CN101878482A - 社交协同过滤 - Google Patents

社交协同过滤 Download PDF

Info

Publication number
CN101878482A
CN101878482A CN2008801181859A CN200880118185A CN101878482A CN 101878482 A CN101878482 A CN 101878482A CN 2008801181859 A CN2008801181859 A CN 2008801181859A CN 200880118185 A CN200880118185 A CN 200880118185A CN 101878482 A CN101878482 A CN 101878482A
Authority
CN
China
Prior art keywords
user
network
articles
identifying
project
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
CN2008801181859A
Other languages
English (en)
Inventor
约翰·杜贝斯
埃利·丹尼尔·施恩曼
埃里克·陈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cisco Technology Inc
Original Assignee
Cisco Technology 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 Cisco Technology Inc filed Critical Cisco Technology Inc
Priority to CN201410706815.1A priority Critical patent/CN104462292B/zh
Publication of CN101878482A publication Critical patent/CN101878482A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/00—Administration; Management
    • 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
    • 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
    • G06Q30/06—Buying, selling or leasing transactions

Abstract

在一个实施例中，一种方法包括：识别访问过所述网络的被标识用户的用户选择偏好，所述识别基于由所述被标识用户相对于被呈现给所述用户的输入选择并识别各个可获得网络项目而执行的用户选择输入的累积，所述累积包括识别未被所述被标识用户选择的输入选项；基于针对所述被标识用户识别出优选网络项目以及对每个优选网络项目提供最高相关用户亲和度值的第一网络用户，来确定与所述被标识用户具有最高共享兴趣关联性的网络用户的群组；以及基于从未被呈现给所述被标识用户的网络项目确定针对所述群组中的所述第一网络用户中的每一个的优选网络项目，来确定最有可能被所述被标识用户偏好的新网络项目中的至少一个。

