发明内容
本发明的技术目的是提出用于自动减少呈现给计算机实施的社交网络的用户的半个人推荐的数量的技术手段。
根据本发明的第一方面,上述技术目的通过一种操作个人推荐器系统的方法来获得,该个人推荐器系统被布置用于耦接到计算机实施的社交网络,所述方法包括以下步骤:
a)检测到在所述社交网络的用户A的用户账户中已经归档(file)了联系人-类型(contact-genre)元组的推荐,其中所述联系人-类型元组的推荐与特定类型的内容项相关,并已通过用户A的联系人的联系人账户启动了所述联系人-类型元组的推荐,
b)监视用户A响应于接收到所述推荐的推荐相关反应行为,
c)对同一联系人-类型元组的多个推荐重复步骤a)至b),并记录(log)多个监视的反应行为,用于根据所述多个监视的反应行为确定与所述联系人- 类型元组关联的用户A相关的相关性品味指数(relevance-taste index),
d)通过以下操作过滤同一联系人-类型元组的当前推荐:仅在所述当前推荐的相关性品味指数满足过滤标准的情况下将所述当前推荐归档在所述用户账户中,而在不满足所述过滤标准的情况下阻止所述当前推荐。
该方法提供了如下优点:其可以由机器执行,如在给出如何计算相关性品味指数的示例的优选实施例的描述中所说明的。
本发明包括如下辨识:用户A的联系人和用户A可以具有一个或多个他们都感兴趣的主题领域,然而,在大多数情况中,联系人和用户A对其它主题领域不具有相同的观点,并且还存在他们不都敢兴趣的主题领域。换言之,社交网络中的一对朋友可以关于一个类型的内容项具有类似的品味,但他们对另一类型的内容项可具有不相同的品味。对于不同类型的视频内容的欣赏,这通常是正确的。例如,一对朋友可能都喜欢侦探电影;然而,该对朋友中仅一个可能喜欢科幻电影,而另一个可能不喜欢科幻电影。如果用户A和联系人对该类型的内容项都敢兴趣,则半个人推荐仅应该提供给用户A。
此外,如果代表联系人以及基于该联系人对某一内容项的显式或隐式反馈而自动生成推荐,则推荐器系统不应该显式地询问该联系人半个人推荐应发送给他/她的哪个联系人。考虑到社交网络的用户可能具有大量联系人(通常超过几百),这种机制对于联系人来说将太烦人也太耗时。而且,用户A 的联系人通常不知道他的所有联系人究竟喜欢或不喜欢什么。
本发明通过在用户A的用户账号中仅归档由他的朋友/联系人或代表他的朋友/联系人发送到用户A的相关推荐,提供了解决日益增长的半个人推荐量的问题的方案。
通过执行步骤a)至c),即,通过观察用户A对由他的朋友/联系人或代表他/她得联系人推荐的内容项的显式或隐式反馈,对用户A感兴趣的每个类型,自动学习用户的哪个联系人相关。
对于每个联系人-类型元组,基于用户A响应于接收到推荐的反应行为计算相关性品味指数。为了确定相关性品味指数,可以应用学习算法。例如,确定相关性品位指数的步骤包括应用神经网络、朴素贝叶斯分类器和/或支持向量机。
例如,可以通过正数或负数表达所确定的相关性品味指数。在一示例中,通过值区间[-1,1](或任意其它数值区间)的数值部分来表达相关性品味指数,其中接近于-1的值指示高相关性但相反的品味,接近于0的值指示低相关性,而接近于1的值指示具有相似品味的高相关性。例如,用户A从联系人CU1 接收与类型“体育”的内容项相关的推荐。如果用户A响应于接收到这样的推荐什么也不做,则相关性品味指数将被计算为接近0。在另一情况中,如果用户A快速地对大多数所推荐的内容项进行负面评价,则关于联系人CU1 和体育类型的相关性品味指数将被计算为接近-1。在另一情况中,如果用户A 快速地对大多数所推荐的内容项进行正面评价,则相关性品味指数将被计算为接近+1。
相关性品味指数被用于估计某一类型的内容项将被用户A欣赏到什么程度,以及相应地用于过滤不相关的推荐。仅将其关联的相关性品味指数通过过滤标准的这样的推荐归档到用户A的用户账户中。其它推荐最初被阻止且不被归档在用户账户中。
