为网页。
[0010]在系统中，进一步的活动能够与预测的下一个活动相匹配。
[0011]在该系统中，机器学习模型能够包括Transformer模型，或前馈深度神经网络模型，或注意力机制。注意力机制能够包括填充注意力掩模或前瞻注意力掩模。
[0012]在该系统中，预测的下一个活动能够包括用户接口上的输入，该输入包括一个或多个自然语言术语或者输入到所述一个通信设备上的web浏览器的搜索查询。
[0013]计算机资产搜索和交付解决方案的另一个非限制性实施例包括用于活动预测的计算机实现的方法。该方法包括：在机器学习模型处接收多个通信设备中的一个通信设备上的一个或多个先前活动的序列作为输入；由机器学习模型分析所述一个通信设备上的一个或多个先前活动的序列；由机器学习模型基于对一个或多个先前活动的序列的分析来预测所述一个通信设备上的下一个活动；基于预测的下一个活动来抢先搜索计算机网络以找到计算机资产；并将找到的计算机资产预加载到所述一个通信设备中的存储器。该方法能够包括在所述一个通信设备上将找到的计算机资产渲染为网页。
[0014]在该计算机实现的方法中，机器学习模型能够与所述一个通信设备上的web浏览器的前端代码集成。
[0015]在该计算机实现的方法中，机器学习模型能够被布置为在所述一个通信设备上在web浏览器中调用JavaScript。
[0016]在该计算机实现的方法中，将计算机资产渲染为网页能够响应于通信设备上的进一步的活动而发生。
[0017]在该计算机实现的方法中，进一步的活动能够与预测的下一个活动相匹配。
[0018]在该计算机实现的方法中，机器学习模型能够包括Transformer模型，或前馈深度神经网络模型，或注意力机制。注意力机制能够包括填充注意力掩模或前瞻注意力掩模。
[0019]在该计算机实现的方法中，预测的下一个活动能够包括用户接口上的输入，该输入包括一个或多个自然语言术语或者输入到所述一个通信设备上的web浏览器的搜索查询。
[0020]该计算机实现的方法能够包括，在接收到输入之前建立机器学习模型，训练该机器学习模型，将该机器学习模型转换成web浏览器兼容的格式，以及将该机器学习模型上传到服务器，该服务器被布置为将该机器学习模型部署到多个通信设备。
[0021]计算机资产搜索和交付解决方案的另一个非限制性实施例包括一种系统，该系统包括适于执行计算机实现的方法的处理器。
[0022]计算机本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种包含计算机可执行指令的非暂时性计算机可读存储介质，当由计算设备运行时，计算机可执行指令使得计算设备执行建立或训练机器学习模型并使得机器学习模型被部署到多个通信设备的方法，所述方法包括：由计算设备建立机器学习模型；由计算设备训练机器学习模型；由计算设备将机器学习模型转换成web浏览器兼容格式；以及由计算设备将机器学习模型上传到服务器，所述服务器被布置为将机器学习模型部署到多个通信设备，其中，机器学习模型被布置为：接收多个通信设备中的一个通信设备上的一个或多个先前活动的序列作为输入；分析所述一个通信设备上的一个或多个先前活动的序列；基于对一个或多个先前活动的序列的分析，预测所述一个通信设备上的下一个活动；基于预测的下一个活动来抢先搜索计算机网络以找到计算机资产；和将找到的计算机资产预加载到所述一个通信设备中的存储器。2.根据权利要求1所述的非暂时性计算机可读存储介质，其中，所述机器学习模型还被布置为在所述一个通信设备上将找到的计算机资产渲染为网页。3.根据权利要求1或2所述的非暂时性计算机可读存储介质，其中，所述机器学习模型还被布置为与所述一个通信设备上的web浏览器的前端代码集成。4.根据权利要求1至3中任一项所述的非暂时性计算机可读存储介质，其中，所述机器学习模型还被布置为在所述一个通信设备上在web浏览器中调用JavaScript。5.根据权利要求2所述的非暂时性计算机可读存储介质，其中，所述机器学习模型还被布置为响应于通信设备上的进一步的活动，将计算机资产渲染为网页。6.根据权利要求5所述的非暂时性计算机可读存储介质，其中，所述进一步的活动与预测的下一个活动相匹配。7.根据权利要求1至6中任一项所述的非暂时性计算机可读存储介质，其中，所述机器学习模型包括Transformer模型。8.根据权利要求1至6中任一项所述的非暂时性计算机可读存储介质，其中，所述机器学习模型包括前馈深度神经网络模型。9.根据权利要求1至8中任一项所述的非暂时性计算机可读存储介质，其中，所述机器学习模型包括注意力机制。10.根据权利要求9所述的非暂时性计算机可读存储介质，其中，所述注意力机制包括填充注意力掩模。11.根据权利要求9所述的非暂时性计算机可读存储介质，其中，所述注意力机制包括前瞻注意力掩模。12.根据权利要求1至11中任一项所述的非暂时性计算机可读存储介质，其中，预测的下一个活动包括用户接口上的输入，所述输入包括一个或多个自然语言术语。13.根据权利要求1至11中任一项所述的非暂时性计算机可读存储介质，其中，预测的下一个活动包括输入到所述一个通信设备上的web浏览器的搜索查询。14.一种系统，被布置为建立或训练机器学习模型并将机器学习模型上传到服务器，服
务器被布置为将机器学习模型部署到多个通信设备，所述系统包括：计算设备，包含机器学习生产流水线平台，所述计算设备被布置为：训练机器学习模型；将机器学习模型转换成web浏览器兼容格式；以及将转换后的机器学习模型上传到服务器，其中，所述机器学习模型被布置为：接收多个通信设备中的一个通信设备上的一个或多个先前活动的序列作为输入；分析所述一个通信设备上的一个或多个先前活动的序列；基于对一个或多个先前活动的序列的分析，预测所述一个通信设备上的下一个活动；基于预测的下一个活动来抢先搜索计算机网络以找到计算机资产；和将找到的计算机资产预加载到所述一个通信设备中的存储器。15.根据权利要求14所述的系统，其中，所述机器学习生产流水线包括TensorFlow扩展(TFX)流水线，并且所述机器学习模型还被布置为在所述一个通信设备上将找到的计算机资产渲染为网页。16.根据权利要求14或15所述的系统，其中，所述机器学习模型还被布置为与所述一个通信设备上的...

【专利技术属性】
技术研发人员：D泽勒，R阿尔阿福，M沙莱，B林，J卡塔拉诺，
申请(专利权)人：谷歌有限责任公司，
类型：发明
国别省市：