BRPI0809485A2 - Identificação de conteúdo de perfil aberto - Google Patents

Identificação de conteúdo de perfil aberto Download PDF

Info

Publication number
BRPI0809485A2
BRPI0809485A2 BRPI0809485-3A BRPI0809485A BRPI0809485A2 BR PI0809485 A2 BRPI0809485 A2 BR PI0809485A2 BR PI0809485 A BRPI0809485 A BR PI0809485A BR PI0809485 A2 BRPI0809485 A2 BR PI0809485A2
Authority
BR
Brazil
Prior art keywords
user
data
interests
category
open profile
Prior art date
Application number
BRPI0809485-3A
Other languages
English (en)
Inventor
Megan Nance
Mayur Datar
Julie Tung
Bahman Rabii
Jason C Miller
Michael Hochberg
Jeremiah Harmsen
Tomasz J Tunguz-Zawislak
Andres S Perez-Bergquist
Original Assignee
Google Inc
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 Google Inc filed Critical Google Inc
Publication of BRPI0809485A2 publication Critical patent/BRPI0809485A2/pt

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99941—Database schema or data structure
    • Y10S707/99943—Generating database or data structure, e.g. via user interface

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Description

Relatório Descritivo da Patente de Invenção para "IDENTIFICAÇÃO DE CONTEÚDO DE PERFIL ABERTO".
O presente pedido reivindica o benefício do Pedido de Patente U.S. N0 de Série 11/694 307, intitulado "OPEN PROFILE CONTENT IDENTIFICATION", depositado em 30 de março de 2007, cuja apresentação em sua totalidade é aqui incorporada a título de referência.
ANTEDENTES DA INVENÇÃO
O presente pedido refere-se à identificação de conteúdo.
As redes sociais on-line se tornaram populares para a troca de informações profissional e/ou social. Algumas redes sociais on-line provêm itens de conteúdo que podem ser de interesse a usuários, por exemplo, propagandas digitais direcionadas a um usuário, ou a identificação de outros usuários e/ou grupos que possam interessar a um usuário. Os itens de conteúdo podem, por exemplo, ser selecionados com base no conteúdo de uma conta de usuário, por exemplo, com base em palavras-chave identificadas a partir de um rastreamento de página de um usuário. Tais sistemas de identificação de itens de conteúdo, no entanto, não conseguem identificar itens de conteúdo ótimos se a página do incluir apenas mensagens ambíguas, curtas, palavras com erros ortográficos, ou se for de um conteúdo basicamente não-textual, por exemplo, álbuns de fotografias, que apresentam desafios específicos para uma análise de relevância baseada na máquina.
Além disso, tais esquemas de identificação de conteúdo não facilitam de pronto o alvo anunciante dos publicitários que podem ter um amplo leque de usuários visitantes, por exemplo, redes sociais. Por exemplo, os 25 sites de rede social têm usuários com muitos interesses diferentes, e, deste modo, os anunciantes nem sempre conseguem identificar de imediato os verticais para um site de rede social. Por conseguinte, alguns itens de conteúdo, por exemplo, propagandas direcionadas a produtos particulares, podem não ser de interesse para muitos usuários de uma rede social on-line.
SUMÁRIO DA INVENÇÃO
A presente invenção refere-se a sistemas e métodos para facilitar a identificação de conteúdo de perfil aberto. Em uma implementação, os dados de perfil aberto em um ou mais perfis de usuário são identifiçados,e categorias definidas pelos dados de perfil aberto são identificadas. Um ou mais itens de conteúdo baseados nas categorias podem ser identificadas.
Em outra implementação, dados de texto de forma livre em um perfil de usuário são identificados, e índices de categoria são extraídas dos dados de texto de forma livre. Um ou mais itens de conteúdo baseados nas índices de categoria podem, então, ser identificados.
Em outra implementação, um sistema inclui um processador de linguagem natural, um processador de detecção de sentimento, e um pro10 cessador de categoria. O processador de linguagem natural é configurado para extrair uma ou mais frases dos dados de texto de forma livre em um perfil de usuário e atribuir pesos de frase às frases extraídas. O processador de detecção de sentimento é configurado para identificar os interesses e não-interesses do usuário a partir dos dados de texto de forma livre no perfil 15 de usuário. O processador de categoria é configurado para associar rótulos a um perfil de usuário baseado na uma ou mais frases extraídas, pesos de frases atribuídas, e os interesses ou não-interesses de usuário identificados.
Em uma outra implementação, os dados de perfil aberto nos perfis de usuário são identificados e as categorias definidas pelos dados de perfil aberto são identificadas. As categorias são associadas a correspondentes perfis de usuário.
BREVE DESCRIÇÃO DOS DESENHOS
A Figura 1 é um diagrama em blocos de um sistema exemplar para a identificação de itens de conteúdo com base em dados de perfil aberto.
A Figura 2 é um diagrama em blocos mais detalhado do sistema exemplar para a identificação de itens de conteúdo com base em dados de perfil aberto.
A Figura 3 é um fluxograma de um processo exemplar para a identificação de itens de conteúdo com base em dados de perfil aberto.
A Figura 4 é um fluxograma de um processo exemplar para a identificação de interesses de usuário com base em dados de perfil aberto. A Figura 5 é um fluxograma de um processo exemplar para a identificação de interesses e não-interesses de usuário com base em dados de perfil aberto.
A Figura 6 é um fluxograma de um processo exemplar para a classificação de categorias e rótulos.
A Figura 7 é um fluxograma de um processo exemplar para a identificação de itens de conteúdo com base em dados de texto de forma livre.
A Figura 8 é um fluxograma de um processo exemplar para a identificação de categorias com base em dado de texto de forma livre.
A Figura 9 é um diagrama em blocos de um sistema de computador exemplar que pode ser utilizado no sentido de implementar os sistemas e métodos descritos no presente documento.
DESCRICÃO DETALHADA DA INVENÇÃO A Figura 1 é um diagrama em blocos de um sistema exemplar
100 para a identificação de itens de conteúdo com base em dados de perfil aberto. Os dados de perfil aberto em um ou mais perfis de usuário, por exemplo, os campos de forma livre em um perfil de usuário, são identificados e processados de modo a identificar os interesses e preferências do um ou 20 mais usuários. Os interesses e preferências são utilizados para identificar as categorias associadas aos perfis de usuário, e itens de conteúdo, por exemplo, as propagandas, podem ser identificadas com base nas categorias.
Em uma implementação, o sistema da rede social 110 pode, por exemplo, agrupar inúmeras contas de usuário 112. Um sistema de rede sociai exemplar pode incluir o Orkut, agrupado pela Google, Inc., de Mountain View, CA. Outras redes sociais podem, por exemplo, incluir os websites escolares de alunos, um website interno de empresa, redes de encontros, etc.
Cada conta de usuário 112 pode, por exemplo, incluir dados de perfil de usuário 114, dados de conhecidos de usuário 116, dados de grupo de usuário 118, dados de mídia de usuário 120, dados de opções de usuário 122, e dados de categoria 124. Outros dados de usuário podem também ser incluídos nas contas de usuário 112. Os dados de perfil de usuário 114 podem, por exemplo, incluir dados demográficos gerais sobre um usuário associado, tais como idade, sexo, localização, interesses, etc. Em algumas implementações, os dados de perfil de usuário 114 também podem incluir informações profissionais, por 5 exemplo, ocupação, escolaridade, etc., e outros dados, como informações de contato. Em algumas implementações, os dados de perfil de usuário 114 podem incluir dados de perfil aberto, por exemplo, um texto de forma livre que é digitado em campos de texto para vários assuntos, por exemplo, "Descrição de Tarefa", "Pratos Favoritos", "Hobbies", etc., e os dados de per10 fil limitado, por exemplo, dados de perfil binário selecionados por caixas de verificação, botões de rádio, etc., ou dados de perfil selecionável predefinidos, por exemplo, faixas de renda, códigos postais, etc. Em algumas implementações, alguns ou todos os dados de perfil de usuário 114 podem ser classificados como dados de perfil público ou privado, por exemplo, dados 15 que podem ser compartilhados publicamente ou dados que podem ser seletivamente compartilhados. Os dados de perfil 114 não-classificados como dados privados podem, por exemplo, ser classificados como dados públicos, por exemplo, dados que podem ser vistos por qualquer usuário que acessa o sistema de rede social 110.
Os dados de conhecidos de usuário 116 podem, por exemplo,
definir os conhecidos de usuário 117 associados a uma conta de usuário 112. Em uma implementação, os conhecidos de usuário 117 podem incluir, por exemplo, os usuários associados a outras contas de usuário 112 classificadas como "amigos", por exemplo, as contas de usuário 112 referidas em 25 uma lista de "amigos" ou "camaradas". Outros conhecidos 117 podem também ser definidos, por exemplo, como conhecidos profissionais, conhecidos clientes, conhecidos da família, etc. Em uma implementação, os dados de conhecidos de usuário 116 para cada conta de usuário 112 podem, por exemplo, ser especificados pelos usuários associados a cada conta de usuá30 rio 112 e, portanto, podem ser específicos a cada conta de usuário 112.
Os dados de grupo de usuário 118 podem, por exemplo, definir os grupos de usuários 119 aos quais uma conta de usuário 112 está associada. Em uma implementação, os grupos de usuário 119 podem, por exemplo, definir um interesse ou tópico, por exemplo, "Vinho", "Programação de Xadrez de Fonte Aberta", "Dicas e Sugestões de Viagem", etc. Em uma implementação, os grupos de usuário 119 podem, por exemplo, ser categori5 zados, ou seja, um primeiro conjunto de grupos de usuário 119 pode pertencer a uma categoria "Atividades", um segundo conjunto de grupos de usuário 119 pode pertencer a uma categoria de "Alunos e Escolas", etc.
Os dados de mídia de usuário 120 podem, por exemplo, incluir um ou mais itens de conteúdo, tais como, documentos de usuário, por e10 xemplo, páginas da web. Um documento pode, por exemplo, compreender um arquivo, uma combinação de arquivos, um ou mais arquivos com links inseridos em outros arquivos, etc. Os arquivos podem ser de qualquer tipo, tais como texto, áudio, imagem, vídeo, documentos de linguagem de índice de hipertexto, etc. No contexto da Internet, um documento comum é uma 15 página da web. Outros conteúdos podem também ser definidos pelos dados de mídia de usuário 120.
Os dados de opções de usuário 122 podem, por exemplo, incluir dados que especificam opções de usuário, tais como definições de e-mail, configurações de notificação de conhecidos, definições de bate-papo, senha e configurações de segurança, dados, etc. Outros dados de opção também podem ser incluídos nos dados de opções de usuário 122.
Os dados de categoria 124 podem, por exemplo, incluir dados que podem ser utilizados por um sistema servidor de conteúdo 130 a fim de identificar um ou mais itens de conteúdo determinados como relevantes a 25 uma conta de usuário 112, por exemplo, propagandas de produtos e/ou serviços que podem ser de interesse a um usuário associado a uma conta de usuário 112.
Em uma implementação, um sistema servidor de conteúdo 130 pode direta ou indiretamente inserir, manter e monitorar itens de conteúdo 132. Os itens de conteúdo 132 podem, por exemplo, incluir uma página da web ou outro documento de conteúdo, ou texto, gráficos, vídeo, áudio, mídia misturada, etc. Em uma implementação, os itens de conteúdo 132 são propagandas. As propagandas 132 podem, por exemplo, ser na forma de propagandas gráficas, tais como propagandas do tipo banner, propagandas apenas de texto, propagandas de imagem, propagandas de áudio, propagandas de vídeo, propagandas combinando um ou mais de qualquer desses 5 componentes, etc.. As propagandas 132 podem incluir ainda informações inseridas, tais como links, meta-informação, e/ou instruções executáveis em máquina.
Em uma implementação, os dispositivos de usuário 140a, 140b e 140c podem se comunicar com o sistema de rede social 110 através de uma rede 102, tais como a Internet. Os dispositivos de usuário 140 podem ser qualquer dispositivo capaz de receber os dados de mídia de usuário 120, tais como os dados de computadores pessoais, dispositivos móveis, telefones celulares, assistentes digitais pessoais (PDA), sistemas de televisão, etc. Os dispositivos de usuário 140 podem ser associados às contas de usuário 112, por exemplo, os usuários dos dispositivos de usuário 140a e 140b podem ser membros registrados do sistema de rede social 110, tendo contas de usuário correspondentes 112a e 112b. Além disso, os dispositivos do usuário 140 não podem ser associados a uma conta de usuário 112, por exemplo, o usuário do dispositivo de usuário 142c não pode ser um membro do sistema de rede social 110 ou pode ser um membro do sistema de rede social 110 não registrado.
Em uma implementação, mediante um dispositivo de usuário 140 que comunica uma solicitação de dados de mídia 120 de uma conta de usuário 112, ou uma solicitação de outros dados de mídia de rede social, ao 25 sistema de rede social 110, o sistema de rede social 110 poderá, por exemplo, prover os dados de mídia de usuário 120 ou outros dados de mídia solicitados para o dispositivo do usuário 140. Em uma implementação, os dados de mídia de usuário 120 ou outros dados de mídia solicitados podem incluir um código de solicitação embutido, como, por exemplo, trechos de código 30 JavaScript. Em outra implementação, o sistema de rede social 110 pode inserir o código de solicitação embutido nos dados de mídia de usuário 120 ou em outros dados de mídia solicitados quando os mesmos são servidos a um dispositivo de usuário 140.
O dispositivo de usuário 140 pode processar os dados solicitados, por exemplo, uma página da web de usuário, ou alguma outra página de rede social 110, em um ambiente de apresentação 142, por exemplo, em 5 um aplicativo navegador na web. Ao processar os dados solicitados, o dispositivo de usuário 140 executa o código de solicitação, fazendo com que o dispositivo de usuário 140 emita uma solicitação de conteúdo, por exemplo, uma solicitação de propaganda, para o sistema servidor de conteúdo 130. Em resposta, o sistema servidor de conteúdo 130 poderá fornecer um ou 10 mais itens de conteúdo 132 para o dispositivo de usuário 140. Por exemplo, os itens de conteúdo 132a, 132b e 132c podem ser providos para os dispositivos de usuário 140a, 140b e 140c, respectivamente. Em uma implementação, os itens de conteúdo 132a, 132b e 132c são apresentados nos ambientes de apresentação 142a, 142b e 142c, respectivamente.
Em uma implementação, os itens de conteúdo 132a, 132b e
132c podem ser providos ao sistema servidor de conteúdo 130 por meio de custodiantes de itens de conteúdo 150, por exemplo, os anunciantes. Os anunciantes 150 podem, por exemplo, incluir websites com páginas-destino 152 para as quais um usuário é direcionado quando o usuário clica em uma 20 propaganda 132 apresentado na página provida a partir do sistema de rede de comunicação social 110. Por exemplo, os custodiantes de itens de conteúdo 150 podem prover itens de conteúdo 132 sob a forma de "criativos", que são propagandas que podem incluir texto, gráficos e/ou áudio associados ao serviço ou produto anunciado, e um link para um website.
Em uma implementação, o sistema servidor de conteúdo 130
pode monitorar e/ou avaliar os dados de desempenho 134 relacionados aos itens de conteúdo 132. Por exemplo, o desempenho de cada propaganda 132 pode ser avaliado com base em uma métrica de desempenho, tal como uma taxa de clique, uma taxa de conversão, ou alguma outra métrica de de30 sempenho. Um clique pode acontecer, por exemplo, quando o usuário de um dispositivo de usuário, por exemplo, o dispositivo de usuário 140a, seleciona ou "clica" em uma propaganda, por exemplo, a propaganda 132a. A taxa de clique pode ser uma métrica de desempenho obtida ao se dividir o número de usuários que clicaram no propaganda ou em um link associado ao propaganda pelo número de vezes que a propaganda foi anunciada. Por exemplo, se a propaganda for anunciada 100 vezes, e três pessoas clicaram no propaganda, neste caso, a taxa de clique para aquele propaganda é de 3%.
A "conversão" ocorre quando um usuário, por exemplo, consuma uma transação relacionada a uma propaganda previamente feito. O que constitui uma conversão pode variar de caso para caso e pode ser determinada de diversas maneiras. Por exemplo, uma conversão pode ocorrer 10 quando um usuário do dispositivo de usuário 140 cliques em uma propaganda 132a remetido à página da web do anunciante, como uma das páginas de aterragem 152, e consuma uma compra antes de sair dessa página da Web. Outros tipos de conversão podem também ser usados. Uma taxa de conversão pode, por exemplo, ser definida como a razão do número de conversões 15 com relação ao número de impressões da propaganda (ou seja, o número de vezes que uma propaganda é anunciada) ou a razão do número de conversões para o número de seleções. Outros tipos de taxas de conversão podem também ser usados.
Outras métricas de desempenho podem também ser utilizadas. 20 As métricas de desempenho podem, por exemplo, ser relacionadas aos ganhos ou relacionadas ao não ganho. Em outra implementação, as métricas de desempenho podem ser analisadas de acordo com o tempo, por exemplo, o desempenho de um item de conteúdo específico 132 pode ser determinado como muito elevado nos fins de semana, moderado durante a se25 mana à noite, mas muito baixo às manhãs e tardes, por exemplo.
É desejável que cada um dos itens de conteúdo 132 seja relacionado aos interesses dos usuários que utilizam os dispositivos de usuário 140a, 140b e 140c, uma vez que os usuários geralmente são mais propensos a selecionar, por exemplo, clicar, itens de conteúdo 132 que sejam de 30 particular interesse aos usuários. Em uma implementação, os itens de conteúdo relevantes 132 são identificados mediante a identificação dos dados de categoria 124 para cada conta de usuário 112, e mediante a provisão dos dados de categoria 124 ao sistema servidor de conteúdo 130. Estes dados de categoria 124 podem, por exemplo, se basear nos dados de perfil aberto armazenados em correspondentes perfis de usuário 114, por exemplo, nos campos de texto de forma livre. Os dados de categoria 124 de uma conta de 5 usuário em particular, por exemplo, a conta de usuário 112a, podem, por exemplo, prover ao sistema servidor de conteúdo 130 por meio de um dispositivo de usuário 140 associado à conta de usuário em particular 112, por exemplo, o dispositivo de usuário 140a, após o que um registro em sessão para aquela conta de usuário em especial 112a é estabelecido.
