CN107533670B - 数字实体的预测热门 - Google Patents
数字实体的预测热门 Download PDFInfo
- Publication number
- CN107533670B CN107533670B CN201680021050.5A CN201680021050A CN107533670B CN 107533670 B CN107533670 B CN 107533670B CN 201680021050 A CN201680021050 A CN 201680021050A CN 107533670 B CN107533670 B CN 107533670B
- Authority
- CN
- China
- Prior art keywords
- digital
- predictive
- interest
- context
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
提供了在内容馈送中将相关和预测热门数字实体呈现给用户。预测热门系统的方面使用一个或多个预测模型,例如神经网络或回归模型,来基于历史分数和上下文生成数字实体(例如,文档、人、电子通信、会议、位置、数字图像、数字视频、数字音频等)的预测热门分数。通过考虑趋势和上下文,预测热门系统计算数字实体的未来热门分数,并确定哪些数字实体与给定用户相关,并且可能在将来在用户和用户的网络中的人员周围成为热门。预测热门系统策划被确定为相关并被预测为在用户周围成为热门的数字实体,并在内容馈送中呈现数字实体。
Description
技术领域
本发明涉及用于在内容馈送中向用户呈现相关的和预测热门数字实体的自动化系统和方法。
背景技术
信息工作者/用户已经习惯于生成、编辑、查看和接收大量电子文档和其他信息(例如,电子通信、图像、数据等)。在企业情况下,例如公司、学校、社交网络等,给定的用户可能会遇到数百个(或更多)的文档或其他信息项,每个文档或其他信息项对信息工作者具有不同程度的相关性、兴趣或重要性,并且经常分散在各种工作负荷和存储系统(例如,电子邮件、社交馈送、内部网站点、网络文件系统等)中。因此,用户搜索与它们相关的内容可能是耗时且低效的。此外,用户很可能不太了解根据趋势可能在其周围流行的人员和信息项,例如用户的同事可能会与其进行协作的人员,用户的同事可能与其交互的文档,用户的同事可能会收到的电子邮件,用户的同事可能参加的会议等。
发明内容
提供该发明内容以便以简化的形式来引入下面的具体实施方式中进一步描述的概念的选择。该发明内容不旨在确定所要求保护的主题的关键特征或主要特征,也不旨在作为用于限定所要求保护的主题的范围的辅助。
方面涉及用于在内容馈送中向用户呈现相关的和预测热门数字实体的自动化系统和方法。预测热门系统的示例使用一个或多个预测模型,例如神经网络或回归模型,来基于历史分数和上下文生成数字实体(例如,文档、人、电子通信、会议、位置、数字图像、数字视频、数字音频等)的预测热门分数。通过考虑趋势和上下文,预测热门系统计算数字实体的未来热门分数,并确定哪些数字实体与给定用户相关,并且可能在将来在用户和用户的网络中的人周围成为热门。预测热门系统收集被确定为相关并被预测为在用户周围成为热门的数字实体,并将数字实体呈现在内容馈送中。因此,预测热门系统的方面通过使用户能够花更少的时间搜索他们需要的内容来提高用户效率。此外,用户能够跳过他们通常必须经历的用来查找他们正在搜索的内容的步骤,并且因此本公开的方面减少了网络带宽。
根据一个方面,示例被实现为计算机过程、计算系统、或作为诸如计算机程序产品或计算机可读介质的制品。根据一方面,计算机程序产品是计算机系统可读并且对用于执行计算机过程的指令的计算机程序编码的计算机存储介质。
一个或多个方面的细节在附图和下面的描述中阐述。通过阅读以下详细描述和对相关附图的阅览,其他特征和优点将是显而易见的。应当理解,以下详细描述仅是说明性的而不是限制性的。
附图说明
并入并构成本公开的一部分的附图示出了各种示例。在图中:
图1是呈现给用户的数字实体的示例内容馈送的图示;
图2是示出通过使用预测模型在内容馈送中向用户呈现相关和预测热门数字实体的一般流程的简化框图;
图3是用于在内容馈送中向用户呈现相关和预测热门数字实体的系统的简化框图;
图4示出了在内容馈送中向用户呈现相关和预测热门数字实体的操作流程;
图5是示出利用其可以实施示例的计算设备的示例物理组件的框图;
图6A和6B是利用其可以实施示例的移动计算设备的简化框图;且
图7是在其中可以实施示例的分布式计算系统的简化框图。
具体实施方式
以下详细描述参考附图。尽可能地,在附图和以下描述中使用相同的附图标记来指代相同或相似的元件。虽然描述了示例,但修改、改动和其他实现方式是可能的。例如,可以对附图中所示的元件进行替换、添加或修改,并且可以通过对所公开的方法替换、重新排序或添加阶段来修改本文所描述的方法。因此,下面的详细描述不是限制性的,而是由所附权利要求描述适当的范围。示例可以采取硬件实现或完全软件实现或组合软件和硬件方面的实现方式的形式。因此,以下详细描述不被认为是限制性的。
方面涉及通过使用一个或多个预测模型(例如神经网络或回归模型)基于历史分数和上下文而生成数字实体的预测热门(trending)分数,从而在内容馈送中向用户呈现相关和预测热门数字实体。图1是向用户呈现的数字实体104A-F(统称为104)的示例性内容馈送102的图示。如在图1中所示,多个数字实体104,例如文档、内容项、人员、电子邮件或其他电子通信、电子邮件附件、会议、位置、数字图像、数字视频、数字音频文件或其他信息项,被显示在计算设备100的显示表面上的内容馈送102中。图1中所示的计算设备100是桌面式计算设备,但是应当理解,内容馈送102可显示在任何合适的计算设备(例如台式计算机、膝上型计算机、平板式计算机、手持式计算设备、移动通信设备等)的显示表面上。
在内容馈送102中示出的数字实体104是被确定为对用户而言感兴趣或相关的内容或人的图形表示。根据一个方面,数字实体104作为内容卡显示在内容馈送102中,内容卡包括以下中的一个或多个:数字实体104的标题、题目、预览图像、帮助用户了解为什么数字实体104将对用户而言感兴趣或相关的信息、以及用于访问数字实体104或导航到与数字实体相关联的页面的可选择链接。例如,对与视频相关联的链接的选择允许用户观看视频数字实体。作为另一示例,对与人相关联的链接的选择允许用户导航到与该人相关联的页面,其中页面可以包括诸如与该人一起工作的一些人以及在该人的同事中流行的数字实体104的选择的信息。
根据一方面,内容馈送102包括一个或多个数字实体104,其可能尚未在用户的同事之中成为热门,但是如预测热门引擎所确定的,其被预测为将来在用户的同事之中成为热门。根据示例,预测热门引擎包括诸如神经网络、时间序列或回归模型等的预测模型,并且可操作以基于历史分数和历史分数的上下文来确定数字实体104的预测分数和预测阈值。预测建模技术学习隐藏在大量历史数据中的模式。一旦学习完成并且模型被验证,就能够将其从历史数据中学习的知识泛化,并将泛化的知识应用于新的情境来预测未来,例如,数字实体104是否将在用户周围流行。如本领域已知的,基于神经网络结构的学习系统是用于预测分析的公认方法,其中人工神经网络是基于大脑神经结构的电子模型,其通过训练和/或适应来学习输入和输出之间的关系。如本领域所知,回归模型是对一个结果变量与多个输入变量之间的关系进行建模的标准方法,其中重点在于建立数学方程作为表示所考虑中的不同变量之间的相互作用的模型。时间序列模型可以基于用于创建模型的原始数据集来预测趋势。将在下面更详细地描述使用神经网络、回归和时间序列机器学习技术中的一种或组合的预测热门引擎和预测模型。
