KR102138570B1

KR102138570B1 - 가치 모델에 기반한 ｐｙｍｋ의 사용과 컨텐츠를 결정하는 방법 및 시스템

Info

Publication number: KR102138570B1
Application number: KR1020157010818A
Authority: KR
Inventors: 알렉산더 폴 슐츠; 브라이언 핍그래스; 칭-치 웽 (브라이언); 다니엘 페르란테; 딥탄슈 버마; 피터 마르티나찌; 토마스 앨리슨; 즈칭 마오
Original assignee: 페이스북, 인크.
Priority date: 2012-10-24
Filing date: 2013-10-23
Publication date: 2020-07-28
Also published as: CN104756147A; US20140114774A1; KR20150079642A; WO2014066555A1; IL238342A0; EP2725533A1; JP6393686B2; JP2016502709A; CA2887932A1; US10587705B2; BR112015009246A2; AU2013334638A1

Abstract

본 명세서에 소개된 기술은 사용자가 지금까지 임의의 연결을 맺지 않은 후보 사용자(즉, 잠재적 컨택)를 소셜 네트워킹 시스템의 사용자에게 제공할지 여부를 결정하는 시스템 및 방법을 포함한다. 일부의 실시예로, 본 시스템은 사용자와 후보 사용자 세트 사이에서 형성되는 각각의 잠재적 연결과 관련된 (예컨대, 소셜 네트워킹 시스템에 대한) 값을 기초로 후보 사용자 세트를 생성한다. 하나 이상의 실시예로, 본 시스템은 소셜 네트워킹 시스템에 대한 그 연결관계-값을 기초로 후보 사용자를 순위화하고 사용자에 대한 제안된 새로운 연결관계로서 순위화된 후보 사용자를 제공한다.

Description

가치 모델에 기반한 ＰＹＭＫ의 사용과 컨텐츠를 결정하는 방법 및 시스템{METHODS AND SYSTEMS FOR DETERMINING USE AND CONTENT OF PYMK BASED ON VALUE MODEL}

본 출원은 본 명세서에 전체로서 참조로 통합되는 2012년 10월 24일자로 출원된 미국특허출원 제13/659,695호의 우선권을 주장한다.

본 출원은 본 명세서에 전체로서 참조로 통합되는 2013년 10월 22일자로 출원된 유럽특허출원 제13189685.4호의 우선권을 주장한다.

본 발명은 일반적으로 소셜 네트워킹 시스템에 관한 것이며, 더 상세하게는 소셜 네트워킹 시스템 내 잠재적 연결관계에 관한 사용자에게 제안을 제공하는 것에 관한 것이며, 특히 컴퓨터-구현 방법 및 시스템에 관한 것이다.

소셜 네트워킹 서비스의 사용자는 실생활 상호작용, 온라인 상호작용 또는 광범위한 다른 기반들을 기초로 연결관계, 연관관계 또는 다른 사용자와의 다른 관계들을 형성할 수 있다. 예컨대, 사용자는 동일한 지리적 위치에 있는 다른 사람들, 공통의 친구 범위를 가지는 다른 사람들, 동일한 대학이나 대학교에 다녔던 다른 사람들 등과 연결하도록 선택할 수 있다. 더 잘 연결된 사용자들은 소셜 네트워킹 시스템의 그들의 사용을 증가시키는 경향이 있기 때문에, 소셜 네트워킹 시스템은 사용자 연결관계를 평가하며, 따라서 사용자 참여를 증가시키고 예컨대 상응하는 광고 기회를 증가시킨다. 따라서, 사용자는 소셜 네트워킹 시스템 내 그들의 연결관계의 수 및 강도를 증가시키는 기회를 가지는 것이 일반적으로 바람직하다.

사용자에 대한 특정한 검색을 하지 않고, 사용자가 그들이 연결관계를 형성하고자 할 수 있는 다른 사용자들을 위치시키는 것이 공통의 과제이다. 기존의 소셜 네트워킹 시스템은 이런 연결관계를 찾기 위한 제한된 메커니즘을 제공한다. 일부의 예로, 예컨대, 소셜 네트워킹 시스템은 소개 메커니즘으로의 접근을 개인들에게 제공한다. 소개 메커니즘은 리스팅 또는 소셜 네트워크 시각화를 통해 또는 대인 간의 컨택을 장려하는 것을 목표로 하는 컨텍스트-인식 매치 알림(context-aware match alerts)과 소개 관리 도구(introduction management tools)를 통해 매치된 개인들의 프로필을 보여주는 것만큼 간단할 수 있다. 소셜 매칭 애플리케이션의 예들은 (위치를 기초로 사용자를 매치하고 또한 소개를 위해 서로 아는 사람을 찾는) SocialNet® 및 (소셜-연대 데이터를 사용하여 서로 사람들을 추천하는) Facebook의 "People you may know"(PYMK) 기능을 포함한다.

요약

본 명세서에 제시된 기술은 사용자가 새로운 컨택과 의미 있고 효율적인 연결을 맺을 수 있게 해준다. 일부의 실시예로, 예컨대, 새로운 연결관계는 소셜 네트워킹 플랫폼에 대한 연결관계의 값을 기초로 제안된다. 다양한 실시예로, 새로운 연결관계의 제안은 가령 다른 컨텐츠를 포함하는 웹페이지의 일부와 같은 인터페이스의 특정 부분에서 사용자에게 제공된다. 대안으로, 제안은 사용자에 의한 행위에 응답하여 제공될 수 있다. 예컨대, 제안은 검색 질의의 제출, 연결 요청의 수락이나 송신, 아이템에 대한 좋아요 또는 코멘트, 소셜 네트워크에서 질문의 게시 또는 답변 등에 응답하여 제공될 수 있다.

본 발명에 따른 실시예들은 특히 방법 및 시스템에 관한 첨부된 청구항들에 개시되며, 가령 방법과 같은 하나의 청구항 카테고리에 언급되는 임의의 특징은 또한 가령 시스템과 같은 다른 청구항 카테고리로 청구될 수 있다.

일실시예로, 소셜 네트워킹 시스템은 후보 사용자에 관한 정보를 사용자에게 제공하는 관련성을 기초로 사용자에게 연결을 제안한다. 일 예로, 이런 연결 방법론(connection methodology)은 사용자와 후보 사용자 사이의 친구관계 값을 계산하는 것을 포함한다. 사용자와 후보 사용자 사이의 친구관계 값은 예컨대 사용자에 대한 친구관계의 값, 후보 사용자에 대한 친구관계의 값 및 사용자와 후보 사용자 사이에서 친구관계 또는 연결이 확립될 확률을 기초로 결정될 수 있다. 일부의 실시예로, 이런 연결 방법론은 후보 사용자와의 성공적인 친구관계를 기초로 소셜 네트워크와 사용자의 참여의 잠재적 변화를 계산하는 것을 포함할 수 있다. 이런 참여의 변화는 사용자와 후보 사용자 사이의 계산된 친구관계 값을 기초로 결정될 수 있다.

이와 같이 본 청구항들과 별도로 또한 청구될 수 있는 또 하나의 실시예로, 컴퓨터-구현 방법은: 소셜 네트워킹 시스템(또는 소셜 네트워크)에서 또는 소셜 네트워킹 시스템의 후보 사용자와 사용자 사이의 친구관계 값을 결정하는 단계; 및 사용자와 후보 사용자 사이의 성공적인 친구관계를 기초로 발생하는 소셜 네트워크와 사용자의 참여의 잠재적 변화를 결정하는 단계를 포함하며, 친구관계 값은: 사용자에 대한 친구관계의 값, 후보 사용자에 대한 친구관계의 값 또는 사용자와 후보 사용자 사이에서 발생하는 친구관계의 확률 중 하나 이상의 함수로서 계산되고, 참여의 변화는 계산된 친구관계 값을 적어도 부분적으로 기초로 하여 결정된다.

바람직한 실시예로, 사용자에 대한 친구관계 값은 사용자가 속하는 사용자 그룹의 그룹 값을 적어도 부분적으로 기초로 한다. 사용자가 속한 사용자 그룹은 바람직하기로: 특정된 시간프레임에서 소셜 네트워킹 시스템으로 사용자가 로그인한 횟수; 사용자가 소셜 네트워킹 시스템으로 로그인하는 하루 중 지속시간; 또는 소셜 네트워킹 시스템으로 로그인하기 위해 사용자가 주로 사용하는 컴퓨팅 장치의 타입 중 하나 이상을 기초로 결정된다. 사용자 그룹의 그룹 값은 이점적으로: 사용자 그룹 중 한 명 이상의 사용자의 참여의 평균 변화 및 사용자 그룹 중 한 명 이상의 사용자와 관련된 친구 수의 변화 중 하나 이상의 함수로서 결정되며, 참여의 평균 변화는 한 명 이상의 제2 후보 사용자에 관한 정보를 한 명 이상의 사용자에게 제공하는 것을 기초로 하고, 친구 수의 변화는 한 명 이상의 제2 후보 사용자에 관한 정보를 한 명 이상의 사용자에게 제공하는 것을 기초로 한다.

사용자와 후보 사용자 사이에서 발생하는 친구관계의 확률은: 후보 사용자에 해당하는 제2 사용자 그룹 중 한 명 이상의 사용자에게 사용자 그룹 중 한 명 이상의 사용자가 송신한 친구 요청의 수를 결정하는 것, 및 제2 사용자 그룹 중 한 명 이상의 사용자가 수락한 친구 요청의 수를 결정하는 것을 기초로 결정된다.

소셜 네트워킹 시스템과 사용자의 참여는 바람직하기로 소셜 네트워킹 시스템 내 컨텐츠에 접근하는 사용자가 소비한 시간으로 측정된다.

계산된 참여의 잠재적 변화를 적어도 부분적으로 기초로 하여 후보 사용자와 관련된 소셜 네트워크 정보를 사용자에게 제공하는 관련성을 결정하는 단계가 더 포함된다.

또 하나의 실시예로, 관련성을 기초로, 후보 사용자와 관련된 소셜 네트워크 정보를 사용자에게 제시할지 여부 및 바람직하게는 후보 사용자와 관련된 소셜 네트워크 정보 대신에 광고 유닛을 사용자에게 제시할지 여부가 결정되며, 바람직하기로, 후보 사용자와 관련된 소셜 네트워크 정보 대신에 광고 유닛을 사용자에게 제시할지 여부를 결정하는 것은 광고 값보다 더 큰 참여의 잠재적 변화를 적어도 부분적으로 기초로 한다.

후보 사용자와 관련된 소셜 네트워크 정보는 바람직하기로: 후보 사용자의 사진; 후보 사용자의 이메일 주소; 또는 후보 사용자로의 소셜 네트워크 링크 중 하나 이상을 포함한다.

후보 사용자는 사용자에 대한 각각의 한 명 이상의 후보 사용자의 연결의 잠재적 강도를 기초로 선택되는 한 명 이상의 후보 사용자를 한 명 이상의 후보 사용자의 타겟 리스트로부터 선택될 수 있고, 잠재적 강도는 사용자와 특정 후보 사용자 사이의 하나 이상의 공통성의 함수로서 계산된다.

또 하나의 실시예로, 사용자가 속한 사용자 그룹; 및 사용자 그룹과 관련된 그룹-송신-점수를 기초로 한 사용자에 대한 송신 점수가 결정되고, 사용자에 대한 송신 점수를 적어도 부분적으로 기초로 하여, 제1 후보 사용자에 관한 정보를 사용자에게 제공하는 관련성이 결정되며, 사용자의 사용자 그룹의 결정은 사용자의 친구의 수 및 사용자가 소셜 네트워킹 시스템을 이용했던 연수를 적어도 부분적으로 기초로 하고, 그룹-송신-점수는 소정의 시간 구간 내 적어도 특정된 횟수로 소셜 네트워킹 시스템을 이용하는 사용자 그룹 중 사용자의 수의 변화의 함수이다.

바람직하게는, 관련성을 기초로, 제1 후보 사용자와 관련된 소셜 네트워크 정보 또는 사용자에 대한 광고 유닛을 제시할지 여부가 결정된다.

특히, 사용자의 수의 변화는: 제1 시간 구간 동안 한 명 이상의 제2 후보 사용자에 관한 정보를 사용자 그룹의 한 명 이상의 사용자에게 제공하는 것; 및 제1 시간 구간 동안 하나 이상의 다른 사용자 그룹의 사용자에게 후보 사용자로서 사용자의 그룹 중 한 명 이상의 사용자를 제공하지 않는 것을 기초로 결정된다.

사용자 그룹의 그룹-송신-점수는 사용자 그룹 중 한 명 이상의 사용자가 송신하고 수신한 평균 친구관계 요청의 수의 함수로서 더 결정될 수 있고, 송신하고 수신한 평균 친구관계 요청의 수는: 제1 시간 구간 동안 한 명 이상의 제2 후보 사용자에 관한 정보를 사용자 그룹의 한 명 이상의 사용자에게 제공하는 것; 및 제1 시간 구간 동안 하나 이상의 다른 사용자 그룹의 사용자에게 후보 사용자로서 사용자 그룹 중 한 명 이상의 사용자를 제공하지 않는 것을 기초로 한다.

제1 후보 사용자에 관한 정보는 일반적으로: 제1 후보 사용자의 사진; 제1 후보 사용자의 이메일 주소; 또는 제1 후보 사용자로의 소셜 네트워크 링크 중 하나 이상을 포함한다.

특히, 제1 후보 사용자는 사용자에 대한 각각의 한 명 이상의 후보 사용자의 연결의 잠재적 강도를 기초로 선택되는 한 명 이상의 후보 사용자를 한 명 이상의 후보 사용자의 타겟 리스트로부터 선택되며, 잠재적 강도는 사용자와 특정 후보 사용자 사이의 하나 이상의 공통성의 함수로서 계산된다.

또 하나의 실시예는 제1 사용자에 대한 수신 점수를 결정하는 단계; 및 제1 사용자에 대한 수신 점수를 적어도 부분적으로 기초로 하여 소셜 네트워크의 제2 사용자에게 후보 사용자로서 제1 사용자를 제공하는 관련성을 결정하는 단계를 포함하며, 수신 점수는 제1 사용자가 속한 사용자 그룹; 사용자 그룹과 관련된 그룹 수신 점수를 기초로 하며, 제1 사용자의 사용자 그룹의 결정은 제1 사용자의 친구의 수 및 제1 사용자가 소셜 네트워크를 이용했던 연수를 적어도 부분적으로 기초로 하고, 그룹 수신 점수는 소정의 시간 구간 내 특정된 횟수로 소셜 네트워크를 이용하는 사용자 그룹 중 사용자의 수의 변화의 함수로서 결정된다.

한 실시예는 관련성을 기초로 제1 사용자 또는 제2 사용자에 대한 광고 유닛을 제시할지를 결정하는 단계를 더 포함하며, 바람직하기로, 제1 사용자 또는 제1 사용자에 대한 광고 유닛을 제시할지를 결정하는 단계는 소정의 임계 값보다 더 큰 사용자에 대한 수신 점수를 적어도 부분적으로 기초로 한다.

바람직하기로, 사용자 그룹의 그룹 수신 점수는: 제1 시간 구간 동안 하나 이상의 다른 사용자 그룹의 사용자에게 후보 사용자로서 사용자 그룹의 한 명 이상의 사용자를 제공하는 것; 및 제1 시간 구간 동안 한 명 이상의 후보 사용자에 관한 컨텐츠를 사용자 그룹 중 한 명 이상의 사용자를 제공하지 않는 것을 기초로 사용자의 수의 변화의 함수이고/이거나, 바람직하기로 사용자 그룹의 그룹-수신-점수는 사용자 그룹 중 한 명 이상의 사용자가 송신하고 수신한 평균 친구관계 요청의 수의 함수로서 더 결정되며, 송신하고 수신한 평균 친구관계 요청의 수는: 제1 시간 구간 동안 한 명 이상의 제2 후보 사용자에 관한 컨텐츠를 사용자 그룹의 한 명 이상의 사용자에게 제공하는 것; 및 제1 시간 구간 동안 하나 이상의 다른 사용자 그룹의 한 명 이상의 사용자에게 후보 사용자로서 특정 사용자 그룹 중 한 명 이상의 사용자를 제공하지 않는 것을 기초로 한다.

또 하나의 실시예로, 프로세서; 프로세서에 의해 실행될 때 시스템이 본 발명에 따른 방법을 수행하게 하는 명령어 세트를 저장하도록 구성된 메모리를 포함하는 시스템이 제공된다.

본 요약은 발명의 상세한 설명 및 도면에 더 기술되는 간략한 형태로 컨셉의 선택을 소개하도록 제공된다. 본 요약은 청구된 발명의 내용의 필수적인 기능을 식별하거나 청구된 발명의 내용의 범위를 제한하려고 의도되지 않는다.

본 발명의 내용 중에 포함되어 있다.

본 명세서에 소개된 기술은 첨부도면과 함께 하기의 상세한 설명을 참조로 더 잘 이해될 수 있고, 유사한 참조번호는 동일하거나 기능적으로 유사한 구성요소를 나타낸다:
도 1은 본 발명의 한 실시예에 따라 소셜 네트워킹 시스템 내 2명의 사용자 사이의 연결관계의 값을 기초로 소셜 네트워킹 시스템에서 사용자를 순위화하는 시스템을 도시한다.
도 2는 본 발명의 한 실시예에 따른 본 시스템의 상위계층 블록 다이어그램이다.
도 3은 본 발명의 한 실시예에 따라 소셜 네트워킹 시스템의 소정의 사용자에 대한 친구관계의 값을 계산하는 프로세스의 흐름도이다.
도 4는 본 발명의 한 실시예에 따라 소셜 네트워킹 시스템의 소정의 사용자의 송신 및 수신 점수를 계산하는 프로세스의 흐름도이다.
도 5는 본 발명의 한 실시예에 따라 소셜 네트워킹 시스템의 하나 이상의 사용자 그룹에 대한 송신 및 수신 점수를 도시한다.
도 6은 본 발명의 한 실시예에 따라 소셜 네트워킹 시스템의 소정의 사용자에게 후보 사용자의 연락 정보를 제공하는 관련성을 계산하는 프로세스의 흐름도이다.
도 7은 컴퓨터 시스템의 구조의 예를 도시하는 상위계층 블록 다이어그램이다.

구성의 개요

소셜 네트워킹 시스템은 일반적으로 사용자에게 소셜 네트워킹 시스템의 다른 사용자들과 통신하고 상호작용하는 능력을 제공한다. 소셜 네트워킹 시스템의 사용자는 실생활 상호작용, 온라인 상호작용 또는 광범위한 다른 기반들을 기초로 다른 사용자들과의 연결관계, 유대관계 또는 다른 관계를 형성할 수 있다. 연결관계를 제안하는 메커니즘은 흔히 소셜 네트워킹 시스템에 의해 제공된다. 그러나, 이런 종래의 메커니즘은 흔히 처리될 필요가 있는 결함들을 가진다. 예컨대, 종래의 메커니즘은 소셜 네트워킹 시스템에 대한 연결관계 결과의 값을 추정하거나 결정하지 않는다.

소셜 네트워킹 시스템 내 연결관계를 제안하는 종래의 메커니즘의 일 예는 2명의 사용자 사이의 공통 연결관계의 수를 결정하는 단계 및 그 수가 임계치에 도달할 때 2명의 사용자에게 소개를 하는 단계를 포함한다. 이런 접근법이 가진 하나의 결함은 소셜 네트워킹 시스템 내 소수의 연결관계를 가진 사용자들보다 이미 많은 연결관계를 가지는 사용자들에게 더 많은 제안이 이루어지는 것으로 시스템이 스큐(skewed)될 가능성이 있다는 점이다. 이는 많은 친구를 가진 사용자에게 추가 친구가 상대적으로 소수의 친구를 가진 사용자에게 추가 친구보다 덜 중요하기 때문에 소셜 네트워킹 시스템에 대한 서브-최적 결과로 이어진다. 연결관계를 제안하는 다른 종래의 메커니즘은 제안된 연결관계의 결과를 고려하지 않고 사용자들 사이에서 연결관계를 단순히 추가하는 것에 주력한다. 따라서, 단지 가능한 연결관계의 표식을 기초로 사용자에게 새로운 연결관계를 제안하는 기존의 메커니즘은 소셜 네트워킹 시스템에 대한 연결관계 결과의 값을 처리하지 못한다.

반면에, 본 발명의 다양한 실시예는 후보 사용자(즉, 잠재적 컨택 또는 잠재적 친구)에 관한 정보를 사용자에게 제공하는 관련성을 기초로 소셜 네트워킹 시스템이 사용자에게 연결관계를 제안하는 시스템 및 방법을 제공한다. 이런 기술은 사용자와 후보 사용자 사이의 친구관계 값을 계산하는 단계를 포함할 수 있다. 사용자와 후보 사용자 사이의 친구관계 값은 예컨대 사용자에 대한 친구관계의 계산된 값, 후보 사용자에 대한 친구관계의 값 및 사용자와 후보 사용자 사이에서 친구관계 또는 연결관계가 확립되는 확률을 기초로 결정될 수 있다. 일부의 실시예로, 이런 연결 방법론은 후보 사용자와의 성공적인 친구관계를 기초로 소셜 네트워크와 사용자의 참여의 잠재적 변화를 계산하는 단계를 포함할 수 있다. 이런 참여의 변화는 사용자와 후보 사용자 사이의 계산된 친구관계 값을 기초로 결정될 수 있다.

본 명세서에 사용되는 바와 같이, "사용자"는 개인 또는 엔티티(가령, 사업체 또는 제3자 애플리케이션)일 수 있다. "연결관계"란 용어는 소셜 네트워킹 서비스의 사용자가 연결관계, 유대관계 또는 다른 관계를 형성할 수 있는 개인 및 엔티티라고 한다. 사용시, 사용자는 소셜 네트워킹 시스템에 가입한 후 사용자가 연결되기를 원하는 다른 사용자, 개인 및 엔티티와 연결한다. 추가로, 소셜 네트워킹 시스템은 사용자가 시스템 내에서 서로 상호작용하는 다양한 통신 채널을 제공한다. 따라서, 소셜 네트워킹 시스템의 사용자는 통신 채널을 통해 다양한 타입의 미디어의 컨텐츠 아이템을 "게시(posting)"함으로써 서로 상호작용할 수 있다. 사용자는 소셜 네트워킹 시스템 내 서로 간의 상호작용을 증가시키기 때문에, 사용자는 더 빈번하게 소셜 네트워킹 시스템에 참여한다. 소셜 네트워킹 시스템과의 사용자 참여를 증가시키는 하나의 방법은 추가 연결관계가 소셜 네트워킹 시스템에서 유용하도록 소셜 네트워킹 시스템 내 사용자 연결관계의 증가를 용이하게 하는 것이다.

도 1은 소셜 네트워킹 시스템에 대한 사용자와 후보 사용자 사이의 각각의 친구관계(즉, 연결관계)의 값을 기초로 소셜 네트워크의 사용자에 대한 후보 사용자를 순위화하는 시스템을 도시한다. 이후, 순위는 사용자에 대한 임의의 후보 사용자들, 사용자에 대한 광고 유닛, 심미성을 증가시키는 디자인 그래픽, 참여를 장려하는 사용자의 연결관계의 프로필 또는 소셜 네트워크에 대한 더 많은 값을 제공할 사용자에 대한 그 밖의 것들을 제시할지 여부를 결정하는데 사용될 수 있다. 일부의 실시예로, 순위는 또한 만약 있다면 어느 후보 사용자가 사용자에게 제시될 것인지를 결정하는데 사용될 수 있다.

도 1에 도시된 바와 같이, 본 시스템은 사용자의 소셜 네트워킹 시스템 데이터(100), 후보 세트 생성기(110), 친구관계 값 계산 엔진(130), 전환 예측 엔진(150), 점수화 엔진(170), 값 계산 엔진(190) 및 사용자와 관련된 각각의 후보 사용자에게 할당되는 예상 값 순위의 데이터베이스(195)를 포함할 수 있다. 사용자와 관련되지 않은 후보 사용자의 리스트는 소셜 네트워킹 시스템 데이터(100) 내 데이터에 접근함으로써 후보 세트 생성기(110)에 의해 생성된다. 친구관계 값 계산 엔진(130)은 소셜 네트워킹 시스템 데이터(100) 내 데이터에 접근함으로써 소셜 네트워킹 시스템 내 다양한 사용자 그룹에 대한 친구관계 값을 생성한다. 다양한 실시예에 따르면, 사용자 그룹은 유사한 성질이나 특성(예컨대, 사용자가 소정의 시간프레임 내에서 소셜 네트워크를 이용했던 횟수)을 가진 소셜 네트워킹 시스템 내 사용자의 서브세트이다.

전환 예측 엔진(150)은 후보 세트 생성기(110)로부터 후보 사용자의 리스트를 수신하고 사용자와 후보 사용자 사이에서 발생하는 연결관계의 확률을 결정한다. 점수화 엔진(170)은 소셜 네트워킹 시스템 데이터(100) 내 데이터에 접근함으로써 소셜 네트워킹 시스템 내 다양한 사용자 그룹에 대한 송신 및 수신 점수를 생성한다. 이후, 점수화 엔진(170)에 의해 생성된 다양한 사용자 그룹에 대한 송신 및 수신 점수는 (예컨대, 사용자가 어느 사용자 그룹과 가장 가깝게 매치하는지를 결정함으로써) 사용자에게 적용될 수 있다.

값 계산 엔진(190)은 후보의 리스트, 친구관계 값 및 다양한 사용자 그룹의 점수를 수신하고, 사용자와 각각의 후보 사용자 사이의 각각의 연결관계에 대하여 소셜 네트워킹 시스템에 대한 값을 결정한다. 일부의 실시예에 따르면, 각각의 연결관계에 대하여 소셜 네트워킹 시스템에 대한 값은 친구관계 값, 송신 점수 및 수신 점수의 형태로 제공된다. 친구관계 값은 소정의 연결관계로 인해 소셜 네트워킹 시스템과 사용자의 총 참여의 잠재적 증가를 반영한다. 반면에, 송신 및 수신 점수는 소정의 연결관계로 인해 사용자의 소셜 네트워킹 시스템의 계속된 적극적 이용의 잠재적 증가를 반영한다. 이후, 각각의 후보 사용자는 각 컨택의 친구관계 값, 그들의 송신 점수, 그들의 수신 점수 또는 점수들의 임의의 조합을 기초로 데이터베이스(195)에 순위화된다.

일실시예로, 본 시스템은 특정한 임계 친구관계 값보다 더 큰 친구관계 값을 가진 적어도 한 명의 후보 사용자가 있을 경우에만 제안된 연결관계 정보를 사용자에게 제공할 수 있다. 일부의 실시예로, 특정한 임계 친구관계 값보다 더 큰 친구관계 값을 가진 후보 사용자들만이 순위화된다. 가장 높은 순위를 가진 후보 사용자는 이후 소셜 네트워크 내부 또는 외부에서 사용자가 알 수 있는 제안된 연결관계들로서 사용자에게 디스플레이될 수 있다.

일실시예로, 사용자의 소셜 네트워킹 시스템 데이터(100)는 사용자의 친구 네트워크(102), 친구 요청 데이터(104), 친구 제안 데이터(106) 및 사용자의 컨택 파일(108)을 포함한다. 친구 네트워크(102)는 사용자와 연결을 형성했던 모든 사용자의 이름 및 해당 정보를 포함할 수 있다. 예컨대, 사용자가 제1 사용자의 친구 요청을 수락하면, 2명의 사용자는 소셜 네트워킹 시스템 내에서 연결관계 또는 친구관계를 형성한다. 각각의 사용자의 이름이 다른 사람들의 친구 네트워크에 나타날 수 있다. 친구 요청 데이터(104)는 사용자가 제1 사용자의 친구 네트워크(102)에 사용자들을 추가한다고 요청했던 사용자들의 이름 및 해당 정보를 포함할 수 있다.

친구 제안 데이터(106)는 사용자의 다른 친구들, 사용자들의 상호 친구들 또는 소셜 네트워킹 시스템에 의해 친구로서 제안되는 사용자들의 이름 및 해당 정보를 포함할 수 있다. 사용자의 연락 파일(108)은 사용자가 이메일, 인스턴트 메시징, 텍스트 메시징 또는 소셜 네트워크 내 담벼락 게시물 중 하나를 통해 통신했던 소셜 네트워킹 시스템 내 모든 사용자의 이름 및 해당 정보를 포함할 수 있다. 이들은 사용자가 소셜 네트워킹 시스템 내에서 참여할 수 있는 상호작용의 단지 몇몇의 예들이다. 많은 다른 것들이 가능하며 하기에 더 상세히 기술된다.

일실시예로, 사용자의 소셜 네트워킹 시스템 데이터(100)는 행위 로그(115)로서 이력 소셜 네트워킹 시스템 사용 데이터 및 소셜 네트워킹 시스템의 모든 사용자의 사용자 프로필 데이터(125)를 더 포함한다. 본 발명의 다양한 실시예에 따르면, 소셜 네트워킹 시스템 행위 로그(115)는 소셜 네트워킹 시스템의 각각의 사용자와 관련된 사용 정보를 포함할 수 있다. 예컨대, 소정의 사용자와 관련된 행위 로그(115)는 가령 소정의 시간 프레임 내에서 사용자가 소셜 네트워크를 이용했던 횟수, 사용자가 송신/수신한 연결(즉, 친구) 요청의 수, 다른 사용자들이 수락한 사용자의 연결 요청의 수 등과 같이 다양한 시점 동안 캡처되었던 정보를 포함할 수 있다. 사용자 프로필 데이터(125)는 사용자의 계정에 관한 정보를 포함한다. 예컨대, 사용자 프로필 데이터(125)는 가령 사용자가 소정의 시간 프레임 내에서 가지는 연결관계(즉, 친구)의 수, 소정의 시간 프레임 내에서 소정의 사용자가 가지는 컨텐츠 게시물의 수 등과 같은 정보를 포함할 수 있다.

일부의 실시예로, 후보 세트 생성기(110)는 소셜 네트워킹 시스템 데이터(100) 내에 저장된 데이터에 접근함으로써 후보 사용자의 리스트를 생성한다. 일실시예로, 후보 세트 생성기(110)는 사용자와 연결을 아직 형성하지 않았으나 몇몇 방식으로 사용자와 관련될 수 있는 소셜 네트워킹 시스템 내 다른 사용자들의 리스트를 생성한다. 예컨대, 후보 세트 생성기(110)는 소셜 네트워킹 시스템 외부에서 제1 사용자와 상호작용할 수 있으나 소셜 네트워킹 시스템 내에서는 제1 사용자와 연결되지 않은 사용자 세트를 채울 수 있다. 일실시예로, 후보 세트 생성기(110)는 사용자의 친구들, 사용자에게 친구 요청을 보낸 사용자들, 소셜 네트워킹 시스템의 다른 사용자들에 의해 친구로 제안된 사용자들 및 이용가능하다면 사용자의 이메일 연락으로부터 불러오게 된 사용자들을 포함하는 제1 리스트를 채운다. 추가로, 후보 세트 생성기(110)는 제1 리스트에서 사용자와 연결되는 사용자 세트를 채울 수 있다. 후보 세트 생성기(110)는 이미 사용자와 연결되는 리스트로부터 모든 사용자의 이름을 제거한다. 따라서, 후보 리스트 생성기는 소셜 네트워킹 시스템 내에서 사용자와 연결되지 않은 사용자의 친구의 친구들의 후보 리스트를 생성한다.

다른 실시예로, 후보 세트 생성기(110)는 사용자와 또한 임의의 유사한 특성을 공유하는 사용자의 친구의 친구들을 포함하는 후보 사용자의 리스트를 생성한다. 유사한 특성의 리스트는 소셜 네트워크, 유사한 대학 또는 고교 졸업연도 공유하기, 대략 동일한 시간에 동일한 위치로부터 소셜 네트워크로 체크인하기 등을 포함하나 이에 국한되지 않는다. 또 다른 실시예로, 후보 세트 생성기(110)는 사용자의 친구의 친구들을 배제하도록 필드를 좁히는 발견법(heuristics) 또는 차단점(cutoff point)을 찾는 선형-시점 순위 알고리즘(liner-time rank algorithm)을 사용하여 사용자와 연결되지 않은 사용자의 친구들 중 일부의 친구를 선택함으로써 사용자의 후보 리스트를 생성한다.

일실시예로, 친구관계 값 계산 엔진(130)은 소셜 네트워킹 시스템(100) 내에서 사용자 프로필 데이터(125)와 행위 로그(115)에 접근하여 소셜 네트워킹 시스템 내 다양한 사용자 그룹에 대한 친구관계 값 세트를 생성한다. 친구관계 값 계산 엔진(130)은 소셜 네트워킹 시스템(100) 내에서 사용자 프로필 데이터(125)와 행위 로그(115)에 접근하여 소셜 네트워킹 시스템 내 다양한 사용자 그룹에 대한 친구관계 값 세트를 계산한다. 이후, 친구관계 값 계산 엔진(130)은 이런 각각의 사용자 그룹에 대한 친구관계 값을 생성하는데, 여기서 소정의 사용자 그룹의 개인 사용자에 대한 친구관계의 값은 사용자의 사용자 그룹의 친구관계 값을 기초로 한다.

일부의 실시예로, 친구관계 값 계산 엔진(130)은 소정의 시점에서 소셜 네트워크와 각각의 사용자의 참여 레벨을 기초로 소셜 네트워크의 사용자들을 하나 이상의 사용자 그룹으로 그룹화한다. 일 예로, 소셜 네트워크와 사용자의 참여 레벨은 소정의 시간 구간 내에서 사용자가 소셜 네트워크에 접근한 일수(number of days)로 측정될 수 있다. 이후, 친구관계 값 계산 엔진(130)은 이런 각각의 사용자 그룹에 대한 친구관계 값을 생성하는데, 여기서 소정의 사용자 그룹의 사용자에 대한 친구관계의 값은 사용자의 사용자 그룹의 친구관계 값을 기초로 한다. 사용자 그룹에 대한 친구관계 값을 결정하는 다양한 실시예는 도 3을 참조로 더 상세히 기술된다.

전환 예측 엔진(150)은 후보 세트 생성기(110)에 의해 생성된 후보 사용자의 리스트를 수신하고 소셜 네트워킹 시스템 내에서 사용자와 연결을 형성하는 각각의 후보 사용자와 관련된 확률을 결정한다. 일실시예로, 전환 예측 엔진(150)은 연결의 확률을 결정하도록 소셜 네트워킹 시스템 내에서 모든 사용자 연결관계와 관련된 이력 신상정보 및 행동 데이터를 사용한다.

일실시예로, 점수화 엔진(170)은 소셜 네트워킹 시스템 데이터(100) 내 사용자 프로필 데이터(125)와 행위 로그(115)에 접근하여 소셜 네트워킹 시스템 내에서 다양한 사용자 그룹에 대한 송신 및 수신 점수의 세트를 생성한다. 이런 점수는 사용자의 소셜 네트워킹 시스템의 계속된 적극적 이용의 잠재적 증가를 기초로 결정될 수 있다. 예컨대, 사용자가 오랜 친구 또는 유사한 관심사를 가진 누군가와 연결할 수 있다면, 소셜 네트워킹 시스템은 사용자 활동의 잠재적 증가를 볼 수 있는 가능성이 있다. 일실시예로, 점수화 엔진(170)은 소정의 시간 구간 내에서 사용자와 후보 사용자 사이의 또 하나의 연결관계를 가능하게 하는 후보 사용자가 사용자에게 보이는지 여부를 기초로 소셜 네트워크의 사용자들을 하나 이상의 사용자 그룹으로 그룹화한다. 이후, 점수화 엔진(170)은 각각의 이런 사용자 그룹에 대한 송신 및 수신 점수를 생성하는데, 여기서 소정의 사용자 그룹의 사용자의 송신 및 수신 점수는 사용자의 사용자 그룹의 송신 및 수신 점수를 기초로 한다. 사용자 그룹에 대한 송신 및 수신 점수를 결정하는 다양한 실시예는 도 4를 참조로 더 상세히 기술된다.

값 계산 엔진(190)은 후보 사용자의 리스트, 친구관계 값, 다양한 사용자 그룹의 송신 및 수신 점수 및/또는 사용자와 후보 사용자가 연결을 맺을 확률을 수신한다. 이런 정보를 사용하면, 값 계산 엔진(190)은 사용자와 각각의 후보 사용자 사이의 각각의 연결관계에 대하여 소셜 네트워킹 시스템에 대한 값을 결정할 수 있다. 다양한 실시예에 따르면, 각각의 연결관계에 대하여 소셜 네트워킹 시스템에 대한 값은: 1) 친구관계 값, 2) 송신 점수 및 3) 수신 점수인 3개의 부분을 포함할 수 있다.

친구관계 값은 사용자와 후보 사용자 사이의 연결관계를 발생시키는 소셜 네트워킹 시스템과 사용자의 총 참여의 예상된 증가이다. 총 참여는 사용자의 관여(involvement) 또는 연루(commitment)의 척도이다. 이는 소셜 네트워킹 시스템 내부와 외부 모두에서의 활동을 포함할 수 있다. 예컨대, 소셜 플러그인, 연결 맺기, 관여하기 등으로 연결될 수 있는 임의의 활동은 사용자의 참여의 표식으로서 사용될 수 있다. 참여는 가령 로그인, 페이지 뷰, 게시물, 코멘트 등과 같이 소셜 네트워크에서 사용자가 수행한 활동을 기초로 측정될 수 있다.

송신 점수는 연결 요청을 후보 사용자에게 송신할 때 사용자에 대한 값이다. 이 값은 생성되는 사용자와 후보 사용자 사이의 연결관계의 임의의 지각된 이득 또는 중요성일 수 있다. 이와 같이, 후보 사용자가 높은 송신 점수를 가질 때, 사용자와 후보 사용자 사이의 연결관계는 사용자와 후보 사용자 모두의 소셜 네트워킹 시스템의 계속되는 적극적 이용을 증가시킬 수 있다. 수신 점수는 사용자로부터 연결 요청을 수신할 때 후보 사용자에 대한 값이다. 이와 같이, 후보 사용자가 높은 수신 점수를 가질 때, 사용자와 후보 사용자 사이의 연결관계는 소셜 네트워킹 시스템 및 소셜 네트워킹 시스템과 관련된 다른 사용자나 엔티티와의 사용자와 후보 사용자 모두의 참여를 증가시킬 수 있다.

값 계산 엔진(190)은 친구관계 값 점수, 송신 점수, 수신 점수 또는 임의의 점수의 조합에 의해 순위화되는 후보 사용자의 리스트를 출력한다. 순위는 후보 순위 데이터베이스(195)에 저장될 수 있고 사용자에게 많은 제안을 제공하도록 소셜 네트워킹 시스템에 의해 사용될 수 있다. 제안의 실시예는 도 6을 참조로 하기에 더 상세히 기술된다. 상술한 대로, 후보 세트 생성기(110), 친구관계 값 계산 엔진(130), 전환 예측 엔진(150), 점수화 엔진(170) 및 값 계산 엔진(190)은 도 2, 3, 4 및 5를 참조로 하기에 더 상세히 기술된다.

시스템 구조

도 2는 본 발명의 한 실시예에 따라 PYMK 값 모델을 통합하는 계산 서브시스템(210)을 가진 소셜 네트워킹 시스템(200)의 블록 다이어그램을 도시한다. 계산 서브시스템(210)은 후보 사용자의 순위를 결정하고 순위를 이용하여 임의의 후보 사용자를 사용자에게 제시하는지를 결정하는데 사용될 수 있다. 도 2에 도시된 바와 같이, 소셜 네트워킹 시스템(200) 내 계산 서브시스템(210)은 사용자의 소셜 네트워킹 데이터(100), 후보 세트 생성기(110), 친구관계 값 계산 엔진(130), 전환 예측 엔진(150), 점수화 엔진(170), 값 계산 엔진(190) 및 소정의 사용자와 관련된 각각의 후보 사용자에 할당된 예상된 값 순위의 데이터베이스(195)를 포함할 수 있다. 도 2에 도시되지는 않지만, 소셜 네트워킹 시스템(200)은 또한 사용자 장치, 금융 계정(financial account) 제공자 시스템 및/또는 추가 구성요소를 포함하거나 이와 통신할 수 있다.

일부의 실시예로, 소셜 네트워킹 시스템(200)은 사용자 및/또는 다른 객체뿐 아니라 사용자와 다른 사용자 및/또는 객체 사이의 연결관계와 관련된 사용자 프로필을 저장하는 하나 이상의 컴퓨팅 장치를 포함할 수 있다. 사용시, 사용자는 소셜 네트워킹 시스템(200)에 가입한 후 그들이 연결되고자 하는 소셜 네트워킹 시스템의 다른 사용자들이나 객체에 대한 연결을 추가한다. 소셜 네트워킹 시스템(200)의 사용자는 가령 사업체, 단체, 대학, 제조사 등과 같은 개인이나 엔티티일 수 있다. 소셜 네트워킹 시스템(200)은 그 사용자가 서로뿐 아니라 소셜 네트워킹 시스템(200)에 의해 관리되는 다른 객체들과 상호작용할 수 있게 해준다. 일부의 실시예로, 소셜 네트워킹 시스템(200)은 사용자가 제3자 웹사이트 및 금융계정 제공자와 상호작용할 수 있게 해준다.

사용자, 객체 및 사용자 및/또는 객체 사이의 연결에 대한 저장된 데이터를 기초로, 소셜 네트워킹 시스템(200)은 복수의 에지에 의해 상호연결되는 복수의 노드를 포함하는 "소셜 그래프"를 생성하고 관리한다. 소셜 그래프 내 각각의 노드는 또 다른 노드에서 작용할 수 있고/있거나 또 다른 노드에 의해 작용될 수 있는 객체 또는 사용자를 표현한다. 소셜 그래프에서 2개의 노드 사이의 에지는 노드 중 하나가 다른 노드에서 수행했던 행위로부터 발생할 수 있는 2개의 노드 사이의 특정 종류의 연결관계를 표현한다. 예컨대, 사용자가 친구로서 추가 사용자를 식별할 때, 제1 사용자를 표현하는 노드와 추가 사용자를 표현하는 추가 노드를 연결하는 소셜 그래프 내 에지가 생성된다. 생성된 에지는 사용자들이 친구임을 표시하는 연결 타입을 가진다. 다양한 노드는 서로 상호작용할 때, 소셜 네트워킹 시스템(200)은 상호작용을 반영하도록 다양한 노드들을 연결하는 에지들을 변경한다.

소셜 네트워킹 시스템(200)과 상호작용하는 사용자 장치는 사용자 입력을 수신할 수 있고 네트워크를 통해 데이터를 전송 및/또는 수신할 수 있는 임의의 타입의 컴퓨팅 장치일 수 있다. 예컨대, 사용자 장치는 가령 데스크톱이나 랩톱 컴퓨터와 같은 종래의 컴퓨터 시스템을 포함할 수 있다. 또 다른 예로서, 사용자 장치는 가령 개인용 정보단말기(PDA), 모바일 전화, 스마트폰이나 유사한 장치와 같이, 컴퓨팅 기능을 갖는 장치를 포함할 수 있다. 사용자 장치는 네트워크를 통해 소셜 네트워킹 시스템(200) 및/또는 금융계정 제공자와 통신하도록 구성된다. 일실시예로, 사용자 장치는 사용자 장치의 사용자가 소셜 네트워킹 시스템(200)과 상호작용할 수 있게 하는 애플리케이션을 실행할 수 있다. 예컨대, 사용자 장치는 네트워크를 통해 사용자 장치와 소셜 네트워킹 시스템(200) 사이의 상호작용을 가능하게 하는 브라우저 애플리케이션을 실행할 수 있다. 또 다른 실시예로, 사용자 장치는, 가령 IOS® 및 ANDROID^TM와 같이, 사용자 장치의 네이티브 운영 시스템에서 실행하는 응용 프로그래밍 인터페이스(API)를 통해 소셜 네트워킹 시스템(200)과 상호작용할 수 있다.

사용자 장치는 유선 및 무선 통신 시스템 모두를 사용하여 근거리 네트워크 및/또는 광역 네트워크의 임의의 조합을 포함할 수 있는 네트워크를 통해 통신하도록 구성된다. 일실시예로, 네트워크는 표준 통신 기술 및/또는 프로토콜을 사용한다. 따라서, 네트워크는 가령 이더넷, 802.11, WiMAX(worldwide interoperability for microwave access), 3G, 4G, CDMA, DSL(digital subscriber line) 등과 같은 기술을 사용하는 링크를 포함할 수 있다. 마찬가지로, 네트워크에서 사용되는 네트워킹 프로토콜은 MPLS(multiprotocol label switching), TCP/IP(transmission control protocol/Internet protocol), UDP(User Datagram Protocol), HTTP(hypertext transport protocol), SMTP(simple mail transfer protocol) 및 FTP(file transfer protocol)를 포함할 수 있다. 네트워크에서 교환되는 데이터는 하이퍼텍스트 마크업 언어(HTML) 또는 확장형 마크업 언어(XML)를 포함하는 기술 및/또는 포맷을 사용하여 표현될 수 있다. 또한, 링크의 전부 또는 일부는 가령 SSL(secure socket layer), TLS(transport layer security) 및 IPsec(Internet Protocol security)와 같은 종래의 암호화 기술을 사용하여 암호화될 수 있다.

또한, 도 2에 도시된 소셜 네트워킹 시스템(200)의 실시예들은 응용 프로그램 인터페이스(API) 요청 서버(220), 웹 서버(230), 메시지 서버(240), 사용자 프로필 데이터 스토어(125), 행위 로거(260), 행위 로그(115), 연결 스토어(270)를 포함한다. 다른 실시예로, 소셜 네트워킹 시스템(200)은 다양한 애플리케이션을 위한 추가 모듈, 보다 적은 모듈 또는 다른 모듈을 포함할 수 있다. 가령 네트워크 인터페이스, 보안 메커니즘, 부하 균형기, 장애복구 서버, 관리와 네트워크 동작 콘솔 등과 같은 종래의 구성요소들은 시스템의 세부사항을 모호하게 하지 않도록 도시되지 않는다.

일부의 실시예로, 본 시스템(200)은 소셜 네트워킹 시스템이 아니지만 필요한 소셜 네트워크 정보를 획득하도록 소셜 네트워킹 시스템과 통신한다. 그 결과, 본 시스템(200)은 예컨대 소셜 네트워킹 시스템에 의해 제공되는 API를 사용하여 소셜 네트워킹 시스템과 통신할 수 있다. 이런 실시예에서, 도 2에 도시된 일부의 모듈은 본 시스템(200)에서 실행할 수 있는 반면, 다른 모듈들은 원격 소셜 네트워킹 시스템에서 실행할 수 있다. 예컨대, 후보 세트 생성기(110), 친구관계 값 계산 엔진(130), 값 계산 엔진(190) 및 다른 것들은 본 시스템(200)에서 실행할 수 있는 한편, API 요청 서버(220), 사용자 프로필 데이터 스토어(125), 연결 스토어(270) 및 행위 로그(115)는 별도의 소셜 네트워킹 시스템에 존재할 수 있다.

본 명세서에 기술되는 바와 같이, 소셜 네트워킹 시스템(200)은 사용자가 서로 통신하거나 상호작용하며 컨텐츠에 접근할 수 있게 해준다. 소셜 네트워킹 시스템(200)은 사용자 프로필 데이터 스토어(125)에 사용자 프로필을 저장한다. 사용자 프로필은 사용자에 의해 명시적으로 공유되었던 사용자에 대한 선언형 정보를 포함하고, 소셜 네트워킹 시스템(200)에 의해 추론된 프로필 정보를 또한 포함할 수 있다. 일실시예로, 사용자 프로필은 소셜 네트워킹 시스템(200)의 해당 사용자의 하나 이상의 속성을 각각 설명하는 다수의 데이터 필드를 포함한다. 가령 경력, 학력, 성별, 성적 기호, 취미, 위치, 다른 기호 등과 같이 인명 정보, 인구학적 정보 및 다른 타입의 설명적 정보를 포함하는 사용자 프로필 데이터 스토어(125)에 저장된 사용자 프로필 정보는 소셜 네트워킹 시스템(200)의 사용자를 기술한다. 또한, 사용자 프로필은 사용자에 의해 제공되는 정보를 저장할 수 있다. 예컨대, 사용자에 의해 제공되는 이미지 또는 비디오는 또한 사용자 프로필 내에 저장될 수 있다. 특정 실시예로, 사용자의 이미지는 그 이미지가 디스플레이되는 적절한 사용자의 식별 정보와 함께 태그될 수 있다. 사용자 프로필 데이터 스토어(125) 내 사용자 프로필은 또한 컨텐츠 스토어 내 컨텐츠 아이템에서 수행되고 에지 스토어에 저장되는 해당 사용자에 의한 행위에 대한 레퍼런스를 관리할 수 있다.

사용자 프로필은 하나 이상의 금융 계정과 관련될 수 있으며, 사용자 프로필이 금융 계정으로부터 검색되거나 도출되는 데이터를 포함할 수 있게 해준다. 사용자는 소셜 네트워킹 시스템(200)이 접근 허용되는 금융 계정으로부터 정보를 제한하는 사용자 프로필에 저장되는 하나 이상의 개인정보 설정을 명시할 수 있다. 예컨대, 개인정보 설정은 금융 계정의 거래 이력의 접근에 대해 소셜 네트워킹 시스템(200)을 제한하고 현재 계정 잔고에 대해서는 그러하지 않는다. 또 다른 예로서, 개인정보 설정은 금융 계정의 거래 이력의 서브세트로 소셜 네트워킹 시스템(200)을 제한하며, 소셜 네트워킹 시스템(200)이 특정된 시간 범위 내 거래, 임계 거래액 미만을 포함하는 거래, 특정된 판매자 식별자와 관련된 거래, 특정된 판매자 식별자 이외의 판매자 식별자와 관련된 거래 또는 소셜 네트워킹 시스템(200)에 의해 접근가능한 사용자가 식별한 금융 계정으로부터의 정보를 제한하는 임의의 적절한 기준에 접근할 수 있게 해준다. 일실시예로, 금융 계정으로부터의 정보는 사용자 프로필 데이터 스토어(125)에 저장된다. 다른 실시예로, 이런 정보는 금융 계정 스토어에 저장될 수 있다.

소셜 네트워킹 시스템(200)은 연결 스토어(270) 내 다른 사용자들 사이의 하나 이상의 연결을 설명하는 데이터를 더 저장한다. 하나 이상의 연결관계를 설명하는 데이터는 연결의 리스트, 각각의 연결(즉, 친구관계)이 이루어진 날짜 등을 포함할 수 있다. 연결은 사용자에 의해 더 정의될 수 있어서, 사용자가 다른 사용자들과의 관계를 명시할 수 있게 해준다. 예컨대, 연결은 사용자가 가령 친구, 직장동료, 파트너 등과 같은 사용자의 실생활 관계에 상응하는 다른 사용자들과의 관계를 생성하게 할 수 있다. 일실시예로, 연결관계는 관계의 타입을 기초로 연결 타입을 명시한다. 관계의 타입의 예들은 가족, 친구, 동료 등을 포함한다. 사용자는 기정의된 연결 타입으로부터 선택될 수 있거나, 필요에 따라 스스로 연결 타입을 정의할 수 있다.

웹 서버(230)는 네트워크를 통해 소셜 네트워킹 시스템(200)을 하나 이상의 클라이언트 장치로 연결한다; 웹 서버(230)는 웹페이지뿐만 아니라 가령 Java, Flash, XML 등과 같이 다른 웹-관련 컨텐츠를 제공한다. 웹 서버(230)는 소셜 네트워킹 시스템(200)과 클라이언트 장치 사이의 메시지를 수신하고 라우팅하는 기능을 제공하는 메시지 서버(240)와 통신할 수 있다. 메시지 서버(240)에 의해 처리되는 메시지는 인스턴트 메시지, 큐잉된 메시지(예컨대, 이메일), 텍스트와 SMS(단문 메시지 서비스) 메시지 또는 임의의 다른 적절한 메시징 기술일 수 있다. 일부의 실시예로, 사용자가 다른 사용자로 송신하는 메시지는 소셜 네트워킹 시스템(200)의 다른 사용자들, 예컨대 메시지를 수신하는 사용자의 연결에 의해 열람될 수 있다. 메시지의 수신자 이외에 소셜 네트워킹 시스템의 다른 사용자들에 의해 열람될 수 있는 메시지 타입의 예는 담벼락 게시물이다. 일부의 실시예로, 사용자는 다른 사용자에 의해서만 검색될 수 있는 개인 메시지를 또 다른 사용자에게 송신할 수 있다.

사용자가 소셜 네트워킹 시스템(200)에서 행위를 행할 때, 행위는 임의의 개인정보 설정 및 제한을 조건으로 행위 로그(115)에 기록될 수 있다. 일실시예로, 소셜 네트워킹 시스템(200)은 엔트리의 데이터베이스로서 행위 로그(115)를 관리한다. 행위가 소셜 네트워킹 시스템(200)에서 행해질 때, 소셜 네트워킹 시스템(200)은 그 행위에 대한 엔트리를 행위 로그(115)에 추가할 수 있다. 다양한 실시예에 따르면, 행위 로거(260)는 소셜 네트워킹 시스템(200)의 내부 및/또는 외부에서 사용자 행위에 대한 웹 서버(230)에서의 통신을 수신할 수 있다. 행위 로거(260)는 사용자 행위를 추적하도록 행위 로그(115)를 사용자 행위에 대한 정보로 채운다. 이런 정보는 사용자와 관련된 개인정보 설정의 대상일 수 있다. 특정 사용자가 다른 사용자에 대해 행하는 임의의 행위는 가령 행위 로그(115)와 같이 데이터베이스 또는 다른 데이터 저장소에서 관리되는 정보를 통해 각 사용자의 프로필과 관련된다. 이런 행위는 예컨대 다른 사용자에 대한 연결을 추가하기, 다른 사용자에게 메시지를 송신하기, 다른 사용자로부터 메시지를 읽기, 다른 사용자와 관련된 컨텐츠를 열람하기, 다른 사용자가 게시한 이벤트에 참여하기, 다른 사용자와 함께 사진에 태그되기, 엔티티를 좋아하기 등을 포함할 수 있다. 일부의 실시예로, 행위 로거(260)는 하나 이상의 개인정보 설정 하에서 사용자와 관련된 금융 계정으로부터 거래 정보를 수신하고 거래 정보로부터 사용자 행위를 식별한다. 예컨대, 행위 로거(260)는 금융 계정의 거래 이력으로부터 판매자 식별자를 검색하고 소셜 네트워킹 시스템에서 가령 페이지와 같은 판매자 식별자와 관련된 객체를 식별한다. 이를 통해 행위 로거(260)는 컨텐츠 스토어(275) 내 페이지와 관련된 제품이나 서비스의 사용자의 구매 또는 다른 객체를 식별할 수 있다. 또한, 다른 객체와 관련하여 기술되는 다수의 행위는 특정 사용자와 관한 것이며, 따라서 이런 행위는 또한 이런 사용자들과 관련된다. 이런 행위는 행위 로그(115)에 저장된다.

행위 로그(115)는 소셜 네트워킹 시스템(200)뿐 아니라 정보를 소셜 네트워킹 시스템(200)으로 통신하는 외부 웹사이트에서 사용자 행위를 추적하는데 소셜 네트워킹 시스템(200)에 의해 사용될 수 있다. 사용자는 소셜 네트워킹 시스템(200)에서 다양한 객체와 상호작용할 수 있는데, 이는 게시물에 대해 코멘트하기, 링크를 공유하기 및 모바일 장치를 통해 물리적 위치로 체크인하기, 순서대로 컨텐츠 아이템에 접근하기 또는 다른 상호작용들을 포함한다. 이런 행위를 설명하는 정보는 행위 로그(115)에 저장된다. 행위 로그(115)에 포함되는 소셜 네트워킹 시스템(204)에서의 객체와 상호작용의 추가적인 예들은 사진 앨범에 대해 코멘트하기, 사용자 사이에서 통신하기, 가수의 팬이 되기, 이벤트를 캘린더에 추가하기, 그룹에 가입하기, 브랜드 페이지의 팬이 되기, 이벤트를 생성하기, 애플리케이션을 허용하기, 애플리케이션을 사용하기 및 거래를 체결하기를 포함한다. 추가로, 행위 로그(115)는 소셜 네트워킹 시스템(200)뿐 아니라 소셜 네트워킹 시스템(200)에서 운영하는 다른 애플리케이션에서 광고와 사용자의 상호작용을 기록한다. 일부의 실시예로, 행위 로그(115)로부터의 데이터는 사용자의 관심사 또는 기호를 추론하는데 사용되며, 사용자 프로필에 포함되는 관심사를 증가시키고 사용자 기호의 더 완전한 이해를 가능하게 한다.

또한, 행위 로그(115)는 외부 웹사이트에서 행해지고/행해지거나 사용자와 관련된 금융 계정으로부터 결정되는 사용자 행위를 저장할 수 있다. 예컨대, 할인가로 스포츠 장비를 주로 판매하는 전자상거래 웹사이트는 전자상거래 웹사이트가 소셜 네트워킹 시스템(200)의 사용자를 식별할 수 있게 하는 소셜 플러그-인을 통해 소셜 네트워킹 시스템(200)의 사용자를 인식할 수 있다. 소셜 네트워킹 시스템(200)의 사용자는 고유하게 식별가능하기 때문에, 가령 이런 스포츠 장비 소매상과 같은 전자상거래 웹사이트는 사용자가 웹사이트를 방문할 때 이런 사용자에 대한 정보를 사용할 수 있다. 행위 로그(115)는 웹페이지 열람 이력, 체결된 광고, 이루어진 구매 및 쇼핑과 구입에서의 다른 패턴을 포함하는 이런 사용자에 대한 데이터를 기록한다. 사용자와 관련된 금융 계정의 거래 이력으로부터 행위 로거(115)에 의해 식별되는 행위들은 행위 로그(115)가 추가적인 사용자 행위의 타입에 대한 또 하나의 정보를 기록할 수 있게 해준다.

게다가, 가령 사용자가 소셜 네트워킹 시스템(200)에서 특정 컨텐츠에 접근하는 것으로 제시되거나 보이는 경우와 같이, 특정 컨텍스트에서 발생한 사용자 행위는 특정 컨텍스트와 함께 캡처되고 로그된다. 예컨대, 특정 사용자는 특정 사용자가 고정된 시간 구간 동안 소셜 네트워킹 시스템(200)에 접근했을 때마다 후보 사용자에 관한 제시된/미-제시된 정보일 수 있다. 이런 시간 구간 동안 사용자가 행한 임의의 행위는 컨텍스트 정보와 함께 로그되며(즉, 후보 사용자가 특정 사용자에게 제공되었거나 제공되지 않았음), 행위 로그(115)에 기록된다. 또한, 다른 객체와 관련하여 하기에 기술되는 다수의 행위는 특정 사용자와 관한 것이며, 따라서 이런 행위는 또한 이런 사용자들과 관련된다.

API 요청 서버(220)는 외부 시스템이 API들을 호출하여 소셜 네트워킹 시스템(200)으로부터 정보에 접근할 수 있게 해준다. 소셜 네트워크에 의해 제공되는 정보는 각각의 개인정보 설정으로 결정되는 바와 같이 사용자 프로필 정보 또는 사용자의 연결 정보를 포함할 수 있다. 예컨대, 사용자가 소셜 네트워킹 시스템 내에서 연결을 형성할 확률을 예측하는데 관여하는 시스템은 네트워크를 통해 API 요청을 소셜 네트워킹 시스템(200)으로 송신할 수 있다. API 요청은 API 요청 서버(220)에 의해 소셜 네트워킹 시스템(200)에서 수신된다. API 요청 서버(220)는 적절한 응답을 결정하여 그 요청을 처리하며, 그 응답은 이후 네트워크를 통해 요청중인 시스템으로 다시 통신된다.

컨텐츠 스토어(275)는 가령 이미지, 비디오 또는 오디오 파일과 같이 사용자 프로필과 관련된 컨텐츠 아이템을 저장한다. 컨텐츠 스토어(275)로부터의 컨텐츠 아이템은 사용자 프로필이 열람될 때 또는 사용자 프로필과 관련된 다른 컨텐츠가 열람될 때 디스플레이될 수 있다. 예컨대, 디스플레이되는 컨텐츠 아이템은 사용자 프로필과 관련된 이미지 또는 비디오를 보여줄 수 있거나 사용자의 상태를 설명하는 텍스트를 보여줄 수 있다. 추가로, 다른 컨텐츠 아이템은 사용자가 다른 사용자들에 대한 연결을 확장하거나, 시스템으로 새로운 사용자들을 초대하거나, 소셜 네트워킹 시스템(200)의 사용자, 객체, 활동 또는 기능에 관한 컨텐츠를 디스플레이하여 소셜 네트워킹 시스템과의 상호작용을 증가시키도록 장려함으로써 사용자 참여를 용이하게 할 수 있다. 소셜 네트워킹 컨텐츠 아이템의 예들은 제안된 연결관계나 다른 행위들을 수행하는 제안, 소셜 네트워킹 시스템에 제공되거나 그에 의해 관리되는 미디어(예컨대, 사진 또는 비디오), 소셜 네트워킹 시스템으로 사용자가 게시한 상태 메시지나 링크, 이벤트, 그룹, (예컨대, 단체 또는 상업적 기관을 표현하는) 페이지 및 소셜 네트워킹 시스템에 의해 제공되거나 이를 통해 접근가능한 임의의 다른 컨텐츠를 포함한다.

또한, 컨텐츠 스토어(275)는 사용자 프로필 데이터 스토어(125) 내 사용자 프로필을 가진 엔티티와 관련된 하나 이상의 페이지를 포함한다. 엔티티는 가령 사업체, 판매자, 단체 또는 대학교와 같이 소셜 네트워킹 시스템(200)의 비-개인 사용자이다. 페이지는 엔티티와 관련된 컨텐츠 및 소셜 네트워킹 시스템 사용자에게 컨텐츠를 제시하기 위한 지시문(instructions)을 포함한다. 예컨대, 페이지는 엔티티의 사용자 프로필과 관련된 컨텐츠뿐 아니라 브랜드 페이지를 열람하는 사용자에게 컨텐츠를 제시하는 방법을 설명하는 정보를 식별한다. 판매자는 컨텐츠 스토어(275) 내 페이지와 관련될 수 있으며, 이런 페이지는 소셜 네트워킹 시스템 사용자가 소셜 네트워킹 시스템(200)을 통해 더 용이하게 판매자와 상호작용할 수 있게 해준다. 판매자 식별자는 판매자의 페이지와 관련되며, 이런 페이지는 소셜 네트워킹 시스템(200)이 판매자를 식별하고/하거나 판매자 식별자를 사용하여 사용자 프로필 데이터 스토어(125), 행위 로그(115) 또는 임의의 다른 적절한 소스로부터 판매자에 대한 추가 정보를 검색할 수 있게 해준다. 일부의 실시예로, 컨텐츠 스토어(275)는 또한 저장된 객체와 관련되고 객체가 제시될 수 있는 사용자의 하나 이상의 특성을 식별하는 하나 이상의 타겟팅 기준을 저장할 수 있다.

일실시예로, 에지 스토어(280)는 에지 객체 내 소셜 네트워킹 시스템(200)에서의 다른 객체와 사용자 사이의 연결을 설명하는 정보를 저장한다. 일부 에지는 사용자에 의해 정의될 수 있고, 사용자가 다른 사용자들과의 관계를 명시할 수 있게 해준다. 예컨대, 사용자는 가령 친구, 직장동료, 파트너 등과 같은 사용자의 실생활 관계에 상응하는 다른 사용자들과의 에지를 생성할 수 있다. 다른 에지는 사용자가 가령 소셜 네트워킹 시스템상의 페이지에 대한 관심을 표현하고, 소셜 네트워킹 시스템의 다른 사용자들과 링크를 공유하며, 소셜 네트워킹 시스템의 다른 사용자들에 의해 행해진 게시물에 코멘트하는 것과 같이 소셜 네트워킹 시스템(200)에서 객체와 상호작용할 때 생성된다. 에지 스토어(280)는 가령 객체, 관심사 및 다른 사용자들에 대한 친밀성 점수와 같은 에지에 대한 정보를 포함하는 에지 객체를 저장한다. 친밀성 점수는 사용자에 의해 수행된 행위를 기초로 소셜 네트워킹 시스템(200)에서 객체, 관심사 및 다른 사용자에 대한 사용자의 친밀성을 근사화하도록 시간에 따라 소셜 네트워킹 시스템(200)에 의해 계산될 수 있다. 일실시예로, 사용자와 특정 객체 사이의 다수의 상호작용은 에지 스토어(280)에서 하나의 에지 객체에 저장될 수 있다. 일부의 실시예로, 사용자 사이의 연결은 사용자 프로필 데이터 스토어(125)에 저장될 수 있거나, 사용자 프로필 데이터 스토어(125)는 사용자 사이의 연결을 결정하도록 에지 스토어(280)에 접근할 수 있다.

도 3은 하나 이상의 사용자 그룹에 대한 친구관계 값을 결정하기 위해 친구관계 값 계산 엔진(130)이 이용하는 친구관계 점수를 계산하는 하나의 방법을 기술한다. 일부의 실시예로, 소셜 네트워킹 시스템의 사용자의 서브세트의 통계 분석이 유사한 사용자의 친구관계 값을 결정하기 위해 수행된다. 도 3의 단계 302에 도시된 바와 같이, 친구관계 값 계산 엔진(130)은 행위 로그(115)와 사용자 프로필 스토어(125) 내 정보를 이용하여 소셜 네트워크의 사용자의 서브세트를 2개의 기본 그룹인: (1) 제어 그룹(control group) 및 (2) 파면 그룹(deprivation group)으로 나눈다. 사용자는 통계적 분석을 위해 선택되고/되거나 임의로 2개의 기본 그룹으로 나누거나 사용자 인기도의 적절한 샘플링을 보장하는 특성(예컨대, 특정 기간 내 상호작용의 수, 친구의 수 등)을 기초로 선택될 수 있다.

일부의 실시예에 따르면, 제어 그룹의 사용자들은 새로운 연결을 제안하는 PYMK 인터페이스(또는 유닛)를 통해 후보 사용자에 관한 정보를 제공받을 수 있고 다른 사용자들에게 제시되는 PYMK 유닛에서 후보 사용자로서 나타날 수 있다. 제어 그룹은 PYMK 인터페이스에 보일 수 있고 소셜 네트워크의 이용 중에 기정의된 시간 구간(예컨대, 60일) 동안 다른 사람들에 대한 후보 사용자로서 제시될 수 있다. 제어 그룹과는 달리, PYMK 유닛에서 파면되고/되거나 소셜 네트워크의 이용 중에 기정의된 시간 구간 동안 다른 사용자들에게 보이는 PYMK 유닛 내 후보 사용자로서 제시되는 것이 파면되는 사용자들의 3개의 가능한 타입의 파면 그룹이 있다. 더 상세하게, 총 파면 그룹은 후보 사용자에 관한 정보를 제공받지 않은(즉, 임의의 PYMK 유닛에 보이지 않는) 사용자들을 가지며, 이런 사용자들은 다른 사용자들에게 보이는 PYMK 유닛 내 후보 사용자로서 제시되고 있지 않다. 파면 그룹의 제2 타입인 미-제시 파면 그룹(no show deprivation group)에서, 사용자들은 PYMK 유닛에 보이지는 않지만, 다른 사용자들에게 보이는 PYMK 유닛 내 후보 사용자로서 제시될 수 있다. 마지막으로, 파면 그룹의 제3 타입인 미-열람 파면 그룹(no view deprivation group)에서, 사용자들은 PYMK 유닛에 제시되지만 사용자들은 다른 사용자들에게 보이는 임의의 PYMK 유닛 내 후보 사용자로서 제시될 수 없다. 결국, 제어 그룹 및 파면 그룹으로부터 수집된 정보는 친구관계 값 계산 엔진에 의해 소셜 네트워킹 시스템의 개인 사용자에게 값을 할당하는데 이용될 수 있다.

단계 304에서, 제어 그룹 및 파면 그룹에 대하여, 친구관계 값 계산 엔진(130)은 사용자들을 하나 이상의 사용자 그룹으로 더 세분한다. 사용자 그룹으로의 분할은 본 발명의 일부 실시예에서 소셜 네트워킹 시스템(200)과 각 사용자의 참여 레벨을 기초로 할 수 있다. 일 예로, 소셜 네트워킹 시스템(200)과의 참여 레벨은 사용자가 최근 X 일수(예컨대, 최근 30일, 최근 60일 등) 내에 소셜 네트워킹 시스템(200)으로 로그인했던 횟수를 기초로 측정된다. 또 다른 예로, 소셜 네트워킹 시스템(200)과 사용자의 참여 레벨은 사용자가 소정의 시간 구간 동안 소셜 네트워크를 통해 이용가능한 컨텐츠에 접근했던 일당 평균 시간에 의해 측정될 수 있다.

일부의 실시예로, 친구관계 값 계산 엔진(130)은 동일한 기준을 기초로 각각의 기본 그룹의 사용자를 하나 이상의 사용자 그룹으로 세분한다. 기준은 범위(예컨대, 연령 범위, 사용 범위, 프로필 타입 등)를 표시할 수 있다. 동일한 특성을 가지고 제어 그룹과 파면 그룹을 사용자 그룹으로 분할함으로써, 통계적 비교가 PYMK 인터페이스를 통해 연결관계를 추천하는 통계적으로 의미 있는 값을 할당하기 위해 생성될 수 있다. 적어도 하나의 실시예로, 사용자 그룹은 소셜 네트워킹 시스템(200)과 각 사용자의 참여 레벨뿐 아니라 다른 소셜 네트워킹 시스템(200) 사용량 및 사용자 프로필 정보를 기초로 할 수 있다.

예컨대, 사용자 그룹은 소셜 네트워킹 시스템(200)과의 사용자의 참여 레벨, 현재 연결(즉, 친구)의 수, 사용자가 최근 X 일수(예컨대, 최근 30일) 내 소셜 네트워킹 시스템(200)을 이용했던 시간 등을 기초로 할 수 있다. 일부의 실시예로, 사용자는 가령 L1_5, L6_10, L11_15, L16_20, L21_25, L26_29, L30, L1_5_FC_50_99 등과 같이 그룹들로 그룹화될 수 있는데, 여기서 L1_5는 최근 X 일 내 1번 내지 5번 소셜 네트워킹 시스템(200)에 접근했던 사용자들을 식별하며, L1_5_FC_50_99는 최근 X 일 내 한 번 내지 5번 소셜 네트워킹 시스템(200)에 접근했을 뿐 아니라 50 내지 90개 연결관계(즉, 친구)를 가지는 사용자들을 식별한다.

PYMK 유닛을 통해 연결관계를 추천하는 통계적 값을 결정하는 실험을 시작하기 전에, 각각의 사용자 그룹 내 다양한 분석법에 대한 초기 조건 세트(예컨대, 평균 초기 연결관계, 평균 초기 참여 등)가 결정될 수 있다. 단계 306에서, 제어 그룹 내 각각의 사용자 그룹에 대하여, 친구관계 값 계산 엔진(130)은 PYMK 유닛에 대한 노출 이전에 소정의 사용자 그룹이 가졌던 사용자당 초기 평균 연결관계(즉, 친구)의 수를 결정한다. 게다가, 파면 그룹 내 각각의 사용자 그룹에 대하여, 친구관계 값 계산 엔진(130)은 PYMK 유닛에 대한 비-노출 이전에 소정의 사용자 그룹이 가졌던 사용자당 초기 평균 연결관계의 수를 결정한다. 예컨대, 제어 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 초기 15명의 친구들을 가질 수 있는 한편, 파면 그룹의 사용자 그룹 L1_5의 사용자들도 또한 평균적으로 대략 초기 15명의 친구들을 가질 수 있다.

단계 308에서, 제어 그룹 내 각각의 사용자 그룹에 대하여, 친구관계 값 계산 엔진(130)은 PYMK 유닛에 대한 노출 이전에 소정의 사용자 그룹이 가졌던 사용자당 초기 평균 참여 레벨을 결정한다. 게다가, 파면 그룹 내 각각의 사용자 그룹에 대하여, 친구관계 값 계산 엔진(130)은 PYMK 유닛에 대한 비-노출 이전에 소정의 사용자 그룹이 가졌던 사용자당 초기 평균 참여 레벨을 결정한다. 예컨대, 일부의 실시예로, 친구관계 값 계산 엔진(130)은 사용자가 PYMK 유닛에 대한 노출/비-노출 이전에 최근 30일 내 적어도 한 번 소셜 네트워킹 시스템(200)에 접근했던 평균 일수를 결정함으로써 각 사용자의 초기 참여 레벨을 결정한다. 그래서, 예컨대, 제어 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 초기 참여 레벨로 대략 2.5일-로그인을 가질 수 있는 한편, 파면 그룹의 사용자 그룹 L1_5의 사용자들은 또한 유사하게 평균적으로 초기 참여 레벨로 대략 2.5일-로그인을 가질 수 있다.

PYMK 유닛을 통해 연결관계를 추천하는 통계적 값을 결정하는 데이터를 수집하는 실험을 완료한 후에, 각각의 사용자 그룹 내 다양한 분석법에 대한 초기 조건 세트(예컨대, 평균 초기 연결관계, 평균 초기 참여 등)가 결정될 수 있다. 단계 310에서, 예컨대, 친구관계 값 계산 엔진(130)은 제어 그룹 내 각각의 사용자 그룹에 대하여 X 일수 동안 PYMK 유닛에 대한 노출 후 소정의 사용자 그룹이 가졌던 사용자당 최종 평균 연결관계의 수를 결정한다. 게다가, 파면 그룹 내 각각의 사용자 그룹에 대하여, 친구관계 값 계산 엔진(130)은 X 일부 동안 PYMK 유닛에 대한 비-노출 후 소정의 사용자 그룹이 가졌던 사용자당 최종 평균 연결관계의 수를 결정한다. 예컨대, 제어 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 대략 최종 35명의 친구를 가질 수 있는 한편, 파면 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 대략 최종 26명의 친구를 가질 수 있다.

초기 및 최종 분석의 수집 이외에, 일부의 실시예는 제어 그룹과 파면 그룹 모두에 대한 최종 참여 레벨을 결정한다. 예컨대, 단계 312에서 친구관계 값 계산 엔진(130)은 X 일수 동안 PYMK 유닛에 대한 노출 이후 소정의 사용자 그룹이 가졌던 각 사용자의 최종 평균 참여 레벨을 결정한다. 게다가, 파면 그룹 내 각각의 사용자 그룹에 대하여, 친구관계 값 계산 엔진(130)은 X 일수 동안 PYMK 유닛에 대한 비-노출 이후 소정의 사용자 그룹이 가졌던 각 사용자의 최종 평균 참여 레벨을 결정한다. 또한, 친구관계 값 계산 엔진(130)은 각 사용자가 PYMK 유닛에 대한 노출/비-노출 이후에 최근 30일 내 적어도 한 번 소셜 네트워킹 시스템(200)에 접근했던 평균 일수를 결정함으로써 각 사용자의 최종 참여 레벨을 결정할 수 있다. 그래서, 예컨대, 제어 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 최종 참여 레벨로 대략 5일-로그인을 가질 수 있는 한편, 파면 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 초기 참여 레벨로 대략 4일-로그인을 가질 수 있다.

초기 및 최종 데이터가 수집되었기 때문에, 단계 314에서 친구관계 값 계산 엔진(130)은 소정의 사용자 그룹의 각 사용자가 가졌던 친구 수의 평균 변화를 결정하는데, 이 변화는 소정의 사용자 그룹의 각 사용자가 가졌던 초기 친구와 최종 친구의 평균 수 사이의 차이이다. 예컨대, 제어 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 대략 20명의 친구의 변화를 경험한 한편, 파면 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 대략 11명의 친구의 변화를 경험했다.

단계 316에서, 2개의 기본 그룹 내 각각의 사용자 그룹에 대하여, 친구관계 값 계산 엔진(130)은 소정의 사용자 그룹 중 각 사용자의 참여 레벨의 평균 변화를 결정하는데, 이 변화는 소정의 사용자 그룹 중 각 사용자의 초기 참여와 최종 참여의 평균 레벨 사이의 차이이다. 예컨대, 제어 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 대략 2.5일-로그인의 변화를 경험한 한편, 파면 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 대략 1.5일-로그인의 변화를 경험했다.

초기 값과 최종 값 사이의 변화가 계산되면, 단계 318과 단계 320에 도시된 바와 같이 제어 그룹과 파면 그룹 사이의 비교가 이루어질 수 있다. 단계 318에서, 파면 그룹 내 각각의 사용자 그룹에 대하여, 친구관계 값 계산 엔진(130)은 동일한 초기의 사용자 참여 레벨을 가졌던 제어 그룹 내 각각의 사용자 그룹을 식별하고 그룹의 각 사용자가 가지는 친구 수의 각각의 평균 변화 사이의 차이를 결정한다. 예컨대, 제어 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 대략 20명의 친구의 변화를 경험한 한편, 파면 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 대략 11명의 친구의 변화를 경험했다. 따라서, 제어 그룹의 사용자 그룹 L1_5와 파면 그룹의 사용자 그룹 L1_5의 친구 수의 평균 변화 사이의 차이는 9명(즉, 20 - 11 = 9인 친구)의 친구이다.

단계 320에서, 파면 그룹 내 각각의 사용자 그룹에 대하여, 친구관계 값 계산 엔진(130)은 동일한 초기의 사용자 참여 레벨을 가졌던 제어 그룹 내 각각의 사용자 그룹을 식별하며, 사용자 그룹의 각 사용자의 각각의 평균 참여 레벨 사이의 차이를 결정한다. 예컨대, 제어 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 대략 2.5일-로그인의 변화를 경험한 한편, 파면 그룹의 사용자 그룹 L1_5의 사용자들은 평균적으로 대략 1.5일-로그인의 변화를 경험했다. 따라서, 제어 그룹의 사용자 그룹 L1_5와 파면 그룹의 사용자 그룹 L1_5의 참여 레벨의 평균 변화 사이의 차이는 1일-로그인(즉, 2.5 - 1.5 = 1일-로그인)이다.

데이터의 비교를 기초로, 단계 322에서, 파면 그룹 내 각각의 사용자 그룹에 대하여, 친구관계 값 계산 엔진(130)은 사용자 그룹의 사용자에 대한 친구관계의 값을 계산한다. 일부의 실시예로, 친구관계의 값은 사용자 그룹이 가진 각 사용자의 평균 참여 레벨의 결정된 차이를 사용자 그룹이 가진 각 사용자의 친구 수의 평균 변화의 결정된 차이로 나눔으로써 계산될 수 있다. 예컨대, 파면 그룹의 사용자 그룹 L1_5의 사용자에 대한 친구관계의 값은 1일-로그인/9명 친구 = 0.11(즉, 추가된 PYMK 연결관계당 0.11 로그인 증가의 친구관계 값을 가짐)이다.

전환 예측 엔진(150)은 사용자가 연결관계 제안에 영향을 줄 것인지를 예측한다. 일실시예로, 전환 예측 엔진(150)은 한 세트의 이력 데이터를 사용하여 훈련되는 기계-학습 모델이다. 이력 데이터는 소셜 네트워킹 시스템 내 사용자의 신상정보 데이터, 행동 데이터 및 통신 데이터를 포함하나 이에 국한되지 않는다. 예컨대, 전환 예측 엔진(150)은 가령 공통의 친구의 수, 2명의 사용자가 친구이었던 시간의 길이, 총 친구에 대한 서로 아는 친구의 비율, 연령, 성별, 국가, 총 친구, 소셜 네트워킹 시스템에서 소비한 시간, 사용자가 소셜 네트워킹 시스템과 관련되었던 시간의 길이 등과 같이 사용자 및 각 후보 사용자와 관련된 데이터를 사용하여, 사용자 사이의 연결의 가능성을 예측할 수 있다. 일실시예로, 훈련 세트는 이전의 제안이 이루어진 사용자의 이력 데이터, 제안의 대상이었던 사용자에 대한 데이터 및 사용자가 제안에 영향을 주었는지 여부를 사용하여 생성된다.

일실시예로, 전환 예측 엔진(150)은 훈련 세트 데이터를 사용하여 훈련된다. 이후에, 사용자 및 후보 사용자 데이터는 전환 예측 엔진(150)으로 입력된다. 전환 예측 엔진(150)은 후보 세트 생성기(110)에 의해 제공된 각각의 후보 사용자와 사용자 사이에서 연결이 발생할 확률을 출력한다. 일부의 실시예로, 전환 예측 엔진(150)은 소정의 후보 사용자와 사용자가 속하는 각각의 사용자 그룹을 기초로 소정의 후보 사용자와 사용자 사이에서 연결이 발생할 확률을 추정한다. 일 예로, 사용자 그룹은 친구관계 값 계산 엔진(130)에 의해 정의된 사용자 그룹과 유사하게 정의될 수 있다. 전환 예측 엔진(150)은 소셜 네트워킹 시스템(200)과 각 사용자의 참여 레벨을 기초로 사용자들을 하나 이상의 사용자 그룹으로 세분한다. 일 예로, 소셜 네트워킹 시스템(200)과의 참여 레벨은 최근 X 일수(예컨대, 최근 30일) 내 소셜 네트워킹 시스템(200)으로 사용자가 로그인했던 횟수를 기초로 측정된다. 또 다른 예로, 소셜 네트워킹 시스템(200)과 사용자의 참여 레벨은 소정의 시간 구간 동안 사용자가 소셜 네트워크를 통해 이용가능한 컨텐츠에 접근했던 하루당 평균 시간으로 측정될 수 있다.

전환 예측 엔진(150)은 사용자와 소정의 후보 사용자가 속하는 각각의 사용자 그룹을 결정한다. 그 사용자 그룹을 기초로, 전환 예측 엔진(150)은 행위 로그(115)에 질의하며, 사용자가 속하는 사용자 그룹의 사용자에 의해 후보 사용자가 속하는 사용자 그룹의 사용자에게 송신된 연결 요청의 수를 검색한다. 전환 예측 엔진(150)은 행위 로그(115)에 더 질의하며, 후보 사용자의 사용자 그룹에 속하는 사용자들에 의해 수락되었던 그 연결 요청의 수를 검색한다. 일 예로, 검색된 정보는 특정한 시간 프레임으로 제한될 수 있다.

전환 예측 엔진(150)은 후보 사용자의 사용자 그룹의 사용자들에 의해 수락된 연결 요청의 수를 사용자의 사용자 그룹으로부터 후보 사용자의 사용자 그룹으로 송신된 연결 요청의 수로 나눔으로써 사용자와 소정의 후보 사용자 사이에서 연결이 발생할 확률을 결정한다. 예컨대, 사용자 "A"는 30일 동안 5일-로그인의 참여 레벨을 가지고, 후보 사용자 "B"는 30일 동안 17일-로그인의 참여 레벨을 가지도록 하자. 친구관계 값 계산 엔진(130)에 의해 식별되는 사용자 그룹을 기초로, 사용자 및 후보 사용자는 사용자 그룹 L1_5 및 사용자 그룹 L16_20으로 그룹화될 수 있는데, 여기서 L1_5는 최근 30일 내 한 번 내지 5번 소셜 네트워킹 시스템(200)에 접근했던 사용자들을 식별하며, L16_20은 최근 30일 내 16번 내지 20번 소셜 네트워킹 시스템(200)에 접근했던 사용자들을 식별한다. 전환 예측 엔진(150)은 행위 로그(115)에 질의하며, 가령 특정한 30일 내 사용자 그룹 L1_5의 사용자들로부터 사용자 그룹 L16_20의 사용자들에게 송신된 연결 요청의 수(20,000개 요청이라고 하자), 요청을 수신하는 30일 내 사용자 그룹 L16_20의 사용자들에 의해 수락된 그 연결 요청의 수(1,500개 요청이 수락되었다고 하자) 등과 같은 소셜 네트워킹 시스템(200) 사용량 정보를 검색한다. 따라서, 사용자와 후보 사용자 사이에서 연결이 발생할 확률은 1,500/20,000 = 0.075 또는 7.5% 가능성이다.

점수화 엔진(170)은 소셜 네트워킹 시스템 데이터(100) 내 사용자 프로필 스토어(125)와 행위 로그(115)에 접근함으로써 소셜 네트워킹 시스템 내 다양한 사용자 그룹에 대한 송신 및 수신 점수의 세트를 생성한다. 일실시예로, 점수화 엔진(170)은 소정의 시간 구간 내 사용자와 후보 사용자 사이에서 또 하나의 연결을 가능하게 하는 후보 사용자가 사용자에게 보이는지 여부를 기초로 소셜 네트워크의 사용자를 하나 이상의 사용자 그룹으로 그룹화한다. 이후, 점수화 엔진(170)은 이런 각각의 사용자 그룹에 대한 송신 및 수신 점수를 생성하는데, 여기서 소정의 사용자 그룹의 사용자의 송신 및 수신 점수는 사용자의 사용자 그룹의 송신 및 수신 점수를 기초로 한다.

도 4는 각각의 사용자 그룹에 대한 송신 및 수신 값을 결정하는 점수화 엔진(170)에 의해 사용되는 하나의 방법을 기술한다. 단계 402에 도시된 바와 같이, 점수화 엔진(170)은 소셜 네트워크의 사용자 세트를 기본 그룹으로 분할한다. 기본 그룹은 제어 그룹, 미-제시 그룹, 미-열람 그룹 및/또는 총 파면 그룹을 포함할 수 있다. 일정한 시간 구간 동안 이런 그룹에 대한 데이터가 수집될 수 있다. 이후, 수집된 데이터가 비교될 수 있고 사용자 인기도에서 다른 사용자들에 대한 송신 및 수신 점수를 생성하는데 사용될 수 있다. 예컨대, 일부의 경우, 점수화 엔진(170)은 점수를 생성하기 위해 사용자들을 제어 그룹, 미-제시 그룹 및 미-열람 그룹으로만 분할할 수 있다.

제어 그룹의 사용자는 PYMK 유닛에 나타난다. 추가로, 제어 그룹의 사용자는 다른 사용자들에게 보이는 PYMK 유닛에서 후보 사용자로서 열람될 수 있다. 반면에, 미-제시 그룹의 사용자는 임의의 PYMK 유닛에 나타나지 않는다. 그러나, 미-제시 그룹 내 사용자는 다른 사용자들에게 보이는 PYMK 유닛에서 후보 사용자로서 열람될 수 있다. 게다가, 미-열람 그룹의 사용자는 PYMK 유닛에 나타나지만, 다른 사용자들에게 보이는 PYMK 유닛에서 후보 사용자로서 열람되지 않을 수 있다. 마지막으로, 총 파면 그룹 내 사용자는 PYMK 유닛에 나타나지 않고 다른 사용자들에게 보이는 PYMK 유닛에서 후보 사용자로서 열람되지 않을 수 있다.

단계 404에서, 이용되는 각각의 상기 기본 그룹에 대하여, 점수화 엔진(170)은 소셜 네트워크와 각 사용자의 참여 레벨을 기초로 사용자들을 2개의 사용자 그룹으로 더 세분한다. 일 예로, 사용자의 참여 레벨은 PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 이전에 사용자가 소셜 네트워크를 이용했던 총 지속시간(즉, 유지 기간) 및 사용자의 초기 연결관계의 수를 기초로 측정된다. 예컨대, 제어 그룹의 사용자는 2개의 사용자 그룹들 L1_10_T0_2 및 L11_T2로 분할되는데, 여기서 사용자 그룹 L1_10_T0_2는 1개 내지 10개 연결관계를 가지거나 2년 미만 동안 소셜 네트워킹 시스템(200)을 사용해오고 있는 모든 사용자를 포함하는 한편, 사용자 그룹 L11_T3은 적어도 11개 연결관계를 가지거나 적어도 2년 동안 소셜 네트워킹 시스템(200)을 사용해오그 있는 나머지 사용자들을 표현한다. 미-열람 및 미-제시의 사용자들은 각 사용자의 참여 레벨을 각각 기초로 2개의 사용자 그룹으로 유사하게 분할된다.

사용자 그룹으로 분할된 기본 그룹을 이용하여, 점수화 엔진(170)은 단계 406에서 PYMK 유닛에 대한 노출/미-노출 이후 주기적으로 적극적이었던 사용자 그룹의 사용자의 평균 퍼센트 변화를 결정한다. 일 예로, 사용자가 30일 내 적어도 한 번 사용자가 소셜 네트워크에 접근한다면, 사용자는 한 달에 한번(즉, 참조 기간이 월 단위임) 적극적인 것으로 식별된다. 예컨대, 점수화 엔진(170)은 행위 로그(115)에 접근하며 제어 그룹의 2개의 사용자 그룹인 L1_10_T0_2 및 L11_T2의 사용자들에 관한 사용량 정보를 검색한다. 검색된 정보는 PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 전과 후에 한 달에 한번 적극적이었던 사용자 그룹의 사용자의 수를 포함한다.

예컨대, 사용자 그룹 L1_10_T0_2가 PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 전에 8번 로그인을 가지고 PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 후에 12번 로그인을 가진다고 가정하자. 또한, L11_T2는 PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 전 14번 로그인을 가지고 PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 후 19번 로그인을 가진다고 가정하자. PYMK 유닛에 대한 노출/미-노출 후 주기적으로 적극적이었던 사용자 그룹 L1_10_T0_2의 사용자의 퍼센트 변화는 50%(즉, (12-8)/8 * 100 = 50%)이다. PYMK 유닛에 대한 노출/미-노출 후 주기적으로 적극적이었던 사용자 그룹 L11_T2의 사용자의 퍼센트 변화는 36%(즉, (19-14)/14 * 100 = 36%)이다.

사용자의 퍼센트 변화의 결정 이외에, 단계 408에서, 점수화 엔진(170)은 PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 동안 사용자 그룹의 사용자에 의해 송신되고 수신된 평균 연결 요청의 수를 결정한다. 예컨대, 점수화 엔진(170)은 행위 로그(115)에 접근하며 제어 그룹의 2개의 사용자 그룹인 L1_10_T0_2 및 L11_T2의 사용자에 관한 사용량 정보를 검색한다. 검색된 정보는 PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 동안 사용자 그룹의 사용자에 의해 송신되고 수신된 연결 요청의 수를 포함한다.

예컨대, 사용자 그룹 L1_10_T0_2가 100명의 사용자에 대해 송신되고 수신되는 1,000개의 연결 요청을 가졌다고 가정하자. 그 결과, 사용자 그룹 L1_10_T0_2의 사용자당 송신되고 수신된 평균 연결 요청의 수는 10이다. 마찬가지로, 사용자 그룹 L11_T2가 150명의 사용자에 대해 송신되고 수신되는 1,200개 연결 요청을 가진다면, 사용자 그룹 L11_T2의 사용자당 송신되고 수신된 평균 연결 요청의 수는 8이다.

사용자와 평균 연결 요청의 수의 변화가 계산되면, 기본 그룹 사이의 비교는 단계 410 및 412에서 수행될 수 있다. 단계 410에서, 미-제시 그룹 내 각각의 사용자 그룹에 대하여, 점수화 엔진(170)은 동일한 사용자 참여 레벨을 가지는 제어 그룹 내 각각의 사용자 그룹을 식별하며, PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 후 한 달에 한번 적극적이었던 사용자 그룹의 사용자의 각각의 평균 퍼센트 변화 사이의 차이를 결정한다. 예컨대, 제어 그룹의 사용자 그룹 L1_10_T0_2는 PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 후 한 달에 한번 적극적이었던 사용자의 50% 변화를 가진다고 점수화 엔진(170)이 계산했다고 가정하자. 게다가, 미-제시 그룹의 사용자 그룹 L1_10_T0_2는 PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 후 한 달에 한번 적극적이었던 사용자의 25% 변화를 가진다고 점수화 엔진(170)이 계산했다고 가정하자. 따라서, 각각의 평균 퍼센트 변화 사이의 차이는 25%(즉, 50% - 25% = 25%)이다. 미-제시 그룹의 다른 사용자 그룹 L11_T2에 대해 유사한 차이 값이 계산된다.

단계 412에서, 미-제시 그룹 내 각각의 사용자 그룹에 대하여, 점수화 엔진(170)은 동일한 사용자 참여 레벨을 가지는 제어 그룹 내 각각의 사용자 그룹을 식별하며, PYMK 유닛에서/PYMK 유닛에 대한 노출/미-노출 동안 사용자 그룹의 사용자에 의해 송신되고 수신된 각각의 총 연결 요청의 수 사이의 차이를 결정한다. 예컨대, 제어 그룹의 사용자 그룹 L1_10_T0_2는 10개의 사용자당 송신되고 수신된 평균 연결 요청의 수를 가진다고 점수화 엔진(170)이 계산했다고 가정하자. 또한, 미-제시 그룹의 사용자 그룹 L1_10_T0_2는 8개의 사용자당 송신되고 수신된 평균 연결 요청의 수를 가진다고 점수화 엔진(170)이 계산했다고 가정하자. 따라서, 각각의 평균 연결의 수 사이의 차이는 2(즉, 10 - 8 = 2)이다. 미-제시 그룹의 다른 사용자 그룹 L11_T2에 대해 유사한 차이 값이 계산된다.

단계 414에서, 미-제시 그룹 내 각각의 사용자 그룹에 대하여, 점수화 엔진(170)은 사용자 그룹의 사용자에 대한 송신 점수를 계산한다. 다양한 실시예에 따르면, 송신 점수의 값은 한 달에 한번 적극적이었던 사용자 그룹의 사용자의 평균 퍼센트 변화의 결정된 차이를 그룹의 각 사용자에 대해 송신되고 수신되는 총 연결 요청의 수 사이의 결정된 차이로 나눔으로써 계산될 수 있다. 예컨대, 미-제시 그룹 및 제어 그룹의 L1_10_T0_2는 대략 2인 L1_10_T0_2 사용자 그룹의 사용자당 송신되고 수신된 평균 연결 요청의 수의 차이 및 대략 25%인 한 달에 한번 적극적이었던 사용자의 퍼센트 변화의 차이를 나타낸다고 점수화 엔진(170)이 계산했다고 가정하자. 따라서, 사용자 그룹 L1_10_T0_2에 대한 송신 점수는 12.5(즉, 25/2 = 12.5)이다. 미-제시 그룹의 다른 사용자 그룹 L11_T2에 대해 유사한 송신 점수가 계산된다.

단계 416에서, 미-제시 그룹에 대하여, 점수화 엔진(170)은 미-제시 그룹의 2개의 사용자 그룹의 송신 점수 사이의 차이가 최대가 될 때까지 소셜 네트워크와 각 사용자의 참여 레벨을 기초로 2개의 사용자 그룹을 정의하는 다른 값들을 가진 단계 404 내지 414를 반복한다. 예컨대, 미-제시 그룹의 초기 사용자 그룹은 12.5 및 15의 송신 점수를 각각 가진 L1_10_T0_2 및 L11_T2이다. 따라서, 그 송신 점수들 사이의 차이는 2.5이다. 이후, 점수화 엔진(170)은 제어 그룹과 미-제시 그룹의 사용자들을 2개의 새로운 그룹인 L1_20_T0_3 및 L21_T3으로 각각 분할하고, (사용자 연결관계 및 사용자 유지기간 분류의 모든 다른 조합에 대하여) 미-제시 그룹의 2개의 그룹의 송신 점수들 사이의 차이가 최대치에 도달할 때까지 단계 404 내지 416을 반복한다. 여기서, 사용자 그룹 L1_20_T0_3은 하나 내지 20개의 연결관계를 가지거나 3년 미만 동안 소셜 네트워킹 시스템(200)을 사용해오고 있는 모든 사용자들을 포함하는 한편, 사용자 그룹 L11_T3은 적어도 21개의 연결관계를 가지거나 적어도 3년 동안 소셜 네트워킹 시스템(200)을 사용해오고 있는 나머지 사용자를 표현한다.

점수화 엔진(170)은 단계 418 및 420에서 소셜 네트워킹 시스템(200)의 사용자 그룹에 대한 수신 점수를 결정하도록 (미-제시 사용자 그룹 대신에) 미-열람 사용자 그룹 및 제어 사용자 그룹을 가진 단계 404 내지 416을 반복한다. 마찬가지로, 일부의 경우, 점수화 엔진(170)은 PYMK 유닛에서 후보 사용자로서 사용자를 다른 사용자들에게 제시하는 것과 사용자가 PYMK 유닛에 도시되는 것 모두의 영향을 표시하는 총 점수를 결정하도록 총 파면 그룹과 제어 그룹을 가진 단계 404 내지 416을 반복한다.

도 5는 소셜 네트워킹 시스템(200)의 (예컨대, 사용자의 연결관계의 수 및 유지기간을 기초로 분류되는) 다양한 사용자 그룹에 대한 점수화 엔진(170)에 의해 도출되었던 송신 및 수신 점수의 리스트를 도시한다. 도 5에 도시된 데이터에서, 6명 이하의 연결관계(즉, 친구관계 연결("fc"))를 가진 사용자 그룹의 사용자는 44의 송신 점수를 가지는 한편, 1년 이하의 유지기간을 가지고 적어도 30명의 연결관계를 가진 사용자 그룹의 사용자는 1.7의 송신 점수를 가진다. 마찬가지로, 3명 이하의 연결관계를 가진 사용자 그룹의 사용자는 49의 수신 점수를 가지는 한편, 23명 초과 60명 이하의 연결관계를 가진 사용자 그룹의 사용자는 12의 수신 점수를 가진다. 점수화 엔진(170)은 소셜 네트워킹 시스템(200)의 다양한 사용자 그룹의 송신 및 수신 점수를 가진 값 계산 엔진(190)에 제공한다.

값 계산 엔진(190)은 다양한 사용자 그룹의 후보 사용자의 리스트, 사용자와 다양한 후보 사용자 사이의 연결 확률, 친구관계 값의 세트, 송신 점수 및 수신 점수를 수신하며, 임의의 친구관계 값, 송신 점수, 수신 점수 또는 임의의 조합의 후보 사용자의 점수를 기초로 후보 사용자의 순위를 출력한다. 값 계산 엔진(190)의 출력은 후보 순위 데이터베이스(195)에 저장되는데, 여기서 사용자에게 제공되는 후보 사용자는 (사용자와 그들의 친구관계를 참조로) 그들의 친구관계 값 점수, 그들의 송신 점수, 그들의 수신 점수 또는 점수들의 임의의 조합 중 하나에 따라 순위화된다.

일실시예에 따르면, 값 계산 엔진(190)은 도 6에 기술된 방법을 이용하여 사용자와 후보 사용자 사이의 친구관계 값을 결정한다. 단계 602에서, 값 계산 엔진(190)은 다양한 사용자 그룹의 친구관계 값을 이용함으로써 사용자에 대한 친구관계의 값을 결정한다. 값 계산 엔진(190)은 (단계 304와 유사한) 소셜 네트워킹 시스템과 사용자의 참여 레벨을 기초로 사용자 그룹을 결정하거나 사용자를 사용자 그룹과 매치한다. 여기서, 단계 304의 경우와 같이, 소셜 네트워킹 시스템(200)과의 참여 레벨은 사용자가 최근 X 일수(예컨대, 최근 30일) 내 사용자가 소셜 네트워킹 시스템(200)으로 로그인했던 횟수를 기초로 측정될 수 있다.

사용자의 참여 레벨과 유사한 참여 레벨을 가진 사용자 그룹을 기초로, 값 계산 엔진(190)은 사용자 그룹과 관련된 친구관계의 값을 결정하고 사용자에 대한 연결관계의 값으로서 사용자 그룹의 친구관계의 값을 할당한다. 예컨대, 사용자는 가령 L1_5, L6_10, L11_15, L16_20, L21_25, L26_29, L30, L1_5_FC_50_99 등과 같이 그룹들로 그룹화될 수 있는데, 여기서 L1_5는 최근 X일 내 한 번 내지 5번 소셜 네트워킹 시스템(200)에 접근했던 사용자를 식별하고, L1_5_FC_50_99는 최근 X일 내 한 번 내지 5번 소셜 네트워킹 시스템(200)에 접근했을 뿐 아니라 50명 내지 99명 연결관계(즉, 친구)를 가지는 사용자를 식별한다. 그래서, 사용자가 사용자 그룹 L1_5에 속하도록 식별되었고 그룹 L1_5가 0.05의 친구관계 점수의 값을 가진다면, 사용자는 0.05의 친구관계 점수의 값을 할당받는다.

단계 602와 유사하게, 단계 604에서, 값 계산 엔진(190)은 다양한 사용자 그룹의 친구관계 값을 이용함으로써 후보 사용자에 대한 친구관계의 값을 결정한다. 단계 606에서, 값 계산 엔진(190)은 전환 예측 엔진(150)으로부터 수신된 (사용자와 다양한 후보 사용자 사이의) 확률의 리스트로부터 후보 사용자와 사용자 사이의 친구관계의 확률을 결정한다. 일부의 실시예로, 단계 602 내지 606은 병행하여 수행되거나, 도 6에 도시된 바와 다른 순서로 수행될 수 있다.

단계 608에서, 값 계산 엔진(190)은 하기의 수식을 기초로 사용자와 후보 사용자 사이의 친구관계 값을 결정할 수 있다:

사용자 A와 사용자 B 사이의 친구관계의 값 = (A에 대한 친구관계의 값 + B에 대한 친구관계의 값) * A와 B 사이에서 발생하는 친구관계의 확률 (1)

예컨대, 사용자에 대한 친구관계 점수의 값이 0.05이고, 후보 사용자에 대한 친구관계 점수의 값이 0.02이며, 사용자와 후보 사용자 사이의 친구관계의 확률이 7.5%라면, 사용자와 후보 사용자 사이의 친구관계의 값은 0.00525(즉, (0.05 + 0.02) * 0.075 = 0.00525)이다.

단계 610에서, 값 계산 엔진(190)은 결정된 친구관계 값을 이용하여 사용자와 후보 사용자 사이의 성공적인 친구관계로 인해 발생하는 소셜 네트워킹 시스템(200)과의 사용자의 참여의 잠재적 변화를 결정한다. 일실시예로, 소셜 네트워킹 시스템(200)과 사용자의 참여는 특정된 시간프레임 내 사용자가 소셜 네트워킹 시스템으로 로그인한 횟수를 기초로 측정된다. 예컨대, 소셜 네트워킹 시스템과 사용자의 참여는 30일 시간 구간 내 적어도 한 번 사용자가 소셜 네트워킹 시스템으로 로그인한 일수를 기초로 한다. 사용자의 참여의 잠재적 변화를 결정하기 위해, 값 계산 엔진(190)은 후보 사용자가 제시되는 사용자의 현재의 참여를 결정한다. 또한, 값 계산 엔진(190)은 사용자와 후보 사용자 사이의 성공적인 연결의 추정을 기초로 사용자의 참여를 결정한다.

일 예로, 값 계산 엔진(190)은 친구관계 값을 이용하여 후보 사용자와의 성공적인 연결관계로부터 소셜 네트워킹 시스템(200)과의 사용자의 장래의 참여 값을 결정한다. 일부의 실시예로, 장래의 사용자의 참여 레벨은 친구관계 값을 기초로 결정될 수 있다. 예컨대, 소정의 친구관계 값에 상응하는 장래의 사용자의 참여 레벨은 함수 f(x)를 기초로 할 수 있는데(여기서, x는 친구관계 값이다), 여기서 이 함수는 가령 소셜 네트워킹 시스템(200)의 다른 사용자들과의 연결 전과 후에 다양한 사용자 그룹으로부터의 사용자의 참여 레벨과 같이 행위 로그(115)로부터의 사용자 데이터를 기초로 결정된다.

예컨대, f(x)는 소정의 친구관계 값을 소셜 네트워킹 시스템(200)과의 해당 사용자 참여 레벨과 맵핑하는 간단한 선형 함수일 수 있다. 값 계산 엔진(190)은 사용자와 후보 사용자 사이의 성공적인 친구관계로 인해 발생하는 소셜 네트워킹 시스템(200)과의 사용자의 참여의 변화를 사용자의 현재 참여 값과 장래 참여 값 사이의 차이로서 결정한다. 예컨대, 사용자의 현재 참여 값은 (30일 내) 5일-로그인일 수 있는 한편, (사용자와 후보 사용자 사이의) 10의 친구관계 값은 (30일 내) 8일-로그인의 장래 참여 값에 해당한다. 따라서, 후보 사용자와의 성공적인 연결로부터의 사용자의 참여의 잠재적 변화는 3일-로그인(즉, 8 - 5 = 3일-로그인)이다.

단계 612에서, 값 계산 엔진(190)은 사용자의 참여 레벨의 잠재적 변화를 이용하여 후보 사용자와 관련된 연락 정보를 사용자에게 제공하는 관련성을 결정한다. 일 예로, 값 계산 엔진(190)은 특정 임계값보다 더 큰 참여의 잠재적 변화를 적어도 부분적으로 기초로 하여 후보 사용자와 관련된 연락 정보를 사용자에게 제공하는 관련성을 결정한다. 예컨대, 임계값은 2일-로그인으로 설정될 수 있다. 그래서, 사용자가 성공적인 연결로부터의 3일-로그인의 참여의 잠재적 변화를 경험하는 후보 사용자가 후보 사용자로서 사용자에게 제공된다. 일 예로, 값 계산 엔진(190)은 참여 값의 각각의 후보 사용자의 변화를 기초로 사용자에게 제공되는 한 명 이상의 후보 사용자에 대한 순위를 출력한다. 또 다른 예로, 값 계산 엔진(190)은 각 후보 사용자의 친구관계 값을 기초로 사용자에게 제공되는 한 명 이상의 후보 사용자에 대한 순위를 출력한다.

단계 614에서, 소셜 네트워킹 정보(예컨대, 프로필 사진, 이메일 주소, 온라인 프로필로의 링크 등)를 사용자에게 제시하는지 여부 또는 사용자에게 광고 유닛을 제시하는지 여부에 대한 결정이 이루어질 수 있다. 이 결정은 값 계산 엔진(190)에 의해 결정되는 바대로 예컨대 관련성, 친구관계 점수, 송신 점수, 수신 점수 또는 점수들의 임의의 조합을 기초로 할 수 있다. 일부의 예로, 광고 유닛은 할당된 값을 가질 수 있고, 관련성 또는 참여의 잠재적 변화가 할당된 값을 초과하는 경우에만 할당된 값은 광고 유닛 대신에 사용자에게 제시되는 후보 사용자와 관련된 소셜 네트워킹 정보이다.

일실시예로, 값 계산 엔진(190)은 점수화 엔진(170)으로부터 수신된 다양한 사용자 그룹의 송신 및 수신 점수를 기초로 각각의 제공된 후보 사용자의 송신 및 수신 점수를 결정한다. 도 5는 소셜 네트워킹 시스템(200)의 (사용자의 연결관계의 수 및 유지기간을 기초로 분류되는) 다양한 사용자 그룹에 대한 점수화 엔진(170)에 의해 도출되었던 송신 및 수신 점수의 리스트를 도시한다. 일 예로, 값 계산 엔진(190)은 소셜 네트워킹 시스템(200)에서 연결관계의 수 및 유지기간을 기초로 각각의 제공된 후보 사용자의 송신 및 수신 점수를 결정한다. 물론, 가령 취미, 관심사, 학력 등과 같이 다른 사용자 관련 파라미터는 사용자 그룹 하의 사용자들을 분류하고 관련된 송신 및 수신 사용자 그룹 점수를 사용하여 송신 및 수신 점수를 식별하는데 사용될 수 있다.

예컨대, 도 5에서, 6명 이하의 연결관계(즉, 친구관계 연결("fc"))를 가진 사용자 그룹의 사용자는 44의 송신 점수를 가지는 한편, 1년 이하의 유지기간을 가지고 적어도 30명의 연결관계를 가진 사용자 그룹의 사용자는 1.7의 송신 점수를 가진다. 마찬가지로, 3명 이하의 연결관계를 가진 사용자 그룹의 사용자는 49의 수신 점수를 가지는 한편, 23명 초과 60명 이하의 연결관계를 가진 사용자 그룹의 사용자는 12의 수신 점수를 가진다. 값 계산 엔진(190)은 다양한 사용자 그룹의 송신 및 수신 점수를 기초로 각각의 제공된 후보 사용자의 송신 및 수신 점수를 결정한다.

여기서, 후보 사용자의 수신 점수는 사용자로부터 연결 요청을 수신할 때 후보 사용자에 대한 값을 반영하는데, 높은 수신 점수를 가진 후보 사용자 사이에서 형성되는 연결관계는 잠재적으로 사용자 및 후보 사용자의 소셜 네트워킹 시스템의 계속되는 적극적 이용 모두를 증가시킨다. 마찬가지로, 사용자의 송신 점수는 연결 요청을 후보 사용자에게 송신할 때 사용자에 대한 값을 반영하는데, 높은 송신 점수를 가진 사용자에 의해 형성되는 연결관계는 잠재적으로 사용자 및 후보 사용자의 소셜 네트워킹 시스템의 계속되는 적극적 이용 모두를 증가시킨다.

일실시예로, 값 계산 엔진(190)은 각각의 후보 사용자의 수신 점수를 기초로 사용자에게 제공될 수 있는 한 명 이상의 후보 사용자에 대한 순위를 생성한다. 각 후보 사용자와 관련된 수신 점수는 사용자로부터 연결 요청을 수신하는 (각 후보 사용자에 대한) 상대적인 중요성을 나타낸다. 예컨대, 도 5에서, 45의 수신 점수를 가진 후보 사용자는 3(즉, 45/3 = 15)의 수신 점수를 가진 후보 사용자보다 (연결 요청으로부터 기인하는) 잠재적 연결관계로부터 이득을 얻을 가능성이 15배 더 많다. 값 계산 엔진(190)은 수신 점수를 기초로 각 후보 사용자의 상대적인 순위에 따라 사용자에게 제공되도록 한 명 이상의 후보 사용자에 대한 순위를 출력한다.

또 다른 예로, 값 계산 엔진(190)은 각 후보 사용자의 절대적인 수신 점수를 기초로 순위를 출력한다. 마찬가지로, 또 다른 예로, 값 계산 엔진(190)은 송신 점수를 기초로 각 후보 사용자의 상대적인 순위에 따라 사용자에게 제공되도록 한 명 이상의 후보 사용자에 대한 순위를 출력한다. 또 다른 예로, 값 계산 엔진(190)은 각 후보 사용자의 절대적인 송신 점수를 기초로 순위를 출력하는데, 여기서 송신 점수는 연결 요청을 송신(그리고 이런 연결 요청 중 하나로부터 연결을 잠재적으로 형성)하는 후보 사용자의 중요성을 캡처한다.

요약

본 발명의 실시예들의 상술한 설명은 예시의 목적으로 제시된 것으로, 배타적이거나 개시된 정확한 형태들로 본 발명을 제한하고자 하는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 명세서로부터 다양한 수정 및 변형이 가능함을 인식할 수 있을 것이다.

본 명세서의 몇몇 부분들은 알고리즘 또는 정보에 대한 동작의 기호적 표현으로 본 발명의 실시예들을 설명한다. 이러한 알고리즘적 설명이나 표현은 본 기술분야에서 통상의 지식을 가진 자들에게 효과적으로 그들의 작업의 실체를 전달하기 위하여 데이터 프로세싱 기술분야에서 통상의 지식을 가진 자에 의하여 공통적으로 사용되는 것이다. 기능적으로, 계산적으로 또는 논리적으로 설명되고 있는 이들 동작은 컴퓨터 프로그램 또는 등가의 전기 회로, 마이크로 코드 등에 의해 구현되는 것으로 이해된다. 또한, 종종 이러한 동작의 배열은 일반성의 손실 없이 모듈로 언급될 수 있는 것으로 확인된다. 기술된 동작 및 그와 관련된 모듈들은 소프트웨어, 펌웨어, 하드웨어 또는 이들의 임의의 결합으로 구현될 수 있을 것이다.

본 명세서에 기술된 임의의 단계들, 동작들 또는 프로세스들은 하나 이상의 하드웨어 또는 소프트웨어 모듈들에 의해 또는 이들과 다른 장치들의 결합에 의해 수행되거나 구현될 수 있다. 일실시예에서, 소프트웨어 모듈은 기술된 단계들, 동작들 또는 프로세스들 일부 또는 전부를 수행하기 위하여 컴퓨터 프로세서에 의해 실행될 수 있는 컴퓨터 프로그램 코드를 포함하는 컴퓨터 판독가능한 매체를 포함하는 컴퓨터 프로그램 제품으로 구현된다.

본 발명에 기술된 실시예들은 또한 본 명세서의 동작들을 수행하기 위한 장치와 관련될 수 있다. 이 장치는 요청된 목적을 위하여 구체적으로 구성될 수 있고/있거나 컴퓨터에 저장된 컴퓨터 프로그램에 의해 선택적으로 활성화되거나 재구성되는 범용 컴퓨팅 장치를 포함할 수 있다. 이런 컴퓨터 프로그램은 비-일시적 유형의 컴퓨터 판독가능한 저장 매체 또는 전자 명령어를 저장하기에 적절한 임의의 타입의 매체에 저장될 수 있고 컴퓨터 시스템 버스에 결합될 수 있다. 게다가, 본 명세서에서 언급된 임의의 컴퓨팅 시스템들은 단일 프로세서를 포함할 수 있거나, 증가한 컴퓨팅 능력을 위해 다중 프로세서 설계를 채용한 구조일 수 있다.

또한, 본 발명의 실시예들은 반송파에 포함된 컴퓨터 데이터 신호에 관한 것일 수 있으며, 여기서 컴퓨터 데이터 신호는 본 명세서에 기술된 컴퓨터 프로그램 제품 또는 다른 데이터 조합의 임의의 실시예를 포함한다. 컴퓨터 데이터 신호는 유형의 매체 또는 반송파에서 제시되고 변조되거나 그렇지 않으면 반송파에서 암호화되며, 유형이고, 임의의 적합한 전송방법에 따라 전송되는 제품이다.

마지막으로, 본 명세서에 사용된 언어는 가독성과 지시의 목적으로 이론적으로 선택된 것으로 발명의 사상을 제한하거나 한정하기 위하여 선택된 것이 아니다. 따라서 본 발명의 범위는 이 상세한 설명에 의해 제한되지 않으며, 이에 근거하여 본 출원을 통하여 등록될 임의의 특허청구범위에 의해 제한된다. 따라서, 본 발명의 실시예들의 개시는 설명을 위한 것이며, 본 발명의 범위를 제한하고자 하는 것이 아니다. 본 발명의 범위는 이하의 청구범위에 개시된다.

도 7은 소셜 네트워킹 시스템(예컨대, 도 2에서 200), 웹 서버(예컨대, 도 2에서 230) 등을 구현하는데 이용될 수 있는 컴퓨터 시스템(700)에 대한 구조의 예를 도시하는 상위계층 블록 다이어그램이다. 도 7에서, 컴퓨터 시스템(700)은 하나 이상의 프로세서(705) 및 인터커넥트(725)를 통해 연결되는 메모리(710)를 포함한다. 인터커넥트(725)는 임의의 하나 이상의 별도의 물리적 버스, 포인트 대 포인트 연결 또는 적절한 브릿지, 어댑터 또는 컨트롤러로 연결되는 이들 모두를 표현하는 추상적 개념이다. 따라서, 인터커넥트(725)는 예컨대 시스템 버스, PCI(Peripheral Component Interconnect) 버스, 하이퍼트랜스포트(HyperTransport) 또는 ISA(industry standard architecture) 버스, SCSI(small computer system interface) 버스, USB(universal serial bus), IIC(I2C) 버스 또는 때때로 "Firewire"라고 하는 IEEE(Institute of Electrical and Electronics Engineers) 표준 674 버스를 포함할 수 있다.

프로세서(들)(705)는 예컨대 호스트 컴퓨터의 전체적인 동작을 제어하는 중앙 처리 유닛(CPUs)을 포함할 수 있다. 특정 실시예로, 프로세서(들)(705)는 메모리(710)에 저장된 소프트웨어 또는 펌웨어를 실행하여 이를 달성한다. 프로세서(들)(705)는 하나 이상의 프로그램가능한 범용 또는 특수용 마이크로프로세서, 디지털 신호 프로세서(DSPs), 프로그램가능한 컨트롤러, 주문형 집적회로(application specific integrated circuits, ASICs), 프로그램가능한 논리 장치(PLDs) 등 또는 이런 장치의 조합이거나 이를 포함할 수 있다.

메모리(710)는 컴퓨터 시스템의 메인 메모리이거나 포함한다. 메모리(710)는 (앞서 논의된 대로) 임의의 형태의 랜덤 액세스 메모리(RAM), 읽기-전용 메모리(ROM), 플래시 메모리 등 또는 이런 장치의 조합을 나타낸다. 사용시, 메모리(710)는 프로세서(705)에 의해 실행될 때 프로세서(705)가 본 발명의 실시예를 구현하도록 동작을 수행하게 하는 기계 명령어 세트 등 기타 여러 가지를 포함할 수 있다.

또한, 네트워크 어댑터(715)는 인터커넥트(725)를 통해 프로세서(들)(705)와 연결된다. 네트워크 어댑터(715)는 가령 저장소 클라이언트 및/또는 다른 저장소 서버와 같은 원격 장치와 통신하는 능력을 컴퓨터 시스템(700)에 제공하며, 이 어댑터는 예컨대 이더넷 어댑터 또는 광섬유 채널 어댑터일 수 있다.

문맥상 발명의 상세한 설명과 청구항들 도처에서 명백히 다른 의미를 필요로 하는 것이 아니면, "포함하다(comprise)", "포함하는(comprising)" 등의 단어는 배타적이거나 철저한 의미로서가 아니라 포괄적인 의미(즉, "포함하나, 이에 국한되지 않는"의 의미)로 해석될 수 있다. 본 명세서에 사용되는 바와 같이, "연결되는(connected)", "결합되는(coupled)"이란 용어들이나 이들의 임의의 변형은 2 이상의 구성요소 사이의 직접적이거나 간접적인 임의의 연결이나 결합을 의미한다. 구성요소들 사이의 이런 결합이나 연결은 물리적이거나, 논리적이거나, 이들의 조합일 수 있다. 추가로, "본 명세서에서(herein)", "상기(above)", "하기(below)"란 단어들 및 유사한 의미의 단어들은, 본 출원에서 사용될 때, 전체로서의 본 출원을 나타내며 본 출원의 임의의 특정한 부분을 나타내는 것은 아니다. 문맥상 허용되는 경우, 단수 또는 복수를 사용하는 상기 상세한 설명의 단어들은 또한 각각 복수 또는 단수를 포함할 수 있다. 2 이상의 아이템의 리스트와 관련하여 "또는"이란 단어는 그 단어의 다음의 해석 모두를 포함한다: 리스트 내 아이템의 일부, 리스트 내 모든 아이템 및 리스트 내 아이템의 임의의 조합.

본 발명의 예들의 상기 상세한 설명은 배타적이거나 상기 개시된 정확한 형태들로 본 발명을 제한하고자 하는 것이 아니다. 본 발명에 대한 특정한 예들은 예시의 목적으로 앞서 기술되지만, 당업자가 인식할 수 있는 대로 다양한 동등한 변경이 본 발명의 범위 내에서 가능하다. 프로세서 또는 블록은 본 출원에서 소정의 순서로 제시되지만, 대안적인 구현이 다른 순서로 수행되는 단계들을 가진 루틴을 수행할 수 있거나 다른 순서로 블록을 가진 시스템을 이용할 수 있다. 일부의 프로세서 또는 블록은 대체물이나 서브-조합을 제공하도록 삭제, 이동, 추가, 세분, 결합 및/또는 변경될 수 있다. 또한, 프로세서 또는 블록은 때때로 순차적으로 수행되는 것으로 도시되지만, 그 대신 이런 프로세서 또는 블록은 동시에 수행되거나 구현될 수 있거나, 다른 시기에 수행될 수 있다. 게다가, 본 명세서에 언급된 임의의 특정한 숫자는 단지 예들이다. 대안적인 구현은 상이한 값이나 범위를 이용할 수 있음이 이해된다.

또한, 본 명세서에 제공되는 다양한 예시 및 제시는 상술한 시스템 이외에 시스템들에 적용될 수 있다. 상술한 다양한 예들의 구성요소 및 작용은 본 발명의 추가적인 구현을 제공하도록 결합될 수 있다.

첨부된 출원 문서에 리스트될 수 있는 임의의 것을 포함하는 상술한 임의의 특허와 출원 및 다른 참고문헌들이 본 명세서에 참조로 통합된다. 본 발명의 태양들은 필요하다면 본 발명의 추가적인 구현을 제공하기 위해 이런 참고문헌들에 포함되는 시스템, 기능 및 사상을 이용하도록 변경될 수 있다.

이런 변경 및 다른 변경이 상기 상세한 설명을 고려하여 본 발명에서 이루어질 수 있다. 상기 상세한 설명은 본 발명의 특정한 예들을 기술하고 고려되는 최상의 모드를 기술하지만, 아무리 상세히 텍스트로 나타내더라도, 본 발명은 많은 방식으로 실시될 수 있다. 본 시스템의 상세사항은 특정한 구현에서 상당히 변경될 수 있지만, 본 명세서에 개시되는 본 발명에 의해 여전히 포함될 수 있다. 앞서 언급된 대로, 본 발명의 특정 기능이나 태양을 설명할 때 사용되는 특정한 전문용어는 이런 전문용어가 관련되는 본 발명의 임의의 특정한 특성, 기능 또는 태양으로 제한되도록 그 전문용어가 본 명세서에서 재정의되고 있다고 의미하는 것으로 간주되지 않아야 한다. 통상, 하기의 청구항들에서 사용되는 용어들은, 상기 상세한 설명 부분이 그 용어들을 명시적으로 정의하지 않으면, 상세한 설명에 개시되는 특정한 예들로 본 발명을 제한하도록 해석되지 않아야 한다. 따라서, 본 발명의 실제 범위는 개시된 예들뿐 아니라 청구항들 하에서 본 발명을 실시하거나 구현하는 모든 동등한 방식을 포함한다.

Claims

소셜 네트워킹 시스템의 사용자와 상기 소셜 네트워킹 시스템의 후보 사용자에 관한 이력 데이터와, 이전의 제안이 이루어졌던 사용자들의 데이터, 상기 제안들의 대상이었던 사용자들에 관한 데이터 및 상기 사용자들이 상기 제안들에 영향을 주었는지 여부에 대한 훈련 세트를 기계 학습 시스템으로 수신하는 단계;
사용자가 상기 기계 학습 시스템에 의해 만들어진 제안에 영향을 줄 확률의 상기 기계 학습 시스템에 의해 만들어진 추정치를 개선시키기 위해 데이터의 상기 훈련 세트를 사용하여 상기 기계 학습 시스템을 훈련시키는 단계;
상기 소셜 네트워킹 시스템에서 사용자와 후보 사용자 사이의 친구관계 값을 결정하는 단계;
상기 훈련된 기계 학습 시스템에 의해, 사용자와 후보 사용자 사이의 성공적인 친구관계를 기초로 발생하는 소셜 네트워킹 시스템과의 사용자의 참여의 잠재적 변화를 결정하는 단계; 및
상기 소셜 네트워킹 시스템과의 상기 결정된 상기 사용자의 참여의 잠재적 변화에 적어도 부분적으로 기초하여 상기 후보 사용자와 관련된 소셜 네트워크 정보를 상기 사용자에게 제공하는 단계를 포함하며,
친구관계 값은: 사용자에 대한 친구관계 값, 후보 사용자에 대한 친구관계 값 또는 사용자와 후보 사용자 사이에서 발생하는 친구관계의 확률 중 하나 이상의 함수로서 계산되며,
참여의 변화는 계산된 친구관계 값을 적어도 부분적으로 기초로 하여 결정되고,
사용자에 대한 친구관계 값은 사용자가 속하는 사용자의 그룹의 그룹 값을 적어도 부분적으로 기초로 하며,
사용자가 속한 사용자 그룹은: 특정된 시간프레임 내 사용자가 소셜 네트워킹 시스템으로 로그인하는 횟수; 사용자가 소셜 네트워킹 시스템으로 로그인하는 하루 중 지속시간; 또는 사용자가 소셜 네트워킹 시스템으로 로그인하기 위해 주로 사용하는 컴퓨팅 장치의 타입 중 하나 이상을 기초로 결정되고,
사용자 그룹의 그룹 값은: 사용자 그룹 중 한 명 이상의 사용자의 참여의 평균 변화 및 사용자 그룹 중 한 명 이상의 사용자와 관련된 친구 수의 변화 중 하나 이상의 함수로서 결정되며,
참여의 평균 변화는 한 명 이상의 제2 후보 사용자에 관한 정보를 한 명 이상의 사용자에게 제공하는 것을 기초로 하고,
친구 수의 변화는 한 명 이상의 제2 후보 사용자에 관한 정보를 한 명 이상의 사용자에게 제공하는 것을 기초로 하며,
사용자와 후보 사용자 사이에서 발생하는 친구관계의 확률은: 상기 훈련된 기계 학습 시스템에 의해, 후보 사용자에 해당하는 제2 사용자 그룹 중 한 명 이상의 사용자에게 사용자 그룹 중 한 명 이상의 사용자가 송신한 친구 요청의 수를 결정하는 것, 및
제2 사용자 그룹 중 한 명 이상의 사용자가 수락한 친구 요청의 수를 결정하는 것을 기초로 결정되고,
소셜 네트워킹 시스템과 사용자의 참여는 소셜 네트워킹 시스템 내 컨텐츠에 접근하는 사용자가 소비한 시간으로 측정되는 컴퓨터-구현 방법.
제 1 항에 있어서,
계산된 참여의 잠재적 변화를 적어도 부분적으로 기초로 하여 후보 사용자와 관련된 소셜 네트워크 정보를 사용자에게 제공하는 관련성을 결정하는 단계를 더 포함하는 컴퓨터-구현 방법.
제 2 항에 있어서,
관련성을 기초로, 후보 사용자와 관련된 소셜 네트워크 정보를 사용자에게 제시할지 여부를 결정하는 단계를 더 포함하는 컴퓨터-구현 방법.
제 2 항 또는 제 3 항에 있어서,
관련성을 기초로, 후보 사용자와 관련된 소셜 네트워크 정보 대신에 광고 유닛을 사용자에게 제시할지 여부를 결정하는 단계를 더 포함하며,
바람직하기로, 후보 사용자와 관련된 소셜 네트워크 정보 대신에 광고 유닛을 사용자에게 제시할지 여부를 결정하는 단계는 광고 값보다 더 큰 참여의 잠재적 변화를 적어도 부분적으로 기초로 하는 컴퓨터-구현 방법.
제 2 항 또는 제 3 항에 있어서,
후보 사용자와 관련된 소셜 네트워크 정보는:
후보 사용자의 사진;
후보 사용자의 이메일 주소; 또는
후보 사용자로의 소셜 네트워크 링크 중 하나 이상을 포함하는 컴퓨터-구현 방법.
제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
후보 사용자는 사용자에 대한 각각의 한 명 이상의 후보 사용자의 연결의 잠재적 강도를 기초로 선택되는 한 명 이상의 후보 사용자를 한 명 이상의 후보 사용자의 타겟 리스트로부터 선택되며,
잠재적 강도는 사용자와 특정 후보 사용자 사이의 하나 이상의 공통성의 함수로 계산되는 컴퓨터-구현 방법.
제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
사용자가 속한 사용자 그룹; 및 사용자 그룹과 관련된 그룹-송신-점수를 기초로 사용자에 대한 송신 점수를 결정하는 단계; 및
사용자에 대한 송신 점수를 적어도 부분적으로 기초로 하여, 제1 후보 사용자에 관한 정보를 사용자에게 제공하는 관련성을 결정하는 단계를 포함하며,
사용자의 사용자 그룹의 결정은 사용자의 친구의 수 및 사용자가 소셜 네트워킹 시스템을 이용했던 연수를 적어도 부분적으로 기초로 하며,
그룹-송신-점수는 소정의 시간 구간 내 적어도 특정된 횟수로 소셜 네트워킹 시스템을 이용하는 사용자 그룹 중 사용자의 수의 변화의 함수인 컴퓨터-구현 방법.
제 7 항에 있어서,
상기 관련성을 기초로, 사용자에 대한 광고 유닛 또는 제1 후보 사용자와 관련된 소셜 네트워크 정보를 제시할지 여부를 결정하는 단계를 더 포함하는 컴퓨터-구현 방법.
제 7 항에 있어서,
사용자의 수의 변화는: 제1 시간 구간 동안 한 명 이상의 제2 후보 사용자에 관한 정보를 사용자 그룹의 한 명 이상의 사용자에게 제공하는 것; 및
제1 시간 구간 동안 하나 이상의 다른 사용자 그룹의 사용자에게 후보 사용자로서 사용자의 그룹 중 한 명 이상의 사용자를 제공하지 않는 것을 기초로 결정되고/결정되거나,
사용자 그룹의 그룹-송신-점수는 사용자 그룹 중 한 명 이상의 사용자가 송신하고 수신한 평균 친구관계 요청의 수의 함수로서 더 결정되며,
송신하고 수신한 평균 친구관계 요청의 수는:
제1 시간 구간 동안 한 명 이상의 제2 후보 사용자에 관한 정보를 사용자 그룹의 한 명 이상의 사용자에게 제공하는 것; 및
제1 시간 구간 동안 하나 이상의 다른 사용자 그룹의 사용자에게 후보 사용자로서 사용자 그룹 중 한 명 이상의 사용자를 제공하지 않는 것을 기초로 하는 컴퓨터-구현 방법.
제 7 항에 있어서,
제1 후보 사용자에 관한 정보는:
제1 후보 사용자의 사진;
제1 후보 사용자의 이메일 주소; 또는
제1 후보 사용자로의 소셜 네트워크 링크 중 하나 이상을 포함하고/포함하거나,
제1 후보 사용자는 한 명 이상의 후보 사용자의 타겟 리스트로부터 선택되며, 한 명 이상의 후보 사용자는 사용자에 대한 각각의 한 명 이상의 후보 사용자의 연결의 잠재적 강도를 기초로 선택되고, 잠재적 강도는 사용자와 특정 후보 사용자 사이의 하나 이상의 공통성의 함수로서 계산되는 컴퓨터-구현 방법.
제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
제1 사용자에 대한 수신 점수를 결정하는 단계; 및
제1 사용자에 대한 수신 점수를 적어도 부분적으로 기초로 하여 소셜 네트워크의 제2 사용자에게 후보 사용자로서 제1 사용자를 제공하는 관련성을 결정하는 단계를 포함하며,
수신 점수는 제1 사용자가 속한 사용자 그룹; 사용자 그룹과 관련된 그룹 수신 점수를 기초로 하며,
제1 사용자의 사용자 그룹의 결정은 제1 사용자의 친구의 수 및 제1 사용자가 소셜 네트워크를 이용했던 연수를 적어도 부분적으로 기초로 하고,
그룹 수신 점수는 소정의 시간 구간 내 특정된 횟수로 소셜 네트워크를 이용하는 사용자 그룹 중 사용자의 수의 변화의 함수로서 결정되는 컴퓨터-구현 방법.
제 11 항에 있어서,
상기 관련성을 기초로, 제1 사용자 또는 제2 사용자에 대한 광고 유닛을 제시할지를 결정하는 단계를 더 포함하며,
바람직하기로, 제1 사용자 또는 제2 사용자에 대한 광고 유닛을 제시할지를 결정하는 것은 소정의 임계 값보다 더 큰 사용자에 대한 수신 점수를 적어도 부분적으로 기초로 하는 컴퓨터-구현 방법.
제 11 항에 있어서,
사용자 그룹의 그룹 수신 점수는:
제1 시간 구간 동안 하나 이상의 다른 사용자 그룹의 사용자에게 후보 사용자로서 사용자 그룹의 한 명 이상의 사용자를 제공하는 것; 및
제1 시간 구간 동안 한 명 이상의 후보 사용자에 관한 컨텐츠를 사용자 그룹 중 한 명 이상의 사용자를 제공하지 않는 것을 기초로 사용자의 수의 변화의 함수이고/이거나,
사용자 그룹의 그룹-수신-점수는 사용자 그룹 중 한 명 이상의 사용자가 송신하고 수신한 평균 친구관계 요청의 수의 함수로서 더 결정되며,
송신하고 수신한 평균 친구관계 요청의 수는:
제1 시간 구간 동안 한 명 이상의 제2 후보 사용자에 관한 컨텐츠를 사용자 그룹의 한 명 이상의 사용자에게 제공하는 것; 및
제1 시간 구간 동안 하나 이상의 다른 사용자 그룹의 한 명 이상의 사용자에게 후보 사용자로서 특정 사용자 그룹 중 한 명 이상의 사용자를 제공하지 않는 것을 기초로 하는 컴퓨터-구현 방법.
프로세서;
프로세서에 의해 실행될 때 시스템이 제 1 항 내지 제 3 항 중 어느 한 항에 따른 방법을 수행하게 하는 명령어 세트를 저장하도록 구성된 메모리를 포함하는 시스템.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제