通过过滤当前推荐,用户A面对更少的推荐,并仅面对对于用户A而实际具有相关性的这样的推荐。因此,经由用户账号浏览因特网对用户A而言更方便。此外,因为更少的推荐被归档到用户账号中,并且用户A因此必须处理更少的推荐,所以整个网络负载被降低。因为需要管理更少的推荐,所以减少了存储空间。关于推荐的每个用户交互在用户侧是耗时的,并且在推荐器侧和/或网络侧是耗费能量和资源的。如果根据所建议的操作方法操作多个个人推荐器系统,则如全球所关心的,将大大降低网络负载,并因此大大降低功耗。此外,将有助于整个社交网络的管理,因为网络负载被降低。而且,可以大大减少自动生成的半个人推荐的散布。
要操作的个人推荐器系统可以是基于内容的推荐器系统、基于协作过滤的推荐器系统、基于内容和基于协作过滤的组合推荐器系统、或者根据另一推荐机制操作的推荐器系统。
在本发明的描述的范围内,词语“用户”是指在计算机实施的社交网络上具有用户账号的人。这样的用户通常具有多个所谓的联系人(也称为“朋友”),其中这些联系人/朋友也是在同一或另一计算机实施的社交网络上具有用户账号(也称为“联系人帐户”)的用户。
下面,词语“推荐”是指包括对内容项的正面推荐(例如建议订购该内容项)、或者与内容项相关的负面的所谓警示(例如用户A的联系人的指示该联系人不喜欢该内容项的评论)的电子消息。这样的电子消息可以是例如电子邮件、短信服务消息、电子弹出以及它们的衍生物。推荐可以包括发送者标识符(例如姓名和/或联系人的照片)以及与所推荐的内容项相关的信息(例如,指向呈现所推荐的内容项的网站的链接和/或所推荐的内容项的描述(诸如图片))。此外,从用户直接提交到另一用户/该用户的联系人的推荐称为“个人推荐”。自动(即没有发送者的显式交互)发送给用户但包括对接收用户的联系人的暗示的推荐称为“半个人推荐”。
计算机实施的社交网络被理解为遵循其在信息和通信技术领域中的标准定义。因此,计算机实施的社交网络是允许多个用户的参与的计算机网络,其中每个用户可以设立个人联系人列表,其中这种列表的每个联系人也是同一或另一社交网络的参与者。
通过联系人账户启动推荐意味着与该联系人账户关联的联系人已经显式地向他的联系人之一(例如用户A)发送了对某一内容项的推荐,或者可以由耦接到该联系人账户的推荐器系统自动执行推荐的启动,如引言中所说明的。
用户A响应于接收到由联系人启动的推荐的反应可以被直接或间接(即,显式或隐式)地进行,如上文所说明的。相应地执行这种反应的监视。监视该反应行为的步骤可以包括存储推荐的归档与反应(诸如通过追随推荐中呈现的链接而关心所推荐的内容项)之间的时延、以及/或者存储指示反应是正面还是负面的数值。
例如,过滤标准被表达为固定阈值,其中当前推荐的相关性品味指数的绝对值必须大于或等于该固定阈值,以便被归档在用户账户中。过滤标准也可以由根据所监视的用户响应于接收到推荐的反应而动态调整的阈值表达。例如,过滤标准被定义为使得对于每个类型g,至少k个联系人的推荐不被滤除,其中k是适当选择的整数值。过滤标准也可以被计算为使得k取决于类型g。在这种情况中,对于一个类型,用户A可以比另一个类型具有更多的其推荐被通过的联系人。
如果当前推荐的相关性品味指数的绝对值大于固定的或动态调整的阈值,则过滤标准例如由当前推荐的相关性品味指数实现。
将当前推荐归档在用户账户中意味着用户A具有以通常方式觉察当前推荐的可能性。阻止当前推荐意味着用户A最初将不面对被阻止的当前推荐。
在操作方法的优选实施例中,已被发送到用户账号但已被阻止并因此未被提供给用户A的当前推荐被缓冲,并且,如果所缓冲的推荐中的至少一个满足经调整的过滤标准,则将该至少一个推荐归档在用户账户中。该实施例具有如下优点:到达用户账户的第一推荐可能被阻止,因为当前过滤标准不被满足。然而,因为过滤标准可以被动态调整,所以被阻止的推荐可以在以后的时间点满足经调整的过滤标准。如果这样,所缓冲的最初已被阻止的推荐现在被归档在用户账户中,使得用户A可以觉察该推荐。在任何情况中,最初被阻止的推荐不会丢失,而是被缓冲一定量的时间,并因此可用于以后的其它目的。
在另一实施例中,该方法包括附加步骤:
-将被阻止的与共同内容项y相关的推荐进行分组,
