CN104252498B - 上下文感知推荐 - Google Patents

Abstract

根据本公开的各个方面，提供系统和方法，用于通过在考虑到上下文的颗粒结构及其上下文信息的同时，将与用户相关的上下文的上下文信息整合到推荐模型中，响应于与用户相关的查询向用户提供推荐，来管理上下文感知推荐。

Description

上下文感知推荐

技术领域

本描述涉及用于上下文感知推荐管理（context aware recommendationmanagement）的各种基于计算机的技术。

背景技术

近年来已经见证了在移动设备的使用方面的快速增长和在线信息需求的爆发，诸如寻找最好的餐馆、搜索旅游景点、和/或寻找公寓。为了便利于用户对更准确的信息的需求，需要改进的推荐技术。而且，由于移动设备与桌面显示器相比相对较小的显示屏幕尺寸，需要更加准确的推荐，以便示出用于显示的一些候选项。

发明内容

根据公开的各个方面，可以提供包括记录在非瞬时计算机可读介质上且至少一个处理器可运行的指令的计算机系统。计算机系统可以包括上下文感知推荐管理器，其被配置为使得至少一个处理器，通过在考虑到上下文的颗粒结构（granular structure）及其上下文信息的同时，将与用户相关的上下文的上下文信息整合到推荐模型中，响应于与用户相关的查询而向用户提供一个或多个推荐。上下文感知推荐管理器可以包括多颗粒（multi-granular）上下文模块，其被配置为检测与用户相关的上下文，并且基于表现与用户相关的信息的特征的上下文信息，确定包括颗粒结构的一个或多个结构元素（structural elements）的上下文的颗粒结构。上下文感知推荐管理器可以包括预过滤推荐范例(paradigm)模块，其被配置为根据颗粒结构的每个结构元素之间的关系路径（relational path）的一个或多个上下文组合对上下文信息进行预过滤，并选择用于与每个上下文组合进行比较的与用户相关的历史网络导航数据。上下文感知推荐管理器可以包括推荐构建器（recommendation builder），其被配置为通过在考虑到上下文的颗粒结构及其上下文信息的同时，计算每条不同的关系路径与所选择的历史网络导航数据相比较的推荐性能（recommendation performance），在推荐模型中对用于查询的每个上下文组合进行建模（model），并且确定具有最佳推荐性能的一个或多个上下文组合中的至少一个，由此选择一个或多个最佳的上下文组合，用于响应于查询向用户提供一个或多个推荐。

在一种实施方式中，上下文可以包括多个上下文，而多个上下文中的每一个包括具有多颗粒组织（multi-granular organization）的层级结构。与上下文相关联的上下文信息可以揭示用户查询的意图。上下文信息可以包括用户发出的查询的时间和位置。推荐构建器可以被配置为对于<查询，位置，时间>选择最佳的上下文组合。与上下文相关联的上下文信息可以包括用户简档，用户简档包括以下各项中的一个或多个：用户性别、用户年龄、用户个人爱好、用户薪水、用户喜欢的和/或反感的、以及与用户相关联的一个或多个社交网络。

在一种实施方式中，上下文的颗粒结构的结构元素和与用户相关的上下文信息可以包括一个或多个颗粒级别（granular level）和在每个颗粒级别内的一个或多个颗粒组件（granular component）。多颗粒上下文模块可以被配置为基于与用户相关的历史网络导航数据自动地检测与用户相关的上下文。多颗粒上下文模块可以被配置为自动地检测上下文的结构元素和与用户相关的上下文信息之间的依赖关系（dependency），所述依赖关系包括在一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件之间的依赖关系。

在一种实施方式中，推荐构建器可以包括训练器模块（trainer module），其被配置为自动地发现一个或多个潜在预测关系（potentially predictive relationship）以及上下文的颗粒结构的结构元素和与用户相关的上下文信息之间的依赖关系。推荐器模块（recommender module）可以被配置为自动地检测对于查询的一个或多个最佳的上下文组合，作为提供给用户的上下文感知推荐。

根据本公开的各个方面，计算机实施的方法可以被配置为用于通过在考虑到上下文的颗粒结构及其上下文信息的同时，将与用户相关的上下文的上下文信息整合到推荐模型中，响应于与用户相关的查询向用户提供一个或多个推荐。计算机实施的方法可以被配置为用于检测与用户相关的上下文，基于表现与用户相关的信息的特征的上下文信息，确定包括颗粒结构的一个或多个结构元素的上下文的颗粒结构，并且根据颗粒结构的每个结构元素之间的关系路径的一个或多个上下文组合对上下文信息进行预过滤。计算机实施的方法可以被配置为用于选择用于与每个上下文组合进行比较的与用户相关的历史网络导航数据，通过在考虑到上下文的颗粒结构及其上下文信息的同时，计算每条不同的关系路径与所选择的历史网络导航数据相比较的推荐性能，在推荐模型中对用于查询的每个上下文组合进行建模，并且确定具有最佳推荐性能的一个或多个上下文组合中的至少一个，由此选择一个或多个最佳的上下文组合，用于响应于查询向用户提供一个或多个推荐。

在一种实施方式中，上下文可以包括多个上下文，而多个上下文中的每一个可以包括具有多颗粒组织的层级结构。与上下文相关联的上下文信息可以揭示用户查询的意图。上下文信息可以包括用户发出的查询的时间和位置。推荐构建器可以被配置为对于<查询，位置，时间>选择最佳的上下文组合。与上下文相关联的上下文信息可以包括用户简档，用户简档包括以下各项中的一个或多个：用户性别、用户年龄、用户个人爱好、用户薪水、用户喜欢的和/或反感的、以及与用户相关联的一个或多个社交网络。上下文的颗粒结构的结构元素和与用户相关的上下文信息可以包括一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件。

