CN104516910B

CN104516910B - 在客户端服务器环境中推荐内容

Info

Publication number: CN104516910B
Application number: CN201310459579.3A
Authority: CN
Inventors: 黎文宪; 王恒; 孙谷飞
Original assignee: SAP SE
Current assignee: SAP SE
Priority date: 2013-09-26
Filing date: 2013-09-26
Publication date: 2018-01-12
Anticipated expiration: 2033-09-26
Also published as: US9288285B2; US20150095407A1; CN104516910A

Abstract

提供了用于向用户推荐内容的方法和系统，其包括：识别在服务器设备或者存储库上存储的分类的公共内容；识别在客户端设备或者存储库上存储的用户的私有内容，其中，客户端设备通过网络可通信地耦合到服务器设备；从用户接收对于内容推荐的请求；基于对于内容推荐的请求生成代表性查询；基于代表性查询确定在服务器设备或者存储库上存储的分类的公共内容的部分；基于请求确定在客户端设备或者存储库上存储的私有内容的部分；以及为了向用户呈现而准备基于代表性查询的分类的公共内容的部分、以及基于对于内容推荐的请求的私有内容的部分。

Description

在客户端服务器环境中推荐内容

技术领域

本公开涉及向用户推荐内容，并且更具体地，涉及在客户端服务器环境中向用户推荐内容，同时解决用户对于隐私的担忧。

背景技术

包括基于Web的应用的许多应用帮助用户找到相关信息。例如，可以向要在购物网站上搜索诸如玻璃茶几的产品的用户呈现对于接收到的查询的最佳匹配和/或可能会引起用户兴趣的多个额外的结果，例如，与玻璃茶几相匹配的玻璃架子。通过使用在一些服务器，例如，文件服务器和Web服务器中的内容推荐系统，组织可以使信息可由用户访问。存储在传统的文件服务器、Web服务器、和其他内容服务器中的非结构化数据构成了许多企业中所占比例最大的数据。传统的内容推荐系统要求收集和存储有关用户的唯一可识别数据，包括个人查询、浏览历史、行为特征、简档资料以及私人通信消息。

传统的内容推荐系统的缺点是需要个人数据和识别个人偏好，以及需要计算密集型训练处理，其使用大量的数据（标记或未标记的）来训练分类模型。一些传统的内容推荐系统可以被配置为收集和储存可以帮助系统提高其推荐准确性的任何个人数据。在某些情况下，收集的数据被存储在公共数据库中，这阻碍了用户对数据隐私的完全控制。现有的私人信息检索方法通常需要分布式数据库，并且甚至其仅仅提供用于单个服务器节点的隐私限制。总体而言，使用个性化数据作为内容推荐系统的输入引起了对于隐私的担忧。日益增长的对于隐私的担忧和增长的对于准确的内容推荐系统的需求之间的冲突已经成为一个严重的问题。

发明内容

本公开涉及例如，通过分离私有内容和公共内容来解决用户对于隐私的担忧的计算机实现的方法、软件、和用于向用户推荐内容的系统。在一个一般的实施例中，向用户推荐内容的计算机实现的方法包括：识别在服务器设备或者与服务器设备可通信地耦合的存储库上存储的分类的公共内容；识别在客户端设备或者与客户端设备可通信地耦合的存储库上存储的用户的私有内容，其中，客户端设备通过网络而可通信地耦合到服务器设备；从用户接收对于内容推荐的请求；基于对于内容推荐的请求来生成代表性查询；基于代表性查询来确定在服务器设备或者与服务器设备可通信地耦合的存储库上存储的分类的公共内容的部分；基于请求确定在客户端设备或者与客户端设备可通信地耦合的存储库上存储的私有内容的部分；以及为了向用户呈现，准备基于代表性查询的分类的公共内容的部分，以及基于对于内容推荐的请求的私有内容的部分。

其他的一般实现包括相应的计算机系统、装置、以及在一个或者多个计算机存储器件上记录的计算机程序，其每个都被配置为执行所述方法的动作。一个或者多个计算机的系统可以被配置为执行用于执行动作的操作。一个或者多个计算机程序可以被配置为通过包括当由数据处理装置执行时可以使得装置执行动作的指令，来执行特定的操作或者动作。

可与一般的实施例中的任何一个组合的第一方面还包括：在客户端设备处接收包括分类的公共内容的部分的列表的索引；基于一个或多个用户设置来对分类的公共内容的部分进行过滤；以及为了向用户呈现而准备分类的公共内容的经过滤部分的列表。

可与之前方面中的任何一个组合的第二方面还包括：向用户呈现分类的公共内容的经过滤部分的列表，该列表包括与分类的公共内容相关联的一个或者多个超链接；以及基于对于内容推荐的请求向用户呈现私有内容的部分。

可与之前方面中的任何一个组合的第三方面还包括：针对一个或者多个关键词，解析对于内容推荐的请求；识别一个或者多个用户隐私设置；基于一个或者多个用户隐私设置来确定与一个或者多个关键词相关联的一个或者多个代理关键词；以及基于一个或者多个代理关键词来生成代表性查询。

在可与之前方面中的任何一个组合的第四方面中，客户端设备、服务器设备、或网络中的至少一个包括防火墙，其限制在客户端设备和服务器设备之间的未经授权的访问。

可与之前方面中的任何一个组合的第五方面还包括：识别可通信地暴露给服务器设备的公共内容，所述公共内容包括多个电子文档；基于对多个电子文档执行的主题模型处理来生成多个模型参数；以及基于模型参数来分类公共内容，以生成分类的公共内容。

在可与之前方面中的任何一个组合的第六方面中，公共内容包括通过万维网可公开获取的数据，并且私有内容包括与用户相关联的电子邮件、与用户相关联的文本或SMS消息、或与用户相关联的社交网络消息中的至少一个。

根据本公开的计算系统的各种实现可以提供一个或多个以下特征。例如，内容推荐系统可以提供具有隐私意识的内容推荐。例如，内容推荐系统可以包括具有可转换以及一般适用的模型参数、以对私有文档和公共文档两者进行分类的分类算法。替代使用复制的数据库，内容推荐系统可以基于模糊查询机制和本地过滤，以提供用户可控制的隐私-性能平衡的设置。通过在客户端系统维护私有信息，以及通过为用户提供高度灵活的隐私控制能力，用户数据泄漏的风险被降低。此外，在数据流方面，客户端的计算需求保持为相对较低。

本说明书中的主题的一个或多个实现的细节在附图和下面的描述中进行阐述。从描述、附图和权利要求中，主题的其它特征、方面和优点将变得明显。

附图说明

图1是向用户推荐内容的示例性计算架构的框图；

图2A-2B是示出用于公共内容推荐的示例性数据流的框图；

图3是示出基于用户设置的示例性模糊查询的图表；

图4是示出用于向用户推荐内容的方法的流程图；

图5是用于向用户推荐内容的示例性系统架构的视图。

具体实施方式

在一般情况下，本公开的一些实施例涉及向用户推荐内容。特别地，本公开的实施例涉及从包括文本的多个文档中向用户推荐内容，同时解决用户对于隐私的担忧。例如，内容推荐系统可以从用户接收包含与对于内容的特定搜索或者请求相对应的关键词的请求。在某些方面可以按照主题来分类的公共可用内容可以根据关键词或者关键词代理（例如，通过模糊搜索）而被搜索。私有内容（例如，来自特定用户的私有内容）可以根据关键词（例如，元数据、主题关键词或其他）而被搜索。可以向用户呈现公共内容和私有内容以供查看（例如，通过一个或多个到该内容的链接）。

例如，内容推荐系统可以通过根据预定义的过滤器将原始请求转换成相应的查询，来维护用户的隐私。在一些实施例中，预定义的过滤器可以是查询条件的分层索引。一般地，与元数据相关的查询条件可以具有分层结构，包括可能值的有限集合。例如，作者可以很容易地通过他们的诸如年龄、民族、风格等的元数据而被归类。与内容相关的查询条件（例如，主题关键词）一般都没有得到很好的结构化，并且可能需要额外的处理算法来确定分层索引。

相应的查询可以被发送到公共站点，以使内容推荐系统能够通过使用公共信息和私有信息这两者来对请求做出响应。诸如新闻的公共文档可以存储在服务器设备或与服务器设备可通信地耦合的储存库上。诸如电子邮件的私有文档可以存储在客户端设备或者与客户端设备可通信地耦合的存储库上。内容推荐系统可以使用请求来确定可能与用户相关的私有文档的部分。内容推荐系统还可以使用相应的查询来确定可能与用户相关的公共文档的部分。私有文档和公共文档的所确定的部分可以被包括在由内容推荐系统所产生的输出中。例如，私有文档和公共文档的所确定的部分可以显示在图形用户界面（GUI）内。

图1是具有增强的隐私控制的用于向用户推荐内容的示例性计算架构100的框图。计算架构100可以包括服务器系统102和客户端系统104。在一些实施例中，服务器系统102可以是搜索引擎提供商。服务器系统102可以使用作为输入的公共文档106，并且可以使用多个公共处理组件。如图中所示，在服务器系统102处的公共处理组件可以包括标记和标注器（tokenizer and tagger）108、结构化文档110、主题建模器112、模型参数114以及服务器主题分类器116。私有站点104可以使用作为输入的私有文档118并且可以使用多个私有处理组件来生成推荐的文档120。在私有站点104处的私有处理组件可以包括客户端主题分类器122、用户偏好124以及过滤组件126。

计算架构100可以通过检索和分类公共文档106来开始。可以从具有不同格式类型的文档中检索公共文档106，其中每个文档包括至少一部分文本。可以基于各种主题，包括社会、经济、娱乐、体育、科技、科学等来对公共文档106进行分类。

在一些实施例中，从公共文档106检索的文档可以由标记和标注器108来处理。标记和标注器108可以解析文档的文本，以提取除了连词、限定词和代词之外的所有单词和/或短语。标记和标注器108所提取的单词和/或短语可以被定义为标记（token）。标记和标注器108还可以生成用于每个所识别的标记的标签（tag）。例如，标记和标注器108可以对文档内标记的出现次数进行计数，以确定每个标记的频率。标记和标注器108也可以确定每一个识别出的标记的特定特性（例如，长度和目标（objective））。确定的频率和特性可以被包括在与每个标记相关联的标签中。标记和标注器108可以生成结构化文档110，其包括标记（例如，单词和/或短语）以及它们的标签。

在一些实施例中，结构化文档110可以被提供给主题建模器112。主题建模器112可以通过使用训练处理128来处理结构化文档110，以生成模型参数114。结构化文档110可以通过标记频率的矢量来表示。所接收的所有结构化文档110的集合可以通过单词文档矩阵130来表示。单词文档矩阵130的大小可以是N_words×N_docs。标记的数量可以相对较小（例如，几十万个）。结构化文档110的数目可能非常大。例如，可以从公共文档106中获得超过一百万个的结构化文档110，公共文档106由计算架构100从万维网中自动提取。在一些方面中，主题建模器112仅使用公共文档来作为训练集，从而保护用户的隐私。

在训练处理128的过程中，每个单词文档矩阵130可以分解为两个矩阵：单词主题矩阵132和文档主题矩阵134。在单词主题矩阵132和文档主题矩阵134中的主题可以是抽象主题或预定义主题。单词主题矩阵132可以基于关于不同主题的单词的概率分布。例如，单词主题矩阵132包括每个单词存在于文档中的概率，使得对于特定主题关联到单词的概率越高，则该单词对应于特定主题的几率就越高。概率分布可以应用到任何类型的单词和主题。单词主题矩阵132的大小可以小于单词文档矩阵130的大小，因为主题的数目可以小于文档的数目。单词主题矩阵132可以作为模型参数114由主题建模器112保存和使用。

在一些实施例中，文档主题矩阵134可以是处理后的文档中的每一个对应于特定主题的概率的索引。使用潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）模型，可以针对结构化文档110的给定集合和关于主题的标记分布来确定文档主题矩阵134。可以在训练处理以及内容推荐处理这两者期间确定文档主题矩阵134。例如，在内容推荐处理期间，主题建模器112可以针对公共文档106和私有文档118这两者，使用LDA模型和模型参数114来生成索引。

模型参数114可以被提供给服务器主题分类器116和客户端主题分类器122的每一个。例如，服务器主题分类116可以使用模型参数114以及从过滤组件126接收的模糊查询，来排序和分类与公共文档的推荐请求相匹配的公共主题。由服务器主题分类器116生成的输出可被提供给过滤组件126。

在一些实施例中，客户端主题分类器122可以使用模型参数114来处理私有文档118，并且提取相应的主题。私有文档118的示例可以包括，但并不限于个人消息、订阅、联系人、地址和浏览历史。过滤组件126可以接收作为输入的由客户端主题分类器122和用户偏好124所产生的私有主题。

用户偏好124可以包括，但不局限于喜爱的主题、VIP联系人和内容类型优先级。可以通过过滤组件126在客户端系统104上使用用户偏好124，并且用户偏好124不能直接传送到服务器。过滤组件126可以将用户偏好124应用到过滤器上，并且对客户端主题分类器122产生的私有主题或者服务器主题分类器116产生的公开主题排序。过滤组件126还可以过滤来自用户的请求。例如，用户偏好124可以被过滤组件126翻译成诸如主题、关键词、时间条件、作者等的一组模糊查询。对于包括公共文档的推荐，过滤组件126可以向服务器主题分类器116提供模糊查询。

将模糊查询发送到服务器主题分类器116可以使服务器能够控制处理速度，同时维护用户的隐私。过滤组件126可以使用任何适用的过滤方法，包括但不限于基于项目的协同过滤或基于内容的过滤。过滤组件126可以使用过滤结果来生成推荐文档120。推荐文档120可以包括与用户请求相匹配的文档或者到文档的链接。在一些例子中，推荐文档120包括公共文档和私有文档这两者。在其他示例中，推荐文档120明显地将公共文档与私有文档分开。在一些实施例中，如参照图2A和图2B所描述的，通过计算架构100的数据流可以依赖于数据源。

图2A是示出用于公共内容推荐的示例性数据流200的框图。数据流200包括用户偏好202、过滤组件204、模糊查询206、服务器208、推荐文档的索引210、到文档的链接212、原始数据源214以及推荐文档216。

数据流200可以从定义用户偏好202的用户查询开始。可以将用户偏好202提供给过滤组件204，其产生模糊查询206。在客户端上的过滤组件204可以根据用户隐私设置来产生模糊查询206。模糊查询206可以模糊用户的具体兴趣，并且可以要求获得包括私有文档的较大的结果集。例如，如果用户偏好指示关于“科比-布莱恩特（Kobe Bryant）”的信息的请求，则过滤组件204可以生成寻求关于“NBA”的信息，甚至更一般地，关于“体育”的信息的模糊查询206。具有更高级别隐私的模糊查询206可以生成大量的推荐文档，这需要更多的通信开销。在一些实施例中，过滤组件204使用主题的分层结构以使得能够进行模糊处理。用户可以选择与特定隐私设置相对应的主题分层结构上的级别。过滤组件204可以生成与在主题分层结构上的严格设置相对应的更安全的模糊查询206，其返回更广泛的推荐，如参照图3所描述的。此外，安全级别的变化也会影响到处理时间，使得模糊查询206与较高成本关联。

可以将模糊查询206提供给服务器208。例如，如参照图1所描述的，被配置为处理模糊查询206的服务器208的组件可以是服务器主题分类器（例如，在图1中的服务器主题分类器116）。服务器208可以向过滤组件204返回推荐文档索引的索引210。推荐文档的索引210可以是文档主题矩阵。如参照图1所述，对于公共文档的集合和关于主题的单词分布，文档主题矩阵可以根据LDA模型来估计，或者可以直接从之前确定的模型参数中进行估计。

过滤组件204可以处理推荐文档的索引210，以生成到文档的链接212。在一些实施例中，到文档的链接212可以引导用户来访问原始数据源214，从而检索推荐文档216。例如，推荐文档216可以存储在服务器208的外部，其对任何用户都公开可用。

图2B是示出用于私有内容推荐的示例性数据流200’的框图。数据流200’包括私有文档218、标记和标注器220、客户端主题分类222、服务器208、模型参数224、推荐文档的索引210、过滤组件204、用户偏好202、以及推荐文档216。

数据流200’包括在客户端系统中进行的分类和过滤处理。例如，数据流200’可以以用户对于私有文档218的一部分的推荐请求开始。如参照图1所述，使用标记和标注器220，每一个私有文档可以被转换成结构化文档。客户端主题分类器222接收结构化文档，并且从服务器208检索模型参数224的集合。

客户端主题分类器222使用模型参数224的集合来处理结构化文档，并且产生推荐文档的索引210。基于模型参数224的推荐文档的索引210可以被提供到过滤组件204，过滤组件204使用用户偏好来确定推荐文档216。过滤组件204可以如参照图1所述使用过滤算法。

图3是示出基于用户设置的示例性模糊查询300的图。在所示的例子中，用户的原始请求302包括“史蒂夫-纳什（Steve Nash）”的姓名。对于私有文档推荐，原始请求302形成精确查询，其可以用于确定推荐文档的部分。对于公共文档推荐，原始请求302可以利用可以在温和级别和严格级别之间变化的设置，而被转换为模糊查询。例如，使用温和设置，包括姓名“史蒂夫-纳什”的示例性用户原始请求302可以被转换为包括字符串“洛杉矶湖人（LA lakers）”的第一级模糊查询306。第一级模糊查询306可以返回与原始请求302、以及与原始请求302类似的一个或多个查询304匹配的推荐文档的集合。在示例性的上下文中，类似于原始请求302的查询304可以包括字符串“科比-布莱恩特”。

使用中间设置，包括姓名“史蒂夫-纳什”的示例性用户原始请求302可以被转换成包括字符串“篮球”的中间级别模糊查询314。中间级别模糊查询314可以返回推荐文档的较大集合，其包括与原始请求302的匹配，以及在其中包括原始请求302的多个类别。例如，包括姓名“史蒂夫-纳什”的原始请求302可以被转换为模糊查询“洛杉矶湖人”306。模糊查询“洛杉矶湖人”306可以被包括在还包括查询“热火队”308的模糊查询“NBA”310中。包括字符串“篮球”的中间级别模糊查询314可以包括模糊查询“NBA”310以及其他模糊查询，例如，模糊查询“NCAA”312。

使用严格设置，包括姓名“史蒂夫-纳什”的示例性用户原始请求302可以被转换为包括字符串“新闻”的严格级别模糊查询326。严格级别模糊查询326可以返回推荐文档的一般集合，其包括与原始请求302的匹配，以及在其中可以包括原始请求302的更多个类别。例如，推荐文档可以覆盖“体育”查询320、“金融”查询322和“旅游”查询324。公开服务器返回的来自每个类别的推荐文档的数目可以相对平均地分布，这增加了用于给用户准备文档的一部分的推荐的处理时间。

图4是示出向用户推荐内容的方法的流程图。在步骤402中，可以对分类的公共内容进行识别。分类的公共内容可以被存储在服务器设备上或者存储在可通信地耦合到服务器设备的存储库上。在一些实施例中，分类的公共内容可以基于根据模型参数对公共内容进行分类来产生。公共内容可以包括多个电子文档。模型参数可以基于对多个电子文档执行的主题模型处理。在步骤404中，识别用户的私有内容。用户的私有内容可以存储在客户端设备上，或者可以存储在可通信地耦合到客户端设备的储存库上。例如，客户端设备可以通过网络可通信地耦合到服务器设备。

在步骤406中，可以从用户接收对于推荐内容的请求。在一些实施例中，可以针对一个或者多个关键词来解析对于推荐内容的请求。解析的关键词可以用来确定与特定的用户隐私设置相关联的一个或者多个代理关键词。在步骤408中，可以基于对于推荐内容的请求来生成代表性查询。在一些实施例中，代表性查询可以基于代理关键词来产生。在步骤410中，分类的公共内容的一部分可以基于代表性查询来确定。在一些实施例中，客户端设备接收包含分类的公共内容的部分的列表的索引。分类的公共内容的部分可以基于一个或多个用户设置进行过滤。

在步骤412中，可以基于请求来确定在客户端设备上或者在可通信地耦合到客户端设备的存储库上存储的私有内容的部分。在步骤414中，可以准备分类的公共内容的部分和私有内容的部分，以便呈现给用户。分类的公共内容的部分可以基于代表性查询，并且私有内容的部分可以基于对推荐内容的请求。在一些实施例中，呈现给用户的分类的公共内容可以是分类的公共内容的经过滤部分的列表。分类的公共内容的经过滤部分的列表可以包括与分类的公共内容相关联的一个或多个超链接。在一些实施例中，客户端设备、服务器设备或网络中的至少一个包括防火墙，其限制在客户端设备和服务器设备之间的未经授权访问。

在一些实现中，步骤410和412可以平行地执行，例如，基本同时或者在时间上彼此接近，例如，并发地执行。例如，如上所述，对于公共内容和私有内容的搜索可并行地执行，以及在分离的设备上执行（例如，在服务器系统102搜索公共内容，并且在客户端系统104上搜索私有内容）。然后，来自这些搜索的结果的推荐内容可以一起（或在一些实现中，以分开的索引或列表）呈现给客户端系统的用户。在一些实现中，对于公共和私有内容的推荐可以仅仅共享训练的分类器参数的集合（例如，模型参数114）。

图5是示例性系统架构500的视图。系统架构500包括通过网络514可通信地连接到服务器系统512的多个客户端设备502、504、506、508和510。服务器系统512包括处理设备516和数据存储装置518。处理设备516执行计算机指令，以用于从在客户端设备502、504、506、508、510或数据存储装置518中存储的文档中推荐内容。

与客户端设备502、504、506、508和510交互的用户可以使用本地安装的计算机实施的内容推荐方法来产生请求，本地安装的计算机实施的内容推荐方法可以与一个或多个服务供应商进行通信。内容推荐器可以对存储在客户端设备502、504、506、508和510上的文档，或者通过网络514检索的文档的部分进行分类和呈现。与客户端设备502、504、506、508和510交互的用户可以通过经模糊查询选择隐私保护的特定级别，来请求对于公共文档的内容推荐。特定用户可以通过使用不同的客户端设备502、504、506、508和510（例如，在旅游期间从智能手机中，以及在家里时从笔记本计算机或台式计算机）来请求推荐内容。在一些实现中，不同的客户端设备502、504、506、508和510可以互相通信，以维护所存储的用户偏好。

在一些实施例中，客户端设备502、504、506、508和510可以被提供为计算设备，例如，笔记本计算机或台式计算机、智能手机、个人数字助理、便携式媒体播放器、平板计算机、或者可用于与电子社交网络进行通信的其他适当的计算设备。在一些实施例中，服务器系统512可以是诸如计算机服务器的单个计算设备。在一些实施例中，服务器系统512可以表示一个以上的计算设备，其一起工作来执行服务器计算机的动作（例如，云计算）。在一些实施例中，网络514可以是公共通信网络（例如，万维网、蜂窝数据网络、电话网络上的拨号调制解调器）或专用通信网络（例如，私人局域网、租用线路）。

如图所示，系统架构500的实现可以在数字电子电路，有形实现的计算机软件或固件，计算机硬件，包括在本说明书中公开的结构和其结构等同物，或者在它们的一个或多个的组合中实现。在本说明书中描述的主题的实施例可以被实现为一个或多个计算机程序（例如，在有形的非瞬时性程序载体上编码的计算机程序指令的一个或多个模块，用于通过数据处理装置来执行，或者用于控制数据处理装置的操作）。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如，机器产生的电、光或电磁信号上，所述信号可以被产生来将信息编码以传输到合适的接收装置，以供数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基片、随机的或串行存取存储器设备、或者是它们中的一个或多个的组合。

术语“数据处理装置”是指数据处理硬件，并且包括用于处理数据的各种装置、设备和机器，举例来说其包括可编程处理器、计算机、或者多个处理器或计算机。所述装置还可以是或进一步包括专用逻辑电路，例如，中央处理单元（CPU）、FPGA（现场可编程门阵列）或ASIC（专用集成电路）。在一些实施例中，数据处理装置和/或专用逻辑电路可以是基于硬件的和/或基于软件的。所述装置可以选择性地包括用于创建计算机程序的执行环境的代码，例如，构成处理器固件、协议栈、数据库管理系统、操作系统、或者它们的一个或多个的组合的代码。本公开考虑了使用具有或不具有传统操作系统，例如Linux、UNIX、Windows、Mac OS、Android、iOS或任何其他合适的传统操作系统的数据处理装置。

计算机程序，其也可称为或描述为程序、软件、软件应用、模块、软件模块、脚本或代码，可以用任何形式的编程语言来编写，包括编译语言或解释语言、或声明性语言或过程语言，并且其可以被以任何形式部署，包括作为独立的程序或者作为模块、组件、子例程、或其他适于在计算环境中使用的单元。计算机程序可以，但不一定必须对应于文件系统中的文件。程序可以被储存在保存其他程序或数据的文件的一部分中，例如，存储在标记语言文档中的一个或多个脚本，在专用于正被讨论的程序在单个文档中，或者在多个协调文件中（例如，存储一个或多个模块、子程序或代码部分的文件）。计算机程序可以部署到一台计算机上来执行，或者部署到位于一个地点或分布在多个地点并且通过通信网络而互连的多台计算机上来执行。虽然在各图中示出的程序部分被显示为通过各种对象、方法或其他过程来实现各种特征和功能的单独的模块，但是可替代地，程序可以根据需要而包括若干子模块、第三方服务、组件、库等。相反，根据需要，各种组件的特征和功能可以组合到单一组件中。

在本说明书中描述的过程和逻辑流可以由一个或多个可编程计算机来执行，所述计算机执行一个或多个计算机程序，以通过操作输入数据和生成输出来执行功能。处理和逻辑流也可以通过专用逻辑电路，例如，中央处理单元（CPU）、FPGA（现场可编程门阵列）或ASIC（专用集成电路）来执行，并且装置同样也可以被实现为专用逻辑电路，例如，中央处理单元（CPU）、FPGA（现场可编程门阵列）或ASIC（专用集成电路）。

举例来说，适于执行计算机程序的计算机包括基于一般或特殊用途的微处理器或这两者，或任何其他类型的中央处理单元。一般来说，中央处理单元将从只读存储器或随机存取存储器或这两者接收指令和数据。计算机的基本元件是用于执行或运行指令的中央处理单元，以及用于存储指令和数据的一个或多个存储器设备。一般来说，计算机还将包括用于存储数据的一个或者多个大容量存储设备（例如，磁盘、磁光盘或光盘），或者可操作地耦合到一个或者多个大容量存储设备，以从其接收数据或向其发送数据，或者这两者。然而，计算机不必具有这样的设备。此外，计算机可以被嵌入在另一个设备中，例如，移动电话、个人数字助理（PDA）、移动音频或视频播放器、游戏机、全球定位系统（GPS）接收器或便携式存储设备中，简单举例，例如，嵌入到通用串行总线（USB）闪存驱动器中。

适合于存储计算机程序指令和数据的计算机可读介质（根据需要，可以是瞬时的或者是非瞬时的）包括所有形式的非易失性存储器、介质和存储器设备，举例来说，其包括半导体存储器设备，例如，EPROM、EEPROM和闪速存储器设备；磁盘，例如，内置硬盘或可移动磁盘；磁光盘；以及CD-ROM和DVD-ROM盘。存储器可以存储各种对象或数据，包括缓存、类、框架、应用、备份数据、任务、网页、网页模板、数据库表、存储业务和/或动态信息的存储库、以及任何其他适当的信息，包括任何参数、变量、算法、指令、规则、约束、或对其的引用。此外，存储器可以包括任何其他适当的数据，诸如，日志、策略、安全或访问数据、报告文件等。处理器和存储器可以通过专用逻辑电路来补充，或者被合并到专用逻辑电路中。

为了提供与用户的交互，可以将在本说明书中描述的主题的实施例实现在具有显示设备，以及键盘和指示设备的计算机上，其中，所述显示设备例如，CRT（阴极射线管）、LCD（液晶显示器）或等离子体显示器，用于向用户显示信息，并且所述指示设备例如鼠标或轨迹球，用户通过键盘或指示设备可以将输入提供到计算机。其他种类的设备也可以被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；并且来自用户的输入可以以任何形式来接收，包括声音、语音或触觉输入。此外，通过发送文档到用户使用的设备和从用户使用的设备接收文档，计算机可以与用户交互；例如，响应于从网页浏览器接收的请求，通过发送网页到用户的客户端设备上的网页浏览器来与用户交互。

术语“图形用户界面”，或GUI可以以单数或复数形式来使用，以描述一个或多个图形用户界面，以及特定图形用户界面的每一个显示。因此，GUI可以表示任何图形用户界面，包括但不限于，网页浏览器、触摸屏或者命令行界面（CLI），其处理信息并且有效地向用户呈现信息结果。在一般情况下，GUI可以包括多个用户界面（UI）元件，其中的一些或所有与网页浏览器相关联，例如，交互字段、下拉列表、以及可由商业套件用户操作的按钮。这些和其它UI元件可以与网页浏览器的功能相关或者代表网页浏览器的功能。

在本说明书中描述的主题的实施例可以实现在计算系统中，计算系统包括例如数据服务器的后端组件；或者包括例如应用服务器的中间组件；或者包括例如具有通过其用户可以与在本说明书中描述的主题的实施例交互的图形用户界面或网页浏览器的客户端计算机的前端组件；或者包括一个或者多个这样的后端、中间或前端组件的任何组合。系统的组件可以通过任何形式或媒介的数字数据通信，例如，通信网络来互连。通信网络的示例包括局域网（LAN）、例如因特网的广域网（WAN）以及无线局域网络（WLAN）。

计算系统可以包括客户端和服务器。客户端和服务器一般都远离对方，并且通常通过通信网络而交互。客户端和服务器的关系根据运行在相应计算机上并且彼此具有客户端-服务器关系的计算机程序而产生。

虽然本说明书包含了许多具体的实现细节，但是这些细节不应该被解释为用于限制本发明的范围或权利要求的范围，而是应该理解为对具体发明的具体实施例特定的特征的描述。在本说明书中在单独的实施例的上下文中描述的某些特征也可以组合实现在单个实现方式中。相反，在单个的实现方式的上下文中所描述的各种特征也可以被分离地实现在多个实施例中，或者可以以任何合适的子组合来实现。此外，虽然以上可以将特征描述为在某些组合中工作，并且甚至最初如此来要求保护，但是来自所要求保护的组合的一个或多个特征可以在某些情况下从组合中去除，并且所要求保护的组合可以涉及子组合或者子组合的变化。

同样地，虽然在附图中以特定的顺序（例如，图4）描述了操作，但是这不应该被理解为需要以所示的特定顺序或按顺序来进行这样的操作，或者需要执行所有图示的操作才能达到理想的结果。在某些情况下，多任务和并行处理可能是有利的。此外，在上述实施例中的各种系统模块和组件的划分不应被理解为在所有实施例中都需要这样的划分，而是应当理解为所描述的程序组件和系统一般可以被集成在单个的软件产品中，或者被打包成多个软件产品。

对主题的特定实施例进行了描述。对于本领域技术人员而言将是显而易见的是，其他实施例、所描述的实施例改动和变化都在权利要求的范围之内。例如，在权利要求中所述的动作可以以不同的顺序执行，但是仍能达到所希望的结果。

因此，上面对示例性实施例的描述并不是用于限定或限制本公开。在不脱离本公开的精神和范围的情况下，其他的变化、替换和修改也是可能的。

Claims

1.一种向用户推荐内容的计算机实现的方法，包括：

识别在服务器设备或者可通信地耦合到服务器设备的存储库上存储的分类的公共内容；

识别在客户端设备或者可通信地耦合到客户端设备的存储库上存储的用户的私有内容，其中，客户端设备通过网络可通信地耦合到服务器设备；

从用户接收i)对于内容推荐的请求和ii)与对于内容推荐的请求相关联的分层结构上的级别的选择；

基于所选择的级别，确定与所述请求的一个或多个关键词相关联的一个或多个代理关键词；

基于a)所述一个或多个代理关键词和b)对于内容推荐的请求，生成代表性查询；

基于代表性查询，确定在服务器设备或者可通信地耦合到服务器设备的存储库上存储的分类的公共内容的部分；

基于请求，确定在客户端设备或者可通信地耦合到客户端设备的存储库上存储的私有内容的部分；以及

为了向用户呈现，准备基于代表性查询的分类的公共内容的部分、以及基于对于内容推荐的请求的私有内容的部分。

2.根据权利要求1所述的计算机实现的方法，进一步包括：

在客户端设备处接收索引，该索引包括分类的公共内容的部分的列表；

基于一个或者多个用户设置，过滤分类的公共内容的部分；以及

准备分类的公共内容的经过滤部分的列表，以呈现给用户。

3.根据权利要求2所述的计算机实现的方法，进一步包括：

向用户呈现分类的公共内容的经过滤部分的列表，所述列表包括与分类的公共内容相关联的一个或者多个超链接；以及

向用户呈现基于对于内容推荐的请求的私有内容的部分。

4.根据权利要求1所述的计算机实现的方法，其中，所述客户端设备、服务器设备或网络中的至少一个包括防火墙，该防火墙限制在客户端设备和服务器设备之间的未经授权的访问。

5.根据权利要求1所述的计算机实现的方法，进一步包括：

识别可通信地暴露给服务器设备的公共内容，所述公共内容包括多个电子文档；

基于对所述多个电子文档执行的主题模型处理，生成多个模型参数；以及

基于模型参数对公共内容分类，以生成分类的公共内容。

6.根据权利要求1所述的计算机实现的方法，其中，所述公共内容包括通过万维网公开可用的数据，并且私有内容包括与用户相关联的电子邮件、与用户相关联的文本或SMS消息、或与用户相关联的社交网络消息中的至少一个。

7.一种非瞬时性计算机可读存储介质，其上存储有非瞬时性的、计算机可读指令，所述指令在被一个或者多个处理器执行时执行向用户推荐内容的操作，所述操作包括：

8.根据权利要求7所述的非瞬时性计算机可读存储介质，其中，所述操作进一步包括：

准备分类的公共内容的经过滤部分的列表，以呈现给用户。

9.根据权利要求8所述的非瞬时性计算机可读存储介质，其中，所述操作进一步包括：

向用户呈现基于对于内容推荐的请求的私有内容的部分。

10.根据权利要求7所述的非瞬时性计算机可读存储介质，其中，所述客户端设备、服务器设备或网络中的至少一个包括防火墙，该防火墙限制在客户端设备和服务器设备之间的未经授权的访问。

11.根据权利要求7所述的非瞬时性计算机可读存储介质，其中，所述操作进一步包括：

基于模型参数对公共内容分类，以生成分类的公共内容。

12.根据权利要求7所述的非瞬时性计算机可读存储介质，其中，所述公共内容包括通过万维网公开可用的数据，并且所述私有内容包括与用户相关联的电子邮件、与用户相关联的文本或SMS消息、或与用户相关联的社交网络消息中的至少一个。

13.一种具有一个或者多个计算机的系统，所述系统包括：

处理器；以及

非瞬时性存储介质，其上存储有非瞬时性的、计算机可读指令，所述指令在被处理器执行时执行向用户推荐内容的操作，所述操作包括：

14.根据权利要求13所述的系统，其中，所述操作进一步包括：

准备分类的公共内容的经过滤部分的列表，以呈现给用户。

15.根据权利要求14所述的系统，其中，所述操作进一步包括：

向用户呈现基于对于内容推荐的请求的私有内容的部分。

16.根据权利要求13所述的系统，其中，所述客户端设备、服务器设备或网络中的至少一个包括防火墙，该防火墙限制在客户端设备和服务器设备之间的未经授权的访问。

17.根据权利要求13所述的系统，其中，所述操作进一步包括：

基于模型参数对公共内容分类，以生成分类的公共内容。

18.根据权利要求13所述的系统，其中，所述公共内容包括通过万维网公开可用的数据，并且所述私有内容包括与用户相关联的电子邮件、与用户相关联的文本或SMS消息、或与用户相关联的社交网络消息中的至少一个。