CN102446330B - 内容推荐系统和方法 - Google Patents

内容推荐系统和方法 Download PDF

Info

Publication number
CN102446330B
CN102446330B CN201110339401.6A CN201110339401A CN102446330B CN 102446330 B CN102446330 B CN 102446330B CN 201110339401 A CN201110339401 A CN 201110339401A CN 102446330 B CN102446330 B CN 102446330B
Authority
CN
China
Prior art keywords
user
content item
content
grading
investigation
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.)
Active
Application number
CN201110339401.6A
Other languages
English (en)
Other versions
CN102446330A (zh
Inventor
D·德希尔
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.)
Microsoft Technology Licensing LLC
Original Assignee
Microsoft Corp
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 Microsoft Corp filed Critical Microsoft Corp
Publication of CN102446330A publication Critical patent/CN102446330A/zh
Application granted granted Critical
Publication of CN102446330B publication Critical patent/CN102446330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • 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
    • 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
    • G06Q30/0282—Rating or review of business operators or products

Landscapes

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

Abstract

本发明涉及内容推荐系统和方法。一种推荐并评级内容和/或生成内容消费者和评论者之间的确定的密切关系的系统和方法。所述方法包括确定一个或多个用户调查的内容项的评级，并为多个内容评论者的每个确定一个或多个评论者调查的内容项的评级。随后，在共同调查的内容项的用户评级和评论者评级之间执行比较。结果，建立用户和内容评论者之间的密切关系，并且为用户提供由高密切关系内容评论者产生的评论和评级。

Description

内容推荐系统和方法
技术领域
本发明涉及内容推荐系统和方法。特别是，提供一种推荐并评级内容和/或生成内容消费者和评论者之间的确定的密切关系的系统和方法。
背景技术
因特网和其它通信网络在它们提供将用户与相关内容进行连接的解决方案方面变得日益完善。尽管这样，因特网和其它网络还是构成了大量杂乱无序的信息，对于用户来说要从中标识出确保是有用的和/或感兴趣的信息还是非常困难的。存在各种解决这个问题的方法，包括协作过滤和各种社交推荐工具。
例如，许多电子商务网站使用基于用户在站点上展示的特定物品之间的浏览将备选的或补充的产品推荐给用户的功能。在许多情况下，这些推荐是基于由网站累积的购买者数据，例如示出购买了第一产品的用户还可能想要购买第二相关产品的数据。这样的方法的一个问题在于不存在一种建立给定用户将具有与网站的其他用户相类似的偏好的机制。因此，所述推荐可以是高度推测性的，并且因而，这些系统提供相关推荐给用户的能力受到了限制。
发明内容
本发明提供了一种推荐内容和/或生成内容消费者和评论者之间的确定的密切关系的系统和方法。在一个方面，本发明涉及一种用于预测用户与内容评论者的偏好的密切关系的方法。所述方法包括为用户确定一个或多个用户调查的内容项的评级。随后，对于多个内容评论者中的每个，确定一个或多个评论者调查的内容项的评级。随后，将用户调查的和评论者调查的内容项的评级进行比较，通常是对这两个调查实体之间重叠的那些内容项的评级进行比较。作为比较的结果，建立用户和内容评论者之间的密切关系。随后，对于用户正在考虑的选中项或对于用户可能感兴趣的项，为用户提供可以包括评级的由高密切关系的内容评论者所产生的推荐和/或评论。而且，提供执行各种步骤的计算系统，所述计算系统可以包括为了标识高密切关系评论者并提供高质量推荐和评级或其他评论给所述用户的上述那些步骤和/或其他步骤。
提供本发明内容以便以简化形式介绍在以下具体实施方式中进一步描述的一些概念。本发明内容并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。此外，所要求保护的主题不限于解决在本公开的任何部分中提及的任何或所有缺点的实现。
附图说明
图1是根据在此所述的示例的可在其中结合内容推荐系统和方法的示例计算系统和环境。
图2是示出密切关系的示例。
图3描述示出经调查的内容项的示例。
图4是用于生成密切关系评估并通过提供评级、其他评论和内容推荐来响应所述评估的示例方法。
具体实施方式
本发明涉及用于预测用户对电子地可访问内容项(例如视频和其他数字媒体)的兴趣并标识具有与特定用户相类似的偏好的内容评论者的系统和方法。在许多情况中，这些内容评论者的标识被用于改善提供给用户的推荐的质量。在此的许多示例中，将把用户描述为具有与例如职业电影评论家、电子商务站点的同伴购买者等在线内容评论者的密切关系。当在此使用时，“在线”仅仅意味着所标识的信息和实体是彼此通信并且电子地可访问的。因此，所述术语可以包含例如因特网等公共网络或网络集合以及私有或受管网络。实际上，“在线”关注能够让用户接收内容推荐和消费电子内容项的任意类型的系统或系统的集合。
图1描述了在其中可以使用在此描述的系统和方法的示例环境。用户可以使用例如示例性的计算系统10等计算设备来搜索并获得对可通过计算机化的通信网络12获得的内容项的访问，所述网络12可以是因特网或启用对内容项访问的另一系统/网络。
如图所示，网络12可以包括或启用对提供内容的多个内容提供者14、内容评论者16以及可用内容项的评论/评级18的访问。如在此所述，术语“评论”可以指或包括能够让用户决定他们是否对获得或消费内容项感兴趣的任意类型的信息。例如，评论可以包括内容项的书面描述(例如包含观点、评语等)或它可以包括项的评级(例如从一颗到五颗星或其他的数字或其他评估)。内容提供者14可以是内容项20的源或位置，所述内容项20可以包括经调查的项20a(如下所述)和用户感兴趣的项20b。在该所描述的示例中所关注的内容项可以是音乐或视频文件(可下载的或流传送的)、其他类型的数字媒体和/或可以使用计算机来电子地访问的任意其他类型的内容。
在第一示例中，所描述的系统可以用于预测用户对正在考虑的内容项，例如内容项20b之一，的兴趣。例如，用户可能正在考虑是否购买可流传输的电视剧集、音乐文件、播客(podcast)等。在该第一示例中，通过访问用户对一个或多个内容评论者16的密切关系来预测兴趣。具体而言，如果用户对某个内容项给予很高评级，可以认为他们赞成已经给予这些相同的项很高评级的在线内容评论者。
为了评估密切关系，在此的方法关注对内容项的调查。特别地，接收或推断对已经展示给用户的一个或多个内容项的用户评级。用户可以已经购买了这些项、已经浏览表征这些项的网页、已经购买或评论了紧密相关的项等。这些项目可被称为用户调查的项。所述经调查的项构成了使得能够知道用户的偏好的累积信息。
如上简明示出的，评级可以是明确的和/或推断的。明确评级可以包括熟悉的“星评级”系统，在其中，用户根据他们对特定内容项的观点来分配相对较多或较少数目的星。例如，用户可以给他不喜欢的内容项分配一颗星。在另一示例中，用户可以给他喜欢的内容项分配五颗星。推断评级可以是从较不明确的行为中生成的计算得到的评级。例如，用户可以展示由用户发起的展示行为，例如选择并查阅表征该项的网页、选择购买/消费紧密相关的项、所选择的查看和购买的数目和/或频率，等等。推断的强或弱取决于评论者与该类型的内容的关系，或基于该内容项与其他内容项的相关度。推断/计算得到的评级还可以根据特定行为变化。例如，当用户仅仅浏览表征该项的页面时可以分配四颗星中的三颗星。另一方面，当购买项时，推断可以生成更高的评级，例如四颗星。在另一个示例中，如果用户要购买某种构造/型号的照相机，可以认为相似的评级会附加给来自同一制造商的其他类似的照相机。在又一个示例中，如果用户对具有特定演员的电影进行明确评级，则类似的评级可以通过推断分配给具有相同演员的其他电影。在用户音乐库中，可以将更高的评级分配给已经被更多次数聆听的歌曲。又一示例是当用户观看整个视频剪辑时可以推断高的评级/兴趣。如上述示例所表明的，可以使用各种方法来生成用户调查的项的推断评级。
还可以针对多个在线内容评论者，例如评论者16，累积调查评级。当这些评论者产生对由用户调查的项的评级时，可以进行评级比较以得到用户-评论者密切关系评级。典型地，内容评论者的评级是明确的，但也可使用推断评级。例如，如果职业电影评论家一致对来自特定导演的电影评级很高，那么即使评论家没有明确地评论来自该特定导演的另一电影，也可为该另一电影附加类似的高的评级。而且，与用户一样，推断的强或弱取决于评论者与该类型的内容的关系，或基于该内容项与其他内容项的相关度。例如，可以假设与演员表成员相比较，电影的导演对于电影质量来说具有更强大的决定性。在另一方面，通过分析，可以确定特定用户实际上在特定演员存在的这个因素上赋予比其他因素更重的加权。同样，可以通过各种方法来得到推断。
在任意情况中，一旦获得所调查的项的推断/计算或明确的评级，可以将对用户和给定在线内容评论者共同的所调查的项进行比较以评估用户-评论者密切关系。在比较和得出密切关系的决定中可以使用各种方法。例如，在大量评论者数量的情况下，可以丢弃(假设零密切关系)分配不同的评级(例如较低评级)的内容评论者。在另一方法中，就在线内容评论者对调查项的评级与该用户的评级不同而言，他们的偏好将被折扣。一种可以使用的方法是均方操作，在该操作中，对分数差值应用均方计算以对分配给特定内容评论者的加权和密切关系进行折扣。例如，如果用户对项分配了四颗星，均方方法可以将两颗星的评论评级折扣得比三颗星评论评级更加深入。还有，可以理解，在一些情况中，归一化评级以适应不同的评级方案是合乎需要的(例如，提供对以五颗星尺度来评级的项和以四颗星尺度来评级的项的精确比较)。
无论如何，可以以各种方式来使用得到的密切关系。例如，在用户考虑特定感兴趣的项(例如项20b)的情况下，可为用户提供仅来自的具有非常高的用户-评论者密切关系分数的评论者的对该项的评论。在一个非限制性示例中，可为用户只提供项的两个评论，但是这两个评论将来自与已经为该用户建立的口味偏好最紧密地符合的评论者(例如职业电影评论家)。
在另一个示例中，使用该系统以对正被考虑购买、消费等的项20b的用户兴趣水平进行预测。这一预测可以涉及该项的合成评级，其中来自多个内容评论者的评级被合并成该合成评级。一个方法是使用已经在用户和已经评论/评级该项的评论者之间建立的密切关系来加权该评级。相对于先前的示例，可为用户简单地提供合成评级以取代从在线内容评论者接收实际的评论，虽然应该理解评级本身从某种意义上来说是一种“评论”。当然，可以组合这些方法，以便用户将接收合成评级和来自高密切关系的评论者的对正被考虑的项的描述评论。
图4提供了由本发明关注的示例方法的流程图描述。在方法200(图2)中，通过首先确定由用户调查的一个或多个用户调查的内容项的评级来完成用户与内容评论者的密切关系，如在202所示。如在本发明的其他部分所解释的，“经调查的”意味着用户或评论者以一种使该系统能够确定用户是喜欢还是不喜欢一数字内容项并且还可能确定偏好的强度的方式来与该项进行了交互。例如，评级一组歌曲意味着用户已经调查了这些歌曲。完整地观看视频也可以被认为是对视频的一种“调查”，因为它使得该系统能够假设用户喜欢该视频。继续图4，在204，为多个内容评论者的每个确定一个或多个评论者调查的内容项的评级。如前所述，在步骤202和204中的评级可以是明确的或推断的。随后，在206和208，将对共同调查的内容项的用户评级和评论者评级进行比较以确定用户-评论者密切关系。当然，这些步骤可以是迭代的以考虑多个用户和多个评论者情况。最后，对于用户正考虑的选中项，可为用户提供来自高密切关系的在线内容评论者或相对高密切关系的在线内容评论者(具有比其他在线内容评论者更高的密切关系)的对正在考虑的项的选中评论，如在210和212所示。另外地或替换地，该方法还可以包括为用户提供正在考虑的项的评级，如在212所示。方法还可以包括向用户提供高质量推荐，并且不局限于提供已经由用户评论或浏览的项的评估。如上所述，这样的评级可以从来自多个评论者的评级来生成，和/或可以是使用用户-评论者密切关系的加权来生成的合成评级。
在某些实施例中，以上所描述的方法和过程可应用于包括一个或多个计算机的计算系统。特别是，此处描述的方法和过程可被实现为计算机应用、计算机服务、计算机API、计算机库和/或其他计算机程序产品。应当理解，可使用基本上任何计算机架构而不背离本公开的范围。在不同的实施例中，计算设备10(图1)可以采取大型计算机、服务器计算机、台式计算机、膝上型计算机、平板计算机、家庭娱乐计算机、网络计算设备、移动计算设备、移动通信设备、游戏设备等等的形式。
计算系统10包括逻辑子系统10a和数据保持子系统10b。计算系统10可以任选地包括显示子系统10c、通信子系统(未示出)和/或在图1中未示出的其他组件。计算系统10还可以任选地包括诸如下列用户输入设备：例如键盘、鼠标、游戏控制器、相机、话筒和/或触摸屏等等。
逻辑子系统10a包括被配置成执行一个或多个指令的一个或多个物理设备，例如包含在数据保持子系统10b中的被配置成如在图2的示例性方法所述确定评级并计算密切关系的指令。例如，逻辑子系统可被配置为执行一个或多个指令，该一个或多个指令是一个或多个应用程序、服务、程序、例程、库、对象、组件、数据结构、或其它逻辑构造的部分。可实现此类指令以执行任务、实现数据类型、变换一个或多个设备的状态、或以其它方式得到所需结果。
数据保持子系统10b可包括一个或多个物理、非瞬时设备，这些设备被配置成保持数据和/或可由该逻辑子系统执行的指令，以实现此处描述的方法和过程。在实现这样的方法和过程时，可以变换数据保持子系统10b的状态(例如，以保持不同数据)。
数据保持子系统10b可以包括可移动介质和/或内置设备。数据保持子系统10b可包括光学存储设备(例如，CD、DVD、HD-DVD、蓝光光盘等)、半导体存储器设备(例如，RAM、EPROM、EEPROM等)、和/或磁存储器设备(例如，硬盘驱动器、软盘驱动器、磁带驱动器、MRAM等)等。数据保持子系统10b可以包括具有以下特性中的一个或多个特性的设备：易失性、非易失性、动态、静态、读/写、只读、随机存取、顺序存取、位置可寻址、文件可寻址、以及内容可寻址。在某些实施例中，可以将逻辑子系统10a和数据保持子系统10b集成到一个或多个常见设备中，如专用集成电路或片上系统。
术语“模块”、“程序”和“引擎”可用于描述被实现以执行一个或更多个具体功能的计算系统10的一方面。在某些情况下，可以通过执行由数据保持子系统10b所保持的指令的逻辑子系统10a来实例化这样的模块、程序或引擎。应当理解，可以从同一应用、服务、代码块、对象、库、例程、API、函数等来实例化不同的模块、程序和/或引擎。同样，可以由不同的应用、服务、代码块、对象、例程、API、函数等来实例化同一模块、程序和/或引擎。术语“模块”、“程序”和“引擎”意在涵盖单个或成组的可执行文件、数据文件、库、驱动程序、脚本、数据库纪录等。
当被包括时，显示子系统10c可用于呈现由数据保持子系统10b所保持的数据的可视表示。由于此处所描述的方法和过程改变了由数据保存子系统保存的数据，并由此转变了数据保存子系统的状态，因此同样可以转变显示子系统10c的状态以可视地表示底层数据中的改变。显示子系统10c可以包括使用实际上任何类型的技术的一个或多个显示设备。可将此类显示设备与逻辑子系统10a和/或数据保持子系统10b结合在共享外壳内，或此类显示设备可以是外围显示设备。
当被包括时，通信子系统可以被配置成与具有一个或多个其他计算设备，例如存储内容项和在线评论或允许对内容项和在线评论的访问的设备，的计算系统10通信耦合。通信子系统可包括与一个或多个不同的通信协议相兼容的有线和/或无线通信设备。作为非限制性示例，该通信子系统可以被配置成经由无线电话网、无线局域网、有线局域网、无线广域网、有线广域网等进行通信。在一些实施例中，该通信子系统可允许计算系统10经由网络(比如因特网)向其他设备发送消息和/或从其他设备接收消息。
应该理解，此处所述的配置和/或方法在本质上是示例性的，且这些具体实施例或示例不是局限性的，因为多个变体是可能。还有，在此的示例系统和方法不能被解释为是对解决特定问题或难题的方法和系统的限制。此处所述的具体例程或方法可表示任何数量的处理策略中的一个或更多个。由此，所示出的各个动作可以按所示顺序执行、按其他顺序执行、并行地执行、或者在某些情况下省略。同样，可以改变上述过程的次序。
本发明的主题包括各种过程、系统和配置的所有新颖和非显而易见的组合和子组合、和此处所公开的其他特征、功能、动作、和/或特性、以及其任何和全部等效物。

Claims (20)

1.一种预测用户与内容评论者(16)的偏好的密切关系的方法(200)，所述内容评论者的评论(18)可通过计算机化通信网络(12)访问，所述方法包括：
为用户确定(202)一个或多个用户调查的内容项(20a)的评级(18)；
对于多个内容评论者(16)中的每个，确定(204)一个或多个评论者调查的内容项(20a)的评级；
对于一个或多个共同调查的内容项(20a)，将所述一个或多个用户调查的内容项(20a)的评级(16)与所述一个或多个评论者调查的内容项(20a)的评级(18)进行比较；
基于所述比较步骤，确定(210)所述用户与所述多个内容评论者(16)中的每个的密切关系；
对于正被所述用户考虑的或可以作为给所述用户的潜在推荐的感兴趣的选中项(20)，为所述用户提供(212)来自所述多个内容评论者(16)中的所选数目的内容评论者的评论(18)，所选数目的内容评论者(16)被确定为具有与所述用户的相对高的或最高密切关系。
2.如权利要求1所述的方法，其特征在于，确定所述用户与所述多个内容评论者的每个的密切关系包括在所述一个或多个共同调查的内容项上执行均方操作。
3.如权利要求1所述的方法，其特征在于，对于所述多个内容评论者的每个，所述比较包括对所述一个或多个共同调查的内容项的归一化评级的比较。
4.如权利要求3所述的方法，其特征在于，对于所述内容评论者中的每个，所述比较包括对所述一个或多个共同调查的内容项上执行均方操作。
5.如权利要求1所述的方法，其特征在于，进一步包括向所述用户提供正被所述用户考虑的或可以作为给所述用户的潜在推荐的感兴趣的所述选中内容项的合成评级，其中使用已经评论了正被考虑的所述选中项的所述内容评论者中的一个或多个的经密切关系加权的评级来生成所述合成评级。
6.如权利要求1所述的方法，其特征在于，所述为所述用户确定一个或多个用户调查的内容项的评级包括在缺少明确用户评级的情况下推断所述一个或多个用户调查的内容项的评级。
7.如权利要求6所述的方法，其特征在于，所述推断是响应于对所述一个或多个用户调查的内容项的用户发起的展示来执行的。
8.如权利要求1所述的方法，其特征在于，正被所述用户考虑的所述选中的内容项是数字媒体项。
9.一种被配置成预测用户与内容评论者(16)的偏好的密切关系的方法，所述内容评论者的评论(18)可通过计算机化通信网络(12)访问，所述方法包括：
为所述计算系统(10)的用户确定一个或多个用户调查的内容项(20a)的评级(18)；
对于多个内容评论者(16)中的每个，通过与所述计算机化通信网络(12)的交互来获得一个或多个评论者调查的内容项(20a)的评级(18)；
对于一个或多个共同调查的内容项(20a)，将所述一个或多个用户调查的内容项(20a)的评级(16)与这样的内容评论者(16)的该一个或多个评论者调查的内容项(20a)的评级(18)进行比较；
基于所述比较步骤，确定所述用户与所述多个内容评论者(16)的每个的密切关系，其中这样的密切关系确定是使用对所述一个或多个共同调查的内容项(20a)的均方根操作来执行的；以及
对于正被所述用户考虑的或将推荐给所述用户的选中的内容项(20)并基于所述用户和所述多个内容评论者(16)之间的所述密切关系来从所述多个内容评论者(16)中的所选择的一些内容评论者中获得所选中的内容项(20)的评论，其中所述选择是基于所述用户和所述内容评论者(16)之间的密切关系的。
10.如权利要求9所述的方法，其特征在于，进一步包括向所述用户提供正被所述用户考虑的或将推荐给所述用户的所述选中内容项的合成评级，其中所述合成评级是使用已经评论了正被考虑的所述选中内容项的内容评论者中的一个或多个的经密切关系加权的评级来生成的。
11.如权利要求9所述的方法，其特征在于，对于所述内容评论者的每个，所述比较包括对所述一个或多个共同调查的内容项的归一化评级的比较。
12.如权利要求9所述的方法，其特征在于，所述为用户确定一个或多个用户调查的内容项的评级包括在缺少明确用户评级的情况下推断所述一个或多个用户调查的内容项的评级。
13.如权利要求12所述的方法，其特征在于，所述推断是响应于对所述一个或多个用户调查的内容项的用户发起的展示来执行的。
14.如权利要求12所述的方法，其特征在于，所述推断是响应于评估用户与所选内容项之间的关系或两个不同的所选内容项之间的关系来执行的。
15.一种预测用户对可经由计算机化通信网络访问的内容项的兴趣的方法，包括：
为用户确定一个或多个用户调查的内容项的评级；
对于多个内容评论者中的每个，确定一个或多个评论者调查的内容项的评级；
对于一个或多个共同调查的内容项，将所述一个或多个用户调查的项的评级与这样的内容评论者的该一个或多个评论者调查的项的评级进行比较；以及
基于所述比较步骤，确定所述用户与所述多个内容评论者的每个的密切关系，其中这样的密切关系确定是使用对所述一个或多个共同调查的内容项的均方根操作来执行的；以及
使用所述用户与所述多个内容评论者之间的密切关系来向所述用户推荐所选内容项。
16.如权利要求15所述的方法，其特征在于，向所述用户推荐所选内容项包括使用合成评级，所述合成评级是使用来自所述多个内容评论者中的被确定了与所述用户的密切关系的一个或多个的、该所选内容项的经密切关系加权的评级来获得的。
17.如权利要求16所述的方法，其特征在于，对于所述内容评论者的每个，所述比较包括对所述一个或多个共同调查的内容项的归一化评级的比较。
18.如权利要求16所述的方法，其特征在于，所述为用户确定一个或多个用户调查的内容项的评级包括在缺少明确用户评级的情况下推断所述一个或多个用户调查的内容项的评级。
19.如权利要求18所述的方法，其特征在于，所述推断是响应于对所述一个或多个用户调查的内容项的用户发起的展示来执行的。
20.如权利要求18所述的方法，其特征在于，所述推断是响应于用户与所选内容项之间的关联或该所选内容项与另一所选内容项之间的关联来执行的。
CN201110339401.6A 2010-10-25 2011-10-24 内容推荐系统和方法 Active CN102446330B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US12/911,671 US9256886B2 (en) 2010-10-25 2010-10-25 Content recommendation system and method
US12/911,671 2010-10-25

Publications (2)

Publication Number Publication Date
CN102446330A CN102446330A (zh) 2012-05-09
CN102446330B true CN102446330B (zh) 2015-04-08

Family

ID=45973853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110339401.6A Active CN102446330B (zh) 2010-10-25 2011-10-24 内容推荐系统和方法

Country Status (2)

Country Link
US (1) US9256886B2 (zh)
CN (1) CN102446330B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9338215B2 (en) 2011-03-14 2016-05-10 Slangwho, Inc. Search engine
JP2013088994A (ja) * 2011-10-18 2013-05-13 Sony Corp 情報処理装置、サーバ、情報処理システム、および情報処理方法
CN102800006B (zh) * 2012-07-23 2016-09-14 姚明东 基于客户购物意图挖掘的实时商品推荐方法
US9594756B2 (en) * 2013-03-15 2017-03-14 HCL America Inc. Automated ranking of contributors to a knowledge base
US9473444B2 (en) * 2013-04-10 2016-10-18 Google Inc. Content sharing platform playlists and subscriptions based on user history
US9684656B2 (en) * 2013-07-31 2017-06-20 Google Inc. Creating personalized and continuous playlists for a content sharing platform based on user history
CA2880658A1 (en) * 2014-01-30 2015-07-30 Prabaharan Sivashanmugam Adaptive social media scoring model with reviewer influence alignment
US10360600B1 (en) * 2014-06-15 2019-07-23 Peter Polson Big tree method and system for verifying user reviews
US20160189173A1 (en) * 2014-12-30 2016-06-30 The Nielsen Company (Us), Llc Methods and apparatus to predict attitudes of consumers
US9621955B2 (en) * 2014-12-31 2017-04-11 Google Inc. Identifying media channels that have a high likelihood of multiple consumptions by one or more users
WO2018195533A1 (en) * 2017-04-21 2018-10-25 Tnawtf Inc. Improved system and method of distributed marketing and commerce through social media communications
US20190278818A1 (en) * 2018-03-06 2019-09-12 Mudpie, Sa De Cv User created content referral and search
US11263179B2 (en) 2018-06-15 2022-03-01 Microsoft Technology Licensing, Llc System for collaborative editing based on document evaluation
US11436292B2 (en) 2018-08-23 2022-09-06 Newsplug, Inc. Geographic location based feed
US11301458B2 (en) 2018-11-30 2022-04-12 Microsoft Technology Licensing, Llc Automated content generation
CN109934497A (zh) * 2019-03-14 2019-06-25 百度在线网络技术（北京）有限公司 餐馆或菜品评价方法、装置、服务器和计算机可读介质
US20210150604A1 (en) * 2019-11-15 2021-05-20 Shopify Inc. Systems and methods for customization of reviews

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7428496B1 (en) * 2001-04-24 2008-09-23 Amazon.Com, Inc. Creating an incentive to author useful item reviews
CN101506795A (zh) * 2005-06-20 2009-08-12 微软公司 向用户提供基于社区的媒体项评级

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7617127B2 (en) * 2000-04-28 2009-11-10 Netflix, Inc. Approach for estimating user ratings of items
US7206775B2 (en) 2000-07-06 2007-04-17 Microsoft Corporation System and methods for the automatic transmission of new, high affinity media
US20090018918A1 (en) * 2004-11-04 2009-01-15 Manyworlds Inc. Influence-based Social Network Advertising
US20070294127A1 (en) 2004-08-05 2007-12-20 Viewscore Ltd System and method for ranking and recommending products or services by parsing natural-language text and converting it into numerical scores
US7818350B2 (en) 2005-02-28 2010-10-19 Yahoo! Inc. System and method for creating a collaborative playlist
WO2006130985A1 (en) 2005-06-08 2006-12-14 Ian Tzeung Huang Internet search engine results ranking based on critic and user ratings
US20070168354A1 (en) 2005-11-01 2007-07-19 Jorey Ramer Combined algorithmic and editorial-reviewed mobile content search results
US20100198773A1 (en) 2006-11-06 2010-08-05 Promethean Ventures, Llc System and method of using movie taste for compatibility matching
US8200663B2 (en) * 2007-04-25 2012-06-12 Chacha Search, Inc. Method and system for improvement of relevance of search results
US7734641B2 (en) 2007-05-25 2010-06-08 Peerset, Inc. Recommendation systems and methods using interest correlation
US7895202B2 (en) * 2007-09-07 2011-02-22 Tambar Arts Ltd. Quality filter for the internet
US8019707B2 (en) * 2007-09-20 2011-09-13 Deutsche Telekom Ag Interactive hybrid recommender system
US20090119258A1 (en) * 2007-11-05 2009-05-07 William Petty System and method for content ranking and reviewer selection
US8364685B2 (en) * 2007-12-27 2013-01-29 Yahoo! Inc. System and method for annotation and ranking of reviews personalized to prior user experience

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7428496B1 (en) * 2001-04-24 2008-09-23 Amazon.Com, Inc. Creating an incentive to author useful item reviews
CN101506795A (zh) * 2005-06-20 2009-08-12 微软公司 向用户提供基于社区的媒体项评级

Also Published As

Publication number Publication date
CN102446330A (zh) 2012-05-09
US20120102048A1 (en) 2012-04-26
US9256886B2 (en) 2016-02-09

Similar Documents

Publication Publication Date Title
CN102446330B (zh) 内容推荐系统和方法
JP5307787B2 (ja) デジタルコンテンツのパーソナライズされた事前ローディング
Ghose et al. Examining the impact of ranking on consumer behavior and search engine revenue
US10304116B2 (en) System and method for targeting content based on filter activity
US9591089B2 (en) Content preview generation using social network analysis
Van der Vlist et al. How partners mediate platform power: Mapping business and data partnerships in the social media ecosystem
US8301484B1 (en) Generating item recommendations
US8290823B1 (en) Customers mention
US8296291B1 (en) Surfacing related user-provided content
US9009082B1 (en) Assessing user-supplied evaluations
US10546309B2 (en) Computer processes for predicting media item popularity
Marshall Do people value recorded music?
Morris Making music behave: Metadata and the digital music commodity
US9275409B2 (en) Method, medium, and system for building a product finder
US20130282611A1 (en) System and methods for providing user generated video reviews
US9639848B1 (en) Diffusion prediction based on indicator scoring
Mukherjee et al. Modeling multichannel home video demand in the US motion picture industry
US10366433B2 (en) Methods and systems for usage based content search results
McKie et al. How do consumers choose between multiple product generations and conditions? An empirical study of iPad sales on eBay
JP5365948B1 (ja) コンテンツ販売システムとその方法
US20140351096A1 (en) Techniques for facilitating acquisition and exchange of ebook and other digital content via a computer network
CN110648167A (zh) 对于用户生成的游戏内容的微支付补偿
Cabral et al. Cross‐selling in the US home video industry
Rogers et al. Understanding innovation in communication industries through alternative economic theories: The case of the music industry
US20140258313A1 (en) Musiqo quality score

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
ASS Succession or assignment of patent right

Owner name: MICROSOFT TECHNOLOGY LICENSING LLC

Free format text: FORMER OWNER: MICROSOFT CORP.

Effective date: 20150729

C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20150729

Address after: Washington State

Patentee after: Micro soft technique license Co., Ltd

Address before: Washington State

Patentee before: Microsoft Corp.