根据一方面,内容馈送102由包含用于生成内容馈送102并用于显示构成内容馈送102的数字实体104的足够的计算机可执行指令的软件应用提供,如图1中所示。内容馈送102可从各种不同的接入点访问。根据一方面,内容馈送应用作为独立应用运行。根据另一方面,内容馈送应用作为各种其他应用中的任何一个的模块来操作,例如电子邮件应用、文字处理应用、电子表格应用、幻灯片演示应用、笔记应用、桌面排版应用等、用于允许用户根据需要访问和显示内容馈送102。
图2是示出通过使用预测模型在内容馈送中向用户呈现相关和预测热门数字实体的一般流程的简化框图。对于给定用户202,很可能对于用户202而言最相关和感兴趣的数字实体104包括由用户202所工作或很可能由用户202工作的内容以及在与用户一起工作的人员中活跃或很可能活跃的内容的混合。这组人员在这里被称为用户的同事204A-N,其中同事包括与用户202定期交互的人和与用户202共享组织关系的人(例如,组织同事、经理、主管等等)。如将在下面更详细地描述的,用户的关系、与人和内容的活动以及与关系和活动相关联的分数被存储在图形216中。
预测热门系统的方面为企业中的每个用户202在不同时间段收集数字实体104的分数以及来自图形216的分数的上下文,并使用所收集的分数和上下文来构建多个数字实体特定的预测图形数据模型206A-N(统称为206)。分数计算的示例在下面详细描述。根据示例,与文档相关联的活动被存储在文档特定的预测图形数据模型中,并且会议活动被存储在会议特定的预测图形数据模型中,等等。所收集的数据被构建并存储在多个数字实体特定的预测图形数据模型206中,以用于根据上下文来训练和验证预测模型并预测数字实体104的未来热门分数。上下文用于计算相对性能。例如,通过使用上下文来计算相对性能,来自不太流行的博客的最佳帖子可以比非常流行的博客的普通帖子评分高。根据一方面,以前的分数以智能的方式老化。例如,较旧的分数以较小的密度存储(例如,每周的活动,而不是每小时的活动、每天的活动等等)。
仍然参考图2,示出了用于数字实体104的示例性预测图形数据模型206。示例性预测图形数据模型206包括两种类型的节点:表示感兴趣的数字实体104的目标节点208,和表示数字实体104被度量的上下文的一个或多个上下文节点210A-N(统称为210)。例如,目标节点208可以表示文档,第一上下文节点210A可以表示其中发布文档的企业博客(例如,博客),并且第二上下文节点210B可以表示其中发布文档的个人博客。
如图所示,在目标节点208和一个或多个上下文节点210中的每一个之间存在边212A-N(统称为212)。一个或多个边212表示与数字实体104相关联的活动如何在特定上下文中被用户202感知。每个边212的边模式包括分数和用于生成分数的相关属性。例如,边模式可以包括诸如以下的属性:点赞数量、分享数量、评论数量、查看数量、分数、当前热门阈值、以及时间戳。根据一个方面,边模式中的属性的值被用于预测模型的训练和验证。例如,通过与目标节点208的实际未来分数相结合将历史数据作为训练集来分析,可以识别最佳边权重并重新使用以供未来预测。边模式中的属性的值另外用作输入以产生到目标节点208的预测热门小方面(facet)的属性的值。预测模型的输出是目标节点208的小方面模式,其包括由预测模型确定的预测属性的列表(例如,分数、阈值和状态)。
根据一个方面,对于给定的图形实体104,预测模型在确定和设置预测阈值之前根据上下文对边模式属性进行归一化。例如,可以在企业博客(较大的受众)中发布第一文档,并且可以在个人博客(较小的受众)中发布第二文档。可以理解,与第二文档相比,第一文档很可能会收到更多的点赞、查看和分享。如果预测模型没有在设置预测阈值之前根据上下文来将边模式属性归一化,则即使第二文档已经在具有较小受众的个人博客中的上下文内接收到大量的点赞、分享和查看,第一文档也可能被选为预测热门文档。
对于每个数字实体104,预测模型基于存储在边模式中的历史分数来计算每个上下文的预测分数。每个上下文的预测阈值由预测模型确定,并用于与所计算的预测分数进行比较。对于给定的数字实体104,如果小方面模式中的预测分数大于或等于预测阈值,则目标节点208被确定为预测热门数字实体214。预测热门数字实体214A-N(统称为214)在用户的内容馈送102中被呈现给用户202。
图3示出了用于在内容馈送102中向用户呈现相关和预测热门数字实体104的系统300。如图3中所示,使用图形216,与一个或多个排名模块通信的分析处理引擎316针对对于给定用户202而言的兴趣或相关性以及在内容馈送102中潜在地向用户202呈现来分析来自各种源314A-N(统称为314)的各种数据和动作。例如,各种源314可以包括远程服务器、本地数据库或远程数据库、本地或远程共享资源存储库、社交网络服务服务器等。源314存储文档、图像、数据文件、视频文件、音频文件、位置、会议项目、通信项目,例如电子邮件项目、文本消息、电话消息、帖子、博客等。
根据一个方面,图形216包括关于企业数字实体104的信息,例如人和文档以及数字实体104之间的关系和交互。数字实体104被表示为节点310,并且关系和交互被表示为边312。边312表示单个交互(例如,同事修改了文档、用户查看了图像,等等),代表多个交互(例如,与用户频繁交互的人,在用户的同事圈子中流行的项目,等等),或代表组织关系(如经理、同事等)。
预测热门系统的方面包括预测热门引擎320,预测热门引擎320包括一个或多个预测模型328,并且可操作以基于历史分数和历史分数的上下文而预测数字实体104的未来分数。也就是说,预测热门引擎320针对历史数据而评估与数字实体104相关联的属性的值,以确定将来哪些数字实体104很可能在给定用户202周围流行。在第一时间段,预测热门引擎320可操作以预测与数字实体104相关联的一个或多个历史变量(即,边模式中的属性)将在第二时间段达到阈值。因此,在数字实体104达到将使数字实体104成为包含在内容馈送102中的候选者的阈值之前,将数字实体104在内容馈送102中呈现给用户202。
预测热门引擎320包括:数据挖掘模块322,其用于收集来自企业中的每个用户的图形216的数据;预测图形化模块324,其用于构建多个数字实体特定的预测图形数据模型206;存储设备325,其用于存储多个数字实体特定的预测图形数据模型206;以及预测模型训练模块326,其用于基于与多个存储的数字实体特定的预测图形数据模型206相关联的属性的值来训练和验证预测模型328。
根据一个方面,预测热门引擎320与分析处理引擎316通信,用于确定每个数字实体104对于给定用户202的重要性、兴趣或相关性,以用于可能的包括在用户的个性化内容馈送102中。针对每个单独的用户202而分析每个内容馈送102,使得在用户的个性化内容馈送102中向用户呈现的数字实体104是被确定为对于各个用户而言感兴趣、重要或相关的那些项目。
当分析数字实体104以进行评分时,数字实体104的各种属性,例如针对数字实体104执行的活动(例如,查看、修改、点赞等等)以及与数字实体104相关联的人之间的关系,用于计算数字实体104的特定分数。
作为第一示例,用于对数字实体104进行评分的因素包括数字实体104是否由正在对其创建内容馈送102的用户202生成或由其作用。作为下一个示例,由用户所执行的动作的类型被用作因素。作为另一个示例,用于对数字实体104进行评分的因素包括数字实体104是否已被用户202的同事204作用。作为另一示例,由同事204执行的动作的类型被用作因素。作为另一示例,对数字实体104进行作用的同事204的等级或资历被用作因素。例如,根据任何特定的企业结构,取决于同事204是否是用户的管理者、直接报告者、用户管理的某人等,得分可以是不同的。
