CN104969224B - 未认可及新用户的改善用户体验 - Google Patents
未认可及新用户的改善用户体验 Download PDFInfo
- Publication number
- CN104969224B CN104969224B CN201480007484.0A CN201480007484A CN104969224B CN 104969224 B CN104969224 B CN 104969224B CN 201480007484 A CN201480007484 A CN 201480007484A CN 104969224 B CN104969224 B CN 104969224B
- Authority
- CN
- China
- Prior art keywords
- domain
- user
- attributes
- activity
- particular user
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明揭示一种系统,其存储将用户映射到属性的表,且存储将所述用户映射到与源域相关联的产品的第二表。所述系统确定用于所述属性中的每一者的最高分数产品的集合,且使用所述最高分数产品创建预测目标域中的活动的模型,所述目标域与所述源域分离。所述系统检测来自存取所述目标域的特定用户的行为,且响应于所述检测到所述行为而基于所述模型产生用于所述特定用户的个性化预测。
Description
相关申请案的交叉参考
本申请案主张2013年3月13日申请的标题为“调整未认可及新用户的用户体验(Tailoring User Experience for Unrecognized and New Users)”的第61/780,141号美国临时专利申请案的优先权且是所述申请案的接续,所述申请案的内容是以引用的方式全部并入本文中。
背景技术
此说明书大体上涉及给用户提供推荐且响应于搜索查询提供搜索结果。搜索引擎例如从一或多个用户接收搜索查询且返回响应于所述查询的搜索结果。作为另一实例,搜索引擎可任选地从计算资源(例如另一搜索引擎)接收查询且将搜索结果返回到计算资源(例如另一搜索引擎)。
例如,搜索引擎可识别响应于搜索查询的资源、产生具有关于文档的信息的搜索结果且响应于查询提供搜索结果。资源的实例包含例如网页、视频、书籍及声音文件的资源。还可提供其它类型的搜索结果,例如对由用户提出的问题的直接回答或响应于用户查询的信息的总结。
发明内容
一种系统通过识别类似用户类型给用户提供定制体验,对于所述定制体验,系统缺少在线行为及兴趣的详细历史。
根据一个实施方案,一种方法包含存储将用户映射到属性的表;存储将用户映射到与源域相关联的产品的第二表;使用计算机系统的处理器确定用于属性中的每一者的最高分数产品的集合;使用最高分数产品创建预测目标域中的活动的模型,目标域与源域分离;检测来自存取目标域的特定用户的行为;及响应于检测到行为而基于模型产生用于特定用户的个性化预测。在一些实施方案中,用户具有源域及目标域两者中的活动。
实施方案可包含单独或彼此组合的以下特征中的一或多者。方法可包含确定特定用户缺少目标域中的记录行为;确定特定用户具有源域中的记录行为;使用源域中的记录行为产生个性化预测;及提供用于特定用户的个性化预测。产品可包含视频、已购买产品、搜索查询或建议活动中的至少一者。最高分数产品的集合被限制在预定时间周期内。属性可包含人口统计数据、群集或条目。创建模型可脱机执行。可响应于检测到目标域中的活动创建模型。
此方面的其它实施方案包含经配置以执行编码在计算机存储装置上的方法的动作的对应系统、设备及计算机程序。
在又另一实施方案中,一种方法包含确定具有匹配属性的集合的用户;存储与源域相关联且由用户中的每一者存取的产品集合;确定对应于匹配属性的集合的每一属性的产品的子集;使用产品的子集创建预测目标域中的活动的模型,目标域与源域分离;确定特定用户缺少源域中的记录行为;响应于确定特定用户缺少源域中的记录行为,确定特定用户具有代理域中的足够多的记录行为,代理域与源域分离且具有类似于源域的性质;及响应于确定特定用户具有代理域中的足够多的记录行为,基于代理域中的足够多的记录行为使用模型产生用于特定用户的个性化预测,特定用户的个性化预测是响应于特定用户执行活动且同时存取目标域而产生。
实施方案可包含单独或彼此组合的以下特征中的一或多者。方法可包含存取将用户映射到属性的第一加密数据存储装置及存取将用户映射到产品的第二加密数据存储装置。产品可包含视频、物品、搜索查询或建议活动中的至少一者。创建模型可脱机执行。方法可包含响应于检测到目标域中的活动创建模型。方法还可包含基于包含来自多个域中的行为的数据的加密表确定用户具有匹配属性的集合。
此方面的其它实施方案包含经配置以执行编码在计算机存储装置上的方法的动作的对应系统、设备及计算机程序。
这里描述的标的物的实施方案中的一或多者可提供以下优点中的一或多者。个性化内容反映用户的兴趣。系统给使用产品的用户提供定制且有帮助的体验,对于所述体验,系统缺少在线行为及兴趣的详细历史,但是另一产品中存在关于所述用户的详细信息(且例如用户已同意使用此信息)。
以下附图及描述中陈述一或多个实施方案的细节。根据描述及图式且根据权利要求书将明白其它特征。
附图说明
图1说明实例系统。
图2是可用以产生个性化内容的实例系统。
图3是实例用户接口。
图4是说明产生个性化预测的实例方法的流程表。
图5是说明产生个性化预测的实例方法的流程表。
图6是可搭配这里描述的技术使用的泛用型计算机装置的实例。
图7是可搭配这里描述的技术使用的泛用型计算机装置的实例。
各个图式中的相同元件符号指示相同元件。
具体实施方式
图1说明实例搜索系统102。搜索系统102可在例如通过网络通信的一或多个计算机上实施。系统从客户端装置106接收查询104且产生具有包含来自参考内容的摘录的总结内容的结果108。每一查询104是电子通信,例如电子邮件、邮件、文字消息等等。查询104可呈例如文字形式或其它形式,例如呈音频形式或图像形式。在一些实施方案中,查询104可为隐式的且基于在用户同意的情况下采集的关于用户的信息。例如,系统可基于用户的识别符、例如地理位置的用户背景以及其它用户数据或由用户作出的显式查询来作出推荐。
搜索系统102及客户端装置106可通过网络(内联网或因特网)通信。虽然搜索系统102及客户端装置106被示为两个单独装置,但是在一些实施方案中,搜索系统102及客户端装置106可为相同装置。
搜索系统102包含编索引引擎110及排名引擎112。编索引引擎110维持由搜索系统102使用的索引114。编索引引擎110处理文档且例如使用常规或其它编索引技术更新索引114中的索引条目。
在一些实施方案中,搜索系统102可维持用户兴趣数据存储装置120。在其中用户同意使用此数据的实例中,用户兴趣数据存储装置120可包含一或多个条目(“条目”可为人、地点、事物或概念)、网站、文字、搜索查询、物品购买记录、所观看的视频、所播放的音乐、人口统计数据或可由搜索系统102使用的其它用户兴趣信息。在一些实施方案中,用户兴趣数据存储装置120可按用户、频率、位置及数据或时间分类搜索查询,其中用户同意使用此数据。在一些实施方案中,用户兴趣数据存储装置120可被包含作为索引114的部分。在一些实施方案中,用户兴趣数据存储装置120可存储在远程服务器处。