在一种实施方式中，计算机实施的方法可以包括以下各项中的一个或多个：基于与用户相关的历史网络导航数据自动地检测与用户相关的上下文，自动地检测上下文的结构元素和与用户相关的上下文信息之间的依赖关系，所述依赖关系包括在一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件之间的依赖关系，自动地发现一个或多个潜在预测关系以及上下文的颗粒结构的结构元素和与用户相关的上下文信息之间的依赖关系，以及自动地检测对于查询的一个或多个最佳的上下文组合作为提供给用户的上下文感知推荐。

根据本公开的各个方面，计算机程序产品可以被提供为有形地体现在非瞬时计算机可读存储介质上且包括指令，当所述指令由至少一个处理器运行时，可以被配置为通过在考虑到上下文的颗粒结构及其上下文信息的同时，将与用户相关的上下文的上下文信息整合到推荐模型中，响应于与用户相关的查询向用户提供一个或多个推荐。当由至少一个处理器运行时，所述指令可以被配置为检测与用户相关的上下文，基于表现与用户相关的信息的特征的上下文信息，确定包括颗粒结构的一个或多个结构元素的上下文的颗粒结构，并且根据在颗粒结构的每个结构元素之间的关系路径的一个或多个上下文组合对上下文信息进行预过滤。当由至少一个处理器运行时，所述指令可以被配置为选择用于与每个上下文组合进行比较的与用户相关的历史网络导航数据，通过在考虑到上下文的颗粒结构及其上下文信息的同时，计算每条不同的关系路径与所选择的历史网络导航数据相比较的推荐性能，在推荐模型中对用于查询的每个上下文组合进行建模，并且确定具有最佳推荐性能的一个或多个上下文组合中的至少一个，由此选择一个或多个最佳的上下文组合，用于响应于查询向用户提供一个或多个推荐。

在一种实施方式中，上下文可以包括多个上下文，而多个上下文中的每一个可以包括具有多颗粒组织的层级结构。与上下文相关联的上下文信息可以揭示用户查询的意图。上下文信息可以包括用户发出的查询的时间和位置。推荐构建器可以被配置为对于<查询，位置，时间>选择最佳的上下文组合。与上下文相关联的上下文信息可以包括用户简档，用户简档包括以下各项中的一个或多个：用户性别、用户年龄、用户个人爱好、用户薪水、用户喜欢的和/或反感的、以及与用户相关联的一个或多个社交网络。上下文的颗粒结构的结构元素和与用户相关的上下文信息可以包括一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件。

在一种实施方式中，当由处理器运行时，所述指令可以被配置为，基于与用户相关的历史网络导航数据自动地检测与用户相关的上下文，自动地检测上下文的结构元素和与用户相关的上下文信息之间的依赖关系，所述依赖关系包括在一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件之间的依赖关系，自动地发现一个或多个潜在预测关系以及上下文的颗粒结构的结构元素和与用户相关的上下文信息之间的依赖关系，和/或自动地检测对于查询的一个或多个最佳的上下文组合作为提供给用户的上下文感知推荐。

附图说明

图1是示出根据本公开的各个方面的用于上下文感知推荐管理的示例系统的框图。

图2是示出根据本公开的各个方面的用于管理上下文感知推荐的示例方法的处理流程。

图3A-图3B是示出根据本公开的各个方面的各种示例上下文颗粒组合的示图。

图4是示出根据本公开的各个方面的示例预过滤范例的示图。

图5是示出根据本公开的各个方面的系统的示例组件的示图。

图6是示出根据本公开的各个方面的示例程序的示图。

具体实施方式

由于Web2.0以及移动设备的广泛使用，诸如时间和位置的上下文信息在一些在线服务中是可容易地访问的。根据本公开的各个方面，这里提供的上下文感知推荐系统可以被配置为通过裁减（tailoring）与用户相关的一些特定上下文来改进用户对推荐的满意度。具有颗粒结构的多个上下文的效果被认为对于推荐性能来说是重要的。而且，这里描述了对于给定输入如何检测用于推荐的最佳的上下文组合。根据本公开的各个方面，用于使用包括例如时间和/或位置上下文的一个或多个各种类型的上下文的架构（framework）被提供在这里用于上下文感知推荐系统，所述上下文感知推荐系统被配置为向用户提供更佳的推荐，并且用于提高网络设定中的用户体验。与所述系统一起，还提供了用于自动地检测用于推荐的上下文依赖关系的方法。

而且，移动设备和Web2.0提供用于访问在上下文之内的丰富的上下文信息。对于旅游景点推荐任务，查询的时间和位置可以与查询语言和用户简档信息一起发出，用户简档信息诸如，例如，性别、年龄、薪水、个人爱好、以及社交网络/媒体、购物单等等，这可以被认为是为了更佳的推荐而利用的与用户相关的重要的上下文。例如，旅游者（用户）可以对于接近例如巴黎埃菲尔铁塔的一些推荐事件输入“旅游事件”。如果所述系统和方法知道在这个特定位置，对于日志数据（log data）中的一些先前的查询，一些精选的（hit）推荐可以包括“拍摄铁塔照片”、“购买纪念品”，则如果使用位置上下文，所述系统和方法可以向用户推荐一个或多个这些主意。如果另一个用户在例如7月14日晚上在相同地点发出相同的查询，与提及的推荐事件一起，包括例如“法国国庆日游行”和“烟火秀”的更多推荐的事件也可以被提供给用户作为推荐。如示例所示出的，推荐系统和方法可以利用丰富的上下文信息用于更好的推荐。

根据本公开的各个方面，推荐系统和方法被配置为提供基于内容的推荐和与上下文相关的上下文信息的协同过滤（collaborative filtering）。而且，推荐系统和方法被配置为将上下文的上下文信息整合到推荐模型中。因此，这里提供的推荐系统和方法被配置为提供在考虑到（多个）上下文的上下文结构和与每个上下文相关的上下文信息的同时，在推荐模型中开发丰富的一组（多个）上下文和上下文信息的架构。上下文敏感的系统和方法还可以被提供用来开发每个上下文的颗粒并因此检测最佳的上下文组合。如这里所描述的，所述系统和方法引入多颗粒上下文的表达，并提供推荐任务的预过滤范例。所述系统和方法还可以被配置为在开发颗粒时选择最佳的上下文组合，并且这里还描述了抽取采样用于示出方案（approach）如何起作用、工作、和/或操作。

图1是示出根据本公开的各个方面的用于上下文感知推荐管理的示例系统100的框图。

在图1的示例中，系统100包括计算机系统，用于实施可以与计算设备104相关联的上下文感知推荐管理系统，由此将计算设备104变换为专用机器，该专用机器被设计为确定和实施上下文感知推荐（多个）过程，如这里所述。在这个意义上，可以理解，计算设备104可以包括任意的（多个）标准元件和/或组件，包括至少一个处理器110、存储器（例如，非瞬时计算机可读存储介质）112、一个或多个数据库资源140、电源（power）、外设（peripherals）、以及在图1中没有具体地示出的各种其它计算元件和/或组件。而且，系统100可以与用户接口（UI）160（例如，各种电子输入设备）相关联，UI160可以用来经由，诸如，在一个示例中，图形用户界面（GUI）接收用户输入162。在一种实施方式中，UI160可以用来，例如，从用户接收用于管理或利用系统100的各种偏好。因此，应当理解，对于实施系统100有用的系统100的各种其他元件和/或组件可以被添加或包括，如本领域普通技术人员将清楚的。

在图1的示例中，上下文感知推荐管理系统100可以包括计算设备104和记录在非瞬时计算机可读介质112上且至少一个处理器110可运行的指令。计算设备104被配置为访问一个或多个数据库资源140以及与一个或多个数据库资源140进行通信，一个或多个数据库资源140可以包括（多个）本地资源、（多个）远程资源、（多个）外设资源、（多个）内部资源、（多个）外部资源、和/或（多个）基于网络的资源。同样地，在一些示例中，上下文感知推荐管理系统100可以包括用户接口（UI）160，UI160用于从用户接收各种输入和/或用于向用户提供各种输出。

上下文感知推荐管理系统100可以包括上下文感知推荐管理器120，上下文感知推荐管理器120被配置为使得至少一个处理器110，通过在考虑到上下文142的颗粒结构146及其上下文信息144的同时，将与用户相关的上下文142的上下文信息144整合到推荐模型128中，响应于与用户相关的查询164向用户提供一个或多个推荐134。计算设备104的上下文感知推荐管理器120可以被配置为经由用户接口（UI）160从用户接收查询164（一个或多个查询）。

在一种实施方式中，上下文感知推荐管理器120可以被配置为引入多颗粒上下文的表达，并提供推荐任务的预过滤范例。上下文感知推荐管理器120还可以被配置为选择最佳的上下文组合（bbc）和具有抽取采样的颗粒，以示出方案可以如何起作用。

在各种示例中，计算设备104可以使用被配置用于通过网络进行有线和/或无线通信的硬件和/或软件的任何适当的组合来实施。在一种实施方式中，计算设备104可以实施为适合于通过网络进行通信的服务器（例如，网络服务器）。在另一个示例中，计算设备104可以实施为适合于与网络进行通信的移动通信设备（例如，无线蜂窝电话）。在其它的示例中，计算设备104可以实施为个人计算机（PC）、个人数字助理（PDA）、膝上型计算机、平板计算机、笔记本计算机、和/或被配置用于与网络进行通信的各种其它一般已知类型的有线和/或无线计算设备。因此，在各种实施方式中，计算设备104可以被称为用于网络的服务器计算设备。

在各种示例中，用户接口（UI）160可以实施为使用被配置用于通过网络进行有线和/或无线通信的硬件和/或软件的任何适当的组合的设备。在一个示例中，UI设备160可以实施为适合于与网络进行通信的移动通信设备（例如，无线蜂窝电话）。在其它的示例中，UI设备160可以实施为PC、PDA、膝上型计算机、平板计算机、笔记本计算机、和/或被配置用于与网络进行通信的各种其它已知类型的有线和/或无线计算设备。因此，在各种示例中，UI设备160可以被称为用户设备、客户端设备、和/或客户设备。而且，UI160可以包括至少一个视觉监视组件，诸如，例如，液晶显示器（LCD），或一些其它的显示设备。UI160可以包括至少一个音频输入/输出组件，诸如，例如，麦克风、扬声器、或一些其它的音频输入/输出设备。

在各种示例中，计算设备104和用户接口（UI）设备160可以被配置为通过网络进行通信，该网络可以实施为单一网络或多个网络的组合。例如，所述网络可以包括适合于与诸如因特网的一个或多个其它通信网络进行通信的无线电信网络（例如，蜂窝式电话网络）。在其它示例中，所述网络可以包括因特网、一个或多个内联网、固定电话网络（landlinenetwork）、无线网络、和/或一个或多个其它适当类型的通信网络。同样地，在各种实施方式中，计算设备104和用户接口（UI）设备160可以与特定链路（例如，链路，诸如到IP（网际协议）地址的URL（统一资源定位符））相关联。

上下文感知推荐管理器120可以包括多颗粒上下文模块122，多颗粒上下文模块122被配置为检测与用户相关的上下文142，并且基于表现与用户相关的信息的特征的上下文信息144，确定包括颗粒结构146的一个或多个结构元素148的上下文142的颗粒结构146。多颗粒上下文模块122可以被配置为基于与用户相关的历史网络导航数据152自动地检测与用户相关的上下文142。

在各种示例中，上下文142可以包括具有多颗粒组织的层级结构。上下文142可以包括一个或多个上下文，所述一个或多个上下文包括一个或多个不同的上下文。上下文142可以包括多个上下文，而多个上下文中的每一个可以包括具有多颗粒组织的层级结构。

在各种示例中，与上下文142相关联的上下文信息144可以揭示用户查询164的意图。上下文信息可以包括用户经由UI162发出的查询164的时间和/或位置。如这里进一步描述的，推荐构建器126可以被配置为选择对于<查询，位置，时间>的最佳的上下文组合。

在各种示例中，与上下文142相关联的上下文信息144可以包括用户简档，用户简档包括与用户相关的各种信息，诸如，例如，以下各项中的一个或多个：用户性别、用户年龄、用户个人爱好、用户薪水/报酬/职业、与用户相关联的购物单、用户各种喜欢的和反感的、以及与用户相关联的一个或多个社交网络/媒体。

在各种示例中，上下文142的颗粒结构146的结构元素148和与用户相关的上下文信息144可以包括一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件。多颗粒上下文模块122可以被配置为自动地检测上下文142的结构元素148和与用户相关的上下文144之间的依赖关系，所述依赖关系包括在一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件之间的依赖关系。

上下文感知推荐管理器120可以包括预过滤推荐范例模块124，预过滤推荐范例模块124被配置为根据在颗粒结构146的每个结构元素148之间的关系路径的一个或多个上下文组合150对上下文信息144进行预过滤。预过滤推荐范例模块124可以被配置为选择与用户相关的历史数据（例如，历史网络导航数据）152，用于与每个上下文组合150进行比较。

上下文感知推荐管理器120可以包括推荐构建器126，推荐构建器126被配置为通过在考虑到上下文142的颗粒结构146及其上下文信息144的同时，计算每条不同的关系路径与所选择的历史网络导航数据152相比较的推荐性能，在推荐模型128中对用于查询164的每个上下文组合150进行建模。

推荐构建器126可以被配置为确定具有最佳推荐性能的一个或多个上下文组合150中的至少一个，由此选择一个或多个最佳的上下文组合，用于响应于查询164向用户提供一个或多个推荐134。

推荐构建器126可以包括训练器模块130，训练模块130被配置为自动地发现一个或多个潜在预测关系以及在上下文142的颗粒结构146的结构元素148和与用户相关的上下文信息144之间的依赖关系。

推荐构建器126可以包括推荐器模块132，推荐器模块132被配置为对于查询164检测一个或多个最佳的上下文组合，作为响应于接收和/或处理查询164的提供给用户的上下文感知推荐。

在图1的示例中，应当理解，使用或多或少代表离散功能的各种功能块或模块示出了上下文感知推荐管理系统100。然而，为了清楚和方便而提供了这样的例示，因此，应当理解，各种功能可以在所描述的（多个）块或（多个）模块之内重叠或组合，和/或可以通过在图1的示例中没有具体示出或例示的一个或多个块或模块来实施。因此，应当理解，被认为对图1的系统100有用的各种传统功能也可以被包括，即使这样的传统元素为了清楚和方便的目的而没有明确地示出。

图2是示出根据本公开的各个方面的用于管理上下文感知推荐的示例方法200的处理流程。

在图2的示例中，操作202-212被示出为依照顺序的次序出现的离散操作。然而，应当理解，在其它的实施方式中，操作202-212中的两个或更多个可以以部分地或完全地重叠或并行的方式出现，或者以嵌套或循环方式出现，或者可以以与所示不同的次序出现。而且，在图2的示例中没有具体地示出或例示的各种额外的操作可以包括在一些实施方式中，而在其它实施方式中，操作202-212中的一个或多个可以被省略。而且，在各种其它的实施方式中，方法200可以包括用于图1的系统100中的上下文感知推荐管理的计算机实施的方法的处理流程。而且，操作202-212可以提供简化的操作处理流程，该流程可以由计算设备104执行（enact）以提供如参考图1描述的特征和功能。

根据本公开的各个方面，图2的方法200可以被配置为用于通过在考虑到上下文的颗粒结构及其上下文信息的同时，将与用户相关的上下文的上下文信息整合到推荐模型中，响应于与用户相关的查询向用户提供一个或多个推荐。

在图2的示例中，在202，方法200可以包括检测与用户相关的上下文。在204，方法200可以包括基于表现与用户相关的信息的特征的上下文信息，确定包括颗粒结构的一个或多个结构元素的上下文的颗粒结构。在206，方法200可以包括根据在颗粒结构的每个结构元素之间的关系路径的一个或多个上下文组合对上下文信息进行预过滤。而且，在208，方法200可以包括选择与用户相关的历史网络导航数据用于与每个上下文组合进行比较。在210，方法200可以包括通过在考虑到上下文的颗粒结构及其上下文信息的同时，计算每条不同的关系路径与所选择的历史网络导航数据相比较的推荐性能，在推荐模型中对用于查询的每个上下文组合进行建模。在212，方法200可以包括确定具有最佳推荐性能的一个或多个上下文组合中的至少一个，由此选择一个或多个最佳的上下文组合，用于响应于查询向用户提供一个或多个推荐。

在各种示例中，方法200可以包括基于与用户相关的历史网络导航数据自动地检测与用户相关的上下文。方法200可以包括自动地检测上下文的结构元素和与用户相关的上下文之间的依赖关系，所述依赖关系包括在一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件之间的依赖关系。方法200可以包括自动地发现一个或多个潜在预测关系以及在上下文的颗粒结构的结构元素和与用户相关的上下文信息之间的依赖关系。方法200可以包括自动地检测对于查询的一个或多个最佳的上下文组合，作为提供给用户的上下文感知推荐。

图3A是示出根据本公开的各个方面的示例上下文颗粒组合300的示图。例如，在一种实施方式中，图3A示出示例上下文组合306（例如，笛卡尔乘积（Cartesian product））和上下文组合306的至少一个对应表格330，至少一个对应表格330示出了，例如，对于至少两个不同的颗粒路径（例如，对于位置302的颗粒路径和对于时间304的颗粒路径）的至少九个（9）可能的上下文组合。

参考推荐模型，本公开的各个方面可以被配置为引入多颗粒上下文的表达，并提供推荐任务的预过滤范例。而且，可以提供选择最佳的上下文组合和颗粒的方法，并且可以给出抽取采样以示出方案如何起作用、工作、或操作。

多颗粒上下文可以被配置为提供范围广泛的实施方式。例如，在推荐设定中，上下文可以参考上下文信息，上下文信息可以参考表现作为请求的用户的信息需求的特征的信息。上下文信息可以揭示用户查询的意图。在各种示例中，可以发出查询的时间和/或位置，可以提供查询语言，和/或一个或多个用户简档（例如，性别、年龄、个人爱好、薪水、以及社交网络/媒体等）可以包括在上下文中，在这里提供的系统和方法可以利用以上各项来生成更佳的推荐。

在各种示例中，上下文可以包括层级结构和多颗粒组织，所述层级结构和多颗粒组织可以被采用、利用、和/或实施，以生成一个或多个上下文感知推荐。例如，位置上下文可以包括一个或多个不同的颗粒和/或颗粒级别、元素、组件等，诸如，例如，邻区（neighborhood）、城区（district）、城市、地域（region）、国家等。

在图3A的示例中，如果在例如<纬度，经度>的或像<纬度，经度>的特定全球定位系统（GPS）位置路径发出查询，则位置上下文颗粒可以参考，例如，<城市，城区，邻区>。例如，颗粒级别1L310可以参考城市位置，颗粒级别2L312可以参考城区位置，而颗粒级别3L314可以参考邻区位置。这种多颗粒上下文的表达可以被称为上下文颗粒路径（CGP）。在另一个实例中，时间上下文可以包括类似的参考性质，诸如可以具有例如<季节，日期，小时>的或像<季节，日期，小时>的上下文颗粒路径的时间上下文。例如，颗粒级别1T320可以参考季节时间，颗粒级别2T322可以参考日期时间，而颗粒级别3T324可以参考小时时间。在各种示例中，上下文结构可以通过预先定义的本体（ontology）而获得。在一些实例中，上下文组合（cc）可以被定义为对于一个或多个实例的上下文颗粒路径的笛卡尔乘积。例如，图3A示出上下文组合306的笛卡尔乘积，而表格330示出对于上述两条颗粒路径的可能的上下文组合。

基于表现与用户相关的信息的特征的上下文信息，上下文的颗粒结构可以包括颗粒结构的一个或多个结构元素。上下文的颗粒结构的结构元素和与用户相关的上下文信息可以包括一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件。结构元素可以被称为颗粒元素、颗粒级别、或颗粒组件。季节时间可以参考任意季节时间，包括春季、夏季、秋季、冬季、假日、纪念日、庆祝日等。日期时间可以参考任意日期时间，包括日期、世纪、年代、年、月、日、小时、分钟、秒钟、假日、纪念日、历史事件日等。

一般，在数学上，笛卡尔乘积可以被称为这样的数学运算，其提供多个集合中的集合（或乘积集）。在这个示例中，对于集合A和B，笛卡尔乘积A×B可以包括所有的有序对（a,b）的集合，其中，a∈A，b∈B。

在一些示例中，丰富上下文（rich context）可以参考这样的实例，其中，存在多个可用上下文并且这些上下文中的一个或多个可以包括层级结构。当对于推荐任务存在丰富上下文时，利用信息改进推荐性能的过程涉及本公开的各种实施方式的感兴趣的方面。

图3B是示出根据本公开的各个方面的示例上下文颗粒组合350的示图。例如，在一种实施方式中，图3B示出示例上下文组合356（例如，笛卡尔乘积）和上下文组合356的至少一个对应表格380，至少一个对应表格380示出了，例如，对于至少两个不同的颗粒路径（例如，对于位置352的颗粒路径和对于时间354的颗粒路径）的至少九个（9）可能的上下文组合。图3B代表图3A的示例实施方式。

在各种示例中，如先前描述的，上下文可以包括层级结构和多颗粒组织，所述层级结构和多颗粒组织可以被实施，以生成一个或多个上下文感知推荐。例如，位置上下文可以包括若干颗粒，诸如，例如，邻区、城区、城市、地域、国家，等等。在图3B的示例中，如果在例如<纬度=31.237857，经度=121.505946>的采样GPS位置处发出查询，则位置上下文颗粒可以参考，例如，<上海（城市），浦东区（城区），陆家嘴公园（邻区）>。例如，在一种实施方式中，颗粒级别1L360可以参考城市位置，例如，上海，颗粒级别2L362可以参考城区位置，例如，浦东区，而颗粒级别3L364可以参考邻区位置，例如，陆家嘴公园。在另一个示例中，采样时间上下文可以包括类似的参考性质。例如，在另一种实施方式中，2012-02-08-14:30可以具有上下文颗粒路径，例如，<冬季，二月份，白天>。例如，颗粒级别1T370可以参考季节时间，例如，冬季，颗粒级别2L372可以参考日期时间，例如，二月份，而颗粒级别3L374可以参考小时时间，例如，白天。在一些实例中，CC可以被定义为对于一个实例的所有上下文颗粒路径的笛卡尔乘积。例如，图3B示出上下文组合356的笛卡尔乘积，而表格380示出对于上述两条颗粒路径的全部9个可能的上下文组合。

图4是示出根据本公开的各个方面的示例预过滤范例400的示图。在一些示例中，示例预过滤范例400可以被称为预过滤推荐范例。

在各种实施方式中，本公开的各个方面可以被配置为在包括推荐的各种示例推荐中采用预过滤数据模型。例如，系统100可以选择如具有一个或多个截面空间（sectionalspace）的高维数据立方体（high-dimensional cube）空间402内表现的历史数据，诸如，例如，第一历史数据截面空间410和第二历史数据截面空间412，它们中的每一个可以代表不同的季节和/或年份，诸如，例如，分别代表2011年冬季和2012年冬季。在各种示例中，历史数据可以将与用户相关的（例如，用户点击链接日志）历史网络导航数据包括到某些上下文组合，并且基于所选择的历史数据，可以将推荐作为结果返回。

而且，图4示出预过滤范例可以如何起作用、工作、或操作的示例。在各种实施方式中，预过滤范例400可以被配置为确定和/或识别可以用于推荐的历史数据的一个或多个子立方体（sub-tube）。例如，第一子立方体420可以在第一历史数据截面空间410中确定和/或识别，而第二子立方体422可以在第二历史数据截面空间412中确定和/或识别。例如，在一种实施方式中，可以在浦东区432、在时间2012-02-08-14:30（例如，由历史数据412代表的时间）、在位置陆家嘴公园430的拍摄照片（picture）的一个实例。系统100可以选择在2012年冬季（例如，历史数据412）并且在位置陆家嘴公园430的实例或先前拍摄的照片，并且基于由第二子立方体422代表的所选择的数据，推荐可以被提供给用户。

图5是示出根据本公开的各个方面的系统100的示例组件500的示图。在一些实施方式中，示例组件500可以称为推荐模型的架构。

在图5的示例中，推荐任务可以划分为包括训练器（trainer）510和/或推荐器530的一个或多个部分。

训练器510可以被配置为用于发现在推荐和上下文之间的潜在预测关系的过程，而训练器510可以包括离线训练器。训练器510的输入可以包括排序功能（rankingfunction），其可以代表任意推荐方法，诸如，例如，基于内容的或协同过滤。例如，在一种实施方式中：

排序功能（R）502：

其中，R可以代表用于根据给定查询：query_i对候选项：candidate_j进行排序的任意方法。

R可以用来找到在历史点击链接数据中的<query_i,candidate_j>对的共同出现（co-occurrence）。

上下文结构512和数据储存库D514可以由下式表示：

d=<query,{clicktrough data},cgp_loc,cgp_time>

其中，d是对于历史数据中的一个查询的一个日志，而{clicktrough data}是当查询信息时用户感兴趣的（点击的）推荐。

训练器510输出检测功能520，表示为：

H(query)→best cc

其决定对于query的合适的上下文组合（cc）。训练器可以离线构建。在各种实施方式中，用于生成检测功能的方式是本公开的一个焦点。

在线阶段期间，推荐器530接收query作为输入。query可以包括查询信息，包括，例如，位置和时间信息。H(query)可以首先检测最佳的上下文组合（bcc），然后基于通过bcc在D上选择的数据，如前所述（即，根据bcc通过D的选择操作），R可以返回一个或多个推荐的集合。图5示出训练器510和推荐器530如何工作以找到上下文感知推荐。进一步的描述提供在这里。

图5进一步示出用于H(query)的设计。存在一些训练采样来构建用于H(query)的模型532。一种办法是，对于每个训练采样，在不同的上下文颗粒上选择数据，并且基于选择数据，一个或多个推荐540可以由R和D做出。推荐器530可以被配置为测试与在一些测量之下的训练采样的地面实况（ground truth）相比较的推荐性能。在所有的训练采样都被运行之后，推荐器530可以从结果中推定对于每个上下文组合（cc）的最佳的上下文组合（bcc）。

而且，在一种实施方式中，推荐器530可以被配置为识别不仅取决于当前上下文信息的适当的上下文组合（cc）。给定查询也应当被考虑到，因为给定查询提供了照片的更多信息，并且揭示了用户信息需求的意图。在H(query)模型532的示例中，可以做出是否使用上下文的判断534，其中，判断534可以基于上下文而偏斜（biased）。如果判断534输出为否，则（query）模型532输出用于推荐540的具有查询结果R和数据D的上下文组合（cc）。如果判断534输出为是，则（query）模型532选择使用哪个颗粒536，并且（query）模型532输出用于推荐540的具有最佳查询结果R和最佳数据D的最佳的上下文组合（bcc）。

例如，在一种实施方式中，当只考虑位置时，对于在陆家嘴公园做出的查询，其具有诸如，例如，“聚会”或“婚纱照”的查询，对于推荐的最佳位置颗粒可以在邻区级别。如果查询在陆家嘴公园做出，并且用户查询为“公寓租金”，则最佳位置颗粒可以是城区级别，因为“公寓租金”可以揭示用户对于查询的关于位置的需求实际上不必位于公园。在所述示例中，即使对于相同上下文中的查询，适当的上下文颗粒可以不同，因为照片语义可以不同。因此，本公开的各个方面可以被配置为对于具有上下文结构的一个或多个<查询，cc>对中的每一个找到最佳的上下文组合（bcc）。对于<查询，cc>，推荐器530可以从那些包括<查询>的训练采样中选择，并且通过不同的上下文组合计算推荐性能。推荐器530可以选择具有最佳性能（例如，最佳化的、最大化的、等等）的上下文组合，作为对于<查询，cc>的最佳的上下文组合（bcc）。

图6是示出根据本公开的各个方面的示例程序600的示图。例如，在一种实施方式中，图6表现了对于一个采样查询的训练程序。为了决定对于<查询、位置、时间>的最佳的上下文组合（bcc），可以根据可能的上下文组合610（例如，如参考图3A-图3B所描述的，9种可能的上下文组合），以预过滤范例612对数据进行预过滤（例如，如参考图4所描述的）。基于不同的所选择的数据，一个或多个查询推荐性能620、622（例如，准确度）可以被计算并与历史数据进行比较，如参考高维数据立方体空间所描述的。如图6中所示，一个或多个查询推荐性能可以包括第一查询性能620和第二查询性能622。在各种示例中，在运行所有可适用的训练采样之后，训练过程可以返回具有最佳性能的上下文组合。在图6的示例中，最佳的上下文组合（bcc）和最佳性能可以是第一查询性能620。