Description

社交协同过滤
技术领域
本发明一般地涉及对可经由诸如广域网(例如环球网或互联网)之类的信息网络获得数据执行基于过滤器的搜索(例如，协同过滤)的装置。
背景技术
各种信息网络(例如，广播、卫星或有线电视；诸如环球网或互联网之类的广域网)的用户可获得信息的指数增长要求以行之有效的方式来组织可获得的信息的呈现。协同过滤尝试，基于通过在用户感兴趣的项目(例如，用户最近在商业网站上观看的项目)与已被确定为用户感兴趣的其它项目之间建立关系来自动预测用户的兴趣，来组织信息向广域网(例如，环球网)中的用户的呈现。例如在网站“amazon.com”处示出的基于项目的协同过滤(购买x的用户还购买了y)基于许多用户既购买“x”也购买“y”则观看(或购买)项目“x”的另一用户也可能对项目“y”感兴趣这样的前提条件。
过滤内容的其它示例包括人工指导规划(例如，传统的网络电视节目规划)，根据人口统计学来对个体分类的基于人口统计学的目标指定，基于内容的目标指定(例如，可在网址“google.com/adsense”处的环球网上获得的Google AdSense)，用户定义的过滤器(例如，可商用TiVo
Figure GPA00001142673800011
Digital Video Recorder上的TiVo
Figure GPA00001142673800012
WishList搜索)，基于流行度的目标指定，领域特定知识推荐系统(例如，可在网址“pandora.com”获得)以及基于评级的过滤(例如，由网站“netflix.com”上的在线服务“Netflix”提供的评级系统)。
发明内容
在一个实施例中，一种方法，包括：通过网络中的设备识别访问过所述网络的被标识用户的用户选择偏好，所述识别基于由所述被标识用户执行的用户选择输入的累积，所述用户选择输入是相对于被呈现给用户并标识各个可获得网络项目的输入选项累积的，所述累积包括识别未被所述被标识用户选择的输入选项；通过所述设备响应于检测到所述被标识用户正在访问所述网络而确定具有与所述被标识用户共享的最高共享兴趣相关性的网络用户的群组，其中该确定基于：(1)从所述可获得网络项目中识别优选网络项目，所述优选网络项目具有基于所述用户选择偏好针对所述被标识用户生成的最高相关项目亲和度值(item affinity value)；和(2)识别出基于各个用户选择偏好对所述优选网络项目中的每一个提供最高相关亲和度值的第一网络用户；以及通过所述设备基于在未被呈现给所述被标识用户的网络项目中，基于各个用户选择偏好、为所述群组中的每个所述第一网络用户确定所述优选网络项目，来确定最有可能被所述被标识用户优选的新网络项目中的至少一个。
在另一实施例中，一种设备包括：网络接口电路，所述网络接口电路被配置用于确定被标识用户正在访问网络，并且作为响应，经由用于向所述被标识用户呈现的网络来输出对最有可能被所述被标识用户优选的新网络项目中的至少一个的推荐；和处理器电路，所述处理器电路被配置用于响应于所述被标识用户访问所述网络来生成对新网络项目中的至少一个的推荐，所述处理器电路还被配置用于基于以下内容来生成对新网络项目中的至少一个的推荐：基于由所述被标识用户执行的用户选择输入的累积来识别所述被标识用户的用户选择偏好，所述用户选择输入是对于呈现给用户并且标识各个可获得网络项目的输入选项而被累积的，所述累积包括识别未被所述被标识用户选择的输入选项；响应于检测到所述被标识用户正在访问网络而确定与所述被标识用户共享的最高共享兴趣相关性的网络用户的群组，该确定基于：(1)从所述可获得网络项目中识别优选网络项目，所述优选网络项目具有基于所述用户选择偏好针对所述被标识用户生成的最高相关项目亲和度值和；和(2)识别出基于各个用户选择偏好对所述优选网络项目中的每一个提供最高相关亲和度值的第一网络用户；基于在未被呈现给所述被标识用户的网络项目中，基于各个用户选择偏好、为所述群组中的每个所述第一网络用户确定所述优选网络项目，来确定最有可能被所述被标识用户优选的新网络项目中的至少一个。
附图说明
参考附图，其中，具有相同标号的元素表示类似的元素。在附图中：
图1图示出根据示例实施例，用于执行生成根据用户品味个性化的推荐的社交协同过滤(socially collaborative filtering)的示例系统。
图2图示出根据示例实施例，用于生成根据用户品味个性化的推荐的社交协同过滤的示例执行。
图3图示出根据示例实施例，由图1中生成根据用户品味个性化的推荐的设备执行的示例方法。
图4A和图4B图示出由图1的设备呈现给用户的示例输入选项，由用户执行的用户选择输入、以及未被用户选择的用户输入选项。
图5图示出根据示例实施例，被标识用户的示例用户选择偏好，用户选择偏好基于呈现给用户的输入选择、由被标识用户执行的用户选择输入以及未被该被标识用户选择的输入选项而累积。
图6图示出根据示例实施例，基于相应用户选择偏好的针对给定用户的示例项目亲和度值。
图7图示出根据示例实施例，由网络用户针对给定网络项目提供的示例用户亲和度值。
图8图示出根据示例实施例的最有可能被被标识用户优选的网络项目的优先排序列表的示例确定，该确定基于确定与被标识用户具有最高共享兴趣相关性的最接近网络用户以及识别出在类似的网络用户中具有最高相关项目亲和度值的网络项目。
图9图示出根据示例实施例的与被选择的网络项目高度相关的项目的示例确定。
具体实施方式
具体实施例使得系统(例如，服务提供商、媒体内容提供商、电子商务网站)能够基于跟踪用户行为以识别用户选择偏好，来向系统用户提供个性化推荐。用户的任意或所有基于网络的行为可以相对于呈现给用户的上下文(context)，即呈现给用户的输入选项被识别。用户选择偏好可以基于相对于呈现给用户的上下文所识别的基于网络的行为的累积来识别，所述累积不仅包括累积由被标识用户执行的用户选择输入，还包括识别和累积被呈现(即，被提供)给用户但是被用户忽略的输入选项。因此，当在基于检测未被用户选择的各个输入选项来在上下文中与被呈现给用户(例如，在用户选择输入选项的同时)但是被被标识用户忽略的其它输入选项相比较，用户选择输入可以被更精确地评估。
相对于被呈现给用户但是被用户忽略的上下文，用户的用户选择输入的累积表现出可以由系统用来识别用户选择偏好的“社交相关动作”(socially relevant gestures)。社交相关动作可以包括：例如基于用户登录或检测唯一标识令牌(例如，RFID标签、数字签名、cookie等等)来识别用户；(例如，基于用户用来访问网络的用户装置显式或固有地提供的存在信息或位置信息)识别用户的物理或网络位置；识别用户历史上关于所观看的内容选择过的内容(例如，跟踪用户观看了什么电视剧、电影等以及观看了多长时间，或呈现的内容中用户将其兴趣改变成其它内容或所浏览的内容的位置)；识别用户例如在在线表单或社区中评论过的内容或项目；识别用户的网络访问行为，例如，用来访问网络项目的用户装置的类型，访问的持续时间，是否多个访问装置被并发利用，等等。
对给定用户的用户选择偏好的识别(基于已经检测到用户的社交相关动作)可以与系统内所维护的网络信息一起被用来动态生成该用户的推荐，推荐基于利用网络信息对用户选择偏好的协同过滤。因此，结合网络信息对用户选择偏好应用协同过滤导致对针对用户精确个性化的内容的社交协同过滤。
这里，由示例实施例执行的社交协同过滤可以使得即使不同的用户第一次访问完全相同的内容(例如，诸如“Netflix”之类的电子商务网站或视频或DVD网站)，这不同的用户也可以独特地享受个人体验。
由示例实施例执行的社交协同过滤提供可以响应于用户的每个检测到的社交相关动作而被更新的个性化和上下文敏感的推荐。这些示例实施例可以响应于每个连续的用户选择输入来更新给定用户的用户选择偏好，包括相应上下文，并且作为响应，连续地为该用户生成更新的推荐。例如，响应于系统检测到用户平日早上打开他或她的电视机，由示例实施例的社交协同过滤可以从用户最有可能偏好的用户社交相关动作中确定特定的新闻频道，并且作为响应，向用户呈现他或她最偏好的TV新闻频道(例如，与Fox New相对的CNN或本地新闻)。检测到频道改变的请求可以使得示例实施例基于依赖于社交相关动作的用户选择偏好来提供下一喜欢的内容(例如，针对特定运动种类或运动队量身定制的体育新闻)，并且不提供与用户不喜欢的某些运动队有关的任何新闻。
因此，响应于用户的每个社交相关动作进行的用户选择偏好更新被用来增大被呈现(即，被提供)给用户的网络项目的亲和度，换而言之，加强用户与被呈现给用户的网络项目之间的关系。用户选择偏好的更新还可以被用来减小被呈现给用户的网络项目的亲和度，以减小相应关系的强度，例如，在被用户忽略的网络项目或检测到表现出用户不喜欢某些网络项目的社交相关动作的情况中。
如以下更详细描述的，在该说明书中使用的术语“网络项目”是指用户可以经由网络直接消费的在线内容(例如，在线视频、音乐、电子书、在线文章、书面评论等等)，以及显式地表示用户可以使用用于消费的网络获得的有形货物(或其集合)的网络对象(例如，经由“Netflix.com”或“Amazon.com”订购DVD视频，经由“Amazon.com”订购诸如书、视频之类的有形货物等等)。因此，术语“网络项目”不包括可以与在线内容或表示有形货物的网络对象相关联的评级(例如，基于星的评级)等；而是这样的评级被用来识别相对于所识别的网络项目的社交相关动作。
图1图示出根据示例实施例，用于执行生成根据用户品味个性化的推荐的社交协同过滤的示例系统。系统10包括被配置用于检测来自在可识别用户16的控制下的用户装置14的用户选择输入。示例用户装置14可以包括用于智能数字电视系统的遥控器14a，具有网络浏览器的个人计算机14b，基于IP的电话14c(例如，语音IP电话)，和/或被配置用于无线语音IP通信的web使能的蜂窝电话14d。IP电话14c和web使能的蜂窝电话14d还包括web浏览器。
