RU2757406C1 - Способ и система для обеспечения уровня сервиса при рекламе элемента контента - Google Patents

Способ и система для обеспечения уровня сервиса при рекламе элемента контента Download PDF

Info

Publication number
RU2757406C1
RU2757406C1 RU2019128258A RU2019128258A RU2757406C1 RU 2757406 C1 RU2757406 C1 RU 2757406C1 RU 2019128258 A RU2019128258 A RU 2019128258A RU 2019128258 A RU2019128258 A RU 2019128258A RU 2757406 C1 RU2757406 C1 RU 2757406C1
Authority
RU
Russia
Prior art keywords
users
server
service
digital content
user
Prior art date
Application number
RU2019128258A
Other languages
English (en)
Inventor
Евгений Андреевич Соколов
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 RU2019128258A priority Critical patent/RU2757406C1/ru
Priority to US16/934,288 priority patent/US11276079B2/en
Application granted granted Critical
Publication of RU2757406C1 publication Critical patent/RU2757406C1/ru

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0251Targeted advertisements
    • G06Q30/0255Targeted advertisements based on user history
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/04817Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance using icons
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/0483Interaction with page-structured environments, e.g. book metaphor
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0251Targeted advertisements
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06Q30/0631Item recommendations
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/50Network services
    • H04L67/535Tracking the activity of the user
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Настоящее изобретение относится области обеспечения уровня сервиса при рекламе элемента контента. Технический результат заключается в обеспечении абонентам сервиса возможности запрашивать целевой уровень показателя успеха рекламы для элемента цифрового контента. Такой результат достигается за счет способа обеспечения уровня сервиса при рекламе элемента контента, при этом данные, представляющие историю взаимодействия множества пользователей сервиса с элементами контента, и данные, представляющие элементы контента, хранятся в запоминающем устройстве, а способ включает в себя: получение сервером запроса на рекламу элемента из множества элементов контента с требуемым уровнем сервиса, при этом запрос уровня сервиса включает в себя указания на целевое количество пользователей, которым предоставляется элемент контента и которые выполняют в отношении него действие, и целевой период времени; расчет распределения среди множества пользователей сервиса вероятности выполнения действия после предоставления элемента контента; оценивание потенциального количества пользователей из множества пользователей сервиса, которым элемент контента может быть предоставлен в течение целевого периода времени; расчет порога вероятности для распределения на основе данных, включающих в себя: целевое количество пользователей в запросе уровня сервиса, рассчитанное распределение и оцененное потенциальное количество пользователей; и предоставление элемента контента пользователям из множества пользователей сервиса, имеющим вероятность в распределении, превышающую упомянутый порог. 2 н. и 20 з.п. ф-лы, 9 ил.

Description

Область техники, к которой относится изобретение
[1] Настоящая технология относится, в целом, к компьютерным рекомендательным системам и, в частности, к способам и системам для обеспечения уровня сервиса при рекламе элемента контента.
Уровень техники
[2] Различные глобальные и локальные сети (Интернет, World Wide Web, локальные сети и т.д.) обеспечивают пользователю потенциальный доступ к огромному объему информации. Информация включает в себя множество контекстно-зависимых тем, таких как новости и текущие события, карты, информация о компаниях, финансовая информация и ресурсы, информация о дорожном движении, информация об играх и развлечениях и т.д. Пользователи применяют разнообразные клиентские устройства (настольный компьютер, ноутбук, смартфон, планшет и т.д.) для доступа к данным, в частности, в виде богатого информационного содержимого (изображений, аудиоматериалов, видеоматериалов, анимации и другого мультимедийного контента из таких сетей).
[3] Объем такой информации, доступной пользователю, растет экспоненциально с течением времени. Для помощи пользователю в поиске необходимой информации было разработано несколько решений. Одним из примеров таких решений является поисковая система. По запросу, сформулированному пользователем, поисковая система выдает ранжированный список интернет-ресурсов, потенциально релевантных запросу. Пользователь может просмотреть ранжированный список результатов поиска, чтобы получить требуемую информацию.
[4] Другие решения представляют собой рекомендательные сервисы, формирующие рекомендуемый контент для пользователя и позволяющие ему обнаруживать информацию, которой он мог не интересоваться или для которой был не способен сформулировать запрос. Такие сервисы формируют рекомендации контента для пользователя без непосредственно выраженного поискового запроса, основываясь на прошлых явных или неявных интересах пользователя и стремясь, чтобы такой контент также мог представлять интерес.
[5] В качестве примера такого рекомендательного сервиса можно привести систему FLIPBOARD™, объединяющую и рекомендующую контент из различных источников, где пользователь может бегло просматривать страницы с рекомендованным или объединенным контентом. Рекомендательная система собирает контент из социальных медиа и других веб-сайтов, представляет его в формате журнала и обеспечивает пользователям возможность бегло просматривать ленты публикаций социальных сетей и веб-сайтов, установивших партнерские отношения с компанией, и эффективно «рекомендует» контент пользователю, даже если пользователь не выражал явной заинтересованности в конкретном контенте.
[6] В качестве другого примера можно привести новостное и информационное приложение Toutiao™, на основе анализа признаков контента, признаков пользователей и их взаимодействия с контентом с использованием алгоритмов и средств искусственного интеллекта для формирования персонализированной новостной ленты рекомендующее персонализированную информацию пользователям.
[7] В качестве еще одного примера можно привести ленту новостей Facebook™ News Feed, которая сравнивает достоинства тысяч потенциальных сообщений при каждом открытии приложения Facebook™, показывая пользователям персонализированные результаты, относящиеся к информации, которая, предположительно, представляет для них интерес, и обеспечивает важные данные, касающиеся «кликов», реакций или времени чтения.
[8] Еще один пример представляет собой рекомендательную систему YANDEX.ZEN™. Рекомендательная система Yandex.Zen рекомендует цифровой контент (статьи, новости и видеоматериалы в персонализированной ленте на главной странице браузера Yandex.Browser). Когда пользователь просматривает рекомендуемый контент сервера Yandex.Zen, сервер явно (путем выяснения желания пользователя, чтобы больше такого контента отображалось в его ленте) или неявно (путем наблюдения взаимодействия пользователя с контентом) получает информацию обратной связи. С использованием информации обратной связи от пользователя сервер Yandex.Zen непрерывно улучшает представляемые пользователю рекомендации контента.
[9] Рекомендации в таких сервисах могут быть представлены в виде предлагаемых ссылок на конкретный контент (сопровождаемых рефератом контента, изображением и т.д.), по которым пользователь может перейти для доступа к контенту. «Действия» других видов со стороны пользователей могут представлять собой посещение веб-сайта, чтение всего контента, пересылку контента другим пользователям и т.д.
Раскрытие изобретения
[19] Разработчики настоящей технологии установили, что рекомендательный сервер также должен включать в себя опциональный (и при определенных обстоятельствах платный) рекламный сервис, позволяющий авторам, собственникам или управляющим сторонам конкретного элемента цифрового контента увеличивать популярность такого элемента путем инициирования его дополнительных показов. Дополнительный показ в рамках рекомендательного сервиса может, например, осуществляться путем отображения элемента на экранах пользователей более заметным образом, с дополнительным выделением или более часто.
[11] Разработчики настоящей технологии также установили, что для любого такого опционального рекламного сервиса требуется показатель успеха рекламы. Например, такой показатель может представлять собой количество пользователей, выполнивших действие в отношении рекламируемого элемента цифрового контента в течение некоторого периода времени. Действие в этом контексте представляет собой инициированное рекламой желательное поведение пользователя, такое как «клики», посещение веб-сайтов, пересылка контента и т.д.
[12] Разработчики настоящей технологии также установили, что любой такой опциональный рекламный сервис должен обеспечивать абонентам сервиса возможность запрашивать целевой уровень показателя успеха рекламы для элемента цифрового контента и получать гарантии достижения такой цели.
[13] Варианты осуществления настоящей технологии разработаны на основе понимания разработчиками того, что важный недостаток рекламных сервисов с требованиями к уровню сервиса связан с вычислительной мощностью, необходимой для их эффективного функционирования, поскольку операторы должны либо (а) приобретать дорогостоящие устройства с большей вычислительной мощностью, либо (б) рекомендовать менее релевантный рекламируемый элемент цифрового контента большему количеству пользователей в ущерб удовлетворенности пользователей от рекомендуемого цифрового контента.
[14] В связи с этим разработчики разработали решение, предусматривающее оптимизацию выбора пользователей, которым рекомендуется рекламируемый элемент цифрового контента (т.е. минимизацию их количества), с целью достижения рекламным сервисом требуемого уровня сервиса.
[15] Согласно первому аспекту настоящей технологии реализован способ обеспечения уровня сервиса при рекламе элемента контента, выполняемый сервером, реализующим рекомендательный сервис для предоставления множества элементов цифрового контента пользователю из множества пользователей этого сервиса. Данные, представляющие историю взаимодействия множества пользователей сервиса с элементами цифрового контента, и данные, представляющие элементы цифрового контента, хранятся в запоминающем устройстве, связанном с сервером. Способ включает в себя:
- получение сервером запроса на рекламу элемента из множества элементов цифрового контента с требуемым уровнем сервиса, при этом запрос уровня сервиса включает в себя указания на:
- целевое количество пользователей, которым предоставляется элемент цифрового контента и которые выполняют в отношении него действие, и
- целевой период времени;
- расчет сервером распределения среди множества пользователей сервиса вероятности выполнения действия после предоставления элемента цифрового контента;
- оценивание сервером потенциального количества пользователей из множества пользователей сервиса, которым элемент цифрового контента может быть предоставлен в течение целевого периода времени;
- расчет сервером порога вероятности для упомянутого распределения на основе данных, включающих в себя:
- целевое количество пользователей в запросе уровня сервиса,
- рассчитанное распределение и
- оцененное потенциальное количество пользователей; и
-предоставление сервером элемента цифрового контента пользователям из множества пользователей сервиса, имеющим вероятность в упомянутом распределении, превышающую упомянутый порог.
[16] В некоторых вариантах осуществления настоящей технологии расчет распределения вероятности включает себя определение сервером взаимосвязи данных, представляющих элемент цифрового контента, с данными, представляющими историю взаимодействия с каждым пользователем из множества пользователей сервиса.
[17] В некоторых вариантах осуществления настоящей технологии определение взаимосвязи включает в себя:
- формирование сервером первого вектора, представляющего элемент цифрового контента, и соответствующего ему второго вектора, представляющего историю взаимодействия с пользователем из множества пользователей рекомендательного сервиса;
- проецирование сервером первого и второго векторов в многомерное пространство;
- расчет сервером угла между первым вектором и вторым вектором; и
- повторение сервером шагов формирования второго вектора, проецирования первого вектора и второго вектора и расчета угла между первым вектором и вторым вектором для каждого пользователя из множества пользователей рекомендательного сервиса.
[18] В некоторых вариантах осуществления настоящей технологии формирование и проецирование выполняется с использованием алгоритма машинного обучения (MLA, Machine Learning Algorithm).
[19] В некоторых вариантах осуществления настоящей технологии расчет распределения вероятности выполняется сервером для множества классов пользователей сервиса.
[20] В некоторых вариантах осуществления настоящей технологии оценивание потенциального количества пользователей включает в себя отслеживание сервером исторических данных о количестве пользователей рекомендательного сервера в течение некоторого периода времени.
[21] В некоторых вариантах осуществления настоящей технологии отслеживание исторических данных включает в себя отслеживание сервером географического положения пользователей рекомендательного сервиса.
[22] В некоторых вариантах осуществления настоящей технологии оценивание потенциального количества пользователей включает в себя учет сервером времени суток, недели или года начала целевого периода времени.
[23] В некоторых вариантах осуществления настоящей технологии оценивание потенциального количества пользователей включает в себя учет сервером времени суток, недели или года начала целевого периода времени, относящихся к географическому положению пользователей рекомендательного сервиса.
[24] В некоторых вариантах осуществления настоящей технологии оценивание потенциального количества пользователей выполняется алгоритмом MLA.
[25] В некоторых вариантах осуществления настоящей технологии запрос на рекламу элемента из множества элементов цифрового контента с требуемым уровнем сервиса отправляется издателем, а способ дополнительно включает в себя оповещение сервером издателя о достижении уровня сервиса.
[26] Согласно второму аспекту настоящей технологии реализован сервер для обеспечения уровня сервиса при рекламе элемента контента. Сервер реализует рекомендательный сервис для предоставления множества элементов цифрового контента пользователю из множества пользователей этого сервиса. Данные, представляющие историю взаимодействия множества пользователей сервиса с элементами цифрового контента, и данные, представляющие элементы цифрового контента, хранятся в запоминающем устройстве, связанном с сервером. Сервер способен:
- получать запрос на рекламу элемента из множества элементов цифрового контента с требуемым уровнем сервиса, при этом запрос уровня сервиса включает в себя указания на:
- целевое количество пользователей, которым предоставляется элемент цифрового контента и которые выполняют в отношении него действие, и
- целевой период времени;
- рассчитывать распределение среди множества пользователей сервиса вероятности выполнения действия после предоставления элемента цифрового контента;
- оценивать потенциальное количество пользователей из множества пользователей сервиса, которым элемент цифрового контента может быть предоставлен в течение целевого периода времени;
- рассчитывать порог вероятности для упомянутого распределения на основе данных, включающих в себя:
- целевое количество пользователей в запросе уровня сервиса,
- рассчитанное распределение и
- оцененное потенциальное количество пользователей; и
- предоставлять элемент цифрового контента пользователям из множества пользователей сервиса, имеющим вероятность в упомянутом распределении, превышающую упомянутый порог.
[27] В некоторых вариантах осуществления настоящей технологии сервер дополнительно способен определять взаимосвязь данных, представляющих элемент цифрового контента, с данными, представляющими историю взаимодействия с каждым пользователем из множества пользователей сервиса.
[28] В некоторых вариантах осуществления настоящей технологии сервер дополнительно способен:
- формировать первый вектор, представляющий элемент цифрового контента, и соответствующий ему второй вектор, представляющий историю взаимодействия с пользователем из множества пользователей рекомендательного сервиса;
- проецировать первый и второй векторы в многомерное пространство;
- рассчитывать угол между первым и вторым векторами; и
- повторять формирование второго вектора, проецирование первого вектора и второго вектора и расчет угла между первым вектором и вторым вектором для каждого пользователя из множества пользователей рекомендательного сервиса.
[29] В некоторых вариантах осуществления настоящей технологии сервер дополнительно способен выполнять формирование и проецирование с использованием алгоритма MLA.
[30] В некоторых вариантах осуществления настоящей технологии сервер дополнительно способен рассчитывать распределение вероятности для множества классов пользователей сервиса.
[31] В некоторых вариантах осуществления настоящей технологии сервер дополнительно способен оценивать потенциальное количество пользователей с применением отслеживания исторических данных о количестве пользователей рекомендательного сервера в течение некоторого периода времени.
[32] В некоторых вариантах осуществления настоящей технологии сервер дополнительно способен отслеживать географическое положение пользователей рекомендательного сервиса.
[33] В некоторых вариантах осуществления настоящей технологии сервер дополнительно способен учитывать время суток, недели или года начала целевого периода времени.
[34] В некоторых вариантах осуществления настоящей технологии сервер дополнительно способен учитывать время суток, недели или года начала целевого периода времени, относящихся к географическому положению пользователей рекомендательного сервиса.
[35] В некоторых вариантах осуществления настоящей технологии сервер дополнительно способен выполнять оценивание с использованием алгоритма MLA.
[36] В некоторых вариантах осуществления настоящей технологии сервер дополнительно способен получать запрос на рекламу элемента из множества элементов цифрового контента с требуемым уровнем сервиса, отправленный издателем, и оповещать издателя о достижении уровня сервиса.
[37] В контексте данного описания термин «сервер» означает компьютерную программу, выполняемую соответствующими аппаратными средствами и способную принимать запросы (например, от клиентских устройств) через сеть и выполнять эти запросы или инициировать их выполнение. Аппаратные средства могут представлять собой один физический компьютер или одну компьютерную систему, что не существенно для настоящей технологии. В данном контексте выражение «сервер» не означает, что каждая задача (например, принятая команда или запрос) или некоторая конкретная задача принимается, выполняется или запускается одним и тем же сервером (т.е. одними и теми же программными и/или аппаратными средствами). Это выражение означает, что любое количество программных средств или аппаратных средств может принимать, отправлять, выполнять или инициировать выполнение любой задачи или запроса либо результатов любых задач или запросов. Все эти программные и аппаратные средства могут представлять собой один сервер или несколько серверов и оба эти случая подразумеваются в выражении «по меньшей мере один сервер».
[38] В контексте данного описания термин «клиентское устройство» означает любое компьютерное аппаратное средство, способное выполнять программы, подходящие для решения поставленной задачи. Таким образом, некоторые (не имеющие ограничительного характера) примеры клиентских устройств включают в себя персональные компьютеры (настольные, ноутбуки, нетбуки и т.п.), смартфоны и планшеты, а также сетевое оборудование, такое как маршрутизаторы, коммутаторы и шлюзы. Следует отметить, что в данном контексте устройство, функционирующее как клиентское устройство, также может функционировать как сервер для других клиентских устройств. Использование выражения «клиентское устройство» не исключает использования нескольких клиентских устройств для приема, отправки, выполнения или инициирования выполнения любой задачи или запроса либо результатов любых задач или запросов либо шагов любого описанного здесь способа.
[39] В контексте данного описания термин «база данных» означает любой структурированный набор данных, независимо от его конкретной структуры, программного обеспечения для управления базой данных или компьютерных аппаратных средств для хранения этих данных, их применения или обеспечения их использования иным способом. База данных может располагаться в тех же аппаратных средствах, где реализован процесс, обеспечивающий хранение или использование информации, хранящейся в базе данных, либо база данных может располагаться в отдельных аппаратных средствах, таких как специализированный сервер или множество серверов.
[40] В контексте данного описания выражение «информация» включает в себя информацию любого рода или вида, допускающую хранение в базе данных. Таким образом, информация включает в себя аудиовизуальные произведения (изображения, фильмы, звукозаписи, презентации и т.д.), данные (данные о местоположении, числовые данные и т.д.), текст (мнения, комментарии, вопросы, сообщения и т.д.), документы, электронные таблицы, списки слов и т.д., но не ограничивается ими.
[41] В контексте данного описания выражение «компонент» включает в себя обозначение программного обеспечения (подходящего для определенных аппаратных средств), необходимого и достаточного для выполнения определенной функции или нескольких функций.
[42] В контексте данного описания выражение «пригодный для использования в компьютере носитель информации» относится к носителям любого рода и вида, включая ОЗУ, ПЗУ, диски (CD-ROM, DVD, гибкие диски, жесткие диски и т.д.), USB-накопители, твердотельные накопители, накопители на магнитных лентах и т.д.
[43] В контексте данного описания, если явно не указано другое, в качестве указания на информационный элемент может выступать сам информационный элемент, а также указатель, ссылка, гиперссылка или другое косвенное средство, с помощью которого получатель данных может найти место в сети, памяти, базе данных или на другом машиночитаемом носителе информации, откуда можно извлечь этот информационный элемент. Например, указание на документ может включать в себя сам документ (т.е. его содержимое) или это указание может представлять собой уникальный дескриптор документа, указывающий на файл в определенной файловой системе, или какие-либо другие средства для указания получателю данных места в сети, адреса памяти, таблицы в базе данных или другого места, где можно получить доступ к файлу. Специалисту в данной области должно быть очевидно, что степень точности, требуемая для такого указания, зависит от объема предварительных пояснений относительно интерпретации информации, которой обмениваются отправитель и получатель данных. Например, если перед началом обмена данными между отправителем и получателем известно, что указание на информационный элемент представляет собой ключ базы данных для элемента в определенной таблице заранее заданной базы данных, содержащей этот информационный элемент, то для эффективной передачи этого информационного элемента получателю достаточно оправить ключ базы данных, даже если сам информационный элемент не передается между отправителем и получателем данных.
[44] В контексте данного описания числительные «первый» «второй», «третий» и т.д. используются лишь для указания различия между существительными, к которым они относятся, но не для описания каких-либо определенных взаимосвязей между этими существительными. Например, должно быть понятно, что использование терминов «первый сервер» и «третий сервер» не подразумевает какого-либо определенного порядка, типа, хронологии, иерархии или классификации, в данном случае, серверов, а также что их использование (само по себе) не подразумевает наличие «второго сервера» в любой ситуации. Кроме того, как встречается в данном описании в другом контексте, ссылка на «первый» элемент и «второй» элемент не исключает того, что эти два элемента в действительности могут быть одним и тем же элементом. Таким образом, например, в некоторых случаях «первый» сервер и «второй» сервер могут представлять собой одно программное и/или аппаратное средство, а в других случаях - различные программные и/или аппаратные средства.
[45] Каждый вариант осуществления настоящей технологии относится к по меньшей мере одной из вышеупомянутых целей и/или аспектов, но не обязательно ко всем ним. Должно быть понятно, что некоторые аспекты настоящей технологии, связанные с попыткой достижения вышеупомянутой цели, могут не соответствовать этой цели и/или могут соответствовать другим целям, явным образом здесь не упомянутым.
[46] Дополнительные и/или альтернативные признаки, аспекты и преимущества вариантов осуществления настоящей технологии содержатся в дальнейшем описании, в приложенных чертежах и в формуле изобретения.
Краткое описание чертежей
[47] Дальнейшее описание приведено для лучшего понимания настоящей технологии, а также других аспектов и их признаков, и должно использоваться совместно с приложенными чертежами.
[48] На фиг. 1 представлена схема системы, реализованной согласно не имеющим ограничительного характера вариантам осуществления настоящей технологии.
[49] На фиг. 2 представлен снимок экрана рекламного интерфейса, реализованного согласно не имеющим ограничительного характера вариантам осуществления настоящей технологии и отображаемого на экране электронного устройства в системе, представленной на фиг. 1.
[50] На фиг. 3 представлены компьютерные процедуры, выполняемые на сервере представленной на фиг. 1 системы согласно вариантам осуществления настоящей технологии, не имеющим ограничительного характера.
[51] На фиг. 4 приведена подробная блок-схема выполнения одной из представленных на фиг. 3 компьютерных процедур согласно вариантам осуществления настоящей технологии, не имеющим ограничительного характера.
[52] На фиг. 5 приведена гистограмма распределения пользователей, рассчитанная на сервере представленной на фиг. 1 системы согласно вариантам осуществления настоящей технологии, не имеющим ограничительного характера.
[53] На фиг. 6 приведена подробная блок-схема выполнения другой процедуры из числа представленных на фиг. 3 компьютерных процедур согласно вариантам осуществления настоящей технологии, не имеющим ограничительного характера.
[54] На фиг. 7 приведена рассчитанная минимальная оценка (в качестве порога) на гистограмме распределения (см. фиг. 5) в соответствии с вариантами осуществления настоящей технологии, не имеющими ограничительного характера.
[55] На фиг. 8 приведена подробная блок-схема выполнения еще одной процедуры из числа представленных на фиг. 3 компьютерных процедур согласно вариантам осуществления настоящей технологии, не имеющим ограничительного характера.
[56] На фиг. 9 приведена подробная блок-схема выполнения компьютерных процедур, включая представленные на фиг. 3 процедуры, согласно вариантам осуществления настоящей технологии, не имеющим ограничительного характера.
Осуществление изобретения
[57] Представленные в данном описании примеры и условный язык предназначены для обеспечения лучшего понимания принципов настоящей технологии, а не для ограничения ее объема до таких специально приведенных примеров и условий. Очевидно, что специалисты в данной области техники способны разработать различные способы и устройства, которые явно не описаны и не показаны, но реализуют принципы настоящей технологии в пределах ее существа и объема.
[58] Кроме того, чтобы способствовать лучшему пониманию, последующее описание может содержать упрощенные варианты реализации настоящей технологии. Специалистам в данной области должно быть понятно, что различные варианты осуществления настоящей технологии могут быть значительно сложнее.
[59] В некоторых случаях приводятся полезные примеры модификаций настоящей технологии. Они способствуют пониманию, но также не определяют объем или границы настоящей технологии. Представленный перечень модификаций не является исчерпывающим и специалист в данной области способен разработать другие модификации в пределах объема настоящей технологии. Кроме того, если в некоторых случаях модификации не описаны, это не означает, что они невозможны и/или что описание содержит единственно возможный вариант реализации того или иного элемента настоящей технологии.
[60] Более того, описание принципов, аспектов и вариантов реализации настоящей технологии, а также их конкретные примеры предназначены для охвата их структурных и функциональных эквивалентов, независимо от того, известны они в настоящее время или будут разработаны в будущем. Например, специалистам в данной области техники должно быть очевидно, что любые описанные здесь структурные схемы соответствуют концептуальным представлениям иллюстративных принципиальных схем, реализующих принципы настоящей технологии. Также должно быть очевидно, что любые блок-схемы, схемы процессов, диаграммы изменения состояния, псевдокоды и т.п. соответствуют различным процессам, которые могут быть представлены на машиночитаемом физическом носителе информации и могут выполняться компьютером или процессором, независимо от того, показан такой компьютер или процессор явно или нет.
[61] Функции различных элементов, показанных на чертежах, включая любой функциональный блок, обозначенный как «процессор» или «графический процессор», могут быть реализованы с использованием специализированных аппаратных средств, а также с использованием аппаратных средств, способных выполнять соответствующее программное обеспечение. Если используется процессор, эти функции могут выполняться одним выделенным процессором, одним совместно используемым процессором или множеством отдельных процессоров, некоторые из которых могут использоваться совместно. В некоторых вариантах осуществления настоящей технологии процессор может представлять собой процессор общего назначения, такой как центральный процессор (CPU), или специализированный процессор, такой как графический процессор (GPU). Кроме того, явное использование термина «процессор» или «контроллер» не должно трактоваться как указание исключительно на аппаратные средства, способные выполнять программное обеспечение, и может подразумевать, помимо прочего, аппаратные средства цифрового сигнального процессора (DSP), сетевой процессор, специализированную интегральную схему (ASIC), программируемую вентильную матрицу (FPGA), ПЗУ для хранения программного обеспечения, ОЗУ и энергонезависимое ЗУ. Также могут подразумеваться другие аппаратные средства, общего назначения и/или заказные.
[62] Программные модули или просто модули, реализация которых предполагается в виде программных средств, могут быть представлены здесь как любое сочетание элементов блок-схемы или других элементов, указывающих на выполнение шагов процесса и/или содержащих его текстовое описание. Такие модули могут выполняться аппаратными средствами, показанными явно или подразумеваемыми.
[63] Далее с учетом вышеизложенных принципов рассмотрены некоторые не имеющие ограничительного характера примеры, иллюстрирующие различные варианты реализации аспектов настоящей технологии.
[64] На фиг. 1 представлена схема системы 100, пригодной для реализации вариантов осуществления настоящей технологии, не имеющих ограничительного характера. Очевидно, что система 100 приведена лишь для демонстрации варианта реализации настоящей технологии. Таким образом, дальнейшее описание системы представляет собой описание примеров, иллюстрирующих настоящую технологию. Это описание не предназначено для определения объема или границ настоящей технологии. В некоторых случаях также приводятся полезные примеры модификаций системы 100. Они способствуют пониманию, но также не определяют объем или границы настоящей технологии. Эти модификации не составляют исчерпывающего перечня. Как должно быть понятно специалисту в данной области, возможны и другие модификации. Кроме того, если в некоторых случаях модификации не описаны (т.е. примеры модификаций отсутствуют), это не означает, что они невозможны и/или что описание содержит единственно возможный вариант реализации того или иного элемента настоящей технологии. Специалисту в данной области должно быть понятно, что это не так. Кроме того, следует понимать, что система 100 в некоторых случаях может представлять собой упрощенную реализацию настоящей технологии и что такие варианты представлены, чтобы способствовать лучшему ее пониманию. Специалистам в данной области должно быть понятно, что различные варианты осуществления настоящей технологии могут быть значительно сложнее.
[65] В целом, система 100 способна предоставлять рекомендации цифрового контента пользователям системы 100 с опциональной возможностью для владельцев цифрового контента рекламировать конкретные элементы цифрового контента в качестве части этих рекомендаций цифрового контента. Например, пользователь 102 (один из множества пользователей системы 100) может представлять собой абонента рекомендательного сервиса, обеспечиваемого системой 100. Подписка такого абонента не обязательно должна быть явной или платной. Например, пользователь может стать абонентом вследствие загрузки рекомендательного приложения из системы 100, путем регистрации и предоставления сочетания учетного имени/пароля, путем регистрации и предоставления предпочтений пользователя и т.д. Любой вариант системы, способной формировать для пользователя рекомендации контента с опциональной рекламой, может быть адаптирован для выполнения вариантов осуществления настоящей технологии после реализации представленной здесь концепции. Кроме того, система 100 описана с использованием примера системы 100, представляющего собой рекламную систему (поэтому система 100 ниже может называться рекламной системой 100). Тем не менее, варианты осуществления настоящей технологии могут быть в равной степени применены к системе 100 других видов, как более подробно описано ниже.
Электронное устройство - пользователь
[66] Система 100 содержит электронное устройство 104, связанное с пользователем 102. Электронное устройство 104 иногда может называться клиентским устройством, оконечным устройством или клиентским электронным устройством. Следует отметить, что связь электронного устройства 104 с пользователем 102 не означает необходимости предлагать или подразумевать какой-либо режим работы, например, вход в систему, регистрацию и т.п.
[67] Следует отметить, что, несмотря на то, что на фиг. 1 показан лишь пользователь 102, связанный с электронным устройством 104, предполагается, что пользователь 102, связанный с электронным устройством 104, представляет собой пользователя из множества пользователей (не показаны) системы 100, каждый из которых может быть связан с соответствующим электронным устройством (не показано).
[68] На реализацию электронного устройства 104 не накладывается каких-либо особых ограничений. Например, электронное устройство 104 может быть реализовано в виде персонального компьютера (настольного, ноутбука, нетбука и т.д.), беспроводного устройства связи (смартфона, сотового телефона, планшета и т.д.) или сетевого оборудования (маршрутизатора, коммутатора, шлюза и т.д.). Электронное устройство 104 содержит известные в данной области техники аппаратные средства и/или программное обеспечение и/или встроенное программное обеспечение (либо их сочетание) для выполнения рекомендательного приложения 106. В общем случае рекомендательное приложение 106 предназначено для обеспечения пользователю 102 возможности принимать рекомендации цифрового контента, предоставляемые системой 100 (или осуществлять доступ к ним иным образом), как более подробно описано ниже.
[69] На реализацию рекомендательного приложения 106 не накладывается каких-либо особых ограничений. Один пример рекомендательного приложения 106 для доступа к рекомендательному приложению 106 может предусматривать доступ пользователя 102 к веб-сайту, связанному с рекомендательным сервисом. Например, доступ к рекомендательному приложению 106 может обеспечиваться путем ввода с клавиатуры (или копирования и вставки или выбора ссылки) универсального указателя ресурсов (URL, Uniform Resource Locator), связанного с рекомендательным сервисом. В качестве альтернативы рекомендательное приложение 106 может представлять собой приложение, загружаемое из так называемого «магазина приложений», такого как APPSTORE™ или GOOGLEPLAY™, и устанавливаемое или выполняемое в электронном устройстве 104. Очевидно, что доступ к рекомендательному приложению 106 может обеспечиваться с использованием любых других подходящих средств. В других вариантах осуществления изобретения функции рекомендательного приложения 106 могут быть включены в состав другого приложения, такого как браузерное приложение (не показано) и т.п. Например, рекомендательное приложение 106 может выполняться в виде части браузерного приложения. В частности, функции рекомендательного приложения 106 могут выполняться, когда пользователь 102 запускает браузерное приложение.
[70] В общем случае рекомендательное приложение 106 содержит рекомендательный интерфейс 108, отображаемый на экране (отдельно не обозначен) электронного устройства 104.
[71] Электронное устройство 104 способно формировать запрос 150 на рекомендацию цифрового контента. Запрос 150 может быть сформирован в ответ на предоставление пользователем 102 явного указания на его желание получить рекомендацию цифрового контента.
Сеть связи
[72] Электронное устройство 104 связано с сетью 110 связи для доступа к рекомендательному и рекламному серверу 112 (или, сокращенно, серверу 112).
[73] В некоторых не имеющих ограничительного характера вариантах осуществления настоящей технологии в качестве сети 110 связи может использоваться сеть Интернет. В других вариантах осуществления настоящей технологии сеть 110 связи может быть реализована иначе, например, в виде любой глобальной сети связи, локальной сети связи, частной сети связи и т.п.
[74] Реализация линии связи (отдельно не обозначена) между электронным устройством 104 и сетью 110 связи зависит, среди прочего, от реализации электронного устройства 104. Лишь в качестве примера, не имеющего ограничительного характера, в тех вариантах осуществления настоящей технологии, где электронное устройство 104 реализовано в виде беспроводного устройства связи (такого как смартфон), линия связи может быть реализована в виде беспроводной линия связи (такой как канал сети связи 3G, канал сети связи 4G, Wireless Fidelity или сокращенно WiFi®, Bluetooth® и т.п.). В тех примерах, где электронное устройство 104 реализовано в виде ноутбука, линия связи может быть беспроводной (такой как Wireless Fidelity или сокращенно WiFi®, Bluetooth® и т.д.) или проводной (такой как соединение на основе Ethernet).
Множество сетевых ресурсов
[75] С сетью 110 связи также связано множество 130 сетевых ресурсов, содержащее первый сетевой ресурс 132, второй сетевой ресурс 134 и множество 136 дополнительных сетевых ресурсов. Первый сетевой ресурс 132, второй сетевой ресурс 134 и множество 136 дополнительных сетевых ресурсов представляют собой сетевые ресурсы, доступные электронному устройству 104 (а также другим электронным устройствам, потенциально присутствующим в системе 100) через сеть 110 связи. На соответствующий цифровой контент первого сетевого ресурса 132, второго сетевого ресурса 134 и множества 136 дополнительных сетевых ресурсов 128 не накладывается каких-либо особых ограничений.
[76] Предполагается, что любой ресурс из числа первого сетевого ресурса 132, второго сетевого ресурса 134 и множества 136 дополнительных сетевых ресурсов может содержать цифровые документы, включающие в себя цифровой контент потенциально различных видов.
[77] Например, цифровой контент цифровых документов может, среди прочего, включать в себя цифровой аудиоконтент для потоковой передачи или загрузки, цифровой видеоконтент для потоковой передачи или загрузки, новости, блоги, информацию о различных государственных учреждениях, информацию об интересах, тематически кластеризованный контент (например, контент, релевантный для интересующихся кикбоксингом) и т.д.
[78] В другом примере цифровой контент цифровых документов, содержащихся в первом сетевом ресурсе 132, втором сетевом ресурсе 134 и множестве 136 дополнительных сетевых ресурсов 128 может быть основан на тексте. Цифровой контент на основе текста может, среди прочего, включать в себя новости, блоги, информацию о различных государственных учреждениях, информацию об интересах, тематически кластеризованный контент (например, контент, релевантный для интересующихся кикбоксингом) и т.д.
[79] Следует отметить, что выражение «цифровой контент на основе текста» не означает, что цифровой документ содержит только текст, исключая мультимедийные элементы другого вида. В действительности цифровой документ на основе текста может включать в себя текстовые элементы и, возможно, мультимедийные элементы другого вида. Например, цифровой документ на основе текста, представляющий собой статью, может содержать текст и фотографии. В другом примере цифровой документ на основе текста, представляющий собой блог, может содержать текст и встроенные видеоэлементы.
[89] Следует отметить, что цифровой контент сетевого ресурса может быть опубликован издателем. В общем случае издатель публикует цифровой контент (которым он владеет или управляет) так, чтобы он был доступен на сетевом ресурсе. Следует отметить, что издатель обычно формирует и публикует цифровой контент определенного вида и/или с общей темой. Например, издатель, обычно публикующий цифровой контент, касающийся спортивных новостей, вероятно, опубликует новый цифровой контент, также касающийся спортивных новостей.
[81] Предполагается, что в некоторых вариантах осуществления настоящей технологии ресурс из множества 130 цифровых ресурсов может быть связан с одним или несколькими издателями. В других вариантах осуществления настоящей технологии издатель может быть связан с одним или несколькими ресурсами из множества 130 сетевых ресурсов без выхода за границы настоящей технологии.
[82] В общем случае цифровой контент может быть обнаружен электронным устройством 104 с использованием различных средств. Например, пользователь 102 электронного устройства 104 может использовать браузерное приложение (не показано) и ввести URL-адрес, связанный с ресурсом из числа первого сетевого ресурса 132, второго сетевого ресурса 134 и множества 136 дополнительных сетевых ресурсов. В другом примере пользователь 102 электронного устройства 104 может выполнить поиск с помощью поисковой системы (не показана), чтобы обнаружить цифровой контент одного или нескольких ресурсов из числа первого сетевого ресурса 132, второго сетевого ресурса 134 и множества 136 дополнительных сетевых ресурсов. Как было упомянуто выше, это удобно, когда пользователь 102 заранее знает, в каком цифровом контенте он заинтересован.
Электронное устройство - издатель
[83] Система 100 также содержит электронное устройство 144, связанное с издателем 142. Электронное устройство 144 иногда может называться устройством издателя. Следует отметить, что связь электронного устройства 144 с издателем 142 не означает необходимости предлагать или подразумевать какой-либо режим работы, например, вход в систему, регистрацию и т.п.
[84] Следует отметить, что, несмотря на то, что на фиг. 1 показан лишь издатель 142, связанный с электронным устройством 144, предполагается, что издатель 142, связанный с электронным устройством 144, представляет собой издателя из множества издателей (не показаны), использующих систему 100, каждый из которых может быть связан с соответствующим электронным устройством (не показано).
[85] На реализацию электронного устройства 144 не накладывается каких-либо особых ограничений. Например, электронное устройство 144 может быть реализовано в виде персонального компьютера (настольного, ноутбука, нетбука и т.д.), беспроводного устройства связи (смартфона, сотового телефона, планшета и т.д.) или сетевого оборудования (маршрутизатора, коммутатора, шлюза и т.д.). Электронное устройство 144 содержит известные в данной области техники аппаратные средства и/или прикладное программное обеспечение и/или встроенное программное обеспечение (либо их сочетание) для выполнения рекламного приложения 146.
[86] В общем случае рекламное приложение 146 предназначено для того, чтобы обеспечивать издателю 142 возможность рекламировать элементы цифрового контента, которыми он владеет или управляет, в числе предоставляемых системой 100 рекомендаций цифрового контента, как более подробно описано ниже.
[87] На реализацию рекламного приложения 146 не накладывается каких-либо особых ограничений. Один пример рекламного приложения 146 для доступа к рекламному приложению 146 может предусматривать доступ издателя 142 к веб-сайту, связанному с рекомендательным сервисом. Например, доступ к рекламному приложению 146 может обеспечиваться путем ввода с клавиатуры (или копирования и вставки или выбора ссылки) URL-адреса, связанного с рекомендательным сервисом. В качестве альтернативы, рекламное приложение 146 может представлять собой приложение, загружаемое из так называемого «магазина приложений», такого как APPSTORE™ или GOOGLEPLAY™, и устанавливаемое или выполняемое в электронном устройстве 144. Должно быть очевидно, что доступ к рекламному приложению 146 может обеспечиваться с использованием любых других подходящих средств. В других вариантах осуществления изобретения функции рекламного приложения 146 могут быть включены в состав другого приложения, такого как рекомендательное приложение, браузерное приложение (не показано) и т.п. Например, рекламное приложение 146 может выполняться в качестве части браузерного приложения. В частности, функции рекламного приложения 146 могут выполняться, когда издатель 142 запускает браузерное приложение.
[88] В общем случае рекламное приложение 146 содержит рекламный интерфейс 148, отображаемый на экране (отдельно не обозначен) электронного устройства 144.
[89] Электронное устройство 144 способно формировать запрос 160 на рекламу цифрового контента. Запрос 160 быть сформирован в ответ на предоставление издателем 142 явного указания на его желание рекламировать конкретный цифровой контент.
Рекомендательный и рекламный сервер
[90] Сервер 112 может быть реализован в виде компьютерного сервера. В примере осуществления настоящей технологии сервер 112 может быть реализован в виде сервера Dell™ PowerEdge™, работающего под управлением операционной системы Microsoft™ Windows Server™. Сервер 112 может быть реализован с использованием любых других подходящих аппаратных средств, прикладного программного обеспечения и/или встроенного программного обеспечения либо их сочетания. В представленных не имеющих ограничительного характера вариантах осуществления настоящей технологии сервер 112 представляет собой один сервер. В других не имеющих ограничительного характера вариантах осуществления настоящей технологии функции сервера 112 могут быть распределены между несколькими серверами.
[91] В общем случае сервер 112 способен получать от электронного устройства 104 запрос 150 на рекомендацию цифрового контента и получать от электронного устройства 144 запрос 160 на рекламу элемента цифрового контента. Сервер 112 дополнительно способен в ответ на запрос 150 формировать сообщение 152 рекомендации цифрового контента, которое должно отправляться электронному устройству 104, а в ответ на запрос 160 формировать сообщение 162 рекламы цифрового контента, которое должно отправляться электронному устройству 144.
[92] Примеры осуществления рекомендательного интерфейса 108 и описание того, как пользователь 102 взаимодействует с рекомендательным интерфейсом 108 и/или формирует запросы 150 на рекомендацию цифрового контента, приведены в патентной заявке этого же заявителя US 20170329490 A1 «A computer-implemented method of generating a content recommendation interface» (поданной 11 мая 2017 г.), содержание которой полностью включено в настоящий документ посредством ссылки в юрисдикциях, где допускается такое включение посредством ссылки.
[93] Примеры реализации рекламного интерфейса 148 и описание взаимодействия издателя 142 с рекламным интерфейсом 148 с целью формирования запросов 160 на рекламу элемента цифрового контента приведены ниже.
Устройство хранения данных
[94] Сервер 112 связан с устройством 118 хранения данных. Устройство 118 хранения данных изображено в виде отдельного от сервера 112 элемента. Тем не менее, предполагается, что устройство 118 хранения данных может быть реализовано в виде неотъемлемой части сервера 112 без выхода за границы настоящей технологии. В качестве альтернативы, функции устройства 118 хранения данных могут быть распределены между несколькими устройствами хранения данных, как описано ниже.
[95] В общем случае устройство 118 хранения данных способно хранить данные, сформированные, извлеченные и/или обработанные сервером 112 для временного и/или постоянного хранения. Например, устройство 118 хранения данных может быть способным хранить, среди прочего, данные, полученные в результате выполнения по меньшей мере некоторых процедур из множества компьютерных процедур, описанных ниже.
[96] Устройство 118 хранения данных содержит базу 120 данных цифрового контента. Как описано выше, база 120 данных цифрового контента может наполняться сервером 112. В базе 120 данных цифрового контента хранится, например, информация о цифровом контенте, обнаруженном и каталогизированном сервером 112. В другом примере в базе 120 данных цифрового контента может храниться информация о соответствующих элементах цифрового контента, потенциально рекомендуемых сервером 112 пользователям рекомендательного сервиса. В еще одном примере в базе 120 данных цифрового контента также может храниться информация о соответствующих элементах цифрового контента, которые могут рекламироваться сервером 112 пользователям опционального рекламного сервиса.
[97] В некоторых вариантах осуществления изобретения в базе 120 данных цифрового контента дополнительно может храниться информация о сетевых ресурсах по меньшей мере некоторых элементов цифрового контента, которые потенциально могут рекомендоваться или рекламироваться сервером 112. Например, сервер 112 может быть способным наполнять базу 120 данных цифрового контента элементами цифрового контента применительно к соответствующим сетевым ресурсам 132-136.
[98] В других вариантах осуществления изобретения в базе 120 данных цифрового контента дополнительно может храниться информация о соответствующих издателях по меньшей мере некоторых элементов цифрового контента, которые потенциально могут рекомендоваться или рекламироваться сервером 112. Например, сервер 112 может быть способным наполнять базу 120 данных цифрового контента элементами цифрового контента применительно к соответствующим издателям.
[99] Предполагается, что сервер 112 дополнительно может быть способным наполнять базу 120 данных цифрового контента элементами цифрового контента применительно к соответствующим сетевым ресурсам и применительно к соответствующим издателям без выхода за границы настоящей технологии.
[100] Например, сервер 112 может собирать информацию об общей популярности цифрового контента среди пользователей рекомендательного сервиса (например, количество прослушиваний или загрузок музыкальной фонограммы).
[101] В другом примере сервер 112 может собирать информацию о присущих цифровому контенту характеристиках (например, в случае музыкальной фонограммы - о длине фонограммы, жанре фонограммы, звуковых характеристики фонограммы; другие присущие цифровому контенту характеристики включают в себя цену цифрового контента, категорию цифрового контента, длину цифрового контента в словах или символах).
[102] Другая информация о цифровом контенте также может храниться в базе 120 данных цифрового контента без выхода за границы настоящей технологии.
[103] Устройство 118 хранения данных также содержит базу 122 данных пользователей. В базе 122 данных пользователей хранится информация о взаимодействии между пользователем (таким как пользователь 102 и другие потенциальные пользователи) и элементом рекомендательного сервиса в системе 100. Как описано выше, база 122 данных пользователей может наполняться сервером 112.
[104] В некоторых вариантах осуществления изобретения база 122 данных может быть наполнена данными о взаимодействии между пользователем и элементом, отслеженными и собранными сервером 112.
[105] В других вариантах осуществления изобретения предполагается, что база 122 данных пользователей дополнительно может наполняться данными о взаимодействии между пользователем и элементом, оцененными сервером 112.
[106] Должно быть понятно, что база 122 данных пользователей может быть наполнена данными о взаимодействии между пользователем и элементом на различных уровнях элементов цифрового контента. Например, как описано выше, база 122 данных пользователей может быть наполнена данными о взаимодействии между пользователем и элементом на уровне цифрового документа и/или на уровне сетевого ресурса и/или на уровне издателя без выхода за границы настоящей технологии. Как описано выше, база 122 данных пользователей также может быть наполнена данными о взаимодействии между пользователем и элементом цифрового контента в виде пользовательских событий, происходивших (и/или не происходивших, но оцененных) между этим пользователем и этим элементом цифрового контента.
[107] Предполагается, что в некоторых вариантах осуществления настоящей технологии данные о взаимодействии между пользователем и элементом могут быть классифицированы в базе 122 данных пользователей по соответствующим видам данных о взаимодействии между пользователем и элементом. В некоторых вариантах осуществления изобретения виды данных о взаимодействии между пользователем и элементом могут соответствовать видам пользовательских событий, происходивших (и/или не происходивших, но оцененных) между пользователями и элементами цифрового контента.
[108] Например, первый вид данных о взаимодействии между пользователем и элементом может представлять собой количество «кликов», второй вид данных о взаимодействии между пользователем и элементом может представлять собой количество положительных отзывов, а третий вид данных о взаимодействии между пользователем и элементом может представлять собой «время взаимодействия». Следует отметить, что данные о взаимодействии между пользователем и элементом могут быть классифицированы в базе 122 данных пользователей на основе соответствующих видов данных о взаимодействии между пользователем и элементом, которые дополняют и/или отличаются от представленного выше не исчерпывающего списка, без выхода за границы настоящей технологии.
[109] Другая информация относительно истории взаимодействия между пользователями и элементами цифрового контента также может храниться в базе 122 данных пользователей без выхода за границы настоящей технологии.
[110] В дополнительных вариантах осуществления настоящей технологии база 122 данных пользователей может наполняться дополнительной информацией о множестве пользователей рекомендательного сервиса и опционального рекламного сервиса. Например, сервер 112 может быть способен собирать и сохранять в базе 122 данных пользователей данные из пользовательских профилей, связанные с множеством пользователей 102 и издателей 142 в системе 100, такие как имя, возраст, пол, выбранные пользователем виды цифрового контента и т.п. Другая информация о множестве пользователей 102 и издателей 142 рекомендательного сервиса и опционального рекламного сервиса также может храниться в базе 122 данных пользователей.
[111] База 122 данных пользователей показана в виде физического объекта, отдельного от базы 120 данных цифрового контента. Тем не менее, предполагается, что база 122 данных пользователей и база 120 данных цифрового контента могут представлять собой отдельные логические объекты в составе одного физического объекта без выхода за границы настоящей технологии.
[112] На фиг. 2 представлен снимок экрана рекламного интерфейса 148, реализованного согласно не имеющим ограничительного характера вариантам осуществления настоящей технологии (показан пример рекламного интерфейса 148, отображаемого на экране электронного устройства 144, реализованного в виде смартфона).
[113] В некоторых вариантах осуществления настоящей технологии рекламный интерфейс 148 может быть представлен или показан, когда издатель 142 электронного устройства 144 активирует (т.е. выполняет, запускает, выполняет в фоновом режиме и т.п.) рекламное приложение 146. В качестве альтернативы, рекламный интерфейс 148 может быть представлен или показан, когда издатель 142 открывает новое окно браузера и/или активирует новую вкладку в браузерном приложении. Например, в некоторых вариантах осуществления настоящей технологии рекламный интерфейс 148 может выполнять функции главной страницы в браузерном приложении.
[114] Рекламный интерфейс 148 включает в себя интерфейс 202 запроса рекламы. Интерфейс 202 запроса рекламы содержит следующее.
[115] Интерфейс 206 ссылок. Интерфейс 206 ссылок содержит множество фрагментов 208, семь из которых представлены на фиг. 2. Издатель 142 может выполнять прокрутку множества фрагментов 208, активируя полосу 210 прокрутки. Каждый фрагмент из множества фрагментов 208 содержит ссылку (или выполняет функции ссылки) на элементы цифрового контента, которыми владеет или управляет издатель 142 и которые хранятся в одном или нескольких ресурсов из множества сетевых ресурсов 132-136. На количество и содержимое отдельных фрагментов из множества фрагментов 208 не накладывается каких-либо особых ограничений. Издатель 142 может выбирать один или несколько фрагментов 208 для выбора одного или нескольких конкретных элементов цифрового контента, для которых требуется реклама.
[116] В изображенном варианте осуществления изобретения множество фрагментов 208 визуально представлено издателю 142 в виде прямоугольных кнопок с логотипом и/или с названием элемента цифрового контента, благодаря которым издатель 142 может определять, для какого элемента (или элементов) цифрового контента запрашивается реклама. Тем не менее, очевидно, что визуальное представление некоторых или всех фрагментов из множества фрагментов 208 может быть иным. Таким образом, некоторые или все фрагменты из множества фрагментов 208 могут быть реализованы в виде кнопок другой формы, в виде списка гиперссылок и т.п.
[117] Количество фрагментов во множестве фрагментов 208 может быть заранее выбрано поставщиком рекламного приложения 146. В некоторых вариантах осуществления настоящей технологии количество фрагментов во множестве фрагментов 208 может быть заранее выбрано на основе размера и/или разрешения экрана электронного устройства 144, которое выполняет рекламное приложение 146. Например, первое количество фрагментов может быть заранее выбрано для электронного устройства 144, реализованного в виде смартфона, второе количество фрагментов может быть заранее выбрано для электронного устройства 144, реализованного в виде планшета, а третье количество фрагментов может быть заранее выбрано для электронного устройства 144, реализованного в виде ноутбука или настольного компьютера.
[118] В некоторых вариантах осуществления настоящей технологии интерфейс 206 ссылок также способен предоставить издателю 142 информацию о местоположении элементов цифрового контента в одном или нескольких ресурсах из множества сетевых ресурсов 132-136.
[119] [106] Интерфейс 212 уровня сервиса. Интерфейс 212 уровня сервиса содержит две области 214 и 218 отображения.
[120] В области 214 отображения предусмотрено несколько флажков 216, которые издатель 142 может установить для указания рекламному приложению 146 целевого количества (ниже обозначено параметром Tusers) пользователей 102, которые должны выполнить действие в отношении конкретного элемента цифрового контента, выбранного с использованием интерфейса 206 ссылок, когда такой выбранный элемент предоставляется таким пользователям 102 рекомендательным приложением 106.
[121] В изображенном варианте осуществления изобретения множество флажков 216 визуально представлено издателю 142 в виде квадратных кнопок, дополненных обозначением, указывающим соответствующее количество целевых пользователей. Один из флажков может быть дополнен полем ввода произвольной формы, в котором издатель 142 может ввести с клавиатуры собственное целевое количество. Тем не менее, должно быть очевидно, что визуальное представление некоторых или всех флажков из множества флажков 216 и шаг значений в сопутствующих обозначениях могут быть иными. Таким образом, некоторые или все флажки из множества флажков 216 могут быть реализованы в виде кнопок другой формы, в виде списка гиперссылок и т.п.
[122] В некоторых вариантах осуществления настоящей технологии целевое количество пользователей по умолчанию выбирается издателем 142, который явно выбирает или вводит его с клавиатуры.
[123] В области 218 отображения предусмотрено несколько флажков 220, которые издатель 142 может установить для указания рекламному приложению 146 целевого периода времени (ниже обозначен параметром Tperiod), в течение которого должно быть достигнуто целевое количество Tusers пользователей 102, выполнивших действие в отношении конкретного выбранного элемента цифрового контента.
[124] В изображенном варианте осуществления изобретения множество флажков 220 визуально представлено издателю 142 в виде квадратных кнопок, дополненных обозначением, указывающим соответствующий период времени. Один из флажков может быть дополнен полем ввода произвольной формы, в котором издатель 142 может ввести с клавиатуры собственный период времени. Тем не менее, должно быть очевидно, что визуальное представление некоторых или всех флажков из множества флажков 220 и шаг значений в сопутствующих обозначениях могут быть иными. Таким образом, некоторые или все флажки из множества флажков 220 могут быть реализованы в виде кнопок другой формы, в виде списка гиперссылок и т.п.
[125] В некоторых вариантах осуществления настоящей технологии целевой период времени по умолчанию выбирается издателем 142, который явно выбирает или вводит его с клавиатуры.
[126] В некоторых других вариантах осуществления настоящей технологии рекламное приложение 146 указывает издателю 142 цену услуги рекламы для конкретного элемента цифрового контента, выбранного с использованием интерфейса 206 ссылок, и целевых значений количества пользователей Tusers и периода времени Tperiod, введенных с использованием интерфейса 212 уровня сервиса.
[127] Рекламный интерфейс 148 дополнительно содержит интерфейс 204 подтверждения. В окне 222 рекламным приложением 146 отображается список из одного или нескольких выбранных конкретных элементов цифрового контента, для которых требуется реклама и которые были введены издателем 142 с использованием интерфейса 206 ссылок. Каждый такой элемент цифрового контента визуально связан с целевым количеством пользователей Tusers, которые должны выполнить действие в отношении такого элемента цифрового контента, и целевым периодом времени Tperiod, в течение которого должно быть достигнуто значение Tusers, введенными издателем 142 с использованием интерфейса 212 уровня сервиса.
[128] Нажатием кнопки 224 издатель 142 подтверждает правильность отображаемой в окне 222 информации. Затем эта информация отправляется рекламному приложению 146 для обработки, включая отправку серверу 112 запроса 160 на рекламу цифрового контента.
[129] Пример, приведенный на фиг. 2, представляет собой один возможный вариант осуществления рекламного интерфейса 148.
[130] Примеры того, как сервер 112 может выполнять по меньшей мере некоторые процедуры из множества компьютерных процедур для предоставления рекомендации цифрового контента пользователю 102, описаны в вышеупомянутой патентной заявке этого же заявителя US20170329490A1.
[131] Сервер 112 дополнительно способен выполнять по меньшей мере некоторые процедуры из множества 300 компьютерных процедур (см. фиг. 3) для рекламы элементов цифрового контента пользователю 102 после получения запроса 160, который был отправлен рекламным приложением 146 после действия, выполненного издателем 142, и получен сервером 112.
[132] Предполагается, что для выполнения по меньшей мере некоторых процедур из множества 300 компьютерных процедур сервер 112 способен реализовывать один или несколько алгоритмов MLA.
[133] Предполагается, что и другие компьютерные процедуры, отличные от представленных на фиг. 3 не составляющих исчерпывающий перечень процедур, могут быть реализованы сервером 112 для рекламы пользователям элементов цифрового контента без выхода за границы настоящей технологии.
[134] Множество 300 компьютерных процедур содержит (а) процедуру 310 определения взаимосвязи информации об элементе и пользователе, (б) процедуру 320 расчета распределения вероятности взаимодействия пользователей, (в) процедуру 330 оценивания количества пользователей и (г) процедуру 330 расчета порога вероятности, которые описаны ниже.
Процедура определения взаимосвязи информации об элементе и пользователе
[135] В общем случае процедура 310 определения взаимосвязи информации об элементе и пользователе выполняется сервером 112 для задания оценок пользователей 112 применительно к элементу цифрового контента, рекламу которого системой 100 запросил издатель 142.
[136] Предполагается, что оценки, заданные для пользователей 102, могут в дальнейшем использоваться сервером 112, чтобы в целом определять пользователей 102 для рекомендации им рекламируемого элемента цифрового контента с целью обеспечения уровня сервиса, запрошенного издателем 142 для рекламного сервиса.
[137] При этом взаимосвязь определяется между информацией о рекламируемом элементе цифрового контента и информацией о каждом из пользователей 102, при определенных обстоятельствах включая предыдущее взаимодействие между рекламируемым элементом цифрового контента и каждым из пользователей 102.
[138] Подробные сведения об одном варианте осуществления процедуры 310 определения взаимосвязи приведены ниже со ссылкой на фиг. 4. Предполагается, что и другие компьютерные процедуры, отличные от представленных на фиг. 4 не составляющих исчерпывающий перечень процедур, могут быть реализованы сервером 112 для процедуры определения взаимосвязи информации об элементе и пользователе без выхода за границы настоящей технологии.
Отслеживание и регистрация информации об элементах цифрового контента
[139] Элементы цифрового контента могут храниться в базе 120 данных цифрового контента, наполняемой сервером 112 в процессе предоставления рекомендательного сервиса пользователям 102. Элементы цифрового контента, которые не были ранее рекомендованы, хранятся в соответствующих сетевых ресурсах 132-136 и могут быть обнаружены пользователями 102 с использованием электронного устройства 104. Сервер 112 может наполнять базу 120 данных цифрового контента информацией об обнаруженных таким образом и каталогизированных элементах цифрового контента для последующего использования в качестве потенциально рекомендуемых пользователю 102.
[140] На характер элементов цифрового контента не накладывается каких-либо особых ограничений. Некоторые примеры элементов цифрового контента, среди прочего, включают в себя следующие цифровые документы:
- новостная статья;
- публикация;
- веб-страница;
- сообщение на веб-сайте социальных медиа;
- новое приложение для загрузки из магазина приложений;
- новая песня (музыкальная фонограмма) для воспроизведения или загрузки с сетевого ресурса;
- аудиокнига для воспроизведения или загрузки с сетевого ресурса;
- подкаст для воспроизведения или загрузки с сетевого ресурса;
- новый фильм (видеоклип) для воспроизведения или загрузки с сетевого ресурса;
- продукт для приобретения на сетевом ресурсе; и
- новый цифровой документ, загруженный для просмотра на веб-сайте социальных медиа (такой как новая фотография, загруженная на страницу INSTAGRAM™ или FACEBOOK™).
[141] Предполагается, что информация об элементах цифрового контента, которую сервер 112 хранит в базе 120 данных цифрового контента, может, среди прочего, иметь отношение к категории элемента, признакам текста, таким как «мешок слов» (bag-of-words), векторное представление текста (text embedding) и т.п.
Отслеживание и регистрация информации о пользователях
[142] В качестве части рекомендательного сервиса сервер 112 может отслеживать и собирать данные о взаимодействии пользователя 102 с элементом цифрового контента в виде пользовательских событий, происходивших между этим пользователем и этим элементом цифрового контента.
[143] Примеры различных видов пользовательских событий, которые способен отслеживать и собирать сервер 112, среди прочего, включают в себя следующее:
- пользователь выполнил прокрутку элемента цифрового контента;
- пользователь оставил положительный отзыв об элементе цифрового контента;
- пользователь оставил отрицательный отзыв об элементе цифрового контента;
- пользователь «поделился» элементом цифрового контента;
- пользователь «кликнул» или «выбрал» элемент цифрового контента;
- пользователь затратил некоторое «время взаимодействия» на просмотр элемента цифрового контента; и
- пользователь приобрел или заказал или загрузил элемент цифрового контента.
[144] Предполагается, что в процессе сбора данных о взаимодействии пользователей с рекомендуемым цифровым контентом сервер 112 может наполнять базу 122 данных пользователей отслеженными и собранными данными о взаимодействии между пользователем и элементом применительно к соответствующим пользователям.
[145] Сервер 112 дополнительно может отслеживать, собирать и сохранять данные о взаимодействии между пользователем и элементом на «уровне сетевого ресурса», где элемент цифрового контента представляет собой сетевой ресурс (а не цифровой документ или издателя).
[146] Сервер 112 дополнительно может отслеживать, собирать и сохранять данные о взаимодействии между пользователем и элементом на «уровне издателя», где элемент цифрового контента представляет собой издателя (а не цифровой документ или сетевой ресурс).
[147] Предполагается, что информация о пользователях, которую сервер 112 хранит в базе 122 данных пользователей, может иметь отношение к интересам пользователя 102, профилю такого пользователя, его известному поведению в сети Интернет, его истории поиска и т.п.
Определение взаимосвязи информации об элементе и пользователе для задания оценок пользователей
[148] Оценки пользователей рассчитываются сервером 112 как показатель, представляющий собой взаимосвязь между интересами пользователей и элементом цифрового контента, рекламу которого в системе 100 запросил издатель 142. Чем выше оценка, тем выше вероятность выполнения пользователем действия в отношении конкретного элемента цифрового контента, рекомендованного ему системой 100.
[149] Предполагается, что расчет оценок может быть выполнен для класса пользователей вместо или в дополнение к отдельным пользователям. Например, класс пользователей может представлять собой пользователей, находящихся на определенной территории или говорящих на определенном языке.
[150] Обычно информация различных видов об элементах цифрового контента или о пользователях хранится в соответствующем формате, подходящем для представления информации данного вида. Например, история просмотра веб-страниц пользователя может быть представлена в виде каталога универсальных идентификаторов ресурсов (URI, Uniform Resource Identifier) различных сетевых ресурсов, посещенных пользователем. Каждый идентификатор URI может быть дополнен отметкой времени, указывающей дату и время посещения сетевого ресурса, и/или временем пребывания, указывающим время, предположительно затраченное пользователем на просмотр этого сетевого ресурса. История географического положения пользователя может быть представлена последовательностью географических координат, связанных с пользователем, таких как данные о местоположении, собранные мобильным устройством, связанными с пользователем, и/или «отметки о посещении», отправленные пользователем одному или нескольким онлайн-сервисам, таким как социальные сети.
[151] Таким образом, векторы, представляющие соответствующий элемент цифрового контента и информацию о пользователе, формируются сервером 112 и сохраняются в соответствующих базе 120 данных цифрового контента и базе 122 данных пользователей, как показано на фиг. 4 на шагах 410 и 420, соответственно.
[152] На шаге 430 для каждой пары пользователь-элемент в отношении всех пользователей 102 (и/или классов пользователей 102) и элемента цифрового контента, рекламу которого запросил издатель 142, сравниваются два сформированных вектора, например, путем проецирования векторов в многомерное пространство и расчета угла между ними: чем меньше угол, тем большая оценка может быть связана на шаге 440 с вероятностью выполнения пользователем 102 действия в отношении элемента цифрового контента, рекламируемого системой 100.
[153] На реализацию процедуры 310 не накладывается каких-либо особых ограничений. Например, для формирования векторов и их проецирования в обученное многомерное пространство с целью сравнения могут использоваться алгоритмы MLA. Заявителем настоящей заявки были разработаны соответствующие способы создания и сравнения векторов, представляющих элемент и информацию о пользователе. Например, такие способы подробно описаны в патентной заявке этого же заявителя PCT/IB2015/050791 «Method for estimating user interests» (подана 2 февраля 2015 г.) и в патентной заявке US20180060412A1 «Method of and system for processing activity indications associated with a user» (подана 8 октября 2015 г.). Содержание и идеи этих заявок полностью включены в настоящий документ посредством ссылки в юрисдикциях, где допускается такое включение посредством ссылки.
Процедура расчета распределения вероятности взаимодействия пользователей
[154] В общем случае процедура 320 расчета распределения вероятности взаимодействия пользователей выполняется сервером 112 с целью расчета распределения пользователей, представляющего их оценки, и, следовательно, вероятности выполнения ими действия в отношении элемента цифрового контента, рекламируемого системой 100.
[155] Подробные сведения об одном варианте осуществления процедуры 320 расчета распределения вероятности взаимодействия пользователей приведены ниже со ссылкой на фиг. 5. На вид такого распределения не накладывается каких-либо особых ограничений. Например, оно может быть представлено в виде гистограммы (см. фиг. 5). Горизонтальная ось X соответствует значениям 510 оценок, которые, например, изменяются в диапазоне от 0 до 1 с шагом 0,1. Возможна реализация других диапазонов, таких как 0-100 и т.п. Во всех случаях одно крайнее значение в диапазоне (наименьшее значение 0 на фиг. 5) соответствует наименьшей вероятности выполнения пользователем действия в отношении рекламируемого элемента цифрового контента, а другое крайнее значение в диапазоне (наибольшее значение 1 на фиг. 5) соответствует наибольшей вероятности выполнения пользователем действия в отношении рекламируемого элемента цифрового контента.
[156] Предполагается, что диапазон значений на оси X может быть разделен с меньшим шагом, например, равным 0,01.
[157] На вертикальной оси Y представлены количества 520 пользователей с оценками, рассчитанными при выполнении процедуры 310, в интервале между двумя последовательными значениями из набора значений 510.
Процедура оценивания количества пользователей
[158] В общем случае процедура 330 оценивания количества пользователей выполняется сервером 112 для оценивания потенциального количества пользователей из множества пользователей 102 системы 100 (ниже обозначено параметром Eusers), которым элемент цифрового контента, предназначенный для рекламирования согласно запросу 160 от издателя 142, может быть рекомендован в течение целевого периода времени Tperiod, указанного издателем 142. Иными словами, процедура 330 оценивания количества пользователей способна оценивать количество пользователей, которым потенциально может быть продемонстрирован рекламируемый элемент цифрового контента в течение целевого периода времени Tperiod, указанного издателем 142.
[159] Подробные сведения об одном варианте осуществления процедуры 330 оценивания количества пользователей приведены ниже со ссылкой на фиг. 8. Предполагается, что без выхода за границы настоящей технологии сервером 112 для процедуры 330 оценивания количества пользователей могут быть реализованы и другие компьютерные процедуры, отличные от представленных на фиг. 8 не составляющих исчерпывающий перечень процедур.
[160] На шаге 810 сервер 112 получает от рекламного приложения 146 целевой период времени Tperiod, в течение которого должно быть достигнуто значение параметра Tusers, как указано издателем 142 для требуемого уровня рекламного сервиса.
[161] На шаге 820 сервер 112 отслеживает общий трафик пользователей 102 рекомендательного сервиса системы 100 и, в частности, исторические данные о количестве пользователей 102 в течение единичных периодов времени. Например, единичный период времени может соответствовать одному часу, а рекомендательный сервис может иметь сто тысяч пользователей в течение такого единичного периода времени, равного одному часу.
[162] На шаге 830 сервер 112 отслеживает дополнительную информацию о характеристиках для каждого единичного периода времени применительно к базовому периоду времени, такому как сутки, неделя или год. Например, соответствует ли единичный период времени рабочему дню, празднику (который может зависеть от географического положения пользователей), ночному времени (которое может зависеть от часового пояса пользователей) и т.п.
[163] На шаге 840 сервер 112 отслеживает дополнительную информацию о характеристиках пользователей 102 рекомендательного сервиса системы 100 в течение каждого единичного периода времени, например, какие территории пользователей, какие языки пользователей или какие часовые пояса и т.п. наиболее часто представлены в течение единичного периода времени.
[164] На шаге 850 с использованием отслеженной информации и характеристик на сервере 112 оценивается параметр Eusers для потенциального количества пользователей 102, которым рекламируемый элемент цифрового контента может быть продемонстрирован рекомендательным сервисом системы 100 в течение периода времени Tperiod, указанного издателем 142 для рекламы.
[165] Предполагается, что для выполнения компьютерных процедур с целью получения этой оценки сервер 112 может реализовывать один или несколько алгоритмов MLA путем обучения с использованием исторических данных и отслеженных данных о количестве пользователей 102 в течение соответствующих периодов времени.
[166] Предполагается, что и другие компьютерные процедуры, отличные от описанных выше не составляющих исчерпывающий перечень процедур, могут быть реализованы сервером 112 для оценивания потенциального количества пользователей 102, которым рекламируемый элемент цифрового контента может быть продемонстрирован рекомендательным сервисом системы 100 в течение некоторого периода времени без выхода за границы настоящей технологии.
Процедура расчета порога вероятности
[167] В общем случае процедура 340 расчета порога вероятности выполняется сервером 112 для расчета минимальной оценки (в качестве порога) в распределении, рассчитанном процедурой 320 расчета распределения вероятности взаимодействия пользователей, указывающей часть пользователей, которым требуется продемонстрировать рекламируемый элемент цифрового контента. В частности, это может быть часть пользователей, расположенная выше порога, а именно, все пользователи 102 с большим значением оценки (выше порога). Не имеющие ограничительного характера варианты осуществления настоящей технологии основаны на принципе, согласно которому в результате демонстрации пользователям 102 выше порога, элемента цифрового контента, который должен рекламироваться по запросу 160 от издателя 142, достигается уровень сервиса, требуемый для рекламы, т.е. целевое количество Tusers пользователей 102 выполняет действие в отношении рекламируемого элемента цифрового контента в течение целевого периода времени Tperiod, как указано издателем 142. Этот результат основан на сочетании оценки пользователя (указывающей на потенциальную взаимосвязь или заинтересованность пользователя в рекламируемом цифровом элементе) и прогнозируемого количества пользователей, которое может соответствовать каждой оценке в течение целевого периода времени Tperiod.
[168] Подробные сведения об одном варианте осуществления процедуры 340 расчета порога вероятности приведены ниже со ссылкой на фиг. 6. Предполагается, что и другие компьютерные процедуры, отличные от представленных на фиг. 6 не составляющих исчерпывающий перечень процедур, могут быть реализованы сервером 112 для процедуры расчета порога вероятности без выхода за границы настоящей технологии.
[169] На шаге 610 сервер 112 получает от рекламного приложения 146 целевое количество Tusers пользователей 102, которые должны выполнить действие в отношении рекламируемого элемента цифрового контента, и целевой период времени Tperiod , в течение которого должно быть достигнуто значение параметра Tusers, как указано издателем 142 для требуемого уровня рекламного сервиса.
[170] На шаге 620 сервер 112 анализирует распределение и гистограмму, рассчитанные процедурой 320 расчета распределения вероятности взаимодействия пользователей.
[171] На шаге 630 сервер 112 рассчитывает минимальную оценку (в качестве порога) для распределения и гистограммы, рассчитанных в процедуре 320 расчета распределения вероятности взаимодействия пользователей, при превышении которой всем пользователям 102 с большим значением оценки должен быть продемонстрирован элемент цифрового контента, предназначенные для рекламирования с использованием рекомендательного сервиса системы 100, обеспечивая требования издателя 142 к уровню рекламного сервиса, заданные в виде параметров Tusers и Tperiod.
[172] Расчет на шаге 630 основан (а) на параметре Tusers, (б) на анализе распределения или гистограммы, рассчитанных в процедуре 320 , и (в) на параметре Eusers. Расчет на шаге 630 основан на определении порога, который обеспечивает вовлечение минимального количества пользователей 102, имеющих большие оценки (т.е. расположенных с правой стороны графика, представленного на фиг. 5), а также обеспечивает то, что в результате демонстрации рекламируемого элемента цифрового контента такому количеству пользователей 102 достигается уровень сервиса, требуемый для рекламы, т.е. целевое количество Tusers пользователей 102 выполняет действие в отношении рекламируемого элемента цифрового контента в течение целевого периода времени Tperiod, как указано издателем 142.
[173] На фиг. 7 показан порог 710, рассчитанный сервером 112 в соответствии с процедурой 340 расчета порога вероятности и размещенный на гистограмме согласно фиг. 5. Очевидно, что всем пользователям, находящимся правее порога 710 (совокупное количество которых в любом интервале оценок находится в заштрихованной области), должен быть продемонстрирован элемент цифрового контента, предназначенный для рекламирования с использованием рекомендательного сервиса системы 100.
[174] Предполагается, что без выхода за границы настоящей технологии и другие компьютерные процедуры, отличные от описанных выше не составляющих исчерпывающий перечень процедур, могут быть реализованы сервером 112 для расчета минимальной оценки (в качестве порога) для распределения и гистограммы, рассчитанных в процедуре 320 расчета распределения вероятности взаимодействия пользователей, при превышении которой всем пользователям 102 с большим значением оценки должен быть продемонстрирован рекламируемый элемент цифрового контента.
[175] Очевидно, что после выполнения описанных выше шагов и процедур в ответ на запрос 160 издателя 142 на рекламу элемента цифрового контента, содержащий параметры Tusers и Tperiod, соответствующие ожидаемому уровню рекламного сервиса, сервер 112 в качестве части системы 100 рекламного сервиса может выполнять компьютерные процедуры 900, описанные со ссылкой на фиг. 9.
[176] Предполагается, что и другие компьютерные процедуры, отличные от представленных на фиг. 9 не составляющих исчерпывающий перечень процедур, могут быть реализованы сервером 112 для рекламы пользователям элементов цифрового контента без выхода за границы настоящей технологии.
[177] На шаге 910 сервер 112 получает от издателя 142, использующего электронное устройство 144 и рекламное приложение 146, запрос 160 на рекламу цифрового контента. Запрос содержит параметры Tusers и Tperiod, характеризующие уровень рекламного сервиса, необходимый издателю 142.
[178] Затем сервером 112 может быть выполнен шаг 300, как описано со ссылкой на фиг. 3, с целью определения пользователей 102 рекомендательного сервиса для показа им рекламируемого элемента цифрового контента таким образом, чтобы оптимизировать ресурсы системы 100, необходимые для достижения запрошенного уровня рекламного сервиса.
[179] На шаге 920 в качестве части рекомендательного сервиса системы 100 сервер 112 с использованием сообщения 152 рекомендации цифрового контента, которое должно отправляться электронному устройству 104, предоставляет рекламируемый элемент цифрового контента пользователям 102, определенным на шаге 300, т.е. пользователям 102 с оценкой, превышающей порог 710, которые с вероятностью, соответствующей рассчитанному распределению или гистограмме (см. фиг. 5 и 7) выполнят действие в отношении рекламируемого элемента цифрового контента.
[180] На шаге 930 сервер 112 отслеживает фактические действия, выполненные пользователями 102 в отношении рекламируемого элемента цифрового контента в течение периода времени Tperiod.
[181] На шаге 940 сервер 112 с использованием сообщения 162 рекламы цифрового контента, которое должно отправляться электронному устройству 144, сообщает издателю 142 количество пользователей 102, фактически выполнивших действия, касающиеся параметров Tusers и Tperiod,, а также сообщает о достижении ожидаемого уровня рекламного сервиса.
[182] Для специалиста в данной области могут быть очевидными возможные изменения и усовершенствования описанных выше вариантов осуществления настоящей технологии. Предшествующее описание приведено лишь в иллюстративных целях, а не для ограничения объема изобретения. Объем охраны настоящей технологии определяется исключительно объемом приложенной формулы изобретения.

Claims (46)

1. Способ обеспечения уровня сервиса при рекламе элемента контента, выполняемый сервером, реализующим рекомендательный сервис для предоставления множества элементов цифрового контента пользователю из множества пользователей этого сервиса, при этом данные, представляющие историю взаимодействия множества пользователей сервиса с элементами цифрового контента, и данные, представляющие элементы цифрового контента, хранятся в запоминающем устройстве, связанном с сервером, а способ включает в себя:
- получение сервером запроса на рекламу элемента из множества элементов цифрового контента с требуемым уровнем сервиса, при этом запрос уровня сервиса включает в себя указания на целевое количество пользователей, которым предоставляется элемент цифрового контента и которые выполняют в отношении него действие, и целевой период времени;
- расчет сервером распределения среди множества пользователей сервиса вероятности выполнения действия после предоставления элемента цифрового контента;
- оценивание сервером потенциального количества пользователей из множества пользователей сервиса, которым элемент цифрового контента может быть предоставлен в течение целевого периода времени;
- расчет сервером порога вероятности для распределения на основе данных, включающих в себя:
- целевое количество пользователей в запросе уровня сервиса,
- рассчитанное распределение и
- оцененное потенциальное количество пользователей; и
- предоставление сервером элемента цифрового контента пользователям из множества пользователей сервиса, имеющим вероятность в распределении, превышающую упомянутый порог.
2. Способ по п. 1, отличающийся тем, что расчет распределения вероятности включает себя определение сервером взаимосвязи данных, представляющих элемент цифрового контента, с данными, представляющими историю взаимодействия с каждым пользователем из множества пользователей сервиса.
3. Способ по п. 2, отличающийся тем, что определение взаимосвязи включает в себя:
- формирование сервером первого вектора, представляющего элемент цифрового контента, и соответствующего ему второго вектора, представляющего историю взаимодействия с пользователем из множества пользователей рекомендательного сервиса;
- проецирование сервером первого и второго векторов в многомерное пространство;
- расчет сервером угла между первым вектором и вторым вектором; и
- повторение сервером шагов формирования второго вектора, проецирования первого вектора и второго вектора и расчета угла между первым вектором и вторым вектором для каждого пользователя из множества пользователей рекомендательного сервиса.
4. Способ по п. 3, отличающийся тем, что формирование и проецирование выполняется с использованием алгоритма машинного обучения (MLA).
5. Способ по п. 1, отличающийся тем, что расчет распределения вероятности выполняется сервером для множества классов пользователей сервиса.
6. Способ по п. 1, отличающийся тем, что оценивание потенциального количества пользователей включает в себя отслеживание сервером исторических данных о количестве пользователей рекомендательного сервера в течение некоторого периода времени.
7. Способ по п. 6, отличающийся тем, что отслеживание исторических данных включает в себя отслеживание сервером географического положения пользователей рекомендательного сервиса.
8. Способ по п. 6, отличающийся тем, что оценивание потенциального количества пользователей включает в себя учет сервером времени суток, недели или года начала целевого периода времени.
9. Способ по п. 7, отличающийся тем, что оценивание потенциального количества пользователей включает в себя учет сервером времени суток, недели или года начала целевого периода времени, относящегося к географическому положению пользователей рекомендательного сервиса.
10. Способ по п. 1, отличающийся тем, что оценивание потенциального количества пользователей выполняется алгоритмом MLA.
11. Способ по п. 1, отличающийся тем, что запрос на рекламу элемента из множества элементов цифрового контента с требуемым уровнем сервиса отправляется издателем, а способ дополнительно включает в себя оповещение сервером издателя о достижении уровня сервиса.
12. Сервер для обеспечения уровня сервиса при рекламе элемента контента, реализующий рекомендательный сервис для предоставления множества элементов цифрового контента пользователю из множества пользователей этого сервиса, при этом данные, представляющие историю взаимодействия множества пользователей сервиса с элементами цифрового контента, и данные, представляющие элементы цифрового контента, хранятся в запоминающем устройстве, связанном с сервером, а сервер выполнен с возможностью:
- получения запроса на рекламу элемента из множества элементов цифрового контента с требуемым уровнем сервиса, при этом запрос уровня сервиса включает в себя указания на целевое количество пользователей, которым предоставляется элемент цифрового контента и которые выполняют в отношении него действие, и целевой период времени;
- расчета распределения среди множества пользователей сервиса вероятности выполнения действия после предоставления элемента цифрового контента;
- оценивания потенциального количества пользователей из множества пользователей сервиса, которым элемент цифрового контента может быть предоставлен в течение целевого периода времени;
- расчета порога вероятности для распределения на основе данных, включающих в себя:
- целевое количество пользователей в запросе уровня сервиса,
- рассчитанное распределение и
- оцененное потенциальное количество пользователей; и
- предоставления элемента цифрового контента пользователям из множества пользователей сервиса, имеющим вероятность в распределении, превышающую упомянутый порог.
13. Сервер по п. 12, отличающийся тем, что он дополнительно выполнен с возможностью определения взаимосвязи данных, представляющих элемент цифрового контента, с данными, представляющими историю взаимодействия с каждым пользователем из множества пользователей сервиса.
14. Сервер по п. 13, отличающийся тем, что он дополнительно выполнен с возможностью:
- формирования первого вектора, представляющего элемент цифрового контента, и соответствующего ему второго вектора, представляющего историю взаимодействия с пользователем из множества пользователей рекомендательного сервиса;
- проецирования первого и второго векторов в многомерное пространство;
- расчета угла между первым и вторым векторами; и
- повторения формирования второго вектора, проецирования первого вектора и второго вектора и расчета угла между первым вектором и вторым вектором для каждого пользователя из множества пользователей рекомендательного сервиса.
15. Сервер по п. 14, отличающийся тем, что он дополнительно выполнен с возможностью формирования и проецирования с использованием алгоритма MLA.
16. Сервер по п. 12, отличающийся тем, что он дополнительно выполнен с возможностью расчета распределения вероятности для множества классов пользователей сервиса.
17. Сервер по п. 12, отличающийся тем, что он дополнительно выполнен с возможностью оценивания потенциального количества пользователей с применением отслеживания исторических данных о количестве пользователей рекомендательного сервера в течение некоторого периода времени.
18. Сервер по п. 17, отличающийся тем, что он дополнительно выполнен с возможностью отслеживания географического положения пользователей рекомендательного сервиса.
19. Сервер по п. 17, отличающийся тем, что он дополнительно выполнен с возможностью учета времени суток, недели или года начала целевого периода времени.
20. Сервер по п. 18, отличающийся тем, что он дополнительно выполнен с возможностью учета времени суток, недели или года начала целевого периода времени, относящихся к географическому положению пользователей рекомендательного сервиса.
21. Сервер по п. 12, отличающийся тем, что он дополнительно выполнен с возможностью оценивания с использованием алгоритма MLA.
22. Сервер по п. 12, отличающийся тем, что он дополнительно выполнен с возможностью получения запроса на рекламу элемента из множества элементов цифрового контента с требуемым уровнем сервиса, отправленного издателем, и оповещения издателя о достижении уровня сервиса.
RU2019128258A 2019-09-09 2019-09-09 Способ и система для обеспечения уровня сервиса при рекламе элемента контента RU2757406C1 (ru)

Priority Applications (2)

Application Number Priority Date Filing Date Title
RU2019128258A RU2757406C1 (ru) 2019-09-09 2019-09-09 Способ и система для обеспечения уровня сервиса при рекламе элемента контента
US16/934,288 US11276079B2 (en) 2019-09-09 2020-07-21 Method and system for meeting service level of content item promotion

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2019128258A RU2757406C1 (ru) 2019-09-09 2019-09-09 Способ и система для обеспечения уровня сервиса при рекламе элемента контента

Publications (1)

Publication Number Publication Date
RU2757406C1 true RU2757406C1 (ru) 2021-10-15

Family

ID=74851105

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019128258A RU2757406C1 (ru) 2019-09-09 2019-09-09 Способ и система для обеспечения уровня сервиса при рекламе элемента контента

Country Status (2)

Country Link
US (1) US11276079B2 (ru)
RU (1) RU2757406C1 (ru)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177575B (zh) * 2020-04-07 2020-07-24 腾讯科技(深圳)有限公司 一种内容推荐方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040093327A1 (en) * 2002-09-24 2004-05-13 Darrell Anderson Serving advertisements based on content
US20050131762A1 (en) * 2003-12-31 2005-06-16 Krishna Bharat Generating user information for use in targeted advertising
US20090037355A1 (en) * 2004-12-29 2009-02-05 Scott Brave Method and Apparatus for Context-Based Content Recommendation
RU2451986C2 (ru) * 2007-10-04 2012-05-27 Ксиам Текнолоджис Лимитед Системы, аппарат и способы создания рекомендаций
US20160098640A1 (en) * 2012-02-02 2016-04-07 Peel Technologies, Inc. Content Based Recommendation System

Family Cites Families (357)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3272842B2 (ja) 1992-12-17 2002-04-08 ゼロックス・コーポレーション プロセッサベースの判定方法
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
US8554601B1 (en) 2003-08-22 2013-10-08 Amazon Technologies, Inc. Managing content based on reputation
KR100493902B1 (ko) 2003-08-28 2005-06-10 삼성전자주식회사 콘텐츠 추천방법 및 시스템
US7451173B1 (en) 2003-09-09 2008-11-11 Sandia Corporation Fast combinatorial algorithm for the solution of linearly constrained least squares problems
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
US8041602B2 (en) 2003-10-15 2011-10-18 Aol Advertising, Inc. Systems and methods for providing a reverse frequency cap in advertisement viewing
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
US8225195B1 (en) 2004-12-15 2012-07-17 Amazon Technologies, Inc. Displaying links at varying levels of prominence to reveal emergent paths based on user interaction
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
US8296179B1 (en) 2007-05-02 2012-10-23 Monster Worldwide, Inc. Targeted advertisement placement based on explicit and implicit criteria matching
US20080281711A1 (en) 2007-05-11 2008-11-13 Bridges Thomas L System and method for displaying advertisements according to business and consumer relevance
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
US8260787B2 (en) 2007-06-29 2012-09-04 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
US8751507B2 (en) 2007-06-29 2014-06-10 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
US8972865B2 (en) 2007-10-19 2015-03-03 Opera Software Asa Method and device for providing easy access to pre-selected data resources
US8494978B2 (en) 2007-11-02 2013-07-23 Ebay Inc. Inferring user preferences from an internet based social interactive construct
US8484142B2 (en) 2007-11-02 2013-07-09 Ebay Inc. Integrating an internet preference learning facility into third parties
US8666909B2 (en) 2007-11-02 2014-03-04 Ebay, Inc. Interestingness recommendations in a computing advice facility
US8510252B1 (en) 2007-12-07 2013-08-13 Google, Inc. Classification of inappropriate video content using multi-scale features
MX2010005286A (es) 2007-12-17 2010-05-27 Ericsson Telefon Ab L M Identificacion de procedimiento de alcance de terminal inalambrica mejorada.
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
US7685232B2 (en) 2008-06-04 2010-03-23 Samsung Electronics Co., Ltd. Method for anonymous collaborative filtering using matrix factorization
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
US8583418B2 (en) 2008-09-29 2013-11-12 Apple Inc. Systems and methods of detecting language and natural language strings for text to speech synthesis
US8335721B2 (en) * 2008-10-01 2012-12-18 Google Inc. Placement identification and reservation
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
US20100241597A1 (en) 2009-03-19 2010-09-23 Bee-Chung Chen Dynamic estimation of the popularity of web content
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
US8935258B2 (en) 2009-06-15 2015-01-13 Microsoft Corporation Identification of sample data items for re-judging
US8813124B2 (en) 2009-07-15 2014-08-19 Time Warner Cable Enterprises Llc Methods and apparatus for targeted secondary content insertion
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
EP2306339A1 (en) 2009-09-23 2011-04-06 Adobe Systems Incorporated Algorith and implementation for fast computation of content recommendation
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
US20120209907A1 (en) 2011-02-14 2012-08-16 Andrews Anton O A Providing contextual content based on another user
US8468164B1 (en) 2011-03-09 2013-06-18 Amazon Technologies, Inc. Personalized recommendations based on related users
US8719213B2 (en) 2011-03-29 2014-05-06 Manyworlds, Inc. Contextually transformed learning layer
EP2695123A4 (en) 2011-04-05 2014-08-27 Ericsson Telefon Ab L M PROCEDURE AND ARRANGEMENTS FOR CREATING PERSONALIZED RECOMMENDATIONS
US8600968B2 (en) 2011-04-19 2013-12-03 Microsoft Corporation Predictively suggesting websites
US9202200B2 (en) 2011-04-27 2015-12-01 Credibility Corp. Indices for credibility trending, monitoring, and lead generation
JP5713790B2 (ja) 2011-05-09 2015-05-07 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム
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
US11195057B2 (en) 2014-03-18 2021-12-07 Z Advanced Computing, Inc. System and method for extremely efficient image and pattern recognition and artificial intelligence platform
US11074495B2 (en) 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform
US20130080968A1 (en) 2011-09-27 2013-03-28 Amazon Technologies Inc. User interface with media content prediction
US11151617B2 (en) 2012-03-09 2021-10-19 Nara Logics, Inc. Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships
US20130085871A1 (en) 2011-09-30 2013-04-04 Local.Com Corporation Browser based composition interface for tags linkable by webpages
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
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
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
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
EP2825983A1 (en) 2012-03-15 2015-01-21 Vibrant Media, Inc. Systems and methods for delivery techniques of contextualized services on mobile devices
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
US9836545B2 (en) 2012-04-27 2017-12-05 Yahoo Holdings, Inc. Systems and methods for personalized generalized content recommendations
US9785883B2 (en) 2012-04-27 2017-10-10 Excalibur Ip, Llc Avatars for use with personalized generalized content recommendations
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
US20130346403A1 (en) 2012-06-25 2013-12-26 Google Inc. Signal based recommender
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
EP2904822A1 (en) 2012-10-04 2015-08-12 Huawei Technologies Co., Ltd. User behavior modeling for intelligent mobile companions
US9454530B2 (en) 2012-10-04 2016-09-27 Netflix, Inc. Relationship-based search and recommendations
US9817827B2 (en) 2012-10-04 2017-11-14 Netflix, Inc. Relationship-based search and recommendations
GB2507036A (en) 2012-10-10 2014-04-23 Lifecake Ltd Content prioritization
US9495645B2 (en) 2012-10-21 2016-11-15 Concept.Io, Inc. Method and system of iteratively autotuning prediction parameters in a media content recommender
US9773229B2 (en) 2012-11-01 2017-09-26 Google Inc. Systems and methods for providing contact group member suggestions
US20170011409A1 (en) 2012-11-06 2017-01-12 Dna Response Inc. Systems and methods for detecting and eliminating unauthorized digital communications
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
US9129227B1 (en) 2012-12-31 2015-09-08 Google Inc. Methods, systems, and media for recommending content items based on topics
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
US10491694B2 (en) 2013-03-15 2019-11-26 Oath Inc. Method and system for measuring user engagement using click/skip in content stream using a probability model
US9703783B2 (en) 2013-03-15 2017-07-11 Yahoo! Inc. Customized news stream utilizing dwelltime-based machine learning
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
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
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
US9286621B2 (en) 2013-07-31 2016-03-15 Linkedin Corporation Independent targeted sponsored content management system and method
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
RU2605039C2 (ru) 2013-10-02 2016-12-20 Общество С Ограниченной Ответственностью "Яндекс" Способ и система ранжирования элементов сетевого ресурса для пользователя
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
US9760608B2 (en) 2013-11-01 2017-09-12 Microsoft Technology Licensing, Llc Real-time search tuning
CN103559262B (zh) 2013-11-04 2016-10-05 北京邮电大学 基于社区的作者及其学术论文推荐系统和推荐方法
CN104636371B (zh) 2013-11-11 2018-05-18 华为技术有限公司 信息推荐方法及设备
US9201931B2 (en) 2013-12-02 2015-12-01 Qbase, LLC Method for obtaining search suggestions from fuzzy score matching and population frequencies
US20150161672A1 (en) 2013-12-09 2015-06-11 Microsoft Corporation Preventing Display of Age Inappropriate Advertising
US9471671B1 (en) 2013-12-18 2016-10-18 Google Inc. Identifying and/or recommending relevant media content
USD751571S1 (en) 2013-12-19 2016-03-15 Asustek Computer Inc. Electronic device with graphical user interface
USD751570S1 (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
USD752636S1 (en) 2013-12-23 2016-03-29 Samsung Electronics Co., Ltd. Display screen or portion thereof with animated graphical user interface
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
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
US9317498B2 (en) 2014-05-23 2016-04-19 Codeq Llc Systems and methods for generating summaries of documents
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
US9916613B1 (en) 2014-06-26 2018-03-13 Amazon Technologies, Inc. Automatic color palette based recommendations for affiliated colors
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
US10318983B2 (en) * 2014-07-18 2019-06-11 Facebook, Inc. Expansion of targeting criteria based on advertisement performance
US9473803B2 (en) 2014-08-08 2016-10-18 TCL Research America Inc. Personalized channel recommendation method and system
RU2580516C2 (ru) 2014-08-19 2016-04-10 Общество С Ограниченной Ответственностью "Яндекс" Способ формирования персонализированной модели ранжирования, способ формирования модели ранжирования, электронное устройство и сервер
US20160055242A1 (en) 2014-08-20 2016-02-25 Luceo Social, Inc. Systems and methods for analyzing content from digital content sources
US11809501B2 (en) 2014-08-28 2023-11-07 Ebay Inc. Systems, apparatuses, and methods for providing a ranking based recommendation
WO2016030703A1 (en) 2014-08-28 2016-03-03 Dozo LLP Method, system and apparatus for distributing and accessing media content
US20160070803A1 (en) 2014-09-09 2016-03-10 Funky Flick, Inc. Conceptual product recommendation
US10102559B1 (en) 2014-09-30 2018-10-16 Amazon Technologies, Inc. Diversification of recommendations
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
US10820051B2 (en) 2014-10-21 2020-10-27 At&T Mobility Ii Llc Inhibiting display of advertisements with age-inappropriate content
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
US20160117397A1 (en) 2014-10-24 2016-04-28 The Governing Council Of The University Of Toronto System and method for identifying experts on social media
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
US20160283481A1 (en) 2014-12-30 2016-09-29 Socialtopias, Llc Method and apparatus for combining text search and recommendation engines
KR20160101530A (ko) 2015-02-17 2016-08-25 한국전자통신연구원 광고 제공 서버 및 광고 편성표 생성 방법
US20160259790A1 (en) 2015-03-06 2016-09-08 Facebook, Inc. Ranking External Content Using Social Signals on Online Social Networks
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
US10149958B1 (en) 2015-07-17 2018-12-11 Bao Tran Systems and methods for computer assisted operation
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
US9607616B2 (en) 2015-08-17 2017-03-28 Mitsubishi Electric Research Laboratories, Inc. Method for using a multi-scale recurrent neural network with pretraining for spoken language understanding tasks
US10387431B2 (en) 2015-08-24 2019-08-20 Google Llc Video recommendation based on video titles
USD766274S1 (en) 2015-08-24 2016-09-13 Salesforce.Com, Inc. Display screen or portion thereof with animated graphical user interface
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
RU2632138C2 (ru) 2015-09-14 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ (варианты) и сервер ранжирования поисковых результатов на основе параметра полезности
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
US10909576B1 (en) 2015-10-01 2021-02-02 Sprint Communications Company L.P. Virtual environment creation, scaling, and population with multiple display opportunities
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
SE539774C2 (en) 2015-11-23 2017-11-28 365id AB Methods, a system and an analysis server for verifying an authenticity of an identity document and extracting textual information there from
US20170161773A1 (en) 2015-12-03 2017-06-08 Rovi Guides, Inc. Methods and Systems for Targeted Advertising Using Machine Learning Techniques
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
RU2632132C1 (ru) 2016-07-07 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для создания рекомендаций содержимого в системе рекомендаций
RU2636702C1 (ru) 2016-07-07 2017-11-27 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций
US10003924B2 (en) 2016-08-10 2018-06-19 Yandex Europe Ag Method of and server for processing wireless device sensor data to generate an entity vector associated with a physical location
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
US10380259B2 (en) 2017-05-22 2019-08-13 International Business Machines Corporation Deep embedding for natural language content based on semantic dependencies
US11074500B2 (en) 2017-06-20 2021-07-27 Battelle Memorial Institute Prediction of social media postings as trusted news or as types of suspicious news
RU2689812C2 (ru) 2017-07-25 2019-05-29 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для определения ранжированных позиций ненативных элементов с помощью системы ранжирования
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
GB201713817D0 (en) 2017-08-29 2017-10-11 Factmata Ltd Fact checking
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
US20190130296A1 (en) 2017-10-26 2019-05-02 Microsoft Technology Licensing, Llc Populating a user interface using quadratic constraints
US20190236448A1 (en) 2018-01-31 2019-08-01 Jungle Disk, L.L.C. System for predicting and mitigating organization disruption based on file access patterns
DK201870353A1 (en) 2018-05-07 2019-12-04 Apple Inc. USER INTERFACES FOR RECOMMENDING AND CONSUMING CONTENT ON AN ELECTRONIC DEVICE
US10887655B2 (en) 2018-06-27 2021-01-05 Microsoft Technology Licensing, Llc Cluster-based collaborative filtering
RU2720952C2 (ru) 2018-09-14 2020-05-15 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для создания рекомендации цифрового содержимого

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040093327A1 (en) * 2002-09-24 2004-05-13 Darrell Anderson Serving advertisements based on content
US20050131762A1 (en) * 2003-12-31 2005-06-16 Krishna Bharat Generating user information for use in targeted advertising
US20090037355A1 (en) * 2004-12-29 2009-02-05 Scott Brave Method and Apparatus for Context-Based Content Recommendation
RU2451986C2 (ru) * 2007-10-04 2012-05-27 Ксиам Текнолоджис Лимитед Системы, аппарат и способы создания рекомендаций
US20160098640A1 (en) * 2012-02-02 2016-04-07 Peel Technologies, Inc. Content Based Recommendation System

Also Published As

Publication number Publication date
US20210073858A1 (en) 2021-03-11
US11276079B2 (en) 2022-03-15

Similar Documents

Publication Publication Date Title
RU2720899C2 (ru) Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации
US10715566B1 (en) Selectively providing content on a social networking system
RU2636702C1 (ru) Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций
RU2580516C2 (ru) Способ формирования персонализированной модели ранжирования, способ формирования модели ранжирования, электронное устройство и сервер
RU2720952C2 (ru) Способ и система для создания рекомендации цифрового содержимого
RU2731335C2 (ru) Способ и система для формирования рекомендаций цифрового контента
RU2629449C2 (ru) Устройство, а также способ выбора и размещения целевых сообщений на странице результатов поиска
TWI557581B (zh) 使用撰作介面取得結構化使用者資料的方法和非暫態電腦可讀儲存媒介
US9332315B2 (en) Timestamped commentary system for video content
RU2725659C2 (ru) Способ и система для оценивания данных о взаимодействиях пользователь-элемент
US20150235258A1 (en) Cross-device reporting and analytics
US20150235275A1 (en) Cross-device profile data management and targeting
US9092731B1 (en) Determining content item expansion prediction accuracy
US9900227B2 (en) Analyzing changes in web analytics metrics
US20230089961A1 (en) Optimizing content distribution using a model
US20180365709A1 (en) Personalized creator recommendations
US10674215B2 (en) Method and system for determining a relevancy parameter for content item
US20170193059A1 (en) Searching For Applications Based On Application Usage
US20150039418A1 (en) Content item distribution based on user interactions
RU2757406C1 (ru) Способ и система для обеспечения уровня сервиса при рекламе элемента контента
US20180218395A1 (en) Advertisements targeting on video playlists
EP3267389A1 (en) Method and apparatus for selecting a network resource as a source of content for a recommendation system
US9495686B1 (en) Serving a content item based on acceptance of a new feature
US11237693B1 (en) Provisioning serendipitous content recommendations in a targeted content zone
US10445326B2 (en) Searching based on application usage