根据一个方面,其他因素用于计算分数(例如,时间衰减、内容类型、用户偏好等)。评分因素的其他示例包括:一个或多个人观看数字实体104的频率;数字实体104是否已经被发送到正在对其生成馈送的用户202,并且如果是,则由谁发送;包括在给定数字实体104中的主题的分析(例如,可以提取来自数字实体104的文本串,并与包含在已经包含在用户内容馈送102中的其他数字实体104中的、或者包含在先前已经被排名或充分评分以包含在内容馈送102中的其他数字实体104中或者与之相关联的文本串进行比较);以及与数字实体104的社会交互(例如,表明给定数字实体104已经在社交网络中被评论、点赞、查看或以其他方式使用的信息可用于确定给定数字实体104的评分或排名)。分数用于确定要在内容馈送102的给定实例中包括哪些数字实体。
根据一个方面,一个或多个后端或客户端排名模块可操作用于以频繁的、规则的间隔监视给定企业中的活动,包括监视从企业生成、由企业接收或从企业发送的各种数字实体104,以用于确定当用户下一次访问内容馈送102时应该被添加到给定用户202的内容馈送102的一组数字实体104。应当理解,从各种信息源314中取回信息和数字实体104的过程、信息的分析、以及图形216中的人和数字实体104之间的关系的作为边312和节点310的表示是在新的信息源变得可用时被更新的迭代过程。
如上面关于图2所述,由数据挖掘模块322收集的数据包括在不同时间段在数字实体104的每个用户周围的活动(包括分数和每个分数的上下文)。收集的数据由预测图形化模块324构建在多个数字实体特定的预测图形数据模型206中,并存储在存储设备325中,以供预测模型训练模块326取回以用于训练和验证预测模型328,以及供预测模型328取回以用于根据上下文来预测数字实体104的未来热门分数(即,预测分数),以及用于将预测分数与上下文的预测阈值进行比较。
对于每个数字实体104,预测模型328可操作以从每个预测图形数据模型206边模式获取每个上下文的分数作为输入,并且根据上下文将分数归一化(例如,基于查看、分享的数量,等等)。根据示例,数字实体104的归一化分数等于特定上下文中数字实体104的查看数除以特定上下文中的历史最大查看数。预测模型328进一步可操作以确定给定数字实体104的当前阈值和预测阈值,将所生成的预测分数与其进行比较。根据一个方面,当前阈值由分析处理引擎316设置,并且用于基于当前(实际)分数/值来确定在内容馈送102中包括哪些数字实体104。根据另一方面,预测阈值是基于历史值的分数或根据增量时间内的活动增加而计算的分数。预测阈值是比当前阈值更低的分数,并且被预测为在随后的时间内达到当前阈值。根据一个方面,可以使用历史值和现在值的训练集来训练预测阈值。
对于给定的数字实体104,如果所生成的预测分数大于或等于所确定的预测阈值,则数字实体104被确定为预测热门数字实体214。也就是说,在第一时间段(T0),预测模型328能够预测数字实体104是否将在第二时间段(T1)在给定用户202周围成为热门,其中确定数字实体104是否将是热门至少部分基于在T1的预测分数是否大于或等于T0的预测阈值。
预测模型328的输出是表示感兴趣的数字实体104的目标节点208的小方面模式,并且指示由预测模型328对感兴趣的数字实体104在未来很可能在用户202周围流行或成为热门的可能性做出的确定。目标节点208的小方面模式包括与目标节点208相关联的每个上下文的预测热门分数和阈值,以及根据预测分数与预测阈值的比较(即,预测分数是否大于或等于预测阈值)而设置为真或假的状态。输出处理模块330接收来自预测模型328的输出,并将预测热门数字实体214暴露给分析处理引擎316以包括在用户的内容馈送102中。
仍然参考图3,馈送应用318是可操作以从图形216中提取数字实体104的应用,以用于生成内容馈送102并且用于将内容馈送102的当前实例的数字实体104显示在用户界面中,如上面参考图1所示的。根据一个方面,馈送应用318作为用于创建和显示给定内容馈送102的独立应用来操作。可替代地,根据另一方面,用于访问馈送应用318的功能作为其他应用的软件模块来操作,例如电子邮件应用、文字处理应用、电子表格应用、幻灯片演示应用等,使得用户202能够从任何这些类型的软件应用访问和显示他/她的内容馈送102。
已经描述了关于图1-3的方面的操作环境和各个方面,图4是示出了通过使用预测模型328基于历史分数和上下文来生成数字实体的预测热门分数而在内容馈送102中向用户202呈现相关和预测热门数字实体214的方法的流程图。例程400从开始操作405开始,并且进行到操作410,其中跟踪用户的显式操作,例如用户访问的人的页面,用户查看、修改、关注(follow)等的数字实体104,用户与之沟通的人,等等。如上所述,动作以边212的形式存储在图形216中,其中边212代表基于用户之间以及用户与内容之间的活动信号的关系类型。
在操作415,分析处理引擎316分析数字实体104之间的信号,并且基于各种因素来计算每个数字实体104的分数,诸如所执行的活动、活动的频率、活动的近期性、组织结构等。分数存储在图形216中。
在操作420,数据挖掘模块322针对企业中的每个用户从图形216收集数据,并将数据传递给预测图形化模块324。在操作425,预测图形化模块324根据所收集的数据构建数字实体特定的预测图形数据模型206,其中感兴趣的数字实体104被表示为目标节点208,其中数字实体104被度量的一个或多个上下文被表示为一个或多个上下文节点210,与在特定上下文中的数字实体104相关联的活动的属性被存储为边212。分数和用于生成分数的相关属性(例如,点赞数量、分享数量、评论数量、查看数量、分数、当前热门阈值、以及时间戳)存储在相关联的边模式中。预测图形数据模型206存储在存储设备325中。
在操作430,使用存储的预测图形数据模型206对预测模型328进行训练。根据一个方面,通过使用各种机器学习技术中的一种或组合来训练预测模型328,例如回归分析、神经网络和时间序列。在训练过程之后,通过将预测图形数据模型206应用于预测模型328来验证预测模型328。分析验证过程的输出以确定预测模型328是否成功预测与预测图形数据模型206相关联的数字实体的趋势104。
在操作435,数据挖掘模块322从企业中的特定用户202的图形216中收集数据,并将数据传递到预测图形化模块324。由数据挖掘模块322收集的特定用户202的数据包括已经由用户202和/或用户202的同事204操作、但是当前未在用户202或用户的同事204周围成为热门的数字实体104。例如,这可以包括由同事204创建并且与用户202的另一个同事204分享的文档,由用户202接收的电子邮件,在用户日历上的即将到来的会议,用户202所搜索的位置或用户202的同事等。
在操作440中,预测图形化模块324从收集的数据为每个图形实体104构建数字实体特定预测图形数据模型206,其中每个预测图形化模块324的目标节点208表示每个图形实体104,一个或多个上下文节点210表示图形实体104上的活动的上下文,并且一个或多个边212表示在每个上下文中执行的动作。例如,对于特定用户202,预测图形化模块324以文档作为目标节点208构建预测图形数据模型206。假设文档已经被张贴在同事的个人博客上(第一上下文),已经被用户202的另外四个同事204查看(第一上下文的边模式中的视图属性值的数量为4),并且已经与另外两个同事204分享(第一上下文的边模式中的分享属性值的数量为2)。文档的边模式的示例如下所示:
表1-示例的边模式
预测图形化模块324将每个图形实体104的数字实体特定的预测图形数据模型206存储在存储设备325中。在操作445,预测模型328取边模式中的属性值作为输入、评估数据、根据上下文对值进行归一化、并生成感兴趣的数字实体104的预测分数。根据一方面,预测模型328可操作以根据由历史数据或用户偏好确定的用户兴趣来对值进行归一化。