每个用户装置14可以被配置用于将用户选择输入直接地或经由中间装置(例如，被配置用于向网络12发送请求的有线或卫星电视机顶盒；在客户驻地的本地访问路由器，等等)发送到网络12，到服务器18，服务器18被配置用于通过向请求的用户装置14提供推荐的内容来对用户选择输入做出响应。
如以下将更详细描述的，服务器18包括网络接口电路20和处理器电路22。网络接口电路20可以被配置用于从用户装置14接收或检测用户选择输入；网络接口电路20还可以被配置用于访问下述数据库24、26和/或28；网络接口电路20还可以被配置用于向用户装置14输出个性化推荐，其中，个性化推荐可以包括基于由处理器电路22执行的社交协同过滤最有可能被确定为被识别的用户16偏好的至少一个新网络项目。被提供给用户装置的新网络项目可以被实现为可从可识别提供商30获得的推荐内容的参考(例如，同一资源标识符(URI))，或者以基于服务器18从内容或服务提供商30检索推荐内容而被呈现给用户16消费(即，由用户消费)的实际内容的形式实现。
示例服务器18可以被实现为在向用户16提供内容服务的内容提供商的接入网12的头端处实现的单个服务器，接入网12提供经由诸如互联网之类的广域网对其它内容或服务提供商30的访问；可替换地，示例服务器18可以被实现为网络12内的分布式服务器系统，其中分布式服务器系统内的第一服务器接收用户输入并且更新用户选择偏好(以下描述)，分布式服务器系统内的第二服务器基于更新的用户选择偏好来确定并输出针对用户16个性化的推荐；可替换地，第一服务器可以通过检测用户输入并向用户提供新网络项目的推荐来与用户交互，并且第二(后端)服务器可以生成要被呈现给用户的新网络项目的推荐，其中，第一服务器或第二服务器中任一者可以从用户输入确定社交相关动作。示例服务器18还可以被实现为经由诸如互联网之类的广域网向用户16提供各种服务的内容提供商网络30的一部分。
这里将在单个集成服务器的上下文中描述示例服务器18来简化示例实施例描述。关于服务器18描述的操作还可以以各种形式实现，包括在可由用户装置14本地达到的接入网内实现的分布式服务器系统或在用户装置可经广域网远程达到的内容提供商网络内实现的分布式服务器系统。
服务器18可以基于以信息的检索为基础执行社交协同过滤，来为用户16生成个性化推荐，其中所述信息可以存储在用户数据库24、项目数据库26和/或社区数据库28中。用户数据库24可以被配置用于存储与用户16有关的信息，包括用户简档(profile)32和用户选择偏好34。用户简档32可以包括有关用户16的信息，包括与用户装置14所利用的任意网络服务的建立和维护有关的个人账户订阅信息；用户简档32还可以包括与被标识用户16具有紧密关系的其它网络用户的身份(即，用户与用户关系)，例如，即时消息会话或蜂窝电话订阅的“好友列表”，或在线论坛中被用户识别为“喜欢的”用户或“讨厌的”用户的用户。以下将参考图5更详细描述的用户选择偏好34可以基于由被标识用户16相对于这些用户选择输入的上下文(即，相对于与被用户选择的输入选项一起被并发地呈现给用户的其它输入选项)执行的用户选择输入累积来图示出被标识用户16的社交相关动作。如下所述，被标识用户16的社交相关动作可以被用来建立各种关系，例如，标识出被标识用户16表现出对其具有最高的亲和度(即，偏好)的那些网络项目的用户项目关系。
项目数据库26可以被配置用于存储有关可用于呈现给用户的网络项目的信息，包括下述项目与项目关系和项目与用户关系。社区数据库28可以包括标识被标识用户16与基于社区的网络服务的其它元素之间的关系，例如留言板、基于互联网的推荐站点、基于互联网的社区网站等等，其中，被标识用户16可以识别其自身在政治兴趣、爱好、“喜欢的”用户、“讨厌的”用户、偏好的内容或回避的内容上具有特定的偏好。社区数据库28对于实现本示例实施例不是必须的，而是可以加入到额外社交相关动作的生成。
图2图示出根据示例实施例，图1的处理器电路的社交协同过滤的总的示例执行。如下所述，处理器电路22可以访问数据库24、26和/或28的任意一者，来基于处理器电路22的社交协同过滤38的执行确定被标识用户16最偏好的新网络项目的推荐列表36。具体地，处理器电路22可以基于使用协同过滤技术44来向可获得的网络信息42应用由用户选择偏好34表现出的社交相关动作40，来执行社交协同过滤38。
网络信息42可以包括图示出给定网络对象对另一网络对象的亲和度的单向关系。例如，网络信息42可以包括单向用户-用户关系46，单向用户-项目关系48，单向项目-项目关系50和单向项目-用户关系52。如下所述，处理器电路22可以基于社交相关动作40来确定关系46、48、50和52中的每一个，并且将关系46、48、50和52存储在合适的数据库24、26或28中，以备例如将来用于响应于另外检测到的社交相关动作来更新关系46、48、50和52。
由处理器电路22确定并存储在用户简档32和/或社区数据库28中的用户与用户关系46可以表现出由处理器电路22确定的在一个人与另一个人之间的特定亲和度，其中，给定的人(A)可能基于紧密的私人或商业关系而对另一个人(B)具有强烈的亲和度，而第二个人(B)可能对第一个人(A)表现出不那么大的亲和度，例如，在管理者或受欢迎的个人(B)受另一个人(A)尊敬的情况中。因此，用户A和B可以表现彼此不对称的(即，不相等的)亲和度值。用户与用户关系46通常仅在相关用户(例如A)建立或更新(例如，修改或删除)与另一用户(B)的关系时才被更新；因此，用户与用户关系46不作为用户(A)的网络项目的交互的结果而被更新。
例如被处理器电路22存储在用户选择偏好34中并且以下关于图6和图8来描述的用户-项目关系48可以表现由处理器电路22生成的特定亲和度值，并且这些特定亲和度值代表呈现给用户16的可获得网络项目58，对于这些可获得网络项目58相应用户16已经表示出最大兴趣或亲和度。表现出用户-项目关系48的相对亲和度或“强度”的特定亲和度值在图6中被示出为“项目亲和度值”54。
可以由处理器电路22生成并被存储在项目数据库26中的项目-项目关系50可以表现出不同的网络项目之间的预定关系，例如：在产品与不同的附件之间所建立的关系(例如，用于手机或其它电池控制的装置的电池充电器)；基于相同演员、女演员、导演等的相似视频内容之间的关系；由相同表演者写的或表演的音乐，等等。项目-项目关系50也可以基于网络内容的分析和网络项目之间的比较的执行来表现由处理器电路22确定的关系。示例项目-项目关系50可以用电子商务网站表示，该电子商务网站用购买产品“X”的人也购买了产品“Y”这样的描述来呈现“X”和有关的产品“Y”。用于实现项目-项目关系50的示例技术包括领域特定知识：实现领域特定知识的示例包括由ChoiceStream(网址“choicestream.com”)提供的商业上可获得的确定电影之间的等同物的过滤，或者用于确定基于文本的内容中的概念之间的相似性的ExpertSystems技术。处理器电路22使用项目-项目关系50使得能够更有效并更快地确定被添加到系统10(即，使得系统10可用的)新内容(即，新网络项目)的等同物。这样的关系分析可以在任意时间被执行，包括网络项目被添加到系统10时，任意用户访问网络项目时，或在系统10内的内容的后台扫描期间。
可以由处理器电路22确定并被存储在项目数据库26中的项目-用户关系52可以针对给定项目表现由处理器电路22确定的网络用户对给定项目的相对亲和度或“强度”：表现项目-用户关系52的“强度”的特定亲和度值在图7和图9中被示出为“用户亲和度值”56，其中，对给定项目62具有最强亲和度(基于它们相应项目亲和度值54)的网络用户在项目-用户关系52内被识别。因此，每个项目-用户关系52具有相应“镜像”(即，相反的)用户-项目关系48。针对关系48和52使用不同的数据库提供更有效的映射，尽管可以预见单个数据库可以用来构建关系48和52，而不论映射方向如何。
服务器18中任意被公开的电路(包括网络接口电路20、处理器电路22和存储器电路23以及它们相关联的组件)可以以多种形式实现。所公开的电路的示例实现包括以诸如可编程逻辑阵列(PLA)、现场可编程门阵列(FPGA)之类的逻辑阵列，或者通过对诸如专用集成电路(ASIC)之类的集成电路进行掩膜编程来实现。这些电路中的任意电路都可以使用由诸如微处理器电路(未示出)之类的相应内部处理器电路执行的基于软件的可执行资源来实现，其中，执行内部存储器电路(例如，在存储器电路23内)中所存储的可执行代码使得处理器电路将应用状态变量存储到处理器存储器中，创建执行这里所述的电路的操作的可执行应用资源(例如，应用实例)。因此，该说明书中使用的术语“电路”既指包括用于执行所述操作的逻辑的基于硬件的电路，也指包括处理器存储器中用于存储由于处理器执行可执行代码而修改的应用状态数据和应用变量的保留部分的基于软件的电路。存储器电路23例如可以使用诸如可编程只读存储器(PROM)或EPROM之类的非易失性存储器和/或诸如DRAM之类的易失性存储器来实现。
此外，任何对“输出消息”或“输出分组”(等)的提及都可以基于以数据结构的形式创建消息/分组并且将数据结构存储到所公开的设备中的有形存储介质中(例如，发送缓冲器中)来实现。任何对“输出消息”或“输出分组”(等)的提及也可以包括将有形存储介质中所存储的消息/分组经由通信介质(例如，适当的有线或无线链路)电传送(例如，在适当时，经由有线电流或无线电场)至另一网络节点(在适当时，也可以使用光传送)。类似地，任何对“接收消息”或“接收分组”(等)的提及都可以基于所公开的设备检测消息/分组在通信介质上的电(或光)传送并且将所检测到的传送存储为所公开的设备中的有形存储介质中(例如，在接收缓冲器中)的数据结构来实现。还要注意，存储器电路23可以由处理器电路22例如基于由处理器电路22执行的存储器地址指派和分区来动态实现。此外，处理器电路22可以被实现为多处理器系统或基于分布式服务器系统来实现。