-通过将与经分组的推荐中的每个关联的相关性品味指数相加来确定累加的相关性品味指数,
-如果所述累加的相关性品味指数满足所述过滤标准,则将所述经分组的推荐作为单个组合推荐归档在用户账户中。
在此实施例中,发送给用户A的针对给定内容项的第一推荐可能被阻止,但到来的推荐的相关性品味指数被与关于联系人的对应信息、内容项y和内容项的类型一起存储,使得在某一时间点,该组推荐可以例如通过超过阈值而集体地满足过滤标准,。
在另一优选实施例中,该方法附加地包括步骤:
-识别经分组的推荐的发送者F(A),其中每个发送者F(A)具有链接到用户A的用户账户的关联的联系人账户,
-对于每个所识别的发送者F(A),确定对共同内容项y的爱好度λ(B,y),爱好度λ(B,y)指示相应发送者B对该共同内容项y感兴趣或不感兴趣,
-根据所确定的爱好度以及累加的相关性品味指数计算归一化的(normalized)累加的相关性品味指数,其中归一化的累加的相关性品味指数对应于采用的爱好度λ(A,y),爱好度λ(A,y)指示用户A对共同内容项y感兴趣或不感兴趣,以及
-如果归一化的累加的相关性品味指数满足过滤标准,则将对于共同内容项y的推荐归档在用户账户中。
该实施例具有如下优点:仅将用户A可能具有正面兴趣的推荐归档在用户A的用户账号中。该实施例包括辨识到:可以通过利用确定的相关度品味指数对通常在协作过滤机制内确定的爱好度进行加权,来实现由于推荐器系统基于协作过滤而已被生成的半个人推荐的散布的减少。例如,根据如下公式计算归一化的累加的相关性品味:
λ(A,y)=ΣB∈F(A)r(B,g(y))·λ(B,y)/ΣB∈F(A)|r(B,g(y))|,
其中ΣB∈F(A)r(B,g(y))是累加的相关性品味指数。
因此,如果附加地存在与联系人和共同内容项的类型关联的高相关度品味指数,则该联系人关于共同内容项的高爱好度仅促进将共同内容项的推荐归档到用户A的用户账户中。
为了允许用户A在过滤的和未过滤的推荐之间区分,在优选实施例中,该方法包括步骤:
-通过采用颜色编码对每个所呈现的推荐的相应采用的爱好度进行编码,来通过与个人推荐器系统耦接的用户接口的显示将过滤的推荐呈现给用户A。
在实施例中,颜色叠加(overlay)用于显示经过滤的推荐,以便指示相应采用的爱好度λ(A,x),其中用于叠加给定内容项的颜色饱和度作为λ(A,x) 的函数。这样,用户A不需要面对来自单独联系人/朋友的推荐,而是面对指示朋友的子集的集体推荐的微妙的颜色叠加。例如,当一定数目的朋友喜欢共同项并且已经相应地向用户A发送了推荐,并且当朋友的此数目超过了预定数目(诸如5、10或15)时,通过使用颜色叠加将这样的项目突显在用户 A的用户接口中。
替代地或附加地,如果基于单一朋友的推荐得分足够好,则通过颜色叠加突显基于单一朋友的推荐。在实施例中,这些推荐被补充以启动推荐的朋友的小图像。在另一实施例中,仅在选择的社区的足够大的子集的爱好度是已知的和/或所选择的社区足够大的情况下才表达颜色叠加。因此,隐私问题可以得到尊重。此外,用户A可以在社区的最小爱好度在叠加中变得可见之前对社区的最小爱好度设置阈值,使得仅社区的清晰偏好变为被表达。
在该方法的优选实施例中,确定相关性品味指数的步骤包括应用学习算法,诸如应用神经网络、朴素贝叶斯分类器或支持向量机。
还优选的是,应用学习算法的步骤包括考虑已被提交到联系人账户的与内容项相关的警示,其中该警示指示联系人不喜欢该内容项。警示可以是例如从联系人到用户A的指示该联系人特别不喜欢某一内容项的消息。这还可以使用在学习算法中,以便建立用户A和联系人之间对某一类型的相似性或不相似性。例如,通过学习算法可以发现不被联系人喜欢的某一类型的项目通常被用户A欣赏,换言之,可能确立:对于给定类型,用户A和联系人具有相反品味。在这种情况下,该方法可以包括将联系人提交给用户A的与某一内容项相关的警示转换为关于与同一内容项相关的推荐、以及将经转换的警示归档在用户账户中。在这些情况中,联系人-类型元组对于向用户A进行推荐仍然可以具有高相关性。
此外,其它方面可以影响过滤步骤,即,是否实际将当前推荐归档在用户A的用户账户中的决定。例如,在操作方法的另一实施例中,如果用户A 最近已经观看了视频,则与该已消费的内容项相关的推荐将被阻止。这种被阻止的推荐可以被缓冲或删除,如上文已说明的。
本申请的第一方面的方法特别适合于实施在个人推荐器系统内。此外,该操作方法可以应用在由个人计算机、机顶盒等构成的计算机实施的社交网络的背景中。本发明的第一方面的操作方法还增加推荐器系统的可用性和用户满意度。此外,操作方法可被整合到个人频道概念中。下面简要说明这样的概念:
个体的个人频道可被存储在存储器中,并包含个人数据,该个人数据提供关于该个体喜欢或不喜欢的线性和/或非线性内容项的信息。例如,一组特定电视(TV)节目被捆绑为个人频道。代替在所有可得的广播节目/频道上跳换(zap),该个体可以在他的个人频道上跳换。例如,该个体已经设立了个人新闻频道、个人卡通频道和/或个人电影频道。由于可得内容项的量继续增加,这样的个人频道变为越来越重要的工具,因为其提供了快速找到感兴趣的内容项的可能性。个人频道可以具有例如在多个手动添加的“种子”内容项或者由多个析取项(disjunct)构成的布尔表达式方面的规范,其可以限定什么内容项可以被自动添加到个人频道。个人频道还可以具有接收的或(要)记录的内容项的集合,其中根据“种子”内容项或根据布尔表达式接收/记录所述接收的或(要)记录的内容项。用户可以在所接收/记录的内容项上跳换,其中所记录的项通常存储在操作地连接到个人频道的硬盘上。特别地,个人频道的概念允许例如采用硬盘技术的记录器的一个或多个用户独立地定义多个频道,其类似于现有的广播频道但通常被填充以记录的广播内容、下载的因特网内容、或对可下载或可流化的因特网内容的链接。
这样的个人频道被个人化,这不仅由于个体/用户创建他自己的个人频道、还由于这样的个人频道可以配备推荐器系统、尤其是根据本发明操作的推荐器系统。这样的推荐器系统可以通过用户显式或隐式的反馈学习用户对频道的品味(如上所述),并可以用于精细调节频道的内容。
例如,通过由用户简单地从电子节目指南(EPG)选择节目以及指示他/ 她想要利用此节目创建新的个人频道来完成创建个人频道。此初始节目用作种子,并且将根据所建议的操作方法选择和/或推荐更多的类似节目,用于添加到个人频道中。因此,存在几种个人频道如何增长的可能性:用户可以手动添加新内容项,用户可以在推荐器系统推荐时添加新内容项,或者个人频道管理器向个人频道自动添加在某些方面类似于已经出现在个人频道中的内容项的新内容项,例如其与手动添加的内容项匹配。因为由根据所建议的操作方法操作的推荐器系统提供的推荐的相关性大大提高,所以个人频道的个人化因此也可以被提高,这由于推荐的内容项的自动添加或者由于在接收到对应推荐时手动添加的内容项。
代替社交网络的用户之间的推荐,根据前述,该操作方法还可以用在社交网络中的用户的个人频道之间的推荐的背景中。例如,个人频道通常被限制为几个类型,并且相关性可以限定在这几个类型的背景内。
根据本发明的第二方面,上述技术目的通过一种用于操作推荐器系统的计算机程序实现,该计算机程序包括程序代码部件,当计算机程序运行在控制该推荐器系统的计算机上时,该程序代码部件用于使推荐器系统执行本发明的第一方面的方法的步骤。
根据本发明的第三方面,上述技术目的通过一种过滤装置实现,该过滤装置被布置用于耦接到用于计算机实施的社交网络的用户A的推荐器系统,该过滤装置包括以下组件:
-检测器,配置为检测到在所述社交网络的用户A的用户账户中已经归档了联系人-类型元组的推荐,其中所述联系人-类型元组的推荐与特定类型的内容项x相关,并已通过用户A的联系人CU1的联系人账户启动了所述联系人-类型元组的推荐,
-监视单元,配置为监视用户A响应于接收到所述推荐的推荐相关反应行为,
-数据记录器,配置为记录与同一联系人-类型元组的多个推荐相关的多个监视的反应行为,
-分析器,配置为根据所述多个监视的反应行为确定与所述联系人-类型元组关联的用户A相关的相关性品味指数,
-推荐过滤器,配置为通过以下操作过滤同一联系人-类型元组的当前推荐:仅在所述当前推荐的相关性品味指数满足过滤标准的情况下将所述当前推荐归档在所述用户账户中,而在不满足所述过滤标准的情况下阻止所述当前推荐。
主要地,本发明的第三方面的过滤装置共享本发明的第一方面的操作方法的优点。特别地,过滤装置具有对应于上述操作方法的优选实施例的附加步骤的优选实施例。
根据本发明的第四方面,上述技术目的通过一种推荐器系统实现,该推荐器系统包括根据本发明的第三方面的过滤装置。
在优选实施例中,推荐器系统附加地包括用于向用户A呈现经过滤的推荐的用户接口。可以用颜色叠加来编码过滤器推荐,以便允许用户A在过滤的推荐和未过滤的推荐之间区分。在另一优选实施例中,推荐器系统附加地包括个人推荐器引擎,其耦接到该用户接口并配置为提供基于引擎的推荐。在优选实施例中,架构的用户接口部分整合了由联系人/朋友作出的推荐以及个人推荐器引擎为用户A作出的推荐。
个人推荐器引擎可以是基于内容的推荐器引擎或基于协作过滤的推荐器引擎或者它们的组合或者遵循另一操作方法的推荐器引擎。
用户接口可以是TV屏幕、计算机的监视器、移动设备的显示器、或者用于向用户A呈现推荐的任何其它合适接口。
在特别优选的实施例中,推荐器系统附加地包括配置为存储被阻止的推荐的存储器。例如,这种被阻止的推荐可以在以后的时间点被呈现给用户A,或者将某些被阻止的推荐进行分组并确定累加的相关性品味指数。
本发明的所有方面可以被应用在个人频道概念的背景中。例如,如果一个人或一个家庭使用多个个人频道来与TV推荐器交互,则上述本发明的方面可以被嵌入在个人频道的背景中。因此,社会网络中的人的个人频道之间的相关性可以被用于从用户A的联系人的个人频道向用户A的个人频道进行有效的推荐。
本发明的所有方面还可以应用在由PC、机顶盒等构成的社交网络的背景中。在这样的设备上可以安装推荐器技术。本发明的方面的应用提高了这种推荐器的可用性和用户满意度。更具体地,它们可以整合到个人频道概念中,个人频道概念被认为是提供了用户习惯的方便使用。代替社交网络中的朋友之间的推荐,本发明的方面还可以被用在社交网络中的朋友的个人频道之间的推荐的背景中。在该情况中,个人频道通常被限制到几个类型,并且相关性可以限定在这几个类型的背景内。
应该理解,本发明的第一方面的操作方法、本发明的第二方面的计算机程序、本发明的第三方面的过滤装置以及本发明的第四方面的推荐器系统具有类似和/或相同的优选实施例,特别是如从属权利要求中所限定的。
应该理解,本发明的优选实施例还可以是从属权利要求与相应独立权利要求的任意组合。
参照下面描述的实施例说明本发明的这些或其它方面,并且根据下面描述的实施例,本发明的这些和其它方面将明显。
具体实施方式
图1示出了图示操作被布置用于耦接到计算机实施的社交网络的个人推荐器系统的操作方法100的流程图。方法100用于降低呈现给用户A并来源于用户A的一个或多个联系人的不相关推荐的量的目的。用户A参与该社交网络并具有一个或多个作为用户而也参与了该社交网络的联系人。特别地,通过过滤步骤150来实现降低提供给用户A的推荐的量,其中检查当前推荐是否满足特定过滤标准。仅在满足过滤标准的情况下才将当前推荐呈现给用户A。
在第一步骤110中,检测到在社交网络的用户A的用户账户中已经归档了联系人-类型元组(CU1,g)的推荐。联系人-类型元组(CU1,g)的推荐与特定类型(g=g(x))的内容项x相关,并且已通过用户A的联系人CU1的联系人账户被启动了。在下一步骤120中,监视用户A响应于接收到联系人CU1 启动的推荐而如何反应。这样的反应可以直接或间接、或者隐式或显式地发生。例如,用户A可以评价所推荐的内容项x,并可以在步骤120中监视该评价。例如,如果内容项x是视频,则用户A还可以消费该内容项x。同样,可以监视这样的反应行为。在另一示例中,如果用户A不采取动作,则也在步骤120中监视这样的无动作。如果内容项x在网上可得,则用户A还可以订购该内容项x。
针对同一联系人-类型元组的多个推荐重复检测步骤110和监视步骤120,并且记录多个监视的反应行为,用于在步骤130中根据所述多个监视的反应行为确定与联系人-类型元组(CU1,g)关联的用户A相关的相关性品味指数 r=r((CU1,g))。这样的重复导致学习过程,其中可以确定用于多个联系人-类型元组的精确相关性品味指数。这样的学习过程可以包括应用新网络、朴素贝叶斯分类器和/或支持向量机。
相关性品味指数指示特定联系人-类型元组的推荐的相关性以及与内容项x的类型相关的用户A的采用品味两者。例如,相关性品味指数r是-1至 +1之间(或任何其它数值区间)的数。相关性品味指数r可以被确定,以使得负值指示该类型的高相关性和用户A的不喜欢。例如,如果用户A响应于接收到这样的推荐而快速反应、并例如通过负面地评价内容项x而表达对该内容项X的不喜欢,则相关性品味指数r被确定为接近于-1。例如,如果用户A响应于接收到这样的推荐而完全没有反应,则相关性品味指数r被确定为接近0。如果用户A响应于接收到这样的推荐而正面反应(例如通过完整地观看所推荐的视频,或者正面地评价内容项x,或者订购内容项x),则相关性品味指数r被确定为接近+1。
根据优选实施例,相关性品味指数可以被如下确定:
首先,让我们考虑到达社交网络的用户A的联系人-类型元组(即,检测 (110)到在所述社交网络的用户A的用户账户中已经归档了联系人-类型元组(CU1,g)的推荐,其中所述联系人-类型元组(CU1,g)的推荐与特定类型 (g=g(x))的内容项x相关,并且已通过所述用户A的联系人CU1的联系人账户启动了所述联系人-类型元组(CU1,g)的推荐的步骤a))。这些元组被存储在类似于下表的数据结构,其中(ui,gi)表示从用户ui接收的具有内容类型gi的元组。我们还将考虑(不失一般性)n个不同的类型:g1,…gn。
元组联系人-类型 |
正面反应的计数 |
负面反应的计数 |
u1,g1 |
N((u1,g1),+) |
N((u1,g1),-) |
u1,g2 |
N((u1,g2),+) |
N((u1,g2),-) |
… |
… |
… |
u1,gn |
N((u1,gn),+) |
N((u1,gn),-) |
u2,g1 |
N((u2,g1),+) |
N((u2,g1),-) |
u2,g2 |
N((u2,g2),+) |
N((u2,g2),-) |
… |
… |
… |
u2,gn |
N((u2,gn),+) |
N((u2,gn),-) |
… |
… |
… |
… |
… |
… |
ui,g1 |
N((ui,g1),+) |
N((ui,g1),-) |
ui,g2 |
N((ui,g2),+) |
N((ui,g2),-) |
… |
… |
… |
ui,gn |
N((ui,gn),+) |
N((ui,gn),-) |
用户A接收的每一个推荐具有关联的元组,其依赖于发送它的用户以及内容的类型。对于每一个推荐,A的反应被监视(即,监视(120)用户A 响应于接收到所述推荐的推荐相关反应行为的步骤b))。如果反应是正面的 (例如,A观看所推荐的项),则对应于该推荐的元组的正面反应的计数增加 1(上表的第二列)。如果反应是负面的,则负面反应的计数增加1(上表的第三列)。除上表之外,还维持两个附加计数:N(+)和N(-),它们分别是所接收的被监视反应的所有推荐的所有正面反应的和以及所有负面反应的和(上表的第二列的所有值的和以及第三列的所有值的和)。
给定联系人ux对类型gy的内容的新推荐(ux,gy),相关性品味指数r((ux,gy)) 被如下计算(即,对同一联系人-类型元组(CU1,g)的多个推荐重复步骤a)至 b),并记录多个监视的反应行为,用于根据所述多个监视的反应行为确定(130) 与所述联系人-类型元组(CU1,g)关联的用户A相关的相关性品味指数 r=r((CU1,g))的步骤c))。
首先,我们计算
以及
在N((ux,gy),+)或N((ux,gy),–)为0的情况中,我们利用小任意值取代它们 (拉普拉斯校正)。
接着,计算歪曲因子(skewing factor)s((ux,gy))(范围从0到∞),其被如下计算:
最后,给出相关性品味指数r((ux,gy))为:
相关性品味指数的范围从0至1。
根据相关性品味指数的值,关于元组(ux,gy)的推荐将被阻止(值小于预定义阈值)或传送给用户A(值大于预定义阈值)(即,过滤(150)同一联系人-类型元组(CU1,g)的当前推荐(112),所述过滤(150)通过如下进行:仅在所述当前推荐的相关性品味指数满足过滤标准的情况下将所述当前推荐归档(152)在所述用户账户中,而在不满足所述过滤标准的情况下阻止(154) 所述当前推荐的步骤d)中的过滤标准FC)。
优选地,已被阻止的推荐被缓冲,并且它们的相关性品味指数被累加,直到它们的和超过阈值为止。当这发生时,一个联合组推荐被发送给A。
过滤标准FC可以例如由固定阈值表达,因此例如为0.5的值。例如,如果相关性品味指数r是在-1和+1之间的值,则过滤标准可以用公式表示为:
FC:(r<-0.5)v(r>0.5)
在该情况中,仅在当前推荐112具有相应高或低的相关性品味指数的情况下,这样的进一步推荐才会通过过滤步骤150。换言之,在步骤150中,仅在过滤标准被当前推荐的相关性品味指数满足的情况下才将当前推荐112 归档(步骤152)在用户A的用户账户中,而在过滤标准不被满足的情况下阻止(步骤154)当前推荐。
在经过滤的推荐已被归档(步骤152)在用户A的用户账户中之后,其可以被呈现给用户A(步骤190)。
可选地,被阻止的推荐可以被缓冲(步骤160),并且可以在以后时间点在步骤180中确定被缓冲的推荐那时是否满足过滤标准。例如,过滤标准可以随时间改变,并且被缓冲的推荐在到达时间点不是足够高或足够低的相关性品味指数。
在步骤170中,可以将与共同内容项相关的最初被阻止的推荐进行分组。对于这些分组的推荐,在步骤180中,通过将与每个分组的推荐关联的相关性品味指数相加来确定累加的相关性品味指数。例如,用户A的一些联系人可能正面地评价同一内容项。如果这些联系人配备自动生成向这些联系人的联系人(例如向用户A)的推荐的推荐器引擎,则针对该共同内容项的推荐将被从用户A的每个联系人发送给用户A。单个推荐的相关性品味指数可能不足够高或足够低到通过过滤步骤。因此,这样的推荐被在步骤154中阻止。如果所确定的累加的相关性品味指数在步骤150中满足过滤标准,则在步骤 152中将分组的推荐作为单个组合推荐归档在用户A的用户账户中。因此,代替面对用户A可能分类为不相关的多个推荐,用户A将面对用户A有可能分类为相关的组合推荐。
结果,方法100包括自动学习:对于每个类型,用户A的哪些联系人是相关的;用户A对哪个感兴趣。通过随着时间观察用户A响应于从某一联系人(例如联系人CU1)接收到关于项的推荐的反馈(其可以是显式或隐式的反馈),学习对于哪些类型,用户A确实欣赏联系人CU1启动的推荐。如此,可以学习到来自联系人CU1的与例如类型“科幻”相关的推荐一般被用户A 所欣赏,而联系人CU1的与例如“侦探”相关的推荐通常不被用户A所欣赏。用户A的所述不欣赏不必然隐含着用户A不喜欢消费所推荐的内容项(例如不喜欢观看侦探电影),而仅隐含着用户A不喜欢联系人CU1所推荐的那些。特别地,在监视步骤120和确定步骤130内,学习算法可以被用于解析 (interprete)来自用户A的对其它人作出的推荐的反馈。如此,对于每个联系人-类型元组(CU1,g),(CU2,g)…,相应的相关性品味指数被确定,以便仅归档与向用户A作出有意义的推荐相关的这种联系人-类型元组的推荐。
由联系人CU1启动的推荐也可以表达联系人CU1对内容项的不喜欢。在这种情况中,“推荐”被称为“警示”。警示因此是由联系人CU1启动的并发送给用户A的指示联系人CU1特别不喜欢内容项的消息。这样的警示也可以被用在学习算法中(即,步骤110、120和130内),以便在联系人CU1和用户B之间建立对某一类型的品味的相似性和不相似性。可以发现,某一类型的联系人CU1不喜欢的项目通常被用户A所欣赏;联系人CU1和用户A 具有“相反品味”。在该情况中,从联系人CU1发送的针对某一内容项的警示可能实际上是提交给用户A的针对该某一内容项的推荐。如果相关性品味指数值可以采用上面具体说明的值,则在这种“相反品味”的情况中,相关性品味指数将采用接近于-1的值。
操作方法100特别适合于在个人推荐器系统内实施,例如图2中所绘出的个人推荐器系统。
图2示出了根据本发明的第四方面的推荐器系统200的框图。
用户A是社交网络300的成员,并具有多个联系人,所述联系人也是社交网络300的成员。推荐器系统200包括过滤装置260,用于过滤由用户A 的联系人启动的推荐。可以通过耦接到过滤装置260的用户接口270将经过滤的推荐呈现为用户A。此外,推荐器引擎280可以耦接到用户接口270,使得基于常规推荐器引擎的推荐也可以呈现给用户A。
过滤装置260包括耦接到用户接口270的检测器210,其检测到联系人- 类型元组(CU1,g)的推荐212已被归档在用户A的用户账户中。联系人-类型元组(CU1,g)的推荐212与特定类型g=g(x)的内容项x相关,并已通过用户A 的联系人CU1的联系人账户启动。监视单元220耦接到检测器210,并监视用户A响应于接收到推荐212的推荐相关的反应行为222。例如,监视单元 220包括计时器,其确定推荐212的归档与用户A的反应之间的时延。
过滤装置260还包括数据记录器240,其记录与同一联系人-类型元组 (CU1,g)的多个推荐相关的多个监视的反应行为。为了记录,数据记录器240 可以包括存储部件,用于存储监视的推荐相关的反应行为214,例如以数值的形式,其指示用户A对推荐的内容项的爱好度。可以将这样的数值与相应的时延关联地存储,其中这样的时延可以指示推荐类型的相关性,例如指示元组(CU1,g)的推荐。
由耦接到数据记录器240的分析器230分析表示反应行为的记录的数据242。分析器230根据多个监视的反应行为242确定与联系人-类型元组关联的用户A相关的相关性品味指数r=r((CU1,g))。分析器230可以实施学习算法,以便确定合适的相关性品味指数。
推荐器系统200的过滤装置260包括推荐过滤器250,其耦接到分析器 230并接收针对一个或多个联系人-类型元组的所确定的相关性品味指数。
推荐过滤器250过滤当前推荐302,这通过如下执行:仅在过滤标准被当前推荐的相关性品味指数满足的情况下才将当前推荐302归档在用户A的用户账户中,并在过滤标准不被满足的情况下阻止当前推荐。被阻止的推荐可以存储在推荐器系统200的存储器290中,用于在以后的时间点最终将它们呈现给用户A。这种存储或缓冲的推荐可以与以后由用户A的其他联系人作出的针对同一内容项的其它推荐相组合。
应该理解,各个附图的元素的布置主要用于清楚描述的目的,其不涉及根据本发明的制造的装置/设备的部分的任何实际几何布置。
在权利要求中,词语“包括”不排除其它元素或步骤,并且不定冠词“一”或“一个”不排除复数。
单个单元或设备可能满足权利要求中描述的几项的功能。在互相不同的从属权利要求中描述某些措施的仅有事实不表示这些措施的组合不能被有利地使用。权利要求中的任何参考符号不应该被认为是对范围的限制。
本发明的第二方面的计算机程序可以被存储/发布在与其它硬件一起或作为其它硬件的一部分提供的合适介质(诸如光学存储介质或固态介质)上,但也可以以其它形式发布,诸如经由英特网或者其它有线或无线通信系统。
本发明涉及操作推荐器系统的操作方法、用于推荐器系统的过滤装置、推荐器系统以及对应的计算机程序。
本发明的思想在于为社交网络中的用户A自动学习关于用户A感兴趣的类型,用户A的联系人(其也是该社交网络的成员)的哪些推荐是相关的。学习算法用于解析用户A响应于从他/她的联系人接收到推荐的反馈。因此,对于联系人和类型的每个组合,可以确定相关性品味指数。所确定的相关性品味指数接受过滤。仅将关联的相关性品味指数满足过滤标准的这些推荐提供给用户A。因此,提交给用户A的不相关的推荐的量可以大大减少。