RU2714594C1 - Способ и система определения параметра релевантность для элементов содержимого - Google Patents

Способ и система определения параметра релевантность для элементов содержимого Download PDF

Info

Publication number
RU2714594C1
RU2714594C1 RU2018132716A RU2018132716A RU2714594C1 RU 2714594 C1 RU2714594 C1 RU 2714594C1 RU 2018132716 A RU2018132716 A RU 2018132716A RU 2018132716 A RU2018132716 A RU 2018132716A RU 2714594 C1 RU2714594 C1 RU 2714594C1
Authority
RU
Russia
Prior art keywords
content
user
recommendation
recommended
elements
Prior art date
Application number
RU2018132716A
Other languages
English (en)
Inventor
Евгений Андреевич Соколов
Виктор Григорьевич Ламбурт
Борис Дмитриевич Шарчилев
Андрей Петрович Данильченко
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 RU2018132716A priority Critical patent/RU2714594C1/ru
Priority to US16/370,286 priority patent/US10674215B2/en
Application granted granted Critical
Publication of RU2714594C1 publication Critical patent/RU2714594C1/ru

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H04N21/44224—Monitoring of user activity on external systems, e.g. Internet browsing
    • H04N21/44226—Monitoring of user activity on external systems, e.g. Internet browsing on social networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/65—Transmission of management data between client and server
    • H04N21/658—Transmission by the client directed to the server
    • H04N21/6582—Data stored in the client, e.g. viewing habits, hardware capabilities, credit card number
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

Изобретение относится к средствам определения параметра релевантности для элемента цифрового содержимого и системе для осуществления этого способа. Технический результат заключается в повышении точности выдачи рекомендаций. Элемент цифрового содержимого берет начало с канала содержимого, связанного с системой рекомендаций. Идентифицируют пул пользователей, связанных с каналом содержимого, причем данный пользователь из пула пользователей связан с каналом содержимого. Используют пул пользователей для исследования и прогноза параметра релевантности. Параметр релевантности далее используется для прогноза параметра релевантности элемента цифрового содержимого для пользователя вне пула пользователей на основе пользовательских взаимодействий первого пользователя. 3 н. и 17 з.п. ф-лы, 5 ил.

Description

ОБЛАСТЬ ТЕХНИКИ
[01] Настоящая технология относится к системе рекомендаций в общем смысле, и в частности - к способу и системе для определения параметра релевантности для элемента 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, информацию о компаниях, финансовую информацию и ресурсы, информацию о трафике, игры и информацию 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 Испании». 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 Испании. Если пользователь по какой-либо причине не удовлетворен представленными результатами, пользователь может произвести вторичный поиск, уточнив запрос, например «наиболее популярные места в Испании летом», «наиболее популярные места на юге Испании», «Наиболее популярные места в Испании 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-сайтов, 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] Другим примером системы рекомендаций является система Яндекс.Дзен™. Система рекомендаций Яндекс.Дзен рекомендует цифровое содержимое (например, статьи, новости и видео в персонализированной ленте на начальном экране Яндекс.Браузера). Когда пользователь просматривает содержимое, рекомендованное сервером Яндекс.Дзен, сервер получает явную (спросив пользователя о том, хочет ли он(а) видеть больше подобного содержимого в своей ленте) или неявную (путем наблюдения за взаимодействием пользователя с содержимым) обратную связь. С помощью обратной связи от пользователя, сервер Яндекс.Дзен постоянно улучшает рекомендации содержимого, которые предоставляются данному пользователю.
[08] Американская патентная заявка US 2012/0209907, которая опубликована 16 августа 2012 года под авторством Эдрюс и др., описывает сервис агрегации и распределения содержимого, который может выполняться в облачной компьютерной среде, и который предоставляет содержимое на основе интересных для пользователя-транслятора тематик подписчику на основе контекста подписчика. Примером пользователя-транслятора может быть звезда шоу-бизнеса. Содержимое об интересах, связанных с пользователем-транслятором, автоматически собирается с онлайн ресурсов, отфильтровывается и распределяется на основе контекста подписчика. Некоторые примеры онлайн ресурсов представляют собой веб-сайты, социальные сети и системы купли-продажи. Пример транслируемого содержимого - рекомендация, которая могла быть введена напрямую в сервис или размещена звездой шоу-бизнеса в своем аккаунте в социальной сети. И пользователь-транслятор и подписчик могут контролировать соответствующее распределение и получение содержимого с помощью настроек подписки. Например, настройки могут устанавливать границы в отношении к темам, контекстам и данным профиля подписчика.
[09] Американская патентная заявка US 2017/103343, опубликованная 13 апреля 2017, принадлежащая Google Inc., описывает механизмы для рекомендации содержимого на основе предлагаемых тематик. В некоторых вариантах осуществления технологии, предлагается способ рекомендации элементов содержимого, который включает в себя: определение множества элементов доступного содержимого, связанного с пользователем, причем каждый из множества элементов содержимого связан со множеством тем; определение множества тем, связанных с каждым из множества элементов доступного содержимого; создание модели пользовательских интересов на основе множества тем, причем модель реализует технику машинного обучения для определения множества весовых коэффициентов для назначения для каждой из тем; применение модели для определения для множества элементов содержимого, вероятности того, что пользователь просмотрит элемент содержимого из множества элементов содержимого; ранжирование множества элементов содержимого на основе определенных вероятностей; и выбор подмножества из множества элементов содержимого для рекомендации пользователю на основе ранжированных элементов содержимого.
[10] Патентная заявка CN 103559262, которая обладает уведомлением о выдачи патента, датированным 29 июля 2016 года, выданным Пекинскому университету Связи и Коммуникаций, описывает систему и способ рекомендаций автора и научной работы на основе сообщества. Двухуровневая сеть цитирования состоит из уровня автора и уровня научной работы сформирована путем использования связи цитаты между автором и научной работой и информации сообщества, далее создается модель интересов пользователя в соответствии с записанной историей поведения пользователя и научных работ, прочитанных пользователем, и наконец пользовательский запрос анализируется в соответствии с полученной двухуровневой сетью цитирования и моделью интересов пользователя, и соответствующие автор и научная работа могут быть рекомендованы пользователю. Система предоставляется с модулем осмотра научных работ, модулем предварительной обработки научных работ, модулем создания двухуровневой сети цитирования, модулем создания модели интересов пользователя и модулем индивидуальной рекомендации научных работ, а также с базой данных. При применении системы и способы рекомендаций, корреляция учебного содержимого пользователей не только может быть использована для создания сообщества авторов с помощью субъективной модели, но также может быть вычислено множество значений атрибутов предназначенных для рекомендации автора и научной работы внутри сообщества, и слабое место, заключающееся в том, что вычисление существующего алгоритма рекомендации является объемным, может быть улучшено; и в это же время, множество значений атрибутов автора и научной работы могут быть вычислены одновременно, таким образом результат рекомендации будет более диверсифицирован, и запрос пользователя может быть удовлетворен эффективнее.
РАСКРЫТИЕ ТЕХНОЛОГИИ
[11] Задачей предлагаемой технологии является устранение по меньшей мере некоторых недостатков, присущих известному уровню техники. Варианты осуществления настоящей технологии могут предоставлять и/или расширять границы настоящих подходов и/или способы достижения целей и задач настоящей технологии.
[12] Разработчики неограничивающих вариантов осуществления обратили внимание, что, в общем случае, системы рекомендаций предоставляют персонализированное содержимое пользователям на основе предыдущих пользовательских взаимодействий с сервисом рекомендаций, которые могут указывать на предпочтения пользователя в отношении конкретного содержимого по сравнению с другим содержимым. Обычно, рекомендуемое содержимое может поступать из двух источников - оригинальный источник (оригинальное содержимое) и внешний источник (неоригинальное содержимое).
[13] Внешние источники представляют собой веб-сайты в интернете, например, новостные агентства, новостные агрегаторы и другие источники элементов содержимого, которые могут быть представлены пользователям систем рекомендации. С другой стороны, нативные источники представляют собой "блогеров", которые размещают содержимое с помощью систем рекомендации в качестве платформ.
[14] Неограничивающие варианты осуществления настоящей технологии были разработаны на основе наблюдений разработчиков по меньшей мере за одной проблемой, связанной с известными подходами к реализации систем рекомендации для рекомендации персонализированного содержимого пользователям и, конкретнее, но без установки ограничений, рекомендации специализированного содержимого.
[15] В рамках неограничивающих вариантов осуществления настоящей технологии, специализированное содержимое означает содержимое для целевого или "нишевого" интереса. В широком смысле, некоторое содержимое может быть интересным для большой части общего числа подписчиков или пользователей или рекомендательной системы. Примером общерелевантного содержимого может быть статья о текущих событиях. Подобная статья вероятно будет интересна большинству пользователей системы рекомендаций. В качестве другого примера, статья о международном спортивном мероприятии может быть интересной большому количеству пользователей системы рекомендаций, несмотря на то, что размер пула пользователей, заинтересованных в статье о спорте, может быть меньше, чем заинтересованных в статье о текущих событиях.
[16] С другой стороны "спектра интереса" может находиться статья на очень нишевую (т.е. специализированную) тему. Например, возможный элемент содержимого, созданный автором цифрового содержимого в системе рекомендаций (т.е. оригинальное содержимое системы), посвященное старинным фотокамерам. Подобный элемент цифрового содержимого будет интересен очень маленькой части пула пользователей системы рекомендаций. Как в абсолютных, так и в относительных числах, по сравнению с общерелевантными элементами содержимого (статьи о текущих событиях, о спорте и так далее).
[17] Как было упомянуто ранее, для рекомендации данного элемента содержимого пользователям, система рекомендаций должна прогнозировать релевантность данного содержимого для данного пользователя. Для создания прогноза, система рекомендаций использует предыдущие взаимодействия пользователей с данным содержимым (среди прочих факторов, учитываемых в прогнозировании релевантности). Другими словами, когда пользователи взаимодействую или "исследуют" данный элемент содержимого, система рекомендаций использует эти взаимодействия для прогноза релевантности данного содержимого для рекомендаций данного элемента содержимого пользователям (либо тому же пользователю, который осуществлял предыдущие взаимодействия, или же аналогичному пользователю, который обладает похожим пользовательским профилем или "сходный").
[18] Тем не менее, для тех доступных элементов содержимого, которые представляют собой нишевой интерес и, следовательно, считаются "узко релевантными" - т.е. высокорелевантными для маленькой части пользователей, но абсолютно не релевантными для большего числа пользователей системы содержимого, алгоритм выбора общего содержимого системы рекомендаций может не подходить, поскольку он всегда будет предпочитать им более общерелевантные элементы.
[19] Другими словами, некоторые элементы содержимого (например, элементы специализированного содержимого) не часто выбираются пулом пользователей (в целом) или, другими словами, не часто просматриваются основной частью пула пользователей. Следовательно, для подобного типа содержимого не характерен частый выбор большим числом пользователей и, по этой причине, число пользовательских взаимодействий с подобным содержимым, очень ограничено. Таким образом, для системы рекомендаций недостаточно информации, связанной с пользовательскими взаимодействиями со специализированным содержимым.
[20] Это приводит к замкнутой на себя проблеме "недостатка просмотров" для систем рекомендаций: (i) система рекомендаций не может прогнозировать релевантность специализированного содержимого из-за отсутствия (или недостатка) предыдущих пользовательских взаимодействий с ним; (ii) система рекомендаций не выбирает специализированное содержимое для потенциальной рекомендации для пользователей, поскольку система рекомендаций не может прогнозировать его релевантность; и (iii) пользователи системы рекомендаций не взаимодействуют со специализированным содержимым, поскольку оно не рекомендуется пользователям со стороны системы рекомендаций.
[21] Кроме того, предоставление специализированного содержимого случайным пользователям не решает вышеупомянутую замкнутую на себя проблему просмотров по меньшей мере по двум причинам. Во-первых, специализированное содержимое является интересным (релевантным) только для небольшой части пула пользователей и, следовательно, велик шанс того, что случайные пользователи проигнорируют специализированное содержимое и не будут с ним взаимодействовать. Во-вторых, предоставление специализированного содержимого случайным пользователям снижает качество системы рекомендаций для случайных пользователей, поскольку большинство из них не заинтересовано в данном содержимом.
[22] Следовательно, техническая проблема, которую пытаются решить разработчики, заключается в том, как улучшить просмотры (пользовательские взаимодействия) специализированного содержимого, не снижая качество системы рекомендаций для основной части пула пользователей системы рекомендаций.
[23] В широком смысле, вышеупомянутая техническая проблема следующим образом описывается в соответствии с по меньшей мере некоторыми неограничивающими вариантами осуществления настоящей технологии.
[24] Как было упомянуто ранее, некоторые авторы оригинального содержимого системы рекомендаций публикуют конкретный тип специализированного содержимого. Например, первый автор может опубликовать содержимое, связанное с квантовой механикой. В качестве другого примера, второй автор может опубликовать содержимое, связанное с углубленными знаниями о биоинформатике. Данный пользователь системы рекомендаций, который заинтересован в данном типе специализированного содержимого, может подписаться на автора, который публикует данный тип специализированного содержимого, в котором заинтересован данный пользователь, и при этом пользователи, которые не заинтересованы в данном типе специализированного содержимого обычно не подписываются на такого автора. То, как выполняется подписка на канал, никак конкретно не ограничено и может принимать различные формы.
[25] Неограничивающие варианты осуществления настоящей технологии основаны на предположении о том, что подписчики данного автора могут считаться "основными пользователями" элементов цифрового содержимого, созданного данным автором содержимого / источником содержимого. Неограничивающие варианты осуществления настоящей технологии используют связи автор-подписчик для таких основных пользователей для "улучшения" исследования специализированного содержимого, которое публикуется подобными авторами содержимого, не снижая общего "качества" системы рекомендаций для большей части пула пользователей. Другими словами, неограничивающие варианты осуществления настоящей технологии нацелены на поиски более подходящей модели исследования - более сбалансированной в терминах "проблемы однорукого бандита".
[26] В соответствии с неограничивающими вариантами осуществления настоящей технологии, система рекомендаций выполнена с возможностью предоставлять специализированное содержимое либо только подписчикам канала содержимого, либо дополнительно/альтернативно пользователям, которые похожи на подписчиков (т.е. пул основных пользователей) автора, который публикует специализированное содержимое.
[27] Поскольку специализированное содержимое предоставляется пользователям, которые похожи на основных пользователей, связанных с автором, который публикует специализированное содержимое, вероятно, что эти пользователи также заинтересованы (а также подписчики из пула основных пользователей) в специализированном содержимом и, следовательно, более вероятно будут взаимодействовать с ним, что приведет к увеличению просмотров специализированного содержимого. Дополнительно, пользовательское взаимодействие основного пула пользователей позволяет системе рекомендаций создавать базовую линию для специализированного содержимого, которое предназначено для ранжирования специализированного содержимого для отображения его всех пользователям системы рекомендаций.
[28] Предполагается, что данный автор специализированного содержимого может создавать опубликованное специализированное содержимое. Как было упомянуто ранее, некоторые пользователи, если им нравится опубликованное автором специализированное содержимое, могут подписаться (или иначе выразить свой интерес) на автора.
[29] Таким образом, этим основным пользователям система рекомендаций предоставляет специализированное содержимое, опубликованное тем же упомянутым автором, или аналогичное (тематически) содержимое по сравнению с тем, которое было опубликовано другими авторами. Далее, взаимодействия основных пользователей с подобным специализированным содержимым могут использоваться как указание на релевантность подобного специализированного содержимого не только для рассматриваемого основного пользователя, но и для большего числа пользователей системы рекомендаций.
[30] В самом деле, взаимодействия основных пользователей, которые указывают на интерес в новом специализированном содержимом, являются явным указанием от этих основных пользователей на то, что новое специализированное содержимое релевантно (интересно) для них и, следовательно, может потенциально быть релевантным для пользователей в целом. С другой стороны, если эти специально выбранные основные пользователи не заинтересованы в этом новом специализированном содержимом - это является явным указанием на то, что содержимое с очень малой вероятностью будет релевантно для большого пула пользователей. Другими словами, неограничивающие варианты осуществления настоящей технологии подразумевают возможностью прогнозировать, исходя из связей подписчиков и авторов, релевантность специализированного содержимого автора для некоторых других пользователей из общего пула пользователей системы рекомендаций.
[31] Конкретнее, авторы создают специализированное содержимое и предоставляют его на их каналах публикации с каналами рекомендаций. Как уже ранее упоминалось ранее, пользователи системы, которые считают опубликованное специализированное содержимое данного автора релевантным, с большей вероятностью подпишутся на канал публикаций для того, чтобы им предоставлялось новое опубликованное специализированное содержимое, когда оно создается автором специализированного содержимого, и, тем самым, указывают на свою связь с каналом и автором содержимого, опубликованного на канале.
[32] Следовательно, система рекомендаций может идентифицировать изначальный пул подписанных пользователей для данного автора специализированного содержимого на основе подписок (или других явных / неявных связей с каналом / автором). Опционально, похожие пользователи могут быть идентифицированы многими различными путями. Например, "похожие" признаки или метрики могут быть использованы для идентификации похожих пользователей. В одном варианте осуществления технологии вектор признаков создается для потенциально похожего пользователя. Также могут создаваться векторы признаков для соответствующих подписанных пользователей. Подразумевается, что средний вектор признаков может создаваться для пула подписанных пользователей, который, в некотором смысле, представляет собой признаки среднего пользователя, подписанного на автора. Далее, различные алгоритмы могут быть использованы для определения расстояния между этим средним вектором признаков и векторов признаков потенциально-похожего пользователя. В некоторых вариантах осуществления настоящей технологии, эти похожие пользователи также добавляются в пул основных пользователей.
[33] В некотором смысле, неограничивающие варианты осуществления настоящей технологии "выравнивают" поле для специализированного содержимого и общеинтересного содержимого. Подразумевается, что если взаимодействия основных пользователей со специализированным содержимым отклоняют ранжирование данного элемента содержимого вверх (т.е. система рекомендаций "понимает неправильно") и содержимое на самом деле не интересно публике в общем, стандартный ранжирующий алгоритм машинного обучения, используемый системой рекомендаций для выбора цифровых элементов содержимого для рекомендаций, в какой-то момент понизит специализированное содержимое и перестанет его показывать.
[34] Первым объектом настоящей технологии является способ определения параметра релевантности для элемента цифрового содержимого, который берет начало из канала содержимого, связанного с системой рекомендаций. Параметр релевантности для ранжирования элемента цифрового содержимого как элемента рекомендуемого содержимого для пользователей системы рекомендаций, которая включает в себя сервер и по меньшей мере одно клиентское устройство, соединяемое с сервером с помощью сети передачи данных. Способ выполняется сервером, причем сервер далее выполнен с возможностью выполнять алгоритм рекомендаций для создания набора элементов рекомендуемого содержимого для данного пользователя системы рекомендаций. Способ включает в себя: идентификацию пула пользователей, связанных с каналом содержимого, причем данный пользователь из пула пользователей связан с каналом содержимого; в ответ на получение запроса на рекомендацию содержимого от первого клиентского устройства, связанного с первым пользователем, который принадлежит к пулу пользователей: создание, с помощью алгоритма рекомендаций, набора элементов рекомендуемого содержимого для первого пользователя, данный элемент набора элементов рекомендуемого содержимого не берет начало из канала содержимого; искусственное внедрение в набор рекомендуемых элементов элемента цифрового содержимого; собрание указаний на пользовательские взаимодействия первого пользователя с набором рекомендуемых элементов, пользовательские указания указывают на предпочтения первого пользователя в элементе цифрового содержимого; и прогноз параметра релевантности элемента цифрового содержимого для пользователя вне пула пользователей на основе пользовательских взаимодействий первого пользователя.
[35] В некоторых вариантах осуществления способа, способ дополнительно включает в себя: в ответ на получение запросов на рекомендацию содержимого от других клиентских устройств, связанных с другими пользователям, которые принадлежат к пулу пользователей: создание, с помощью алгоритма рекомендаций, соответствующего набора элементов рекомендуемого содержимого для других пользователей, данный элемент соответствующего набора рекомендуемых элементов не берет начало из канала содержимого; искусственное внедрение в соответствующий набор рекомендуемых элементов элемента цифрового содержимого.
[36] В некоторых вариантах осуществления способа, способ дополнительно включает в себя наблюдение за пользовательскими взаимодействиями других пользователей с соответствующими наборами рекомендаций содержимого и создания дополненного параметра релевантности, связанного с элементом цифрового содержимого на основе пользовательских взаимодействий других пользователей с соответствующими наборами рекомендаций содержимого.
[37] В некоторых вариантах осуществления способа, прогнозирование параметра релевантности элемента цифрового содержимого для пользователя вне пула пользователей включает в себя: прогнозирование параметра релевантности на основе, по меньшей мере частично, дополненного параметра релевантности.
[38] В некоторых вариантах осуществления способа, дополненный параметр релевантности смещен вверх относительно оригинального параметра релевантности, который бы создавался алгоритмом рекомендаций.
[39] В некоторых вариантах осуществления способа, способ дополнительно включает в себя: в ответ на получение запроса на рекомендацию содержимого от второго клиентского устройства, связанного со вторым пользователем, который находится вне пула пользователей: создание, с помощью алгоритма рекомендаций, набора элементов рекомендаций для второго пользователя, причем набор элементов рекомендаций включает в себя элемент цифрового содержимого, включение элемента цифрового содержимого в набор рекомендуемых элементов, который основан на параметре релевантности; собрание указаний на пользовательские взаимодействия второго пользователя с набором рекомендуемых элементов, пользовательские указания указывают на предпочтения второго пользователя в элементе цифрового содержимого.
[40] В некоторых вариантах осуществления способа, в ответ на то, что пользовательские взаимодействия второго пользователя указывают на низкий интерес в элементе цифрового содержимого второго пользователя по сравнению с первым пользователем: модификация параметра релевантности элемента цифрового содержимого на более низкое значение.
[41] В некоторых вариантах осуществления способа, искусственное внедрение элемента цифрового содержимого в набор рекомендуемых элементов включает в себя: ранжирование элементов цифрового содержимого в отношении других элементов содержимого в наборе рекомендуемых элементов, причем ранжирование основано на прогнозированном параметре релевантности элемента цифрового содержимого.
[42] В некоторых вариантах осуществления способа, искусственное внедрение элемента цифрового содержимого в набор рекомендуемых элементов включает в себя: расположение элемента цифрового содержимого по отношению к другим элементам содержимого в наборе рекомендуемых элементов на заранее определенную позицию в наборе рекомендуемых элементов.
[43] В некоторых вариантах осуществления способа, заранее определенная позиция выбирается таким образом, чтобы максимизировать вероятность пользовательского взаимодействия с элементом цифрового содержимого.
[44] В некоторых вариантах осуществления способа, идентификация пула пользователей, связанных с каналом содержимого, включает в себя идентификацию данного пользователя из пула пользователей как связанного с каналом содержимого на основе по меньшей мере одной из: (i) явной связью; и (п) неявной связью.
[45] В некоторых вариантах осуществления способа, неявная связь включает в себя первого пользователя, которому был представлен элемент предыдущего содержимого с канала содержимого, причем первый пользователь не предоставляет в ответ на это указание на отрицательный интерес.
[46] В некоторых вариантах осуществления способа, явная связь включает в себя по меньшей мере один из факторов: первый пользователь подписан на канал содержимого, пользователь нажал на кнопку "мне нравится" элемента содержимого в канале содержимого, и пользователь откомментировал предыдущий элемент содержимого на канале содержимого.
[47] В некоторых вариантах осуществления способа, данный элемент набора рекомендованных элементов берет начало с сетевого ресурса, доступного через сеть передачи данных.
[48] В некоторых вариантах осуществления способа, данный элемент набора рекомендованных элементов представляет собой одно из - новостную статью, изображение, видео и интерактивный сниппет.
[49] В некоторых вариантах осуществления способа, все элементы набора рекомендуемых элементов не берут начало на канале содержимого.
[50] В некоторых вариантах осуществления способа, другой элемент набора рекомендованных элементов берет начало на канале содержимого, который является одним из: каналом содержимого или другим каналом содержимого.
[51] В некоторых вариантах осуществления способа, содержимого является оригинальным каналом для системы рекомендаций.
[52] Другим объектом настоящей технологии является сервер рекомендаций содержимого для создания рекомендации цифрового содержимого, причем рекомендация цифрового содержимого предназначена для отображения на электронном устройстве, связанном с пользователем, причем сервер возможно соединить с электронным устройством с помощью сети передачи данных, и сервер рекомендаций выполняет алгоритм ранжирования. Сервер рекомендаций включает в себя процессор, выполненный с возможностью определения параметра релевантности для элемента цифрового, который берет начало из канала содержимого, связанного с сервером рекомендаций. Параметр релевантности для ранжирования элемента цифрового содержимого как элемента рекомендуемого содержимого для пользователей сервера рекомендаций, который включает в себя сервер и по меньшей мере одно клиентское устройство, соединяемое с сервером с помощью сети передачи данных. Способ выполняется сервером, процессор сервера рекомендаций далее выполнен с возможностью выполнять алгоритм рекомендаций для создания набора элементов рекомендуемого содержимого для данного пользователя сервера рекомендаций. Процессор выполнен с возможностью осуществлять: идентификацию пула пользователей, связанных с каналом содержимого, причем данный пользователь из пула пользователей связан с каналом содержимого; в ответ на получение запроса на рекомендацию содержимого от первого клиентского устройства, связанного с первым пользователем, который принадлежит к пулу пользователей: создание, с помощью алгоритма рекомендаций, набора элементов рекомендуемого содержимого для первого пользователя, данный элемент набора элементов рекомендуемого содержимого не берет начало из канала содержимого; искусственное внедрение в набор рекомендуемых элементов элемента цифрового содержимого; собрание указаний на пользовательские взаимодействия первого пользователя с набором рекомендуемых элементов, пользовательские указания указывают на предпочтения первого пользователя в элементе цифрового содержимого; и прогноз параметра релевантности элемента цифрового содержимого для пользователя вне пула пользователей на основе пользовательских взаимодействий первого пользователя.
[53] 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".
[54] 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.
[55] 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, которое выполняет процесс, который сохраняет или использует информацию, хранящуюся в базе данных, или же она может находиться на отдельном оборудовании, например, выделенном сервере или множестве серверов.
[56] В контексте настоящего описания, термин "информация" включает в себя 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.
[57] В контексте настоящего описания, термин "компонент" подразумевает под собой программное обеспечение (соответствующее конкретному аппаратному контексту), которое является необходимым и достаточным для выполнения конкретной(ых) указанной(ых) функции(й).
[58] В контексте настоящего описания, выражение "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.
[59] В контексте настоящего описания, если четко не указано иное, "указание" информационного элемента может представлять собой сам информационный элемент или указатель, отсылку, ссылку или другой косвенный способ, позволяющий получателю указания найти сеть, память, базу данных или другой машиночитаемый носитель, из которого может быть извлечен информационный элемент. Например, указание на документ может включать в себя сам документ (т.е. его содержимое), или же оно может являться уникальным дескриптором документа, идентифицирующим файл по отношению к конкретной файловой системе, или каким-то другими средствами передавать получателю указание на сетевую папку, адрес памяти, таблицу в базе данных или другое место, в котором можно получить доступ к файлу. Как будет понятно специалистам в данной области техники, степень точности, необходимая для такого указания, зависит от степени первичного понимания того, как должна быть интерпретирована информация, которой обмениваются получатель и отправитель указателя. Например, если до установления связи между отправителем и получателем понятно, что признак информационного элемента принимает вид ключа базы данных для записи в конкретной таблице заранее установленной базы данных, содержащей информационный элемент, то передача ключа базы данных - это все, что необходимо для эффективной передачи информационного элемента получателю, несмотря на то, что сам по себе информационный элемент не передавался между отправителем и получателем указания.
[60] 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 взаимосвязи 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.
[61] 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.
[62] 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
[63] 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:
[64] На Фиг. 1 представлена принципиальная схема системы, выполненной в соответствии с неограничивающими вариантами осуществления настоящего технического решения.
[65] На Фиг. 2 представлен снимок экрана с рекомендательным интерфейсом, выполненным в соответствии с неограничивающим вариантом осуществления настоящей технологии, рекомендательный интерфейс представлен на экране электронного устройства системы, показанной на Фиг. 1, электронное устройство выполнено в виде смартфона.
[66] На Фиг. 3 представлено схематическое представление процесса для идентификации пула пользователей, связанных с каналом содержимого, причем процесс выполняется системой, показанной на Фиг. 1.
[67] На Фиг. 4 представлено схематическое представление процесса исследования, выполняемого модулем исследования содержимого, который относится к системе, показанной на Фиг. 1.
[68] На Фиг. 5 представлена блок-схема способа, реализованного в соответствии с неограничивающими вариантами осуществления настоящей технологии, причем способ выполняется системой, представленной на Фиг. 1.
ОСУЩЕСТВЛЕНИЕ
[69] Все примеры и используемые здесь условные конструкции предназначены, главным образом, для того, чтобы помочь читателю понять принципы настоящей технологии, а не для установления границ ее объема. Следует также отметить, что специалисты в данной области техники могут разработать различные схемы, отдельно не описанные и не показанные здесь, но которые, тем не менее, воплощают собой принципы настоящей технологии и находятся в границах ее объема.
[70] Кроме того, для ясности в понимании, следующее описание касается достаточно упрощенных вариантов осуществления настоящей технологии. Как будет понятно специалисту в данной области техники, многие варианты осуществления настоящей технологии будут обладать гораздо большей сложностью.
[71] Некоторые полезные примеры модификаций настоящей технологии 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 исчерпывающего списка, и специалисты в данной области техники могут создавать другие модификации, остающиеся в границах объема настоящей технологии. Кроме того, те случаи, где не были представлены примеры модификаций, не должны интерпретироваться как то, что никакие модификации невозможны, и/или что то, что было описано, является единственным вариантом осуществления этого элемента настоящей технологии.
[72] Более того, все заявленные здесь принципы, аспекты и варианты осуществления настоящей технологии, равно как и конкретные их примеры, предназначены для обозначения их структурных и функциональных основ, вне зависимости от того, известны ли они на данный момент или будут разработаны в будущем. Таким образом, например, специалистами в данной области техники будет очевидно, что представленные здесь блок-схемы представляют собой концептуальные иллюстративные схемы, отражающие принципы настоящей технологии. Аналогично, любые блок-схемы, диаграммы, псевдокоды и т.п.представляют собой различные процессы, которые могут быть представлены на машиночитаемом носителе и, таким образом, могут использоваться компьютером или процессором, вне зависимости от того, показан ли подобный компьютер или процессор явно, или нет. Функции различных элементов, показанных на чертежах, включая функциональный блок, обозначенный как "процессор" или "графический процессор", могут быть обеспечены с помощью специализированного аппаратного обеспечения или же аппаратного обеспечения, способного использовать подходящее программное обеспечение. Когда речь идет о процессоре, функции могут обеспечиваться одним специализированным процессором, одним общим процессором или множеством индивидуальных процессоров, причем некоторые из них могут являться общими. В некоторых вариантах осуществления настоящей технологии, процессор может являться универсальным процессором, например, центральным процессором (CPU) или специализированным для конкретной цели процессором, например, графическим процессором (GPU). Более того, использование термина «процессор» или «контроллер» не должно подразумевать исключительно аппаратное обеспечение, способное поддерживать работу программного обеспечения, и может включать в себя, без установления ограничений, цифровой сигнальный процессор (DSP), сетевой процессор, интегральную схему специального назначения (ASIC), программируемую пользователем вентильную матрицу (FPGA), постоянное запоминающее устройство (ПЗУ) для хранения программного обеспечения, оперативное запоминающее устройство (ОЗУ) и энергонезависимое запоминающее устройство. Также в это может быть включено другое аппаратное обеспечение, обычное и/или специальное.
[73] Программные модули или простые модули, представляющие собой программное обеспечение, могут быть использованы здесь в комбинации с элементами блок-схемы или другими элементами, которые указывают на выполнение этапов процесса и/или текстовое описание. Подобные модели могут быть выполнены на аппаратном обеспечении, показанном напрямую или косвенно.
[74] С учетом этих примечаний, далее будут рассмотрены некоторые не ограничивающие варианты осуществления аспектов настоящей технологии.
[75] 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 настоящего технического решения. 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 этот вариант представлен здесь с целью облегчения понимания. Как будет понятно специалисту в данной области техники, многие варианты осуществления настоящей технологии будут обладать гораздо большей сложностью.
[76] 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 явной. 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.
[77] 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.
[78] Варианты осуществления 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.
[79] 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. В других дополнительных вариантах осуществления технологии, функции приложения 106 рекомендаций могут быть встроены в другое приложение, например, приложение браузера (не показано) и так далее. Например, приложение 106 рекомендаций может выполняться как часть браузерного приложения, например, когда пользователь 102 в первый раз запускает браузерное приложение, может выполняться функциональность приложения 106 рекомендаций.
[80] 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. 2 представлен снимок экрана с рекомендательным интерфейсом 108, реализованным в соответствии с неограничивающим вариантом осуществления настоящей технологии (пример рекомендательного интерфейса 108 представлен на экране электронного устройства 104, который реализован в виде смартфона).
[81] В некоторых вариантах осуществления настоящей технологии, рекомендательный интерфейс 108 отображается, 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 представлен, когда пользователь 102 открывает новое окно браузера и/или активирует новую вкладку в браузерном приложении. Например, в некоторых вариантах осуществления настоящей технологии, рекомендательный интерфейс 108 может активировать "домашний экран" в браузерном приложении.
[82] Рекомендательный интерфейс 108 включает в себя поисковый интерфейс 202. Поисковый интерфейс 202 включает в себя интерфейс 204 поискового запроса. Интерфейс 204 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. Тем не менее, интерфейс 204 поискового запроса может быть реализован для получения одного или обоих из: записи поискового запроса на выполнение поиска или сетевого адреса (например, Единый Указатель Ресурсов (URL)) для идентификации ресурса (например, веб-сайта), который будет вызван.
[83] Рекомендательный интерфейс 108 дополнительно включает в себя интерфейс 206 ссылок. Интерфейс 206 ссылок включает в себя множество фрагментов 208 - восемь из которых представлены на Фиг. 2 - только два пронумерованы на Фиг. 2 - первый фрагмент 210 и второй фрагмент 212.
[84] Используя, например, первый фрагмент 210 и второй фрагмент 212 - каждый из множества фрагментов 208 включает в себя (или действует как) ссылку на (i) веб-сайт, отмеченный как "избранное" или как-либо иначе отмеченный пользователем 102, (ii) ранее посещенный веб-сайт или (iii) тому подобное. Множество фрагментов 208 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 фрагментов (отдельно не пронумеровано). Тем не менее, важно иметь в виду, что визуальное представление некоторых или всех из множества фрагментов 208 может быть иным. Таким образом, некоторые или все из множества фрагментов 208 могут быть реализованы как кнопки другой формы, как список гиперссылок и так далее.
[85] Например, первый фрагмент 210 включает в себя ссылку на веб-сайт TRAVELZOO™, а второй фрагмент 212 включает в себя ссылку на веб-сайт персонального живого журнала. Излишне говорить, что число и содержимое индивидуальных фрагментов из множества фрагментов 208 никак конкретно не ограничено.
[86] Например, число фрагментов во множестве фрагментов 208 может быть выбрано заранее поставщиком приложения 106 рекомендаций. В некоторых вариантах осуществления настоящей технологии, число фрагментов во множестве фрагментов 208 выбирается заранее на основе размера и/или разрешения экрана электронного устройства 104, которое выполняет рекомендательное приложение 106. Например, первое число фрагментов может быть выбрано заранее для электронного устройства 104, которое реализовано как смартфон, второе число фрагментов может быть выбрано заранее для электронного устройства 104, которое реализовано как планшет, и третье число фрагментов может быть выбрано заранее для электронного устройства 104, которое реализовано как ноутбук или настольный компьютер.
[87] Рекомендательный интерфейс 108 дополнительно включает в себя набор 214 рекомендованного содержимого. Набор 214 рекомендованного содержимого включает в себя один или несколько элементов рекомендаций содержимого, например, первый элемент 216 рекомендаций содержимого и второй элемент 218 рекомендаций содержимого (второй элемент 218 рекомендаций содержимого только частично виден на Фиг. 2). Естественно, набор 214 рекомендаций содержимого может обладать большим числом элементов рекомендаций содержимого. В рамках варианта осуществления, представленного на Фиг. 2, и тех вариантов осуществления технологии, где присутствует более одного элемента рекомендованного содержимого, пользователь 102 может прокручивать через набор 214 рекомендованного содержимого. Прокрутка может осуществляться любыми подходящими способами. Например, пользователь 102 может прокручивать содержимое набора 214 рекомендованного содержимого путем активации мыши (не показано), клавиши клавиатуры (не показано) или взаимодействия с сенсорным экраном (не показано) соответствующего электронного устройства 104.
[88] Пример, приведенный на Фиг. 2 является одним возможным вариантом осуществления рекомендательного интерфейса 108. Другой вариант осуществления рекомендательного интерфейса 108, а также описание того, как пользователь 102 может взаимодействовать с рекомендательным интерфейсом 108, представлено в находящейся в совместном владении американской патентной заявке, озаглавленной «ИСПОЛЯЕМЫЙ НА КОМПЬЮТЕРЕ СПОСОБ СОЗДАНИЯ РЕКОМЕНДАТЕЛЬНОГО ИНТЕРФЕЙСА СОДЕРЖИМОГО», поданной 11 мая 2017 года под номером 20170329490 А1; содержимое которой включено здесь полностью посредством ссылки.
[89] То, как именно создается набор 214 рекомендованного содержимого, будет более подробно описано далее.
[90] Возвращаясь к описанию Фиг. 1, электронное устройство 104 функционально соединено с сетью 110 передачи данных для получения доступа к рекомендательному 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).
[91] Рекомендательный сервер 112 может представлять собой обычный компьютерный сервер. В примере варианта осуществления настоящего технического решения, рекомендательный сервер 112 может представлять собой сервер Dell™ PowerEdge™, на котором используется операционная система Microsoft™ Windows Server™. Излишне говорить, что рекомендательный 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, рекомендательный сервер 112 является одиночным сервером. В других вариантах осуществления настоящего технического решения, не ограничивающих ее объем, функциональность рекомендательного сервера 112 изображения может быть разделена, и может выполняться с помощью нескольких серверов.
[92] Сервер 112 рекомендаций включает в себя модуль 114 обработки Модуль 114 обработки соединен или иным образом имеет доступ к модулю 115 обнаружения содержимого, модулю 116 аналитики и модулю 117 выбора рекомендуемого содержимого. Сервер 112 рекомендаций содержимого имеет доступ к устройству 118 хранения данных. Работа рекомендательного сервера 112 и его компонентов будет более подробно описана далее.
[93] Устройство 118 хранения данных включает в себя главную базу 120 данных, базу 122 данных факторов элементов, базу 124 данных рекомендуемых неоригинальных элементов содержимого, базу 125 данных рекомендуемых оригинальных элементов содержимого и базу 126 данных пользовательских взаимодействий.
[94] Также с сетью ПО передачи данных соединено множество сетевых ресурсов 130, включая первый сетевой ресурс 132, второй сетевой ресурс 134 и множество дополнительных сетевых ресурсов 136. Первый сетевой ресурс 132, второй сетевой ресурс 134 и множество дополнительных сетевых ресурсов 136 являются сетевыми ресурсами, доступными электронному устройству 104 (а также другим электронным устройствам, потенциально присутствующим в системе 100) через сеть ПО передачи данных. В соответствии с неограничивающими вариантами осуществления настоящей технологии, первый сетевой ресурс 132, второй сетевой ресурс 134 и множество дополнительных сетевых ресурсов 136 может считаться "неоригинальными" источниками, поскольку они являются потенциальными источниками неоригинальных цифровых элементов содержимого, которые могут быть рекомендованы сервером 112 рекомендаций.
[95] Тип соответствующего содержимого первого сетевого ресурса 132, второго сетевого ресурса 134 и множества дополнительных сетевых ресурсов 136 никак конкретно не ограничен.
[96] Данный первый сетевой ресурс 132, второй сетевой ресурс 134 и множество дополнительных сетевых ресурсов 136 может содержать (или, другими словами, размещать) цифровое содержимое (т.е. один или несколько цифровых элементов из одного или нескольких цифровых элементов, обладающих одним или несколькими типами цифрового содержимого). В некоторых вариантах осуществления настоящей технологии, содержимое цифрового элемента может включать в себя, среди прочего: аудио содержимое для потокового вещания или загрузки, видео содержимое для потокового вещания или загрузки, новости, блоки, информацию о различных государственных институтах, информацию об интересных местах, тематически кластеризованное содержимое (например, содержимое, релевантное для тех, кто заинтересован в кикбоксинге), другое мультимедийное содержимое и так далее.
[97] В других вариантах осуществления настоящей технологии, содержимое цифровых элементов, размещенное на первом сетевом ресурсе 132, втором сетевом ресурсе 134 и множестве дополнительных сетевых ресурсов 136, является текстовым. Примеры текстовых элементов содержимого включают в себя, без установления ограничений: новости, статьи, блоги, информацию о различных государственных институтах, информацию об интересных местах, тематически кластеризованное содержимое (например, содержимое, релевантное для тех, кто заинтересован в кикбоксинге) и так далее. Следует отметить, что термин "текстовое" содержимое не означает, что данный цифровой элемент включает в себя только текст и исключает другие типы мультимедийных элементов. Напротив, данный текстовый цифровой элемент включает в себя текстовые элементы, а также потенциально другой тип мультимедийных элементов. Например, данный текстовый цифровой элемент содержимого, который является статьей, может содержать текст и фотографии. В качестве другого примера, текстовый цифровой элемент содержимого, который является блогом, может содержать текст и встроенные видео элементы.
[98] Содержимое потенциально "доступно для нахождения" для электронного устройства 104 различными способами. Например, пользователь 102 электронного устройства 104 может использовать браузерное приложение (не показано) и ввести Универсальный Указатель Ресурса (URL), связанный с одним из первого сетевого ресурса 132, второго сетевого ресурса 134 и множества дополнительных сетевых ресурсов 136. Альтернативно, пользователь 102 электронного устройства 104 может выполнить поиск с помощью поисковой системы (не показано), чтобы изучить содержимое одного или нескольких из первого сетевого ресурса 132, второго сетевого ресурса 134 и множества дополнительных сетевых ресурсов 136. Как было упомянуто ранее, это удобно в том случае, если пользователь 102 заранее знает, в каком именно содержимом пользователь 102 заинтересован.
[99] Как было упомянуто ранее, в некоторых вариантах осуществления настоящей технологии, сервер 112 рекомендаций может предоставлять платформу для создания и публикации цифрового содержимого. Это может быть особенно удобно для тех пользователей сервера 112 рекомендаций, которые хотят публиковать цифровое содержимое, но не хотят тратить время и/или большое количество денег для установки платформы для публикаций. Следует отметить, что платформа для публикаций, предоставляемая сервером 112 рекомендаций, может предоставляться на основе подписки, для чего подписчикам будет необходимо просмотреть рекламу и/или бесплатно и/или за плату. Исключительно в качестве примера, первый нативный канал содержимого может быть связан с блогером, который публикует элементы содержимого (например, первый элемент 112 содержимого), используя приложение 106 рекомендаций в качестве платформы. База 125 данных рекомендуемых оригинальных элементов содержимого может хранить оригинальные элементы цифрового содержимого. Например, данный элемент содержимого, хранящийся в базе 125 данных рекомендуемых оригинальных элементов содержимого, может брать начало из канала оригинального содержимого сервера 112 рекомендаций.
[100] В соответствии с неограничивающими вариантами осуществления настоящей технологии, приложение 106 рекомендаций может рекомендовать элементы содержимого, о которых пользователю 102 может быть априори неизвестно. Эти элементы рекомендованного содержимого могут брать начало либо из (i) данного одного из первого сетевого ресурса, второго сетевого ресурса 132 и множества дополнительных сетевых ресурсов 136 для пользователя 102; либо из (и) одного или нескольких оригинальных каналов содержимого, связанных с сервером 112 рекомендаций.
[101] Рекомендательный сервер 112 выполнен с возможностью осуществлять выбор содержимого для одного или нескольких рекомендуемых элементов, которые будут представлены пользователю 102 через рекомендательное приложение 106. Конкретнее, модуль 114 обработки выполнен с возможностью (i) получать от электронного устройства 104 запрос на рекомендации 150 содержимого и (ii) в ответ на запрос, создавать сообщение 152 рекомендаций содержимого, специально настроенное для пользователя 102, связанного с электронным устройством 104. Модуль 114 обработки может далее координировать выполнение различных процедур, описанных здесь как выполняемые модулем 115 обнаружения содержимого, модулем 116 аналитики и модуль 117 выбора рекомендуемого содержимого, например.
[102] Модуль 114 обработки выполнен с возможностью сохранять в главной базе 120 данных информацию, извлеченную во время обработки. В общем случае, главная база данных 120 может получать данные от модуля 114 обработки, которые были извлечены или иным образом определены модулем 114 обработки во время обработки для временного и/или постоянного хранения, и могут предоставлять сохраненные данные модулю 114 обработки для использования.
[103] В некоторых вариантах осуществления настоящей технологии, запрос на рекомендации 150 содержимого может быть создан в ответ на предоставление пользователем 102 явного указания на его/ее желание получать рекомендации содержимого. Например, рекомендательный интерфейс 108 может предоставлять кнопку (или другой активируемый элемент), который позволит пользователю 102 выражать свое желание получить новые или обновленные рекомендации содержимого. В качестве неограничивающего примера, рекомендательный интерфейс 108 может предоставить активируемую кнопку, на которой написано "запросить рекомендации содержимого". В рамках этих вариантов осуществления технологии, запрос на рекомендации 150 содержимого может считаться "явным запросом" в том смысле, что пользователь 102 явно выражает запрос на рекомендуемое содержимого.
[104] В других вариантах осуществления настоящей технологии, запрос на рекомендации 150 содержимого может быть создан в ответ на явное указание от пользователя 102 на желание пользователя получить рекомендации содержимого. В некоторых вариантах осуществления настоящей технологии, запрос на рекомендации 150 содержимого может быть создан в ответ на то, что пользователь 102 запускает рекомендательное приложение 106.
[105] Альтернативно, 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 на рекомендации 150 содержимого может быть создан в ответ на то, что пользователь 102 открывает браузерное приложение и может быть создано, например, без выполнения пользователем 102 каких-либо действий, кроме активации браузерного приложения. В качестве другого примера, запрос на рекомендации 150 содержимого может быть создан в ответ на открытие пользователем 102 новой вкладки в уже открытом браузерном приложении, и могут быть созданы, например, без выполнения пользователем 102 каких-либо действий, кроме активации новой вкладки браузера. Другими словами, запрос на рекомендации 150 содержимого может быть создан даже без знания пользователя 102 о том, что он может быть заинтересован в получении рекомендации содержимого.
[106] В качестве другого примера, запрос на рекомендацию 150 содержимого 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.
[107] 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 (комбинированная адресная и поисковая строка браузерного приложения)
• Панель избранных или недавно посещенных сетевых ресурсов
• Любую другую заранее определенную область интерфейса браузерного приложения или сетевого ресурса, отображенного в браузерном приложении
[108] То, как именно модуль 117 выбора рекомендуемого содержимого рекомендует элементы содержимого в ответ на запрос рекомендации 150 содержимого, будет описано далее более подробно.
[109] В некоторых вариантах осуществления настоящей технологии, модуль 115 обнаружения содержимого может быть выполнен с возможностью осуществлять работу "поискового робота". Другими словами, модуль 115 обнаружения содержимого может выполнять работу робота, который "посещает" множество ресурсов (например, множество сетевых ресурсов 130, включая первый сетевой ресурс 132, второй сетевой ресурс 134 и множество дополнительных сетевых ресурсов 136) и каталогизирует один или несколько цифровых элементов, размещенных на соответствующем одном из первого сетевого ресурса 132, второго сетевого ресурса 134 и множества дополнительных сетевых ресурсов 136. В некоторых вариантах осуществления настоящей технологии, модуль 115 обнаружения содержимого может каталогизировать цифровые элементы в инвертированный индекс, сопоставляя данный цифровой элемент для составления списка ключевых слов, связанных с данным цифровым элементом.
[110] Как часть функции поискового робота, модуль 115 обнаружения содержимого выполнен с возможностью содержать информацию, представляющую новые найденные сетевые ресурсы и/или новое найденное доступное содержимое, доступное на них. В некоторых вариантах осуществления настоящей технологии, модуль 115 выбора рекомендуемого содержимого может быть выполнен с возможностью поддерживать инвертированный индекс как пример базы 124 данных рекомендованных неоригинальных элементов содержимого на устройстве 118 хранения данных, но модуль 117 выбора рекомендуемого содержимого может организовать информацию, представляющую новые найденные сетевые ресурсы и/или новое найденное содержимое, доступное на них, в структуру данных, отличную от инвертированного индекса. В других вариантах осуществления технологии, модуль 115 обнаружения содержимого может также быть выполнен с возможностью извлекать факторы из новых обнаруженных сетевых ресурсов и/или нового обнаруженного доступного содержимого, и сохранять соответствующие факторы, в качестве неограничивающего примера, в базе 122 данных факторов элементов.
[111] В других вариантах осуществления настоящей технологии, вместо соответствующего выполнения модуля 115 обнаружения содержимого, сервер 112 рекомендаций может делить функции модуля 115 обнаружения содержимого с другим сервером (не представлен) и/или другим сервисом (не представлен). Например, функции модуля 115 обнаружения содержимого могут быть разделены с сервером поисковой системы (не показано), который выполняет сервис поисковой системы. Когда модуль 115 обнаружения содержимого просматривает и индексирует новые ресурсы, которые могут потенциально содержать текстовые или другие цифровые элементы, модуль 115 обнаружения содержимого может также индексировать подобные новые обнаруженные (или обновленные) цифровые элементы для целей процедур сервера 112 рекомендаций, которые описаны здесь.
[112] База 124 данных рекомендуемых неоригинальных элементов содержимого хранит информацию/содержимое, связанное с пулом потенциально рекомендуемых неоригинальных элементов содержимого сервисом рекомендаций, и включает в себя некоторые или все цифровые элементы содержимого, обнаруженные модулем 115 обнаружения содержимого.
[113] Природа одного или нескольких потенциально рекомендуемых неоригинальных элементов содержимого в пуле потенциально рекомендованных неоригинальных элементов содержимого никак конкретно не ограничена. Некоторые примеры одного или нескольких потенциально рекомендуемых неоригинальных элементов содержимого включают в себя, без установления ограничений, такие цифровые элементы содержимого как:
• новостной элемент;
• публикацией;
• веб-ресурсом;
• постом на веб-сайте социального медиа;
• новым элементом, который предназначен для загрузки из магазина приложений;
• новой песней (музыкальный трек), которая предназначена для воспроизведения / загрузки с ресурса;
• аудиокнигой для воспроизведения / загрузки с ресурса;
• подкастом для воспроизведения / загрузки с ресурса;
• новый фильм (видеоклип), который предназначен для воспроизведения/ загрузки с ресурса;
• продукт, который предназначен для покупки с ресурса; и
• новый документ, загруженный для исследования на веб-сайте социального медиа (например, новую фотографию, которая загружена в учетную запись в сетях INSTRAGRAM™ или FACEBOOK™).
[114] Аналогичным образом, база 125 данных рекомендуемого оригинального элемента содержимого, связанного с пулом потенциально рекомендуемых оригинальных элементов содержимого сервисом рекомендаций.
[115] Природа одного или нескольких потенциально рекомендуемых оригинальных элементов содержимого в пуле потенциально рекомендованных оригинальных элементов содержимого никак конкретно не ограничена. Некоторые примеры одного или нескольких потенциально рекомендуемых оригинальных элементов содержимого включают в себя, без установления ограничений, такие цифровые элементы содержимого как:
• созданная пользователем публикация;
• созданный пользователем пост в блоге;
• созданная пользователем фотография;
• созданное пользователем видео.
[116] Таким образом, можно сказать, что пул потенциально рекомендуемых элементов содержимого может включать в себя (i) по меньшей мере один элемент из соответствующих множеств элементов, связанных со множеством сетевых ресурсов 130 и (и) по меньшей мере один элемент содержимого из одного или нескольких источников оригинального содержимого. Пул потенциально рекомендуемых элементов содержимого может далее быть рекомендован пользователям сервиса рекомендаций с помощью модуля 117 выбора рекомендуемого содержимого.
[117] Модуль 116 аналитики выполнен с возможностью (i) отслеживать взаимодействия пользователей с элементами содержимого, которые были ранее рекомендованы сервисом рекомендаций, и сохранять пользовательские взаимодействия в базе 126 данных пользовательских взаимодействий, и (ii) извлекать информацию, относящуюся к факторам элементов, которые связаны, например, с элементами содержимого, которые были ранее рекомендованы сервисом рекомендаций предыдущим пользователям и с которыми по меньшей мере один предыдущий пользователь взаимодействовал в базе 122 данных факторов элементов.
[118] Примеры пользовательских событий/взаимодействий, связанных с предыдущими пользователями системы 100, отслеживались модулем 116 аналитики и сохранялись в базе 126 данных пользовательских взаимодействий, включают в себя, без установления ограничений:
• данный пользователь системы рекомендаций "прокрутил" мимо данного элемента;
• данный пользователь системы рекомендаций "лайкнул" или "дислайкнул" данный элемент;
• данный пользователь системы рекомендаций "репостнул" данный элемент;
• данный пользователь системы рекомендаций щелкнул на (или иначе выбрал) данный элемент;
• данный пользователь системы рекомендаций провел время, обращаясь к данному элементу, прежде чем вернуться к системе рекомендаций; и
• данный пользователь системы рекомендаций купил / заказал / загрузил данный элемент.
[119] В качестве неограничивающего примера, каждое пользовательское событие/взаимодействие в базе 126 данных пользовательских взаимодействий может быть связано с соответствующей временной отметкой, соответствующим элементом содержимого и соответствующим пользователем.
[120] Примеры факторов элементов, извлеченных модулем 116 аналитики и сохраненных в базе 112 данных факторов элементов, включают в себя, без установления ограничений:
• популярность данного элемента среди пользователей сервиса рекомендаций (например, в случае, если данный элемент является музыкальным треком, количество раз, когда музыкальный трек был прослушан и/или скачан пользователями сервиса рекомендаций);
• число лайков / покупок / скачиваний / кликов среди всех событий, связанных с данным элементом и выполненных с помощью сервиса рекомендаций; и
• характеристики, присущие элементу, которые основаны на содержимом соответствующего элемента содержимого - 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.
[121] Важно иметь в виду, что пользовательские события и факторы элементов могут принимать различные формы, и никак конкретно не ограничены. Таким образом, представленные выше списки неограничивающих примеров того, как реализованы пользовательские события и факторы элементов, представлены здесь только для примера. И важно иметь в виду, что многие альтернативные варианты осуществления пользовательских событий и факторов элементов могут быть представлены в других вариациях в рамках настоящей технологии.
[122] То, как именно получают и сохраняют информацию в базе 122 данных факторов элементов, базе 124 данных рекомендуемых неоригинальных элементов содержимого, базе 125 данных рекомендуемых оригинальных элементов содержимого и базе 126 данных пользовательских взаимодействий, никак конкретно не ограничено.
[123] Например, информация, связанная с факторами элементов, может быть получена от конкретного сервиса, который располагает информацией о различных элементах, доступных на нем и тому подобное; и может быть сохранена во в базе 122 данных факторов элементов. Информация, связанная с факторами элементов может быть разделена на различные категории, представляющие различные типы или тематики элементов.
[124] Модуль 117 выбора рекомендуемого содержимого может быть выполнен с возможностью выполнять один или несколько алгоритмов машинного обучения (MLA) для рекомендации элементов содержимого пользователям Сервиса рекомендаций содержимого. В некоторых вариантах осуществления настоящей технологии, один или несколько алгоритмов машинного обучения могут представлять собой любой подходящий алгоритм машинного обучения с учителем или полуконтролируемого обучения, такой как, например:
• Искусственная нейронная сеть
• Байесовская статистика
• Гауссовский процесс регрессии
• Деревья решений
• И так далее
[125] В общем случае, модуль 117 выбора рекомендуемого содержимого выполняет один или несколько алгоритмов машинного обучения для анализа индексированных элементов содержимого (т.е. обнаруженные и проиндексированные модулем 115 обнаружения содержимого в базе 124 данных рекомендуемых неоригинальных элементов содержимого и базе 125 данных рекомендуемых оригинальных элементов содержимого на устройстве 118 хранения данных) для выбора одного или нескольких элементов цифрового содержимого в качестве рекомендуемых элементов содержимого для пользователя 102. Один или несколько алгоритмов машинного обучения, выполняемые модулем 117 выбора рекомендуемого содержимого могут, например, в ответ на запрос рекомендации 150 содержимого, выбирать один или несколько проиндексированных элементов содержимого в качестве рекомендуемых элементов содержимого для пользователя 102 на основе (i) одного или нескольких факторов элементов проиндексированных элементов содержимого из базы 122 данных факторов элементов; и (ii) предыдущих пользовательских взаимодействий с проиндексированными элементами содержимого (связанными с пользователем 102 или другим пользователями сервиса рекомендаций) в базе 126 данных пользовательских взаимодействий.
[126] Следует отметить, что, несмотря на то, что модуль 115 обнаружения содержимого, модуль 116 аналитики и модуль 117 выбора рекомендуемого содержимого были описаны как отдельные элементы, каждый из которых выполняет соответствующие функции, в других вариантах осуществления настоящей технологии, функции, выполняемые модулем 115 обнаружения содержимого, модулем 116 аналитики и модулем 117 выбора рекомендуемого содержимого, могут выполняться одним элементом (например, модулем 114 обработки). Альтернативно, функции, выполняемые модулем 115 обнаружения содержимого, модулем 116 аналитики и модулем 117 выбора рекомендуемого содержимого, могут быть распределены между большим числом модулей, чем те, что показаны на Фиг. 1, и могут выполняться как часть нескольких копий сервера 112 рекомендаций.
[127] Кроме того, каждый из модуля 115 обнаружения содержимого, модуля 116 аналитики и модуля 117 выбора рекомендуемого содержимого может выполнять дополнительные функции (т.е. отличные от соответствующих описанных здесь функций).
[128] Следует отметить, что несмотря на то, что главная база 120 данных, база 122 данных факторов элементов, база 124 данных рекомендуемых неоригинальных элементов содержимого, база 125 данных рекомендуемых оригинальных элементов содержимого, база 126 данных пользовательских взаимодействиях представлены как раздельные базы данных, это не является обязательным в каждом варианте осуществления технологии. Таким образом, некоторые или все из главной базы 120 данных, базы 122 данных факторов элементов, базы 124 данных рекомендуемых неоригинальных элементов содержимого, базы 125 данных рекомендуемых оригинальных элементов содержимого и базы 126 данных пользовательских взаимодействий могут быть реализованы в виде одной базы данных. Кроме того, любая из главной базы 120 данных, базы 122 данных факторов элементов, базы 124 данных рекомендуемых неоригинальных элементов содержимого, базы 125 данных рекомендуемых оригинальных элементов содержимого и базы 126 данных пользовательских взаимодействий может быть разделена на несколько отдельных устройств хранения (не показано).
[129] В соответствии с неограничивающими вариантами осуществления настоящей технологии, модуль 117 выбора рекомендуемого содержимого выполнен с возможностью модуль 140 исследования содержимого. В широком смысле, модуль 140 исследования содержимого выполнен с возможностью определять параметр релевантности для элемента цифрового содержимого. В конкретном неограничивающем варианте осуществления настоящей технологии, модуль 140 исследования содержимого выполнен с возможностью определять параметр релевантности для одного или нескольких оригинальных элементов цифрового содержимого. В конкретном неограничивающем варианте осуществления настоящей технологии, модуль 140 исследования содержимого выполнен с возможностью определять параметр релевантности для одного или нескольких оригинальных элементов цифрового содержимого, которые связаны с конкретной тематикой. Другими словами, модуль 140 исследования содержимого может быть выполнен с возможностью определять параметр релевантности для одного или нескольких оригинальных элементов цифрового содержимого, которые связаны с тематикой, представляющей нишевый интерес. В альтернативных неограничивающих вариантах осуществления настоящей технологии, модуль 140 исследования содержимого выполнен с возможностью определять параметр релевантности для одного или нескольких оригинальных элементов цифрового содержимого, которые не обладают достаточным количеством данных о предыдущих пользовательских взаимодействиях, которые хранятся в базе 126 данных пользовательских взаимодействий.
[130] В других неограничивающих вариантах осуществления настоящей технологии, способы, описанные далее, могут применяться для определения параметра релевантности для одного или нескольких неоригинальных элементов цифрового содержимого, которые не обладают достаточным количеством данных о предыдущих пользовательских взаимодействиях, которые хранятся в базе 126 данных пользовательских взаимодействий.
[131] В конкретном неограничивающем варианте осуществления настоящей технологии, модуль 140 исследования содержимого выполнен с возможностью определять параметр релевантности для одного или нескольких оригинальных элементов цифрового содержимого, которые берут начало с канала содержимого системы 100. Канал содержимого может быть связан с автором канала, который, в свою очередь, может быть подписчиком платформы публикаций, предоставляемой системой 100, как было упомянуто ранее.
[132] Со ссылкой на Фиг. 3, представлено схематическое представление процесса 300 для идентификации пула пользователей 306, связанного с каналом 301 содержимого. Как показано на Фиг. 3, на канале 301 содержимого находится по меньшей мере один элемент цифрового содержимого - показанный на Фиг. 3 как элемент 302 цифрового содержимого.
[133] Также на Фиг. 3 показано множество пользователей 304. Множество пользователей 304 включает в себя всех пользователей системы 100 - т.е. тех пользователей, которые обладают доступом к системе 100 для получения рекомендаций элементов цифрового содержимого. Также представлен пул пользователей 306, который является подмножеством множества пользователей 306. Пул пользователей 306 содержит тех пользователей из множества пользователей 304, которые связаны с каналом 301 содержимого. Эти связи схематически представлены на Фиг. 3 под номером 308.
[134] Данная связь 308 может быть по меньшей мере одной из: (i) явной связью; и (ii) неявной связью. В некоторых неограничивающих вариантах осуществления настоящей технологии, неявная связь может проявляться через пользователя 102, которому был представлен элемент предыдущего содержимого с канала 301 содержимого, причем пользователь 102 не предоставляет в ответ на это указания на отрицательный интерес. С другой стороны, явная связь может проявляться по меньшей мере в одном из: пользователь 102 подписан на канал 301 содержимого, пользователь 102 нажал на кнопку "мне нравится" элемента содержимого на канале 301 содержимого, и пользователь 102 откомментировал предыдущий элемент содержимого на канале 301 содержимого.
[135] Таким образом, в соответствии с неограничивающими вариантами осуществления настоящей технологии, модуль 140 исследования содержимого определяет пул пользователей 306, который может считаться "основными пользователями" для канала 301 содержимого. Модуль 140 исследования содержимого может повторять подобное определение для всех других каналов содержимое, аналогично каналу 301 содержимого. В некоторых вариантах осуществления настоящей технологии, подобное определение пула пользователей 306 может выполняться "оффлайн". В соответствии с неограничивающими вариантами осуществления настоящей технологии, термин "оффлайн" относится к моменту времени до получения запроса на рекомендацию цифрового содержимого (т.е. вышеупомянутый запрос на рекомендацию 150 содержимого) от пользователя 102. В некоторых вариантах осуществления настоящей технологии, термин "оффлайн" может дополнительно или альтернативно означать момент времени, когда запрос на рекомендации содержимого может быть низким (например, посреди ночи или тому подобное).
[136] На Фиг. 4 представлено схематическое представление процесса 400 исследования, выполняемого модулем 140 исследования. Когда модуль 140 исследования содержимого получает данную рекомендацию 150 содержимого. Модуль 140 исследования содержимого далее определяет, как часть этапа 402 процесса 400 исследования, происходит ли рекомендация 150 содержимого от пользователя 102, который является частью любого пула основных пользователей, например, пула пользователей 306, связанных с каналом 301 содержимого.
[137] В ответ на то, что модуль 140 исследования содержимого определяет (на этапе 404 процесса 400 исследования), что рекомендация 150 содержимого действительно происходит от пользователя 102, который является частью любого пула основных пользователей, например, пула пользователей 306, связанных с каналом 301 содержимого; модуль 140 исследования содержимого выполняет процедуру 405 исследования параметра релевантности.
[138] В ответ на то, что модуль 140 исследования содержимого определяет (на этапе 406 процесса 400 исследования), что рекомендация 150 содержимого не происходит от пользователя 102, который является частью любого пула основных пользователей, например, пула пользователей 306, связанных с каналом 301 содержимого; модуль 140 исследования содержимого выполняет процедуру 407 рекомендации стандартного содержимого.
[139] В некоторых неограничивающих вариантах осуществления настоящей технологии, модуль 140 исследования содержимого выполняет процедуру 405 исследования параметра релевантности для каждого из каналов 301 содержимого. В некоторых других конкретных неограничивающих вариантах осуществления настоящей технологии, модуль 140 исследования содержимого выполняет процедуру 405 исследования параметра релевантности для каждого из каналов 301 содержимого, которые определены как предназначенные для связи с конкретным содержимым. В некоторых других конкретных неограничивающих вариантах осуществления настоящей технологии, модуль 140 исследования содержимого выполняет процедуру 405 исследования параметра релевантности для каждого из каналов 301 содержимого, которые определены как предназначенные для связи с нишевым содержимым. В некоторых вариантах осуществления настоящей технологии, модуль 140 исследования содержимого выполняет процедуру 405 исследования параметра релевантности для каждого из каналов 301 содержимого, для которых недостаточно информации о предыдущих пользовательских взаимодействиях (т.е. отсутствует или ограничены данные, хранящиеся в базе 126 данных пользовательских взаимодействий, которые связаны с цифровым содержимым, которое происходит из канала 301 содержимого).
[140] В некоторых неограничивающих вариантах осуществления настоящей технологии, для данного одного из каналов 301 содержимого, модуль 140 описания содержимого продолжает выполнять процедуру 405 исследования параметра релевантности до тех пор, пока достаточно просмотренной информации не будет получено (будет описано далее более подробно). В других вариантах осуществления настоящей технологии, модуль 140 исследования содержимого может повторять выполнение процедуры 405 исследования параметра релевантности время от времени, даже после получения достаточного количества просмотренной информации, например, для обновления просмотренной информации, которая может изменяться со временем.
[141] Как часть процедуры 405 исследования параметра релевантности, модуль 140 исследования содержимого инициирует модуль 117 выбора рекомендуемого содержимого как часть создания набора рекомендуемых элементов содержимого для пользователя 102 для искусственного внедрения в набор рекомендуемых элементов элемента исследуемого содержимого, который происходит из канала 301 содержимого, например, элемент 302 цифрового содержимого.
[142] В некоторых неограничивающих вариантах осуществления настоящей технологии, искусственное внедрение элемента цифрового содержимого в набор рекомендуемых элементов включает в себя: ранжирование элементов цифрового содержимого в отношении других элементов содержимого в наборе рекомендуемых элементов, причем ранжирование основано на прогнозированном параметре релевантности элемента цифрового содержимого. Это возможно, например, путем изменения или замены алгоритма ранжирования.
[143] В некоторых неограничивающих вариантах осуществления настоящей технологии, искусственное внедрение элемента цифрового содержимого в набор рекомендуемых элементов включает в себя: расположение элемента цифрового содержимого по отношению к другим элементам содержимого в наборе рекомендуемых элементов на заранее определенную позицию в наборе рекомендуемых элементов. Например, искусственное внедрение элемента цифрового содержимого может включать в себя позиционирование элемента цифрового содержимого на заранее определенную позицию, например, первую позицию, вторую позицию и так далее.
[144] В некоторых неограничивающих вариантах осуществления настоящей технологии, заранее определенная позиция выбирается таким образом, чтобы максимизировать вероятность пользовательского взаимодействия с элементом цифрового содержимого. Подобная позиция может определяться эмпирически или с помощью любого известного алгоритма WIN-LOSS.
[145] В широком смысле, в соответствии с неограничивающими вариантами осуществления настоящей технологии, процедура 405 исследования параметра релевантности основана на представлении об исследовании релевантности содержимого специализированного содержимого с помощью основных пользователей, которые связаны с каналом 301 содержимого, который по меньшей мере тангенциально связан с подобным специализированным содержимым.
[146] Не ограничиваясь какой-либо конкретной теорией, варианты осуществления настоящей технологии основаны на предположении о том, что даже если основные пользователи (т.е. находящиеся в пуле пользователей 306), которые проявили заинтересованность в канале 301 содержимого, не показывают интереса в элементе 302 цифрового содержимого (через положительное взаимодействие, клик или другое демонстрирующее интерес действие), то далее элемент 302 цифрового содержимого вряд ли будет интересен широкому числу пользователей системы 100 и, следовательно, должен быть связан с более низким значением параметра релевантности.
[147] С другой сторон, если основные пользователи (т.е. находящиеся в пуле пользователей 306), которые проявили заинтересованность в канале 301 содержимого, показывают интерес в элементе 302 цифрового содержимого (через положительное взаимодействие, клик или другое демонстрирующее интерес действие), то далее элемент 302 цифрового содержимого вероятно будет потенциально интересен широкому числу пользователей системы 100 и, следовательно, должен быть связан с более низким значением параметра релевантности. В данном случае, процедура 405 исследования параметра релевантности может назначать элементу 302 цифрового содержимого более высокое значение параметру релевантности, который далее может использоваться для ранжирования элемента 302 цифрового содержимого как часть процедуры 407 рекомендации стандартного содержимого.
[148] Следовательно, и не ограничиваясь какой-либо конкретной теорией, варианты осуществления настоящей технологии и, конкретнее, выполнение процедуры 405 исследования параметра релевантности позволяет "продвигать" специализированное / нишевое содержимое для включения в наборы элементов как часть процедуры 407 рекомендации стандартного содержимого. Без реализации вариантов осуществления настоящей технологии, подобное специализированное / нишевое содержимое может никогда не стать частью наборов рекомендуемых элементов и, следовательно, никогда не будет "иметь шанса" собрать достаточно истории пользовательских взаимодействий, чтобы справедливо ранжироваться алгоритмом ранжирования системы 100. Варианты осуществления настоящей технологии позволяют специализированному / нишевому содержимому "начинать с того же", что и в общем случае популярное содержимое - для алгоритма ранжирования системы 100.
[149] Следует отметить, тем не менее, что если выяснится, что данное специализированное содержимое элемента 302 цифрового содержимого интересно основным пользователям (и, следовательно, обладает более высоким значением параметра релевантности от процедуры 405 исследования параметра релевантности, но не интересен для общего числа пользователей системы рекомендаций, параметр релевантности элемента 302 цифрового содержимого постепенно снизится из-за недостаточного числа взаимодействий с другими пользователями, когда элемент 302 цифрового содержимого рекомендуется другим пользователям как часть процедуры 407 рекомендации стандартного содержимого.
[150] Другими словами, варианты осуществления настоящей технологии подразумевают; (i) сбор указаний на пользовательские взаимодействия пользователя 102 с набором рекомендуемых элементов, причем пользовательские взаимодействия указывают на интересе первого пользователя в элементе специализированного содержимого (как часть процедуры 405 исследования параметра релевантности); для прогноза параметра релевантности элемента 302 цифрового содержимого для пользователя вне пула пользователей 306 на основе пользовательских взаимодействий пользователя в (i) выше (прогноз осуществляется как часть процедуры 407 рекомендации стандартного содержимого).
[151] С учетом описанной выше архитектуры, возможно выполнить способ определения параметра релевантности для элемента цифрового содержимого, который берет начало из канала 301 содержимого, связанного с системой 100 рекомендаций. В соответствии с неограничивающими вариантами осуществления настоящей технологии, параметр релевантности может быть использован для ранжирования элемента цифрового содержимого в качестве элемента рекомендуемого цифрового содержимого для пользователей системы 100 рекомендации с помощью алгоритма рекомендаций системы 100 рекомендаций.
[152] На Фиг. 5 представлена диаграмма блок-схемы способа 500, способ 500 выполняется в соответствии с неограничивающими вариантами осуществления настоящей технологии. Способ 500 может быть исполнен модулем 140 исследования содержимого сервера 112 рекомендаций.
[153] Этап 502 - идентификация пула пользователей, связанных с каналом содержимого, причем данный пользователь из пула пользователей связан с каналом содержимого, на основе по меньшей мере одного из: (i) явной связи; и (ii) неявной связи.
[154] На этапе 502, модуль 140 исследования содержимого сервера 112 рекомендаций идентифицирует пул пользователей, связанных с каналом содержимого. Как было описано ранее, модуль 140 исследования содержимого идентифицирует пул пользователей 306, связанных с каналом 301 содержимого. Данный пользователь из пула пользователей 306 может быть связан с каналом 301 содержимого на основе, по меньшей мере одной из: (i) явной связью; и (ii) неявной связью.
[155] Этап 504 - в ответ на получение запроса на рекомендацию содержимого от первого клиентского устройства, связанного с первым пользователем, который принадлежит к пулу пользователей: создание, с помощью алгоритма рекомендаций, набора элементов рекомендуемого содержимого для первого пользователя, данный элемент набора элементов рекомендуемого содержимого не берет начало из канала содержимого; искусственное внедрение в набор рекомендуемых элементов элемента цифрового содержимого; собрание указаний на пользовательские взаимодействия первого пользователя с набором рекомендуемых элементов, пользовательские указания указывают на предпочтения первого пользователя в элементе цифрового содержимого
[156] На этапе 504, в ответ на получение запроса на рекомендацию содержимого от первого клиентского устройства, связанного с первым пользователем, который принадлежит к пулу пользователей 306, модуль 140 исследования содержимого сервера 112 рекомендаций выполняет: создание, с помощью алгоритма рекомендаций, набора элементов рекомендуемого содержимого для первого пользователя, данный элемент набора элементов рекомендуемого содержимого не берет начало из канала содержимого; искусственное внедрение в набор рекомендуемых элементов элемента цифрового содержимого; собрание указаний на пользовательские взаимодействия первого пользователя с набором рекомендуемых элементов, пользовательские указания указывают на предпочтения первого пользователя в элементе цифрового содержимого.
[157] Следует отметить, что этапы 502 и 504 способа 500 могут в широком смысле считаться "фазой исследования релевантности содержимого". Другими словами, этапы 502 и 504 являются этапами способа 500, когда модуль 140 исследования содержимого сервера 112 рекомендаций узнает параметр релевантности специализированного цифрового содержимого (например) с помощью пула пользователей 306.
[158] В некоторых вариантах осуществления настоящей технологии, модуль 140 исследования содержимого сервера 112 рекомендаций может выполнять фазу исследования содержимого оффлайн по сравнению с фактическим предоставлением наборов рекомендуемого цифрового содержимого (например, во время часов пик и так далее).
[159] В некоторых вариантах осуществления настоящей технологии, модуль 140 исследования содержимого сервера 112 рекомендаций может выполнять фазу исследования содержимого для каждого из каналов 301 содержимого в соответствии с заранее определенным или случайно выбранным порядком.
[160] В других неограничивающих вариантах осуществления настоящей технологии, модуль 140 исследования содержимого сервера 112 рекомендаций может выполнять фазу исследования содержимого для подмножества каналов 301 содержимого, например, верхних 10%, верхних 20% или любого другого числа наиболее популярных из каналов 301 содержимого.
[161] Этап 506 - прогноз параметра релевантности элемента цифрового содержимого для пользователя вне пула пользователей на основе пользовательских взаимодействий первого пользователя
[162] На этапе 506, модуль 117 выбора рекомендуемого содержимого прогнозирует параметр релевантности элемента цифрового содержимого для пользователя вне пула пользователей 306 на основе пользовательских взаимодействий первого пользователя.
[163] Другими словами, этап 506 может считаться фазой использования способа 500. Когда модуль 117 выбора рекомендуемого содержимого использует "исследованный и прогнозированный параметр релевантности" для прогноза релевантности соответствующего элемента цифрового содержимого для общего числа пользователей сервиса рекомендаций системы 100 рекомендаций.
[164] Опциональные / альтернативные варианты осуществления способа 500
[165] В некоторых вариантах осуществления способа 500, способ 500 дополнительно включает в себя: в ответ на получение запросов на рекомендацию содержимого от других клиентских устройств, связанных с другими пользователям, которые принадлежат к пулу пользователей 306: создание, с помощью алгоритма рекомендаций, соответствующего набора элементов рекомендуемого содержимого для других пользователей, данный элемент соответствующего набора рекомендуемых элементов не берет начало из канала 301 содержимого; искусственное внедрение в соответствующий набор рекомендуемых элементов элемента цифрового содержимого.
[166] В некоторых неограничивающих вариантах осуществления настоящей технологии, способ 500 дополнительно включает в себя наблюдение за пользовательскими взаимодействиями других пользователей с соответствующими наборами рекомендаций содержимого и создания дополненного параметра релевантности, связанного с элементом цифрового содержимого на основе пользовательских взаимодействий других пользователей с соответствующими наборами рекомендаций содержимого. В некоторых неограничивающих вариантах осуществления настоящей технологии, прогнозирование параметра релевантности элемента цифрового содержимого для пользователя вне пула пользователей 306 включает в себя: прогнозирование параметра релевантности на основе, по меньшей мере частично, дополненного параметра релевантности. В некоторых неограничивающих вариантах осуществления настоящей технологии, дополненный параметр релевантности смещен вверх относительно оригинального параметра релевантности, который бы создавался алгоритмом рекомендаций.
[167] Таким образом, как было упомянуто ранее, процесс исследования может повторяться с различными основными пользователями до тех пор, пока достаточное количество информации о предыдущих пользовательских взаимодействиях не будут получено.
[168] В некоторых неограничивающих вариантах осуществления настоящей технологии, способ 500 дополнительно включает в себя: в ответ на получение запроса на рекомендацию содержимого от второго клиентского устройства, связанного со вторым пользователем, который находится вне пула пользователей: создание, с помощью алгоритма рекомендаций, набора элементов рекомендаций для второго пользователя, причем набор элементов рекомендаций включает в себя элемент цифрового содержимого, включение элемента цифрового содержимого в набор рекомендуемых элементов, который основан на параметре релевантности; собрание указаний на пользовательские взаимодействия второго пользователя с набором рекомендуемых элементов, пользовательские указания указывают на предпочтения второго пользователя в элементе цифрового содержимого.
[169] В некоторых неограничивающих вариантах осуществления настоящей технологии, в ответ на то, что пользовательские взаимодействия второго пользователя указывают на низкий интерес в элементе цифрового содержимого второго пользователя по сравнению с первым пользователем: модификация параметра релевантности элемента цифрового содержимого на более низкое значение. Этот процесс описан выше как процесс "снижения" прогнозированного параметра релевантности.
[170] В некоторых неограничивающих вариантах осуществления настоящей технологии, неявная связь включает в себя первого пользователя, которому был представлен элемент предыдущего содержимого с канала содержимого, причем первый пользователь не предоставляет в ответ на это указание на отрицательный интерес.
[171] В некоторых неограничивающих вариантах осуществления настоящей технологии, явная связь включает в себя по меньшей мере один из факторов: первый пользователь подписан на канал содержимого, пользователь нажал на кнопку "мне нравится" элемента содержимого в канале содержимого, и пользователь откомментировал предыдущий элемент содержимого на канале содержимого.
[172] В некоторых неограничивающих вариантах осуществления настоящей технологии, данный элемент из набора рекомендуемых элементов происходит из сетевого ресурса, доступного через сеть передачи данных (например, один из первого сетевого ресурса 132, второго сетевого ресурса 134 и множества дополнительных сетевых ресурсов 136).
[173] В некоторых неограничивающих вариантах осуществления настоящей технологии, данный элемент набора рекомендованных элементов представляет собой одно из -новостную статью, изображение, видео и интерактивный сниппет.
[174] В некоторых неограничивающих вариантах осуществления настоящей технологии, все элементы набора рекомендуемых элементов не берут начало в канале содержимого. В некоторых неограничивающих вариантах осуществления настоящей технологии, другой элемент набора рекомендованных элементов берет начало с канала содержимого, который является одним из: канала содержимого или другого канала содержимого. В некоторых неограничивающих вариантах осуществления настоящей технологии, канал содержимого является оригинальным каналом для системы рекомендаций. Таким образом, несмотря на то, что варианты осуществления настоящей технологии частично применимы к оригинальных элементам содержимого, они этим не ограничены; и могут быть использованы как для оригинальных так и для неоригинальных элементов цифрового содержимого.
[175] В некоторых неограничивающих вариантах осуществления настоящей технологии, идентификация пула пользователей, связанных с каналом содержимого включает в себя идентификацию данного пользователя из пула пользователей как связанного с каналом содержимого на основе по меньшей мере одной из: (i) явной связью; и (ii) неявной связью.
[176] Важно иметь в виду, что не все упомянутые здесь технические результаты могут проявляться в каждом варианте осуществления настоящей технологии. Например, варианты осуществления настоящей технологии могут быть реализованы без проявления некоторых технических результатов, а другие варианты могут быть реализованы с проявлением других технических результатов или вовсе без них.
[177] Некоторые из этих этапов, а также процессы передачи-получения сигнала являются хорошо известными в данной области техники и поэтому для упрощения были опущены в некоторых частях данного описания. Сигналы могут быть переданы-получены с помощью оптических средств (например, опто-волоконного соединения), электронных средств (например, проводного или беспроводного соединения) и механических средств (например, на основе давления, температуры или другого подходящего параметра).
[178] Модификации и улучшения вышеописанных вариантов осуществления настоящей технологии будут ясны специалистам в данной области техники. Предшествующее описание представлено только в качестве примера и не устанавливает никаких ограничений. Таким образом, объем настоящей технологии ограничен только объемом прилагаемой формулы изобретения.

Claims (47)

1. Способ определения параметра релевантности для элемента цифрового содержимого, который берет начало из канала содержимого, связанного с системой рекомендаций,
параметр релевантности для ранжирования элемента цифрового содержимого как элемента, рекомендуемого содержимого для пользователей системы рекомендаций, которая включает в себя сервер и по меньшей мере одно клиентское устройство, соединяемое с сервером с помощью сети передачи данных,
способ выполняется сервером, причем сервер далее выполнен с возможностью выполнять алгоритм рекомендаций для создания набора элементов рекомендуемого содержимого для данного пользователя системы рекомендаций;
причем способ включает в себя:
идентификацию пула пользователей, связанных с каналом содержимого, причем данный пользователь из пула пользователей связан с каналом содержимого;
в ответ на получение запроса на рекомендацию содержимого от первого клиентского устройства, связанного с первым пользователем, который принадлежит к пулу пользователей:
создание с помощью алгоритма рекомендаций набора элементов, рекомендуемого содержимого для первого пользователя, данный элемент набора элементов рекомендуемого содержимого не берет начало из канала содержимого;
искусственное внедрение в набор рекомендуемых элементов элемента цифрового содержимого;
собрание указаний на пользовательские взаимодействия первого пользователя с набором рекомендуемых элементов, пользовательские указания указывают на предпочтения первого пользователя в элементе цифрового содержимого; и
прогноз параметра релевантности элемента цифрового содержимого для пользователя вне пула пользователей на основе пользовательских взаимодействий первого пользователя.
2. Способ по п. 1, способ дополнительно включает в себя:
в ответ на получение запросов на рекомендацию содержимого от других клиентских устройств, связанных с другими пользователям, которые принадлежат к пулу пользователей:
создание с помощью алгоритма рекомендаций соответствующего набора элементов рекомендуемого содержимого для других пользователей, причем данный элемент соответствующего набора рекомендуемых элементов не берет начало из канала содержимого;
искусственное внедрение в соответствующий набор рекомендуемых элементов элемента цифрового содержимого.
3. Способ по п. 2, далее включающий в себя наблюдение за пользовательскими взаимодействиями других пользователей с соответствующими наборами рекомендаций содержимого и создания дополненного параметра релевантности, связанного с элементом цифрового содержимого на основе пользовательских взаимодействий других пользователей с соответствующими наборами рекомендаций содержимого.
4. Способ по п. 3, в котором прогнозирование параметра релевантности элемента цифрового содержимого для пользователя вне пула пользователей включает в себя:
прогнозирование параметра релевантности на основе, по меньшей мере частично, дополненного параметра релевантности.
5. Способ по п. 4, в котором дополненный параметр релевантности смещен вверх относительно оригинального параметра релевантности, который бы создавался алгоритмом рекомендаций.
6. Способ по п. 1, дополнительно включающий в себя:
в ответ на получение запроса на рекомендацию содержимого от второго клиентского устройства, связанного со вторым пользователем, который находится вне пула пользователей:
создание с помощью алгоритма рекомендаций набора элементов рекомендаций для второго пользователя, причем набор элементов рекомендаций включает в себя элемент цифрового содержимого, включение элемента цифрового содержимого в набор рекомендуемых элементов, который основан на параметре релевантности;
собрание указаний на пользовательские взаимодействия второго пользователя с набором рекомендуемых элементов, пользовательские указания указывают на предпочтения второго пользователя в элементе цифрового содержимого.
7. Способ по п. 6, в котором в ответ на то, что пользовательские взаимодействия второго пользователя указывают на низкий интерес в элементе цифрового содержимого второго пользователя по сравнению с первым пользователем:
модификация параметра релевантности элемента цифрового содержимого на более низкое значение.
8. Способ по п. 1, в котором искусственное внедрение элемента цифрового содержимого в набор рекомендуемых элементов включает в себя:
ранжирование элементов цифрового содержимого в отношении других элементов содержимого в наборе рекомендуемых элементов, причем ранжирование основано на прогнозированном параметре релевантности элемента цифрового содержимого.
9. Способ по п. 1, в котором искусственное внедрение элемента цифрового содержимого в набор рекомендуемых элементов включает в себя:
расположение элемента цифрового содержимого по отношению к другим элементам содержимого в наборе рекомендуемых элементов на заранее определенную позицию в наборе рекомендуемых элементов.
10. Способ по п. 9, в котором заранее определенная позиция выбирается таким образом, чтобы максимизировать вероятность пользовательского взаимодействия с элементом цифрового содержимого.
11. Способ по п. 1, в котором идентификация пула пользователей, связанных с каналом содержимого включает в себя идентификацию данного пользователя из пула пользователей как связанного с каналом содержимого на основе, по меньшей мере, одного из: (i) явной связью; и (ii) неявной связью.
12. Способ по п. 11, в котором неявная связь включает в себя первого пользователя, которому был представлен элемент предыдущего содержимого с канала содержимого, причем первый пользователь не предоставляет в ответ на это указание на отрицательный интерес.
13. Способ по п. 11, в котором явная связь включает в себя, по меньшей мере, один из факторов: первый пользователь подписан на канал содержимого, пользователь нажал на кнопку "мне нравится" элемента содержимого в канале содержимого и пользователь откомментировал предыдущий элемент содержимого на канале содержимого.
14. Способ по п. 1, в котором данный элемент набора рекомендованных элементов берет начало с сетевого ресурса, доступного через сеть передачи данных.
15. Способ по п. 13, в котором данный элемент набора рекомендованных элементов представляет собой одно из: новостную статью, изображение, видео и интерактивный сниппет.
16. Способ по п. 1, в котором все элементы набора рекомендуемых элементов не берут начало в канале содержимого.
17. Способ по п. 1, в котором другой элемент набора рекомендованных элементов берет начало с канала содержимого, который является одним из канала содержимого или другого канала содержимого.
18. Способ по п. 1, в котором канал содержимого является оригинальным каналом для системы рекомендаций.
19. Сервер рекомендаций содержимого для создания рекомендации цифрового содержимого, причем рекомендация цифрового содержимого предназначена для отображения на электронном устройстве, связанном с пользователем, причем сервер возможно соединить с электронным устройством с помощью сети передачи данных, и сервер рекомендаций выполняет алгоритм ранжирования, и сервер рекомендаций включает в себя процессор, выполненный с возможностью определять параметр релевантности для элемента содержимого, и элемент цифрового содержимого берет начало с канала содержимого, связанного с сервером рекомендаций.
20. Параметр релевантности для ранжирования элемента цифрового содержимого как элемента рекомендуемого содержимого для пользователей сервера рекомендаций, который включает в себя сервер и по меньшей мере одно клиентское устройство, соединяемое с сервером с помощью сети передачи данных,
способ выполняется сервером, процессор сервера рекомендаций далее выполнен с возможностью выполнять алгоритм рекомендаций для создания набора элементов рекомендуемого содержимого для данного пользователя сервера рекомендаций;
процессор далее выполнен с возможностью осуществлять:
идентификацию пула пользователей, связанных с каналом содержимого, причем данный пользователь из пула пользователей связан с каналом содержимого;
в ответ на получение запроса на рекомендацию содержимого от первого клиентского устройства, связанного с первым пользователем, который принадлежит к пулу пользователей:
создание с помощью алгоритма рекомендаций набора элементов, рекомендуемого содержимого для первого пользователя, данный элемент набора элементов рекомендуемого содержимого не берет начало из канала содержимого;
искусственное внедрение в набор рекомендуемых элементов элемента цифрового содержимого;
собрание указаний на пользовательские взаимодействия первого пользователя с набором рекомендуемых элементов, пользовательские указания указывают на предпочтения первого пользователя в элементе цифрового содержимого; и
прогноз параметра релевантности элемента цифрового содержимого для пользователя вне пула пользователей на основе пользовательских взаимодействий первого пользователя.
RU2018132716A 2018-09-14 2018-09-14 Способ и система определения параметра релевантность для элементов содержимого RU2714594C1 (ru)

Priority Applications (2)

Application Number Priority Date Filing Date Title
RU2018132716A RU2714594C1 (ru) 2018-09-14 2018-09-14 Способ и система определения параметра релевантность для элементов содержимого
US16/370,286 US10674215B2 (en) 2018-09-14 2019-03-29 Method and system for determining a relevancy parameter for content item

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2018132716A RU2714594C1 (ru) 2018-09-14 2018-09-14 Способ и система определения параметра релевантность для элементов содержимого

Publications (1)

Publication Number Publication Date
RU2714594C1 true RU2714594C1 (ru) 2020-02-18

Family

ID=69626125

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2018132716A RU2714594C1 (ru) 2018-09-14 2018-09-14 Способ и система определения параметра релевантность для элементов содержимого

Country Status (2)

Country Link
US (1) US10674215B2 (ru)
RU (1) RU2714594C1 (ru)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US11503372B2 (en) 2020-06-17 2022-11-15 Google Llc Automation and recommendation based on device control protocols
US11567789B2 (en) * 2020-11-27 2023-01-31 International Business Machines Corporation Recommendations for user interface actions
US11809843B2 (en) * 2021-05-21 2023-11-07 International Business Machines Corporation Adaptive user interfacing
WO2023111842A1 (en) * 2021-12-13 2023-06-22 Communaute Woopen Inc. Server and method for generating digital content for users of a recommendation system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120209907A1 (en) * 2011-02-14 2012-08-16 Andrews Anton O A Providing contextual content based on another user
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
US20170103343A1 (en) * 2012-12-31 2017-04-13 Google Inc. Methods, systems, and media for recommending content items based on topics
RU2663478C2 (ru) * 2013-11-01 2018-08-06 МАЙКРОСОФТ ТЕКНОЛОДЖИ ЛАЙСЕНСИНГ, ЭлЭлСи Настройка поиска в реальном времени

Family Cites Families (302)

* 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
WO2002052374A2 (en) 2000-12-26 2002-07-04 Trustees Of Dartmouth College Methods and apparatus for personalized content presentation
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
US20130097302A9 (en) 2003-10-01 2013-04-18 Robert Khedouri Audio visual player apparatus and system and method of content distribution using the same
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
US7720436B2 (en) 2006-01-09 2010-05-18 Nokia Corporation Displaying network objects in mobile devices based on geolocation
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
US7630999B2 (en) 2005-07-15 2009-12-08 Microsoft Corporation Intelligent container index and search
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
US20080134043A1 (en) * 2006-05-26 2008-06-05 Sony Corporation System and method of selective media content access through a recommednation engine
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
US7685200B2 (en) 2007-03-01 2010-03-23 Microsoft Corp Ranking and suggesting candidate objects
US20080222132A1 (en) 2007-03-07 2008-09-11 Jiangyi Pan Personalized shopping recommendation based on search units
US7801888B2 (en) 2007-03-09 2010-09-21 Microsoft Corporation Media content search results ranked by popularity
US9224427B2 (en) 2007-04-02 2015-12-29 Napo Enterprises LLC Rating media item recommendations using recommendation paths and/or media item usage
US8108417B2 (en) 2007-04-04 2012-01-31 Intertrust Technologies Corporation Discovering and scoring relationships extracted from human generated lists
JP5032183B2 (ja) 2007-04-12 2012-09-26 株式会社東芝 情報推薦システムおよび情報推薦方法
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
US8751507B2 (en) 2007-06-29 2014-06-10 Amazon Technologies, Inc. Recommendation system with multiple integrated recommenders
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
US7949659B2 (en) 2007-06-29 2011-05-24 Amazon Technologies, Inc. Recommendation system with multiple integrated recommenders
KR101415022B1 (ko) 2007-07-24 2014-07-09 삼성전자주식회사 복합 알고리즘 이용한 정보 추천 방법 및 장치
US8275764B2 (en) 2007-08-24 2012-09-25 Google Inc. Recommending media programs based on media program popularity
GB0719129D0 (en) 2007-10-01 2007-11-07 Torridon Solutions Ltd Improvements relating to graphical user interfaces
US20090163183A1 (en) 2007-10-04 2009-06-25 O'donoghue Hugh Recommendation generation systems, apparatus and methods
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
US8494978B2 (en) 2007-11-02 2013-07-23 Ebay Inc. Inferring user preferences from an internet based social interactive construct
US8666909B2 (en) 2007-11-02 2014-03-04 Ebay, Inc. Interestingness recommendations in a computing advice facility
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
USD607463S1 (en) 2008-02-19 2010-01-05 Allstate Insurance Company Portion of a display screen showing a user interface
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
US9396258B2 (en) 2009-01-22 2016-07-19 Google Inc. Recommending video programs
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
US20110066497A1 (en) 2009-09-14 2011-03-17 Choicestream, Inc. Personalized advertising and recommendation
US8229873B1 (en) 2009-09-18 2012-07-24 Google Inc. News topic-interest-based recommendations twiddling
WO2011035210A2 (en) 2009-09-18 2011-03-24 Lexxe Pty Ltd Method and system for scoring texts
US8972391B1 (en) * 2009-10-02 2015-03-03 Google Inc. Recent interest based relevance scoring
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
US20110125763A1 (en) * 2009-11-24 2011-05-26 Nokia Corporation Method and apparatus for determining similarity of media interest
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
KR101709470B1 (ko) 2010-09-02 2017-02-23 엘지전자 주식회사 영상표시기기 및 그 동작 방법
US20120059707A1 (en) 2010-09-01 2012-03-08 Google Inc. Methods and apparatus to cluster user data
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
US20120159337A1 (en) * 2010-12-17 2012-06-21 Kerry Travilla System and method for recommending media content
US9172762B2 (en) 2011-01-20 2015-10-27 Linkedin Corporation Methods and systems for recommending a context based on content interaction
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
US9202200B2 (en) 2011-04-27 2015-12-01 Credibility Corp. Indices for credibility trending, monitoring, and lead generation
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
USD682844S1 (en) 2011-06-06 2013-05-21 Sony Corporation Audio video display device with user 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
US20130080968A1 (en) * 2011-09-27 2013-03-28 Amazon Technologies Inc. User interface with media content prediction
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
US9098551B1 (en) 2011-10-28 2015-08-04 Google Inc. Method and system for ranking content by click count and other web popularity signals
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
US20130179252A1 (en) * 2012-01-11 2013-07-11 Yahoo! Inc. Method or system for content recommendations
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
EP2829057A1 (en) 2012-03-23 2015-01-28 Irdeto B.V. Recommending content items
EP2645324A1 (en) 2012-03-30 2013-10-02 Sony Corporation Method for recommending items and recommendation system
US8996530B2 (en) 2012-04-27 2015-03-31 Yahoo! Inc. User modeling for personalized generalized content recommendations
US9785883B2 (en) 2012-04-27 2017-10-10 Excalibur Ip, Llc Avatars for use with personalized generalized content recommendations
US9836545B2 (en) 2012-04-27 2017-12-05 Yahoo Holdings, Inc. Systems and methods 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
US9582767B2 (en) 2012-05-16 2017-02-28 Excalibur Ip, Llc Media recommendation using internet media stream modeling
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
USD691619S1 (en) 2012-08-03 2013-10-15 Microsoft Corporation Display screen with transitional graphical user interface
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
US9454530B2 (en) * 2012-10-04 2016-09-27 Netflix, Inc. Relationship-based search and recommendations
GB2507036A (en) 2012-10-10 2014-04-23 Lifecake Ltd Content prioritization
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
US20140172545A1 (en) 2012-12-17 2014-06-19 Facebook, Inc. Learned negative targeting features for ads based on negative feedback from users
US20140172544A1 (en) 2012-12-17 2014-06-19 Facebook, Inc. Using negative feedback about advertisements to serve advertisements
US20140181121A1 (en) 2012-12-21 2014-06-26 Microsoft Corporation Feature embedding in matrix factorization
GB201223450D0 (en) 2012-12-27 2013-02-13 Touchtype Ltd Search and corresponding method
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
USD733747S1 (en) 2013-01-05 2015-07-07 Samsung Electronics Co., Ltd. Display screen or portion thereof with graphical user interface
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
US9652797B2 (en) * 2013-01-18 2017-05-16 24/7 Customer, Inc. Intent prediction based recommendation system using data combined from multiple channels
US9122989B1 (en) 2013-01-28 2015-09-01 Insidesales.com Analyzing website content or attributes and predicting popularity
US9563720B2 (en) 2013-02-06 2017-02-07 Wespeke, Inc. Matching users of a network based on profile data
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
US9703783B2 (en) 2013-03-15 2017-07-11 Yahoo! Inc. Customized news stream utilizing dwelltime-based machine learning
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
US9342580B2 (en) 2013-03-15 2016-05-17 FEM, Inc. Character based media analytics
US9282138B2 (en) 2013-03-15 2016-03-08 Facebook, Inc. Enabling photoset recommendations
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
US9965153B2 (en) 2013-06-21 2018-05-08 Oracle International Corporation Configuring and displaying multidimensional data using two or more correlated interactive screen interfaces
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
US10073913B2 (en) 2013-08-29 2018-09-11 Yandex Europe Ag System and method for displaying of most relevant vertical search results
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
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
US9471671B1 (en) 2013-12-18 2016-10-18 Google Inc. Identifying and/or recommending relevant media content
USD751570S1 (en) 2013-12-19 2016-03-15 Asustek Computer Inc. Electronic device with graphical user interface
USD751571S1 (en) 2013-12-19 2016-03-15 Asustek Computer Inc. Electronic device with graphical user interface
USD751572S1 (en) 2013-12-19 2016-03-15 Asustek Computer Inc. Electronic device with graphical user interface
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
USD757788S1 (en) 2013-12-23 2016-05-31 Symantec Corporation Display screen or a portion thereof with transitional graphical user interface
US20150178282A1 (en) 2013-12-23 2015-06-25 Yahoo! Inc. Fast and dynamic targeting of users with engaging content
USD752636S1 (en) 2013-12-23 2016-03-29 Samsung Electronics Co., Ltd. Display screen or portion thereof with animated graphical user interface
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
USD755832S1 (en) 2013-12-30 2016-05-10 Beijing Qihoo Technology Co., Ltd. Display screen with animated graphical user interface
US10437859B2 (en) 2014-01-30 2019-10-08 Microsoft Technology Licensing, Llc Entity page generation and entity related searching
USD752601S1 (en) 2014-02-19 2016-03-29 Oracle International Corporation Display or portion thereof with graphical user interface
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
US9251224B2 (en) 2014-03-04 2016-02-02 Google Inc. Triggering and ranking of native applications
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
USD828369S1 (en) 2014-04-30 2018-09-11 Yandex Europe Ag Display screen with graphical user interface
RU2629449C2 (ru) 2014-05-07 2017-08-29 Общество С Ограниченной Ответственностью "Яндекс" Устройство, а также способ выбора и размещения целевых сообщений на странице результатов поиска
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
USD755806S1 (en) 2014-05-29 2016-05-10 Comcast Cable Communications, Llc Display screen with animated graphical user interface
USD755805S1 (en) 2014-05-29 2016-05-10 Comcast Cable Communications, Llc Display screen with animated graphical user interface
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
US9846836B2 (en) 2014-06-13 2017-12-19 Microsoft Technology Licensing, Llc Modeling interestingness with deep neural networks
CN105446972B (zh) 2014-06-17 2022-06-10 阿里巴巴集团控股有限公司 基于及融合用户关系数据的搜索方法、装置和系统
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
US10139987B2 (en) * 2014-07-18 2018-11-27 Google Llc Automated group recommendation
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
WO2016030703A1 (en) 2014-08-28 2016-03-03 Dozo LLP Method, system and apparatus for distributing and accessing media content
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
US10282384B2 (en) 2014-12-29 2019-05-07 Facebook, Inc. Systems and methods for throttling click bait
US20160275804A1 (en) 2015-03-16 2016-09-22 eSpark, Inc. Delivery of Personalized Educational Content
US11290783B2 (en) * 2015-03-17 2022-03-29 Comcast Cable Communications, Llc Real-time recommendations for altering content output
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
USD766274S1 (en) 2015-08-24 2016-09-13 Salesforce.Com, Inc. Display screen or portion thereof with animated graphical user interface
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
CN106529985B (zh) 2015-09-15 2021-06-08 腾讯科技（深圳）有限公司 一种推广信息的投放方法、装置和系统
US20170076318A1 (en) 2015-09-16 2017-03-16 Microsoft Technology Licensing, Llc Enhanced content quality using content features
RU2632100C2 (ru) 2015-09-28 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и сервер создания рекомендованного набора элементов
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
USD791792S1 (en) 2015-12-08 2017-07-11 Axinom Holding Oü Computer display with graphical user interface
US20170337612A1 (en) 2016-05-23 2017-11-23 Ebay Inc. Real-time recommendation of entities by projection and comparison in vector spaces
CN107577682B (zh) 2016-07-05 2021-06-29 上海交通大学 基于社交图片的用户兴趣挖掘和用户推荐方法及系统
US20180012236A1 (en) 2016-07-06 2018-01-11 Facebook, Inc. Systems and methods for analyzing interaction-bait content based on classifier models
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
RU2632132C1 (ru) * 2016-07-07 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для создания рекомендаций содержимого в системе 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
CN108346072A (zh) 2017-01-23 2018-07-31 长沙湘佩网络技术有限公司 基于混合算法的互联网商城推荐系统
USD847163S1 (en) 2017-01-27 2019-04-30 Yahoo Japan Corporation Display screen or portion thereof with animated graphical user interface
US20190069030A1 (en) 2017-08-25 2019-02-28 Facebook, Inc. Determining effects of presenting a content item to various users on actions performed by the users based on actions performed by users to whom the content item was and was not presented
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
GB201713821D0 (en) 2017-08-29 2017-10-11 Factmata Ltd Content scoring
DK201870353A1 (en) * 2018-05-07 2019-12-04 Apple Inc. USER INTERFACES FOR RECOMMENDING AND CONSUMING CONTENT ON AN ELECTRONIC DEVICE
RU2720952C2 (ru) * 2018-09-14 2020-05-15 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для создания рекомендации цифрового содержимого

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120209907A1 (en) * 2011-02-14 2012-08-16 Andrews Anton O A Providing contextual content based on another user
US20170103343A1 (en) * 2012-12-31 2017-04-13 Google Inc. Methods, systems, and media for recommending content items based on topics
RU2663478C2 (ru) * 2013-11-01 2018-08-06 МАЙКРОСОФТ ТЕКНОЛОДЖИ ЛАЙСЕНСИНГ, ЭлЭлСи Настройка поиска в реальном времени
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

Also Published As

Publication number Publication date
US20200092611A1 (en) 2020-03-19
US10674215B2 (en) 2020-06-02

Similar Documents

Publication Publication Date Title
RU2720899C2 (ru) Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации
US10706100B2 (en) Method of and system for recommending media objects
US10387115B2 (en) Method and apparatus for generating a recommended set of items
RU2636702C1 (ru) Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций
US10430481B2 (en) Method and apparatus for generating a content recommendation in a recommendation system
US20180075137A1 (en) Method and apparatus for training a machine learning algorithm (mla) for generating a content recommendation in a recommendation system and method and apparatus for generating the recommended content using the mla
US11288333B2 (en) Method and system for estimating user-item interaction data based on stored interaction data by using multiple models
RU2714594C1 (ru) Способ и система определения параметра релевантность для элементов содержимого
RU2699574C2 (ru) Способ и сервер для представления элемента рекомендуемого содержимого пользователю
US10277696B2 (en) Method and system for processing data used by creative users to create media content
US11276076B2 (en) Method and system for generating a digital content recommendation
RU2693323C2 (ru) Способ и сервер для выбора элементов рекомендаций для пользователя
RU2731335C2 (ru) Способ и система для формирования рекомендаций цифрового контента
RU2632131C2 (ru) Способ и устройство для создания рекомендуемого списка содержимого
US10452731B2 (en) Method and apparatus for generating a recommended set of items for a user
US20170155939A1 (en) Method and System for Processing Data Used By Creative Users to Create Media Content
EP3267386A1 (en) Method and apparatus for generating a content recommendation in a recommendation system
EP3136265A1 (en) Method and apparatus for generating a recommended content list
EP3293646A1 (en) Method and server for training a machine learning algorithm (mla) for content recommendation generation
EP3267389A1 (en) Method and apparatus for selecting a network resource as a source of content for a recommendation system
US11822447B2 (en) Methods and servers for storing data associated with users and digital items of a recommendation system
EP3147803A1 (en) Method and apparatus for generating a recommended set of items
US11276079B2 (en) Method and system for meeting service level of content item promotion
US20220083614A1 (en) Method for training a machine learning algorithm (mla) to generate a predicted collaborative embedding for a digital item
US20240012861A1 (en) Method and a server for generating a machine learning model