图3图示出根据示例实施例，图1的服务器18用于基于社交协同过滤38的执行来生成根据用户品味个性化的推荐36的示例方法。图3中所描述的步骤可以被实现为被存储在计算机可读介质(例如，软盘、硬盘、ROM、EEPROM、非易失性RAM、CD-ROM等等)上并基于处理器执行代码来完成的可执行代码或编码逻辑；这里所描述的步骤也可被实现为编码进一种或多种有形介质(例如，可编程逻辑阵列或装置，现场可编程门阵列、可编程阵列逻辑、专用集成电路等)中以用于执行的可执行逻辑。
服务器18的网络接口电路20能够在步骤70中检测用户(“P1”)16正在访问网络12，例如检测来自专门寻址到网络接口电路20的用户装置14之一的请求；可替换地，在分布式服务器系统中，网络接口电路20可以接收来自网络12内已经接收到用户请求的另一服务器(未示出)的请求。用户(例如，“P1”)16可以由服务器18或其它服务器(未示出)例如基于识别相应用户装置14的装置地址、用户请求内所指定的用户标识符、标识用户16的物理或网络存在的指示符等使用不同技术来识别。如果在步骤72中，用户是未知的，则处理器电路在步骤74中创建新的用户标识符条目，并且向该新的用户(访问装置14)发送默认介绍页面，该页面包括标识各个可获得网络项目的输入选项的列表(例如，诸如电影、电子商务购物、互联网消息论坛、搜索操作之类的产品和服务)。
假定在步骤72中，用户已知是被标识用户16，则服务器18(或分布式服务器系统中的另一服务器)中的处理器电路22可以在步骤76中响应于用户16的每个输入，基于相对于被呈现给标识各个可获得网络项目的用户的输入选项(即，相应用户选择输入的上下文)而识别出用户选择输入以及任意未被选择的输入选项(表示用户16忽略了这些未被选择的输入选项)，来更新用户选择偏好34。以下，将针对图4A和图4B来更详细地描述相对于被呈现给用户的上下文来识别用户选择输入。
如4A图示出被呈现给用户16的示例输入选项64以及标识各个可获得网络项目(例如，所识别的内容或有形的产品)。输入选项64可以以一个或多个网页的形式呈现给用户16，这一个或多个网页提供可由用户16购买的可获得的产品的用户菜单66。图4A中所示的用户菜单66图示出可由用户16随时间输入的多个选择66a和66b；因此，用户菜单66图示出由用户16针对不同的网络项目58进行过的多个选择66a和66b的累积。处理器电路22可以在步骤76中响应于用户16的每个输入66a和66b来更新图5中所示的用户选择偏好34，包括指示用户16对相应被选择的输入选项64具有较强的亲和度的正面的用户选择输入66a和/或指示用户16对相应被选择的输入选项64具有较弱的亲和度的负面的用户选择输入66b。因此，用户选择偏好34可以由处理器电路22在步骤76中针对每个检测到的用户输入66a来更新，以指示用户已经表示出有利亲和度(“喜欢”)的网络项目100；从前述内容显而易见，对相同或相似项目的多次请求可以引起用户选择偏好的更新，该更新可以指示对给定的网络项目58的较强的亲和度。
如图4A中所示，处理器电路22还可以通过还识别可获得网络项目58的呈现66内未被用户16选择的输入选项来确定相应用户选择输入66a或66b的上下文。因此，处理器电路22可以通过给用户选择偏好中增加标识输入选项68未被被标识用户16选择的“忽略”类别，来标识出未被用户16选择，而是被喜欢正面的选择64a或者负面的选择64b的用户16忽略的输入选项68。
图4B图示出例如可以以视频指南106的形式呈现给用户的附加输入选项64。如图4B所示，用户16可以使用遥控器14a来导航视频指南106以将特定输入选项64高亮108：响应于用户16按压选择键110来观看高亮的输入选项108，处理器电路22可以在步骤76中更新用户选择偏好34，来指示用户16已经对高亮的输入选项(例如，纪录片《罗马帝国》)108表示出积极正面亲和度100，以及识别出被用户16忽略的其它网络项目64。从图4A、图4B和图5中显而易见，基于用户16随后的输入选择，例如，响应于检测到用户按压记录键112(指示基于相应正面的用户选择输入66a的正面的亲和度100)或用户16按压删除键114(指示与由删除键114表示的负面的用户选择输入66b相应负面的亲和度102)，各种网络项目可以从被忽略的种类104移动到受欢迎的亲和度种类100或不受欢迎的亲和度种类102中。处理器22还可以基于用户请求有关给定输入选项64的附加信息116来更新用户选择偏好34。
因此，用户选择偏好34可以在图3的步骤76中响应于每个相应用户选择输入(例如，66a、66b、110、112和114)而被更新：如前所述，用户选择偏好34可以由在步骤70中接收请求的同一服务器18中的处理器电路22或由分布式服务器环境中的另一服务器(未示出)来更新。更新后的用户选择偏好34可以由服务器18中的处理器电路22(或另一分布式服务器)用来在步骤76中针对用户(“P1”)16生成项目亲和度值54，如图6所示。具体地，处理器电路22可以解析用户选择偏好34，来以项目亲和度值54的形式对用户16对给定网络项目(用项目标识符58标识)的相对“强度”进行量化，其中，较高的值指示用户16对相应项目58的较强的关系，零值指示对相应项目58没有偏好(例如，该项目已被忽略)，并且较大的负数指示用户16对相应项目58较强的讨厌。
响应于在图3的步骤76中(由相同服务器18或分布式服务器环境中的另一服务器)更新用户选择偏好34，处理器电路22可以在步骤78中针对每个相关的网络项目62(图7中示出)生成和/或更新用户亲和度值56，例如，具有相应呈现给用户的输入选项的每个网络项目。具体地，处理器电路22可以基于识别出由网络用户60指派的最高项目亲和度值54(图6中示出)的次序来识别每个网络项目62的用户亲和度值56，使得图7的每个用户亲和度值56标识相应网络用户(例如，″P362)60对相应网络项目(例如，“H”)62的相应亲和度(例如，“301”)。因此，每个用户亲和度值56基于相应用户的相应用户选择偏好34(例如，“P362”)。
图7中所示的用户亲和度值56也可以在图3的步骤78中，例如响应于所检测到的不一定表示对可获得网络项目的“请求”的用户选择输入被更新，而不一定依赖用户选择偏好34。具体地，检测到的用户选择输入可以表示用户对可获得网络项目的偏好的社交相关动作，其例如是用户对可获得网络项目的主观评级这样的形式。
用户的提供表现有关可获得网络项目的偏好(非常受欢迎或非常不受欢迎)的用户选择输入这样的社交相关动作被认为比偏好的实际值更重要。具体地，传统的协同过滤系统依赖由用户指派的实际评级来预测用户的品味。这样的用于识别与活动用户共享相同评级方式的用户的方法依赖于识别已经对相同的网络项目选择了相同评级值的用户；换而言之，传统的协同过滤系统基于识别出对相同网络项目共享相同评级值的用户来建立用户-用户关系。因此，如果用户“A”针对给定的项目“X”输入五星评级并且用户“B”也针对同一项目“X”输入五星评级，则传统的协同过滤系统会基于用户“A”和“B”两者都针对同一项目“X”输入相同评级值(五星)而在这两个用户之间建立关系。这样的协同过滤技术已被用来确定群体(即，具有类似品味的个体的群组)。固定群体(使用固定的人口数据)的示例例如由加利福尼亚州圣地哥亚的Claritas公司的ClaritasPrizm Clustering示出。
相比之下，所公开的实施例不存储评级值，所公开的实施例也不必依赖由用户指派的评级值。事实上，发明人已经发现实际的评级值在确定推荐时几乎没有什么意义(例如，归因于由甚至相同的用户在不同的时间使用的主观的和不一致的标准)。而是发明人已经发现用户对给定网络项目的兴趣(受欢迎的或负面的)的更有效和更可靠的指示是检测已经付出努力来对网络项目评级的用户。换而言之，在确定用户的兴趣时，检测针对项目的评级的存在比评级值更重要。
因此，处理器电路可以基于在图3的步骤78中响应于检测到用户选择输入而更新相应网络项目58的项目亲和度值54，将用户提供推荐的动作记录在用户选择输入中作为社交相关动作。例如，用户指定“一星评级”(表示最负面的评级)的用户选择输入可以使得处理器电路22在图3的步骤78中，在网络用户和所评级的项目之间应用负面的亲和度加权；相比之下，用户指定“五星评级”(表示最正面的评级)的用户选择输入可以使得处理器电路22在图3的步骤78中对所评级的网络项目应用正面的亲和度加权(例如，将现有的项目亲和度值54增大规定的量“+25”)；“一星评级”与“五星评级”之间的评级可以使得处理器电路22在图3的步骤78中在负面的亲和度值和正面的亲和度值之间应用非零亲和度加权(例如，通过乘以规定的量“-2”来降低有的项目亲和度值54)。因此，检测用户的最负面的评级或最正面的评级可以使得处理器电路22检测该评级作为相应具有可识别的亲和度值的正面的或负面的社交相关动作。
然而，在确定用户的兴趣时，检测在最负面的评级和最正面的评级之间的用户的中等评级固有地不可靠；因此，处理器电路22可以将中间评级检测为具有可忽略的亲和度值的社交相关动作，可忽略的亲和度值指示该社交相关动作对确定用户兴趣具有最小的影响。因此，与用户的实际评级值输入相对，处理器电路22可以评估社交相关动作的值作为用户的评级输入的结果，其中，强烈的讨厌或强烈的喜欢比中等输入更可靠和更有意义。在评级操作被执行之后，所公开的实施例不存储实际评级值，而是基于更新相应项目亲和度值54来记录在确定上下文内执行评级操作的用户的社交相关动作。
基于更新相应项目亲和度值来记录社交相关动作还使得处理器电路22能够累积用户在不同情形中评估相同项目的多个动作。因此，如果用户在三个分别的情形中提供对给定网络项目指派最高评级的用户输入(例如，在几天或几周的过程中)，则处理器电路22可以响应于每个检测到的社交相关动作来增大用户对评级的网络项目的项目亲和度值54。因此，对网络项目指派最高评级的每个社交相关动作都引起表示用户对所评级的内容的亲和度的项目亲和度值54的增大。相比之下，依赖于评级的值的传统系统将仅存储最近被输入的评级值。因此，与评级的值相对，认为评级的动作作为社交相关动作是重要的。