Em outra implementação, os dados de categoria relacionados às
contas de usuário 112 podem ser providos aos anunciantes, por exemplo, aos custodiantes de item de conteúdo 150. Estes dados de categoria podem, por exemplo, se basear nos dados de categoria 124 identificados para cada uma das contas de usuário 112. Estes dados de categoria podem facilitar a 15 definição do alvo dos itens de conteúdo 132, por exemplo, as propagandas, para os sites de rede social que têm muitos usuários com muitos interesses diferentes. Por exemplo, os dados de categoria relacionados aos dados de categoria 124 de cada conta de usuário poderão identificar que os usuários da rede social 110 se interessam predominantemente por esportes radicais, 20 veículos utilitários esportivos, ou educação física. Por conseguinte, um ou mais custodiantes de item de conteúdo 150 podem direcionar tais propagandas aos usuários do sistema de rede social 110.
Em uma implementação, um processador de perfil aberto 160 pode ser integrado ao sistema de rede social 110. Em uma outra implemen25 tação, o processador de perfil aberto 160 pode ser integrado ao sistema servidor de conteúdo 130. Em uma outra implementação, o processador de perfil aberto 160 pode ser um sistema separado em comunicação de dados com o sistema de rede social 110 e/ou com o sistema servidor de conteúdo 130.
O processador de perfil aberto 160 pode ser implementado em um software e executado em um dispositivo de processamento, como, em um sistema de computador 900 da Figura 9. Implementações de software exemplares incluem as linguagens C, C++, Java ou qualquer outra Iinguagem de programação de alto nível que pode ser utilizada para produzir um código fonte que pode ser compilado em instruções executáveis. Outras implementações de software podem também ser utilizadas, tais como os applet, ou as implementações interpretadas, como as linguagens scripts, etc.
A Figura 2 é um diagrama em blocos mais detalhado do sistema
exemplar 100 para a identificação de itens de conteúdo com base nos dados de perfil aberto. No sistema exemplar 100 da Figura 2, o processador de perfil aberto 160 pode incluir um processador de linguagem natural 162, um processador de detecção de sentimento 164, e um processador de categoria 10 166. O processador de perfil aberto 160 pode utilizar os dados de perfil aberto dos dados de perfil de usuário 114a - 114n das contas de usuário 112a 112n a fim de gerar dados de categoria correspondentes 124a - 124n.
Em uma implementação, os dados de perfil aberto dentro dos dados de perfil de usuário 114 são processados de modo a identificar as informações psicográficas, por exemplo, traços, tais como personalidade, valores, atitudes, interesses, estilo de vida, etc. dos usuários, associadas às contas de usuário 112a - 112n. Por exemplo, os dados de perfil de usuário 114a podem incluir um campo de texto de forma livre intitulado "Hobbies", e o campo de texto pode incluir a sentença "Eu gosto muito de fazer caminhada, especialmente longas caminhadas quando se acampa fora da cidade alguns dias. Atividades em recintos fechados não me interessam mesmo, e também não gosto atividades ao ar livre, como jardinagem". O processador de linguagem natural 162, o processador de detecção de sentimento 164, e o processador de categoria 166 poderão, por exemplo, processar os dados de perfil aberto e identificar as categorias "Caminhada" e "Acampamento" como categorias de interesse, e identificar a categoria "Jardinagem" como uma categoria de não-interesse. Por conseguinte, em uma implementação, os dados de categoria 124a poderão incluir as categorias "Caminhada" e "Acampamento". Em outra implementação, os dados de categoria 124a poderão incluir ambas as categorias de interesse e as categorias de nãointeresse. Sendo assim, no exemplo acima, os dados de categoria 124a poderão incluir as categorias de interesse "Caminhada" e "Acampamento", como também incluir a categoria de não-interesse "Jardinagem".
Em uma implementação, um fluxo de processo exemplar para a identificação de categorias relacionadas aos interesses de um ou mais usuários se inicia quando o processador de linguagem natural 162 recebe os da5 dos de perfil aberto de um ou mais perfis de usuário 114, por exemplo, um texto de forma livre de um ou mais perfis de usuário. O processador de linguagem natural 162 pode, por exemplo, ser configurado para extrair frases dos dados de perfil aberto e atribuir um peso para cada frase extraída. Por exemplo, o processo de linguagem natural 162 pode utilizar um rotulador de 10 parte da fala ("part-of-speech") (POS) e um analisador de relação de dependência para extrair frases substantivas. Para cada frase substantiva, os substantivos e quaisquer adjacentes relacionados podem ser retidos.
Para cada uma das frases substantivas extraídas, o processador de linguagem natural 162 poderá, por exemplo, atribuir um peso padrão à 15 frase que depende do número de substantivos na frase. Em uma implementação, o peso pode ser de uma proporção substancial com relação à quantidade de substantivos na frase, por exemplo, mais substantivos resultarão em um peso maior. Em uma outra implementação, o processador de linguagem natural 162 poderá também ajustar o peso da frase em resposta ao 20 número de adjetivos na frase substantiva. Em uma implementação, o peso pode ser de uma proporção substancial com relação à quantidade de adjetivos na frase, por exemplo, mais adjetivos resultarão em um maior peso.
Outros esquemas de peso poderão também ser usados, por exemplo, outras partes da fala poderão diminuir o peso da frase substantiva; 25 os adjetivos poderão ser menos pesados que os substantivos, etc. Em uma implementação, o processador de linguagem natural 162 poderá, por exemplo, implementar uma ponderação de frequência de documento de frequência de termos inversa (TF-IDF) a fim de descontar as frases que ocorrem acima de uma frequência limite nos dados de perfil aberto de um ou mais 30 perfis de usuário 112a - 112n.
Em uma outra implementação, o processador de detecção de sentimento 164 pode identificar sentimentos, por exemplo, opiniões, interesses e/ou não-interesses relacionados ao assunto identificado, tais como substantivos ou frases substantivas. Em uma implementação, o processador de detecção de sentimento 164 pode implementar uma análise de polaridade, por exemplo, a detecção de uma frase verbal negativa ou positiva rela5 cionada a um substantivo objeto, por exemplo, "não gosto" ou "gosto", pode ser identificada como relacionada aos respectivos substantivos "jardinagem" e "caminhada". O processador de detecção de sentimento 164 pode, por exemplo, descontar os substantivos ou as frases substantivas nas quais um usuário expressou desinteresse, e pode valorizar os substantivos ou frases 10 substantivas nas quais o usuário expressou interesse. Outros esquemas de análise de sentimento podem também ser usados.
Em uma implementação, o processador de categoria 166 pode, por exemplo, determinar se as frases ponderadas pelo processador de linguagem natural 162 e/ou o processador de detecção de sentimento 164 ex15 cedem um limite. Para as frases tendo pesos que excedem um limite, o processador de categoria 166 poderá identificar uma ou mais categorias ou interesses com base nas frases. Em uma outra implementação, o processador de categoria 166 pode, por exemplo, identificar uma ou mais categorias ou interesses com base em um conjunto de frases de maior peso que permane20 cem depois de descontar as frases de não-interesse.
Em uma implementação, o processador de categoria 166 pode identificar as categorias por meio de um agrupamento com base em pares de frases ou de peso para as frases identificadas a partir dos dados de perfil aberto em uma pluralidade de perfis de usuário 114a - 114n. Em uma outra 25 implementação, as categorias podem ser identificadas por meio de palavraschave definidas pelas frases. Outras identificações de categoria podem também ser usadas.
Em outra implementação, as categorias identificadas podem ser ainda categorizadas de acordo com rótulos de categoria. Um rótulo de categoria pode categorizar categorias específicas em uma categoria mais geral, por exemplo, as categorias de asa delta e "escalada" podem ser categorizadas de acordo com o rótulo de categoria de "esportes radicais". As categorias identificadas e/ou os rótulos de categoria para cada conta de usuário 112a - 112n podem ser armazenados nos correspondentes dados de categoria 124a - 124n. Em uma implementação, os dados de categoria 124 de uma conta de usuário em particular, por exemplo, a con5 ta de usuário 112a, podem, por exemplo, ser providos para o sistema servidor de conteúdo 130 por meio de um dispositivo de usuário 140 associado à conta de usuário em questão 112, por exemplo, o dispositivo de usuário 140a para o qual foi estabelecido um registro em sessão para a conta de usuário em particular 112a. Por exemplo, quando o usuário 140a produz 10 uma página da web a partir do sistema de rede social 110 que inclui uma instrução de solicitação de item de conteúdo, uma solicitação de item de conteúdo correspondente 126a que inclui os dados de categoria 124a poderá ser provida ao sistema servidor de conteúdo 130. O sistema servidor de conteúdo 130 pode identificar e servir um ou mais itens de conteúdo 132a 15 para apresentação no dispositivo de usuário 140a em resposta à solicitação 126a e aos dados de categoria 124a.
Outros esquemas podem também ser usados de modo a prover os dados de categoria 124a ao sistema servidor de conteúdo 130. Por exemplo, o sistema servidor de conteúdo 130 pode se juntar ao sistema de 20 rede social 110 a fim de receber os identificadores de conta de usuário 112 das solicitações de conteúdo correspondentes 126a - 126n. Em resposta ao recebimento dos identificadores de conta de usuário 112, o sistema servidor de conteúdo 130 poderá transmitir os identificadores de conta de usuário 112 para o sistema de rede social 110 em uma solicitação para os dados de 25 categoria correspondentes 124. O sistema de rede social 110 pode, em resposta, prover os dados de categoria correspondentes 124 ao sistema servidor de conteúdo 130.
Em uma outra implementação, os dados de categoria e rótulo agregados 168 relativos às contas de usuário 112 podem ser providos aos anunciantes, por exemplo, aos custodiantes de item de conteúdo 150. Estes dados de categoria e dados de rótulo 168 podem, por exemplo, facilitar o direcionamento dos itens de conteúdo 132, por exemplo, as propagandas, para os sites de rede social que têm usuários com muitos interesses diferentes. Por exemplo, os dados de categoria e rótulo 168 para o sistema de rede social 110 podem identificar um conjunto de verticais de publicidade altamente relevantes nos quais muitos dos usuários do sistema de rede social 5 110 podem ter grande interesse. Por conseguinte, um ou mais custodiantes de item de conteúdo 150 podem direcionar propagandas relacionadas aos verticais aos usuários do sistema de rede social 110.
Em uma implementação, o processador de perfil aberto 160 pode processar as contas de usuário 112a - 112n periodicamente, por exempio, uma vez por mês, a fim de revisar os dados de categoria 124 e/ou os dados de categoria e rótulo 168. Outros acionadores de processamento, por exemplo, para fazer alterações no corpo da conta de usuário 112, podem também ser usados. Em uma implementação, o processador de perfil aberto 160 pode processar as contas de usuário 112a - 112n em um processo em lotes off-line. Os resultados do processamento podem, por exemplo, ser armazenados e acessados durante o serviço do conteúdo. Em uma outra implementação, o processador de perfil aberto 160 pode processar as contas de usuário 112a - 112n em um processador on-line, por exemplo, em resposta a um dispositivo de usuário 140 que submete uma solicitação de conteúdo para o sistema de rede social 110.
A Figura 3 é um fluxograma de um processo exemplar 300 para a identificação de itens de conteúdo e tópicos com base em um relacionamento de entidade. O processo 300 pode, por exemplo, ser implementado no processador de perfil aberto 160. Em uma implementação, o processador 25 de perfil aberto 160 pode incluir o processador de linguagem natural 162, o processador de detecção de sentimento 164, e o processador de categoria 166. Outras implementações, no entanto, podem também ser usadas. Em uma implementação, o processador de perfil aberto 160 pode ser integrado ao sistema de rede social 110. Em uma outra implementação, o processador 30 de perfil aberto 160 pode ser integrado ao sistema servidor de conteúdo 130. Em uma outra implementação, o processador de perfil aberto 160 pode ser um sistema separado em comunicação de dados com o sistema de rede sociai 110 e/ou com o sistema servidor de conteúdo 130.
A etapa 302 identifica dados de perfil aberto em um ou mais perfis de usuário. Por exemplo, o processador de perfil aberto 160 e/ou o processador de linguagem natural 162 podem identificar dados de perfil aberto, por exemplo, dados de texto de forma livre, nos perfis de usuário 112a 112n.
A etapa 304 identifica as categorias definidas pelos dados de perfil aberto. Por exemplo, o processador de perfil aberto 160 e/ou o processador de categoria 166 podem identificar categorias por meio de um agrupamento ou identificação de palavras-chave. As categorias identificadas podem, por exemplo, ser associadas a perfis de usuário correspondentes 112.
A etapa 306 identifica um ou mais itens de conteúdo baseados nas categorias identificadas. Por exemplo, o sistema servidor de conteúdo 130 pode identificar os itens de conteúdo 132 baseados nos dados de categoria 124 e/ou nos dados de categoria e de rótulo 138.
Outros processos para a identificação de itens de conteúdo baseados nos dados de perfil aberto podem também ser usados.
A Figura 4 é um fluxograma de um processo exemplar 400 para a identificação de interesses baseados em dados de perfil aberto. O processo 400 pode, por exemplo, ser implementado no processador de perfil aberto 160. Em uma implementação, o processador de perfil aberto 160 pode ser incluir o processador de linguagem natural 162, o processador de detecção de sentimento 164, e o processador de categoria 166. Outras implementações, no entanto, podem também ser usadas. Em uma implementação, o processador de perfil aberto 160 pode ser integrado ao sistema de rede social 110. Em uma outra implementação, o processador de perfil aberto 160 pode ser integrado ao sistema servidor de conteúdo 130. Em uma outra implementação, o processador de perfil aberto 160 pode ser um sistema separado em comunicação de dados com o sistema de rede social 110 e/ou com o sistema servidor de conteúdo 130.
A etapa 402 realiza o processamento de linguagem natural de um texto armazenado no campo de texto aberto para identificar frase. Por exemplo, o processador de perfil aberto 160 e/ou o processador de linguagem natural 162 podem realizar o processamento de linguagem natural a fim de identificar uma frase substantiva nos dados de perfil aberto dos perfis de usuário 114a- 114n.
A etapa 404 atribui pesos às frases. Por exemplo, o processador
de perfil aberto 160 e/ou o processador de linguagem natural 162 podem atribuir pesos às frases substantivas identificadas.
A etapa 406 identifica os interesses de usuário com base nos pesos das frases. Por exemplo, o processador de perfil aberto 160 e/ou o 10 processador de linguagem natural 162 podem identificar os interesses de usuário com base nos pesos das frases, por exemplo, frases tendo pesos que excedem um limite podem ser utilizadas a fim de definir interesses de usuário, ou um agrupamento baseado em pares de frase e peso pode ser feito de modo a definir os interesses de usuário.
Outros processos de identificação de interesses de usuário ba
seados nos dados de perfil aberto podem também ser usados.
A Figura 5 é um fluxograma de processo exemplar 500 de identificação de interesses e não-interesses de usuário com base nos dados de perfil aberto. O processo 500 pode, por exemplo, ser implementado no pro20 cessador de perfil aberto 160. Em uma implementação, o processador de perfil aberto 160 pode incluir o processador de linguagem natural 162, o processador de detecção de sentimento 164, e o processador de categoria 166. Outras implementações, no entanto, podem também ser usados. Em uma implementação, o processador de perfil aberto 160 pode ser integrado ao 25 sistema de rede social 110. Em uma outra implementação, o processador de perfil aberto 160 pode ser integrado ao sistema servidor de conteúdo 130. Em uma outra implementação, o processador de perfil aberto 160 pode ser um sistema separado em comunicação de dados com o sistema de rede social 110 e/ou com o sistema servidor de conteúdo 130.
A etapa 502 realiza a detecção de sentimento no texto armaze
nado no campo de texto aberto a fim de identificar os interesses e nãointeresses de usuário. Por exemplo, o processador de perfil aberto 160 e/ou o processador de detecção de sentimento 164 pode realizar uma detecção de polaridade a fim de identificar os interesses e não-interesses de usuário.
A etapa 504 ajusta os pesos de frase com base nos interesses e não-interesses de usuário. Por exemplo, o processador de perfil aberto 160 e/ou o processador de detecção de sentimento 164 podem aumentar ou diminuir os pesos de frase com base nos interesses e não-interesses de usuário, respectivamente.
Outros processos para a identificação de não-interesses de usuário com base nos dados de perfil aberto podem também ser usados.
A Figura 6 é um fluxograma de um processo exemplar 600 para
a classificação de categorias e rótulos. O processo 600 pode, por exemplo, ser implementado no processador de perfil aberto 160. Em uma implementação, o processador de perfil aberto 160 pode incluir o processador de linguagem natural 162, o processador de detecção de sentimento 164, e o pro15 cessador de categoria 166. Outras implementações, no entanto, podem também ser usadas. Em uma implementação, o processador de perfil aberto 160 pode ser integrado ao sistema de rede social 110. Em uma outra implementação, o processador de perfil aberto 160 pode ser integrado ao sistema servidor de conteúdo 130. Em uma outra implementação, o processador de 20 perfil aberto 160 pode ser um sistema separado em comunicação de dados com o sistema de rede social 110 e/ou com o sistema servidor de conteúdo 130.
A etapa 602 classifica as categorias de acordo com as características da categoria. Por exemplo, o processador de perfil aberto 160 e/ou o processador de categoria 166 podem classificar categorias de acordo com uma característica da categoria, por exemplo, uma categoria de esportes em geral, uma categoria de cinema em geral, etc.
A etapa 604 atribui rótulos às categorias classificadas. Por exemplo, o processador de perfil aberto 160 e/ou o processador de categoria 166 podem atribuir rótulos às categorias classificadas, por exemplo, "Esportes Radicais", "Filmes de Comédia", etc.
Outros processos de classificação de categorias e rótulos podem também ser usados.
A Figura 7 é um fluxograma de um processo exemplar 700 para a identificação de itens de conteúdo baseados em dados de texto de forma livre. O processo 700 pode, por exemplo, ser implementado no processador 5 de perfil aberto 160. Em uma implementação, o processador de perfil aberto 160 pode incluir o processador de linguagem natural 162, o processador de detecção de sentimento 164, e o processador de categoria 166. Outras implementações, no entanto, podem também ser usadas. Em uma implementação, o processador de perfil aberto 160 pode ser integrado ao sistema de 10 rede social 110. Em uma outra implementação, o processador de perfil aberto 160 pode ser um sistema integrado ao sistema servidor de conteúdo 130. Em uma outra implementação, o processador de perfil aberto 160 pode ser um sistema separado em comunicação de dados com o sistema de rede social 110 e/ou com o sistema servidor de conteúdo 130.
A etapa 702 identifica os dados de texto de forma livre em um
perfil de usuário. Por exemplo, o processador de perfil aberto 160 e/ou o processador de linguagem natural 162 podem identificar dados de perfil aberto, por exemplo, dados de texto de forma livre, nos perfis de usuário 112a
- 112n.
A etapa 704 extrai os índices de categoria dos dados de texto de
forma livre. Por exemplo, o processador de perfil aberto 160 e/ou o processador de categoria 166 podem extrair indicadores de categoria, por exemplo, palavras-chave, etc., dos dados de texto de forma livre.
A etapa 706 identifica um ou mais itens de conteúdo com base nos índices de categoria identificadas. Por exemplo, o sistema servidor de conteúdo 130 pode identificar um ou mais itens de conteúdo 132 com base nas palavras-chave extraídas.
Outros processos para a identificação de itens de conteúdo com base em dados de texto de forma livre podem também ser usados.
A Figura 8 é um fluxograma de um processo exemplar 800 para
a identificação de categorias baseadas em dados de texto de forma livre. O processo 800 pode, por exemplo, ser implementado no processador de perfil aberto 160. Em uma implementação, o processador de perfil aberto 160 pode incluir o processador de linguagem natural 162, o processador de detecção de sentimento 164, e o processador de categoria 166. Outras implementações, no entanto, podem também ser usadas. Em uma implementação, o 5 processador de perfil aberto 160 pode ser integrado ao sistema de rede social 110. Em uma outra implementação, o processador de perfil aberto 160 pode ser integrado ao sistema servidor de conteúdo 130. Em uma outra implementação, o processador de perfil aberto 160 pode ser um sistema separado em comunicação de dados com o sistema de rede social 110 e/ou com 10 o sistema servidor de conteúdo 130.
A etapa 802 realiza o processamento de linguagem natural nos dados de texto de forma livre a fim de identificar frases. Por exemplo, o processador de perfil aberto 160 e/ou o processador de linguagem natural 162 podem realizar um processamento de linguagem natural a fim de identificar uma frase substantiva nos dados de perfil aberto dos perfis de usuário 114a
- 114n.
A etapa 804 atribui pesos às frases. Por exemplo, o processador de perfil aberto 160 e/ou o processador de linguagem natural 162 podem atribuir pesos às frases substantivas identificadas.
A etapa 806 identifica os interesses de usuário com base nos
pesos de frase. Por exemplo, o processador de perfil aberto 160 e/ou o processador de linguagem natural 162 podem identificar os interesses de usuário com base nos pesos de frase, por exemplo, frases tendo pesos que excedem um limite podem ser utilizadas para definir os interesses de usuário, 25 ou um agrupamento baseado nos pares de frase e peso pode ser feito no sentido de definir interesses de usuário.
A etapa 808 identifica índices de categoria baseadas nos pesos de frase e nos interesses de usuário. Por exemplo, o processador de perfil aberto 160 e/ou o processador de categoria 166 podem extrair indicadores, por exemplo, palavras-chave, agrupamentos, etc., baseados nos pesos de frase e nos interesses de usuário.
Outros processos para a identificação de categorias baseadas em dados de texto de forma livre podem ser também ser usados.
A Figura 9 é um diagrama em blocos de um sistema de computador exemplar 900 que pode ser utilizado para implementar os sistemas e métodos descritos no presente documento. O sistema 900 inclui um proces5 sador 910, uma memória 920, um dispositivo de armazenamento 930, e um dispositivo de entrada / saída 940. Cada um dos componentes 910, 920, 930, e 940 pode, por exemplo, ser interconectados usando-se um barramento de sistema 950. O processador 910 é capaz de processar instruções para execução dentro do sistema 900. Em uma implementação, o processador 10 910 é um processador de um único encadeamento. Em uma outra implementação, o processador 910 é um processador de múltiplos encadeamentos. O processador 910 é capaz de processar as instruções armazenadas na memória 920 ou no dispositivo de armazenamento 930.
A memória 920 armazena informações dentro do sistema 900. Em uma implementação, a memória 920 é um meio legível em computador. Em uma implementação, a memória 920 é uma unidade de memória volátil. Em uma outra implementação, a memória 920 é uma unidade de memória não-volátil.
O dispositivo de armazenamento 930 é capaz de prover um ar20 mazenamento de massa para o sistema 900. Em uma implementação, o dispositivo de armazenamento 930 é um meio legível em computador. Em várias implementações distintas, o dispositivo de armazenamento 930 pode, por exemplo, incluir um dispositivo de disco rígido, um dispositivo de disco ótico, ou algum outro dispositivo de armazenamento de grande capacidade. 25 O dispositivo de entrada / saída 940 provê operações de entrada
/ saída para o sistema 900. Em uma implementação, o dispositivo de entrada / saída 940 pode incluir um ou mais dentre um dispositivo de interface de rede, por exemplo, um cartão da Ethernet, um dispositivo de comunicação serial, por exemplo, uma porta RS-232, e/ou um dispositivo de interface sem 30 fio, por exemplo, um cartão 802.11. Em uma outra implementação, o dispositivo de entrada / saída pode incluir dispositivos de driver configurados de modo a receber dados de entrada de ou enviar dados de saída para outros dispositivos de entrada / saída, por exemplo, teclado, impressora e dispositivos de vídeo 960.
O aparelho, os métodos, os fluxogramas, e os diagramas estruturas em blocos descritos no presente documento de patente podem ser im5 plementados em sistemas de processamento de computador incluindo um código de programa que compreende instruções de programa executáveis pelo sistema de processamento de computador. Outras implementações podem também ser usadas. Além disso, os fluxogramas e diagramas estruturais em blocos descritos no presente documento de patente, que descrevem 10 métodos e/ou procedimentos particulares correspondentes em suporte às etapas e correspondentes funções em suporte aos meios estruturais apresentados, podem ser igualmente utilizados no sentido de implementar estruturas e algoritmos de software correspondentes, e equivalentes dos mesmos.
A presente descrição descrita define o melhor modo da presente
invenção e provê exemplos a fim de descrever a presente invenção e permitir que um versado na técnica produza e pratique a presente invenção. Esta descrição escrita não limita a presente invenção aos precisos termos definidos. Sendo assim, embora a presente invenção tenha sido descrita em deta20 Ihe com referência aos exemplos apresentados acima, aqueles com um conhecimento básico da técnica poderão fazer alterações, modificações e variações aos exemplos sem se afastar do âmbito de aplicação da presente invenção.

Claims (21)

REIVINDICAÇÕES
1. Método implementado por computador, compreendendo: - identificar dados de perfil aberto em um ou mais perfis de usuário; - identificar categorias definidas pelos dados de perfil aberto; e - identificar um ou mais itens de conteúdo com base nas categorias identificadas.
2. Método, de acordo com a reivindicação 1, em que: - o um ou mais itens de conteúdo compreende propagandas.
3. Método, de acordo com a reivindicação 2, em que: - identificar dados de perfil aberto em um ou mais perfis compreende identificar dados de perfil abertos no um ou mais perfis de usuário.
4. Método, de acordo com a reivindicação 3, compreendendo: - processar um texto de linguagem natural armazenado nos campos de texto aberto a fim de identificar frases; e - atribuir pesos às frases.
5. Método, de acordo com a reivindicação 4, em que: - identificar categorias definidas pelos dados de perfil aberto compreende identificar áreas de interesse de usuário com base nos pesos das frases.
6. Método, de acordo com a reivindicação 4, compreende: - detectar o sentimento do texto armazenado no campo de texto aberto de modo a identificar os interesses do usuário.
7. Método, de acordo com a reivindicação 6, em que: - identificar categorias definidas pelos dados de perfil aberto compreende identificar categorias com base nos pesos das frases e nos interesses do usuário.
8. Método, de acordo com a reivindicação 7, em que identificar categorias definidas pelos dados de perfil aberto compreende gerar agrupamentos de categorias com base nos pesos das frases.
9. Método, de acordo com a reivindicação 4, em que: - identificar categorias definidas pelos dados de perfil aberto compreende descontar frases de alta freqüência.
10. Método, de acordo com a reivindicação 4, compreendendo: - detectar o sentimento do texto armazenado no campo de texto aberto de modo a identificar os não-interesses do usuário; e - descontar as frases associadas aos não-interesses do usuário.
11. Método, de acordo com a reivindicação 2, compreendendo: - classificar as categorias de acordo com características da categoria; e - atribuir rótulos às categorias classificadas.
12. Método, de acordo com a reivindicação 1, em que: - os perfis de usuário compreendem perfis de usuários da rede social.
13. Método, de acordo com a reivindicação 1, compreendendo: - servir o um ou mais itens de conteúdo identificados a um usuário associado às categorias identificadas.
14. Método implementado por computador, compreendendo: - identificar dados de texto de formato livre em um perfil de usuário; - extrair índices de categoria dos dados de texto de formato livre; e - identificar um ou mais itens de conteúdo com base nos índices de categoria identificada.
15. Método, de acordo com a reivindicação 14, em que: - o um ou mais itens de conteúdo compreende propagandas.
16. Método, de acordo com a reivindicação 15, em que: - extrair índices de categoria dos dados de texto de formato livre compreende: - o processamento da linguagem natural dos dados de texto de formato livre de modo a identificar frases; e - a atribuição de pesos às frases.
17. Método, de acordo com a reivindicação 16, em que: - extrair índices de categoria dos dados de texto de formato livre compreende identificar interesses do usuário com base nos pesos das frases.
18. Método, de acordo com a reivindicação 16, compreendendo: - detectar o sentimento dos dados de texto de formato livre de modo a identificar os interesses do usuário.
19. Método, de acordo com a reivindicação 18, em que: - extrair índices de categoria dos dados de texto de formato livre compreende identificar índices de categoria com base nos pesos das frases e nos interesses do usuário.
20. Sistema, compreendendo: - um processador de linguagem natural configurado para extrair uma ou mais frases dos dados de texto de formato livre em um perfil de usuário e atribuir pesos de frases às frases extraídas; - um processador de detecção de sentimento configurado para identificar os interesses e os não-interesses do usuário a partir dos dados de texto de formato livre no perfil do usuário; e - um processador de categoria configurado para associar rótulos a um perfil de usuário com base na uma ou mais frases extraídas, nos pesos das frases atribuídas, e nos interesses e não-interesses de um usuário identificado.
21. Método implementado por computador, compreendendo: - identificar dados de perfil aberto em perfis de usuários; - identificar categorias definidas pelos dados de perfil aberto; e - associar as categorias identificadas a perfis de usuário correspondentes.
BRPI0809485-3A 2007-03-30 2008-03-31 Identificação de conteúdo de perfil aberto BRPI0809485A2 (pt)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US11/694,307 US7730017B2 (en) 2007-03-30 2007-03-30 Open profile content identification
US11/694,307 2007-03-30
PCT/US2008/058953 WO2008121993A1 (en) 2007-03-30 2008-03-31 Open profile content identification

Publications (1)

Publication Number Publication Date
BRPI0809485A2 true BRPI0809485A2 (pt) 2014-09-09

Family

ID=39796043

Family Applications (1)

Application Number Title Priority Date Filing Date
BRPI0809485-3A BRPI0809485A2 (pt) 2007-03-30 2008-03-31 Identificação de conteúdo de perfil aberto

Country Status (5)

Country Link
US (2) US7730017B2 (pt)
EP (1) EP2143018A4 (pt)
BR (1) BRPI0809485A2 (pt)
CA (1) CA2682585C (pt)
WO (1) WO2008121993A1 (pt)

Families Citing this family (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2435565B (en) 2006-08-09 2008-02-20 Cvon Services Oy Messaging system
US8712382B2 (en) 2006-10-27 2014-04-29 Apple Inc. Method and device for managing subscriber connection
EP2082366A2 (en) * 2006-11-01 2009-07-29 CVON Innovations Limited Optimization of advertising campaigns on mobile networks
GB2435730B (en) 2006-11-02 2008-02-20 Cvon Innovations Ltd Interactive communications system
GB2436412A (en) 2006-11-27 2007-09-26 Cvon Innovations Ltd Authentication of network usage for use with message modifying apparatus
US8909546B2 (en) * 2006-12-20 2014-12-09 Microsoft Corporation Privacy-centric ad models that leverage social graphs
GB2440990B (en) 2007-01-09 2008-08-06 Cvon Innovations Ltd Message scheduling system
GB2445630B (en) 2007-03-12 2008-11-12 Cvon Innovations Ltd Dynamic message allocation system and method
US8321462B2 (en) * 2007-03-30 2012-11-27 Google Inc. Custodian based content identification
US20080243607A1 (en) * 2007-03-30 2008-10-02 Google Inc. Related entity content identification
US7730017B2 (en) 2007-03-30 2010-06-01 Google Inc. Open profile content identification
GB2440408B (en) * 2007-05-16 2008-06-25 Cvon Innovations Ltd Method and system for scheduling of messages
US8935718B2 (en) 2007-05-22 2015-01-13 Apple Inc. Advertising management method and system
GB2450144A (en) * 2007-06-14 2008-12-17 Cvon Innovations Ltd System for managing the delivery of messages
GB2452789A (en) 2007-09-05 2009-03-18 Cvon Innovations Ltd Selecting information content for transmission by identifying a keyword in a previous message
GB2453810A (en) 2007-10-15 2009-04-22 Cvon Innovations Ltd System, Method and Computer Program for Modifying Communications by Insertion of a Targeted Media Content or Advertisement
US8799068B2 (en) * 2007-11-05 2014-08-05 Facebook, Inc. Social advertisements and other informational messages on a social networking website, and advertising model for same
US9123079B2 (en) 2007-11-05 2015-09-01 Facebook, Inc. Sponsored stories unit creation from organic activity stream
US9990652B2 (en) 2010-12-15 2018-06-05 Facebook, Inc. Targeting social advertising to friends of users who have interacted with an object associated with the advertising
US20120203831A1 (en) 2011-02-03 2012-08-09 Kent Schoen Sponsored Stories Unit Creation from Organic Activity Stream
KR100987954B1 (ko) * 2008-04-29 2010-10-29 주식회사 아카스페이스 정보 네트워크를 구축하는 방법
US8219638B2 (en) * 2008-12-15 2012-07-10 Google Inc. Editing information configured for use in selecting content regarding at least one content provider
WO2010119553A1 (ja) * 2009-04-16 2010-10-21 リプレックス株式会社 サービスシステム
US9141271B2 (en) * 2009-08-26 2015-09-22 Yahoo! Inc. Taking action upon users in a social networking system with respect to a purpose based on compatibility of the users to the purpose
US20110153414A1 (en) * 2009-12-23 2011-06-23 Jon Elvekrog Method and system for dynamic advertising based on user actions
WO2011079311A1 (en) * 2009-12-24 2011-06-30 Minh Duong-Van System and method for determining sentiment expressed in documents
US8898217B2 (en) 2010-05-06 2014-11-25 Apple Inc. Content delivery based on user terminal events
US8751305B2 (en) 2010-05-24 2014-06-10 140 Proof, Inc. Targeting users based on persona data
US20110288937A1 (en) * 2010-05-24 2011-11-24 Manoogian Iii John Scaling persona targeted advertisements
US8504419B2 (en) 2010-05-28 2013-08-06 Apple Inc. Network-based targeted content delivery based on queue adjustment factors calculated using the weighted combination of overall rank, context, and covariance scores for an invitational content item
US8370330B2 (en) 2010-05-28 2013-02-05 Apple Inc. Predicting content and context performance based on performance history of users
US8510658B2 (en) 2010-08-11 2013-08-13 Apple Inc. Population segmentation
US8640032B2 (en) 2010-08-31 2014-01-28 Apple Inc. Selection and delivery of invitational content based on prediction of user intent
US8983978B2 (en) 2010-08-31 2015-03-17 Apple Inc. Location-intention context for content delivery
US8510309B2 (en) 2010-08-31 2013-08-13 Apple Inc. Selection and delivery of invitational content based on prediction of user interest
US10248960B2 (en) * 2010-11-16 2019-04-02 Disney Enterprises, Inc. Data mining to determine online user responses to broadcast messages
US8538742B2 (en) * 2011-05-20 2013-09-17 Google Inc. Feed translation for a social network
US9779385B2 (en) 2011-06-24 2017-10-03 Facebook, Inc. Inferring topics from social networking system communications
US8849826B2 (en) 2011-09-30 2014-09-30 Metavana, Inc. Sentiment analysis from social media content
US20130085828A1 (en) * 2011-10-04 2013-04-04 Andrew Michael Schuster System and methods for content distribution with integrated game mechanics
US20130124627A1 (en) * 2011-11-11 2013-05-16 Robert William Cathcart Providing universal social context for concepts in a social networking system
US20130132851A1 (en) * 2011-11-22 2013-05-23 International Business Machines Corporation Sentiment estimation of web browsing user
US9141504B2 (en) 2012-06-28 2015-09-22 Apple Inc. Presenting status data received from multiple devices
US10380606B2 (en) * 2012-08-03 2019-08-13 Facebook, Inc. Negative signals for advertisement targeting
US20150235243A1 (en) * 2012-08-22 2015-08-20 Sentiment 360 Ltd. Engagement tool for a website
US9881091B2 (en) 2013-03-08 2018-01-30 Google Inc. Content item audience selection
US9131019B2 (en) 2012-11-17 2015-09-08 Facebook, Inc. Prompting social networking system users to provide additional user profile information
US8959211B2 (en) 2012-11-17 2015-02-17 Facebook, Inc. Prompting social networking system users in a newsfeed to provide additional user profile information
CN103092943B (zh) * 2013-01-10 2016-03-23 北京亿赞普网络技术有限公司 一种广告调度的方法和广告调度服务器
IN2013CH01201A (pt) 2013-03-20 2015-08-14 Infosys Ltd
US10354281B2 (en) * 2013-10-31 2019-07-16 International Business Machines Corporation Communicating with a customer traveling on a route to a location
US8990191B1 (en) 2014-03-25 2015-03-24 Linkedin Corporation Method and system to determine a category score of a social network member
US10042944B2 (en) * 2014-06-18 2018-08-07 Microsoft Technology Licensing, Llc Suggested keywords
US10997226B2 (en) * 2015-05-21 2021-05-04 Microsoft Technology Licensing, Llc Crafting a response based on sentiment identification
DE202015003907U1 (de) 2015-06-07 2015-11-02 Harald Schäfers Vorrichtung zur automatisierten nutzerpräferenzgesteuerten Kommunikation in Rechnernetzwerken
DE102015006962A1 (de) 2015-06-07 2016-12-08 Harald Schäfers Verfahren zur Umsetzung von lnhaltsanforderungen auf Basis ausdrücklich erklärter Nutzerpräferenzen in Rechnernetzwerken.
CN106815241B (zh) * 2015-11-30 2020-10-30 腾讯科技（北京）有限公司 一种信息处理方法及终端
US10311069B2 (en) 2016-06-02 2019-06-04 International Business Machines Corporation Sentiment normalization using personality characteristics
US11205103B2 (en) 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
US20190197605A1 (en) * 2017-01-23 2019-06-27 Symphony Retailai Conversational intelligence architecture system
US10331713B1 (en) 2018-10-03 2019-06-25 Gurbaksh Singh Chahal User activity analysis using word clouds
JP7274152B2 (ja) 2021-09-21 2023-05-16 Ａｉｑ株式会社 情報処理装置及びプログラム

Family Cites Families (76)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5724521A (en) * 1994-11-03 1998-03-03 Intel Corporation Method and apparatus for providing electronic advertisements to end users in a consumer best-fit pricing manner
US5740549A (en) * 1995-06-12 1998-04-14 Pointcast, Inc. Information and advertising distribution system and method
US7171480B2 (en) * 2001-01-29 2007-01-30 Sony Computer Entertainment America Inc. Method and system for providing auxiliary content located on local storage during download/access of primary content over a network
US6026368A (en) * 1995-07-17 2000-02-15 24/7 Media, Inc. On-line interactive system and method for providing content and advertising information to a targeted set of viewers
KR19990072063A (ko) 1995-12-08 1999-09-27 엔, 마이클 그로브 컴퓨터 네트워크 상에 광고를 게재하기 위한 방법 및 시스템
US5848397A (en) * 1996-04-19 1998-12-08 Juno Online Services, L.P. Method and apparatus for scheduling the presentation of messages to computer users
US5752023A (en) * 1996-04-24 1998-05-12 Massachusetts Institute Of Technology Networked database system for geographically dispersed global sustainability data
US20020049745A1 (en) * 1996-05-10 2002-04-25 Global Media Online, Inc. Maintaining most current client version
US5721910A (en) * 1996-06-04 1998-02-24 Exxon Research And Engineering Company Relational database system containing a multidimensional hierachical model of interrelated subject categories with recognition capabilities
US5948061A (en) * 1996-10-29 1999-09-07 Double Click, Inc. Method of delivery, targeting, and measuring advertising over networks
US6078914A (en) * 1996-12-09 2000-06-20 Open Text Corporation Natural language meta-search system and method
US6144944A (en) * 1997-04-24 2000-11-07 Imgis, Inc. Computer system for efficiently selecting and providing information
US6044376A (en) * 1997-04-24 2000-03-28 Imgis, Inc. Content stream analysis
AU8072798A (en) * 1997-06-16 1999-01-04 Doubleclick Inc. Method and apparatus for automatic placement of advertising
US6345293B1 (en) * 1997-07-03 2002-02-05 Microsoft Corporation Personalized information for an end user transmitted over a computer network
US6009410A (en) * 1997-10-16 1999-12-28 At&T Corporation Method and system for presenting customized advertising to a user on the world wide web
US6167382A (en) * 1998-06-01 2000-12-26 F.A.C. Services Group, L.P. Design and production of print advertising and commercial display materials over the Internet
US6985882B1 (en) * 1999-02-05 2006-01-10 Directrep, Llc Method and system for selling and purchasing media advertising over a distributed communication network
US7162471B1 (en) * 1999-05-11 2007-01-09 Maquis Techtrix Llc Content query system and method
US6269361B1 (en) * 1999-05-28 2001-07-31 Goto.Com System and method for influencing a position on a search result list generated by a computer network search engine
US7158986B1 (en) * 1999-07-27 2007-01-02 Mailfrontier, Inc. A Wholly Owned Subsidiary Of Sonicwall, Inc. Method and system providing user with personalized recommendations by electronic-mail based upon the determined interests of the user pertain to the theme and concepts of the categorized document
US6868525B1 (en) * 2000-02-01 2005-03-15 Alberti Anemometer Llc Computer graphic display visualization system and method
US6401075B1 (en) * 2000-02-14 2002-06-04 Global Network, Inc. Methods of placing, purchasing and monitoring internet advertising
US7177904B1 (en) * 2000-05-18 2007-02-13 Stratify, Inc. Techniques for sharing content information with members of a virtual user group in a network environment without compromising user privacy
KR100420486B1 (ko) 2000-07-08 2004-03-02 주식회사 라스이십일 사용자 성향분석 기능을 갖는 네트워크 기반의 개인화서비스 제공 시스템
US6694490B2 (en) * 2002-07-10 2004-02-17 Hewlett-Packard Development Company, L.P. DIMM and method for producing a DIMM
US20040098386A1 (en) * 2001-03-30 2004-05-20 Marcus Thint Profile management system
EP1845489A1 (en) * 2001-06-06 2007-10-17 Sony Corporation Advertisement selecting apparatus, advertisement selecting method, and storage medium
US8131585B2 (en) * 2001-06-14 2012-03-06 Nicholas Frank C Method and system for providing network based target advertising
WO2003007216A1 (en) 2001-07-12 2003-01-23 Diedre Moire Corporation Targeted advertisement assembly and delivery system
US20030093311A1 (en) * 2001-11-05 2003-05-15 Kenneth Knowlson Targeted advertising
US9235849B2 (en) 2003-12-31 2016-01-12 Google Inc. Generating user information for use in targeted advertising
US7136875B2 (en) * 2002-09-24 2006-11-14 Google, Inc. Serving advertisements based on content
US20060064360A1 (en) * 2002-08-20 2006-03-23 Piccionelli Gregory A Record-keeping system for transmission and production of content
US20040193691A1 (en) * 2003-03-31 2004-09-30 Chang William I. System and method for providing an open eMail directory
US20060235873A1 (en) * 2003-10-22 2006-10-19 Jookster Networks, Inc. Social network-based internet search engine
KR100650404B1 (ko) 2003-11-24 2006-11-28 엔에이치엔(주) 온라인 광고 시스템 및 방법
US7526459B2 (en) * 2003-11-28 2009-04-28 Manyworlds, Inc. Adaptive social and process network systems
US7526458B2 (en) * 2003-11-28 2009-04-28 Manyworlds, Inc. Adaptive recommendations systems
US20050119936A1 (en) * 2003-12-02 2005-06-02 Robert Buchanan Sponsored media content
US7269590B2 (en) * 2004-01-29 2007-09-11 Yahoo! Inc. Method and system for customizing views of information associated with a social network user
US8612359B2 (en) * 2004-01-29 2013-12-17 Yahoo! Inc. Method and system for sharing portal subscriber information in an online social network
WO2005089286A2 (en) * 2004-03-15 2005-09-29 America Online, Inc. Sharing social network information
US20050216550A1 (en) * 2004-03-26 2005-09-29 Paseman William G Communication mode and group integration for social networks
US8832138B2 (en) * 2004-06-17 2014-09-09 Nokia Corporation System and method for social network search operations
US7890871B2 (en) * 2004-08-26 2011-02-15 Redlands Technology, Llc System and method for dynamically generating, maintaining, and growing an online social network
US20070011155A1 (en) * 2004-09-29 2007-01-11 Sarkar Pte. Ltd. System for communication and collaboration
US8180722B2 (en) * 2004-09-30 2012-05-15 Avaya Inc. Method and apparatus for data mining within communication session information using an entity relationship model
JP5065049B2 (ja) * 2005-01-05 2012-10-31 ヤフー！ インコーポレイテッド デジタルホームサービスを提供するためのフレームワーク
US8538810B2 (en) 2005-03-29 2013-09-17 Google Inc. Methods and systems for member-created advertisement in a member network
US8838588B2 (en) * 2005-03-30 2014-09-16 International Business Machines Corporation System and method for dynamically tracking user interests based on personal information
US10740722B2 (en) 2005-04-25 2020-08-11 Skyword Inc. User-driven media system in a computer network
US20060248573A1 (en) * 2005-04-28 2006-11-02 Content Guard Holdings, Inc. System and method for developing and using trusted policy based on a social model
WO2006127919A2 (en) * 2005-05-25 2006-11-30 1776 Media Network Data management and distribution
US20060282303A1 (en) * 2005-06-08 2006-12-14 Microsoft Corporation Distributed organizational analyzer
US10510043B2 (en) * 2005-06-13 2019-12-17 Skyword Inc. Computer method and apparatus for targeting advertising
US8666928B2 (en) * 2005-08-01 2014-03-04 Evi Technologies Limited Knowledge repository
US8560385B2 (en) * 2005-09-02 2013-10-15 Bees & Pollen Ltd. Advertising and incentives over a social network
US7890552B2 (en) * 2005-09-30 2011-02-15 At&T Intellectual Property I, L.P. Methods, systems, and computer program products for implementing media content analysis, distribution, and re-allocation services
US20070106627A1 (en) * 2005-10-05 2007-05-10 Mohit Srivastava Social discovery systems and methods
US20070088713A1 (en) * 2005-10-14 2007-04-19 Arthur Baxter Method of secure online targeted marketing
WO2007051127A2 (en) * 2005-10-25 2007-05-03 Brubaker Curtis M Method and apparatus for obtaining revenue from the distribution of hyper-relevant advertising through permissive mind reading, proximity encounters, and database aggregation
US20070192461A1 (en) * 2005-11-03 2007-08-16 Robert Reich System and method for dynamically generating and managing an online context-driven interactive social network
US20070218900A1 (en) * 2006-03-17 2007-09-20 Raj Vasant Abhyanker Map based neighborhood search and community contribution
US20070150537A1 (en) * 2005-12-24 2007-06-28 Graham Brian T Social network e-commerce and advertisement tracking system
US20070233736A1 (en) * 2006-03-28 2007-10-04 Heyletsgo, Inc. Method and system for social and leisure life management
US7809740B2 (en) * 2006-03-29 2010-10-05 Yahoo! Inc. Model for generating user profiles in a behavioral targeting system
US20070255707A1 (en) * 2006-04-25 2007-11-01 Data Relation Ltd System and method to work with multiple pair-wise related entities
US20070271234A1 (en) * 2006-05-22 2007-11-22 Ravikiran Chickmangalore N Information Exchange Among Members of a Group of Communication Device Users
US20080091692A1 (en) * 2006-06-09 2008-04-17 Christopher Keith Information collection in multi-participant online communities
US20080005125A1 (en) * 2006-07-03 2008-01-03 Dewey Gaedeke System for displaying user generated content in a web browser
US8572169B2 (en) * 2006-08-28 2013-10-29 Myspace, Llc System, apparatus and method for discovery of music within a social network
US7805406B2 (en) * 2006-10-27 2010-09-28 Xystar Technologies, Inc. Cross-population of virtual communities
US7730017B2 (en) 2007-03-30 2010-06-01 Google Inc. Open profile content identification
US20080243607A1 (en) 2007-03-30 2008-10-02 Google Inc. Related entity content identification
US8321462B2 (en) * 2007-03-30 2012-11-27 Google Inc. Custodian based content identification

Also Published As

Publication number Publication date
WO2008121993A1 (en) 2008-10-09
EP2143018A1 (en) 2010-01-13
US7730017B2 (en) 2010-06-01
US8341169B2 (en) 2012-12-25
CA2682585C (en) 2016-02-09
US20100174726A1 (en) 2010-07-08
US20080243780A1 (en) 2008-10-02
CA2682585A1 (en) 2008-10-09
EP2143018A4 (en) 2011-03-09

Similar Documents

Publication Publication Date Title
BRPI0809485A2 (pt) Identificação de conteúdo de perfil aberto
Jerath et al. Consumer click behavior at a search engine: The role of keyword popularity
US20170308537A1 (en) Customized Content Stream Utilizing Dwelltime-Based Machine Learning
Savov et al. Identifying breakthrough scientific papers
US11698939B2 (en) Prioritizing items from different categories in a news stream
US20170213252A1 (en) Reducing data noise using frequency analysis
JP5662961B2 (ja) レビュー処理方法およびシステム
US9619467B2 (en) Personalization engine for building a dynamic classification dictionary
US8788442B1 (en) Compliance model training to classify landing page content that violates content item distribution guidelines
US8103650B1 (en) Generating targeted paid search campaigns
US20110119209A1 (en) Method and system for developing a classification tool
EP2008199A2 (en) System and method of segmenting and tagging entities based on profile matching using a multi-media survey
US9779169B2 (en) System for ranking memes
Rutz et al. A new method to aid copy testing of paid search text advertisements
Liu et al. Enlister: baidu's recommender system for the biggest chinese Q&A website
Piccardi et al. On the Value of Wikipedia as a Gateway to the Web
Krestel et al. Diversifying customer review rankings
Jha et al. Reputation systems: Evaluating reputation among all good sellers
US8977948B1 (en) System, method, and computer program for determining information associated with an extracted portion of content
US20120239492A1 (en) Content performance estimation
JP4825669B2 (ja) 文書の意味を決定して文書とコンテンツを一致させる方法及びシステム
WO2010087882A1 (en) Personalization engine for building a user profile
US12001497B2 (en) Prioritizing items from different categories in a news stream
Waqar et al. Characterizing users in an online classified ad network
Wang et al. Degree of user attention to a webpage based on Baidu Index: an alternative to page view

Legal Events

Date Code Title Description
B25D Requested change of name of applicant approved

Owner name: GOOGLE LLC (US)

B06T Formal requirements before examination [chapter 6.20 patent gazette]
B07A Application suspended after technical examination (opinion) [chapter 7.1 patent gazette]
B15K Others concerning applications: alteration of classification

Free format text: A CLASSIFICACAO ANTERIOR ERA: G06F 17/00

Ipc: G06Q 30/02 (2012.01)

B09B Patent application refused [chapter 9.2 patent gazette]
B09B Patent application refused [chapter 9.2 patent gazette]

Free format text: MANTIDO O INDEFERIMENTO UMA VEZ QUE NAO FOI APRESENTADO RECURSO DENTRO DO PRAZO LEGAL