RU2629638C2 - Способ и сервер создания рекомендуемого набора элементов для пользователя - Google Patents

Способ и сервер создания рекомендуемого набора элементов для пользователя Download PDF

Info

Publication number
RU2629638C2
RU2629638C2 RU2015141108A RU2015141108A RU2629638C2 RU 2629638 C2 RU2629638 C2 RU 2629638C2 RU 2015141108 A RU2015141108 A RU 2015141108A RU 2015141108 A RU2015141108 A RU 2015141108A RU 2629638 C2 RU2629638 C2 RU 2629638C2
Authority
RU
Russia
Prior art keywords
elements
subset
recommended
user
server
Prior art date
Application number
RU2015141108A
Other languages
English (en)
Other versions
RU2015141108A (ru
Inventor
Михаил Александрович Ройзнер
Виктор Григорьевич Ламбурт
Original Assignee
Общество С Ограниченной Ответственностью "Яндекс"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Общество С Ограниченной Ответственностью "Яндекс" filed Critical Общество С Ограниченной Ответственностью "Яндекс"
Priority to RU2015141108A priority Critical patent/RU2629638C2/ru
Priority to US15/262,318 priority patent/US10452731B2/en
Priority to EP16190999.9A priority patent/EP3147804A1/en
Publication of RU2015141108A publication Critical patent/RU2015141108A/ru
Application granted granted Critical
Publication of RU2629638C2 publication Critical patent/RU2629638C2/ru

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43Querying
    • G06F16/435Filtering based on additional data, e.g. user or group profiles
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0251Targeted advertisements
    • G06Q30/0255Targeted advertisements based on user history
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/50Network services
    • H04L67/535Tracking the activity of the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Transfer Between Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

Изобретение относится к области поисковых систем в общем смысле, в частности к способу и устройству для создания рекомендуемого списка содержимого. Техническим результатом является уменьшение времени для предоставления релевантных рекомендаций содержимого для конкретного пользователя. В способе создания рекомендованного подмножества элементов идентифицируют первое подмножество элементов в наборе потенциально рекомендуемых элементов на основе свойств элементов в наборе потенциально рекомендуемых элементов. Получают запрос на рекомендованное подмножество элементов и идентифицируют второе подмножество элементов в наборе потенциально рекомендуемых элементов на основе пользовательских событий. Причем каждый элемент во втором подмножестве элементов отличается от любого элемента в первом подмножестве элементов. Создают рекомендованное подмножество элементов, содержащее элементы из первого подмножества элементов и элементы из второго подмножества элементов. Отображают рекомендованное подмножество элементов в рекомендательном интерфейсе электронного устройства пользователя. 2 н. и 18 з.п. ф-лы, 7 ил.