相对于被忽略的输入选项来累积用户的多个用户选择输入的另一示例可以是用户在之前的呈现期间反复忽略输入选项的情形之后选择该输入选项。例如，用户在五次连续的呈现上忽略输入选项，则相应项目亲和度值54可以被减少基于用户忽略该输入选项的相应负加权；然而，如果在下一连续的呈现上，用户选择了之前被忽略的输入选项，则可以对项目亲和度值54添加超过之前累积的负加权的高得多的正加权，导致净的正的项目亲和度值54。
因此，处理器电路22可以将社交相关动作识别为增大至少一个项目亲和度值(正面的社交相关动作)，减小至少一个项目亲和度值(负面的社交相关动作)，或在任意项目亲和度值中几乎不生成或不生成变化(中性的社交相关动作)。正面的社交相关动作可以例如响应于用户16创建内容，提交对内容的正面评论，对该内容提供强的正面评级(即，五星评级)或在在线社区中向另一用户或用户群组推荐该内容而被处理器22检测到。中性的社交相关动作可以例如响应于用户16(例如，以指示对该内容的中等兴趣的短暂间隔)观看该内容，或对该内容提供中性评级(例如，2-4星评级)而被处理器22检测到。负面的社交相关动作可以例如响应于用户16在多次呈现提供中反复忽略内容，对该内容提交负面评论，提供强的负面评级(例如，5星评级系统中的1星评级)，或放弃观看该内容而被处理器22检测到。
再参考图3，在更新用户选择偏好34、用户-项目关系48和/或项目-用户关系52(以及图1中所示的合适的数据库中的存储)之后，服务器18的处理器电路22可以通过在步骤80中响应于处理器电路22检测出被标识用户(“P1”)16正在访问网络而确定与用户16具有最高共享兴趣相关性的最接近网络用户(CNU)118(图8中示出)，来继续社交协同过滤38的执行。如前所述，处理器电路22可以基于网络接口电路20接收来自用户装置14的装置请求或基于网络接口电路20接收来自分布式服务器系统中的另一服务器的响应于用户请求需要推荐的指示，检测出被标识用户(“P1”)16正在访问网络。
图8更详细地图示出图3的步骤80。处理器电路22可以基于从基于各个输入选项64而被呈现给被标识用户“P1”16的可获得网络项目58中，识别出具有针对被标识用户16生成的最高相关项目亲和度值54(如图6中用用户“P1”16索引的用户-项目关系48所示)的优选网络项目(PNI)120，来确定最接近网络用户(CNU)118的群组(即，与用户16具有最高共享兴趣相关性的那些网络用户60)。如前所述，网络项目58的项目亲和度值54响应于检测到与网络项目相关联的社交相关动作(例如，用于观看项目、购买项目、提供“5星”评级的多个用户选择输入)而(例如由处理器电路22)生成和更新，但是不包括由用户提交的任意评级值。注意，优选网络项目120可以包括基于各个项目亲和度值54安排好的、被呈现给用户的所有可获得网络项目58，使得最高亲和度值项目(例如图6和图8中的“1383”)会是优选网络项目120的有序列表中的第一个，而最低亲和度值项目会在优选网络项目120的有序列表的末尾。
因此，对相应所识别用户(“P1”)16具有最高相关项目亲和度值54的优选网络项目120可以表示被标识用户(“P1”)16已经表示出最高兴趣的那些可获得网络项目58。如图3中所示，优选网络项目120可以由处理器电路22根据呈现上下文例如基于将优选网络项目120限制于与已呈现给用户的菜单66或106有关的项目来过滤(例如，基于用户已经在摄影商店的上下文内而过滤掉与摄影无关的项目)。
处理器电路22也可以在步骤80中，基于识别出基于各自的用户选择偏好34而对各个优选网络项目(PNI)120提供最高相关用户亲和度值56的那些网络用户，来识别最接近网络用户(CNU)118。例如，图8中所示的项目“I1”62在图7中其项目-用户关系条目52中包括具有最高相应用户亲和度值“301”和“297”56的网络用户“P362”、“P259”等。如图8中所示，网络用户“P362”、“P259”基于它们与优选网络项目“I1”具有最强关系而被处理器电路22添加到最接近网络用户(CNU)118的列表：处理器电路22可以基于检索到相应条目52，针对每个优选网络项目(PNI)120重复识别提供最高相关项目亲和度值的网络用户，产生具有与被标识用户(“P1”)16共有的最高共享兴趣相关性的最接近网络用户118的集合。
如图3中所示，最接近网络用户(CNU)118的列表在适当时还可以基于呈现上下文来被过滤；因此，如果呈现上下文是摄影并且用户16基于用户选择偏好34和其它关系46和48而表现出众多兴趣或爱好(例如，航海、政治、历史等等)，则处理器电路22在步骤80中可以过滤与呈现上下文无关的网络用户118，使得仅与摄影有关的网络用户118(和与用户16在航海、政治或历史方面有共同兴趣但与摄影的呈现上下文无关的其它用户相对)被接受。其它用户-用户关系46也可以作为过滤器应用。
在步骤80中确定最接近网络用户118之后，处理器电路22可以在步骤82中针对每一个最接近网络用户118，基于由各个用户118根据他们各自的用户选择偏好表现的各个项目亲和度值54(例如，各个用户-项目关系48)来确定优选网络项目。针对每个最接近网络用户118产生的优选网络项目的集合可以被过滤为仅包括还未被用户“P1”16看到的项目，产生最有可能被被标识用户“P1”16优选的新网络项目(“R”)122的集合。识别“最可能被被标识用户优选的”项目是指新项目中最有可能满足用户的兴趣(或偏好)的那些项目。因此，新网络项目122还可以称为对用户16而言最“个人感兴趣的内容”。
如果在步骤84中，初始的用户请求不包括任何网络项目选择(例如，初始装置接通)，则处理器电路22可以在步骤86中对新网络项目122的推荐执行过滤功能124：过滤功能124的示例参数可以包括已知的用户偏好，例如，在用户简档32中指定的偏好、年龄或内容约束、预定的偏好(优选早间新闻报道)、浏览历史、商业规则等。在利用过滤功能124过滤新网络项目122之后，处理器电路22可以在步骤92中向用户装置输出具有最有可能被被标识用户16优选的至少一个新网络项目(例如，“I455”)122的推荐132。如图8中所示，推荐132也可以是最有可能被用户16优选的新网络项目的优先排序列表。因此，用户16可以在步骤92中接收对基于对与被标识用户16最接近的那些网络用户118最有可能优选的网络项目122进行的社交协同过滤、而被处理器电路22确定为最有可能被被标识用户16优选的至少一个新网络项目。这些网络项目122可以基于已知用户偏好被过滤，以提供最可能被被标识用户优选的新网络项目，使得用户能够在一开始没有选择任何内容(例如，在相应用户装置14的激活之后的首个网页或首个电视节目的情况下)的情况下欣赏内容。
如果在步骤84中，处理器电路22判定步骤70中的初始用户请求包括请求选择特定网络项目(例如，“H”)的用户选择输入(例如，66a或108)，则处理器电路22可以基于由服务器18提供给被标识用户16的呈现上下文来在步骤88中实现图8的过滤器124。
图9图示出由处理器电路22通过确定与所选择的网络项目“I1”62最相关的网络项目126的群组来实现图3的步骤8中的过滤器124。具体地，处理器电路22基于识别出对所选择的可获得网络项目62(图7中示出)具有最高相关用户亲和度值56的网络用户60的群组，可以确定与所选择的可获得网络项目62最相关的网络项目128的群组；处理器电路22可以针对与所选择的项目62具有相对最高关联56的每个用户60，识别出对与所选择的项目62最相关联的每个用户60的群组具有最高相关项目亲和度值54的网络项目128。另一基于上下文的过滤器130可以在适当时被应用于网络项目128的群组(例如，项目-项目关系50)，产生与所选择的项目“H”62最相关的项目126的列表。
因此，图9中图示出的基于项目的过滤首先识别出对所选择的可获得网络项目62具有最高相关用户亲和度值56的网络用户60的群组，并且之后识别出对与所选择的项目最关联的每个用户60的群组具有最高相关项目亲和度值54的网络项目128。因此，图9中图示出的基于项目的过滤可以提供不同强度的项目之间关系。因此，图9中图示出的基于项目的过滤与传统的依赖项目间的Boolean关系的基于项目的协同过滤不同，其中，关系被表示为成对的项目之间的项目-项目矩阵确定关系(即，在一对项目之间要么存在关系要么不存在关系)。
处理器电路22还可以基于应用由相关项目126提供的呈现上下文来在步骤90中执行图8的过滤器124(例如，在个人感兴趣的内容122与相关项目126之间执行基于AND的过滤)。处理器电路22还可以在步骤90中将所选择的用户偏好134应用于过滤器124，这些偏好例如是用户简档32中指定的偏好、年龄或内容约束、预定的偏好(例如，优选早间新闻报道)、浏览历史和/或商业规则等。因此，处理器电路22可以在步骤92中输出对用户“P1”最偏好的至少一个新网络项目的推荐132。推荐132可以被实现为新网络项目的优先排序列表或显示，或被标识为最有可能被用户16偏好的单个新网络项目的呈现。因此，推荐132等同于图2的推荐36。因此，处理器电路22可以提供将最有可能被被标识用户16优选并且基于由用户16的社交相关动作40表现的用户16的个人品味被唯一地推荐的新网络项目。
根据示例实施例，社交协同过滤可以被实现来基于用户个人品味向用户提供个性化推荐，用户个人品味可以基于检测用户的社交相关动作而被被动地检测到。个性化推荐可以响应于每个检测到的用户输入而被更新，进而提供基于上下文的合适的推荐。
尽管已经结合当前被认为是执行权利要求中所指定的主题最佳实施方式描述了本公开的示例实施例，但是应当理解，这些示例实施例仅仅是说明性的，并且不限制权利要求中所指定的主题。

Claims (19)

1.一种方法，包括：
通过网络中的设备识别访问过所述网络的被标识用户的用户选择偏好，所述识别基于由所述被标识用户执行的用户选择输入的累积，所述用户选择输入是相对于被呈现给用户并标识各个可获得网络项目的输入选项累积的，所述累积包括识别未被所述被标识用户选择的输入选项；
通过所述设备响应于检测到所述被标识用户正在访问所述网络而确定具有与所述被标识用户共享的最高共享兴趣相关性的网络用户的群组，其中该确定基于：(1)从所述可获得网络项目中识别优选网络项目，所述优选网络项目具有基于所述用户选择偏好针对所述被标识用户生成的最高相关项目亲和度值；和(2)识别出基于各个用户选择偏好对所述优选网络项目中的每一个提供最高相关亲和度值的第一网络用户；以及
通过所述设备基于在未被呈现给所述被标识用户的网络项目中，基于各个用户选择偏好、为所述群组中的每个所述第一网络用户确定所述优选网络项目，来确定最有可能被所述被标识用户优选的新网络项目中的至少一个。
2.根据权利要求1所述的方法，其中，所述检测包括检测用户设备的接入请求，所述方法还包括通过所述设备向所述用户装置呈现所述新网络项目中的至少一个。
3.根据权利要求1所述的方法，还包括通过所述设备为已经访问所述网络并且包括所述被标识用户在内的每个网络用户生成对已呈现给相应网络用户的可获得网络项目的项目亲和度值，每个项目亲和度值标识基于相应用户选择偏好所述相应网络用户对相应可获得网络项目的相应亲和度。
4.根据权利要求3所述的方法，还包括通过所述设备基于针对每个网络项目识别对相应网络项目具有最高相关项目亲和度值的网络用户来识别所述用户亲和度值，每个用户亲和度值标识基于相应用户选择偏好所述相应网络用户对相应网络项目的相应亲和度。
5.根据权利要求4所述的方法，其中，确定所述网络用户的群组的步骤包括：根据所述设备相对于检测到所述被标识用户正在访问所述网络而响应于所述被标识用户的在先请求提供给所述被标识用户的呈现上下文，来过滤下述群组中的至少一个：所述优选网络项目、所述第一网络用户或所述新网络项目。
6.根据权利要求1所述的方法，其中，确定网络用户的群组的步骤包括：根据所述设备相对于检测到所述被标识用户正在访问所述网络而响应于所述被标识用户的在先请求提供给所述被标识用户的呈现上下文，来过滤下述群组中的至少一个：所述首先网络项目、所述第一网络用户或所述新网络项目。
7.根据权利要求1所述的方法，还包括：
通过所述设备基于所述用户选择偏好来过滤所述新网络项目；以及
通过所述设备来向所述被标识用户用来访问所述网络的用户装置呈现所述新网络项目中的至少一个。
8.根据权利要求1所述的方法，还包括：
通过所述设备检测所述被标识用户已选择所述可获得网络项目中的一个；
通过所述设备确定对所选择的一个可获得网络项目具有最高关联的网络项目的群组，其中该确定基于：(1)识别对所选择的一个可获得网络项目提供最高相对用户亲和度值的网络用户的第二群组，以及(2)识别对于所述网络用户的第二群组中的每个网络用户具有最高相对亲和度值的网络项目；
通过所述设备利用对所选择的一个可获得网络项目具有最高关联的网络项目过滤新网络项目，并且向所述被标识用户呈现过滤后的新网络项目。
9.根据权利要求1所述的方法，还包括：
通过所述设备响应于用户的每个输入来更新所述用户选择偏好，包括更新未被所述被标识用户选择的输入选项；以及
响应于所述输入选项未被所述被标识用户选择而减小所选项目亲和度值。
10.一种设备，包括：
网络接口电路，所述网络接口电路被配置用于确定被标识用户正在访问网络，并且作为响应，经由用于向所述被标识用户呈现的网络来输出对最有可能被所述被标识用户优选的新网络项目中的至少一个的推荐；和
处理器电路，所述处理器电路被配置用于响应于所述被标识用户访问所述网络来生成对新网络项目中的至少一个的推荐，所述处理器电路还被配置用于基于以下内容来生成对新网络项目中的至少一个的推荐：
基于由所述被标识用户执行的用户选择输入的累积来识别所述被标识用户的用户选择偏好，所述用户选择输入是对于呈现给用户并且标识各个可获得网络项目的输入选项而被累积的，所述累积包括识别未被所述被标识用户选择的输入选项；
响应于检测到所述被标识用户正在访问网络而确定与所述被标识用户共享的最高共享兴趣相关性的网络用户的群组，该确定基于：(1)从所述可获得网络项目中识别优选网络项目，所述优选网络项目具有基于所述用户选择偏好针对所述被标识用户生成的最高相关项目亲和度值和；和(2)识别出基于各个用户选择偏好对所述优选网络项目中的每一个提供最高相关亲和度值的第一网络用户；
基于在未被呈现给所述被标识用户的网络项目中，基于各个用户选择偏好、为所述群组中的每个所述第一网络用户确定所述优选网络项目，来确定最有可能被所述被标识用户优选的新网络项目中的至少一个。
11.根据权利要求10所述的设备，其中，所述处理器电路被配置用于：为已经访问所述网络并且包括所述被标识用户在内的每个网络用户生成对已呈现给相应网络用户的可获得网络项目的项目亲和度值，每个项目亲和度值标识基于相应用户选择偏好所述相应网络用户对相应可获得网络项目的相应亲和度。
12.根据权利要求11所述的设备，其中，所述处理器电路被配置用于：基于针对每个网络项目识别对相应网络项目具有最高相关项目亲和度值的网络用户来识别所述用户亲和度值，每个用户亲和度值标识基于相应用户选择偏好所述相应网络用户对相应网络项目的相应亲和度。
13.根据权利要求12所述的设备，其中，所述处理器电路被配置用于：根据所述设备相对于检测到所述被标识用户正在访问所述网络而响应于所述被标识用户的在先请求提供给所述被标识用户的呈现上下文，来过滤下述群组中的至少一个：所述优选网络项目、所述第一网络用户或所述新网络项目。
14.根据权利要求10所述的设备，其中，所述处理器电路被配置用于根据所述设备相对于检测到所述被标识用户正在访问所述网络而响应于所述被标识用户的在先请求提供给所述被标识用户的呈现上下文，来过滤下述群组中的至少一个：所述优选网络项目、所述第一网络用户或所述新网络项目。
15.根据权利要求10所述的设备，其中，所述处理器电路被配置用于基于所述用户选择偏好来过滤所述新网络项目，所述网络接口电路被配置用于将所述新网络项目输出给由所述被标识用户用来访问所述网络的用户装置。
16.根据权利要求10所述的设备，其中，所述处理器电路被配置用于：
检测所述被标识用户已选择所述可获得网络项目中的一个；
确定对所选择的一个可获得网络项目具有最高关联的网络项目的群组，其中该确定基于：(1)识别对所选择的一个可获得网络项目提供最高相对用户亲和度值的网络用户的第二群组，以及(2)识别对于所述网络用户的第二群组中的每个网络用户具有最高相对亲和度值的网络项目；
利用对所选择的一个可获得网络项目具有最高关联的网络项目过滤新网络项目，并且向所述被标识用户呈现过滤后的新网络项目。
17.根据权利要求10所述的设备，其中，所述处理器电路被配置用于：
响应于用户的每个输入来更新所述用户选择偏好，包括更新未被所述被标识用户选择的输入选项；以及
响应于所述输入选项未被所述被标识用户选择而减小所选项目亲和度值。
18.一种设备，包括：
用于确定被标识用户正在访问网络，并且作为响应，经由用于向所述被标识用户呈现的网络来输出对最有可能被所述被标识用户优选的新网络项目中的至少一个的推荐的装置；和
用于响应于所述被标识用户访问所述网络来生成对新网络项目中的至少一个的推荐的装置，用于生成的装置被配置用于基于以下内容来生成对新网络项目中的至少一个的推荐：
基于由所述被标识用户执行的用户选择输入的累积来识别所述被标识用户的用户选择偏好，所述用户选择输入是对于呈现给用户并且标识各个可获得网络项目的输入选项而被累积的，所述累积包括识别未被所述被标识用户选择的输入选项；
响应于检测到所述被标识用户正在访问网络而确定与所述被标识用户共享的最高共享兴趣相关性的网络用户的群组，该确定基于：(1)从所述可获得网络项目中识别优选网络项目，所述优选网络项目具有基于所述用户选择偏好针对所述被标识用户生成的最高相关项目亲和度值和；和(2)识别出基于各个用户选择偏好对所述优选网络项目中的每一个提供最高相关亲和度值的第一网络用户；
基于在未被呈现给所述被标识用户的网络项目中，基于各个用户选择偏好、为所述群组中的每个所述第一网络用户确定所述优选网络项目，来确定最有可能被所述被标识用户优选的新网络项目中的至少一个。
19.一种被编码到一个或多个有形介质中以用于执行的逻辑，所述逻辑当被执行时可操作用于：
通过网络中的设备识别访问过所述网络的被标识用户的用户选择偏好，所述识别基于由所述被标识用户执行的用户选择输入的累积，所述用户选择输入是相对于被呈现给用户并标识各个可获得网络项目的输入选项累积的，所述累积包括识别未被所述被标识用户选择的输入选项；
通过所述设备响应于检测到所述被标识用户正在访问所述网络而确定具有与所述被标识用户共享的最高共享兴趣相关性的网络用户的群组，其中该确定基于：(1)从所述可获得网络项目中识别优选网络项目，所述优选网络项目具有基于所述用户选择偏好针对所述被标识用户生成的最高相关项目亲和度值；和(2)识别出基于各个用户选择偏好对所述优选网络项目中的每一个提供最高相关亲和度值的第一网络用户；以及
通过所述设备基于在未被呈现给所述被标识用户的网络项目中，基于各个用户选择偏好、为所述群组中的每个所述第一网络用户确定所述优选网络项目，来确定最有可能被所述被标识用户优选的新网络项目中的至少一个。
CN2008801181859A 2007-11-29 2008-11-25 社交协同过滤 Pending CN101878482A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410706815.1A CN104462292B (zh) 2007-11-29 2008-11-25 社交协同过滤

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US11/947,298 US8566884B2 (en) 2007-11-29 2007-11-29 Socially collaborative filtering
US11/947,298 2007-11-29
PCT/US2008/084593 WO2009073455A1 (en) 2007-11-29 2008-11-25 Socially collaborative filtering

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201410706815.1A Division CN104462292B (zh) 2007-11-29 2008-11-25 社交协同过滤

Publications (1)

Publication Number Publication Date
CN101878482A true CN101878482A (zh) 2010-11-03

Family

ID=40427809

Family Applications (2)

Application Number Title Priority Date Filing Date
CN2008801181859A Pending CN101878482A (zh) 2007-11-29 2008-11-25 社交协同过滤
CN201410706815.1A Expired - Fee Related CN104462292B (zh) 2007-11-29 2008-11-25 社交协同过滤

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201410706815.1A Expired - Fee Related CN104462292B (zh) 2007-11-29 2008-11-25 社交协同过滤

Country Status (4)

Country Link
US (2) US8566884B2 (zh)
EP (1) EP2215590A1 (zh)
CN (2) CN101878482A (zh)
WO (1) WO2009073455A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012159308A1 (zh) * 2011-06-29 2012-11-29 华为技术有限公司 一种业务交叉时的项目推荐方法及系统
CN103064832A (zh) * 2011-10-18 2013-04-24 百度在线网络技术（北京）有限公司 一种用于操作多层次结构数据集合的方法与设备
CN104220960A (zh) * 2012-01-06 2014-12-17 汤姆逊许可公司 从社交发布服务通信媒体资产
CN111368202A (zh) * 2020-03-06 2020-07-03 咪咕文化科技有限公司 搜索推荐方法、装置、电子设备及存储介质

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2002366902A1 (en) * 2001-12-21 2003-07-09 Nokia Corporation Location-based novelty index value and recommendation system and method
US8549550B2 (en) 2008-09-17 2013-10-01 Tubemogul, Inc. Method and apparatus for passively monitoring online video viewing and viewer behavior
US8566884B2 (en) 2007-11-29 2013-10-22 Cisco Technology, Inc. Socially collaborative filtering
US20090171763A1 (en) * 2007-12-31 2009-07-02 Yahoo! Inc. System and method for online advertising driven by predicting user interest
US7822753B2 (en) * 2008-03-11 2010-10-26 Cyberlink Corp. Method for displaying search results in a browser interface
US8554891B2 (en) * 2008-03-20 2013-10-08 Sony Corporation Method and apparatus for providing feedback regarding digital content within a social network
US8380562B2 (en) 2008-04-25 2013-02-19 Cisco Technology, Inc. Advertisement campaign system using socially collaborative filtering
US20090271417A1 (en) * 2008-04-25 2009-10-29 John Toebes Identifying User Relationships from Situational Analysis of User Comments Made on Media Content
US8497836B2 (en) 2008-05-06 2013-07-30 Cisco Technology, Inc. Identifying user by measuring pressure of button presses on user input device
US20090328104A1 (en) * 2008-06-26 2009-12-31 At&T Delaware Intellectual Property, Inc. Methods, systems, and computer products for personalized channel services
EP2164227A1 (en) * 2008-09-15 2010-03-17 Alcatel, Lucent Providing digital assets and a network therefor
US9612995B2 (en) * 2008-09-17 2017-04-04 Adobe Systems Incorporated Video viewer targeting based on preference similarity
US20100250325A1 (en) 2009-03-24 2010-09-30 Neurofocus, Inc. Neurological profiles for market matching and stimulus presentation
US8301624B2 (en) * 2009-03-31 2012-10-30 Yahoo! Inc. Determining user preference of items based on user ratings and user features
US8555173B2 (en) 2009-05-31 2013-10-08 Linkedin Corporation Recommendation engine
US10987015B2 (en) 2009-08-24 2021-04-27 Nielsen Consumer Llc Dry electrodes for electroencephalography
US8554837B2 (en) * 2009-09-25 2013-10-08 Cisco Technology, Inc. Automatic moderation of media content by a first content provider based on detected moderation by a second content provider
US8572098B2 (en) * 2009-10-12 2013-10-29 Microsoft Corporation Client playlist generation
US20110093520A1 (en) * 2009-10-20 2011-04-21 Cisco Technology, Inc.. Automatically identifying and summarizing content published by key influencers
US9560984B2 (en) 2009-10-29 2017-02-07 The Nielsen Company (Us), Llc Analysis of controlled and automatic attention for introduction of stimulus material
US20110106750A1 (en) 2009-10-29 2011-05-05 Neurofocus, Inc. Generating ratings predictions using neuro-response data
WO2011133548A2 (en) 2010-04-19 2011-10-27 Innerscope Research, Inc. Short imagery task (sit) research method
CN102236678A (zh) * 2010-04-26 2011-11-09 腾讯科技（深圳）有限公司 一种好友动态信息管理方法、系统及好友信息管理服务器
US8655428B2 (en) 2010-05-12 2014-02-18 The Nielsen Company (Us), Llc Neuro-response data synchronization
CA2718701A1 (en) * 2010-10-29 2011-01-10 Ibm Canada Limited - Ibm Canada Limitee Using organizational awareness in locating business intelligence
US20120284332A1 (en) * 2010-11-03 2012-11-08 Anantha Pradeep Systems and methods for formatting a presentation in webpage based on neuro-response data
WO2012145931A1 (en) * 2011-04-29 2012-11-01 Nokia Corporation Method and apparatus for context-aware role modeling and recommendation
US8840013B2 (en) * 2011-12-06 2014-09-23 autoGraph, Inc. Consumer self-profiling GUI, analysis and rapid information presentation tools
US9569986B2 (en) 2012-02-27 2017-02-14 The Nielsen Company (Us), Llc System and method for gathering and analyzing biometric user feedback for use in social media and advertising applications
US9633118B2 (en) * 2012-03-13 2017-04-25 Microsoft Technology Licensing, Llc. Editorial service supporting contrasting content
US10762582B2 (en) 2012-07-19 2020-09-01 Comcast Cable Communications, Llc System and method of sharing content consumption information
US9430802B2 (en) 2013-03-14 2016-08-30 International Business Machines Corporation Method and process for collaboratively built content filtering
US9565078B1 (en) * 2013-09-06 2017-02-07 Google Inc. Recommended content traffic exchange
US9344515B2 (en) 2013-12-10 2016-05-17 Cisco Technology, Inc. Social-driven precaching of accessible objects
US20150178282A1 (en) * 2013-12-23 2015-06-25 Yahoo! Inc. Fast and dynamic targeting of users with engaging content
US9965776B2 (en) * 2013-12-30 2018-05-08 Verizon and Redbox Digital Entertainment Services, LLC Digital content recommendations based on user comments
CN103927347A (zh) * 2014-04-01 2014-07-16 复旦大学 一种基于用户行为模型和蚁群聚类的协同过滤推荐算法
CN104050258B (zh) * 2014-06-15 2017-02-15 中国传媒大学 一种基于兴趣群组的群体推荐方法
CN104615683A (zh) * 2015-01-21 2015-05-13 上海交通大学 一种具有高可扩展性的时间及位置感知的协同过滤技术
US9936250B2 (en) 2015-05-19 2018-04-03 The Nielsen Company (Us), Llc Methods and apparatus to adjust content presented to an individual
CN106991496B (zh) * 2017-03-29 2020-06-30 南京邮电大学 一种面向移动社交环境的用户行为分层关联预测方法
CN107590742B (zh) * 2017-10-16 2021-06-22 东北大学 一种基于行为的社交网络用户属性值反演方法

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5758257A (en) * 1994-11-29 1998-05-26 Herz; Frederick System and method for scheduling broadcast of and access to video programs and other data using customer profiles
AU1566597A (en) * 1995-12-27 1997-08-11 Gary B. Robinson Automated collaborative filtering in world wide web advertising
US5933827A (en) 1996-09-25 1999-08-03 International Business Machines Corporation System for identifying new web pages of interest to a user
US6064980A (en) * 1998-03-17 2000-05-16 Amazon.Com, Inc. System and methods for collaborative recommendations
US6681247B1 (en) 1999-10-18 2004-01-20 Hrl Laboratories, Llc Collaborator discovery method and system
US6697800B1 (en) 2000-05-19 2004-02-24 Roxio, Inc. System and method for determining affinity using objective and subjective data
KR100804908B1 (ko) 2000-05-30 2008-02-20 코키 우치야마 지식 서비스를 제공하는 분산 모니터링 시스템
US20020138331A1 (en) 2001-02-05 2002-09-26 Hosea Devin F. Method and system for web page personalization
US7092926B2 (en) 2001-04-06 2006-08-15 Sedna Patent Services, Llc Method and apparatus for identifying unique client users from user behavioral data
EP1288795A1 (en) 2001-08-24 2003-03-05 BRITISH TELECOMMUNICATIONS public limited company Query systems
US7222090B2 (en) 2001-08-29 2007-05-22 Sedna Patent Services, Llc Method and system for parsing purchase information from web pages
US20030106057A1 (en) 2001-12-05 2003-06-05 Predictive Networks, Inc. Television navigation program guide
US7343365B2 (en) 2002-02-20 2008-03-11 Microsoft Corporation Computer system architecture for automatic context associations
AU2003245349A1 (en) 2002-05-31 2003-12-19 Opentv, Inc Method and system for the storage, viewing management, and delivery of targeted advertising
US20040267388A1 (en) 2003-06-26 2004-12-30 Predictive Media Corporation Method and system for recording and processing of broadcast signals
US8600920B2 (en) * 2003-11-28 2013-12-03 World Assets Consulting Ag, Llc Affinity propagation in adaptive network-based systems
WO2005055102A1 (en) 2003-12-03 2005-06-16 Koninklijke Philips Electronics, N.V. Enhanced collaborative filtering technique for recommendation
US7827176B2 (en) 2004-06-30 2010-11-02 Google Inc. Methods and systems for endorsing local search results
US7590562B2 (en) 2005-06-29 2009-09-15 Google Inc. Product recommendations based on collaborative filtering of user data
US7624095B2 (en) 2005-11-15 2009-11-24 Microsoft Corporation Fast collaborative filtering through sketch function based approximations
US7895223B2 (en) 2005-11-29 2011-02-22 Cisco Technology, Inc. Generating search results based on determined relationships between data objects and user connections to identified destinations
WO2007063162A1 (en) 2005-11-30 2007-06-07 Nokia Corporation Socionymous method for collaborative filtering and an associated arrangement
US20070250500A1 (en) * 2005-12-05 2007-10-25 Collarity, Inc. Multi-directional and auto-adaptive relevance and search system and methods thereof
AU2007219997A1 (en) 2006-02-28 2007-09-07 Buzzlogic, Inc. Social analytics system and method for analyzing conversations in social media
US8738467B2 (en) 2006-03-16 2014-05-27 Microsoft Corporation Cluster-based scalable collaborative filtering
WO2008072045A2 (en) 2006-12-11 2008-06-19 Hari Prasad Sampath A method and system for personalized content delivery for wireless devices
US8392503B2 (en) 2007-06-19 2013-03-05 Cisco Technology, Inc. Reporting participant attention level to presenter during a web-based rich-media conference
US8275764B2 (en) 2007-08-24 2012-09-25 Google Inc. Recommending media programs based on media program popularity
US8566884B2 (en) 2007-11-29 2013-10-22 Cisco Technology, Inc. Socially collaborative filtering

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012159308A1 (zh) * 2011-06-29 2012-11-29 华为技术有限公司 一种业务交叉时的项目推荐方法及系统
CN103064832A (zh) * 2011-10-18 2013-04-24 百度在线网络技术（北京）有限公司 一种用于操作多层次结构数据集合的方法与设备
CN103064832B (zh) * 2011-10-18 2018-09-07 百度在线网络技术（北京）有限公司 一种用于操作多层次结构数据集合的方法与设备
CN104220960A (zh) * 2012-01-06 2014-12-17 汤姆逊许可公司 从社交发布服务通信媒体资产
CN104220960B (zh) * 2012-01-06 2017-07-07 汤姆逊许可公司 从社交发布服务通信媒体资产
US9800534B2 (en) 2012-01-06 2017-10-24 Thomson Licensing Communication of media assets from social publication services
CN111368202A (zh) * 2020-03-06 2020-07-03 咪咕文化科技有限公司 搜索推荐方法、装置、电子设备及存储介质
CN111368202B (zh) * 2020-03-06 2023-09-19 咪咕文化科技有限公司 搜索推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US8566884B2 (en) 2013-10-22
US20140081997A1 (en) 2014-03-20
US9047367B2 (en) 2015-06-02
CN104462292A (zh) 2015-03-25
WO2009073455A1 (en) 2009-06-11
EP2215590A1 (en) 2010-08-11
US20090144780A1 (en) 2009-06-04
CN104462292B (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN101878482A (zh) 社交协同过滤
US8639564B2 (en) Advertisement campaign system using socially collaborative filtering
US8914367B2 (en) Socially collaborative filtering for providing recommended content to a website for presentation to an identified user
US11190844B2 (en) Identifying related videos based on relatedness of elements tagged in the videos
CN107209776B (zh) 用于基于元数据来呈现与事件有关的信息的方法、系统和介质
US8645224B2 (en) System and method of collaborative filtering based on attribute profiling
CN101779180B (zh) 基于背景的内容推荐的方法和设备
US20170250930A1 (en) Interactive content recommendation personalization assistant
Costa-Montenegro et al. Which App? A recommender system of applications in markets: Implementation of the service for monitoring users’ interaction
Sharma et al. Evolution of recommender systems from ancient times to modern era: a survey
US20220067115A1 (en) Information processing method, apparatus, electrical device and readable storage medium
CN108648010B (zh) 用于向用户提供内容的方法、系统及相应介质
US20090271417A1 (en) Identifying User Relationships from Situational Analysis of User Comments Made on Media Content
US20120078725A1 (en) Method and system for contextual advertisement recommendation across multiple devices of content delivery
US20110145040A1 (en) Content recommendation
US20120089590A1 (en) User Preference Correlation for Web-Based Selection
Zaveri et al. AIRA: An Intelligent Recommendation Agent Application for Movies
US20140101064A1 (en) Systems and Methods for Automated Reprogramming of Displayed Content
KR20140037534A (ko) 지능형 카테고리를 이용한 에스엔에스 정보를 제공하는 방법
CN116089745A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
Zhang et al. A novel social situation analytics-based recommendation algorithm for multimedia social networks
JP2024021038A (ja) ユーザの興味嗜好に基づくドメイン間移行推薦システム
Soares et al. The semantics of movie metadata: enhancing user profiling for hybrid recommendation
US11974019B2 (en) Identifying related videos based on relatedness of elements tagged in the videos
Haq Hybrid recommender system towards user satisfaction

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20101103