在操作450,预测模型328基于历史数据设置与感兴趣的图形实体104相关联的每个上下文的适当的预测阈值,并且在操作455,预测模型328将生成的预测分数与设置的预测阈值进行比较。在判定操作460,确定预测分数是否大于或等于预测阈值。如果预测分数大于或等于预测阈值,则方法400进行到操作465,在操作465感兴趣的数字实体104被确定为预测热门数字实体214。也就是说,由预测模型328做出的确定表示感兴趣的数字实体104在未来很可能在用户202周围流行或成为热门的可能性。
在操作470,输出处理模块330接收来自预测模型328的输出,并将预测热门数字实体214暴露给分析处理引擎316以包括在用户的内容馈送102中。根据一个方面,馈送应用318为选择要发布在用户的内容馈送102中的每个预测热门数字实体214生成内容卡。
如果在判定操作460确定预测分数不大于或等于预测阈值,则方法400进行到操作475,在操作475确定感兴趣的数字实体104不是预测热门数字实体214。因此,数字实体104将不会在用户内容馈送102中被呈现给用户202。方法400在操作495结束。
预测热门系统的方面提供通过以下过程在内容馈送102中向用户202呈现相关和预测热门数字实体214:将在各种时间段内与多个数字实体104相关联的历史活动数据和上下文存储在存储设备325中;使用历史活动数据来训练和验证预测模型328;收集包括与感兴趣的数字实体104相关联的上下文的活动数据;构建包含感兴趣的数字实体104的一个或多个边模式的预测图形数据模型206,所述一个或多个边模式包括与活动数据和上下文相关联的属性和属性值;将一个或多个边模式输入到预测模型328中;基于历史活动数据根据上下文对属性值进行归一化;基于历史活动数据设置预测阈值;计算数字实体的预测分数;将预测分数与预测阈值进行比较;在确定预测分数大于或等于预测阈值时,确定感兴趣的数字实体104在未来很可能在用户202周围成为热门;以及在内容馈送102中将数字实体呈现给用户202。
虽然已经在与在计算机上的操作系统上运行的应用程序一起执行的程序模块的一般上下文中描述了示例,但是本领域技术人员将认识到,示例也可以与其他程序模块相结合来实现。通常,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。
本文描述的方面和功能可以通过许多计算系统来操作,包括但不限于台式计算机系统、有线和无线计算系统、移动计算系统(例如移动电话、上网本、平板电脑或平板式计算机、笔记本电脑计算机和膝上型计算机)、手持设备、多处理器系统、基于微处理器或可编程的消费电子产品、小型计算机和大型计算机。
另外,根据一个方面,本文所描述的方面和功能在分布式系统(例如,基于云的计算系统)上运行,其中应用功能、存储器、数据存储和检索以及各种处理功能通过分布式计算网络,如因特网或内联网而彼此远离地操作。根据一方面,通过机载计算设备显示器或通过与一个或多个计算设备相关联的远程显示单元来显示各种类型的用户界面和信息。例如,用户界面和各种类型的信息被显示并在壁面上进行交互,在壁面上投射有各种类型的用户界面和信息。与实施示例的多个计算系统的交互包括:按键输入、触摸屏输入、语音或其他音频输入、手势条目、其中相关联的计算设备配备有用于捕获和解释用户手势用于控制计算设备的功能等的检测(例如,相机)功能。
图5-7和相关的描述提供了其中可以实现各种操作环境的论述。然而,关于图5-7所图示和论述的设备和系统是为了举例和说明的目的,而不是限制可用于实现本文所述的示例的大量的计算设备配置。
图5是示出利用其可以实现本公开的示例的计算设备500的物理组件(即,硬件)的框图。在基本配置中,计算设备500可以包括至少一个处理单元502以及系统存储器504。根据一个方面,根据计算设备的配置和类型,系统存储器504可以包括但不限于易失性存储(例如,随机存取存储器)、非易失性存储(例如,只读存储器)、闪速存储器或这些存储器的任意组合。根据一个方面,系统存储器504可以包括操作系统505以及适合于运行软件应用的一个或多个程序模块506。根据一个方面,系统存储器504包括预测热门引擎320。例如,操作系统505可以适合于控制计算设备500的操作。此外,示例可以与图形库、其它操作系统或者任何其它应用程序相结合实现,而不限于任何特定的应用或系统。该基本配置是由虚线508内的那些组件图示于图5中。根据一个方面,计算设备500可以具有额外的特征或功能。例如,根据一个方面,计算设备500包括额外的数据存储设备(可移动的和/或非可移动的),诸如例如磁盘、光盘或磁带。这些额外的存储设备由可移动存储设备509和非可移动存储设备510来图示于图5中。
如上所述,根据一个方面,多个程序模块和数据文件可以存储在系统存储器504中。在处理单元502上执行的同时,程序模块506(例如,预测热门引擎320)执行包括但不限于图4所示的方法400的一个或多个阶段的处理。根据一个方面,根据示例使用其他程序模块,其他程序模块包括电子邮件和联系人应用、文字处理应用、电子表格应用、数据库应用、幻灯片演示应用、绘图或计算机辅助应用程序等应用。
根据一个方面,可以在电路中实现示例,包括离散电子元件,包含逻辑门的封装或集成电子芯片,使用微处理器的电路,或者包含电子元件或微处理器的单个芯片。例如,可以通过片上系统(“SOC”)实现各个方面,其中图5所示的每个组件或多个组件可以集成到单个集成电路中。根据一个示例,该SOC设备可以包括一个或多个处理单元、图形单元、通信单元、系统虚拟化单元以及各应用功能,全部这些都集成(或“烧”)到芯片基板上作为单个集成电路。当经由SOC操作时,本文所述的功能可以经由与单个集成电路(芯片)上的计算设备500的其它组件集成的应用特定逻辑来操作。根据一个方面,本公开的方面还可以利用其它能够执行诸如例如与(AND)、或(OR)和非(NOT)的逻辑运算的技术来实现,包括但不限于机械技术、光学技术、流体技术和量子技术。另外,示例可以实现在通用计算机或者任何其它电路或系统内。
根据一个方面,计算设备500具有一个或多个输入设备512,诸如键盘、鼠标、笔、声音输入设备、触摸输入设备等。根据一个方面,还可以包括输出设备514,诸如显示器、扬声器、打印机等。上述设备是示例,可以使用其它设备。根据一个方面,计算设备500包括允许与其它计算设备518通信的一个或多个通信连接516。适合的通信连接516的示例包括但不限于RF发射器、接收器和/或收发器电路系统;通用串行总线(USB)、并行端口和/或串行端口。
本文所使用的术语计算机可读介质可以包括计算机存储介质。计算机存储介质可以包括以任何用于存储诸如计算机可读指令、数据结构或程序模块的信息的方法或技术实现的易失性的和非易失性的、可移动的和非可移动的介质。系统存储器504、可移动存储设备509和非可移动存储设备510都是计算机存储介质实例(即,存储器存储)的示例。根据一个方面,计算机存储介质包括RAM、ROM、电可擦除可编程只读存储器(EEPROM)、闪存或其他存储器技术、CD-ROM、数字通用盘(DVD)或其他光学存储、磁盒、磁带、磁盘存储或其他磁存储设备、或任何其他能够用于存储信息且能够由计算设备500访问的制品。根据一个方面,任何这样的计算机存储介质可以是计算设备500的部分。计算机存储介质不包括载波或其它传播的数据信号。
根据一个方面,通信介质由计算机可读指令、数据结构、程序模块或诸如载波或其他传输机制的调制数据信号中的其他数据来实现,并且包括任何信息输送介质。根据一个方面,术语“调制数据信号”描述了以对信号中的信息进行编码的方式设置或改变一个或多个特性的信号。作为示例而非限制,通信介质包括诸如有线网络或直接有线连接的有线介质,以及诸如声学、射频(RF)、红外和其它无线介质的无线介质。