这里描述的各种技术的实施方式可以以数字电子电路实施，或以计算机硬件、固件、软件来实施，或以它们的组合来实施。实施方式可以实施为计算机程序产品，即，有形地体现在信息载体中的计算机程序，例如，有形地体现在机器可读存储设备或传播信号中，用于由数据处理装置运行或控制数据处理装置的操作，所述数据处理装置例如可编程处理器、计算机或多个计算机。计算机程序，诸如上述计算机程序，可以以任何形式的编程语言来编写，包括编译或解释语言，并且可以以任何形式来配置，包括作为独立程序或作为模块、组件、子例程、或适于在计算环境中使用的其它单元。计算机程序可以被配置以便在一个计算机上或在一个地点或跨过多个地点并通过通信网络互连的多个计算机上运行。

方法步骤可以由一个或多个运行计算机程序的可编程处理器执行，以便通过对输入数据进行操作以及生成输出来执行功能。方法步骤还可以由特殊用途的逻辑电路来执行，并且装置可以实施为特殊用途的逻辑电路，例如，FPGA（现场可编程门阵列）或ASIC（专用集成电路）。

适于运行计算机程序的处理器包括，举例来说，全部通用和专用微处理器，以及任意种类的数字计算机的任意一个或多个处理器。一般，处理器将从只读存储器或随机存取存储器或者从两者接收指令和数据。计算机的元件可以包括用于执行指令的至少一个处理器和用于存储指令和数据的一个或多个存储设备。一般，计算机还可以包括用于存储数据的一个或多个大容量存储设备，或者被操作地耦接以便从所述大容量存储设备接收数据或向所述大容量存储设备传送数据，或者两者都有，所述大容量存储设备例如磁盘、磁光盘、或者光盘。适合于体现计算机程序指令和数据的信息载体包括所有形式的非易失性存储器，举例来说，包括半导体存储器件，例如，EPROM、EEPROM、以及闪存器件；磁盘，例如，内部硬盘或移动盘；磁光盘；以及CD-ROM和DVD-ROM盘。处理器和存储器可以通过专用逻辑电路来补充，或者合并到专用逻辑电路中。

为了提供用户交互，实施方式可以在具有显示设备的计算机上实施，例如，阴极射线管（CRT）或液晶显示器（LCD）监视器，用于向用户显示信息，以及键盘和指定设备，例如，鼠标或追踪球，由此用户能够提供输入给计算机。其它类型的设备也可以用来提供与用户的交互；例如，提供给用户的反馈可以是任何形式的感觉反馈，例如，视觉反馈、听觉反馈、或触觉反馈；以及可以以任何形式接收来自用户的输入，包括、声音、讲话、或触觉输入。

实施方式可以实施在包括后端组件的计算系统中，例如，作为数据服务器，或者实施在包括中间件组件的计算系统中，例如，作为应用服务器，或者实施在包括前端组件的计算系统中，例如，作为具有图形用户界面或网络浏览器的客户端计算机，用户通过所述网络浏览器可以与实施方式交互，或者实施在包括这样的后端组件、中间件、或前端组件的任意组合的计算系统中。组件可以通过任何形式或介质的数字数据通信互连，例如，通信网络。诸如通信网络的网络的示例可以包括局域网（LAN）和广域网（WAN），例如，因特网。

虽然已经如这里所述示出了所描述的实施方式的一定特征，许多修改、替换、改变以及等效现在将被本领域技术人员想到。因此，将要理解，所附权利要求意图用来涵盖所有这样的修改和改变，而落在实施例的范围之内。

Claims (20)

1.一种计算机系统，包括记录在非瞬时计算机可读介质上且至少一个处理器可运行的指令，该系统包括：

上下文感知推荐管理器，其被配置为使得至少一个处理器，通过在考虑到上下文的颗粒结构及其上下文信息的同时，将与用户相关的上下文的上下文信息整合到推荐模型中，响应于与用户相关的查询向用户提供一个或多个推荐，其中，所述上下文感知推荐管理器包括：

多颗粒上下文模块，其被配置为检测与用户相关的上下文，并且基于表现与用户相关的信息的特征的上下文信息，确定包括颗粒结构的一个或多个结构元素的上下文的颗粒结构；

预过滤推荐范例模块，其被配置为根据在颗粒结构的每个结构元素之间的关系路径的一个或多个上下文组合对上下文信息进行预过滤，并选择与用户相关的历史网络导航数据用于与每个上下文组合进行比较；以及

推荐构建器，被配置为：

通过在考虑到上下文的颗粒结构及其上下文信息的同时，计算每条不同的关系路径与所选择的历史网络导航数据相比较的推荐性能，在推荐模型中对用于查询的每个上下文组合进行建模，以及

确定具有最佳推荐性能的一个或多个上下文组合中的至少一个，由此选择一个或多个最佳的上下文组合，用于响应于查询向用户提供一个或多个推荐。

2.如权利要求1所述的系统，其中，所述上下文包括多个上下文，而多个上下文中的每一个包括具有多颗粒组织的层级结构。

3.如权利要求1所述的系统，其中，与上下文相关联的上下文信息揭示用户查询的意图，上下文信息包括用户发出的查询的时间和位置，并且所述推荐构建器被配置为选择对于<查询，位置，时间>的最佳的上下文组合。

4.如权利要求1所述的系统，其中，与上下文相关联的上下文信息包括用户简档，用户简档包括以下各项中的一个或多个：用户性别、用户年龄、用户个人爱好、用户薪水、用户喜欢的和反感的、以及与用户相关联的一个或多个社交网络。

5.如权利要求1所述的系统，其中，上下文的颗粒结构的结构元素和与用户相关的上下文信息包括一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件。

6.如权利要求1所述的系统，其中，多颗粒上下文模块被配置为基于与用户相关的历史网络导航数据自动地检测与用户相关的上下文。

7.如权利要求1所述的系统，其中，多颗粒上下文模块被配置为自动地检测上下文的结构元素和与用户相关的上下文信息之间的依赖关系，所述依赖关系包括在一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件之间的依赖关系。

8.如权利要求1所述的系统，所述推荐构建器还包括：

训练器模块，其被配置为自动地发现一个或多个潜在预测关系以及上下文的颗粒结构的结构元素和与用户相关的上下文信息之间的依赖关系；以及推荐器模块，其被配置为自动地检测对于查询的一个或多个最佳的上下文组合，作为提供给用户的上下文感知推荐。

9.一种计算机实施的方法，包括：

通过在考虑到上下文的颗粒结构及其上下文信息的同时，将与用户相关的上下文的上下文信息整合到推荐模型中，响应于与用户相关的查询向用户提供一个或多个推荐，包括：

检测与用户相关的上下文，

基于表现与用户相关的信息的特征的上下文信息，确定包括颗粒结构的一个或多个结构元素的上下文的颗粒结构，

根据在颗粒结构的每个结构元素之间的关系路径的一个或多个上下文组合对上下文信息进行预过滤，

选择与用户相关的历史网络导航数据用于与每个上下文组合进行比较，

通过在考虑到上下文的颗粒结构及其上下文信息的同时，计算每条不同的关系路径与所选择的历史网络导航数据相比较的推荐性能，在推荐模型中对用于查询的每个上下文组合进行建模，以及

确定具有最佳推荐性能的一个或多个上下文组合中的至少一个，由此选择一个或多个最佳的上下文组合，用于响应于查询向用户提供一个或多个推荐。

10.如权利要求9所述的方法，其中，所述上下文包括多个上下文，而多个上下文中的每一个包括具有多颗粒组织的层级结构。

11.如权利要求9所述的方法，其中，与上下文相关联的上下文信息揭示用户查询的意图，上下文信息包括用户发出的查询的时间和位置，并且推荐构建器被配置为选择对于<查询，位置，时间>的最佳的上下文组合。

12.如权利要求9所述的方法，其中，与上下文相关联的上下文信息包括用户简档，用户简档包括以下各项中的一个或多个：用户性别、用户年龄、用户个人爱好、用户薪水、用户喜欢的和反感的、以及与用户相关联的一个或多个社交网络。

13.如权利要求9所述的方法，其中，上下文的颗粒结构的结构元素和与用户相关的上下文信息包括一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件。

14.如权利要求9所述的方法，该方法还包括：

基于与用户相关的历史网络导航数据自动地检测与用户相关的上下文；

自动地检测上下文的结构元素和与用户相关的上下文信息之间的依赖关系，所述依赖关系包括在一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件之间的依赖关系；

自动地发现一个或多个潜在预测关系以及在上下文的颗粒结构的结构元素和与用户相关的上下文信息之间的依赖关系；以及

自动地检测对于查询的一个或多个最佳的上下文组合，作为提供给用户的上下文感知推荐。

15.一种计算机可读存储介质，其上记录有指令，所述指令当由至少一个处理器运行时，使至少一个处理器执行以下步骤：

通过在考虑到上下文的颗粒结构及其上下文信息的同时，将与用户相关的上下文的上下文信息整合到推荐模型中，响应于与用户相关的查询向用户提供一个或多个推荐，所述指令当由至少一个处理器运行时，进一步使至少一个处理器执行以下步骤：

检测与用户相关的上下文，

基于表现与用户相关的信息的特征的上下文信息，确定包括颗粒结构的一个或多个结构元素的上下文的颗粒结构，

根据在颗粒结构的每个结构元素之间的关系路径的一个或多个上下文组合对上下文信息进行预过滤，

选择与用户相关的历史网络导航数据用于与每个上下文组合进行比较，

通过在考虑到上下文的颗粒结构及其上下文信息的同时，计算每条不同的关系路径与所选择的历史网络导航数据相比较的推荐性能，在推荐模型中对用于查询的每个上下文组合进行建模，以及

确定具有最佳推荐性能的一个或多个上下文组合中的至少一个，由此选择一个或多个最佳的上下文组合，用于响应于查询向用户提供一个或多个推荐。

16.如权利要求15所述的计算机可读存储介质，其中，所述上下文包括多个上下文，而多个上下文中的每一个包括具有多颗粒组织的层级结构。

17.如权利要求15所述的计算机可读存储介质，其中，与上下文相关联的上下文信息揭示用户查询的意图，上下文信息包括用户发出的查询的时间和位置，并且推荐构建器被配置为选择对于<查询，位置，时间>的最佳的上下文组合。

18.如权利要求15所述的计算机可读存储介质，其中，与上下文相关联的上下文信息包括用户简档，用户简档包括以下各项中的一个或多个：用户性别、用户年龄、用户个人爱好、用户薪水、用户喜欢的和反感的、以及与用户相关联的一个或多个社交网络。

19.如权利要求15所述的计算机可读存储介质，其中，上下文的颗粒结构的结构元素和与用户相关的上下文信息包括一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件。

20.如权利要求15所述的计算机可读存储介质，其上记录有指令，所述指令当由处理器运行时，进一步使处理器执行以下步骤：

基于与用户相关的历史网络导航数据自动地检测与用户相关的上下文；

自动地检测上下文的结构元素和与用户相关的上下文信息之间的依赖关系，所述依赖关系包括在一个或多个颗粒级别和在每个颗粒级别内的一个或多个颗粒组件之间的依赖关系；

自动地发现一个或多个潜在预测关系以及在上下文的颗粒结构的结构元素和与用户相关的上下文信息之间的依赖关系；以及

自动地检测对于查询的一个或多个最佳的上下文组合，作为提供给用户的上下文感知推荐。