排名引擎112可使用索引114以例如使用常规或其它信息检索技术识别响应于查询104的文档。排名引擎112例如使用一或多个排名信号计算响应于查询的文档的分数。每一信号提供关于文档本身的信息或文档与消息之间的关系。一个实例信号是文档的整体质量的衡量。另一实例信号是文档中发生查询项的次数的衡量。如下文关于图2到4更详细地讨论,还可使用其它信号,例如基于源域中的行为的个性化内容的衡量。排名引擎112使用分数排名响应文档或文档的部分。
搜索系统102使用由排名引擎112识别及计分的文档以产生结果108。结果108包含对应于响应于查询104的文档的结果。例如,结果可包含文档标题、到文档的链接及来自响应于查询的文档的内容的总结。结果108的其它实例包含响应于查询的信息的总结。总结可产生自响应于查询的文档或其它源。如下文更详细地讨论,结果108的又其它实例包含个性化内容,例如建议链接、视频、音乐或产品。
如这里引用的“产品”可包含视频、网页应用程序、独立应用程序、网站、游戏或任何在线活动。作为实例,这里引用的“属性”可包含群集(即,用户组)、条目或人口统计信息。
如这里描述的“域”可为用户可在例如网站的特定系统或例如网页应用程序的在线应用程序中与其交互的动作、活动或数据的集合。在其中用户同意使用与域中的活动或行为相关联的数据的实例中,所述活动或行为可包含例如搜索查询、请求、视频搜索或播放、音乐搜索或播放、在线产品购买(例如书籍、衣服、歌曲、视频或其它物品的购买)、邮件列表订阅等等。
源域可为网站且源域中的活动可包含网页搜索行为。目标域可为另一网站,且系统可给目标域的用户提供建议电影或音乐。作为简化实例,用户可在目标域中输入对“海滩度假”的查询104。搜索系统102可确定输入查询104的用户是目标域的新的或未识别用户(例如,用户没有登录到目标域中,用户缺少目标域中的先前记录行为,等等)。系统还可例如通过搜索各个数据存储装置确定用户具有源域中的某种行为,如下文关于图2到5更详细地描述。
使用下文关于图2更详细描述的模型,搜索系统102可例如以“具有属性x的用户趋向于喜欢产品中的物品y”的形式作出推荐。例如,“群集XYZ中的用户趋向于喜欢关于技术小配件的视频”或“对条目ABC感兴趣的用户趋向于喜欢素食烹饪书”。以上两个实例属性(即,群集及感兴趣的条目)可存储在用户兴趣数据存储装置120中(在用户同意的情况下),用户兴趣数据存储装置120可含有跨多个域的用户活动的总结。
在一些实施方案中,系统可确定目标域中的新用户不具有源域中的记录行为,但是的确具有代理域(即,具有类似于源域的性质的域)中可用的足够多的活动。例如,代理域可为网站,其是其中用户没有登录到用户账号中的目标域的版本。系统可基于代理域中的用户的先前行为作出个性化预测。例如,当用户同意使用此数据时,对于已启用网页历史的用户,系统可建立网页访问如何预测视频搜索或播放、音乐搜索或播放、书籍购买、所购买的产品等等的模型。对于浏览历史已知的注销用户(例如使用小数据文件(cookie),其中用户已同意使用此数据),系统可处理代理域中的注销浏览历史,如同其登录在目标领域中的网页历史一样,从而基于受访问页面使用模型作出推荐。在各个实施方案中,多个源域或代理域可用于一或多个目标域。
系统可利用下文关于图2更详细描述的模型以基于查询104将相关及个性化结果108提供给用户。系统可因此通过基于关于其它(例如登录、识别)用户的类似信息识别类似用户类型给用户提供定制体验。下文关于图2到5更详细地描述由搜索系统102产生的结果108的其它实例。
图2是可用以产生个性化内容的实例系统。系统200包含源域数据存储装置210、目标域数据存储装置220及代理域数据存储装置240。如图2中所示,源域数据存储装置210可包含一或多个表(可被加密)、表212及表214。在系统200中所示的实例中,表212包含用户到属性的映射。例如,如表212中所示,用户U1被映射到属性A1及A2,用户U2被映射到属性A1及A3,且用户U3被映射到属性A4及A5。
表214包含用户到产品的映射。例如,如表214中所示,用户U1被映射到产品P1及P2,用户U2被映射到产品P1及P4,且用户U3被映射到产品P3及P4。产品可源自于预定时间周期内的近期活动,例如上周观看的视频或上个月购买的产品。在一些实施方案中,具有多个产品的用户可以具有表214中的多行。在各个实施方案中,产品可包含建议活动,例如基于用户的地理位置访问的建议餐厅或商店,或预约的建议航班、旅馆或预留房间。
表212及表214可从例如源域数据存储装置210的数据存储装置读取。
系统200(例如使用搜索系统102)可使用至少来自源域数据存储装置210(例如表212及214)的数据产生产品子集216。例如,系统可(例如使用结合程序)组合表212及表214以产生产品子集216,其含有用于每一属性的最高分数产品的集合。结合可经设计以通过保证具有属性的用户数目及物品在其可具有分数之前与属性相关联的次数的最小阈值来防止隐私泄露。例如,在一个实施方案中,系统可首先结合表。系统可计数有多少个用户具有每一属性、有多少个用户具有每一产品,且有多少具有给定属性的用户具有给定产品。系统可筛选(例如,移除)可适用于少于群集(即,用户组)中的最少数目的用户的属性。对于剩余属性,舍弃出现少于最小次数的物品。系统可针对每一属性对剩余物品计分。系统可针对每一属性对预定数目(例如200个)的最高分数物品进行排名且记录物品(例如,每个属性一个物品)。
系统可使用产品子集216以基于特定用户具有何种属性而创建特定用户的推荐集合。例如当用户存取目标域时,可动态地产生此推荐。在一些实施方案中,推荐可脱机产生。
为了创建推荐,系统可使用来自产品子集216的数据且使用来自目标域数据存储装置220的信息产生模型222。系统可组合表212(将用户映射到属性的表)与表214(将用户映射到例如特定客户端的id空间中的产品,例如视频)以针对每一属性产生最高分数产品的集合。
在一些实施方案中,如果用户具有具备相同产品的多个属性,那么指派分数可存在不同方式。一种方式是在所有属性之间选取最大分数,如下文更详细地描述。另一选项是取分数的乘积。系统可为每一用户(例如基于用户识别符)选择最高分数物品(跨所有的用户属性)。所产生的表可接着被加载到任何服务基础设施中。
系统可使用模型222以产生特定用户的个性化预测230。系统在一些实施方案中可脱机产生个性化预测230以预计算特定用户的候选者集合(例如,在例如视频网站主页的目标域中)。在一些实施方案中,系统可例如响应于例如在线应用程序商店的目标域中的查询而动态地产生个性化预测230。
在一些实施方案中,系统可(例如使用源域数据存储装置210)确定特定用户是目标域中不具有源域中的记录行为的新用户。在此情况中,系统可使用例如代理域数据存储装置240确定特定用户是否具有代理域(具有类似于源域的性质的域)中的任何(或足够多的)记录行为。系统可基于来自代理域中的用户行为的数据(例如使用代理域数据存储装置240)作出个性化预测230。在一些实施方案中,系统还可利用模型222连同来自代理域数据存储装置240的数据以作出个性化预测。