图6A和6B示出了可以实现示例的移动计算设备600,例如移动电话、智能手机、平板个人计算机、膝上型计算机等。参考图6A,示出了用于实现各方面的移动计算设备600的示例。在基本配置中,移动计算设备600是具有输入元件和输出元件的手持式计算机。移动计算设备600典型地包括显示器605以及允许用户输入信息到移动计算设备600的一个或多个输入按钮610。根据一个方面,移动计算设备600的显示器605充当输入设备(例如,触摸屏显示器)。如果包含,任选的侧部输入元件615允许另外的用户输入。根据一个方面,侧部输入元件615可以是旋转开关、按钮或任何其它类型的手动输入元件。在替代的实施例中,移动计算设备600可以包含更多或更少的输入元件。例如,在一些示例中显示器605可以是触摸屏。在替代的实施例中,移动计算设备600是便携式电话系统,诸如蜂窝电话。根据一个方面,移动计算设备600还可以包括任选的键板635。根据一个方面,任选的键板635是物理键板。根据一个方面,任选的键板635是产生于触摸屏显示器上的“软”键板。在各个方面中,输出元件包括用于示出图形用户界面(GUI)的显示器605、视觉指示器620(例如,发光二极管)和/或音频换能器625(例如,扬声器)。在一些示例中,移动计算设备600包含了用于为用户提供触反馈的振动换能器。在又一示例中,移动计算设备600包含了输入端口和/或输出端口,诸如音频输入(例如,麦克风插口)、音频输出(例如,耳机插口)以及视频输出(例如,HDMI端口),用于发送信号到外部设备或者从外部设备接收信号。在又一示例中,移动计算设备600包含外围设备端口640,诸如音频输入(例如,麦克风插口)、音频输出(例如,耳机插口)以及视频输出(例如,HDMI端口),用于向外部设备发送信号或从外部设备接收信号。
图6B是示出了移动计算设备的一个示例的体系结构的框图。也即,移动计算设备600包含实现一些示例的系统(即,体系结构)602。在一个示例中,系统602被实现为能够运行一个或多个应用(例如,浏览器、电子邮件、日历、通讯录管理器、消息传递客户端、游戏和媒体客户端/播放器)的“智能手机”。在一些实施例中,系统602被集成为计算设备,诸如集成式个人数字助理(PDA)以及无线电话。
根据一个方面,一个或多个应用程序650可以被加载到存储器662中并且运行于操作系统664上或者与操作系统664关联。应用程序的示例包括电话拨号程序、电子邮件程序、个人信息管理(PIM)程序、文字处理程序、电子表格程序、因特网浏览器程序、消息传递程序等。根据一个方面,预测热门引擎320加载到存储器662中。系统602还包括位于存储器662内的非易失性存储区668。非易失性存储区668用于存储在系统602掉电的情况下不应丢失的永久性信息。应用程序650可使用信息且存储信息于非易失性存储区668中,诸如电子邮件应用使用的电子邮件或其它消息,等等。同步应用(未示出)也驻留于系统602上并且被编程以与驻留于主机上的对应的同步应用交互以保持存储在非易失性存储区668中的信息与存储在主机中的对应信息同步。应当意识到,其它应用可以加载到存储器662中且运行于移动计算设备600上。
根据一个方面,系统602具有电源670,电源670实现为一个或多个电池。根据一个方面,电源670可能进一步包括外部电源,诸如AC适配器或为电池补电或再充电的电力对接托架。
根据一个方面,系统602包括执行发送和接收射频通信的功能的无线电接口层672。无线电接口层672促进系统602与“外部世界”之间经由通信载波或服务提供商之间的无线连接。向无线电接口层672发送以及从无线电接口层672接收是在操作系统664的控制下进行的。换言之,由无线电接口层672接收到的通信可以经由OS 664散播到应用程序650,反之亦然。
根据一个方面,视觉指示器620用于提供可视通知,和/或音频接口674用于经由音频换能器625产生可听的通知。在图示的示例中,视觉指示器620是发光二极管(LED),音频换能器625是扬声器。这些设备可以直接与电源670耦合,从而当被激活时,它们在通知机制所规定的持续期间内保持接通,即使处理器660和其他组件可能为了节约电池电力而关闭。LED可以被编程以保持无限接通直至用户采取措施来指示设备的加电状态。音频接口674用来提供可听信号给用户以及从用户接收可听信号。例如,除了与音频换能器625耦合之外,音频接口674还可以与麦克风耦合以接收可听输入,例如利于电话对话。根据一个方面,系统602进一步包括使得机载相机630的操作能够记录静像、视频流等的视频接口676。
根据一个方面,实现系统602的移动计算设备600具有额外的特征或功能。例如,移动计算设备600包括额外的数据存储设备(可移动的和/或非可移动的),诸如磁盘、光盘或磁带。该额外的存储由非易失性存储区668图示于图6B中。
根据一个方面,由移动计算设备600产生或捕获且经由系统602存储的数据/信息被本地存储在移动计算设备600上,如上所述。根据另一方面,数据被存储在可由设备经由无线电接口层672或经由移动计算设备600与移动计算设备600相关联的单独的计算设备(例如,分布式计算网络例如因特网中的服务器计算机)之间的有线连接访问的任何数量的存储介质上。应当意识到,这样的数据/信息可以经由无线电接口层672经由移动计算设备600或经由分布式计算网络访问。类似地,根据一个方面,这样的数据/信息容易地在计算设备之间传输,以便根据公知的数据/信息传输和存储装置(包括电子邮件和协作数据/信息共享系统)进行存储和使用。
图7示出了如上所述的用于在内容馈送102中向用户202呈现相关和预测热门数字实体214的系统的体系结构的一个示例。使得与预测热门引擎320相关联地开发、交互或编辑的内容能够被存储在不同的通信信道或其他存储类型中。例如,可以使用目录服务722、门户网站724、邮箱服务726、即时消息存储库728或社交网站730来存储各种文档。预测热门引擎320可操作以使用这些类型系统中的任何一种系统等用于在内容馈送102中将相关和预测热门数字实体214呈现给用户202,如本文所述。根据一方面,服务器715向客户端705A,B,C提供预测热门引擎320。作为一个示例,服务器715是在web上提供预测热门引擎320的web服务器。服务器715通过网络710将web上的预测热门引擎320提供给客户端705。作为示例,客户端计算设备被实现和体现在个人计算机705A、平板计算设备705B或移动计算设备705C(例如,智能电话)或其他计算设备中。客户端计算设备的这些示例中的任一个可操作以从存储库716获取内容。
上文参照方法、系统和计算机程序产品的框图和/或操作说明来描述示例。框中记载的功能/动作可能不按照任何流程图所示的顺序发生。例如,取决于所涉及的功能/动作,连续示出的两个框实际上可以基本上同时执行,或者有时可以以相反的顺序执行块。
本申请中提供的一个或多个示例的描述和说明不旨在以任何方式限制或限缩要求保护的范围。在本应用中提供的方面、示例和细节被认为足以传达所有权,并使其他人能够使用和利用最佳模式。权利要求不应被解释为限于本申请中提供的任何方面、示例或细节。无论是组合还是单独地显示和描述,不同的特征(结构和方法两者)旨在被选择性地包括或省略以产生具有特定特征集合的示例。已经提供了本申请的描述和说明,本领域技术人员可以想到落入本申请所体现的总体发明概念的更广泛方面的精神中的不脱离权利要求的更广范围的变化、修改和替代示例。
Claims (12)
1.一种用于在内容馈送中向用户呈现相关和预测热门数字实体的计算机实现的方法,包括:
将在不同时间段与多个数字实体相关联的历史活动数据和上下文收集并存储在存储设备中;
使用所述历史活动数据来训练和验证预测模型;
收集包括与感兴趣的数字实体相关联的上下文的活动数据;
使用预测模型:计算所述感兴趣的数字实体的预测分数,包括:
构建包括针对所述感兴趣的数字实体的一个或多个边模式的预测图形数据模型,所述一个或多个边模式包括与所述活动数据和所述上下文相关联的属性和属性值;
将所述一个或多个边模式输入到所述预测模型中;
基于所述历史活动数据设置预测阈值;
基于所述历史活动数据生成所述感兴趣的数字实体的预测分数;
将所述预测分数与所述预测阈值进行比较;以及
在确定所述预测分数大于或等于所述预测阈值时,确定所述感兴趣的数字实体能够在将来的时间在用户周围成为热门;以及
生成包含所述感兴趣的数字实体的内容馈送。
2.根据权利要求1所述的计算机实现的方法,其中,构建针对所述感兴趣的数字实体的所述预测图形数据模型包括:将所述感兴趣的数字实体表示为目标节点,将特定上下文中与所述感兴趣的数字实体相关联的活动表示为边,并且将所述上下文表示为上下文节点。
3.根据权利要求1所述的计算机实现的方法,其中,在设置所述预测阈值之前,基于所述历史活动数据根据所述上下文对所述属性值进行归一化。
4.根据权利要求1所述的计算机实现的方法,其中,收集包括与所述感兴趣的数字实体相关联的上下文的活动数据包括从图形收集与所述感兴趣的数字实体相关联的活动数据和上下文数据。
5.一种用于在内容馈送中将数字实体呈现给用户的系统,包括:
一个或多个处理器,其用于执行编程指令;
存储器,其耦合到所述一个或多个处理器,用于存储由计算机处理器执行的程序指令步骤;
数据挖掘模块,其用于接收与感兴趣的数字实体相关联的活动数据和上下文;
存储设备模块,其用于存储包括在不同时间段与多个数字实体相关联的历史活动数据和上下文的多个预测图形数据模型,以及包括与所述感兴趣的数字实体相关联的活动数据和上下文的预测图形数据模型;
预测图形化模块,其用于构建包括在不同时间段与所述多个数字实体相关联的历史活动数据和上下文的多个预测图形数据模型,以及包括与所述感兴趣的数字实体相关联的活动数据和上下文的预测图形数据模型;
预测模型,其用于:
将一个或多个边模式输入到所述预测模型中;
基于所述历史活动数据根据所述上下文将属性值归一化;
根据增量时间内的活动增加而计算预测阈值;
计算所述感兴趣的数字实体的预测分数,其中,所述预测模型取边模式中的属性值作为输入、评估数据、根据上下文对所述属性值进行归一化、并且生成所述感兴趣的数字实体的预测分数;
将所述预测分数与所述预测阈值进行比较;以及
在确定所述预测分数大于或等于所述预测阈值时,确定所述感兴趣的数字实体能够在将来的时间在用户周围成为热门;
输出处理模块,其用于:
从所述预测模型接收输出;以及
将被确定为能够在将来的时间在用户周围成为热门的感兴趣的数字实体暴露给馈送应用;以及
馈送应用,其用于生成包含被确定为能够在将来的时间在用户周围成为热门的所述感兴趣的数字实体的内容馈送。
6.根据权利要求5所述的系统,还包括:
预测模型训练模块,其用于基于包括在不同时间段与所述多个数字实体相关联的历史活动数据和上下文的所述多个预测图形数据模型来训练和验证所述预测模型,从而提供经过训练和验证的预测模型。
7.根据权利要求5所述的系统,其中,所述数据挖掘模块进一步从图形收集在各个时间段与所述多个数字实体相关联的历史活动数据和上下文,以及与所述感兴趣的数字实体相关联的活动数据和上下文。
8.根据权利要求5所述的系统,其中,在构建包括与所述感兴趣的数字实体相关联的活动数据和上下文的一个或多个预测图形数据模型时,所述预测图形化模块能够操作用于:
将所述感兴趣的数字实体表示为目标节点;
将与特定上下文中的所述感兴趣的数字实体相关联的活动表示为一个或多个边;以及
将所述上下文表示为一个或多个上下文节点。
9.根据权利要求8所述的系统,其中,所述一个或多个边中的每一个包括相关联的边模式,所述边模式包括与所述活动数据和所述上下文相关联的属性。
10.根据权利要求9所述的系统,其中,在确定所述感兴趣的数字实体是否能够在将来的时间在所述用户周围成为热门时,所述预测模型能够操作用于:
基于所述历史活动数据设置预测阈值;以及
确定所述预测分数是否大于或等于所述预测阈值。
11.根据权利要求5所述的系统,其中,所述预测模型是以下中的一个或组合:
神经网络;
线性或非线性回归模型;以及
时间序列模型。
12.存储计算机可用指令的一个或多个计算机存储介质,当由一个或多个计算设备使用时,所述指令使得所述一个或多个计算设备执行用于在内容馈送中向用户呈现相关和预测热门数字实体的方法,所述方法包括:
将在不同时间段与多个数字实体相关联的历史活动数据和上下文存储在存储设备中;
使用所述历史活动数据来训练和验证预测模型;
收集包括与感兴趣的数字实体相关联的上下文的活动数据;
构建包括针对所述感兴趣的数字实体的一个或多个边模式的预测图形数据模型,所述一个或多个边模式包括与所述活动数据和所述上下文相关联的属性和属性值,其中,在所述边模式中与所述活动数据和所述上下文相关联的属性包括:
点赞数;
分享数;
评论数;
查看数;
标签数;
分数;
当前热门阈值;以及
时间戳;
将所述一个或多个边模式输入到所述预测模型中;
基于所述历史活动数据根据所述上下文将所述属性值归一化;
根据增量时间内的活动增加而计算预测阈值;
计算所述感兴趣的数字实体的预测分数,其中,所述预测模型取边模式中的属性值作为输入、评估数据、根据上下文对所述属性值进行归一化、并且生成所述感兴趣的数字实体的预测分数;
将所述预测分数与所述预测阈值进行比较;
在确定所述预测分数大于或等于所述预测阈值时,确定所述感兴趣的数字实体能够在将来的时间在用户周围成为热门;以及
在内容馈送中将所述感兴趣的数字实体作为预测热门数字实体而呈现给用户。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/683,499 | 2015-04-10 | ||
US14/683,499 US9984330B2 (en) | 2015-04-10 | 2015-04-10 | Predictive trending of digital entities |
PCT/US2016/026600 WO2016164694A1 (en) | 2015-04-10 | 2016-04-08 | Predictive trending of digital entities |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107533670A CN107533670A (zh) | 2018-01-02 |
CN107533670B true CN107533670B (zh) | 2021-06-11 |
Family
ID=55809216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680021050.5A Active CN107533670B (zh) | 2015-04-10 | 2016-04-08 | 数字实体的预测热门 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9984330B2 (zh) |
EP (1) | EP3281126A1 (zh) |
CN (1) | CN107533670B (zh) |
WO (1) | WO2016164694A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10862953B2 (en) * | 2016-05-06 | 2020-12-08 | Wp Company Llc | Techniques for prediction of popularity of media |
