CN102968416A - 基于用户意图识别执行推荐的设备和方法 - Google Patents
基于用户意图识别执行推荐的设备和方法 Download PDFInfo
- Publication number
- CN102968416A CN102968416A CN2011102561562A CN201110256156A CN102968416A CN 102968416 A CN102968416 A CN 102968416A CN 2011102561562 A CN2011102561562 A CN 2011102561562A CN 201110256156 A CN201110256156 A CN 201110256156A CN 102968416 A CN102968416 A CN 102968416A
- Authority
- CN
- China
- Prior art keywords
- user
- intention
- feature
- recognizer
- behavior
- 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
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种能够基于用户的意图提供更精确的推荐项目的、基于用户的意图的识别执行推荐的设备和方法。该设备包括:传感器,被配置为感测用户的行为;识别器,被配置为从感测的行为提取特征并由提取的特征识别用户的意图;以及推荐生成器,被配置为基于识别的用户意图来生成推荐。
Description
技术领域
本发明涉及一种基于用户的意图的识别执行推荐的设备和使用该设备执行推荐的方法,具体地,本发明涉及一种能够基于用户的意图提供更精确的推荐项目的、且基于用户的意图的识别执行推荐的设备和方法。
背景技术
个人的决策过程的重要方面是接受来自可靠源的推荐。在过去的数十年内,已经进行了这样的推荐,即,提供用户很可能感兴趣的信息项目,例如,电影、TV节目/表演/插曲、视频点播、音乐、书、新闻、图像、网页和科学文献。
推荐系统向用户提供便于其决策的个性化建议。这些个性化的推荐允许用户在执行各种任务时依赖于推荐系统。在推荐系统中存在很多供用户选择的项目,例如,属性、元数据和文档。如何提供更好的推荐是推荐系统的关键。
现有的推荐系统包括一系列的传感器、评定处理器(ratingprocessor)、推荐器和存储器,如图1所示,该推荐系统基于用户的相似度来推荐文档项目。推荐系统中的传感器感测项目(文档或图像)上的操作,例如,打印或电子邮件操作。然后,评定处理器使用文档分布、用户简档(user profile)等来评定项目。基于该评定,推荐器提供关于项目的推荐。为了找到目标项目,推荐标准仅仅用于这些文档。然而,在诸如分面搜索系统(faceted search system)的推荐系统中,还存在作为项目的属性和元数据。因此,可以推荐所有的属性、元数据和文档。
当用户选择属性菜单中的元数据时,将进行缩小范围的搜索,并且,减少搜索结果的数目。如果用户的目标项目全部显示在搜索结果的第一页中,则这意味着用户找到了其目标并实现了搜索。此外,在用户连续地选择属性菜单中的一些元数据之后,缩小范围的搜索结果的数目将被减少到更小的数目,并且搜索目标将被找到。可以存在若干条导向搜索目标的选择路径。例如,这些搜索路径(例如,搜索路径A、B、C、D、E;A、D、E;B、D、E、A;和C、D、E、A)在图2中示出。对于搜索目标,存在最短的搜索路径。这意味着,与其它路径相比,用户可以通过按照该路径更快地找到目标。因此,为了缩短耗用的搜索时间,推荐系统应该按照最佳的搜索路径为用户推荐项目。
一些现有的推荐系统基于文档分布的标准进行属性的推荐。如果用户具有较多的关于推荐系统的各面的知识,则较平坦的属性菜单能够以较少的缩小范围的步骤产生更快的搜索。例如,如图3所示,在非平坦菜单(由①表示)中,具有较多搜索结果的菜单将更有可能包含在目标文档中。此外,通过缩小范围而减少结果数目的速度也比平坦菜单(由②表示)的速度慢。另外,在图3中,搜索结果的数目相同,但是,执行的缩小范围的搜索的数目不同。因此,文档分布能够帮助提供更好的属性推荐。
然而,现有的推荐系统无法将属性与用户模型一起推荐。推荐的属性菜单可能具有更平坦的分布。此外,该属性不是用户最喜欢的。例如,用户不想使用“File Type”作为属性。但是,由于在数据库中存在很多以“File Type”元素作为元数据的文档,所以通常推荐属性“File Type”的菜单。实际上,它对于用户来说是无用的。用户必须将属性菜单改变为其感兴趣的属性菜单。从而,推荐系统应该在用户感兴趣的项目的范围内进行推荐。
在用户选择几个元数据并开始操作(例如读取/复印等)搜索结果之后,选择的几个元数据实际上是用户决定结果所需的元数据,并且,这些用户选择和操作历史被称为“用户简档”。一些现有的推荐系统可能基于用户简档的标准进行属性的推荐。推荐的是用户感兴趣的项目之一。但是,它不是最佳的。如何找到最佳的搜索路径以减少缩小范围的搜索的步骤仍然是一个问题。用户兴趣和属性菜单分布应该一起被考虑。
推荐系统为用户提供推荐以供使用。对于缩小范围的搜索的导航进行属性推荐和元数据推荐。推荐可以帮助用户以更少的缩小范围的搜索的步骤更快地找到目标。针对搜索目标进行文档推荐。如果推荐是用户的目标,则用户实现了搜索任务。
有时用户仅仅浏览系统的文档内容。如果用户首次使用推荐系统并不知道在系统中登记了什么数据,则该用户将浏览菜单并检查文档以了解文档信息。这被称为冷启动(cold start)。另一方面,如果文档内容被更新,则更新后的内容的信息对于用户来说是新的。推荐系统应该通过一些方法来提示用户。推荐是这些方法之一。用户可以通过推荐来掌握推荐系统或其它用户的历史趋势。针对冷启动如何进行推荐也是一个新的问题。
当今,诸如照相机和多功能外设(MFP)的一些装置被广泛地应用于日常生活或办公室工作,以提高其方便性和通用性的效率。由于用户界面的空间的限制而导致难以向用户提供全功能键盘,以像计算机一样输入搜索询问。通常,输入的询问反映了用户的目标,这在照相机或MFP上不能被直接获得。包括对应于用户界面的一系列传感器的推荐系统用于帮助用户找到目标。对应于用户界面的传感器能够感测作为信号的用户的操作,所述操作的一部分反映了搜索会话中的用户需求。用户界面通常包括控制面板,该控制面板包括显示器(例如,液晶显示器)屏幕和输入装置(例如,功能键、方向按钮或操纵杆)。一些装置具有充当显示器屏幕和输入装置的触摸屏。对应于用户界面的传感器能够感测作为信号的用户的动作,所述动作指示用户在显示器中选择哪一个项目。
检索质量在很大程度上取决于用户和搜索引擎之间的交互。现有的推荐系统基于项目对项目的相似度、项目对用户的相似度和用户对用户的相似度来进行推荐。但是,如何在实时会话中为用户进行满意的推荐是一个问题。此外,如何减少缩小范围的搜索的步骤的数目也是一个问题。当今,广泛地研究基于用户历史和简档的推荐,但是,仍然没有充分地研究用户的意图。在现有的推荐系统中,如果两个用户具有相同的意图但具有不同的历史或简档,则他们不可能获得相同的推荐。历史和简档反映了用户先前的兴趣而不是用户当前的兴趣。
当在推荐系统中进行搜索时,用户的行为真实地实时地反映了他/她的意图。从用户的意图到用户的行为的过程可以被视为编码。用户的行为是推荐系统能够观察并实时地记录的信号,例如,在元数据上停留的时间。由于不可能直接理解用户想要的东西,所以通过用户的一些行为来识别他/她的意图是一种方法。将基于用户的意图来进行推荐。识别的意图与用户的意图越接近,为用户提供的推荐就越好。从用户的行为识别他/她的意图的过程可以被视为解码。在整个搜索过程期间,用户的意图将不是固定的,从而引起下述新的问题。例如,哪些行为是有价值的并有助于被视为用于意图识别的特征?在不同的情况下应该使用哪些特征?在用户的意图改变时如何判断用户的意图?如果用户首次操作系统,则用户的意图是什么?
如上所述,现有的推荐系统具有下述三个问题:1)如何测量用户对其任务的熟悉程度;2)当推荐系统冷启动时应该向用户推荐什么;以及3)根据最近的操作记录如何识别用户的意图。
作为关于推荐系统的当前公开的技术之一,美国专利No.7440943使用项目对项目的相似度、项目对用户的相似度和用户对用户的相似度来进行推荐。此外,一些推荐系统使用转移概率(transfer probability)进行推荐。众所周知,用户不可能每一次都执行熟悉的搜索任务。当新任务来临时,用户必须花费额外的努力在推荐系统中寻找他/她所需要的,并且根据先前的经验忽视推荐。探索新任务的过程将是困难的。这些方法的缺点在于它们不能测量熟悉程度。
美国专利No.7440943通过使用用户简档的相似度来解决冷启动的问题。关于相似度的方法是一种思索。如果当前用户具有与其它用户不同的兴趣或熟悉程度,则这样的推荐是不合适的。一些推荐系统根据高度地取决于数据库而不考虑用户的内容分布进行首次推荐。有可能会发生这样的情况,即,用户对其任务熟悉,但是此时该用户将该任务传输到另一台计算机的客户端。从而,用户没有历史但需要定位搜索。上述的方法的缺点在于,不考虑当前用户的熟悉程度以及不能判断当前用户的意图。
美国专利No.7493319通过内容分布动态地、自动地发现被确定为用户最感兴趣的范围。允许用户输入概率基线分布值和用于确定面集合上的搜索结果的归一化概率分布和基线分布值之间的距离的尺度。它不考虑搜索过程中的用户兴趣的变化。美国专利No.7493319中描述的方法具有不能检测搜索过程中的用户意图的变化和用于寻找用户兴趣的特征不全面的缺点。
发明内容
如上所述,现有的推荐系统具有如下缺点:它们不能判断用户的意图,不能检测搜索过程期间的用户意图的变化,从而不能基于用户的意图进行推荐。
鉴于现有的推荐系统的上述缺点而作出了本发明。
根据本发明的一个方面,提供一种基于用户的意图的识别而执行推荐的设备,该设备包括:传感器,被配置为感测用户的行为;识别器,被配置为从感测的行为提取特征并通过提取的特征识别用户的意图;以及推荐生成器,被配置为基于识别的用户的意图来生成推荐。
基于用户的意图而执行推荐的设备能够识别用户的实时意图并基于用户的实时意图来进行推荐。
根据本发明的另一方面,提供一种基于用户的意图的识别而执行推荐的方法,该方法包括下述步骤:感测用户的行为;从感测的行为提取特征;通过提取的特征识别用户的意图;以及基于识别的用户的意图来生成推荐。
通过基于用户的意图而执行推荐的方法,能够识别用户的实时意图,并能够基于用户的实时意图来进行推荐。
从参照附图的以下描述中,本发明的进一步的目的和优势将变得清晰。
附图说明
并入说明书并且构成说明书的一部分的附图图示本发明的实施例,并且与本描述一起用于说明本发明的原理。
图1是示出现有的推荐系统的配置的示意图。
图2是示出现有的推荐系统中的导向搜索目标的搜索路径的示意图。
图3是示出基于文档分布的标准进行属性的推荐的示意图。
图4是示出能够实现本发明的实施例的计算机系统的硬件配置的示意图。
图5是示出根据本发明的推荐系统的一个例子的配置的示意图。
图6是示出在根据本发明的推荐系统中基于两种类型的用户意图(即,引导搜索和定位搜索)进行项目的推荐的示意图。
图7是示出用于根据本发明第一实施例的推荐系统中的用于单个步骤的识别器的配置的示意图。
图8是由所得到的文档的数目与检查的文档的百分率决定的Arean-r的图。
图9是示出使用根据本发明第一实施例的推荐系统进行推荐的一个例子的示意图。
图10是示出如何计算用于识别用户意图的移动平均值以保持用户意图的稳定性的示意图。
图11是使用根据本发明第一实施例的推荐系统进行推荐的过程的流程图。
图12是示出用于本发明的推荐系统中的在线训练器(onlinetrainer)的配置的示意图。
图13是使用根据本发明的在线训练器进行自学习(self-learning)的过程的流程图。
图14是示出使用根据本发明第一实施例的具有在线训练器的推荐系统进行属性的推荐的一个例子的示意图。
图15是示出用于根据本发明第二实施例的推荐系统中的用于系列步骤的识别器(recoginzer for sequence)的配置的示意图。
图16是示出本发明第二实施例中的作为由用于系列步骤的识别器提取的特征的两个搜索路径的示意图。
图17a和图17b是示出使用根据本发明第二实施例的推荐系统进行属性的推荐的两个例子的示意图。
图18是示出用于根据本发明第三实施例的推荐系统中的用于冷启动的识别器的配置的示意图。
图19是示出使用根据本发明第三实施例的推荐系统进行推荐的一个例子的示意图。
图20是使用根据本发明第四实施例的推荐系统进行推荐的过程的流程图。
图21是示出使用用户历史的现有的推荐系统、使用用户简档的现有的推荐系统和本发明的使用用户意图的推荐系统的效果比较的示意图。
图22是示出使用用户意图的推荐系统比使用用户历史的现有的推荐系统和使用用户简档的现有的推荐系统能够推荐更精确的项目的示意图。
具体实施方式
下面将参照附图详细地描述本发明的实施例。
请注意,在附图中相似或相同的附图标记是指相似或相同的项目,因而,一旦在一幅图中定义了一个项目,对于之后的图就不必再讨论它。
首先,将说明本发明的上下文中的一些术语的含义。
如本文所使用的,术语“定位搜索”是指,用户想要推荐系统去推荐尽可能地定位目标的项目,并且,项目是常见的还是不寻常的对于他/她来说是无差别的。在这种情况下,用户总是熟悉搜索任务,例如,目标的元数据、系统的属性/元数据等。
如本文所使用的,术语“引导搜索”是指,用户想要推荐系统引导他/她去寻找目标并推荐易于进行后续步骤的可理解的项目。在这种情况下,用户总是不熟悉搜索任务,但是用户对目标(例如,作者、目标是关于什么等)有印象。
如本文所使用的,术语“冷启动”是指这种情况:如果用户首次使用推荐系统并不知道在推荐系统中登记了什么数据,则该用户将浏览菜单并检查文档以了解文档信息。
如本文所使用的,术语“用户简档”是指与特定用户关联的个人数据的集合。因此,用户简档是指对一个人的身份的明确的数字表示,它能够用来存储该人的特征的描述。换句话说,用户简档也可以被视为用户模型的计算机表示。此外,作为用户简档的此信息能够由考虑这个人的特征和喜好的系统利用。
如本文所使用的,术语“用户意图”是指在执行操作期间的用户的特定目的,即,旨在或预计实现的目的或目标。操作成功或失败至少取决于是否产生预期的结果。在本发明中,用户意图被指定为两种类型:定位搜索和引导搜索。
图4是示出可以实施本发明的实施例的计算机系统1000的硬件配置的框图。
如图4所示,计算机系统包括计算机1110。计算机1110包括经由系统总线1121连接的处理单元1120、系统存储器1130、不可移动的非易失性存储器接口1140、可移动的非易失性存储器接口1150、用户输入接口1160、网络接口1170、视频接口1190和输出外围接口1195。
系统存储器1130包括ROM(只读存储器)1131和RAM(随机存取存储器)1132。BIOS(基本输入输出系统)1133驻留在ROM 1131中。操作系统1134、应用程序1135、其它程序模块1136和某些程序数据1137驻留在RAM 1132中。
诸如硬盘之类的不可移动的非易失性存储器1141连接到不可移动的非易失性存储器接口1140。不可移动的非易失性存储器1141例如可以存储操作系统1144、应用程序1145、其它程序模块1146和某些程序数据1147。
诸如软盘驱动器1151和CD-ROM驱动器1155之类的可移动的非易失性存储器连接到可移动的非易失性存储器接口1150。例如,软盘1152可以被插入到软盘驱动器1151中,以及CD(光盘)1156可以被插入到CD-ROM驱动器1155中。
诸如鼠标1161和键盘1162之类的输入设备被连接到用户输入接口1160。
计算机1110可以通过网络接口1170连接到远程计算机1180。例如,网络接口1170可以经由局域网1171连接到远程计算机1180。或者,网络接口1170可以连接到调制解调器(调制器-解调器)1172,以及调制解调器1172经由广域网1173连接到远程计算机1180。
远程计算机1180可以包括诸如硬盘之类的存储器1181,其存储远程应用程序1185。
视频接口1190连接到监视器1191。
输出外围接口1195连接到打印机1196和扬声器1197。
图4所示的计算机系统仅仅是说明性的并且决不意图限制本发明、其应用或用途。
图4所示的计算机系统可以被实施于任何实施例,可作为独立计算机,或者也可作为设备中的处理系统,可以移除一个或更多个不必要的组件,也可以向其添加一个或更多个附加的组件。
接下来,按照以下顺序进行本发明的描述:
1.概要
2.第一实施例(“使用用于单个步骤的识别器来识别用户的意图:在一轮推荐之后识别实时的意图”)
3.第二实施例(“使用用于系列步骤的识别器来识别用户的意图:通过一系列操作来识别用户意图”)
4.第三实施例(“使用用于冷启动的识别器来识别用户的意图:在推荐系统冷启动时识别用户意图”)
5.第四实施例(第一实施例至第三实施例的组合)
6.根据本发明的使用用户意图的推荐系统与使用用户历史的现有的推荐系统和使用用户简档的现有的推荐系统的效果比较
1.概要
如图5所示,根据本发明的基于用户的意图提供推荐的推荐系统包括存储器、一系列传感器、识别器和推荐生成器。对应于用户界面控制面板的一系列传感器能够感测用户的行为,用户的行为包括用户的动作和每一次交互的时间。识别器能够记录用户的行为,从用户的行为提取特征,通过提取的特征判断用户的意图,并且输出用户的意图。推荐生成器能够基于输出的用户的意图来生成推荐。存储器能够存储与用户的动作和每一次交互的时间有关的数据、特征和用户的意图。对于用户的不同目的,用户需要不同类型的推荐。按照推荐的目标分类,可以将推荐分成三种:属性推荐、元数据推荐和文档推荐。
另外,推荐系统还可以包括在线训练器,用于提供用于识别用户的意图的模型或字典。在线训练器将根据最近的搜索会话进行增量学习。更具体地说,在线训练器中的特征提取器提取用于训练的特征,在线训练器中的数据标注器将已有的记录中的有价值的数据标注为训练集合,并且将标注的数据发送给模型/字典训练器,从而提供用于通过学习从最近搜索会话中的历史提取的特征来识别下一轮搜索中的用户的意图的模型或字典。结果,将通过在线训练器来更新模型/字典。
推荐系统的目的在于提供能够满足用户的项目。如果推荐系统能够将用户的意图理解为用户与推荐系统之间的交互,则由推荐系统提供的推荐使用户感觉非常好。不幸地,用户的意图无法由推荐系统直接观察到。然而,用户的行为将向推荐系统提供识别用户的意图的机会,因为可以记录所述交互。用户的意图不是像用户的历史和简档一样是静态的。它将随着搜索的过程而改变。对于不同意图的要求也是不同的。例如,熟悉任务的用户想要定位搜索(快速缩小范围),但是不熟悉任务的用户想要引导搜索(可理解的推荐项目)(如图6所示)。
实际上,存在多种用户意图。在表1中列出了一些用户意图。
表1
不同类型的意图将导致不同的推荐策略。在本发明中,仅仅处理前两种用户意图,即,定位搜索和引导搜索(如图6所示)。
在根据本发明的推荐系统中,识别器能够在下述不同的情况中识别用户的意图:(1)使用用于单个步骤的识别器;(2)使用用于系列步骤的识别器;以及(3)使用用于冷启动的识别器。在不同的情况中用于识别器的特征集合也不同。
在现有的推荐系统中,一些信息用于获得用户的喜好,例如,用户的年龄和性别、用户的经验程度和用户的精神状态。但是,这些现有的推荐系统都不能识别用户意图。相反,本发明的推荐系统基于识别的用户意图来执行推荐。用户意图是描述用户与任务的关系的值,而且不仅仅是用于特殊推荐候选的评定分数,由此避免了评定特殊项目的稀疏数据的问题。
2.第一实施例
在本实施例中,用于单个步骤的识别器用于在要求推荐的用户的单个步骤操作之后识别用户的意图。如图7所示,用于单个步骤的识别器包括记录器、提取器、意图识别器和输出装置。记录器被配置为在搜索期间记录用户的行为。提取器被配置为从记录的用户的行为提取特征。意图识别器被配置为由提取的特征判断用户的意图。输出装置被配置为输出用户的意图。
用于识别用户的意图的特征是本实施例的关键。这里,对于用于单个步骤的识别器,使用由以下特征构成的特征集合:
a)在元数据处停留的时间-Tmd:用户在选择的元数据处花费的从推荐系统进行推荐到下一次选择的持续时间;
b)在属性处停留的时间-Tatt:用户在选择的元数据所属的属性处花费的从推荐系统进行推荐到下一次选择的持续时间;
c)在文档处停留的时间-Tdoc:用户在读取的文档处花费的持续时间;
d)交互之间的间隔-Tinter:用户与推荐系统之间的两次交互之间的持续时间;
e)推荐项目的接受率-Raccept:如果用户选择推荐项目作为下一次搜索的条件,则用户接受推荐,否则用户拒绝推荐;
f)由所得到的项目的数目和被检查的项目的比率决定的区域-Arean-r:构建x轴为所得到的项目的数目且y轴为用户检查的所得到的项目的百分率的图,并且,该图的不同区域反映不同的用户意图;
g)用户在先前的历史中找到目标的会话的比率-Rfind:会话数目不必从所有的历史中获得,并且,它可以是最近的会话数目,例如,最近的十个会话;
h)会话之间的间隔-Tinters:从用户最近登录时起计算的持续时间,例如,2天(人类对某一事物的记忆会随着时间的推移而衰减。他会记住2天前使用的属性/元数据,但是可能不会记住半个月前的那些属性/元数据);以及
i)用户观看所得到的文档的顺序-Odoc:用户总是浏览在顶部上显示的项目,并且,当他找不到目标时,他会检查下面的项目以调节其下一次选择。
例如,在交互之后记录被表达为下述特征集合的用户行为:
其中,sec表示“秒”的单位,days表示“天”的单位。
这里,如图8所示,Arean-r是由两个值(即,所得到的文档的数目和检查的文档的百分率)决定的区域的代码数目。
接下来,描述如何计算被映射到用户的意图的值f。存在很多拟合函数,但是仅有用户意图的趋势用值f定性地描述。为了简化描述,在表2中示出特征与从定位搜索到引导搜索的趋势的关系。
表2
例如,所有特征的值f可以是每一个特征的值f的加权和。可以根据表3计算每一个特征的值f:
表3
在表3中,假设δ0=40且ε0=25。当特征集合为上述的特征集合,并且,表3中的系数a1至a8分别为0.063、0.063、0.003、0.032、0.4、1、1和0.019时,获得以下的对应于每一个特征的值f(如表4所示):
表4
特征 | f |
Tatt | 0.050 |
Tmd | 0.367 |
Tdoc | 0.367 |
Tinter | 0.525 |
Tinters | 0.200 |
Raccent | 0.400 |
Rfind | 0.300 |
Arean-r | 0.150 |
Odoc | 0.525 |
如果每一个特征的权重为:
则获得每一个特征的值f的加权和,即f=0.306。如果阈值被假定为0.4,则这表明用户对搜索任务(目标的元数据,推荐系统的属性/元数据等)不熟悉,因为f=0.306<0.4,从而用户意图是引导搜索。相反,如果阈值被假定为0.2,则这表明用户对搜索任务(目标的元数据,推荐系统的属性/元数据等)熟悉,因为f=0.306>0.2,从而用户意图是定位搜索。
如图9所示,如果用户对搜索任务不熟悉,则推荐用户可理解的,以便进行后续的操作。如果用户熟悉搜索任务,则推荐与使用历史和简档相同的,从而导致快速地缩小范围的搜索。由此可知,使用用户意图对于需要定位搜索的用户来说不会带来速度损失。同时,这有益于需要引导搜索的用户。因此,推荐系统可以满足具有不同意图的用户。
为了保持用户意图的稳定性,按照如下计算移动平均值以便识别
任务内的熟悉度应该是稳定的。从最后一个步骤起,用户意图是引导搜索(假定0.4是阈值,0.3<0.4)。从最后三个步骤起,用户意图是定位搜索(0.433>0.4)。应该使用移动平均值来进行推荐,从而保持搜索任务内的用户意图的稳定性。
由图10可知,保持了搜索内的意图的稳定性。对于熟悉搜索任务的用户,在一系列步骤之后,用户的意图可被识别,并且基于该意图推荐导致快速缩小范围的搜索的项目。这具有与使用用户历史和简档的推荐相同的优点。此外,对于不熟悉搜索任务的用户,推荐系统基于系列的熟悉度推荐易于进行后续操作的项目。通过使用用户历史和简档进行的推荐,不能提供这个优点。
接着,将参照图11的流程图描述使用根据第一实施例的推荐系统进行推荐的过程。
在步骤S101中,一系列传感器感测用户的行为。在步骤S102中,包含在用于单个步骤的识别器中的记录器记录对应于感测的行为的信号。接下来,在步骤S103中,包含在用于单个步骤的识别器中的提取器从记录的行为提取特征。然后,在步骤S104中,包含在用于单个步骤的识别器中的意图识别器通过提取的特征判断用户的意图。随后,在步骤S105中,包含在用于单个步骤的识别器中的输出装置输出识别的用户的意图。接着,在步骤S106中,推荐系统基于输出的用户的意图进行推荐。其后,在步骤S600中确定推荐系统是否包括在线训练器。
如果在步骤S600中确定推荐系统包括在线训练器(步骤S600中的“是”),则该过程进入图13中所示的步骤S107,否则(步骤S600中的“否”),则该过程结束。
如图12所示,在线训练器包括:特征提取器,被配置为从记录提取特征,该记录包括用户的行为和用户对推荐的反馈;数据标注器,被配置为对用于训练的数据进行标注;以及用于自学习的模型/字典训练器。
如图13所示,在步骤S710中,在线训练器的特征提取器首先提取用于自学习(增量学习)的特征。接下来,在步骤S720中,数据标注器根据提取的特征对用于训练的数据进行标注。然后,在步骤S730中,模型/字典训练器进行用于判断用户意图的自学习,以通过学习从最近的搜索会话中的历史提取的特征来提供用于在下一轮搜索中识别用户的意图的模型或字典。
这里,通过特征提取器提取的特征是搜索路径、搜索路径中的接受的项目和拒绝的项目、与搜索路径中的每一个步骤有关的用户意图、整个路径的耗用时间和路径的步骤的数目。例如,整个搜索路径将被视为要训练的特征。如果一条路径总是引导用户到达目标,则整个路径将是向用户推荐的路径。向接受的推荐项目分配较高的权重。向拒绝的推荐项目分配较低的权重,或者,向拒绝的模型分配较高的权重。
此外,向接受的项目的用户意图分配较高的权重。对于该意图,被认为是比较可靠的。而且,整个路径的耗用时间越短就越好。例如,如果路径1的耗用时间为300秒,并且,路径2的耗用时间为600秒,则将向路径1分配较高的权重。另外,路径的步骤的数目越小就越好。将向较短的路径分配较高的权重。
在图14中示出使用在线训练进行自学习的例子。由图14可知,自学习可以调整推荐方向,以向用户实时地提供更合适的项目。然而,使用历史或简档的推荐无法这样做。
3.第二实施例
除了推荐系统包括用于系列步骤的识别器而不是用于单个步骤的识别器以外,根据第二实施例的推荐系统基本上与根据第一实施例的推荐系统相同。因此,为了避免赘述,将省略对第二实施例的与第一实施例相同的结构和要素的描述。
如图15所示,与图7中所示的第一实施例的用于单个步骤的识别器类似,用于系列步骤的识别器包括记录器、提取器、意图识别器和输出装置。记录器被配置为在搜索期间记录用户的行为。提取器被配置为从记录的用户的行为提取特征。意图识别器被配置为由提取的特征判断用户的意图。输出装置被配置为输出用户的意图。
与第一实施例不同,在本实施例中的用于识别用户意图的特征是搜索路径,其包括:
1)将根据某些路径模板(template)匹配可显示用户的意图的某些模式;
2)稍后将提及的要训练的模式的模板;以及
3)不能人工地给出搜索路径的详尽的模式,从而训练的模式可作出很好的补充。
作为搜索路径的例子,在图16中示出搜索路径1和搜索路径2,其中,mdi是由推荐系统推荐的第i个元数据(i是大于或等于1的整数),∨是指用户接受了推荐,×是指用户拒绝了推荐,是指用户在该步骤中不熟悉,是指用户在该步骤中熟悉。
由图16可知,将通过搜索路径来检测会话中的新任务。将根据某些路径模板匹配可显示用户的意图的某些模式。将对模式的模板进行训练。不能人工地给出搜索路径的详尽的模式,从而训练的模式可作出很好的补充。例如,图16中的两个搜索路径是可以训练的两个模式。在实时的搜索会话中,将使用这些模式来匹配用户的搜索路径,以识别用户的意图。
图17a和17b示出针对两个不同的属性的搜索路径使用用于系列步骤的识别器来识别用户意图的例子。在图17a中,∨是指用户接受了推荐,×是指用户拒绝了推荐。如图17a所示,当使用用户历史或简档时,由于在先前的搜索任务中用户总是在属性“Person name”之后选择属性“Taken date”,所以接下来向用户推荐属性“Taken date”,但是用户拒绝了该推荐。相反,当使用用户意图时,由于基于搜索序列(拒绝和接受),识别用户对搜索任务不熟悉并需要引导搜索,所以接下来向用户推荐属性“Place”。属性“Place”是常见的属性。例如,用户总是知道拍摄照片的地点。结果,用户接受了属性“Place”。
在图17b中,假设用户的操作是一系列的“Back”。当使用用户历史或简档时,在属性“Place”之后接着推荐属性“Author”。然而,当使用用户意图时,由于“Back”的连续操作被记录并被视为用户想要开始新的搜索任务的特征,所以对于不熟悉的用户来说,下一个推荐将是可理解的。
根据图17a和17b,将检测新的搜索任务。当用户在推荐系统中进行搜索时,用户可能会在找到目标时不对目标进行打印或电子邮件。或许,用户仅仅观看它并立即开始另一搜索。当用户完成一系列的“Black”时,使用用户历史或简档的推荐系统根据先前的路径提供推荐。使用用户意图的推荐系统将检测新搜索的意图并推荐易于用户进行后续操作的常见项目。
将根据某些路径模板匹配可显示用户的意图的搜索路径的某些模式。将对模式的模板进行训练。不能人工地给出搜索路径的详尽的模式,从而训练的模式可作出很好的补充。
另外,因为除了由包含在用于系列步骤的识别器中的提取器提取的特征是搜索路径以外,使用根据第二实施例的推荐系统执行推荐的过程基本上与使用根据第一实施例的推荐系统执行推荐的过程相同,所以将省略其描述。
4.第三实施例
除了推荐系统包括用于冷启动的识别器而不是用于单个步骤的识别器以外,根据第三实施例的推荐系统基本上与根据第一实施例的推荐系统相同。因此,为了避免赘述,将省略对第三实施例的与第一实施例相同的结构和要素的描述。
如图18所示,与图7中所示的第一实施例的用于单个步骤的识别器类似,用于冷启动的识别器包括记录器、提取器、意图识别器和输出装置。记录器被配置为在搜索期间记录用户的行为。提取器被配置为从记录的用户的行为提取特征。意图识别器被配置为由提取的特征判断用户的意图。输出装置被配置为输出用户的意图。
与第一实施例不同,用于识别用户意图的特征是用户的不可用历史(即,历史=0)和在要求推荐之前的用户的操作的数目(Noperation)。
图19示出使用用于冷启动的识别器识别用户意图的例子。搜索1的推荐项目将是常见的且可理解的。例如,将从用户对目标的理解获得“Keyword”(即,引导搜索)。搜索2的推荐项目不必是这样常见的,因为识别的用户的意图是快速缩小范围(即,定位搜索)。将推荐具有这种目的的某些项目,例如,“print user”。如图19所示,如果用户对搜索任务不熟悉,则将推荐用户可理解的,以便进行后续操作。如果用户熟悉搜索任务,则将推荐与使用历史和简档相同的,从而导致快速地缩小范围的搜索。由此可知,使用用户意图对于需要定位搜索的用户来说不会带来速度损失。同时,这有益于需要引导搜索的用户。因此,推荐系统可以满足具有不同意图的用户。
另外,因为除了由包含在用于冷启动的识别器中的提取器提取的特征是用户的不可用历史和在要求推荐之前的用户的操作的数目以外,使用根据第三实施例的推荐系统执行推荐的过程基本上与使用根据第一实施例的推荐系统执行推荐的过程相同,所以将省略其描述。
5.第四实施例
除了推荐系统不仅包括用于单个步骤的识别器还包括用于系列步骤的识别器和用于冷启动的识别器以外,根据第四实施例的推荐系统基本上与根据第一实施例的推荐系统相同。这里,用于单个步骤的识别器与第一实施例的用于单个步骤的识别器相同,用于系列步骤的识别器与第二实施例的用于系列步骤的识别器相同,用于冷启动的识别器与第三实施例的用于冷启动的识别器相同。因此,为了避免赘述,将省略对本实施例的与第一至第三实施例相同的结构和要素的描述。
如上所述,用于单个步骤的识别器、用于系列步骤的识别器和用于冷启动的识别器中的每一个都包括记录器、提取器、意图识别器和输出装置。记录器被配置为在搜索期间记录用户的行为。提取器被配置为从记录的用户的行为提取特征。意图识别器被配置为由提取的特征判断用户的意图。输出装置被配置为输出用户的意图。请注意,包含在用于单个步骤的识别器中的提取器、包含在用于系列步骤的识别器中的提取器和包含在用于冷启动的识别器中的提取器可以相同或不同。在某些情况中,包含在用于单个步骤的识别器、用于系列步骤的识别器和用于冷启动的识别器中的提取器可以通过一个提取器来实现。
与上述的第一实施例的推荐系统类似地,本实施例的推荐系统还可以包括在线训练器,用于提供用于识别用户的意图的模型或字典。在线训练器将根据最近的搜索会话进行增量学习。更具体地说,在线训练器中的特征提取器提取用于训练的特征,在线训练器中的数据标注器将已有的记录中的有价值的数据标注为训练集合,并且将标注的数据发送给模型/字典训练器,从而提供用于通过学习从最近搜索会话中的历史提取的特征来识别下一轮搜索中的用户的意图的模型或字典。结果,将通过在线训练器来更新模型/字典。
接着,将参照图20的流程图描述使用根据第四实施例的推荐系统进行推荐的过程。
在步骤S100中,推荐系统判断它是否冷启动。不同的情况导致使用不同识别器进行推荐。当在步骤S100中判断推荐系统冷启动时,或者,当用户首次使用推荐系统或者仅仅在几次尝试之后使用该推荐系统时,在步骤S200中,将通过上述的用于冷启动的识别器来识别用户的意图。
在步骤S200中,推荐系统首先从用户历史记录信号。例如,共存在15个会话,其中6个会话成功,并且,最近的会话的日期是2009年12月1日10:20。接下来,推荐系统提取特征以便识别用户意图。在这种情况下,特征是用户的不可用历史和在要求推荐之前的用户的操作的数目(Noperation)。例如,Noperation=20。然后,推荐系统根据提取的特征计算值f。例如,假设Noperation的阈值为10,则Noperation=20>阈值10,这表明用户对搜索任务不熟悉。最后,在步骤S500中,推荐系统将用户意图输出到推荐生成器并且进行推荐。
另一方面,当在步骤S100中判断推荐系统不冷启动,则推荐系统在步骤S300中针对单个步骤识别用户意图。
在步骤S300中,推荐系统首先针对单个步骤记录信号。例如,通过推荐系统记录用户的行为,例如,在项目处停留的时间、用户是否接受了推荐项目。接下来,推荐系统提取特征以便识别用户意图。在这种情况下,特征是在属性处停留的时间、在元数据处停留的时间、在文档处停留的时间、用户和设备之间的两次交互之间的间隔、推荐项目的接受率、由所得到的项目的数目和被检查的项目的比率决定的区域、用户在先前的历史中找到目标的会话的比率、两个会话之间的间隔、以及用户观看所得到的文档的顺序。然后,如第一实施例一样,推荐系统根据提取的特征计算值f。最后,推荐系统输出用户意图,以便在下一步骤S400中使用。
在步骤S400中,推荐系统针对系列步骤识别用户意图。首先,推荐系统针对系列步骤记录信号。例如,通过推荐系统记录用户的行为,例如,用户是否接受了推荐项目。接下来,推荐系统提取特征以便识别用户意图。在这种情况下,特征是变化的熟悉度的序列和搜索路径。然后,如以上第二实施例中所述,推荐系统根据提取的特征识别用户意图。最后,在步骤S500中,推荐系统将用户意图输出到推荐生成器并且进行推荐。
在步骤S500中,推荐系统根据识别的用户的意图进行推荐。存在实现推荐的多种方法,例如,通过用户意图过滤项目或者训练模型以决定项目。
接下来,如第一实施例中一样,在步骤S107中,推荐系统进行增量学习,以便判断用户意图。在一轮推荐之后,生成新的有价值的数据。通过增量学习,提供用于通过学习从最近的搜索会话中的历史提取的特征在下一轮搜索中识别用户的意图的模型或字典。而且,对于用户意图的下一次判断,应该更新模型或字典。在步骤S107中的增量学习之后,该过程结束。
6.根据本发明的使用用户意图的推荐系统与使用用户历史的现有的推荐系统和使用用户简档的现有的推荐系统的效果比较
对根据本发明的使用用户意图的推荐系统与使用用户历史的现有的推荐系统和使用用户简档的现有的推荐系统的效果进行比较,并且在图21和22中示出该效果比较。
如图21所示,在使用用户历史的现有的推荐系统中,历史中的项目的数量决定推荐项目,所以不同的历史导致不同的推荐项目。在使用用户简档的现有的推荐系统中,当具有不同历史的不同用户具有相同的简档时,推荐项目将是相同的。然而,在本发明的使用用户意图的推荐系统中,当一个用户具有不同的意图时,向该用户推荐的项目不同,并且,当不同的用户具有相同的意图时,向这些用户推荐的项目相同。
在图22中,假设实椭圆表示用户想要的项目的范围,虚椭圆表示通过使用用户历史的推荐系统推荐的项目的范围,点划线椭圆表示通过使用用户简档的推荐系统推荐的项目的范围,双点划线椭圆表示使用用户意图的推荐系统推荐的项目的范围。由图22可知,使用用户简档的推荐系统能够提供比使用用户历史的推荐系统更精确的推荐项目,并且使用用户意图的推荐系统能够提供比使用用户简档的推荐系统更精确的推荐项目。
可以通过许多方式来实施本发明的方法和设备。例如,可以通过软件、硬件、固件、或其任何组合来实施本发明的方法和设备。上述的方法步骤的次序仅是说明性的,本发明的方法步骤不限于以上具体描述的次序,除非以其他方式明确说明。此外,在一些实施例中,本发明还可以被实施为记录在记录介质中的程序,其包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于实现根据本发明的方法的程序的记录介质。
虽然已通过示例详细展示了本发明的一些具体实施例,但是本领域技术人员应当理解,上述示例仅意图是说明性的而不限制本发明的范围。本领域技术人员应该理解,上述实施例可以被修改而不脱离本发明的范围和实质。本发明的范围是通过所附的权利要求限定的。
Claims (32)
1.一种基于用户的意图的识别执行推荐的设备,包括:
传感器,被配置为感测用户的行为;
识别器,被配置为从感测的行为提取特征并由提取的特征识别用户的意图;以及
推荐生成器,被配置为基于识别的用户的意图来生成推荐。
2.根据权利要求1所述的设备,其中,所述识别器还包括:
用于单个步骤的识别器,用户的意图是在要求推荐的用户的单个步骤操作之后被识别的。
3.根据权利要求1所述的设备,其中,所述识别器还包括:
用于系列步骤的识别器,用户的意图是在一系列的推荐和用户选择操作之后被识别的。
4.根据权利要求1所述的设备,其中,所述识别器还包括:
用于冷启动的识别器,用户的意图是在设备冷启动时被识别的。
5.根据权利要求1所述的设备,其中,所述识别器还包括:
用于单个步骤的识别器,用户的意图是在要求推荐的用户的单个步骤操作之后被识别的;
用于系列步骤的识别器,用户的意图是在一系列的推荐和用户选择操作之后被识别的;以及
用于冷启动的识别器,用户的意图是在设备冷启动时被识别的。
6.根据权利要求1至5中的任一项所述的设备,其中,所述设备还包括:
在线训练器,被配置为通过学习从最近的搜索会话中的历史提取的特征来提供用于在下一轮搜索中识别用户的意图的模型或字典。
7.根据权利要求2所述的设备,其中,所述用于单个步骤的识别器还包括:
记录器,被配置为在搜索期间记录用户的行为;
第一特征提取器,被配置为从记录的用户的行为提取特征;
意图识别器,被配置为由提取的特征判断用户的意图;以及
输出装置,被配置为输出用户的意图。
8.根据权利要求7所述的设备,其中,所述特征包括下述特征中的至少一个:
在属性处停留的时间;
在元数据处停留的时间;
在文档处停留的时间;
用户和设备之间的两次交互之间的间隔;
推荐项目的接受率;
由所得到的项目的数目和被检查的项目的比率决定的区域;
用户在先前的历史中找到目标的会话的比率;
两个会话之间的间隔;以及
用户观看所得到的文档的顺序。
9.根据权利要求3所述的设备,其中,所述用于系列步骤的识别器还包括:
记录器,被配置为在搜索期间记录用户的行为;
第一提取器,被配置为从记录的用户的行为提取特征;
意图识别器,被配置为由提取的特征判断用户的意图;以及
输出装置,被配置为输出用户的意图。
10.根据权利要求9所述的设备,其中,所述特征包括搜索路径。
11.根据权利要求4所述的设备,其中,所述用于冷启动的识别器还包括:
记录器,被配置为在搜索期间记录用户的行为;
第一提取器,被配置为从记录的用户的行为提取特征;
意图识别器,被配置为由提取的特征判断用户的意图;以及
输出装置,被配置为输出用户的意图。
12.根据权利要求11所述的设备,其中,所述特征包括:
用户的不可用的历史;以及
在要求推荐之前用户的操作的数目。
13.根据权利要求1所述的设备,其中,所述推荐生成器还被配置为:通过过滤或使用由机器学习产生的模型,根据用户的意图生成推荐。
14.根据权利要求6所述的设备,其中,所述在线训练器还包括:
第二特征提取器,被配置为从记录提取特征,该记录包括用户的行为和用户对推荐的反馈;
数据标注器,被配置为对用于训练的数据进行标注;以及
用于自学习的模型/字典训练器。
15.根据权利要求14所述的设备,其中,所述特征包括:
搜索路径;
搜索路径中的接受的项目和拒绝的项目;
与搜索路径中的每一个步骤有关的用户意图;
整个路径的耗用时间;以及
路径的步骤的数目。
16.根据权利要求1所述的设备,其中,所述设备还包括:存储器,被配置为存储所述行为、所述特征和用户的意图。
17.一种基于用户的意图的识别执行推荐的方法,包括下述步骤:
感测用户的行为;
从感测的行为提取特征;
由提取的特征识别用户的意图;以及
基于识别的用户的意图来生成推荐。
18.根据权利要求17所述的方法,其中,识别用户的意图的步骤还包括下述步骤:
针对单个步骤识别用户意图,用户的意图是在要求推荐的用户的单个步骤操作之后被识别的。
19.根据权利要求17所述的方法,其中,识别用户的意图的步骤还包括下述步骤:
针对系列步骤识别用户意图,用户的意图是在一系列的推荐和用户选择操作之后被识别的。
20.根据权利要求17所述的方法,其中,识别用户的意图的步骤还包括下述步骤:
针对冷启动识别用户意图,用户的意图是在设备冷启动时被识别的。
21.根据权利要求17所述的方法,其中,识别用户的意图的步骤还包括下述步骤:
如果设备冷启动,则针对冷启动识别用户意图;或者
如果设备没有冷启动,则
针对单个步骤识别用户意图,用户的意图是在要求推荐的用户的单个步骤操作之后被识别的,以及
针对系列步骤识别用户意图,用户的意图是在一系列的推荐和用户选择操作之后被识别的。
22.根据权利要求17至21中的任一项所述的方法,其中,所述方法还包括下述步骤:
通过学习从最近的搜索会话中的历史提取的特征来提供用于在下一轮搜索中识别用户的意图的模型或字典。
23.根据权利要求18所述的方法,其中,针对单个步骤识别用户意图的步骤还包括:
在搜索期间记录用户的行为;
从记录的用户的行为提取特征;
由提取的特征判断用户的意图;以及
输出用户的意图。
24.根据权利要求23所述的方法,其中,所述特征包括下述特征中的至少一个:
在属性处停留的时间;
在元数据处停留的时间;
在文档处停留的时间;
用户和设备之间的两次交互之间的间隔;
推荐项目的接受率;
由所得到的项目的数目和被检查的项目的比率决定的区域;
用户在先前的历史中找到目标的会话的比率;
两个会话之间的间隔;以及
用户观看所得到的文档的顺序。
25.根据权利要求19所述的方法,其中,针对系列步骤识别用户意图的步骤还包括:
在搜索期间记录用户的行为;
从记录的用户的行为提取特征;
由提取的特征判断用户的意图;以及
输出用户的意图。
26.根据权利要求25所述的方法,其中,所述特征包括搜索路径。
27.根据权利要求20所述的方法,其中,针对冷启动识别用户意图的步骤还包括:
在搜索期间记录用户的行为;
从记录的用户的行为提取特征;
由提取的特征判断用户的意图;以及
输出用户的意图。
28.根据权利要求27所述的方法,其中,所述特征包括:
用户的不可用的历史;以及
在要求推荐之前用户的操作的数目。
29.根据权利要求17所述的方法,其中,生成推荐的步骤还包括下述步骤:通过过滤或使用由机器学习产生的模型,根据用户的意图生成推荐。
30.根据权利要求22所述的方法,其中,提供模型或字典的步骤还包括:
从记录提取特征,该记录包括用户的行为和用户对推荐的反馈;
对用于训练的数据进行标注;以及
进行自学习。
31.根据权利要求30所述的方法,其中,所述特征包括:
搜索路径;
搜索路径中的接受的项目和拒绝的项目;
与搜索路径中的每一个步骤有关的用户意图;
整个路径的耗用时间;以及
路径的步骤的数目。
32.根据权利要求17所述的方法,其中,所述方法还包括下述步骤:存储所述行为、所述特征和用户的意图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102561562A CN102968416A (zh) | 2011-09-01 | 2011-09-01 | 基于用户意图识别执行推荐的设备和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102561562A CN102968416A (zh) | 2011-09-01 | 2011-09-01 | 基于用户意图识别执行推荐的设备和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102968416A true CN102968416A (zh) | 2013-03-13 |
Family
ID=47798564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102561562A Pending CN102968416A (zh) | 2011-09-01 | 2011-09-01 | 基于用户意图识别执行推荐的设备和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102968416A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462325A (zh) * | 2014-12-02 | 2015-03-25 | 百度在线网络技术(北京)有限公司 | 搜索推荐方法及装置 |
CN104765730A (zh) * | 2014-01-02 | 2015-07-08 | 株式会社理光 | 感兴趣人员推荐方法和装置 |
CN105760054A (zh) * | 2016-02-19 | 2016-07-13 | 北京奇艺世纪科技有限公司 | 一种预测提示方法和装置 |
CN106095267A (zh) * | 2016-06-01 | 2016-11-09 | 惠州市德赛西威汽车电子股份有限公司 | 基于用户意图识别的车载设备操控方法及其系统 |
CN106294601A (zh) * | 2016-07-28 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN107004370A (zh) * | 2014-12-22 | 2017-08-01 | 英特尔公司 | 上下文导出的行为建模和反馈 |
CN107229948A (zh) * | 2017-05-19 | 2017-10-03 | 四川新网银行股份有限公司 | 一种基于用户问题预测模型的减小线上客户流失的方法 |
CN107273436A (zh) * | 2017-05-24 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 一种推荐模型的训练方法和训练装置 |
CN108268450A (zh) * | 2018-02-27 | 2018-07-10 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN109492128A (zh) * | 2018-10-30 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN109582760A (zh) * | 2018-08-06 | 2019-04-05 | 北京马上慧科技术有限公司 | 一种应用在智能对话系统中的应答流程引擎系统 |
CN112597386A (zh) * | 2020-12-16 | 2021-04-02 | 北京动力机械研究所 | 面向用户设计意图的智能推送方法及装置 |
CN113722033A (zh) * | 2015-05-27 | 2021-11-30 | 苹果公司 | 用于在触敏设备上主动识别和显示相关内容的系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114293A (zh) * | 2007-08-21 | 2008-01-30 | 施侃晟 | 一种根据读者关注度而变化信息显示的方法 |
CN101334796A (zh) * | 2008-02-29 | 2008-12-31 | 浙江师范大学 | 一种个性化及协同化融合的网上多媒体检索与查询方法 |
CN101441657A (zh) * | 2008-12-31 | 2009-05-27 | 阿里巴巴集团控股有限公司 | 访客意向识别系统及方法和访客意向识别平台 |
CN101923545A (zh) * | 2009-06-15 | 2010-12-22 | 北京百分通联传媒技术有限公司 | 一种个性化信息推荐的方法 |
-
2011
- 2011-09-01 CN CN2011102561562A patent/CN102968416A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114293A (zh) * | 2007-08-21 | 2008-01-30 | 施侃晟 | 一种根据读者关注度而变化信息显示的方法 |
CN101334796A (zh) * | 2008-02-29 | 2008-12-31 | 浙江师范大学 | 一种个性化及协同化融合的网上多媒体检索与查询方法 |
CN101441657A (zh) * | 2008-12-31 | 2009-05-27 | 阿里巴巴集团控股有限公司 | 访客意向识别系统及方法和访客意向识别平台 |
CN101923545A (zh) * | 2009-06-15 | 2010-12-22 | 北京百分通联传媒技术有限公司 | 一种个性化信息推荐的方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765730B (zh) * | 2014-01-02 | 2018-06-05 | 株式会社理光 | 感兴趣人员推荐方法和装置 |
CN104765730A (zh) * | 2014-01-02 | 2015-07-08 | 株式会社理光 | 感兴趣人员推荐方法和装置 |
CN104462325B (zh) * | 2014-12-02 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 搜索推荐方法及装置 |
CN104462325A (zh) * | 2014-12-02 | 2015-03-25 | 百度在线网络技术(北京)有限公司 | 搜索推荐方法及装置 |
CN107004370A (zh) * | 2014-12-22 | 2017-08-01 | 英特尔公司 | 上下文导出的行为建模和反馈 |
CN107004370B (zh) * | 2014-12-22 | 2020-08-21 | 英特尔公司 | 上下文导出的行为建模和反馈 |
CN113722033A (zh) * | 2015-05-27 | 2021-11-30 | 苹果公司 | 用于在触敏设备上主动识别和显示相关内容的系统和方法 |
CN105760054A (zh) * | 2016-02-19 | 2016-07-13 | 北京奇艺世纪科技有限公司 | 一种预测提示方法和装置 |
CN106095267A (zh) * | 2016-06-01 | 2016-11-09 | 惠州市德赛西威汽车电子股份有限公司 | 基于用户意图识别的车载设备操控方法及其系统 |
CN106294601A (zh) * | 2016-07-28 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN106294601B (zh) * | 2016-07-28 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN107229948A (zh) * | 2017-05-19 | 2017-10-03 | 四川新网银行股份有限公司 | 一种基于用户问题预测模型的减小线上客户流失的方法 |
CN107273436A (zh) * | 2017-05-24 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 一种推荐模型的训练方法和训练装置 |
CN108268450A (zh) * | 2018-02-27 | 2018-07-10 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108268450B (zh) * | 2018-02-27 | 2022-04-22 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN109582760A (zh) * | 2018-08-06 | 2019-04-05 | 北京马上慧科技术有限公司 | 一种应用在智能对话系统中的应答流程引擎系统 |
CN109492128A (zh) * | 2018-10-30 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN112597386A (zh) * | 2020-12-16 | 2021-04-02 | 北京动力机械研究所 | 面向用户设计意图的智能推送方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102968416A (zh) | 基于用户意图识别执行推荐的设备和方法 | |
US20240169375A1 (en) | Linguistic extraction of temporal and location information for a recommender system | |
US20210174164A1 (en) | System and method for a personalized search and discovery engine | |
JP4433326B2 (ja) | 情報処理装置および方法、並びにプログラム | |
US9946767B2 (en) | Smoothed dynamic modeling of user traveling preferences in a public transportation system | |
JP4142669B2 (ja) | 電子書籍装置および電子書籍装置における表示方法 | |
US20160335603A1 (en) | Evaluating service providers using a social network | |
KR102466489B1 (ko) | 관심 지점에 관련된 정보를 사용자에게 제공하기 위한 방법 및 시스템 | |
US9645987B2 (en) | Topic extraction and video association | |
CN102870114A (zh) | 项目选择装置、项目选择方法以及项目选择用程序 | |
CN101551825A (zh) | 基于属性描述的个性化影片推荐系统及方法 | |
KR101290325B1 (ko) | 이동 단말기의 위치 로그 기반의 개인화된 여행지 컨텐츠 검색 방법 및 이를 수행하는 여행지 컨텐츠 검색 시스템 | |
CN111813898A (zh) | 基于语义搜索的专家推荐方法、装置、设备及存储介质 | |
Stein et al. | A College Major Recommendation System | |
CN104462083A (zh) | 用于内容比较的方法、装置和信息处理系统 | |
Jannach et al. | Item familiarity as a possible confounding factor in user-centric recommender systems evaluation | |
Shen et al. | Style-oriented personalized landmark recommendation | |
JP5082974B2 (ja) | 画像生成装置及びプログラム | |
KR20200065640A (ko) | 독자 신뢰 패턴 기반 문서 추천 방법 및 시스템 | |
JP2002175290A (ja) | ドキュメントデザイン評価システム、ドキュメントデザイン評価方法、記録媒体 | |
Sharma et al. | Movies Recommendation System | |
Nixon | How Distinct and Aligned with UGC is European Capitals’ DMO Branding on Instagram? | |
KR20200092802A (ko) | 전문가 추천 기법을 통한 관광정보 안내시스템 및 그 방법 | |
CN117390289B (zh) | 基于用户画像的房屋建造方案推荐方法、装置、设备 | |
KR102546409B1 (ko) | 사용자 경험 정보의 학습 기반 분석에 기초한 직무 적합성 정보 제공 방법 및 그 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20160511 |
|
C20 | Patent right or utility model deemed to be abandoned or is abandoned |