在一些实施方案中,在其中用户同意使用此数据的实例中,系统(例如系统200)存储用户兴趣及属性的总结,包含用户到群集的指派。用户兴趣可基于多种因素(例如搜索活动、视频观看活动、由用户提供的条目或在用户同意的情况下获得的其它信息)而确定。用户可被指派单个模型实例中的一个以上群集id。在一些实施方案中,系统舍弃含有来自预定时间量(例如一年)之后的模型实例的群集指派。系统可定期计算用户到预定总数个群集的指派。
因为类似用户可偏爱类似内容,所以系统可确定关于视频播放历史喜欢Ben的用户趋向于按某个艺术家购买音乐,因此系统可推荐Ben的在线网页商店主屏上的艺术家。
下文包含来源于用户群集的推荐的实例实施方案。在此实例中,“属性”是自动推导的群集。对于给定域,系统可将用户指派给一或多个群集。为此,系统可在来源于用户历史的某个特征空间中使用k均值群集或任何其它无监督群集算法,群集可由人口统计数据推导,等等。在未加权情况中,对于每一源域s,函数fS将用户u映射到从域特定群集识别符集合CS中提取的群集识别符c
fs:u→{c∈Cs}。
如果源域不了解用户u,那么所得集合可为空:fs:(u)={}。
对于具有用于模型化的结果x∈Xt的集合的某个目标域t,函数g将用户映射到与所述用户相关联的结果集合。这些结果Xt可为(在其中用户同意使用此数据的实例中)网站上的视频观看、于在线数字商品商店中购买的歌曲或甚至由用户明确提供的兴趣。
gt:u→{x∈Xt}
如果用户不具有目标域中的历史,那么gt(u)可为空的。
系统可估计群集c中的泛用型用户具有物品x的似然率。形式上,这是用从具有参数{α(neg),α(pos)}的不对称贝塔先验提取的伯努利随机变量oc,x∈{0,1}来表示。系统可以经验经由MAP估计来估计oc,x=1的似然率:
此估计是群集c中经观察具有结果x的用户的(伪计数平滑)部分。伪计数平滑参数α等效于观察到群集c中具有结果x的α(pos)(默认=1)个用户及群集c中不具有结果x的α(neg)(默认=50)个用户。平滑抑制极小群集的影响。
在一些背景中(例如音乐位于在线数字商品商店上),最受欢迎的物品可受欢迎使得其跨所有群集占优势。结果,系统可降低极受欢迎的推荐的加权以鼓励每一群集的热门推荐当中的多样性。
系统可为给定用户u推荐物品。系统确定用户具有Xt中的每一给定物品的可能性,前提是用户在群集fs(u)的集合中。在此实例中,用户可具有源域中的足够多的数据来指派给源域中的群集。在其它情况中,系统可基于代理域中的数据指派群集。如果用户在其中用户趋向于具有给定物品的任何群集中,那么用户应具有所述物品的似然率可为高。例如,如果用户在高尔夫玩家及吉他玩家的群集中,那么系统可推荐在所述群集中的任一种类的用户(高尔夫玩家或吉他玩家)之间受欢迎的视频。伯努利随机变量hu,x∈{0,1}可表示用户是否具有物品。物品可由似然率排名:
在替代或额外实施方案中,系统可通过跨目标域t中的所有用户Ut计数每一结果的发生对源通道s中的所有群集识别符CS的Xt中的结果计算经验分布。
向量oc,x编码源通道s的群集c中与目标通道t中的结果x相关联的用户的部分。系统可将伪计数值α∈R+相加到这些计数,且将结果自乘到γ次幂。此定义结果的经验联合分布P(x,c;α,γ),根据P(x,c;α,γ),系统可对结果P(x;α,γ),及群集P(c;α,γ),计算边缘分布。
P(x,c;α,γ)∝(α+oc,x)γ
温度参数γ控制所得分布的峰值大小,从而抑制极受欢迎物品的影响。系统可选择γ以限制结果的边缘分布中的最高计数结果对结果的边缘分布中的最低计数结果的概率的最大比率r(=100)。
因为0<γc<=1所以取幂将永远不会使分布具有更多尖峰。
最后,系统可以至少两种方法中的一者关于其群集对每一结果计分。第一方法使用最大似然估计,挑选k=10,000以给出合理的经缩放值:
Sml(c,x)=k·P(x|c;α,γ)=k·P(x,c;α,γ)/P(c;α,γ)
分数表示用户与结果x相关联的可能性,前提是用户在群集c中。此分数趋向于偏向于顶部-受欢迎的物品趋向于取得最高分数,即使其在群集中没有过多代表也是如此。结果,最高分数的物品看起来不会总是群集中的特别“代表性”物品。
在第二方法中,系统使用点间互信息:
分数(以位)表示来自群集c中的用户的结果x的可能性比来自整体的结果x的可能性多或少的程度。这些分数趋向于喜爱给定群集中不成比例地表示的物品。结果,最高分数项可趋向于正好描述关于群集的唯一事物,即使所述物品在群集中并未特别受欢迎也是如此。
图3是实例用户接口。如图3中所示,例如搜索系统102的系统可呈现用户接口300。在此实例中,特定用户可将查询310键入到目标域的搜索工具栏中。系统可以链接320、链接330及链接340的形式答复结果。链接320、链接330及链接340可各自为用户的个性化预测,例如上文关于图2描述的个性化预测230。
在一些实施方案中,在其中用户同意使用此数据的实例中,搜索系统102随着发送者键入查询310而自动地产生个性化预测。在其它实施方案中,系统可脱机产生个性化预测且当用户访问网页时将其呈现给用户,即使用户没有在所述网页中输入查询也是如此。
图4是说明产生个性化预测的实例方法的流程表。为了方便起见,关于执行流程表的步骤的系统描述步骤。系统可为例如上文参考图1描述的搜索系统102、上文关于图2描述的系统200,或其它系统。
在图4的实例中,系统存储将用户映射到属性的表(410)。例如,系统可存储加密表,例如图2中所示的表212。表中的数据可在用户同意的情况下连续更新。在一些实施方案中,用户可包含具有源域及目标域两者中的活动的用户(412)。在一些实施方案中,属性包含人口统计数据、产品或条目(414)。
系统存储将用户映射到与源域相关联的产品的第二表(420)。例如,系统可存储加密表,例如图2中所示的表214。系统例如使用表确定属性中的每一者的最高分数产品的集合(430)。系统创建预测目标域中的活动的模型(440)。例如,系统创建图2中所示的模型222。在一些实施方案中,系统可脱机创建模型(442)以例如预计算视频网站的特定用户的候选者的集合。在一些实施方案中,系统可响应于检测到目标域中的活动而创建模型(444)。系统检测目标域中的新用户的活动(450)。例如,系统接收对新用户进行的主题或网页访问的搜索查询。系统基于模型响应于检测到行为而产生特定用户的个性化预测(460)。
图5是说明产生个性化预测的实例方法的流程表。为了方便起见,参考执行流程表的步骤的系统描述步骤。系统可为例如上文参考图1描述的搜索系统102、上文关于图2描述的系统200,或其它系统。
在图5的实例中,系统收集关于源域中的用户行为的信息(510)。系统收集关于目标域中的用户行为的信息(520)。系统检测具有源域及目标域两者中的活动的用户(530)。系统创建源域中的行为与目标域中的行为的关系的模型(540)。系统检测目标域中的用户的活动(550)。系统确定用户是否具有源域中的行为(552)。如果用户具有源域中的行为(552,是),那么系统基于模型产生新用户的个性化预测(554),且响应于用户执行目标域中的活动而将个性化预测提供给用户(570)。例如,系统可提供个性化链接、建议视频或衣服或可吸引用户的特定广告。
如果用户不具有源域中的行为(552,否),那么系统确定用户是否具有代理域中的行为(560)。如果用户不具有代理域中的足够多的记录行为(560,否),那么过程可结束。如果用户具有代理域中的行为(560,是),那么系统基于代理域中的行为产生用户的个性化预测(562)。在一些实施方案中,系统还可使用模型或使用其它数据产生个性化预测。系统响应于用户执行代理域中的活动而将个性化预测提供给用户(570)。
图6展示泛用型计算机装置600的实例,计算机装置600可为图1的搜索系统102且可搭配这里描述的技术使用。计算装置600旨在表示各种实例形式的计算装置,例如膝上型计算机、桌上型计算机、工作站、个人数字助理、蜂窝电话、智能电话、平板计算机、服务器及包含穿戴式装置的其它计算装置。这里展示的组件、其连接及关系以及其功能只意指作为实例,且不意指限制本文档中描述或主张的实施方案。
计算装置600包含处理器602、存储器604、存储装置606及经由接口608连接的扩展端口610。在一些实施方案中,除了经由接口608连接的其它组件以外,计算装置600可包含收发器646、通信接口644及全球定位系统(GPS)接收器模块648。装置600可通过通信接口644无线地通信,通信接口644必要时可包含数字信号处理电路。组件602、604、606、608、610、640、644、646及648中的每一者可在适当时安装在共同母板上或以其它方式安装。
处理器602可处理用于在计算装置600内执行的指令,包含存储在存储器604中或存储装置606上以在外部输入/输出装置(例如显示器616)上显示用于GUI的图形信息的指令。显示器616可为监视器或平板触摸屏显示器。在一些实施方案中,可在适当时使用多个处理器或多个总线以及多个存储和多个类型的存储器。此外,多个计算装置600可经连接,其中每一装置提供必要操作的部分(例如,作为服务器组、刀片服务器群组,或多处理器系统)。
存储器604将信息存储在计算装置600内。在一个实施方案中,存储器604是易失性存储器单元。在另一实施方案中,存储器604是非易失性存储器单元。存储器604还可为另一形式的计算机可读媒体,例如磁盘或光盘。在一些实施方案中,存储器604可包含通过扩展接口提供的扩展存储器。
存储装置606能够提供用于计算装置600的大容量存储装置。在一个实施方案中,存储装置606可为或含有计算机可读媒体,例如软盘装置、硬盘装置、光盘装置或磁带装置、快闪存储器或其它类似固态存储器装置,或包含存储区域网络或其它配置中的装置的装置阵列。计算机程序产品可有形地具体化于此计算机可读媒体中。计算机程序产品还可含有当被执行时执行如上所述的一种或多种方法的指令。所述计算机或机器可读媒体是存储装置,例如存储器604、存储装置606或处理器602上的存储器。
接口608可为管理用于计算装置600的带宽密集操作的高速控制器或管理较低带宽密集操作的低速控制器或此类控制器的组合。外部接口640可经提供以实现装置600与其它装置的近区域通信。在一些实施方案中,控制器608可耦合到存储装置606及扩展端口614。可包含各种通信端口(例如,USB、蓝牙、以太网、无线以太网)的扩展端口可例如通过网络适配器耦合到一或多个输入/输出装置,例如键盘、指向装置、扫描仪或联网装置,例如交换机或路由器。
如图中所示,可以多种不同形式实施计算装置600。例如,计算装置600可被实施为标准服务器630或多次在此些服务器的群组中实施。其还可被实施为机架式服务器系统的部分。此外,其可在例如膝上型计算机622或智能电话636的个人计算机中实施。整个系统可由相互通信的多个计算装置600构成。其它配置是可能的。
图7展示泛用型计算机装置700的实例,计算机装置700可为图1的搜索系统102且可搭配这里描述的技术使用。计算装置700旨在表示各种实例形式的大型数据处理装置,例如服务器、刀片服务器、数据中心、主机及其它大型计算装置。计算装置700可为具有多个处理器(可能包含由一或多个通信网络互连的网络附接存储节点)的分布式系统。这里展示的组件、其连接及关系以及其功能只意指示范性的,且不意指限制本文档中描述或主张的实施方案。
分布式计算系统700可包含任何数目的计算装置780。计算装置780可包含通过局域网或广域网、专用光学链路、调制解调器、桥接器、路由器、交换机、有线或无线网络等等通信的服务器或机架式服务器、主机等等。
在一些实施方案中,每一计算装置可包含多个机架。例如,计算装置780a包含多个机架758a到758n。每一机架可包含一或多个处理器,例如处理器752a到752n及762a到762n。处理器可包含数据处理器、网络附接存储装置及其它计算机控制装置。在一些实施方案中,一个处理器可操作为主处理器且控制调度及数据分布任务。处理器可通过一或多个机架式交换机758互连,且一或多个机架可通过交换机778连接。交换机778可处置多个连接的计算装置700之间的通信。
每一机架可包含存储器(例如存储器754及存储器764)及存储装置(例如756及766)。存储装置756及766可提供大容量存储且可包含易失性或非易失性存储装置,例如网络附接的磁盘、软盘、硬盘、光盘、磁带、快闪存储器或其它类似固态存储器装置或装置阵列,其包含存储区域网络或其它配置中的装置。多个处理器、多个机架或多个计算装置之间可共享存储装置756或766,且存储装置756或766可包含存储可由处理器中的一或多者执行的指令的计算机可读媒体。存储器754及764可包含例如易失性存储器单元、非易失性存储器单元或其它形式的计算机可读媒体,例如磁盘或光盘、快闪存储器、高速缓冲存储器、随机存取存储器(RAM)、只读存储器(ROM)及其组合。处理器752a到752n之间还可共享存储器(例如存储器754)。例如索引的数据结构可例如跨存储装置756及存储器754存储。计算装置700可包含未展示的其它组件,例如控制器、总线、输入/输出装置、通信模块等等。
例如搜索系统102的整个系统可由彼此通信的多个计算装置700构成。例如,装置780a可与装置780b、780c及780d通信,且这些装置可统称为搜索系统102。作为另一实例,图1的搜索系统102可包含一或多个计算装置700作为编索引引擎110、单独计算装置700作为搜索系统102,及一或多个计算装置700作为索引114。此外,一些计算装置可经定位在地理位置上彼此靠近,且其它计算装置可经定位在地理位置上远离。系统700的布局只是实例且系统可呈其它布局或配置。
各个实施方案可包含一或多个计算机程序中的实施方案,所述一或多个计算机程序可在可编程系统上执行或解译,所述可编程系统包含至少一个可编程处理器,所述可编程处理器可为专用或通用的,经耦合以从存储系统、至少一个输入装置及至少一个输出装置接收数据及指令且将数据及指令传输到存储系统、至少一个输入装置及至少一个输出装置。
这些计算机程序(又称作程序、软件、软件应用程序或代码)包含用于可编程处理器的机器指令,且可以高级程序或面向对象程序设计语言或汇编/机器语言实施。如本文中使用,术语“机器可读媒体”、“计算机可读媒体”是指用以将机器指令或数据提供给可编程处理器的任何非暂时性计算机程序产品、设备或装置(例如,磁盘、光盘、存储器(包含读存取存储器)、可编程逻辑装置(PLD))。
可在计算系统中实施这里描述的系统及技术,所述计算系统包含后端组件(例如作为数据服务器),或包含中间件组件(例如应用程序服务器),或包含前端组件(例如客户端计算机,其具有图形用户接口或网页浏览器,用户可通过图形用户接口或网页浏览器而与这里描述的系统及技术的实施方案交互),或这种后端组件、中间件组件或前端组件的任何组合。系统的组件可通过数字数据通信的任何形式或媒体(例如通信网络)而互连。通信网络的实例包含局域网(“LAN”)、广域网(“WAN”)及因特网。
计算系统可包含客户端及服务器。客户端及服务器一般相互远离且通常通过通信网络而交互。客户端与服务器的关系是通过运行于相应计算机上且相互具有客户端-服务器关系的计算机程序引起。
已描述多个实施方案。然而,在不脱离本发明的精神及范围的情况下可作出各种修改。此外,图中描绘的逻辑流程不需要所示的特定次序或顺序次序来实现所需结果。此外,可提供其它步骤,或可从所描述流程消除步骤,且可将其它组件添加给所描述系统或从所描述系统移除其它组件。因此,其它实施方案是在所附权利要求书的范围内。
Claims (20)
1.一种方法,包括:
存储将第一用户映射到属性的第一表;
存储将第二用户映射到与源域相关联的产品的第二表;
针对用户结合所述第一表和所述第二表以找到用于第三用户中的每一个的所述源域的属性和最高分数产品,所述第三用户对于所述第一用户和所述第二用户是共有的,其中所述最高分数产品是通过使用最大似然估计或点间互信息中的一个或两者来确定的;
创建使用所述源域的属性预测目标域中的活动的模型,所述目标域与所述源域分离,所述模型使用具有所述源域的所述属性的第三用户中还被观察为具有所述目标域中的所述活动的部分的估计;
检测来自存取所述目标域的特定用户的活动;
确定用于所述用户的所述源域的属性;以及
响应于所述检测到来自存取所述目标域的所述特定用户的所述活动而基于所述模型和所述属性产生用于所述特定用户的个性化预测。
2.根据权利要求1所述的方法,其中,所述模型是从具有在所述源域及所述目标域两者中记录的活动的用户的信息创建的。
3.根据权利要求1所述的方法,进一步包括:
确定所述特定用户缺少所述目标域中的记录活动;
确定所述特定用户具有所述源域中的记录活动;
使用所述源域中的所述记录活动产生所述个性化预测;以及
提供用于所述特定用户的所述个性化预测。
4.根据权利要求1所述的方法,其中,所述产品包含视频和已购买产品中的至少一者。
5.根据权利要求1所述的方法,其中,用于所述第三用户中的每一个的所述源域的所述属性和最高分数产品被限制在预定时间周期内。
6.根据权利要求1所述的方法,其中,所述属性包含人口统计数据、群集或条目。
7.根据权利要求1所述的方法,其中,创建所述模型是脱机执行。
8.根据权利要求1所述的方法,进一步包括:
响应于检测到来自存取所述目标域的所述特定用户的所述活动创建所述模型。
9.一种方法,包括:
创建使用源域的属性预测目标域中的活动的模型,所述目标域与所述源域分离,并且所述模型使用具有所述源域的所述属性的用户集合中还被观察为具有所述目标域中的所述活动的部分的估计;
确定特定用户缺少所述源域中的记录活动;
响应于确定所述特定用户缺少所述源域中的记录活动,确定所述特定用户具有代理域中的足够多的记录活动以向所述用户分配与所述源域相关联的属性,所述代理域与所述源域分离且具有类似于所述源域的性质;以及
响应于确定所述特定用户具有所述代理域中的足够多的记录活动,基于所述代理域中的所述记录活动确定用于所述用户的第一属性以及基于将所述第一属性提供给所述模型来产生用于所述特定用户的个性化预测,其中所述模型产生所述个性化预测。
10.根据权利要求9所述的方法,其中,用于所述特定用户的所述个性化预测是响应于所述特定用户存取所述目标域而产生的。
11.根据权利要求9所述的方法,其中,所述活动包含观看视频、查看物品、或提交搜索查询中的至少一者。
12.根据权利要求9所述的方法,其中,创建所述模型是脱机执行。
13.根据权利要求9所述的方法,进一步包括:
响应于检测到所述特定用户存取所述目标域而创建所述模型。
14.根据权利要求9所述的方法,其中,所述属性是用户的群集,并且所述估计是抑制小群集的影响的伪计数平滑。
15.一种系统,包括:
存储指令的存储器;及
处理器,可操作地耦合到所述存储器且经配置为执行所述指令以使所述系统执行包含以下项的操作:
确定用于源域的属性的集合;
创建使用来自用于所述源域的所述属性的集合的属性预测目标域中的活动的模型,所述目标域与所述源域分离,并且所述模型使用具有所述属性的用户集合中还被观察为具有所述目标域中的所述活动的部分的估计;
检测特定用户存取所述目标域;
确定所述特定用户缺少所述源域中的记录活动;
响应于确定所述特定用户缺少所述源域中的记录活动,确定所述特定用户具有代理域中的足够多的记录活动以向所述用户分配用于所述源域的所述属性的集合中的属性,所述代理域与所述源域分离且具有类似于所述源域的性质;以及
响应于确定所述特定用户具有所述代理域中的足够多的记录活动,基于所述代理域中的所述记录活动确定用于所述用户的所述属性的集合中的第一属性以及基于将所述第一属性提供给所述模型来产生用于所述特定用户的个性化预测,其中所述模型产生所述个性化预测。
16.根据权利要求15所述的系统,其中所述属性的集合是自动推导群集的集合。
17.根据权利要求15所述的系统,其中,确定用于所述源域的所述属性的集合包括:
将属性映射到与具有所述属性的用户相关联的产品物品的集合。
18.根据权利要求15所述的系统,其中,所述模型降低用于所述源域的所述属性的集合中的所有属性中受欢迎的活动的加权。
19.根据权利要求17所述的系统,其中,所述产品包含视频和已购买产品中的至少一者。
20.根据权利要求15所述的系统,其中,所述第一属性是群集,并且所述特定用户基于所述代理域中的所述记录活动被分配给所述群集。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361780141P | 2013-03-13 | 2013-03-13 | |
US61/780,141 | 2013-03-13 | ||
PCT/US2014/024686 WO2014165186A2 (en) | 2013-03-13 | 2014-03-12 | Tailoring user experience for unrecognized and new users |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104969224A CN104969224A (zh) | 2015-10-07 |
CN104969224B true CN104969224B (zh) | 2020-02-14 |
Family
ID=50483538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480007484.0A Active CN104969224B (zh) | 2013-03-13 | 2014-03-12 | 未认可及新用户的改善用户体验 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9507830B2 (zh) |
EP (1) | EP2973026A2 (zh) |
JP (1) | JP6445517B2 (zh) |
KR (1) | KR102233805B1 (zh) |
CN (1) | CN104969224B (zh) |
BR (1) | BR112015015806A2 (zh) |
WO (1) | WO2014165186A2 (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19906934A1 (de) * | 1999-02-19 | 2000-08-24 | Bosch Gmbh Robert | Wischanlage |
CN104969224B (zh) | 2013-03-13 | 2020-02-14 | 谷歌有限责任公司 | 未认可及新用户的改善用户体验 |
JP2015135598A (ja) * | 2014-01-17 | 2015-07-27 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
US10031976B2 (en) * | 2014-04-07 | 2018-07-24 | Paypal, Inc. | Personalization platform |
CN104636470B (zh) * | 2015-02-11 | 2018-04-24 | 广州华多网络科技有限公司 | 一种推荐业务资讯的方法及装置 |
US10552470B2 (en) * | 2015-04-06 | 2020-02-04 | Netflix, Inc. | Global recommendation systems for overlapping media catalogs |
US10866646B2 (en) | 2015-04-20 | 2020-12-15 | Tiltsta Pty Ltd | Interactive media system and method |
CN104951544A (zh) * | 2015-06-19 | 2015-09-30 | 百度在线网络技术(北京)有限公司 | 用户数据处理方法、用户数据的提供方法和系统 |
RU2632131C2 (ru) | 2015-08-28 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и устройство для создания рекомендуемого списка содержимого |
RU2632100C2 (ru) * | 2015-09-28 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и сервер создания рекомендованного набора элементов |
RU2629638C2 (ru) | 2015-09-28 | 2017-08-30 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и сервер создания рекомендуемого набора элементов для пользователя |
RU2632144C1 (ru) | 2016-05-12 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Компьютерный способ создания интерфейса рекомендации контента |
US10789538B2 (en) * | 2016-06-23 | 2020-09-29 | International Business Machines Corporation | Cognitive machine learning classifier generation |
US10789546B2 (en) * | 2016-06-23 | 2020-09-29 | International Business Machines Corporation | Cognitive machine learning classifier generation |
CN107566856B (zh) * | 2016-07-01 | 2019-11-15 | 腾讯科技(北京)有限公司 | 提供推送信息的方法及系统 |
RU2632132C1 (ru) | 2016-07-07 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и устройство для создания рекомендаций содержимого в системе рекомендаций |
RU2636702C1 (ru) | 2016-07-07 | 2017-11-27 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций |
USD882600S1 (en) | 2017-01-13 | 2020-04-28 | Yandex Europe Ag | Display screen with graphical user interface |
CN109034853B (zh) * | 2017-06-09 | 2021-11-26 | 北京京东尚科信息技术有限公司 | 基于种子用户寻找相似用户方法、装置、介质和电子设备 |
US10733240B1 (en) * | 2017-08-02 | 2020-08-04 | Intuit Inc. | Predicting contract details using an unstructured data source |
US10474495B2 (en) * | 2018-01-08 | 2019-11-12 | Accenture Global Solutions Limited | Utilizing an artificial intelligence model determined for a target domain based on a dataset associated with a source domain |
RU2720952C2 (ru) | 2018-09-14 | 2020-05-15 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для создания рекомендации цифрового содержимого |
RU2714594C1 (ru) | 2018-09-14 | 2020-02-18 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система определения параметра релевантность для элементов содержимого |
RU2720899C2 (ru) | 2018-09-14 | 2020-05-14 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации |
RU2725659C2 (ru) | 2018-10-08 | 2020-07-03 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для оценивания данных о взаимодействиях пользователь-элемент |
RU2731335C2 (ru) | 2018-10-09 | 2020-09-01 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для формирования рекомендаций цифрового контента |
RU2757406C1 (ru) | 2019-09-09 | 2021-10-15 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для обеспечения уровня сервиса при рекламе элемента контента |
CN112383391B (zh) * | 2020-11-12 | 2024-03-19 | 北京安御道合科技有限公司 | 基于数据属性授权的数据安全保护方法、存储介质及终端 |
CN112348284A (zh) * | 2020-11-25 | 2021-02-09 | 新智数字科技有限公司 | 一种电力负荷预测方法、装置、可读介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101489107A (zh) * | 2009-01-21 | 2009-07-22 | 华东师范大学 | 一种基于人口属性关键字向量的协作过滤推荐方法 |
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和系统 |
EP2397952A1 (en) * | 2010-06-15 | 2011-12-21 | Axel Springer Digital TV Guide GmbH | Profile based content retrieval for recommender systems |
WO2013006432A1 (en) * | 2011-07-01 | 2013-01-10 | Google Inc. | Shared metadata for media files |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6182068B1 (en) * | 1997-08-01 | 2001-01-30 | Ask Jeeves, Inc. | Personalized search methods |
US6317722B1 (en) * | 1998-09-18 | 2001-11-13 | Amazon.Com, Inc. | Use of electronic shopping carts to generate personal recommendations |
US6266649B1 (en) | 1998-09-18 | 2001-07-24 | Amazon.Com, Inc. | Collaborative recommendations using item-to-item similarity mappings |
US10339336B2 (en) * | 2003-06-11 | 2019-07-02 | Oracle International Corporation | Method and apparatus for encrypting database columns |
JP2005063164A (ja) * | 2003-08-13 | 2005-03-10 | Nippon Telegr & Teleph Corp <Ntt> | 履歴収集方法、分析結果送信方法およびそのシステム、ならびにそのプログラムと記録媒体 |
JP2008282132A (ja) * | 2007-05-09 | 2008-11-20 | Promise Co Ltd | Ecサイト管理装置及びコンピュータプログラム |
US20100211960A1 (en) * | 2009-02-17 | 2010-08-19 | Google Inc. | Characterizing User Information |
JP5371676B2 (ja) * | 2009-10-09 | 2013-12-18 | 株式会社エヌ・ティ・ティ・データ | 推薦コンテンツ抽出装置、推薦コンテンツ抽出方法および推薦コンテンツ抽出プログラム |
JP2011233041A (ja) * | 2010-04-28 | 2011-11-17 | Nippon Telegr & Teleph Corp <Ntt> | 嗜好推測システムおよび嗜好推測方法 |
JP2012103955A (ja) * | 2010-11-11 | 2012-05-31 | Hitachi Solutions Ltd | プロファイル解析システム |
JP5467062B2 (ja) * | 2011-01-17 | 2014-04-09 | 日本電信電話株式会社 | 情報推薦装置及び方法及びプログラム |
CN104969224B (zh) | 2013-03-13 | 2020-02-14 | 谷歌有限责任公司 | 未认可及新用户的改善用户体验 |
-
2014
- 2014-03-12 CN CN201480007484.0A patent/CN104969224B/zh active Active
- 2014-03-12 US US14/206,880 patent/US9507830B2/en active Active
- 2014-03-12 BR BR112015015806A patent/BR112015015806A2/pt not_active IP Right Cessation
- 2014-03-12 EP EP14717308.2A patent/EP2973026A2/en not_active Withdrawn
- 2014-03-12 JP JP2016501605A patent/JP6445517B2/ja active Active
- 2014-03-12 WO PCT/US2014/024686 patent/WO2014165186A2/en active Application Filing
- 2014-03-12 KR KR1020157016794A patent/KR102233805B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101489107A (zh) * | 2009-01-21 | 2009-07-22 | 华东师范大学 | 一种基于人口属性关键字向量的协作过滤推荐方法 |
EP2397952A1 (en) * | 2010-06-15 | 2011-12-21 | Axel Springer Digital TV Guide GmbH | Profile based content retrieval for recommender systems |
WO2013006432A1 (en) * | 2011-07-01 | 2013-01-10 | Google Inc. | Shared metadata for media files |
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和系统 |
Non-Patent Citations (1)
Title |
---|
Efficient Bayesian Hierarchical User Modeling for Recommendation Systems;Yi Zhang等;《SIGIR "07 Proceedings of the 30th annual international ACM SIGIR conference on Research and development in information retrieval》;20071231;第47-53页 * |
Also Published As
Publication number | Publication date |
---|---|
JP2016517579A (ja) | 2016-06-16 |
EP2973026A2 (en) | 2016-01-20 |
US20140280221A1 (en) | 2014-09-18 |
WO2014165186A3 (en) | 2014-12-31 |
JP6445517B2 (ja) | 2018-12-26 |
KR102233805B1 (ko) | 2021-03-30 |
CN104969224A (zh) | 2015-10-07 |
KR20150135196A (ko) | 2015-12-02 |
BR112015015806A2 (pt) | 2017-07-11 |
US9507830B2 (en) | 2016-11-29 |
WO2014165186A2 (en) | 2014-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104969224B (zh) | 未认可及新用户的改善用户体验 | |
TWI636416B (zh) | 內容個人化之多相排序方法和系統 | |
US10311478B2 (en) | Recommending content based on user profiles clustered by subscription data | |
KR101686594B1 (ko) | 소셜 관련성에 의한 객체의 순위화 | |
US8468201B2 (en) | Organizing social activity information on a site | |
US9706008B2 (en) | Method and system for efficient matching of user profiles with audience segments | |
US20160092576A1 (en) | Association- and perspective-based content item recommendations | |
US20140189525A1 (en) | User behavior models based on source domain | |
US20120185481A1 (en) | Method and Apparatus for Executing a Recommendation | |
JP2015533238A (ja) | メディア・コンテンツ受信デバイス及びソーシャル・ネットワーク及びソーシャル・サークルを利用するメディア・コンテンツの配布 | |
WO2014143018A1 (en) | Efficient and fault-tolerant distributed algorithm for learning latent factor models through matrix factorization | |
US20150066897A1 (en) | Systems and methods for conveying passive interest classified media content | |
WO2011049749A1 (en) | Automatically identifying and summarizing content published by key influencers | |
US20230008201A1 (en) | Automated Content Medium Selection | |
US9430572B2 (en) | Method and system for user profiling via mapping third party interests to a universal interest space | |
US10474670B1 (en) | Category predictions with browse node probabilities | |
JP5696213B2 (ja) | コンテキストベースでのアイテムのブックマーキング | |
Rathod et al. | A survey of personalized recommendation system with user interest in social network | |
KR101626953B1 (ko) | 사용자 성향 기반 아이템 추천 시스템 및 방법 | |
JP6421146B2 (ja) | 情報処理システム、情報処理装置、プログラム | |
Suvarna et al. | Context Aware Service Information Extraction from Bigdata | |
Kotkov et al. | A Serendipity-Oriented Greedy Algorithm and a Complete Serendipity Metric for Recommendation Purposes | |
JP2018013893A (ja) | 情報処理装置、情報処理方法、およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: American California Applicant after: Google limited liability company Address before: American California Applicant before: Google Inc. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |