CN102622404A - 与组相关联的内容推荐 - Google Patents

Abstract

本发明涉及与组相关联的内容推荐。提供了生成对用户组的内容推荐的方法。该方法包括建立组，确定与组相关联的特性，其中这样的特性包括独立于组成员的个人偏好的任何合并、交叉或其他组合的偏好，并基于与组相关联的特性将内容推荐提供给组。

Description

与组相关联的内容推荐

技术领域

本发明涉及网络应用，尤其涉及内容推荐。

背景技术

因特网淹没在用于推荐内容的各解决方案中。当在线购买一本书时，向购买者提示购买同一作者的其他书的建议。下载特定的歌曲产生购买同样喜欢该特定歌曲的其他用户所购买的内容的建议。对于这一服务的承办商而言，这看似没有尽头，但所有的解决方案都在某一方面聚焦于个人品味并排除可能以特殊化的方式产生的关于组交互的品味。

发明内容

由此，公开了一种推荐系统和方法，其中响应于与组相关联的偏好来提出可消费项的推荐，其中个人消费习惯和品味可起作用，但在许多情况下，这些偏好超越并且独立于个人偏好或该组中的用户的其他已知和/或推断的特性的合并、交叉或其他组合中的任一个。

提供本发明内容以便以简化形式介绍将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，所请求保护的主题不限于解决在本公开的任一部分中提及的任何或所有缺点的实现。

附图说明

图1示意性地描绘了用于生成和提供与组相关联的内容推荐的计算系统。

图2描绘了一种提供与组相关联的内容推荐的示例性方法。

图3描绘了一种将用户组织成各组的示例性方法，所述各组的与组相关联的特性和/或偏好用于为该组提供推荐。

图4描绘了用于图3中描绘的方法的实现场景。

具体实施方式

此处的讨论涉及与组相关联的身份和内容、可消费项、活动和/或体验推荐。如上所指示的，在许多情况下，组的身份将脱离各个组用户的品味的任何并集或交集。具体地，当人们在一组中被聚集在一起时，他们感兴趣的内容或活动的类型变得动态得多且可变得多，并且作为这种可变性的结果，不仅对个人的已知偏好执行分析，还将以下信息考虑在内：已知偏好、传记信息、观察到的习惯、具体输入的信息、或实际上可获得的关于组成员的任何合适的信息源。以此方式，可作出对内容、活动和/或体验的合适推荐。

图1描绘了用于建立组身份并使用这些身份来生成推荐内容和/或与组身份或上下文相关联的被推荐的可消费项、活动和/或体验的系统100。可以理解，内容可包括任何数字媒体(例如，游戏、电影、音乐、电子书、提醒、视频聊天)和/或其他应用。

在许多示例中，使用诸如设备110之类的一个或多个通用计算机来实现各系统和方法。设备110包括处理器子系统110a、数据保持子系统110b和显示子系统110c。处理器子系统110a与数据保持子系统110b操作耦合。

当本讨论指代方法时，将假定这种指代是结合可通过可被存储(例如，包含)在数据保持子系统110b中并由处理器子系统110a执行和实例化的指令来执行的一系列步骤或操作来作出的。

这些指令可被配置为执行各个步骤，这些步骤中的某些可对应于以下图1中的数据保持子系统110b和处理器子系统110a中示出的一个或多个结构。具体地，系统100可包括分组引擎120。分组引擎120可操作用于便于组130的建立。组是两个或更多个用户的集合。对于个人用户，在即使只有单个成员被认证为在场的情况下系统仍将组标识为活动的或在场的意义上，组定义同样适用。

在第一示例中，对应于显式的组形成，个人或个人组共同声明要形成或加入组的期望。例如，社交网络可向人们呈现肯定地且显式地形成各组的各种机会。

在第二示例中，通过各种方法来有机地生成各组。例如，要形成组的期望可以像一起在利用处于适当位置的系统来标识个人的同一个房间内(例如，视觉子系统160、语音识别系统、RFID或某一其他基于计算机的认证)一样的隐式。随后，基于在交互期间谁在场，系统可生成组身份并将该身份与一上下文相关联，该上下文与特定内容项或特定类型的内容项的消费强相关，所述特定内容项或特定类型的内容项与各个人上下文相关，所述各个人与整个一组上下文相关。例如，一组正一起在周日下午消费内容。所有的成员都是男性并且住在华盛顿西部。该组向系统提供它想要观看体育的指示。由此，该系统将该组的特性考虑在内以推荐活动，这些特性包括人口统计、位置、时间/日期以及该组提供的活动指示。作为特定示例，该系统确定

在那一天的该时间期间正在播放足球比赛，并且基于该组的特性而推荐该内容优于其他内容。

此外，系统能够在组活动期间通知组中的改变或对组中的改变作出反应。例如，在包括视觉子系统160的实现中，包括母亲、父亲和孩子的一“家庭”组可基于身体类型标识等(或通过活动登录过程)被视觉子系统160标识。该系统基于“家庭”组的经分析的特性来推荐家庭内容(例如，动画电影)。在家庭内容的消费期间，视觉子系统160识别出孩子离开了活动(例如，离开了房间去睡觉)，且该系统确定组的特性已经从“家庭”组改变为包括母亲和父亲的“成人”组。由此，该系统可通知成人组这一改变和/或基于新的组的特性来推荐不同的活动。例如，该系统可推荐包括适合成年人观众的内容的电影。注意，该系统可被配置为以任何合适的方式对组中的改变作出反应。

在许多情况下，内容推荐和组身份/上下文变得与偏好列表相关联，或者与在过去的消费期间特别令人满意的内容项相关联。例如，用户A可具有最喜爱的歌曲的播放列表，而用户B也可具有最喜爱的歌曲的播放列表。所以组偏好列表也可包括简单地将他们两者的播放列表的内容进行组合的列表。此外，播放列表的合并可涉及共同品味的交集。然而，这样的方案排除了只有当两个用户在一起时和/或在交互期间在相似的组中时(无论是亲自还是在线)才可能产生的特殊化偏好的可能性。

因此，该系统可操作用于或特别地或显式地生成关于数字内容项的与组相关联的特性和/或偏好，或者用于通过随着时间调节针对总体改进的结果的各种反馈机制来学习这些偏好。具体地，该系统不仅合并每一用户的已知或预定义偏好，该系统还另选地或另外地分析该组的各种各样的特性以建议这些用户作为个人不一定具有的共享品味。例如，Jack和Paul总是一起观看

棒球，但他们从来不单独观看。该系统可分析每一用户的消费行为以及该组的特性以仅在Jack和Paul一起在一组中消费内容时推荐

比赛以供观看。

作为另一示例，丈夫仅与他的妻子一起观看浪漫喜剧。“夫妻”组的偏好可包括浪漫喜剧，而“丈夫”组的偏好显式地排除(或经由观看行为隐式地排除)浪漫喜剧。由此，将存在不是个人偏好而是组偏好的一部分的内容。作为另一示例，在包括孩子的组场景中，父母消费他们的孩子的内容。然而，孩子的内容将不是父母的内容(或体验)的个人偏好。作为又一示例，Joe和Bob在一起听音乐。Joe是Springsteen的狂热爱好者，而Bob仅听过Elton John。在他们的偏好中不存在交集，但基于对音乐的节奏和旋律的分析，他们可一起欣赏The Killers。

作为又一示例，Paul和Tony玩大量的在线游戏，且两者都是滑雪的狂热爱好者，并且喜欢在社交网络上讨论民主政治。他们一起观看某一电视。该系统知道在十一月的周一下午6点Paul和Tony总是在该时隙期间观看美式足球，而不是试图找出三个已知偏好中的某一公共点。

作为又一示例，没有很深的偏好历史的家庭组(2个40多岁的成人+2个青少年)在星期二晚上聚在一起观看电视。该系统浏览可用的视频内容并基于与组相关联的偏好(例如，黄金时段节目、排除NC17或M评级的节目、按流行度排名的节目、非以孩子或体育为中心的节目等)来向该组建议最有可能的内容以产生诸如情景喜剧之类的推荐。为进一步详细说明，家庭组由适合相同的一般人口统计参数或具有相似特性的另一用户加入，并且作为响应，该系统提供弹出指示器，以请求该组是否希望继续当前的活动还是基于新的组来确定新一轮的偏好。作为一替换示例，家庭组由具有不同人口统计或特性的另一用户(例如，年纪较轻的孩子)加入，并且作为响应，该系统用遮蔽屏来暂停视频回放，并提供弹出指示器，以请求是否要继续当前的内容，或是否需要基于为该另一用户调整的特性来开始新一轮的推荐。

在某些实现中，该系统可基于在物理上处于同一空间的一组用户的与组相关联的特性或偏好来提供推荐以消费同一内容或参与同一活动。在某些实现中，该系统可基于彼此远离的一组的与组相关联的特性或偏好来提供推荐，该组将从不同位置同步地共享内容的观看。在这些场景中，该系统可提供各种在线方模式元件以确定该组的偏好和/或特性以及同步由该组共享的内容或活动或体验。

在许多情况下，提供一种用于确定用户何时在场以及标识哪些用户在交互中在场的机制将是合乎需要的。具体地，系统100可包括被配置为确定具体用户的在场的认证模块140。认证模块140的一种实现涉及作为具体登录过程的结果来标识用户。在另一示例中，认证模块140与视觉子系统160耦合，视觉子系统160被配置为光学地检测或以其他方式使用机器视觉来检测用户的在场。除了基于光学元件的视觉系统或作为其代替，可采用自动检测的其他方法，诸如音频检测(例如，语音识别)。甚至向用户界面提供学习机制，借由该机制可仅仅通过观察用户与设备110的交互来认证用户(例如，通过检测特性移动、节奏、压力或与键击相关联的其他属性等)。

上述认证方法和示例不仅可用于检测用户的在场(并因此组的在场和/或上下文的存在性)还用于有机地集合用户组。例如，如果用户A、B和C被检测为在一起超过一个场合，该系统可从中推断一组并使用该组的消费行为来开始累积与该组相关联的偏好。另选地或另外地，此处描述的各方法和系统可包括或可操作用于对未知的或有限知识的用户执行分析，并作出关于未知或客用户的特性或属性的明智选择，并且在为包括客用户的组提供推荐时将这些特性考虑在内。例如，该系统可识别出组中的8个人中的2个人在场，并且可提供更通用的推荐而非仅仅提供专用于这2个所标识的人的项。作为另一示例，该系统可经由视觉子系统160基于图像分析来识别出组中的镜子的在场，并且可基于所假定的镜子的在场来特制推荐。

一般地，可以理解，系统100的各方面可响应于显式输入和/或响应于有机学习函数来操作。例如，如先前所指示的，组可显式地形成或有机地形成(例如，基于对组的即时分析作出的关于组的假定来提供推荐)。另外，如在他处所说明的，推荐可作为显式用户输入(例如，对特定歌曲的肯定的“拇指向上”)的结果或者响应于通过观察消费行为的有机学习来产生。在许多情况下，显式输入将经由用户界面(UI)170被接收到系统中。例如，UI元件120a、140a和150a可用于将输入应用于分组引擎120、认证模块140和推荐引擎150。

可用各种方法来执行组标识。许多标识方法涉及所标识的用户是多个组/上下文的成员的情形。在这种情况下，假定用户是唯一在场的用户，则系统可基于该用户进入特定上下文的频率来确定组。例如，如果用户最常出现在与其他三个朋友玩特定类型的视频游戏的组中，则系统100可推断这是在只有该用户在场时调用的合适的组和偏好，尽管该用户可属于多个其他组。

在另一示例中，假定用户A和用户B属于多个不同的组。如果这些组中的一个仅包括两个用户，而其他组不仅仅包含这两个用户，可推断只有当这两个用户在场时最小的组才是要调用的组。

在另一示例中，假定相对较大数量的用户属于一组，该组定期地远程在线集合以玩特定的在线游戏。进一步假定这些用户中的小的子集在线聚集以讨论他们阅读过的书。再进一步假定，读书俱乐部成员之一几乎一直在线参与读书俱乐部，但几乎很少玩在线游戏。随后可以假定，当该小子集远程地在线聚集时，可能是出于读书俱乐部，因为该子集的成员之一几乎不玩在线游戏，尽管他们是该组的成员。从此处描述的方法中，可以理解，可使用任何数量的方法来解决这种有歧义的情形。以上是非限制性的示例。

在这，可实现各系统和方法来认证未标识的用户。例如，如果组的5个成员中的4个已被标识且第5个未标识的人在场(例如，如深度相机所检测的)，则在某些实现中，可以推定该未标识的人实际上是该组的第5个成员。此外，在某些情况下，该系统将第5各成员可能代入的任何潜在的约束考虑在内。例如，4个人的组可具有与5个人的组不同的年龄问题(例如，第5个成员可能是孩子)，且系统可在识别出第5各成员时阻塞特定内容。在某些情况下，随着组中的未被识别的用户数量的增加，对特定组内容的推荐向后减弱为对更通用内容的推荐。

如上所指示的，各种类型的内容、消费项、活动和/或体验推荐可变得与组/上下文相关联。在一个示例中，响应于一个或多个组成员通过提供某些内容是合乎需要的评级或其他指示来“播种”推荐函数来提供内容推荐。基于对相似内容的标识，或对该内容的消费者偏爱的已经被该组评级以其他方式被指示为对该组是合乎需要的其他内容的标识，推荐随后可继续。在某些实现中，在存在关于一个用户比组的其他用户更多的播种信息的场景中，推荐可基于这样的信息。在某些实现中，推荐可跨多个所涉及的用户而减弱，以使得一个用户的偏好并非简单地占支配地位，因为系统知道关于该用户的多于该组的其他用户的信息。

除了播种或作为其替代，可随着时间观察组消费行为，随后用各种方法使用所习得的偏好来生成推荐。此外，在某些实现中，可至少部分地从具有相似特性的其他组中得出该组的消费行为。另选地或另外地，可至少部分地从该组的成员或成员子集的先前的消费行为中得出该组的消费行为。

具体地，如图1所示，系统100可包括推荐引擎150。推荐引擎150可对显式输入(例如，来自UI元件150a)或对在系统中出现的任何活动作出响应，可监视这些活动以收集用于在生成将来推荐时充分利用的智能。除了此处引用的许多其他示例之外，观察组活动来改进推荐质量的一种方法是观察社交联网环境中的组活动。例如，除了聚集起来玩在线游戏之外，特定组的成员可参与关于什么内容推荐可能适合该组的在线讨论或其他交互。在某些实现中，用户可特制可使哪些信息对推荐引擎150可用，来向包括这些用户的组提供推荐。此外，用户可使不同的信息对不同的组可用，以操纵对不同的组的推荐。对应地，推荐引擎150可基于用户提供的输入将不同组推荐的不同用户信息考虑在内。

图2示出提供与组相关联的内容推荐的方法200。方法200可由上述系统、设备、组件等来实现，或者可经由其他合适的系统、设备、组件等来实现。

在201，方法200可包括确定个人的在场并且响应于标识个人来向系统认证或验证所标识的用户。然而，在其他实施例中，步骤201可不被包括在方法中。

在202，方法200包括建立组。在某些示例中，可通过观察多人交互来动态地且有机地建立组。此外，在某些示例中，组可通过对要形成组的期望的集合断言来建立，可通过个人肯定来验证所述集合断言。下面将参考图3来更详细地讨论组建立。

接着，在204，方法200包括确定与组相关联的特性和/或偏好，其中这样的偏好包括独立于组成员的个人偏好的任何合并、交叉或其他组合的偏好。特性可包括对关于组的用户聚集的数据进行分析的结果。在某些示例中，响应于对组活动的监视来有机地且动态地确定特性和/或偏好。在某些示例中，从具有相同或相似特性的其他组的偏好中得出偏好。在某些示例中，从组的个人成员或成员子集的过去消费行为中得出特性和/或偏好。另外地在某些示例中，可响应于来自用户的显式输入来确定特性或偏好。在另外一些示例中，作为确定关于特定话题或内容项存在提升的交互的结果，和/或响应于来自社交网络的用户的二选一的正面或负面输入或这些输入的缺失，可通过观察在线社交网络中的活动来建立特性或偏好。在某些示例中，响应于来自包括加标签、社交网络、写博客、语音识别和身体姿势的机制的二选一的正面或负面输入来建立偏好。

在206，方法200包括响应于确定个人组成员的在场来确定组的在场。接着在208，方法200包括基于与组相关联的特性和/或偏好来将内容推荐提供给组，并且在210，方法200包括作为通过监视组的消费活动获得的提升的智能的结果来随着时间调整内容推荐。在212，方法200可包括响应于在线社交网络中的组成员的活动来调整对组的内容推荐。然而，在其他实施例中，步骤212可从该方法中被略去。

一旦确定，在与组相关联的特性和/或偏好方面通过像对待个人一样对待组，除了应用交集/并集技术之外，可从具有相似特性的其他组中得出偏好。

图3示出用于建立用户的组的方法300的一实施例。方法300可由上述系统、设备、组件等来实现，或者可经由其他合适的系统、设备、组件等来实现。例如，方法300可至少部分地通过可由图1中示出的计算系统100的计算设备110执行的分组引擎120来实现。

在302，方法300可包括标识在场以消费内容、参与活动或体验等的用户。在场用户可以共同位于同一个地方、在线地位于远程、或其他组合。在某些实现中，在场用户可被标识为经认证的用户或“客人”。

在304，可确定在场用户中的任何人是否是未经认证的用户。在某些实现中，可经由活动登录过程来作出该确定。在某些实现中，可经由一个或多个用户的习得的(诸如通过音频或视觉识别步骤所习得的)特性来作出该确定。如果确定有任何未经认证的用户在场，则方法300移至306。否则，方法300移至310。

在306，方法300可包括标识从包括所有在场的经认证的用户且具有大于一的组成员关系(即，并非仅包括一个个人成员的组)的所有现有组(在308接收的)中选择的最小尺寸的经认证的用户的现有组。

在310，方法300可包括从包括所有在场的经认证的成员的所有现有组(在308接收的)中选择的最小尺寸的经认证的用户的现有组。

在312，方法300可包括用从在方法步骤306或310中选择的现有组中得出的特性或偏好来形成在场用户的组。

以上方法假定如果一个或多个经授权的用户在场，则他们是较大组的一部分，该组稍后基于该组作为一个组而非两个个人的聚集来提供推荐。经授权的用户是什么组的一部分由包含两个经授权的用户的最小尺寸(就成员而言)的组确定。

图4示出用于方法300的实现场景，包括包含2个成人(A和B)和4个孩子(C、D、E和F)的6个人的家庭，其中定义了以下这些组：家庭(组F)、孩子(组K)、成人(组A)和个人A(组I)。方法300假定如果一个或多个人正在消费内容，则他们是就成员而言相同或更大尺寸的一个或多个组的一部分。方法300标识从现有组中选择的、被标识为具有最少数量的成员的组，并且将经授权的用户作为“在使用中”的组来包括。换言之，“在使用中”的组的特性或偏好可被应用于在场的用户并且可至少部分地用于对在场用户的组的推荐。下表提供了从实现方法300中得到的经认证的用户和对应组的多个示例。

经授权的用户	组
		A	个人(组I)
B	成人(组A)
		A+B	成人(组A)
A+C	家庭(组F)
		B+C	家庭(组F)
C+D+E	孩子(组K)

A+D	家庭(组F)
		B+F	家庭(组F)

此外，考虑其中存在一个或多个经认证的用户和一个或多个未经认证的用户(“客人”)的场景。例如，客人(Z)可被添加到以上组中的任一个中。在这些情形中，方法300与当只有经认证的用户在场而区别仅在于在确定要基于什么组来确定推荐时被忽略的个人组(例如，诸如组I之类的只有一个成员的组)时类似地那样工作。由此，在只有一个用户是经认证时，推荐可以不偏向组中的单个用户的偏好。相反，推荐可减弱以考虑组的所有成员。在将客人(Z)添加到个人(组I)中的情况下，在不同的实现中可不同地提供推荐。在某些实现中，可为组提供通用推荐。在某些实现中，可基于系统检测(例如，检测到矮小的身材可推断客人(Z)是孩子)来作出关于客人(Z)的特性的智能推断，且在提供推荐时可将这样的推断考虑在内。在某些实现中，对组的推荐可基于成人(A)的特性和/或偏好。注意，以上方法只是用于对成员进行分组的许多示例实现中的一个，且其他实现也在本公开的范围内。

应该理解，此处所述的配置和/或方法在本质上是示例性的，并且，由于可能存在多个变体，所以这些特定实施例或示例不具有限制意义。本文中所述的具体例程或方法可表示任意数量的处理策略中的一个或多个。由此，所示的各个动作可按所述的顺序执行、按其他顺序执行、并行地执行、或者在某些情况下被省略。同样，可改变上述过程的次序。

本公开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 (9)

1.一种生成对用户组的内容推荐的方法(200)，包括：

建立(202)组；

确定(204)与组相关联的特性，其中这样的特性包括独立于组成员的个人偏好的任何合并、交叉或其他组合的偏好；并基于所述与组相关联的特性将内容推荐提供(208)给组。

2.如权利要求1所述的方法，其特征在于，所述组通过对多人交互的观察来动态地建立。

3.如权利要求1所述的方法，其特征在于，所述组通过对要形成组的期望的集合断言来建立，所述集合断言通过个人肯定来验证。

4.如权利要求1所述的方法，其特征在于，响应于监视组活动来动态地推断特性。

5.如权利要求1所述的方法，其特征在于，响应于来自用户的显式输入来确定所述特性。

6.如权利要求1所述的方法，其特征在于，所述特性通过在线用户活动的观察来建立。

7.如权利要求6所述的方法，其特征在于，作为确定关于特定话题或内容项存在提升的交互的结果来建立所述特性。

8.如权利要求6所述的方法，其特征在于，响应于来自包括加标签、社交网络、写博客、语音识别和身体姿势的机制的二选一的正面或负面输入来建立所述偏好。

9.如权利要求1所述的方法，其特征在于，还包括：

确定个人的在场；并且响应于标识个人的在场，向系统认证和/或验证所标识的用户。

Images