Description

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ
[01] Настоящая технология относится к области поисковых систем в общем смысле, и в частности - к способу и устройству для создания рекомендуемого списка содержимого.
УРОВЕНЬ ТЕХНИКИ
[02] Различные глобальные или локальные сети связи (Интернет, Всемирная Паутина, локальные сети и подобные им) предлагают пользователю большой объем информации. Информация включает в себя контекстуальные разделы, такие как, среди прочего, новости и текущие события, карты, информация о компаниях, финансовая информация и ресурсы, информация о трафике, игры и информация развлекательного характера. Пользователи используют множество клиентских устройств (настольный компьютер, портативный компьютер, ноутбук, смартфон, планшеты и подобные им) для получения доступа к богатому информационному контенту (например, изображениям, аудио- и видеофайлам, анимированным изображениям и прочему мультимедийному контенту подобных сетей).
[03] Объем доступной информации на различных интернет-ресурсах экспоненциально вырос за последние несколько лет. Были разработаны различные решения, которые позволяют обычному пользователю находить информацию, которую он(а) ищет. Примером такого решения является поисковая система. Примеры поисковых систем включают в себя такие поисковые системы как GOOGLE™, YANDEX™, YAHOO!™ и другие. Пользователь может получить доступ к интерфейсу поисковой системы и подтвердить поисковый запрос, связанный с информацией, которую пользователь хочет найти в Интернете. В ответ на поисковый запрос, поисковые системы предоставляют ранжированный список результатов поиска. Ранжированный список результатов поиска создается на основе различных алгоритмов ранжирования, которые реализованы в конкретной поисковой системе, и которые используются пользователем, производящим поиск. Общей целью таких алгоритмов ранжирования является представление наиболее релевантных результатов вверху ранжированного списка, а менее релевантных результатов - на менее высоких позициях ранжированного списка результатов поиска (а наименее релевантные результаты поиска будут расположены внизу ранжированного списка результатов поиска).
[04] Поисковые системы обычно являются хорошим поисковым инструментом в том случае, когда пользователю заранее известно, что именно он(а) хочет найти. Другими словами, если пользователь заинтересован в получении информации о наиболее популярных местах в Италии (т.е. поисковая тема известна), пользователь может ввести поисковый запрос: «Наиболее популярные места в Италии». Поисковая система предоставит ранжированный список интернет-ресурсов, которые потенциально являются релевантными по отношению к поисковому запросу. Пользователь далее может просматривать ранжированный список результатов поиска для того, чтобы получить информацию, в которой он заинтересован, в данном случае - о посещаемых местах в Италии. Если пользователь по какой-либо причине не удовлетворен представленными результатами, пользователь может произвести вторичный поиск, уточнив запрос, например «наиболее популярные места в Италии летом», «наиболее популярные места на юге Италии», «Наиболее популярные места в Италии для романтичного отдыха».
[05] Существует и другой подход, в котором пользователю предоставляется возможность обнаруживать содержимое и, конкретнее, позволяется отображать и/или рекомендовать содержимое, в поиске которого пользователь не был явно заинтересован. В некоторым смысле, подобные системы рекомендуют пользователю содержимое без отдельного поискового запроса, на основе явных или неявных интересов пользователя.
[06] Примерами таких систем являются система рекомендаций FLIPBOARD, которая агрегирует и рекомендует содержимое из различных социальных сетей. Система рекомендаций FLIPBOARD предоставляет содержимое в «журнальном формате», где пользователь может «пролистывать» страницы с рекомендуемым/агрегированным содержимым. Системы рекомендаций собирают содержимое из социальных медиа и других веб-сайтах, представляет его в журнальном формате, и позволяют пользователям «пролистывать» ленты социальных новостей и ленты веб-сайтов, которые поддерживают партнерские отношения с компанией, что позволяет эффективно «рекомендовать» содержимое пользователю, даже если пользователь явно не выражал свой интерес в конкретном содержимом.
[07] Для создания ранжированных результатов поиска в поисковой системе или списка рекомендуемых ресурсов в обычной системе рекомендаций, соответствующие системы используют алгоритмы машинного обучения для выбора результатов поиска и/или рекомендуемого содержимого. Существуют различные алгоритмы машинного обучения, известные в данной области техники, и использующиеся в поисковых системах и системах рекомендаций. Как известно, обычные алгоритмы машинного обучения сначала «обучаются» с помощью обучающей выборки (которая является помеченной или не помеченной) для создания формулы алгоритма машинного обучения, которая далее применяется для определения во время работы выходных данных на основе входных данных системы.
РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
[08] Разработчики настоящей технологии обратили внимание на некоторые технические недостатки, связанные с существующими системами рекомендаций. Обычные системы рекомендаций как правило требуют большого количества времени для предоставления релевантных рекомендаций содержимого. Другие системы рекомендаций могут предоставлять рекомендации содержимого за приемлемый период времени, но рекомендации содержимого могут быть недостаточно релевантными для конкретного пользователя. Задачей предлагаемой технологии является устранение по меньшей мере некоторых недостатков, присущих известному уровню техники.
[09] Одним объектом настоящей технологии является способ создания рекомендованного подмножества элементов для пользователя электронного устройства, способ выполняется на сервере. Способ включает в себя: идентификацию сервером первого подмножества элементов в наборе потенциально рекомендуемых элементов на основе свойств элементов в наборе потенциально рекомендуемых элементов; получение сервером запроса на рекомендованное подмножество элементов; идентификацию сервером второго подмножества элементов в наборе потенциально рекомендуемых элементов на основе пользовательских событий, связанных с пользователем, причем каждый элемент во втором подмножестве элементов отличается от любого элемента в первом подмножестве элементов; и создание сервером рекомендованного подмножества элементов, причем рекомендованное подмножество элементов содержит по меньшей мере некоторые элементы из первого подмножества элементов и по меньшей мере некоторые элементы из второго подмножества элементов.
[10] В некоторых вариантах осуществления технологии, способ дополнительно включает в себя ранжирование сервером элементов в рекомендованном подмножестве элементов.
[11] В некоторых вариантах осуществления технологии, способ дополнительно включает в себя передачу сервером инструкций отобразить пользователю рекомендованное подмножество элементов.
[12] В некоторых вариантах осуществления способ дополнительно включает в себя, до получения запроса, сохранение сервером первого подмножества элементов в базе данных.
[13] В некоторых вариантах осуществления технологии, идентификация и сохранение первого подмножества выполняется сервером в режиме оффлайн.
[14] В некоторых вариантах осуществления технологии, идентификация второго подмножества элементов включает в себя: идентификацию сервером специфичного для пользователя подмножества элементов, с которыми было осуществлено взаимодействие, из пользовательских событий, связанных с пользователем, причем пользователь взаимодействовал с каждым элементом в подмножестве специфичных для пользователя подмножества элементов, с которыми было осуществлено взаимодействие; идентификацию сервером потенциального второго подмножества элементов в наборе потенциально рекомендуемых элементов, причем каждый элемент в потенциальном втором подмножестве элементов аналогичен по меньшей мере одному элементу в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие; и исключение сервером элементов, которые включены в первое подмножество элементов, из потенциального второго подмножества элементов.
[15] В некоторых вариантах осуществления способа, идентификация потенциального второго подмножества элементов включает в себя сравнение сервером каждого элемента в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, с каждым элементом в наборе потенциально рекомендуемых элементов.
[16] В некоторых вариантах осуществления способа, исключение элементов, которые включены в первое подмножество элементов, из потенциального второго подмножества элементов включает в себя сравнение сервером каждого элемента в потенциальном втором подмножестве элементов с каждым элементом в первом подмножестве элементов.
[17] В некоторых вариантах осуществления способа, рекомендованное подмножество элементов содержит только наиболее высоко ранжированный элемент.
[18] В некоторых вариантах осуществления способа, рекомендованное подмножество элементов содержит заранее определенное число наиболее высоко ранжированных элементов.
[19] Другим объектом настоящей технологии является сервер, включающий в себя модуль обработки и базу данных для создания рекомендованного подмножества элементов для пользователя электронного устройства. Сервер выполнен с возможностью осуществлять: идентификацию сервером первого подмножества элементов в наборе потенциально рекомендуемых элементов на основе свойств элементов в наборе потенциально рекомендуемых элементов; получение запроса на рекомендованное подмножество элементов; идентификацию второго подмножества элементов в наборе потенциально рекомендуемых элементов на основе пользовательских событий, связанных с пользователем, причем каждый элемент во втором подмножестве элементов отличается от любого элемента в первом подмножестве элементов; и создание рекомендованного подмножества элементов, причем рекомендованное подмножество элементов содержит по меньшей мере некоторые элементы из первого подмножества элементов и по меньшей мере некоторые элементы из второго подмножества элементов.
[20] В некоторых вариантах осуществления технологии, сервер дополнительно выполнен с возможностью осуществлять ранжирование элементов в рекомендованном подмножестве элементов.
[21] В некоторых вариантах осуществления технологии, сервер дополнительно выполнен с возможностью осуществлять передачу инструкций отобразить пользователю рекомендованное подмножество элементов.
[22] В некоторых вариантах осуществления сервер дополнительно выполнен с возможностью осуществлять, до получения запроса, сохранение первого подмножества элементов в базе данных.
[23] В некоторых вариантах осуществления сервер выполнен с возможностью осуществлять идентификацию и сохранение первого подмножества элементов в режиме оффлайн.
[24] В некоторых вариантах осуществления сервер, для идентификации второго подмножества элементов выполнен с возможностью осуществлять: идентификацию специфичного для пользователя подмножества элементов, с которыми было осуществлено взаимодействие, из пользовательских событий, связанных с пользователем, причем пользователь взаимодействовал с каждым элементом в подмножестве специфичных для пользователя подмножества элементов, с которыми было осуществлено взаимодействие; идентификацию потенциального второго подмножества элементов в наборе потенциально рекомендуемых элементов, причем каждый элемент в потенциальном втором подмножестве элементов аналогичен по меньшей мере одному элементу в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие; и исключение элементов, которые включены в первое подмножество элементов, из потенциального второго подмножества элементов.
[25] В некоторых вариантах осуществления сервер, для идентификации потенциального второго подмножества элементов, выполнен с возможностью осуществлять сравнение каждого элемента в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, с каждым элементом в наборе потенциально рекомендуемых элементов.
[26] В некоторых вариантах осуществления сервер, для исключения элементов, которые включены в первое подмножество элементов, из потенциального второго подмножества элементов, выполнен с возможностью осуществлять сравнение каждого элемента в потенциальном втором подмножестве элементов с каждым элементом в первом подмножестве элементов.
[27] В некоторых вариантах осуществления сервера, рекомендованное подмножество элементов содержит только наиболее высоко ранжированный элемент.
[28] В некоторых вариантах осуществления сервера, рекомендованное подмножество элементов содержит заранее определенное число наиболее высоко ранжированных элементов.
[29] В контексте настоящего описания «сервер» подразумевает под собой компьютерную программу, работающую на соответствующем оборудовании, которая способна получать запросы (например, от клиентских устройств) по сети и выполнять эти запросы или инициировать выполнение этих запросов. Оборудование может представлять собой один физический компьютер или одну физическую компьютерную систему, но ни то, ни другое не является обязательным для данной технологии. В контексте настоящей технологии использование выражения «сервер» не означает, что каждая задача (например, полученные команды или запросы) или какая-либо конкретная задача будет получена, выполнена или инициирована к выполнению одним и тем же сервером (то есть одним и тем же программным обеспечением и/или аппаратным обеспечением); это означает, что любое количество элементов программного обеспечения или аппаратных устройств может быть вовлечено в прием/передачу, выполнение или инициирование выполнения любого запроса или последствия любого запроса, связанного с клиентским устройством, и все это программное и аппаратное обеспечение может быть одним сервером или несколькими серверами, оба варианта включены в выражение «по меньшей мере один сервер».
[30] В контексте настоящего описания «клиентское устройство» подразумевает под собой аппаратное устройство, способное работать с программным обеспечением, подходящим к решению соответствующей задачи. Таким образом, примерами клиентских устройств (среди прочего) могут служить персональные компьютеры (настольные компьютеры, ноутбуки, нетбуки и т.п.) смартфоны, планшеты, а также сетевое оборудование, такое как маршрутизаторы, коммутаторы и шлюзы. Следует иметь в виду, что устройство, ведущее себя как клиентское устройство в настоящем контексте, может вести себя как сервер по отношению к другим клиентским устройствам. Использование выражения «клиентское устройство» не исключает возможности использования множества клиентских устройств для получения/отправки, выполнения или инициирования выполнения любой задачи или запроса, или же последствий любой задачи или запроса, или же этапов любого вышеописанного способа.
[31] В контексте настоящего описания «база данных» подразумевает под собой любой структурированный набор данных, не зависящий от конкретной структуры, программного обеспечения по управлению базой данных, аппаратного обеспечения компьютера, на котором данные хранятся, используются или иным образом оказываются доступны для использования. База данных может находиться на том же оборудовании, выполняющем процесс, который сохраняет или использует информацию, хранящуюся в базе данных, или же она может находиться на отдельном оборудовании, например, выделенном сервере или множестве серверов.
[32] В контексте настоящего описания «информация» включает в себя информацию любую информацию, которая может храниться в базе данных. Таким образом, информация включает в себя, среди прочего, аудиовизуальные произведения (изображения, видео, звукозаписи, презентации и т.д.), данные (данные о местоположении, цифровые данные и т.д.), текст (мнения, комментарии, вопросы, сообщения и т.д.), документы, таблицы, списки слов и т.д.
[33] В контексте настоящего описания «компонент» подразумевает под собой программное обеспечение (соответствующее конкретному аппаратному контексту), которое является необходимым и достаточным для выполнения конкретной(ых) указанной(ых) функции(й).
[34] В контексте настоящего описания «используемый компьютером носитель компьютерной информации» подразумевает под собой носитель абсолютно любого типа и характера, включая ОЗУ, ПЗУ, диски (компакт диски, DVD-диски, дискеты, жесткие диски и т.д.), USB флеш-накопители, твердотельные накопители, накопители на магнитной ленте и т.д.
[35] В контексте настоящего описания слова «первый», «второй», «третий» и и т.д. используются в виде прилагательных исключительно для того, чтобы отличать существительные, к которым они относятся, друг от друга, а не для целей описания какой-либо конкретной связи между этими существительными. Так, например, следует иметь в виду, что использование терминов "первый сервер" и "третий сервер" не подразумевает какого-либо порядка, отнесения к определенному типу, хронологии, иерархии или ранжирования (например) серверов/между серверами, равно как и их использование (само по себе) не предполагает, что некий "второй сервер" обязательно должен существовать в той или иной ситуации. В дальнейшем, как указано здесь в других контекстах, упоминание "первого" элемента и "второго" элемента не исключает возможности того, что это один и тот же фактический реальный элемент. Так, например, в некоторых случаях, "первый" сервер и "второй" сервер могут являться одним и тем же программным и/или аппаратным обеспечением, а в других случаях они могут являться разным программным и/или аппаратным обеспечением.
[36] Каждый вариант осуществления настоящей технологии преследует по меньшей мере одну из вышеупомянутых целей и/или объектов, но наличие всех не является обязательным. Следует иметь в виду, что некоторые объекты данной технологии, полученные в результате попыток достичь вышеупомянутой цели, могут не удовлетворять этой цели и/или могут удовлетворять другим целям, отдельно не указанным здесь.
[37] Дополнительные и/или альтернативные характеристики, аспекты и преимущества вариантов осуществления настоящей технологии станут очевидными из последующего описания, прилагаемых чертежей и прилагаемой формулы изобретения.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
[38] Для лучшего понимания настоящей технологии, а также других ее аспектов и характерных черт сделана ссылка на следующее описание, которое должно использоваться в сочетании с прилагаемыми чертежами, где:
[39] На Фиг. 1 представлена система, подходящая для реализации неограничивающих вариантов осуществления настоящей технологии.
[40] На Фиг. 2 представлена иллюстрация, отображающая связи между набором потенциально рекомендуемых элементов, первым подмножеством элементов, потенциальным вторым подмножеством элементов и вторым подмножеством элементов, как описано в одном варианте осуществления настоящей технологии.
[41] На Фиг. 3 представлена сравнительная таблица, которая хранится в базе данных, для идентификации элементов в наборе потенциально рекомендуемых элементов, которые аналогичны элементам в подмножестве элементов, с которыми было осуществлено взаимодействие, как представлено в некоторых вариантах осуществления настоящей технологии.
[42] На Фиг. 4 представлен снимок экрана интерфейса рекомендаций, реализованного в соответствии с неограничивающим вариантом осуществления настоящей технологии, интерфейс рекомендаций создан на электронном устройстве, связанном с пользователем системы, показанной на Фиг. 1.
[43] На Фиг. 5 представлен снимок экрана интерфейса рекомендаций, реализованного в соответствии с другим неограничивающим вариантом осуществления настоящей технологии, интерфейс рекомендаций создан на электронном устройстве, связанном с пользователем системы, показанной на Фиг. 1.
[44] На Фиг. 6 представлен снимок экрана интерфейса рекомендаций, реализованного в соответствии с еще одним неограничивающим вариантом осуществления настоящей технологии, интерфейс рекомендаций создан на электронном устройстве, связанном с пользователем системы, показанной на Фиг. 1.
[45] На Фиг. 7 представлена блок-схема способа, выполняемого в рамках системы, изображенной на Фиг. 1, и выполненного с вариантом осуществления настоящей технологии, не ограничивающим ее объем.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
[46] На Фиг. 1 представлена принципиальная схема системы 100, выполненной в соответствии с вариантами осуществления настоящей технологии, не ограничивающими ее объем. Важно иметь в виду, что нижеследующее описание системы 100 представляет собой описание иллюстративных вариантов осуществления настоящей технологии. Таким образом, все последующее описание представлено только как описание иллюстративного примера настоящей технологии. Это описание не предназначено для определения объема или установления границ настоящей технологии. Некоторые полезные примеры модификаций системы 100 также могут быть охвачены нижеследующим описанием. Целью этого является также исключительно помощь в понимании, а не определение объема и границ настоящей технологии. Эти модификации не представляют собой исчерпывающий список, и специалистам в данной области техники будет понятно, что возможны и другие модификации. Кроме того, это не должно интерпретироваться так, что там, где это еще не было сделано, т.е. там, где не были изложены примеры модификаций, никакие модификации невозможны, и/или что то, что описано, является единственным вариантом осуществления этого элемента настоящей технологии. Как будет понятно специалисту в данной области техники, это, скорее всего, не так. Кроме того, следует иметь в виду, что система 100 представляет собой в некоторых конкретных проявлениях достаточно простой вариант осуществления настоящей технологии, и в подобных случаях представлен здесь с целью облегчения понимания. Как будет понятно специалисту в данной области техники, многие варианты осуществления настоящей технологии будут обладать гораздо большей сложностью.
[47] В общем случае, система 100 выполнена с возможностью предоставлять рекомендации содержимого пользователю 102 системы 100. Пользователь 102 может являться подписчиком сервиса рекомендаций, который предоставляет система 100. Однако, подписка не обязана быть оплачиваемой или ускоренной. Например, пользователь 102 может стать подписчиком путем скачивания рекомендательного предложения из система 100, путем регистрации и предоставления сочетания логина/пароля, путем регистрации и предоставления предпочтений пользователя и так далее. Поэтому любой вариант системы, выполненный с возможностью создавать рекомендации содержимого для данного пользователя, может быть адаптирован специалистом для выполнения вариантов осуществления настоящей технологии после того, как специалистом было прочитано настоящее описание. Кроме того, система 100 может быть описана с помощью примера системы 100, которая является системой рекомендаций (следовательно, система 100 может упоминаться как «система 100 рекомендаций» или «система 100 прогнозирования»). Тем не менее, варианты осуществления настоящей технологии могут также применяться к другим типам систем 100, как будет более подробно описано далее.
[48] Система 100 содержит электронное устройство 104, электронное устройство 104 связано с пользователем 102. Таким образом, электронное устройство 104 может иногда упоминаться как «клиентское устройство», «устройство конечного пользователя» или «клиентское электронное устройство». Следует отметить, что тот факт, что электронное устройство 104 связано с пользователем 102, не подразумевает какого-либо конкретного режима работы, равно как и необходимости входа в систему, быть зарегистрированным, или чего-либо подобного.
[49] Варианты электронного устройства 104 конкретно не ограничены, но в качестве примера электронного устройства 104 могут использоваться персональные компьютеры (настольные компьютеры, ноутбуки, нетбуки и т.п.), устройства беспроводной связи (смартфоны, мобильные телефоны, планшеты и т.п.), а также сетевое оборудование (маршрутизаторы, коммутаторы или шлюзы). Электронное устройство 104 содержит аппаратное и/или прикладное программное, и/или системное программное обеспечение (или их комбинацию), как известно в области техники, чтобы выполнять рекомендательное приложение 106. В общем случае, задачей рекомендательного приложения 106 является позволить пользователю получать (или каким-либо иным способом иметь доступ) к рекомендациям содержимого, которые предоставлены системой 100, как будет более подробно описано далее.
[50] Реализация рекомендательного приложения 106 никак конкретно не ограничена. Одним из примеров выполнения рекомендательного приложения 106 является доступ пользователем на веб-сайт, соответствующий системе рекомендаций, для получения доступа к рекомендательному приложению 106. Например, рекомендательное приложение 106 может быть вызвано путем ввода (или копирования-вставки или выбора ссылки) URL, связанного с сервисом рекомендаций. Альтернативно, рекомендательное приложение 106 может являться приложением, скачанным из так называемого магазина приложений, например, APPSTORE™ или GOOGLEPLAY™, и установленным/используемым на электронном устройстве 104. Важно иметь в виду, что рекомендательное приложение 106 может быть вызвано с помощью любых других средств.
[51] В общем случае, рекомендательное приложение 106 включает в себя рекомендательный интерфейс 108, причем рекомендательный интерфейс 108 отображается на экране (отдельно не пронумерован) электронного устройства 104. На Фиг. 4 представлен снимок экрана с рекомендательным интерфейсом 108, который выполняется в соответствии с одним неограничивающим вариантом осуществления настоящей технологии. В некоторых вариантах осуществления настоящей технологии, рекомендательный интерфейс 108 активируется, когда пользователь 102 электронного устройства 104 активирует (т.е. запускает, использует, запускает в фоновом режиме и так далее) рекомендательное приложение 106. Альтернативно, рекомендательный интерфейс 108 может быть активирован, когда пользователь 102 открывает новое окно браузера и/или активирует новую вкладку в браузерном приложении.
[52] Рекомендательный интерфейс 108 включает в себя поисковый интерфейс 450. Поисковый интерфейс 450 включает в себя интерфейс 452 поискового запроса. Интерфейс 452 поискового запроса может быть реализован как «омнибокс», что позволяет вводить поисковый запрос для проведения поиска или сетевой адрес (например, Единый Указатель Ресурсов (URL)) для идентификации ресурса (например, веб-сайта), который будет вызван.
[53] Рекомендательный интерфейс 108 дополнительно включает в себя интерфейс 454 ссылок. Интерфейс 454 ссылок включает в себя активаторы 456, и каждый из множества активаторов 456 обладает ссылкой на (i) веб-сайт, отмеченный как «избранное» или как-либо иначе отмеченный пользователем 102, (и) ранее посещенный веб-сайт и (ii) тому подобное. Множество активаторов 456 в представленном варианте осуществления визуально представлено пользователю 102 в виде квадратных кнопок с логотипом и/или названием представленного ресурса, логотип и название позволяют пользователю 102 идентифицировать, на какой ресурс ведет каждый из множества активаторов 456. Тем не менее, важно иметь в виду, что визуальное представление некоторых или всех из множества активаторов 456 может быть иным. Таким образом, некоторые или все из множества активаторов 456 могут быть реализованы как кнопки других форм, как список гиперссылок и так далее.
[54] В качестве примера, множество активаторов 456 включает в себя, среди прочего, первый активатор 458 и второй активатор 460. Первый активатор 458 может быть связан со ссылкой на поисковую систему Яндекс™, и, по этой причине, первый активатор 458 обладает логотипом поисковой системы Яндекс, и может быть связан, например, с гиперссылкой www.yandex.ru. Второй активатор 460 может быть связан со ссылкой на видео-сервис Youtube™, и, по этой причине, первый активатор 458 обладает логотипом видео-сервиса Youtube, и может быть связан, например, с гиперссылкой www.youtube.com. Излишне говорить, что число и содержимое индивидуальных активаторов из множества активаторов 456 никак конкретно не ограничено.
[55] Рекомендательный интерфейс 108 дополнительно включает в себя рекомендованное подмножество 152 элементов. Рекомендованное подмножество 152 элементов включает в себя один или несколько рекомендованных элементов, например, первый рекомендованный элемент 464 и второй рекомендованный элемент 466. Естественно, рекомендованное подмножество 152 элементов может обладать более (или менее), чем двумя элементами (первым рекомендованным элементом 464 и вторым рекомендованным элементом 466). В рамках варианта осуществления технологии, представленного на Фиг. 4, и тех вариантов осуществления технологии, где присутствует более одного рекомендованного элемента, пользователь 102 может осуществлять прокрутку через рекомендованное подмножество 152 элементов. Прокрутка может осуществляться любыми подходящими способами. Например, пользователь 102 может осуществлять прокрутку через рекомендованные элементы рекомендованного подмножества 152 элементов путем активации мыши (не показано), клавиши клавиатуры (не показано) или взаимодействия с сенсорным экраном (не показано) соответствующего электронного устройства 104. В варианте осуществления технологии, представленном на Фиг. 4, пользователь 102 может осуществлять прокрутку через рекомендованные элементы (т.е. первый рекомендованный элемент 464 и второй рекомендованный элемент 466, а также другие рекомендованные элементы содержимого, которые потенциально присутствуют в рекомендованном подмножестве 152 элементов) путем выполнения проведения справа налево или слева направо (или прокрутки с помощью мыши или клавиатуры). Тем не менее, следует отметить, что в альтернативных вариантах осуществления технологии прокрутка через рекомендованные элементы может быть выполнена в вертикальном направлении или в любом другом удобном направлении.
[56] То, как именно создается рекомендованное подмножество 152 элементов, будет более подробно описано далее.
[57] Рекомендательный интерфейс 108 на Фиг. 4 может считаться «обзорным экраном рекомендаций» в том смысле, что он предоставляет обзор рекомендованных элементов, а также другое содержимое и/или другие интерфейсы. Конкретнее, в представленном варианте осуществления технологии, рекомендованное подмножество 152 элементов (которое позволяет пользователю просматривать элементы, которые пользователь 102 мог ранее не видеть, или о заинтересованности в которых пользователь 102 может быть даже не осведомлен) представлено вместе со множеством активаторов 456 (которое позволяет пользователю 102 посматривать элементы, которые пользователь ранее просматривал и/или отмечал как интересные), а также с поисковым интерфейсом 450 (который позволяет пользователю 102 искать ресурсы и/или получать доступ к ресурсам, например, ресурсам, которые доступны в Интернете и так далее).
[58] На Фиг. 5, рекомендательный интерфейс 108 представлен в виде «рекомендованных элементов». Конкретнее, рекомендательный интерфейс 108, представленный на Фиг. 5, включает в себя ранее упомянутое рекомендованное подмножество 152 элементов, которое содержит первый рекомендованный элемент 464 и второй рекомендованный элемент 466 (содержимое которых отличается от того, что представлено на Фиг. 4). Дополнительно к рекомендованному подмножеству 152 элементов, рекомендательный интерфейс 108 на Фиг. 5 дополнительно включает в себя выделенный рекомендованный элемент 570, который может быть наиболее релевантным / интересным рекомендованным элементом для пользователя 102, что было выбрано модулем 114 обработки (будет описан далее).
[59] Как будет понятно специалисту в области техники, рекомендательный интерфейс 108, показанный на Фиг. 5, не включает в себя элементы, которые аналогичны множеству активаторов 456 или поисковому интерфейсу 450. Таким образом, вариант рекомендованных элементов, относящихся к рекомендательному интерфейсу 108, позволяет пользователю 102 просматривать рекомендованные элементы без «отвлечения» на другие элементы (такие как избранные ссылки, поисковые интерфейсы и так далее).
[60] Наконец, со ссылкой на Фиг. 6, рекомендательный интерфейс 108 представлен в виде «просмотра рекомендованного элемента». В рамках иллюстрации, показанной на Фиг. 6, рекомендательный интерфейс 108 отображает один рекомендованный элемент 672. Просмотр рекомендованного элемента позволяет пользователю 102 просматривать индивидуальные рекомендованные элементы (такие как содержимое одного рекомендованного элемента 672, показанное на Фиг. 6).
[61] Следует отметить, что переход между просмотрами рекомендательного интерфейса 108, которые представлены на Фиг. 4, Фиг. 5 и Фиг. 6, может быть инициирован тем, что пользователь 102 выполняет конкретное действие. Например, после демонстрации рекомендательного интерфейса 108, показанного на Фиг. 4, когда пользователь нажимает на область, в общем случае связанную с рекомендованным подмножеством 152 элементов, электронное устройство 104 может менять представление рекомендательного интерфейса 108, показанного на Фиг. 4, на показанный на Фиг. 5. Аналогичным образом, после нажатия пользователем 102 (или иной активации) одно конкретное рекомендованное подмножество 152 элементов отображается в пределах рекомендательного интерфейса 108 на Фиг. 5, электронное устройство 104 может менять представление рекомендательного интерфейса 108, показанного на Фиг. 4, на показанный на Фиг. 5.
[62] Возвращаясь к описанию Фиг. 1, электронное устройство 104 функционально соединено с сетью 110 передачи данных для получения доступа к серверу 112. В некоторых вариантах осуществления настоящей технологии, не ограничивающих ее объем, сеть 110 передачи данных может представлять собой Интернет. В других вариантах осуществления настоящей технологии, сеть 110 передачи данных может быть реализована иначе - в виде глобальной сети передачи данных, локальной сети передачи данных, частной сети передачи данных и т.п. Линия передачи данных (отдельно не пронумерована) между электронным устройством 104 и сетью 110 передачи данных реализована таким образом, что она будет зависеть, среди прочего, от того, как реализовано электронное устройство 104. В качестве примера, но не ограничения, в данных вариантах осуществления настоящей технологии в случаях, когда электронное устройство 104 представляет собой беспроводное устройство связи (например, смартфон), линия передачи данных представляет собой беспроводную сеть передачи данных (например, среди прочего, линия передачи данных 3G, линия передачи данных 4G, беспроводной интернет Wireless Fidelity или коротко WiFi®, Bluetooth® и т.п.). В тех примерах, где электронное устройство 104 представляет собой портативный компьютер, линия связи может быть как беспроводной (беспроводной интернет Wireless Fidelity или коротко WiFi®, Bluetooth® и т.п) так и проводной (соединение на основе сети Ethernet).
[63] Сервер 112 может представлять собой обычный компьютерный сервер. В примере варианта осуществления настоящей технологии, сервер 112 может представлять собой сервер Dell™ PowerEdge™, на котором используется операционная система Microsoft™ Windows Server™. Излишне говорить, что сервер 112 может представлять собой любое другое подходящее аппаратное, прикладное программное, и/или системное программное обеспечение или их комбинацию. В представленном варианте осуществления настоящей технологии, не ограничивающем ее объем, сервер 112 является одиночным сервером. В других вариантах осуществления настоящей технологии, не ограничивающих ее объем, функциональность сервера 112 может быть разделена, и может выполняться с помощью нескольких серверов.
[64] Сервер 112 включает в себя модуль 114 обработки. Модуль 114 обработки оперативно соединен с первым модулем 116 и вторым модулем 118. Модуль 114 обработки обладает доступом к первой базе 120 данных, второй базе 122 данных, третьей базе 124 данных и четвертой базе 126 данных. В представленном варианте осуществления технологии, модуль 114 обработки обладает доступом к первой базе 120 данных, второй базе 122 данных, третьей базе 124 данных и четвертой базе 126 данных либо через первый модуль 116, либо через второй модуль 118. Тем не менее, в альтернативных вариантах осуществления технологии модуль 114 обработки может обладать прямым доступом к некоторым или всем из первой базы 120 данных, второй базы 122 данных, третьей базы 124 данных и четвертой базы 126 данных.
[65] Кроме того, в представленном варианте осуществления первая база 120 данных, вторая база 122 данных, третья база 124 данных и четвертая база 126 данных представлены в виде отдельных физических элементов. Но это не является обязательным для каждого варианта осуществления настоящей технологии. Таким образом, некоторые или все из первой базы 120 данных, второй базы 122 данных, третьей базы 124 данных и четвертой базы 126 данных могут быть реализованы в виде одной базы данных. Кроме того, любая из первой базы 120 данных, второй базы 122 данных, третьей базы 124 данных и четвертой базы 126 данных может быть разделена на несколько отдельных баз данных.
[66] Аналогичным образом, модуль 114 обработки, первый модуль 116 и второй модуль 118 представлены в виде отдельных физических элементов. Но это не является обязательным для каждого варианта осуществления настоящей технологии. Таким образом, некоторые или все из модуля 114 обработки, первого модуля 116 и второго модуля 118 могут быть реализованы в виде одного устройства аппаратного обеспечения. Кроме того, любой из модуля 114 обработки, первого модуля 116 и второго модуля 118 может быть разделен на несколько отдельных устройств аппаратного обеспечения.
[67] Аналогичным образом, все (или любая комбинация) модуля 114 обработки, первого модуля 116 и второго модуля 118, первой базы 120 данных, второй базы 122 данных, третьей базы 124 данных и четвертой базы 126 данных могут быть реализованы как одно устройство аппаратного обеспечения.
[68] Функции различных компонентов сервера 112 будут более подробно описаны ниже.
[69] Модуль 114 обработки выполнен с возможностью (i) получать от электронного устройства 104 запрос на рекомендованное подмножество 152 элементов и (ii) в ответ на запрос, создавать рекомендованное подмножество 152 элементов, специально настроенное для пользователя 102, связанного с электронным устройством 104. Модуль 114 обработки может дополнительно координировать выполнение различных процедур, описанных здесь как выполняемые первым модулем 116, вторым модулем 118, а также первой базой 120 данных, второй базой 122 данных, третьей базой 124 данных и четвертой базой 126 данных.
[70] В некоторых вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на предоставление пользователем 102 явного указания на его/ее желание получить рекомендованное подмножество 152 элементов. Например, вышеупомянутый рекомендательный интерфейс 108 может предоставлять кнопку (или другой активируемый элемент), который позволит пользователю 102 выражать свое желание получить новое или обновленное рекомендованное подмножество элементов. В качестве неограничивающего примера, рекомендательный интерфейс 108 может предоставить активируемую кнопку, на которой написано «запросить рекомендации содержимого». В рамках этих вариантов осуществления технологии, запрос 150 на рекомендованное подмножество 152 элементов может считаться «явным запросом» в том смысле, что пользователь 102 явно выражает запрос на рекомендованное подмножество 152 элементов.
[71] В других вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на предоставление пользователем 102 неявного указания на его/ее желание получить рекомендованное подмножество 152 элементов. В некоторых вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на то, что пользователь 102 запускает рекомендательное приложение 106.
[72] В некоторых других вариантах осуществления настоящей технологии, запрос 150 может быть создан даже без предоставления пользователем 102 явного или неявного указания на его/ее желание получить рекомендованное подмножество 152 элементов. Например, в тех вариантах осуществления настоящей технологии, где рекомендательное приложение 106 реализовано в виде браузера (например, браузер GOOGLE™, браузер YANDEX™, a YAHOO!™ браузер или любое другое собственное или коммерчески доступное браузерное приложение), запрос 150 может быть создан в ответ на то, что пользователь 102 открывает браузерное приложение и может быть создан, например, без выполнения пользователем 102 каких-либо действий, кроме активации браузерного приложения. В качестве другого примера, запрос 150 может быть создан в ответ на открытие пользователем 102 новой вкладки в уже открытом браузерном приложении, и может быть создан, например, без выполнения пользователем 102 каких-либо действий, кроме активации новой вкладки браузера. Другими словами, запрос 150 может быть создан даже без знания пользователя 102 о том, что он может быть заинтересован в получении рекомендованного подмножества 152 элементов.
[73] В качестве другого примера, запрос 150 может быть создан в ответ на выбор пользователем 102 конкретного элемента браузерного приложения, и могут быть созданы, например, без выполнения пользователем 102 каких-либо действий, кроме активации/выбора конкретного элемента браузерного приложения.
[74] Примеры конкретного элемента браузерного приложения включают в себя, без установления ограничений:
- Адресную строку строки браузерного приложения
- Поисковую строку браузерного приложения и/или поисковую строку веб-сайта поисковой системы, доступного в браузерном приложении
- Омнибокс (связанные адрес и поисковая строка браузерного приложения)
- Панель избранных или недавно посещенных сетевых ресурсов
- Любую другую заранее определенную область интерфейса браузерного приложения или веб-ресурса, отображенного в браузерном приложении
[75] Первая база 120 данных выполнена с возможностью хранить модульную информацию. Модульная информация может включать в себя информацию, которая хранится на модуле 114 обработки, первом модуле 116 и втором модуле 118.
[76] Вторая база 122 данных выполнена с возможностью сохранять информацию, связанную со свойствами элементов, например, соответствующую элементам, с которыми взаимодействовал по меньшей мере один пользователь. Примеры таких элементов могут включать в себя, без установления ограничений: веб-сайт, песню, которая может быть прослушана или скачана с сетевого ресурса, документ, скачанный с сетевого ресурса, страницу результатов поиска (SERP) и тому подобное.
[77] Примеры свойств элементов включают в себя, без установления ограничений:
- Популярность данного элемента (например, в случае, если данный элемент является музыкальным треком, количество раз, когда музыкальный трек был прослушан и/или скачан всеми пользователями).
- Число лайков / покупок / загрузок / кликов среди всех событий, связанных с данными элементами.
- Характеристики, присущие элементу - в случае, если элемент является музыкальным треком - длина трека, жанр трека, аудио-характеристики трека (например, темп трека); другие присущие элементу характеристики включают в себя: цену элемента, мерность элемента, категорию элемента, производителя/изготовителя элемента, длину документа, выраженную в количестве слов или символов; категорию / тему документа; рейтинг фильма в сервисе ранжирования фильмов, и так далее.
[78] Третья база 124 данных выполнена с возможностью хранить информацию, связанную с набором 200 потенциально рекомендуемых элементов, представленных на Фиг. 2. В некоторых вариантах осуществления настоящей технологии, набор 200 потенциально рекомендованных элементов может включать в себя элементы с соответствующими свойствами элементов в базе 122 данных. Природа одного или нескольких потенциально рекомендуемых элементов в наборе 200 потенциально рекомендованных элементов никак конкретно не ограничена. Некоторые примеры одного или нескольких потенциально рекомендуемых элементов включают в себя, без установления ограничений:
- Новостной элемент
- Публикацию
- Веб-ресурс
- Пост на веб-сайте социального медиа
- Новый элемент, который будет загружен из магазина приложений
- Новую песню (музыкальный трек), которая будет проиграна / загружена с ресурса, размещающего содержимое
- Новый фильм (видеоклип), который будет проигран / загружена с ресурса, размещающего содержимое
- Новый документ, загруженный для просмотра на веб-сайте социального медиа (например, новую фотографию, которая загружена в учетную запись в сетях INSTRAGRAM или FACEBOOK).
[79] Четвертая база 126 данных выполнена с возможностью хранить информацию, относящуюся к пользовательским событиям (связанным с пользователем 102, а также другими пользователями, которые потенциально присутствуют в системе 100). Естественно, пользовательские события могут храниться в зашифрованной форме. Примеры пользовательских событий включают в себя, без установления ограничений:
- Пользователь 102 прослушивает конкретный музыкальный трек
- Пользователь 102 «лайкает» конкретный музыкальный трек, альбом, связанный с конкретным музыкальным треком и/или артиста, исполняющего конкретный музыкальный трек
- Пользователю 102 представляется конкретный ресурс
- Пользователь 102 нажимает (или иным образом выбирает) на конкретный ресурс
- Пользователь 102 приобрел / заказал / скачал конкретный элемент с веб-ресурса
[80] Важно иметь в виду, что пользовательские события и свойства элементов могут принимать различные формы, и никак конкретно не ограничены. Таким образом, представленные выше списки неограничивающих примеров того, как реализованы пользовательские события и свойства элементов, представлены здесь только для примера. И важно иметь в виду, что многие альтернативные варианты осуществления пользовательских событий и свойств элементов могут быть представлены в других вариациях в рамках настоящей технологии.
[81] То, как именно получают и сохраняют информацию в первой базе 120 данных, второй базе 122 данных, третьей базе 124 данных и четвертой базе 126 данных, никак конкретно не ограничено. Некоторые примеры вариантов осуществления будут подробно описаны далее.
[82] Например, информация, связанная со свойствами элементов, может быть получена от конкретного сервиса, который располагает информацией о различных элементах, доступных на нем и тому подобное; и может быть сохранена во второй базе 122 данных. Информация, связанная со свойствами элементов может быть разделена на различные категории, представляющие различные типы объектов.
[83] Например, информация, связанная с набором потенциально рекомендуемых элементов, может быть получена от конкретного сервиса, который располагает списком существующих и/или недавно ставших доступными элементов (например, онлайн ресурсы потоковых медиа, онлайн ресурсы скачивания медиа и так далее), от социальных сетей, на которые подписан пользователь 102 (и другие пользователи), новостные ресурсы и так далее; и сохранена в третьей базе 124 данных.
[84] Например, информация, связанная с пользовательскими событиями может быть получена от конкретного сервиса, который размещает информацию о различных доступных элементах и пользовательских взаимодействиях с различными элементами, пользовательские поисковые журналы, пользовательские журналы, связанные с взаимодействиями пользователя с конкретным сервисом, пользовательские журналы браузера и так далее; и сохранена в четвертой базе 126 данных. Информация, связанная с пользовательскими событиями, может храниться в зашифрованной форме.
[85] В некоторых вариантах осуществления настоящей технологии модуль 114 обработки, первый модуль 116 и второй модуль 118 могут быть выполнены с возможностью выполнять различные описанные здесь процедуры для исполнения различных функциональностей настоящей технологии.
[86] В некоторых вариантах осуществления настоящей технологии, со ссылкой на Фиг. 2, первый модуль 116 может быть выполнен с возможностью идентифицировать первое подмножество 202 элементов в наборе 200 потенциально рекомендуемых элементов. С этой целью, первый модуль 116 может быть выполнен с возможностью извлекать из третьей базы 124 данных набор 200 потенциально рекомендуемых элементов. Первый модуль 116 может также быть выполнен с возможностью извлекать из второй базы 122 данных свойства элемента, связанные с элементами в наборе 200 потенциально рекомендуемых элементов. Первый модуль 116 также может быть выполнен с возможностью ранжировать элементы в наборе 200 потенциально рекомендуемых элементов на основе их соответствующих свойств.
[87] Например, первый модуль 116 может ранжировать элементы в наборе 200 потенциально рекомендуемых элементов по их соответствующей популярности, по числу «лайков», по числу «скачиваний», по цене и так далее. Далее, первый модуль 116 может также быть выполнен с возможностью идентифицировать первое подмножество 202 элементов как наиболее высоко ранжированное в наборе 200 потенциально рекомендуемых элементов. Например, первый модуль 116 может идентифицировать первое подмножество 202 элементов как 100 наиболее высоко ранжированных элементов в наборе 200 потенциально рекомендуемых элементов. Важно отметить, что число наиболее высоко ранжированных элементов в наборе потенциально рекомендуемых элементов, которое может быть идентифицировано как первое подмножество 202 элементов первым модулем 116, не является ограничивающим аспектом в настоящей технологии.
[88] В других вариантах осуществления настоящей технологии, первый модуль 116 может хранить первое подмножество 202 элементов в первой базе 120 данных. Другими словами, первый модуль 116 может сохранять первое подмножество 202 элементов в первой базе 120 данных как часть модульной информации.
[89] В альтернативных вариантах осуществления настоящей технологии, первый модуль 116 может идентифицировать и сохранять первое подмножество 202 элементов в режиме оффлайн. Другими словами, первый модуль 116 может идентифицировать и сохранять первое подмножество 202 элементов до того как электронное устройство 104 передает запрос 150. В некоторых вариантах осуществления технологии, идентификация и сохранение первого подмножества 202 элементов в режиме оффлайн позволяет снизить количество времени, которое необходимо серверу 112 для ответа на запрос 150 (т.е. в момент «времени работы» или, другими словами, использования настоящей технологии).
[90] В некоторых вариантах осуществления настоящей технологии, второй модуль 118 может получать из четвертой базы 126 данных пользовательские события, связанные с пользователем 102. Как было упомянуто выше, пользовательские события, связанные с пользователем 102, могут включать в себя пользовательские события, связанные с элементами, с которыми пользователь 102 осуществлял взаимодействие. Следовательно, второй модуль 118 может идентифицировать из пользовательских событий, связанных с пользователем 102, специфичное для пользователя подмножество элементов, с которыми было осуществлено взаимодействие, и пользователь 102 взаимодействовал с каждым элементом в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие. В дополнительных вариантах осуществления настоящей технологии, набор 200 потенциально рекомендованных элементов может включать в себя элементы из специфичного для пользователя подмножества элементов, с которыми было осуществлено взаимодействие.
[91] Второй модуль 118 может быть выполнен с возможностью идентифицировать потенциальное второе подмножество 204 элементов в наборе 200 потенциально рекомендуемых элементов. Другими словами, второй модуль 118 может идентифицировать потенциальное второе подмножество 204 элементов в наборе 200 потенциально рекомендуемых элементов на основе специфичного для пользователя подмножества элементов, с которыми было осуществлено взаимодействие. В некоторых вариантах осуществления настоящей технологии, второй модуль 118 может получать из второй базы 122 данных набор 200 потенциально рекомендуемых элементов из третьей базы 124 данных, свойства элемента, связанные с элементами в наборе 200 потенциально рекомендуемых элементов, и свойства элемента, связанные с элементами в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие. В результате, второй модуль 118 может быть выполнен с возможностью сравнивать каждый элемент в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, с каждым элементом из набора 200 потенциально рекомендуемых элементов на основе свойств элемента, связанных с каждым соответствующим элементом в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, и в наборе 200 потенциально рекомендуемых элементов. Второй модуль 118 может быть выполнен с возможностью сравнивать каждый элемент в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, с каждым элементом из набора 200 потенциально рекомендуемых элементов для определения того, какие элементы из набора 200 потенциально рекомендуемых элементов являются аналогичными по отношению по меньшей мере к одному элементу в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие.
[92] Второй модуль 118 может определять, что два элемента являются аналогичными на основе их соответствующих свойств элементов. Например, второй модуль 118 может определять, что два элемента являются аналогичными, если они обладают по меньшей мере некоторыми аналогичными или схожими характеристиками, присущими элементу. Предположим, что конкретный элемент в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, является музыкальным треком, связанным с характеристиками, присущими элементу: Название «Lose yourself», артист «Eminem», альбом «8 mile», год выхода «2002» и так далее. В этом случае, второй модуль 118 может определять, что конкретный элемент в наборе 200 рекомендуемых элементов аналогичен конкретному элементу в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, если, например, конкретный элемент является другим музыкальным треком, связанном с характеристиками, присущими элементу: Название «Run Rabbit Run», артист «Eminem», альбом «8 mile», год выхода «2002».
[93] В другом варианте осуществления технологии, второй модуль 118 может определять, что два элемента являются аналогичными на основе сравнительной таблицы 300, представленной на Фиг. 3. Сравнительная таблица 300 может быть создана на основе характеристик элемента каждого элемента в наборе 200 рекомендуемых элементов. Например, сравнительная таблица 300 может быть создана с помощью алгоритма машинного обучения, человека-асессора или любых других подходящих методик. Сравнительная таблица 300 может быть сохранена в первой базе 120 данных до получения сервером 112 запроса 150. Сравнительная таблица 300 может содержать столбец 302 элементов и столбец 304 аналогичных элементов. Другими словами, каждый элемент в столбце 302 элементов может быть связан по меньшей мере с одним аналогичным элементом в столбце 304 аналогичных элементов. Например, элемент А связан с аналогичными элементами J и С, поскольку характеристики, присущие элементам J и С, аналогичны или похожи на характеристики, присущие элементу А.
[94] В дальнейших вариантах осуществления технологии, сравнительная таблица 300 может быть создана на основе характеристик элемента, отличных от характеристик, присущих элементу. Например, каждый элемент в столбце 302 может быть связан по меньшей мере с одним аналогичными элементов в таблице 304 аналогичных элементов на основе аналогичных или похожих показателях общей популярности, числа «лайков», числа скачиваний, числа покупок и так далее.
[95] Следовательно, со ссылкой на Фиг. 2, второй модуль 118 может идентифицировать потенциальное второе подмножество 204 элементов в наборе 200 потенциально рекомендуемых элементов путем идентификации элементов в наборе 200 потенциально рекомендуемых элементов, которые связаны со свойствами элемента, аналогичными свойствам по меньшей мере одного элемента в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие. Другими словами, потенциальное второе подмножество 204 элементов в наборе 200 потенциально рекомендуемых элементов может включать в себя элементы, аналогичные по меньшей мере одному элементу в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие.
[96] В некоторых вариантах осуществления настоящей технологии, модуль 114 обработки может быть выполнен с возможностью идентифицировать второе подмножество 206 элементов в потенциальном втором подмножестве 204 элементов. С этой целью модуль 114 обработки может быть выполнен с возможностью извлекать первое подмножество 202 элементов и потенциально второе подмножество 204 элементов из первого модуля 116 и второго модуля 118 соответственно. Модуль 114 обработки может идентифицировать второе подмножество 206 элементов в потенциальном втором подмножестве 204 элементов путем исключения элементов, которые содержатся в первом подмножестве 202 элементов, из потенциального второго подмножества 204 элементов.
[97] В некоторых вариантах осуществления технологии, идентификация второго подмножества 206 элементов может позволять серверу 112 включать элементы, которые могут быть релевантными для пользователя 102, в рекомендованное подмножество 152 элементов.
[98] Например, модуль 114 обработки может сравнивать каждый элемент в потенциальном втором подмножестве 204 элементов с каждым элементом в первом подмножестве 202 элементов. Модуль 114 обработки может определять, что элемент 208 и элемент 210 включены в первое подмножество 202 элементов и в потенциальное второе подмножество 204 элементов. В этом случае, модуль 114 обработки может идентифицировать второе подмножество 206 элементов путем исключения элемента 208 и 210 из потенциального второго подмножества 204 элементов.
[99] В альтернативных вариантах осуществления технологии, модуль обработки может ранжировать элементы во втором подмножестве 206 элементов на основе их соответствующих свойств элемента. На основе ранжированных элементов во втором подмножестве 206 элементов, модуль 114 обработки может дополнительно исключать элементы с низким рангом из ранжированного второго подмножества 206 элементов.
[100] В некоторых вариантах осуществления настоящей технологии, модуль 114 обработки может быть выполнен с возможностью создавать рекомендованное подмножество 152 элементов. С этой целью, модуль 114 обработки может быть выполнен с возможностью объединить первое подмножество 202 элементов и второе подмножество 206 элементов. Следовательно, рекомендованное подмножество 152 элементов может включать в себя по меньшей мере некоторые элементы из первого подмножества 202 элементов и по меньшей мере некоторые элементы из второго подмножества 206 элементов.
[101] В других вариантах осуществления настоящей технологии, модуль 114 обработки может быть выполнен с возможностью ранжировать элементы в рекомендованном подмножестве 152 элементов. С этой целью, модуль 114 обработки может извлекать из второй базы 122 данных свойства элемента, связанные с элементами в рекомендованном подмножестве 152 элементов. Модуль 114 обработки может ранжировать элементы в рекомендованном подмножестве 152 элементов на основе свойств элемента, связанных с соответствующими элементами в рекомендованном подмножестве 152 элементов. Например, со ссылкой на Фиг. 5, выделенный рекомендованный элемент 570 может быть наиболее высоко ранжированным элементом в рекомендованном подмножестве 152 элементов. В дополнительных вариантах осуществления технологии, модуль 114 обработки может дополнительно исключать элементы с низким рангом из рекомендованного подмножества 152 элементов, которое было ранжировано.
[102] В некоторых вариантах осуществления настоящей технологии, модуль 114 обработки может быть выполнен с возможностью выбирать наиболее высоко ранжированный элемент в рекомендованном подмножестве 152 элементов как рекомендованное подмножество 152 элементов. Другими словами, модуль 114 обработки может исключать все элементы из рекомендованного подмножества 152 элементов, кроме наиболее высоко ранжированного элемента. Модуль 114 обработки может быть выполнен с возможностью создавать рекомендованное подмножество 152 элементов, которое включает в себя наиболее высоко ранжированный элемент среди первого множества 202 элементов и потенциального второго подмножества 204 элементов. Следовательно, рекомендованное подмножество 152 элементов может включать в себя только наиболее высоко ранжированный элемент.
[103] В другом варианте осуществления технологии модуль 114 обработки может ограничивать рекомендованное подмножество 152 элементов до конкретного заранее определенного числа наиболее высоко ранжированных элементов, например, 20 (двадцать) наиболее высоко ранжированных элементов в рекомендованном подмножестве 152 элементов, или любое другое подходящее число. Другими словами, модуль 114 обработки может исключать все элементы из рекомендованного подмножества 152 элементов, кроме 20 наиболее высоко ранжированных элементов (или любого другого подходящего числа наиболее высоко ранжированных элементов). Следовательно, рекомендованное подмножество 152 элементов может включать в себя только заранее определенное число наиболее высоко ранжированных элементов. Заранее определенное число может быть определено заранее, например, человеком-асессором. Альтернативно, заранее определенное число может быть выбрано путем анализа конкретных предыдущих пользовательских взаимодействий с системой рекомендаций.
[104] В дополнительных вариантах осуществления технологии, модуль 114 обработки может передавать электронному устройству 104 пакет 153 данных, содержащий инструкций отобразить пользователю 102 рекомендованное подмножество 152 элементов.
[105] На Фиг. 7 представлена блок-схема способа 700 создания рекомендованного подмножества 152 элементов для пользователя 102 электронного устройства 104. Способ 700 будет далее подробно описан.
ЭТАП 702 Идентификация первого подмножества элементов
[106] Способ 700 начинается на этапе 702, где сервер 112 идентифицирует первое подмножество элементов в наборе 200 потенциально рекомендуемых элементов на основе свойств элемента, связанных с элементами в наборе 200 потенциально рекомендуемых элементов.
[107] В некоторых вариантах осуществления настоящей технологии, первый модуль 116 может ранжировать элементы на основе свойств элемента, связанных с элементами в наборе 200 потенциально рекомендуемых элементов. Например, элементы в наборе 200 потенциально рекомендуемых элементов могут быть ранжированы по их соответствующей общей популярности, по числу «лайков», по числу «скачиваний», по цене и так далее. В результате, первый модуль 116 может идентифицировать первое подмножество 202 элементов как наиболее высоко ранжированные элементы в наборе 200 потенциально рекомендуемых элементов. Например, первый модуль 116 может идентифицировать 100 наиболее высоко ранжированных элементов в наборе 200 потенциально рекомендуемых элементов как элементы первого подмножества 202 элементов.
[108] В других вариантах осуществления настоящей технологии, первый модуль 116 может хранить первое подмножество 202 элементов в первой базе 120 данных.
[109] В альтернативных вариантах осуществления настоящей технологии, первый модуль 116 может идентифицировать и сохранять первое подмножество элементов в режиме оффлайн. Другими словами, первый модуль 116 может идентифицировать и сохранять первое подмножество 202 элементов до того как электронное устройство 104 передает запрос 150.
ЭТАП 704 Получение запроса на рекомендованное подмножество элементов
[110] Способ 700 продолжается на этапе 704, где сервер 112 получает запрос 150 на рекомендованное подмножество 152 элементов.
[111] В некоторых вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на предоставление пользователем 102 явного указания на его/ее желание получить рекомендованное подмножество 152 элементов. В других вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на предоставление пользователем 102 неявного указания на его/ее желание получить рекомендованное подмножество 152 элементов.
[112] В некоторых других вариантах осуществления технологии, запрос 150 может быть создан даже без предоставления пользователем 102 явного или неявного указания на его/ее желание получить рекомендованное подмножество 152 элементов. Например, запрос 150 может быть создан в ответ на то, что пользователь 102 открывает рекомендательное приложение 106.
[113] В альтернативных вариантах осуществления технологии, запрос 150 может быть создан в ответ на выбор пользователем 102 конкретного элемента браузерного приложения, и могут быть созданы, например, без выполнения пользователем 102 каких-либо действий, кроме активации/выбора конкретного элемента браузерного приложения.
ЭТАП 706 Идентификация второго подмножества элементов
[114] Способ 700 продолжается на этапе 706, где сервер 112 идентифицирует второе подмножество 206 элементов в наборе 200 потенциально рекомендуемых элементов на основе пользовательских событий, связанных с пользователем 102, причем каждый элемент во втором подмножестве 206 элементов отличается от любого элемента в первом подмножестве 202 элементов.
[115] В некоторых вариантах осуществления настоящей технологии, идентификация второго подмножества 206 элементов может включать в себя идентификацию сервером 112 специфичного для пользователя подмножества элементов, с которыми было осуществлено взаимодействие, из пользовательских событий, связанных с пользователем 102, причем пользователь 102 осуществил взаимодействие с каждым элементом в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие.
[116] В других вариантах осуществления настоящей технологии, идентификация второго подмножества 206 элементов может включать в себя идентификацию потенциального второго подмножества 204 элементов в наборе 200 потенциально рекомендуемых элементов, причем каждый элемент в потенциальном втором подмножестве 204 элементов аналогичен по меньшей мере одному элементу в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие. С этой целью, сервер 112 может сравнивать каждый элемент в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, с каждым элементом в наборе 200 потенциально рекомендуемых элементов.
[117] В альтернативном варианте осуществления технологии, идентификация второго подмножества 206 элементов может включать в себя исключение элементов, которые содержатся в первом подмножестве 202 элементов, из потенциального второго подмножества 204 элементов. С этой целью сервер 112 может сравнивать каждый элемент в потенциальном втором подмножестве 204 элементов с каждым элементом в первом подмножестве 202 элементов.
ЭТАП 708 Создание рекомендованного подмножества элементов
[118] Способ 700 завершается на этапе 708, где сервер 112 создает рекомендованное подмножество 152 элементов, причем рекомендованное подмножество 152 элементов включает в себя по меньшей мере некоторые элементы из первого подмножества 202 элементов и по меньшей мере некоторые элементы из второго подмножества 206 элементов.
[119] В некоторых вариантах осуществления настоящей технологии, сервер 112 может ранжировать элементы в рекомендованном подмножестве 152 элементов. Например, модуль 114 обработки может ранжировать элементы в рекомендованном подмножестве 152 элементов на основе их соответствующих свойств элемента.
[120] В некоторых вариантах осуществления настоящей технологии, сервер 112 может предавать инструкции отобразить пользователю 102 рекомендованное подмножество 152 элементов. Например, модуль 114 обработки может создавать и передавать электронному устройству 104 пакет 153 данных, содержащий инструкции отобразить пользователю 102 рекомендованное подмножество 152 элементов.
[121] Способ 700 заканчивается на этапе 708.
[122] В некоторых вариантах осуществления настоящей технологии, сервер 112, исполняющий способ 700, может снижать количество времени, которое необходимо для предоставления инструкций отобразить пользователю 102 рекомендованное подмножество 152 элементов. Другими словами, исполнение способа 700 сервером 112 может снижать количество времени между получением запроса 150 сервером 112 и созданием пакета 153 данных, содержащего инструкции отобразить пользователю 102 рекомендованное подмножество 152 элементов. Например, идентификация и сохранение первого подмножества 202 элементов в режиме оффлайн может позволить серверу 112 снизить количество времени, необходимое для предоставления электронному устройству 104 инструкций отобразить пользователю 102 рекомендованное подмножество 152 элементов.
[123] Важно иметь в виду, что не все упомянутые здесь технические результаты могут проявляться в каждом из вариантов осуществления настоящей технологии. Например, варианты осуществления настоящей технологии могут быть выполнены без проявления некоторых технических результатов, другие могут быть выполнены с проявлением других технических результатов или вовсе без них.
[124] Модификации и улучшения вышеописанных вариантов осуществления настоящей технологии будут ясны специалистам в данной области техники. Предшествующее описание представлено только в качестве примера и не несет никаких ограничений. Таким образом, объем настоящей технологии ограничен только объемом прилагаемой формулы изобретения.
[125] Варианты осуществления настоящей технологии можно изложить следующим образом, в виде пронумерованных пунктов:
[126] ПУНКТ 1 Способ (700) создания рекомендованного подмножества (152) элементов для пользователя (102) электронного устройства (104), способ (700) выполняется на сервере (112), способ (700) включает в себя:
- идентификацию (702) сервером (112) первого подмножества (202) элементов в наборе (200) потенциально рекомендуемых элементов на основе свойств элемента, связанных с элементами в наборе (200) потенциально рекомендуемых элементов;
- получение (704) сервером (112) запроса (150) на рекомендованное подмножество (152) элементов;
- идентификацию (706) сервером (112) второго подмножества (206) элементов в наборе (200) потенциально рекомендуемых элементов на основе пользовательских событий, связанных с пользователем (102), причем каждый элемент во втором подмножестве (206) элементов отличается от любого элемента в первом подмножестве (202) элементов; и
- создание (708) сервером (112) рекомендованного подмножества (152) элементов, причем рекомендованное подмножество (152) элементов включает в себя по меньшей мере некоторые элементы из первого подмножества (202) элементов и по меньшей мере некоторые элементы из второго подмножества (206) элементов.
[127] ПУНКТ 2 Способ (700) по п. 1, дополнительно включающий в себя ранжирование сервером (112) элементов в рекомендованном подмножестве (152) элементов.
[128] ПУНКТ 3 Способ (700) по п. 1, дополнительно включающий в себя передачу сервером (112) инструкций отобразить пользователю (102) рекомендованное подмножество (152) элементов.
[129] ПУНКТ 4 Способ (700) по п. 1, который дополнительно включает в себя, до получения (704) запроса, сохранение сервером (112) первого подмножества (202) элементов в базе (120) данных.
[130] ПУНКТ 5 Способ (700) по п. 4, в котором идентификация (702) и сохранение первого подмножества (202) элементов осуществляются в режиме оффлайн.
[131] ПУНКТ 6 Способ (700) по п. 1, в котором идентификация (706) второго подмножества (206) элементов включает в себя:
- идентификацию сервером (112) специфичного для пользователя подмножества элементов, с которыми было осуществлено взаимодействие, из пользовательских событий, связанных с пользователем (102), причем пользователь (102) осуществил взаимодействие с каждым элементом в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие;
- идентификацию сервером (112) потенциального второго подмножества (204) элементов в наборе (200) потенциально рекомендуемых элементов, причем каждый элемент в потенциальном втором подмножестве (204) элементов аналогичен по меньшей мере одному элементу в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие; и
- исключение сервером (112) элементов (208, 210), которые включены в первое подмножество (202) элементов, из потенциального второго подмножества (204) элементов.
[132] ПУНКТ 7 Способ (700) по п. 6, в котором идентификация потенциального второго (204) подмножества элементов включает в себя сравнение сервером (112) каждого элемента в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, с каждым элементом в наборе (200) потенциально рекомендуемых элементов.
[133] ПУНКТ 8 Способ по п. 6, в котором исключение элементов, которые включены в первое подмножество (202) элементов, из потенциального второго (204) подмножества элементов, включает в себя сравнение сервером (112) каждого элемента в потенциальном втором подмножестве (204) элементов с каждым элементом в первом подмножестве (202) элементов.
[134] ПУНКТ 9 Способ (700) по п. 2, в котором рекомендованное подмножество (152) элементов содержит только наиболее высоко ранжированный элемент (570).
[135] ПУНКТ 10 Способ (700) по п. 2, в котором рекомендованное подмножество (152) элементов содержит только заранее определенное число наиболее высоко ранжированных элементов.
[136] ПУНКТ 11 Сервер (112), включающий в себя модуль (114) обработки и базу (120) данных для создания рекомендованного подмножества (152) элементов для пользователя (102) электронного устройства (104), сервер (112) выполнен с возможностью выполнять этапы способа по пп. 1-10.

Claims (36)

1. Способ создания рекомендованного подмножества элементов для пользователя электронного устройства, включающего рекомендательный интерфейс, способ выполняется на сервере, способ включает в себя:
идентификацию сервером первого подмножества элементов в наборе потенциально рекомендуемых элементов на основе свойств элемента, связанных с элементами в наборе потенциально рекомендуемых элементов;
получение сервером запроса на рекомендованное подмножество элементов;
идентификацию сервером второго подмножества элементов в наборе потенциально рекомендуемых элементов на основе пользовательских событий, связанных с пользователем, причем каждый элемент во втором подмножестве элементов отличается от любого элемента в первом подмножестве элементов;
создание сервером рекомендованного подмножества элементов, причем рекомендованное подмножество элементов включает в себя по меньшей мере один элемент из первого подмножества элементов и по меньшей мере один элемент из второго подмножества элементов; и
отображение рекомендованного подмножества элементов в рекомендательном интерфейсе.
2. Способ по п. 1, в котором дополнительно выполняют ранжирование сервером элементов в рекомендованном подмножестве элементов.
3. Способ по п. 1, в котором дополнительно выполняют передачу сервером инструкций отобразить пользователю рекомендованное подмножество элементов.
4. Способ по п. 1, в котором дополнительно выполняют, до получения запроса, сохранение сервером первого подмножества элементов в базе данных.
5. Способ по п. 4, в котором идентификацию и сохранение первого подмножества выполняют сервером в режиме оффлайн.
6. Способ по п. 1, в котором при идентификации второго подмножества элементов выполняют:
идентификацию сервером специфичного для пользователя подмножества элементов, с которыми было осуществлено взаимодействие, из пользовательских событий, связанных с пользователем, причем пользователь осуществил взаимодействие с каждым элементом в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие;
идентификацию сервером потенциального второго подмножества элементов в наборе потенциально рекомендуемых элементов, причем каждый элемент в потенциальном втором подмножестве элементов аналогичен по меньшей мере одному элементу в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие; и
исключение сервером элементов, которые включены в первое подмножество элементов, из потенциального второго подмножества элементов.
7. Способ по п. 6, в котором при идентификации потенциального второго подмножества элементов выполняют сравнение сервером каждого элемента в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, с каждым элементом в наборе потенциально рекомендуемых элементов.
8. Способ по п. 6, в котором при исключении элементов, которые включены в первое подмножество элементов, из потенциального второго подмножества элементов выполняют сравнение сервером каждого элемента в потенциальном втором подмножестве элементов с каждым элементом в первом подмножестве элементов.
9. Способ по п. 2, в котором рекомендованное подмножество элементов содержит только наиболее высокоранжированный элемент.
10. Способ по п. 2, в котором рекомендованное подмножество элементов содержит только заранее определенное число наиболее высокоранжированных элементов.
11. Сервер для создания рекомендованного подмножества элементов для пользователя электронного устройства, включающий в себя модуль обработки и базу данных для создания рекомендованного подмножества элементов для пользователя электронного устройства, включающего рекомендательный интерфейс, сервер выполнен с возможностью выполнять:
идентификацию первого подмножества элементов в наборе потенциально рекомендуемых элементов на основе свойств элемента, связанных с элементами в наборе потенциально рекомендуемых элементов;
получение запроса на рекомендованное подмножество элементов;
идентификацию второго подмножества элементов в наборе потенциально рекомендуемых элементов на основе пользовательских событий, связанных с пользователем, причем каждый элемент во втором подмножестве элементов отличается от любого элемента в первом подмножестве элементов;
создание рекомендованного подмножества элементов, причем рекомендованное подмножество элементов включает в себя по меньшей мере один элемент из первого подмножества элементов и по меньшей мере один элемент из второго подмножества элементов; и
передачу электронному устройству инструкций отобразить пользователю рекомендованное подмножество элементов в рекомендательном интерфейсе.
12. Сервер по п. 11, который дополнительно выполнен с возможностью осуществлять ранжирование элементов в рекомендованном подмножестве элементов.
13. Сервер по п. 11, который дополнительно выполнен с возможностью осуществлять передачу инструкций отобразить пользователю рекомендованное подмножество элементов.
14. Сервер по п. 11, который дополнительно выполнен с возможностью осуществлять, до получения запроса, сохранение первого подмножества элементов в базе данных.
15. Сервер по п. 14, который выполнен с возможностью осуществлять идентификацию и сохранение первого подмножества элементов в режиме оффлайн.
16. Сервер по п. 11, который для идентификации второго подмножества элементов выполнен с возможностью осуществлять:
идентификацию специфичного для пользователя подмножества элементов, с которыми было осуществлено взаимодействие, из пользовательских событий, связанных с пользователем, причем пользователь осуществил взаимодействие с каждым элементом в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие;
идентификацию потенциального второго подмножества элементов в наборе потенциально рекомендуемых элементов, причем каждый элемент в потенциальном втором подмножестве элементов аналогичен по меньшей мере одному элементу в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие; и
исключение элементов, которые включены в первое подмножество элементов, из потенциального второго подмножества элементов.
17. Сервер по п. 16, который для идентификации потенциального второго подмножества элементов выполнен с возможностью осуществлять сравнение каждого элемента в специфичном для пользователя подмножестве элементов, с которыми было осуществлено взаимодействие, с каждым элементом в наборе потенциально рекомендуемых элементов.
18. Сервер по п. 16, который для исключения элементов, которые включены в первое подмножество элементов, из потенциального второго подмножества элементов выполнен с возможностью осуществлять сравнение каждого элемента в потенциальном втором подмножестве элементов с каждым элементом в первом подмножестве элементов.
19. Сервер по п. 12, который выполнен с возможностью создания рекомендованного подмножества элементов, содержащего только наиболее высокоранжированный элемент.
20. Сервер по п. 12, который выполнен с возможностью создания рекомендованного подмножества элементов, содержащего только заранее определенное число наиболее высокоранжированных элементов.
RU2015141108A 2015-09-28 2015-09-28 Способ и сервер создания рекомендуемого набора элементов для пользователя RU2629638C2 (ru)

Priority Applications (3)

Application Number Priority Date Filing Date Title
RU2015141108A RU2629638C2 (ru) 2015-09-28 2015-09-28 Способ и сервер создания рекомендуемого набора элементов для пользователя
US15/262,318 US10452731B2 (en) 2015-09-28 2016-09-12 Method and apparatus for generating a recommended set of items for a user
EP16190999.9A EP3147804A1 (en) 2015-09-28 2016-09-28 Method and apparatus for generating a recommended set of items for a user

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2015141108A RU2629638C2 (ru) 2015-09-28 2015-09-28 Способ и сервер создания рекомендуемого набора элементов для пользователя

Publications (2)

Publication Number Publication Date
RU2015141108A RU2015141108A (ru) 2017-03-31
RU2629638C2 true RU2629638C2 (ru) 2017-08-30

Family

ID=58409586

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2015141108A RU2629638C2 (ru) 2015-09-28 2015-09-28 Способ и сервер создания рекомендуемого набора элементов для пользователя

Country Status (2)

Country Link
US (1) US10452731B2 (ru)
RU (1) RU2629638C2 (ru)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10375200B2 (en) * 2016-09-26 2019-08-06 Disney Enterprises, Inc. Recommender engine and user model for transmedia content data
CN110598086B (zh) * 2018-05-25 2020-11-24 腾讯科技(深圳)有限公司 文章推荐方法、装置、计算机设备及存储介质
US20210110306A1 (en) * 2019-10-14 2021-04-15 Visa International Service Association Meta-transfer learning via contextual invariants for cross-domain recommendation
US11216867B2 (en) * 2020-05-01 2022-01-04 Meta Platforms, Inc. Arranging information describing items within a page maintained in an online system based on an interaction with a link to the page
US11797154B2 (en) * 2020-05-08 2023-10-24 Sony Interactive Entertainment Inc. Inserting a graphical element cluster in a tiled library user interface
US11524228B2 (en) 2020-05-08 2022-12-13 Sony Interactive Entertainment Inc. Sorting computer applications or computer files and indicating a sort attribute in a user interface
US11402973B2 (en) 2020-05-08 2022-08-02 Sony Interactive Entertainment Inc. Single representation of a group of applications on a user interface
US11853380B2 (en) 2020-06-08 2023-12-26 Dropbox, Inc. Intelligently generating and managing third-party sources within a contextual hub
US11223670B1 (en) 2020-12-10 2022-01-11 Ebay Inc. Multi request asynchronous delegation for enhanced performance

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002052374A2 (en) * 2000-12-26 2002-07-04 Trustees Of Dartmouth College Methods and apparatus for personalized content presentation
US20080256017A1 (en) * 2007-04-12 2008-10-16 Kabushiki Kaisha Toshiba Information evaluation system and method for evaluating information
US20110035388A1 (en) * 2008-01-02 2011-02-10 Samsung Electronics Co., Ltd. Method and apparatus for recommending information using a hybrid algorithm
US20110066497A1 (en) * 2009-09-14 2011-03-17 Choicestream, Inc. Personalized advertising and recommendation
RU2451986C2 (ru) * 2007-10-04 2012-05-27 Ксиам Текнолоджис Лимитед Системы, аппарат и способы создания рекомендаций
US20140189014A1 (en) * 2009-09-18 2014-07-03 Google Inc. Systems and Methods for Recommending Media Content Items

Family Cites Families (239)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU7564200A (en) 1999-09-22 2001-04-24 Oleg Kharisovich Zommers Interactive personal information system and method
US6687696B2 (en) 2000-07-26 2004-02-03 Recommind Inc. System and method for personalized search, information filtering, and for generating recommendations utilizing statistical latent class models
JP2002082745A (ja) 2000-09-07 2002-03-22 Sony Corp 情報処理装置及び方法、並びにプログラム格納媒体
US7277765B1 (en) 2000-10-12 2007-10-02 Bose Corporation Interactive sound reproducing
US20020198882A1 (en) 2001-03-29 2002-12-26 Linden Gregory D. Content personalization based on actions performed during a current browsing session
US7007242B2 (en) 2002-02-20 2006-02-28 Nokia Corporation Graphical user interface for a mobile device
US7831476B2 (en) 2002-10-21 2010-11-09 Ebay Inc. Listing recommendation in a network-based commerce system
US20110107223A1 (en) 2003-01-06 2011-05-05 Eric Tilton User Interface For Presenting Presentations
US7475027B2 (en) 2003-02-06 2009-01-06 Mitsubishi Electric Research Laboratories, Inc. On-line recommender system
KR100493902B1 (ko) 2003-08-28 2005-06-10 삼성전자주식회사 콘텐츠 추천방법 및 시스템
US7346839B2 (en) 2003-09-30 2008-03-18 Google Inc. Information retrieval based on historical data
US20050097190A1 (en) 2003-10-31 2005-05-05 Aaron Abdelhak System and method for customized portal web pages
CA2512945A1 (en) 2004-07-23 2006-01-23 Genesis Group Inc. System and method for estimating user ratings from user behavior and providing recommendations
US7540051B2 (en) 2004-08-20 2009-06-02 Spatial Systems, Inc. Mapping web sites based on significance of contact and category
US20060074883A1 (en) 2004-10-05 2006-04-06 Microsoft Corporation Systems, methods, and interfaces for providing personalized search and information access
WO2006051492A2 (en) 2004-11-15 2006-05-18 Koninklijke Philips Electronics N.V. Method and network device for assisting a user in selecting content
US20110208732A1 (en) 2010-02-24 2011-08-25 Apple Inc. Systems and methods for organizing data items
US8060463B1 (en) 2005-03-30 2011-11-15 Amazon Technologies, Inc. Mining of user event data to identify users with common interests
US20060293065A1 (en) 2005-06-27 2006-12-28 Lucent Technologies Inc. Dynamic information on demand
US20150331859A1 (en) 2005-10-26 2015-11-19 Cortica, Ltd. Method and system for providing multimedia content to users based on textual phrases
US8429184B2 (en) 2005-12-05 2013-04-23 Collarity Inc. Generation of refinement terms for search queries
US7502789B2 (en) 2005-12-15 2009-03-10 Microsoft Corporation Identifying important news reports from news home pages
GB0610119D0 (en) 2006-05-20 2006-06-28 Ibm Internet browser and method of bookmarking in same
US9443022B2 (en) 2006-06-05 2016-09-13 Google Inc. Method, system, and graphical user interface for providing personalized recommendations of popular search queries
US9715543B2 (en) 2007-02-28 2017-07-25 Aol Inc. Personalization techniques using image clouds
US20080222132A1 (en) 2007-03-07 2008-09-11 Jiangyi Pan Personalized shopping recommendation based on search units
US8108417B2 (en) 2007-04-04 2012-01-31 Intertrust Technologies Corporation Discovering and scoring relationships extracted from human generated lists
KR20080096134A (ko) 2007-04-27 2008-10-30 엘지전자 주식회사 이동통신 단말기 및 그 웹페이지 제어방법
US8301623B2 (en) * 2007-05-22 2012-10-30 Amazon Technologies, Inc. Probabilistic recommendation system
USD613300S1 (en) 2007-06-28 2010-04-06 Apple Inc. Animated graphical user interface for a display screen or portion thereof
US8010527B2 (en) 2007-06-29 2011-08-30 Fuji Xerox Co., Ltd. System and method for recommending information resources to user based on history of user's online activity
US8751507B2 (en) 2007-06-29 2014-06-10 Amazon Technologies, Inc. Recommendation system with multiple integrated recommenders
US7949659B2 (en) 2007-06-29 2011-05-24 Amazon Technologies, Inc. Recommendation system with multiple integrated recommenders
US8275764B2 (en) 2007-08-24 2012-09-25 Google Inc. Recommending media programs based on media program popularity
US8972865B2 (en) 2007-10-19 2015-03-03 Opera Software Asa Method and device for providing easy access to pre-selected data resources
US8484142B2 (en) 2007-11-02 2013-07-09 Ebay Inc. Integrating an internet preference learning facility into third parties
US8666909B2 (en) 2007-11-02 2014-03-04 Ebay, Inc. Interestingness recommendations in a computing advice facility
US8494978B2 (en) 2007-11-02 2013-07-23 Ebay Inc. Inferring user preferences from an internet based social interactive construct
US8510252B1 (en) 2007-12-07 2013-08-13 Google, Inc. Classification of inappropriate video content using multi-scale features
WO2009087414A1 (en) 2008-01-08 2009-07-16 Taptu Ltd. Mobile search service
RU2368006C1 (ru) 2008-01-10 2009-09-20 Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." Способ и система адаптивного переформатирования цифровых изображений
US8560964B2 (en) 2008-02-20 2013-10-15 International Business Machines Corporation Method and system for predictive browsing
US9323439B2 (en) 2008-03-28 2016-04-26 International Business Machines Corporation System and method for displaying published electronic documents
US7849076B2 (en) 2008-03-31 2010-12-07 Yahoo! Inc. Learning ranking functions incorporating isotonic regression for information retrieval and ranking
WO2009134817A1 (en) 2008-04-28 2009-11-05 Strands, Inc. Method for providing personalized recommendations of financial products based on user data
US8683374B2 (en) 2008-06-24 2014-03-25 Microsoft Corporation Displaying a user's default activities in a new tab page
US8631351B2 (en) 2008-06-29 2014-01-14 Microsoft Corporation Providing multiple degrees of context for content consumed on computers and media players
US8762313B2 (en) 2008-07-25 2014-06-24 Liveperson, Inc. Method and system for creating a predictive model for targeting web-page to a surfer
US20100205542A1 (en) 2008-08-07 2010-08-12 Christina Walman Method, system for tracking group behavior
BRPI0918278A2 (pt) 2008-09-01 2015-12-15 Google Inc páginas da nova aba e barras de ferramentas de marcador em um navegador
JP4650541B2 (ja) 2008-09-08 2011-03-16 ソニー株式会社 推薦装置および方法、プログラム、並びに記録媒体
EP2360562B1 (en) 2008-11-11 2015-04-08 Sony Computer Entertainment Inc. Image processing device, information processing device, image processing method, and information processing method
US8156435B2 (en) 2008-11-25 2012-04-10 At&T Intellectual Property I, L.P. Systems and methods to select media content
US8244740B2 (en) 2008-11-26 2012-08-14 Microsoft Corporation Providing suggested sites associated with target sites
EP2202656A1 (en) 2008-12-23 2010-06-30 Axel Springer Digital TV Guide GmbH Context-based recommender system
US8499251B2 (en) 2009-01-07 2013-07-30 Microsoft Corporation Virtual page turn
US11076189B2 (en) 2009-03-30 2021-07-27 Time Warner Cable Enterprises Llc Personal media channel apparatus and methods
US8555173B2 (en) 2009-05-31 2013-10-08 Linkedin Corporation Recommendation engine
US20110047136A1 (en) 2009-06-03 2011-02-24 Michael Hans Dehn Method For One-Click Exclusion Of Undesired Search Engine Query Results Without Clustering Analysis
US8271898B1 (en) 2009-06-04 2012-09-18 Mellmo Inc. Predictive scrolling
US8412796B2 (en) 2009-07-31 2013-04-02 University College Dublin—National University of Ireland, Dublin Real time information feed processing
KR100984817B1 (ko) 2009-08-19 2010-10-01 주식회사 컴퍼니원헌드레드 이동통신 단말기의 터치스크린을 이용한 사용자 인터페이스 방법
WO2011035210A2 (en) 2009-09-18 2011-03-24 Lexxe Pty Ltd Method and system for scoring texts
US20110112981A1 (en) 2009-11-09 2011-05-12 Seung-Taek Park Feature-Based Method and System for Cold-Start Recommendation of Online Ads
US8285602B1 (en) 2009-11-19 2012-10-09 Amazon Technologies, Inc. System for recommending item bundles
US8290818B1 (en) 2009-11-19 2012-10-16 Amazon Technologies, Inc. System for recommending item bundles
US9336315B2 (en) 2010-01-19 2016-05-10 Ebay Inc. Personalized recommendation of a volatile item
US8606792B1 (en) 2010-02-08 2013-12-10 Google Inc. Scoring authors of posts
US8650172B2 (en) 2010-03-01 2014-02-11 Microsoft Corporation Searchable web site discovery and recommendation
DE102010011039A1 (de) 2010-03-11 2011-09-15 Volkswagen Ag Verfahren und Vorrichtung zum Betreiben einer Benutzerschnittstelle
US9760643B2 (en) 2010-04-09 2017-09-12 Aol Inc. Systems and methods for identifying electronic content
EP2393056A1 (en) 2010-06-02 2011-12-07 Layar B.V. Acquiring, ranking and displaying points of interest for use in an augmented reality service provisioning system and graphical user interface for displaying such ranked points of interests
US8412726B2 (en) 2010-06-03 2013-04-02 Microsoft Corporation Related links recommendation
US8577896B2 (en) 2010-06-08 2013-11-05 Netflix, Inc Interest based row selection
EP2397952A1 (en) 2010-06-15 2011-12-21 Axel Springer Digital TV Guide GmbH Profile based content retrieval for recommender systems
US9798822B2 (en) 2010-06-29 2017-10-24 Apple Inc. Location based grouping of browsing histories
USD668674S1 (en) 2010-07-26 2012-10-09 Apple Inc. Display screen or portion thereof with icon
US8676736B2 (en) 2010-07-30 2014-03-18 Gravity Research And Development Kft. Recommender systems and methods using modified alternating least squares algorithm
US20120059707A1 (en) 2010-09-01 2012-03-08 Google Inc. Methods and apparatus to cluster user data
KR101709470B1 (ko) 2010-09-02 2017-02-23 엘지전자 주식회사 영상표시기기 및 그 동작 방법
JP5621422B2 (ja) 2010-09-07 2014-11-12 ソニー株式会社 情報処理装置、プログラム及び制御方法
US8893042B2 (en) 2010-09-14 2014-11-18 Microsoft Corporation Determination and display of relevant websites
US8903834B2 (en) 2010-10-14 2014-12-02 Netflix, Inc. Recommending groups of items based on item ranks
CN102467709B (zh) 2010-11-17 2017-03-01 阿里巴巴集团控股有限公司 一种发送商品信息的方法和装置
EP2646971A4 (en) 2010-12-01 2015-06-03 Google Inc PERSONAL CONTENT DATA STREAM BASED ON USER SUBJECT PROFILES
US20120158685A1 (en) 2010-12-16 2012-06-21 Microsoft Corporation Modeling Intent and Ranking Search Results Using Activity-based Context
US9172762B2 (en) 2011-01-20 2015-10-27 Linkedin Corporation Methods and systems for recommending a context based on content interaction
US20120209907A1 (en) 2011-02-14 2012-08-16 Andrews Anton O A Providing contextual content based on another user
US8468164B1 (en) 2011-03-09 2013-06-18 Amazon Technologies, Inc. Personalized recommendations based on related users
US8719213B2 (en) 2011-03-29 2014-05-06 Manyworlds, Inc. Contextually transformed learning layer
EP2695123A4 (en) 2011-04-05 2014-08-27 Ericsson Telefon Ab L M PROCEDURE AND ARRANGEMENTS FOR CREATING PERSONALIZED RECOMMENDATIONS
US8600968B2 (en) 2011-04-19 2013-12-03 Microsoft Corporation Predictively suggesting websites
US20120304073A1 (en) 2011-05-27 2012-11-29 Mirko Mandic Web Browser with Quick Site Access User Interface
GB201109339D0 (en) 2011-06-03 2011-07-20 Firestorm Lab Ltd Computing device interface
US20120317104A1 (en) 2011-06-13 2012-12-13 Microsoft Corporation Using Aggregate Location Metadata to Provide a Personalized Service
TWI480794B (zh) 2011-07-10 2015-04-11 Compal Electronics Inc 訊息顯示方法與電子裝置
US8886797B2 (en) 2011-07-14 2014-11-11 Cisco Technology, Inc. System and method for deriving user expertise based on data propagating in a network environment
US20130018823A1 (en) 2011-07-15 2013-01-17 F-Secure Corporation Detecting undesirable content on a social network
CN109597945B (zh) 2011-07-20 2023-05-02 电子湾有限公司 用于产生位置感知推荐的方法
US9146909B2 (en) 2011-07-27 2015-09-29 Qualcomm Incorporated Web browsing enhanced by cloud computing
US8972414B2 (en) 2011-07-29 2015-03-03 Linkedin Corporation Methods and systems for identifying similar people via a business networking service
EP2557510A1 (en) 2011-08-12 2013-02-13 Accenture Global Services Limited Context and process based search ranking
CN102956009B (zh) 2011-08-16 2017-03-01 阿里巴巴集团控股有限公司 一种基于用户行为的电子商务信息推荐方法与装置
US8712937B1 (en) 2011-09-13 2014-04-29 Amazon Technologies, Inc. Predicting popularity of electronic publications
US8386955B1 (en) 2011-10-21 2013-02-26 Google Inc. User-optimized content for web browsing windows
US8478664B1 (en) 2011-10-25 2013-07-02 Amazon Technologies, Inc. Recommendation system with user interface for exposing downstream effects of particular rating actions
US8935629B2 (en) 2011-10-28 2015-01-13 Flipboard Inc. Systems and methods for flipping through content
EP2781105A2 (en) 2011-11-18 2014-09-24 Rubriq Corporation Method and apparatus for enabling recipient interaction with a content stream
US8868481B2 (en) 2011-12-14 2014-10-21 Google Inc. Video recommendation based on video co-occurrence statistics
CN103167330A (zh) 2011-12-15 2013-06-19 盛乐信息技术(上海)有限公司 音视频推荐方法及系统
CN103492995A (zh) 2011-12-15 2014-01-01 株式会社Ntt都科摩 显示装置、用户接口方法以及程序
US9053416B1 (en) 2012-01-03 2015-06-09 Google Inc. Systems and methods for screening potentially inappropriate content
US8860763B2 (en) 2012-01-31 2014-10-14 Xerox Corporation Reversible user interface component
US20130204737A1 (en) 2012-02-03 2013-08-08 Shubham Agarwal Leveraging store activity for recommendations
EP2645324A1 (en) 2012-03-30 2013-10-02 Sony Corporation Method for recommending items and recommendation system
US9836545B2 (en) 2012-04-27 2017-12-05 Yahoo Holdings, Inc. Systems and methods for personalized generalized content recommendations
US9785883B2 (en) 2012-04-27 2017-10-10 Excalibur Ip, Llc Avatars for use with personalized generalized content recommendations
US8996530B2 (en) 2012-04-27 2015-03-31 Yahoo! Inc. User modeling for personalized generalized content recommendations
US20130297698A1 (en) 2012-05-07 2013-11-07 Nokia Corporation Method and Apparatus for Utilizing Context and Profile Information in Content Searching and Recommendation
US20130311408A1 (en) 2012-05-15 2013-11-21 Comcast Cable Communications, Llc Determining and Predicting Popularity of Content
EP2677758A1 (en) 2012-06-19 2013-12-25 Thomson Licensing Mind opening content recommending system
US20130346182A1 (en) 2012-06-20 2013-12-26 Yahoo! Inc. Multimedia features for click prediction of new advertisements
WO2014004735A1 (en) * 2012-06-26 2014-01-03 Medio Systems, Inc. Recommendations system
US9147000B2 (en) 2012-06-29 2015-09-29 Yahoo! Inc. Method and system for recommending websites
US20140025532A1 (en) * 2012-07-19 2014-01-23 Barnesandnoble.Com Llc Correlated Content Recommendation Techniques
US8949334B2 (en) 2012-07-26 2015-02-03 Microsoft Corporation Push-based recommendations
US9660947B1 (en) 2012-07-27 2017-05-23 Intuit Inc. Method and apparatus for filtering undesirable content based on anti-tags
US20140040776A1 (en) 2012-08-02 2014-02-06 Jonathan P. Dann Systems and methods for bi-directional display of content of a social networking system
CN103678298B (zh) 2012-08-30 2016-04-13 腾讯科技(深圳)有限公司 一种信息展示方法和设备
US9367878B2 (en) 2012-09-07 2016-06-14 Yahoo! Inc. Social content suggestions based on connections
US9996631B2 (en) 2012-09-25 2018-06-12 Opera Software As Information management and display in web browsers
US9817827B2 (en) 2012-10-04 2017-11-14 Netflix, Inc. Relationship-based search and recommendations
US9773229B2 (en) 2012-11-01 2017-09-26 Google Inc. Systems and methods for providing contact group member suggestions
US8983888B2 (en) 2012-11-07 2015-03-17 Microsoft Technology Licensing, Llc Efficient modeling system for user recommendation using matrix factorization
US9355415B2 (en) 2012-11-12 2016-05-31 Google Inc. Providing content recommendation to users on a site
US9696898B2 (en) 2012-11-14 2017-07-04 Facebook, Inc. Scrolling through a series of content items
US9654426B2 (en) 2012-11-20 2017-05-16 Dropbox, Inc. System and method for organizing messages
US9569785B2 (en) 2012-11-21 2017-02-14 Marketo, Inc. Method for adjusting content of a webpage in real time based on users online behavior and profile
WO2014085908A1 (en) 2012-12-05 2014-06-12 Jonathan Michael Lee System and method for finding and prioritizing content based on user specific interest profiles
US10037538B2 (en) 2012-12-11 2018-07-31 Facebook, Inc. Selection and presentation of news stories identifying external content to social networking system users
US20140172544A1 (en) 2012-12-17 2014-06-19 Facebook, Inc. Using negative feedback about advertisements to serve advertisements
US20140172545A1 (en) 2012-12-17 2014-06-19 Facebook, Inc. Learned negative targeting features for ads based on negative feedback from users
US20140181121A1 (en) 2012-12-21 2014-06-26 Microsoft Corporation Feature embedding in matrix factorization
CN103077220B (zh) 2012-12-29 2016-06-29 中国科学院深圳先进技术研究院 一种基于用户群关联度的个性化推荐方法及系统
US9129227B1 (en) 2012-12-31 2015-09-08 Google Inc. Methods, systems, and media for recommending content items based on topics
US20140195890A1 (en) 2013-01-09 2014-07-10 Amazon Technologies, Inc. Browser interface for accessing supplemental content associated with content pages
KR20140091633A (ko) 2013-01-11 2014-07-22 삼성전자주식회사 모바일 장치에서의 상황 인지에 따른 추천 항목을 제공하기 위한 방법 및 이를 위한 모바일 장치
US9122989B1 (en) 2013-01-28 2015-09-01 Insidesales.com Analyzing website content or attributes and predicting popularity
KR102111769B1 (ko) 2013-02-08 2020-06-08 삼성전자주식회사 추천 패널 제공 방법 및 이를 위한 디바이스, 추천 아이템 제공 방법 및 이를 위한 서버
CN104038517A (zh) 2013-03-05 2014-09-10 腾讯科技(深圳)有限公司 基于群组关系的信息推送方法以及服务器
CN104969224B (zh) 2013-03-13 2020-02-14 谷歌有限责任公司 未认可及新用户的改善用户体验
US20140278786A1 (en) 2013-03-14 2014-09-18 Twain Liu-Qiu-Yan System and method to survey and evaluate items according to people's perceptions and to generate recommendations based on people's perceptions
US9514191B2 (en) 2013-03-14 2016-12-06 Microsoft Technology Licensing, Llc Visualizing ranking factors for items in a search result list
US20160027062A1 (en) 2013-03-15 2016-01-28 Yandex Europe Ag Method of and system for providing a client device with particularized information without employing unique identifiers
US9703783B2 (en) * 2013-03-15 2017-07-11 Yahoo! Inc. Customized news stream utilizing dwelltime-based machine learning
US9282138B2 (en) 2013-03-15 2016-03-08 Facebook, Inc. Enabling photoset recommendations
US9342580B2 (en) 2013-03-15 2016-05-17 FEM, Inc. Character based media analytics
RU2543315C2 (ru) 2013-03-22 2015-02-27 Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Национальный исследовательский университет "Высшая школа экономики" Способ отбора эффективных вариантов в поисковых и рекомендательных системах (варианты)
US20140317105A1 (en) 2013-04-23 2014-10-23 Google Inc. Live recommendation generation
US20140316930A1 (en) 2013-04-23 2014-10-23 Google, Inc. Explanations for personalized recommendations
US20140358916A1 (en) 2013-05-29 2014-12-04 Microsoft Corporation Personalized prioritization of integrated search results
US20140359489A1 (en) 2013-05-30 2014-12-04 Qualcomm Incorporated Web browser history
US9804745B2 (en) 2013-06-09 2017-10-31 Apple Inc. Reordering content panes in a stacked tab view
US9374431B2 (en) 2013-06-20 2016-06-21 Microsoft Technology Licensing, Llc Frequent sites based on browsing patterns
US20150006286A1 (en) 2013-06-28 2015-01-01 Linkedin Corporation Targeting users based on categorical content interactions
US20150052003A1 (en) 2013-08-19 2015-02-19 Wal-Mart Stores, Inc. Providing Personalized Item Recommendations Using Scalable Matrix Factorization With Randomness
US20150088921A1 (en) 2013-09-20 2015-03-26 Ebay Inc. Search guidance
CN103473354A (zh) 2013-09-25 2013-12-25 焦点科技股份有限公司 基于电子商务平台的保险推荐系统框架及保险推荐方法
US10437901B2 (en) 2013-10-08 2019-10-08 Flipboard, Inc. Identifying similar content on a digital magazine server
JP2015079395A (ja) 2013-10-17 2015-04-23 Necパーソナルコンピュータ株式会社 情報処理装置、方法及びプログラム
US20150112801A1 (en) 2013-10-22 2015-04-23 Microsoft Corporation Multiple persona based modeling
US20150120722A1 (en) 2013-10-31 2015-04-30 Telefonica Digital Espana, S.L.U. Method and system for providing multimedia content recommendations
CN103559262B (zh) 2013-11-04 2016-10-05 北京邮电大学 基于社区的作者及其学术论文推荐系统和推荐方法
CN104636371B (zh) 2013-11-11 2018-05-18 华为技术有限公司 信息推荐方法及设备
US9201931B2 (en) 2013-12-02 2015-12-01 Qbase, LLC Method for obtaining search suggestions from fuzzy score matching and population frequencies
US20150161672A1 (en) 2013-12-09 2015-06-11 Microsoft Corporation Preventing Display of Age Inappropriate Advertising
US20150189070A1 (en) 2013-12-20 2015-07-02 Richard L. Baker Mobile platform functionalities employing proximal variants and advanced personalization methods to control dynamic icon display on a mobile computing device display screen
US20150178282A1 (en) 2013-12-23 2015-06-25 Yahoo! Inc. Fast and dynamic targeting of users with engaging content
CN103678672B (zh) 2013-12-25 2017-05-24 北京中兴通德网络科技有限公司 一种信息推荐方法
US10437859B2 (en) 2014-01-30 2019-10-08 Microsoft Technology Licensing, Llc Entity page generation and entity related searching
CN103838842A (zh) 2014-02-28 2014-06-04 北京奇虎科技有限公司 一种浏览器中加载新标签页的方法和装置
US10165069B2 (en) 2014-03-18 2018-12-25 Outbrain Inc. Provisioning personalized content recommendations
US9405741B1 (en) 2014-03-24 2016-08-02 Amazon Technologies, Inc. Controlling offensive content in output
US9563760B2 (en) 2014-03-24 2017-02-07 Google Technology Holdings LLC Biometric authentication for regulating access to content sources via a client device
US20150278706A1 (en) 2014-03-26 2015-10-01 Telefonaktiebolaget L M Ericsson (Publ) Method, Predictive Analytics System, and Computer Program Product for Performing Online and Offline Learning
US9348898B2 (en) 2014-03-27 2016-05-24 Microsoft Technology Licensing, Llc Recommendation system with dual collaborative filter usage matrix
US9836533B1 (en) 2014-04-07 2017-12-05 Plentyoffish Media Ulc Apparatus, method and article to effect user interest-based matching in a network environment
CN103942288B (zh) 2014-04-10 2017-02-08 南京邮电大学 一种基于用户风险偏好的服务推荐方法
US9691035B1 (en) 2014-04-14 2017-06-27 Amazon Technologies, Inc. Real-time updates to item recommendation models based on matrix factorization
US20150312348A1 (en) 2014-04-24 2015-10-29 David Lustgarten Methods, apparatus, and systems for home information management
US20150325094A1 (en) 2014-05-09 2015-11-12 International Business Machines Corporation Providing recommendations based on detection and prediction of undesirable interactions
WO2015174764A1 (en) 2014-05-15 2015-11-19 Samsung Electronics Co., Ltd. System for providing personalized information and method of providing the personalized information
US9836765B2 (en) 2014-05-19 2017-12-05 Kibo Software, Inc. System and method for context-aware recommendation through user activity change detection
US20150347358A1 (en) 2014-06-01 2015-12-03 Apple Inc. Concurrent display of webpage icon categories in content browser
CN105446970A (zh) 2014-06-10 2016-03-30 华为技术有限公司 推荐项目的方法和装置
US10210261B2 (en) 2014-06-18 2019-02-19 Facebook, Inc. Ranking and filtering groups recommendations
CN104102696A (zh) 2014-06-26 2014-10-15 海信集团有限公司 一种内容推荐方法及装置
KR20160001266A (ko) 2014-06-27 2016-01-06 엘지전자 주식회사 이동단말기 및 그 제어방법
US9473803B2 (en) 2014-08-08 2016-10-18 TCL Research America Inc. Personalized channel recommendation method and system
US20160055242A1 (en) 2014-08-20 2016-02-25 Luceo Social, Inc. Systems and methods for analyzing content from digital content sources
US11809501B2 (en) 2014-08-28 2023-11-07 Ebay Inc. Systems, apparatuses, and methods for providing a ranking based recommendation
US20160070803A1 (en) 2014-09-09 2016-03-10 Funky Flick, Inc. Conceptual product recommendation
US20160196244A1 (en) 2014-10-09 2016-07-07 Wrap Media, LLC Card based package for distributing electronic media and services
CN104317835B (zh) 2014-10-10 2018-01-16 中国科学院深圳先进技术研究院 视频终端的新用户推荐方法
US20160110363A1 (en) 2014-10-21 2016-04-21 Anatoliy TKACH Method and system for measuring and matching individual cultural preferences and for targeting of culture related content and advertising to the most relevant audience
US10820051B2 (en) 2014-10-21 2020-10-27 At&T Mobility Ii Llc Inhibiting display of advertisements with age-inappropriate content
US9900659B1 (en) 2014-11-07 2018-02-20 Amazon Technologies, Inc. Personalized content appropriateness ratings
CN104503973A (zh) 2014-11-14 2015-04-08 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) 一种基于奇异值分解与分类器融合推荐的方法
US20160147753A1 (en) 2014-11-20 2016-05-26 Facebook, Inc. Suggesting Content for Discovery Based on User Interests and Authorship
KR20160064447A (ko) 2014-11-28 2016-06-08 이종찬 협력적 필터링의 예측 선호도를 이용한 처음 사용자에 대한 추천 제공 방법
US9767102B2 (en) 2014-12-01 2017-09-19 Comcast Cable Communications, Llc Content recommendation system
EP3032780B1 (en) 2014-12-12 2018-05-09 Alcatel Lucent Method and apparatus for transmitting messages to users using trajectory-based clustering
US20160170982A1 (en) 2014-12-16 2016-06-16 Yahoo! Inc. Method and System for Joint Representations of Related Concepts
US20160275804A1 (en) 2015-03-16 2016-09-22 eSpark, Inc. Delivery of Personalized Educational Content
US10515127B2 (en) 2015-04-09 2019-12-24 Oath Inc. Inductive matrix completion and graph proximity for content item recommendation
US20160328480A1 (en) 2015-05-06 2016-11-10 Facebook, Inc. Systems and methods for tuning content provision based on user preference
US11887164B2 (en) 2015-05-26 2024-01-30 Microsoft Technology Licensing, Llc Personalized information from venues of interest
US10191949B2 (en) 2015-06-18 2019-01-29 Nbcuniversal Media, Llc Recommendation system using a transformed similarity matrix
US10606466B2 (en) 2015-07-13 2020-03-31 Facebook, Inc. Presenting additional content to an online system user based on user interaction with a scrollable content unit
US20170024657A1 (en) 2015-07-21 2017-01-26 Yp Llc Fuzzy autosuggestion for query processing services
US10180968B2 (en) 2015-07-23 2019-01-15 Netflix, Inc. Gaussian ranking using matrix factorization
US10387431B2 (en) 2015-08-24 2019-08-20 Google Llc Video recommendation based on video titles
US20170061286A1 (en) 2015-08-27 2017-03-02 Skytree, Inc. Supervised Learning Based Recommendation System
US10528572B2 (en) 2015-08-28 2020-01-07 Microsoft Technology Licensing, Llc Recommending a content curator
US10083237B2 (en) 2015-08-31 2018-09-25 Google Llc Protecting users from inappropriate sensitive or offensive search results
US20170068992A1 (en) 2015-09-04 2017-03-09 Yahoo! Inc. Multi-source content blending
US20170076318A1 (en) 2015-09-16 2017-03-16 Microsoft Technology Licensing, Llc Enhanced content quality using content features
CN105893398A (zh) 2015-10-12 2016-08-24 乐视网信息技术(北京)股份有限公司 多媒体内容的推荐方法、装置、用户终端设备及服务器
US10977322B2 (en) 2015-11-09 2021-04-13 WP Company, LLC Systems and methods for recommending temporally relevant news content using implicit feedback data
US20170337612A1 (en) 2016-05-23 2017-11-23 Ebay Inc. Real-time recommendation of entities by projection and comparison in vector spaces
RU2632132C1 (ru) 2016-07-07 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для создания рекомендаций содержимого в системе рекомендаций
RU2636702C1 (ru) 2016-07-07 2017-11-27 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций
RU2731659C2 (ru) 2016-09-09 2020-09-07 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для обучения алгоритма машинного обучения (MLA) по созданию рекомендаций содержимого в системе рекомендаций и способ и устройство для создания рекомендуемого содержимого с помощью алгоритма машинного обучения
CN106446195A (zh) 2016-09-29 2017-02-22 北京百度网讯科技有限公司 基于人工智能的新闻推荐方法及装置
CN106802915B (zh) 2016-12-09 2020-07-28 宁波大学 一种基于用户行为的学术资源推荐方法
CN106815297B (zh) 2016-12-09 2020-04-10 宁波大学 一种学术资源推荐服务系统与方法
CN106777229B (zh) 2016-12-26 2020-02-28 北京金山安全软件有限公司 一种个性化推荐实时性测试方法、装置及电子设备
CN106874374A (zh) 2016-12-31 2017-06-20 杭州益读网络科技有限公司 一种基于用户历史行为交互分析的推荐推送方法
CN107491813B (zh) 2017-08-29 2023-06-30 天津工业大学 一种基于多目标优化的长尾群组推荐方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002052374A2 (en) * 2000-12-26 2002-07-04 Trustees Of Dartmouth College Methods and apparatus for personalized content presentation
US20080256017A1 (en) * 2007-04-12 2008-10-16 Kabushiki Kaisha Toshiba Information evaluation system and method for evaluating information
RU2451986C2 (ru) * 2007-10-04 2012-05-27 Ксиам Текнолоджис Лимитед Системы, аппарат и способы создания рекомендаций
US20110035388A1 (en) * 2008-01-02 2011-02-10 Samsung Electronics Co., Ltd. Method and apparatus for recommending information using a hybrid algorithm
US20110066497A1 (en) * 2009-09-14 2011-03-17 Choicestream, Inc. Personalized advertising and recommendation
US20140189014A1 (en) * 2009-09-18 2014-07-03 Google Inc. Systems and Methods for Recommending Media Content Items

Also Published As

Publication number Publication date
US10452731B2 (en) 2019-10-22
US20170091336A1 (en) 2017-03-30
RU2015141108A (ru) 2017-03-31

Similar Documents

Publication Publication Date Title
RU2632100C2 (ru) Способ и сервер создания рекомендованного набора элементов
RU2720899C2 (ru) Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации
RU2629638C2 (ru) Способ и сервер создания рекомендуемого набора элементов для пользователя
RU2699574C2 (ru) Способ и сервер для представления элемента рекомендуемого содержимого пользователю
RU2632131C2 (ru) Способ и устройство для создания рекомендуемого списка содержимого
US10706325B2 (en) Method and apparatus for selecting a network resource as a source of content for a recommendation system
US10430481B2 (en) Method and apparatus for generating a content recommendation in a recommendation system
US10706100B2 (en) Method of and system for recommending media objects
RU2693323C2 (ru) Способ и сервер для выбора элементов рекомендаций для пользователя
RU2720952C2 (ru) Способ и система для создания рекомендации цифрового содержимого
RU2731335C2 (ru) Способ и система для формирования рекомендаций цифрового контента
US9877055B2 (en) Computer system and method for streaming video with dynamic user features
RU2714594C1 (ru) Способ и система определения параметра релевантность для элементов содержимого
RU2632140C2 (ru) Способ и сервер для кластеризации предложений для поисковых запросов
US20160224563A1 (en) Method of and system for ranking elements of a network resource for a user
RU2595497C2 (ru) Способ отображения веб-ресурса пользователю (варианты) и электронное устройство
US20170193059A1 (en) Searching For Applications Based On Application Usage
US20170132323A1 (en) Methods and systems for refining search results
RU2633180C2 (ru) Система и способ управления браузерным приложением, постоянный машиночитаемый носитель и электронное устройство
EP3136265A1 (en) Method and apparatus for generating a recommended content list
RU2586249C2 (ru) Способ обработки поискового запроса и сервер
US9576077B2 (en) Generating and displaying media content search results on a computing device
RU2605001C2 (ru) Способ обработки поискового запроса пользователя и сервер, используемый в нем
US20170103073A1 (en) Identifying Expert Reviewers
EP3147803A1 (en) Method and apparatus for generating a recommended set of items