US10320927B2 (en) * | 2016-10-20 | 2019-06-11 | Facebook, Inc. | Systems and methods for providing personalized content |
US10423979B2 (en) * | 2016-12-29 | 2019-09-24 | Rovi Guides, Inc. | Systems and methods for a framework for generating predictive models for media planning |
US10536465B2 (en) | 2017-01-18 | 2020-01-14 | Microsoft Technology Licensing, Llc | Security for accessing stored resources |
US10838819B2 (en) * | 2017-01-18 | 2020-11-17 | Microsoft Technology Licensing, Llc | Including personal relationship metadata within duplicated resources shared across partitioned storage |
US10542088B2 (en) | 2017-01-18 | 2020-01-21 | Microsoft Technology Licensing, Llc | Modifying data resources within party-partitioned storage areas |
US11640617B2 (en) * | 2017-03-21 | 2023-05-02 | Adobe Inc. | Metric forecasting employing a similarity determination in a digital medium environment |
US10102305B1 (en) | 2017-05-09 | 2018-10-16 | Dropbox, Inc. | Trending of content items based on current interactions by top collaborators |
US11604837B2 (en) | 2018-08-21 | 2023-03-14 | At&T Intellectual Property I, L.P. | Edge metadata |
CA3113231A1 (en) | 2018-09-21 | 2020-03-26 | Wp Company Llc | Techniques for dynamic digital advertising |
US11789952B2 (en) | 2018-09-26 | 2023-10-17 | Salesforce, Inc. | Ranking enterprise search results based on relationships between users |
US11817012B2 (en) * | 2019-09-04 | 2023-11-14 | PowerNotes LLC | Systems and methods for automated assessment of authorship and writing progress |
US11775874B2 (en) * | 2019-09-15 | 2023-10-03 | Oracle International Corporation | Configurable predictive models for account scoring and signal synchronization |
CN110489655A (zh) * | 2019-09-16 | 2019-11-22 | 浙江同花顺智能科技有限公司 | 热门内容确定、推荐方法、装置、设备及可读存储介质 |
US11727007B1 (en) * | 2020-10-19 | 2023-08-15 | Splunk Inc. | Systems and methods for a unified analytics platform |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101479733A (zh) * | 2006-06-30 | 2009-07-08 | 微软公司 | 对上下文敏感的路线推断道路速度 |
US20150032740A1 (en) * | 2013-07-24 | 2015-01-29 | Yahoo! Inc. | Personal trends module |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7346839B2 (en) | 2003-09-30 | 2008-03-18 | Google Inc. | Information retrieval based on historical data |
US7725346B2 (en) | 2005-07-27 | 2010-05-25 | International Business Machines Corporation | Method and computer program product for predicting sales from online public discussions |
US8613024B2 (en) | 2005-12-13 | 2013-12-17 | United Video Properties, Inc. | Cross-platform predictive popularity ratings for use in interactive television applications |
US8166026B1 (en) | 2006-12-26 | 2012-04-24 | uAffect.org LLC | User-centric, user-weighted method and apparatus for improving relevance and analysis of information sharing and searching |
US7672937B2 (en) | 2007-04-11 | 2010-03-02 | Yahoo, Inc. | Temporal targeting of advertisements |
US8468083B1 (en) | 2007-08-10 | 2013-06-18 | Google Inc. | Advertisement topic diversification and ranking |
US9165254B2 (en) | 2008-01-14 | 2015-10-20 | Aptima, Inc. | Method and system to predict the likelihood of topics |
KR20110056502A (ko) | 2008-08-04 | 2011-05-30 | 퀴드, 아이엔씨. | 기업 성과 분석 엔진 |
US20100114954A1 (en) | 2008-10-28 | 2010-05-06 | Microsoft Corporation | Realtime popularity prediction for events and queries |
US8615442B1 (en) * | 2009-12-15 | 2013-12-24 | Project Rover, Inc. | Personalized content delivery system |
US8782046B2 (en) | 2010-03-24 | 2014-07-15 | Taykey Ltd. | System and methods for predicting future trends of term taxonomies usage |
US20110302103A1 (en) | 2010-06-08 | 2011-12-08 | International Business Machines Corporation | Popularity prediction of user-generated content |
EP2407897A1 (en) | 2010-07-12 | 2012-01-18 | Accenture Global Services Limited | Device for determining internet activity |
US20130085803A1 (en) | 2011-10-03 | 2013-04-04 | Adtrak360 | Brand analysis |
US11755663B2 (en) | 2012-10-22 | 2023-09-12 | Recorded Future, Inc. | Search activity prediction |
WO2013067411A1 (en) | 2011-11-04 | 2013-05-10 | Opanga Networks, Inc. | System and method for content pre-positioning determination |
US9135211B2 (en) | 2011-12-20 | 2015-09-15 | Bitly, Inc. | Systems and methods for trending and relevance of phrases for a user |
US9111211B2 (en) | 2011-12-20 | 2015-08-18 | Bitly, Inc. | Systems and methods for relevance scoring of a digital resource |
WO2014011208A2 (en) * | 2012-07-10 | 2014-01-16 | Venor, Inc. | Systems and methods for discovering content of predicted interest to a user |
US9384243B2 (en) * | 2013-08-07 | 2016-07-05 | Facebook, Inc. | Real-time trend detection in a social network |
US20150169583A1 (en) * | 2013-12-18 | 2015-06-18 | Attivio, Inc. | Trending analysis for streams of documents |
-
2015
- 2015-04-10 US US14/683,499 patent/US9984330B2/en active Active
-
2016
- 2016-04-08 WO PCT/US2016/026600 patent/WO2016164694A1/en unknown
- 2016-04-08 EP EP16718795.4A patent/EP3281126A1/en not_active Ceased
- 2016-04-08 CN CN201680021050.5A patent/CN107533670B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101479733A (zh) * | 2006-06-30 | 2009-07-08 | 微软公司 | 对上下文敏感的路线推断道路速度 |
US20150032740A1 (en) * | 2013-07-24 | 2015-01-29 | Yahoo! Inc. | Personal trends module |
Also Published As
Publication number | Publication date |
---|---|
EP3281126A1 (en) | 2018-02-14 |
CN107533670A (zh) | 2018-01-02 |
US9984330B2 (en) | 2018-05-29 |
WO2016164694A1 (en) | 2016-10-13 |
US20160300141A1 (en) | 2016-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107533670B (zh) | 数字实体的预测热门 | |
US11586642B2 (en) | Distant content discovery | |
US20200358864A1 (en) | Document and content feed | |
US10713602B2 (en) | Aggregating enterprise graph content around user-generated topics | |
US10409876B2 (en) | Intelligent capture, storage, and retrieval of information for task completion | |
US10095748B2 (en) | Personalized information query suggestions | |
US10733372B2 (en) | Dynamic content generation | |
US20150248410A1 (en) | Discovering enterprise content based on implicit and explicit signals | |
WO2016090326A1 (en) | Intent based digital collaboration platform architecture and design | |
CN107548495A (zh) | 识别组织中的专家和专业领域 | |
CN108027825B (zh) | 在企业中暴露外部内容 | |
US10534780B2 (en) | Single unified ranker | |
US20210406332A1 (en) | Creation of a timeline view of work product and working relationships of individuals within an organization | |
US20240005244A1 (en) | Recommendations over meeting life cycle with user centric graphs and artificial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |