CN108377656B - 使用有键数据库维护的有键数据的搜索和检索 - Google Patents
使用有键数据库维护的有键数据的搜索和检索 Download PDFInfo
- Publication number
- CN108377656B CN108377656B CN201680004070.1A CN201680004070A CN108377656B CN 108377656 B CN108377656 B CN 108377656B CN 201680004070 A CN201680004070 A CN 201680004070A CN 108377656 B CN108377656 B CN 108377656B
- Authority
- CN
- China
- Prior art keywords
- digital content
- data
- terminal device
- engine
- keyed
- 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
- G06F16/90—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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
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)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Transfer Between Computers (AREA)
Abstract
一种数字内容加速系统,包括:用于存储有键数据的有键数据库;数据检索引擎,其响应于接收到有键数据项而检索下述之一:i)搜索数据,其指示与所述有键数据项相关联的搜索历史,ii)web历史数据,其指示由与有键数据项相关联的终端设备访问的一个或多个web页面,或iii)i)和ii)两者;解析引擎,其从搜索数据和web历史数据中提取一个或多个属性;终端设备网络访问引擎,其基于所述一个或多个属性来生成地理位置的概率分布;内容选择引擎,其从数字内容提供者检索与所述地理位置中的特定地理位置相关联的数字内容;以及,预组装数字内容的数字内容组装器引擎。
Description
相关申请的交叉引用
本申请根据35USC§119(e)要求在2016年11月28日提交的美国专利申请No.62/426,907的优先权,其全部内容通过引用并入本文。
背景技术
计算机系统使用全球定位系统(GPS)数据来确定设备的地理位置。设备可以使用GPS数据来递送与确定的地理位置相关的数字内容。
发明内容
该文件描述了一种数字内容加速系统,其包括:用于存储有键数据(keyed data)的有键数据库(keyed database);数据检索引擎,其响应于接收到有键数据项而检索下述之一:i)搜索数据,所述搜索数据指示与所述有键数据项相关联的搜索历史,ii)web历史数据,所述web历史数据指示由与所述有键数据项相关联的终端设备访问的一个或多个web页面,或iii)i)和ii)两者;解析引擎,所述解析引擎从所述搜索数据和所述web历史数据中提取一个或多个属性,所述一个或多个属性表征所述搜索数据和所述web历史数据;终端设备网络访问引擎,所述终端设备网络访问引擎基于所述一个或多个属性来生成地理位置的概率分布,所述概率分布的概率指示与所述有键数据项相关联的一个或多个终端设备请求与关联于该概率相关联的地理位置相关联的数字内容的可能性;内容选择引擎,所述内容选择引擎从数字内容提供者检索与所述地理位置中的特定地理位置相关联的数字内容,所述特定地理位置与相对于与其他地理位置相关联的其他概率更大的概率相关联;以及,数字内容组装器引擎,所述数字内容组装器引擎预先组装与所述特定地理位置相关联的所述数字内容,以用于发送到与所述有键数据项相关联的所述终端设备,使得在所述系统响应于提供所述数字内容以用于在所述终端设备上显示所述数字内容的请求而进行接收之前、所述数字内容被组装以供渲染。
在一些实施方式中,所述有键数据包括所述终端设备的用户的搜索历史和/或浏览历史。在一些实施方式中,所述系统被配置为在所述终端设备在线的时间段期间,并且在从所述终端设备发送对所述数字内容的请求之前,向所述终端设备发送所预先组装的数字内容,使得在所述用户随后在所述终端设备离线的时间段期间发出对所述数字内容的请求的事件下,所述终端设备的所述用户能够获得所述数字内容。
在一些实施方式中,生成概率分布:将所述一个或多个属性聚集到一个或多个主题群集中,所述一个或多个主题群集均指示主题的预定列表中的主题;使用经训练模型将所述一个或多个主题群集变换成指示与用户相关联的一个或多个地理位置的位置数据;并且基于所述变换,生成用户将到访所述一个或多个地理位置的每个地理位置的概率。在一些实施方式中,所述变换包括执行一个或多个机器学习算法。
在一些实施方式中,所述解析引擎提取与用户相关联的人口统计数据,并且其中所述一个或多个属性进一步表征所述人口统计数据。
在一些实施方式中,所述搜索数据和所述web历史数据均与定时数据相关联,并且所述终端设备网络访问引擎基于所述定时数据来生成概率分布。
在一些实施方式中,所述数据检索引擎获取指示用户到访的一个或多个地理位置的地理位置历史数据,并且所述一个或多个属性进一步表征所述地理位置历史数据。
在一些实施方式中,所述一个或多个属性包括关键字和关键短语中的一个或多个。在一些实施方式中,所述解析引擎基于矩阵分解或低秩近似来提取所述一个或多个属性。在一些实施方式中,所检索的数字内容包括用于放置在虚拟地理地图上的品牌图钉,所述品牌图钉表示与数字内容相关联的特定地理位置。在一些实施方式中,所述数字内容包括位于与所述数字内容相关联的所述特定地理位置处的实体的内容项。
所描述的系统可以提供一个或多个益处,诸如响应于对数字内容的请求而减少从远程数字内容提供者检索数字内容而指示的供应数字内容的时延。数字内容可以存储在系统的存储器或系统的盘中。将数字内容存储在存储器中减少了响应于实时请求而提供数字内容的时延,因为系统在不执行数据查询和从数据库检索的情况下供应数字内容。数字内容可以连同诸如发布者内容的其他内容一起被供应,并且因此与向终端设备的发布者内容不可区别。所描述的系统供应与用户更相关的数字内容。所描述的系统使用有键数据来提高缓存数据的检索速度并将缓存数据与用户数据相关联,而不需要客户端设备的设备标识。所描述的系统呈现缓存的数字内容连同应用的其他内容,并且减少与数字内容相关联的web页面上的空白空间的呈现。
一个或多个实施例的细节在附图和下面的描述中阐述。本文描述的技术的其它特征、目的和优点将根据说明书和附图以及权利要求书而变得显而易见。
附图说明
图1是用于数字内容递送加速的联网环境的概念图。
图2示出了用于数字内容递送加速的用户界面的示例。
图3A-3C是用于数字内容递送加速的用户界面。
图4是示出针对数字内容递送加速所采取的动作的图。
图5-6是示出对于数字内容递送加速所采取的动作的流程图。
图7是用于数字内容递送加速的系统的组件的框图。
各附图中相似附图标记指示相似的元件。
具体实施方式
本文档描述了诸如当终端设备正在浏览互联网时加速向终端设备的数字内容递送的系统。在某些情境下,数字内容与地理位置或机构有关。该系统通过访问使用有键数据库(keyed database)维护的有键数据(keyed data)来加速内容递送。通常,如下文进一步详细描述,有键数据包括与键(例如,唯一标识符)相关联(例如,与键一起存储、与键一起传送、指向键等)的数据和/或键本身。通常,有键数据库包括其中数据条目或记录与键关联或利用键来索引例如以用于后续检索的数据库。基于对有键数据的处理和评估,系统生成与终端设备应用相关的位置或机构的预测,并基于该预测来预检索和高速缓存内容。通常,本文讨论的加速包括减少内容递送的时延,例如相对于不依赖于预检索和高速缓存的在内容递送中引起的时延。然而,对于预测未来位置有用的位置数据可能稀疏,并且不适于对终端设备可能针对其请求数字内容的未来位置进行预测。该系统使用诸如搜索数据和web历史数据的其他数据来对终端设备可能针对其请求数字内容的位置进行预测。搜索数据和web历史数据提供与终端设备相关的更鲁棒的数据源,用于对终端设备可能针对其请求数字内容的位置进行预测。
当终端设备从诸如发布者系统的系统请求数字内容时,响应于该请求而启动若干过程。用于组装向终端设备供应的web页面或应用接口的这些过程包括对通过互联网连接的各个系统所作出的一个或多个请求以及由各个系统进行的计算,并花费时间。下面描述的内容递送加速系统相对于不依赖于使用内容递送加速系统来组装web页面并向终端设备供应web页面的时延,减少在终端设备对于数字内容的请求与对数字内容的组装和向终端设备的供应之间的时延。内容递送加速系统通过预先计算和请求所需的数据来在终端设备作出的数字内容请求之前完成处理来减少时延。
例如,内容加速递送系统预先计算(例如,在接收请求之前)评估结果(例如,竞拍结果、评分结果、或另一评估过程的结果)并在终端设备请求数字内容之前从内容提供者系统(例如,第三方内容提供者)请求数字内容(例如,视频剪辑、音频剪辑、图像、文本、或其组合)。所描述的系统可以提供一个或多个优点,诸如向终端设备提供相关的数字内容,而没有由数字内容的检索致使的时延。
参考图1,联网环境100包括被配置为与发布者系统104、终端设备106、和数字内容提供者108进行通信(例如,通过网络110)的数字内容递送加速系统102。数字内容递送加速系统102包括计算系统(例如,服务器系统)。数字内容递送加速系统102包括接口144、数据检索引擎130、终端设备网络访问引擎124、评估引擎126、搜索引擎128、参数化引擎132、位置数据高速缓存134、搜索历史高速缓存136、web历史高速缓存138、位置历史高速缓存140、和有键数字内容高速缓存142、解析引擎152、内容选择引擎154、和数字内容组装引擎156。例如,如上所述的一个或多个高速缓存是有键数据库,使得各个数据记录与键(例如,用户标识符或其他唯一标识符)相关联。有键数据库被配置为存储从终端设备106接收的有键数据120。引擎包括计算机处理器、服务器、服务器系统、软件模块、或其任何组合中的一个或多个。
数字内容递送加速系统102通过网络110从一个或多个终端设备——例如终端设备106——接收有键数据120。有键数据包括与诸如例如标识符的唯一键相关联的数据。存在各种类型的有键数据,包括例如用户的搜索历史、用户的web历史(例如,浏览历史)、用户的位置历史(例如,已到访的先前地理位置或地标)、设备106的应用的标识符、以及与终端设备106的过去行为相关的其他数据。数字内容递送加速系统102基于从终端设备106接收的有键数据120来预测哪些位置(例如,虚拟地理地图上的地理位置)与终端设备106的应用相关。数字内容递送加速系统102基于有键数据120和预测位置来预测什么数据或功能将由另一设备或系统请求。数字内容递送加速系统102可以在诸如发布者系统104和终端设备106的另一设备或系统对数据(或内容)的请求之前执行功能或检索相关数据。
数字内容递送加速系统102基于预测位置来预测要获取哪些数据来用于一个或多个应用,诸如包括在应用用户界面中。数字内容递送加速系统102获取与预测位置中的一个或多个相关联(例如,以其为目标、涉及其、与其相关等)的数据。例如,当终端设备106正在使用全球定位系统(GPS)应用时,数字内容递送加速系统102接收位置数据,并基于有键数据120和用户的当前位置来预测哪些附近位置与终端设备106的用户相关。
数字内容递送加速系统102响应于对应用数据146的预期请求,而获取与用于递送给终端设备106的一个或多个预测位置有关的应用数据146(下面进一步描述)。例如,基于指示特定位置的高度相关性的有键数据120,数字内容递送加速系统102可以获取与特定位置相关联的数字内容,并且在预期对于数字内容的请求时准备要发送到终端设备106的数字内容。
当请求与相关特定位置相关联(例如,与其相关、涉及其、以其为目标、向其呈现、与其一起存储、指向其等)的数字内容时,数字内容递送加速系统102可以发送数字内容,而没有由获取数据致使的延迟。例如,数字内容递送加速系统102可以基于与特定位置相关联的数据的所确定的相关性来确定哪个数字内容要发送到终端设备106。因此,数字内容递送加速系统102可以通过发送相对于与终端设备106的功能不那么相关的其他数据更相关的数据,减少网络流量并降低带宽需求。例如,该相关基于在有键数据120和终端设备106的当前位置,使得相对于较不相关但更接近的位置,相关性较高但相对较远的位置可能被更低地排名以用于数据检索或显示。例如,数字内容递送加速系统102基于有键数据120来确定相关,并且不使用终端设备120的当前位置来确定针对数字内容检索或显示的相关。
数字内容递送加速系统102可以包括在终端设备106上安装或运行的应用。应用可以检索数字内容供以后使用,诸如用于在用户界面中呈现。例如,当终端设备106在线时,数字内容递送加速系统102可以检索数字内容并将其发送到终端设备106,使得可以在稍后的终端设备106的离线使用期间或者当带宽限制或成本增加时——例如当移动网络被使用来替代本地网络或WiFi网络时——使用数字内容。
例如,终端设备106可以执行对附近位置的搜索,并请求与附近位置相关的数字内容或应用数据146。应用数据146包括图像文件、音频文件、文本文件、方法或系统文件、搜索结果、高速缓存数据、或用于诸如终端设备106的计算设备的应用的操作的其他资源。数字内容递送加速系统102可以基于有键数据120来发送表示多达预定数目或高于阈值相关度的、在终端设备106附近——诸如在终端设备106的预定半径内的位置的子集的应用数据146。
确定哪些位置是子集的一部分并且对位置进行排名可以基于每个餐馆与终端设备106多么相关。对于子集中的位置,诸如如果位置超过由数字内容递送加速系统102确定的相关度阈值,则数字内容递送加速系统102检索与该位置相关联的应用数据146,并将应用数据146存储在位置数据高速缓存134中。
当应用数据146被终端设备106或其他设备(诸如发布者系统104)请求时,数字内容递送加速系统102可以在没有如果数字内容递送加速系统102响应于该请求而获取应用数据146则会发生的延迟的情况下发送应用数据146。例如,应用数据146的数字内容可以是位置的名称或位置的其他标识符、与位置相关联的网站的URL、针对位置的广告、关于位置的新闻文章、关于位置的新闻文章、位置的评论、示出了位置的地理位置的虚拟地理地图上的视觉呈现的图标(例如,地图图钉)、从终端设备106的当前位置到所述位置的路线指引、以及关于位置的图像或视频等等。例如,数字内容递送加速系统102基于位置子集中的位置的所确定的相关来建议或推荐一个或多个待到访位置或到访一个或多个位置的路径。
在一些情境下,数字内容递送加速系统102基于预测的位置来预测终端设备106将从发布者系统104请求哪些web页面。因此,数字内容递送加速系统102确定要执行数字内容的哪些评估(例如,竞拍),以用于响应于对评估结果数据118的请求116而向发布者系统供应。评估可以针对web页面的一个或多个数字内容位(digital content slot)。数字内容递送加速系统102在来自发布者系统104的对于评估结果数据的请求116之前执行评估。例如,数字内容递送加速系统102预先高速缓存评估结果。
当请求评估结果数据时,数字内容递送加速系统102通过响应于请求116在没有由执行评估而致使的时延的情况下发送预先高速缓存的评估结果来响应。例如,数字内容递送加速系统102用预取的数字内容数据150进行响应,以用于填充web页面的数字内容位。因此,数字内容递送加速系统102在没有响应于请求116获取数字内容数据150所致使的延迟的情况下进行响应。例如,评估结果数据118可以包括数字内容标签——其(例如,使用标识符或URL)指示要与由发布者系统104提供的内容一起被包括的数字内容数据150——诸如用于与由发布者系统104提供的内容一起呈现或者包含在由发布者系统104托管或提供的web页面上。
发布者系统104包括被配置为接收将数字内容(例如,web页面数据112)递送到诸如终端设备106的其他系统的请求的计算系统(例如,服务器系统)。发布者系统104从数字内容递送加速系统102请求数据,以在向终端设备106供应数字内容之前,填充在发布者的各个web页面上的数字内容位。数字内容位包括由内容标签(例如,数字内容标签)指定的web页面中的位置。基于与数字内容位相关联(例如,引用其、指向其、针对其选择等)的数字内容标签,页面组装操作用数字内容数据填充内容位。
终端设备106包括诸如膝上型计算机、平板计算机、移动电话、或其他计算设备的计算设备。终端设备106向数字内容递送加速系统102、向发布者系统104、或两者发送(例如,传送)对于数字内容(例如,web页面请求114)的请求。终端设备106可以包括用于确定终端设备106的位置的GPS接收器。例如,运行在终端设备106上的应用或其他程序可以从数字内容递送加速系统102请求应用数据146。在某些情境下,在终端设备106上运行的地图应用请求存储在数字内容递送加速系统102中的地图数据。例如,终端设备106从另一个系统请求应用数据146,并且还将该请求发送到数字内容递送加速系统102,使得数字内容递送加速系统102可以检查以确定应用数据146是否已被预取。终端设备106将有键数据120发送到数字内容递送加速系统102。例如,有键数据120不同于终端设备106的设备标识符。例如,有键数据120包括用户标识符,其针对在终端设备106上安装或以其他方式运行的应用或针对与数字内容递送加速系统102相关联的(例如,被配置为与其进行交互等)的程序指示用户的简档。例如,用户标识符与终端设备106相关联(例如,与其分组在一起、指向其等),因为终端设备106正在发送指示用户标识符的有键数据120。例如,用户标识符指示用户人口统计。有键数据120由数字内容递送加速系统102接收并存储在搜索历史高速缓存136、web历史高速缓存138、和位置历史高速缓存140中的一个或多个中。
数字内容提供者108被配置为接收对诸如数字内容请求148的数字内容数据(例如,应用数据146或数字内容数据150)的请求,并且将所请求的数字内容数据150作为对于该请求的响应来供应,例如将数字内容数据150发送到数字内容递送加速系统102。数字内容提供者108可以包括应用服务器,该应用服务器供应在终端设备106上运行或与终端设备106相关联(例如,安装在其上等)的应用的应用数据146。例如,数字内容提供者108包括发送数字内容数据150的服务器,该数字内容数据150由与web页面相关的内容标签指示或由评估引擎126选择以供呈现在web页面中。
数字内容递送加速系统102使用若干模块和子系统来通过网络110(例如,互联网)接收并响应于对评估结果数据118、搜索结果、应用数据146、数字内容数据150、和其他数据中的一个或多个的请求。数字内容递送加速系统102包括通信接口144,其被配置为通过网络110与发布者系统104、终端设备106、或数字内容提供者108中的一个或多个通信。通信接口144向诸如评估引擎126、搜索引擎128、或数据检索引擎130的数字内容递送加速系统102的一个或多个子系统或模块传输来自网络110的所接收的请求的数据。
数据检索引擎130分析正由数字内容递送加速系统102处理的数据,并将数据路由到适当的子系统,诸如终端设备网络访问引擎124、参数化引擎132、评估引擎126、或搜索引擎128。数据检索引擎130将(例如,用于将来操作)数据存储在数字内容递送加速系统102的一个或多个高速缓存中,并将存储的数据发送到请求数据的子系统。例如,一个或多个高速缓存包括搜索历史高速缓存136、web历史高速缓存138、位置历史高速缓存140和有键数字内容高速缓存142。例如,数据检索引擎130响应于接收到来自终端设备106的有键数据120的项目而检索下述的一个或多个:来自搜索历史高速缓存136的搜索数据,该搜索数据表示与有键数据项相关联(例如,与其相关等等)的搜索历史;来自web历史高速缓存138的web历史数据,其指示终端设备106访问的一个或多个web页面;以及来自位置历史高速缓存140的位置数据等等。
一旦接收了有键数据120,数字内容递送加速系统102的解析引擎152对有键数据120进行解析以得到存储在一个或多个高速缓存中的属性,以例如由终端设备网络访问引擎124使用。数字内容递送加速系统102可以将属性与终端设备106或用户相关联。数据同现(co-occurrence)被确定并可以被存储或发送到终端设备网络访问引擎124。数字内容递送加速系统102使用用于确定数据同现的一种或多种技术,例如矩阵分解、低秩近似,诸如交替的最小二乘和奇异值分解等。确定的数据同现或数据中的关系可以存储在一个或多个高速缓存中,或者发送到终端设备网络访问引擎124。
例如,对于搜索,数据同现包括一起或以相关方式使用的关键字或关键短语。例如,数据同现包括依序查看或频繁依序查看的web页面的标识符以及依序或在阈值时间量内到访或搜索的位置等等。例如,数据同现包括诸如加油站、餐馆等的性质上类似的位置的类型。
有键数据120的属性是时间数据。数字内容递送加速系统102通过比较与密码数据120的其他数据相关联(例如,相关)的时间数据来确定数据同现。例如,如果特定web页面在另一个web页面之前总是被到访或非常频繁地被到访,则数字内容递送加速系统102已知数据同现是时间上不对称的。例如,如果以特定顺序频繁到访或搜索一系列位置,则数字内容递送加速系统102使用该信息来进行预测。
终端设备网络访问引擎124使用来自一个或多个高速缓存的数据来预测哪些位置对于终端设备106的功能相关。终端设备网络访问引擎124使用深度学习网络来使用检索了诸如终端设备106的多个终端设备的有键数据120训练模型。一些终端设备106具有位置历史,但并不是所有的终端设备都具有位置历史。数字内容递送加速系统102使用具有位置历史的多个终端设备的位置历史数据来训练机器学习模型。例如,数字内容递送加速系统102确定相比其他位置相同终端设备更有可能定期——诸如每天、每周、每小时等到访哪些位置。例如,数字内容递送加速系统102确定通常依序地或在一天的特定时间到访哪些位置(例如,咖啡店在早晨比舞蹈俱乐部更可能被到访)。
数字内容递送加速系统102使用经过训练的模型和终端设备106的有键数据120来为该终端设备106进行位置预测。这允许数字内容递送加速系统102对终端设备106进行位置的预测,对于该终端设备106而言,没有或几乎没有位置历史存在或者是数字内容递送加速系统102所已知的。由于许多终端设备已经在部分时间或全部的时间停用了位置历史,所以训练模型和有键数据120的使用和确定的数据同现允许为这些终端设备进行位置预测。例如,如果终端设备106的有键数据120指示对于最近几次特定位置的若干搜索,则数字内容递送加速系统102确定该特定位置可能已经或可能将被终端设备的用户到访。这种可能性可以被发送到一个或多个其他系统以启动其他功能,诸如检索与特定位置相关的数字内容、预先加载或预先缓存与特定位置相关联的web页面的评估结果数据、或生成用于在与特定位置相关的用户界面(例如地图)上呈现的数据(如关于图3A-3C更详细地描述的)。
终端设备网络访问引擎124为终端设备106的多个位置生成预测置信度的分布或数组。预测基于经过训练的模型、有键数据、和诸如终端设备106的当前位置的其他数据。终端设备网络访问引擎124为具有预测的每个位置生成相关分值或加权。例如,终端设备网络访问引擎124确定在正常情形下特定位置很可能被终端设备106的用户到访,但是该特定位置离终端设备106的当前地理位置非常远。
特定位置被分配了低相关性得分或加权,尽管相反从有键数据120和训练模型确定的高概率。例如,终端设备网络访问引擎124确定在第一位置处的终端设备很少行进到第二位置,诸如从一个餐馆到另一餐馆。当终端设备106处于第一位置或靠近第一位置时,可以对第二位置指派低相关性得分。其他这样的示例是可能的,诸如在第一和第二位置之间的高相关性、在虚拟地理地图上的特定位置区域之间的低相关性(诸如用户很少离开他们的邻域或偏离公共交通的情境)、与日内时间和特定的地点(例如上午7:00的咖啡店)的高相关性等等。例如,终端设备网络访问引擎124可以确定终端设备106的用户是否拥有汽车(例如,如果用户选择应用中的指示符)。可以基于用户在汽车中、在步行中等的信息来为终端设备106预测不同的位置。
终端设备网络访问引擎124使用来自一个或多个高速缓存的数据来预测终端设备106将从发布者系统104请求114哪个web页面,并且进而预测发布者系统104将在评估数据请求116中请求哪个评估数据。例如,终端设备网络访问引擎124分析最近由终端设备106请求的web页面数据112,并且预测终端装置106将请求的下一个web页面。
如上所述,预测系统124使用预测的下一个web页面来确定位置预测。例如,预测的web页面可以是时间上的一系列web页面中的一部分,从而表明数据同现。或者,数字内容递送加速系统102使用预测位置来预测将由终端设备106访问的下一个web页面。也可以基于预测的位置或web页面来启动其他功能。例如,终端设备网络访问引擎124使用数据检索引擎130将预测发送到参数化引擎132。参数化引擎132填充预测web页面的调出参数,并将该参数发送到评估引擎126以预先计算对于预测的web页面的数字内容位的评估。例如,可以预先获取针对web页面的数字内容。
终端设备网络访问引擎124包括机器学习系统以用于分析web页面数据112和终端设备106,并且随后生成关于将请求附加web页面的web页面数据112的可能性的预测数据。终端设备网络访问引擎124使用来自一个或多个终端设备——诸如终端设备106的有键数据120进行训练。例如,终端设备网络访问引擎124使用从终端设备106的浏览器应用收集的数据——诸如用户点击数据来进行训练。
终端设备网络访问引擎124使用与web页面(例如,最新近由终端设备106请求的web页面)或附加web页面相关的数据,诸如从一个或多个高速缓存加载的web页面的内容。终端设备网络访问引擎124使用一个或多个数字内容的用户点击数据进行训练。终端设备网络访问引擎124例如以批量方式、持续方式等等训练机器学习算法。例如,终端设备网络访问引擎将一个或多个属性聚集到一个或多个主题群集中。主题群集均指示预定的主题列表中的主题。例如,词咖啡馆、咖啡、晚餐、和甜甜圈都可以是表示早餐选择的群集的一部分,这在早晨时分能够是相关的。终端设备网络访问引擎124使用经过训练的模型将主题群集变换成指示与终端设备106相关的一个或多个地理位置的位置数据。终端设备网络访问引擎124基于由数字内容递送加速系统102使用一个或多个机器学习算法存储的数据来使用其他训练方法。
终端设备网络访问引擎124为一个或多个位置生成置信度的分布或数组。置信度分值表示终端设备106将请求与位置相关的数据或终端设备106的用户将前往该位置的可能性。例如,预测数据包括位置标识符-置信度分值对的数组。置信度分值包括标量归一化值。数组可以被排序并存储在索引高速缓存中,诸如位置数据高速缓存134。
终端设备网络访问引擎124将确定性的阈值应用于由终端设备网络访问引擎124生成的预测数据的置信度分值。终端设备网络访问引擎124基于如上所述的机器学习算法选择阈值,使得在预测数据中不包含太多的位置,而且也防止数字内容的不必要的检索或存储。例如,阈值包括数字内容递送加速系统102检索数字内容的设定数目的位置的选择。例如,阈值包括置信度分值的设定标量值。例如,阈值根据上述机器学习算法而变化。
评估引擎126在终端设备106请求来自终端设备106的预测web页面——诸如与预测位置相关的web页面——之前预先计算评估数据。例如,预先计算评估结果数据118包括下述过程:其中评估引擎126运行评估,并且在针对评估结果从发布者系统104接收对评估数据的请求116之前确定评估结果。当发布者系统102请求评估数据116时,内容递送加速系统102使用预计算的评估结果数据118进行响应,预测计算结果数据118减少了在提供结果时的时延,因为没有响应于评估请求116而执行评估。
例如,当终端设备106向发布者系统104发送诸如对于与预测位置相关联(例如,相关)的web页面或数字内容的web页面请求114时,发布者系统104从数字内容递送加速系统102请求评估数据116。数字内容递送加速系统102通过将预先计算的评估结果数据118发送给发布者系统104来响应对评估数据116的请求。由于评估结果是预先计算的而不是根据请求来计算的,所以发布者系统104所经历的时延并且由此终端设备106所经历的时延相对于不依赖于预先计算评估结果而经历的时延减少。
数据检索引擎130将预测数据发送给参数化引擎132。参数化引擎132包括机器学习系统,其填充与终端设备网络访问引擎124识别的位置相关联(例如,与其相关或涉及其等)的数字内容——诸如web页面——的适格性值(例如,RTB调出参数)。例如,参数化引擎132使用诸如平台识别信号的适格性逻辑(例如,RTB逻辑)。参数化引擎132生成适格性值,并将适格性值与由终端设备网络访问引擎124识别的每个web页面相关联,使得评估引擎126对与预测位置相关的web页面进行数字内容评估。例如,参数化引擎132为web页面、应用用户界面等的每个数字内容位生成适格性值。
参数化引擎132使用来自一个或多个内容评估的评估数据来训练机器学习模型。例如,与更流行的位置相关联的数字内容(例如,web页面)将比与不太受欢迎的位置相关联的数字内容更好地训练,并且具有更好的适格性值。例如,评估引擎126(例如,广告交换)包括第三方评估引擎。参数化引擎132经由数据检索引擎130将适格性值发送给评估引擎126。
评估引擎126接收适格性值,并针对由适格性值表示的数字内容运行评估过程(例如,竞拍、评分过程、或另一评估技术)。例如,评估引擎126包括第三方评估引擎。评估引擎126对每个预测web页面运行评估过程,并且生成预先计算的评估结果数据118。预先计算的评估结果数据118表示用于填充与预测位置相关联的一个或多个数字内容位的数字内容。例如,预先计算的评估结果数据118包括到网络资源(例如,URL)的一个或多个链接,该资源被配置为提供与预测位置相关联的数字内容。例如,评估过程期间的数字内容的分值是基于与数字内容位相关联的预测位置的置信度得分。如果位置高度相关,则选择数字内容以用于呈现而不是与较不相关的位置相关联的其他数字内容,使得更相关的数字内容被发送到终端设备106并呈现在终端设备106上。
数据检索引擎130管理数字内容递送加速系统102的模块和子系统之间的数据流。数据检索引擎130处置有键数据120、来自终端设备网络访问引擎124的预测数据、以及来自评估引擎126的预先计算的评估结果数据118。数据检索引擎130将预测数据路由到参数化引擎132,并将适格性值数据路由到评估引擎126。例如,数据检索引擎130根据需要将数据存储到一个或多个高速缓存中的一个。例如,数据检索引擎130将位置概率数据存储在位置概率高速缓存134中,将与预测位置相关联的检索数字内容存储在有键数字内容高速缓存142中,将位置历史数据存储在位置历史高速缓存140中,将web历史数据存储在web历史高速缓存138中,并且将搜索历史数据存储在搜索历史高速缓存136中。
搜索引擎128包括被配置为接收搜索查询158并从互联网返回搜索结果的一个或多个计算设备(例如,服务器)。搜索结果包括web页面、图像、和其他类型的文件的混合。搜索引擎128还挖掘在数据库或打开的目录中可获得的数据。搜索引擎128通过在网络爬取器上运行算法来维护实时信息。例如,搜索引擎128包括第三方搜索引擎128。
数字内容组装引擎156预先组装与特定地理位置相关联的数字内容以供终端设备106渲染。例如,响应于来自终端设备106的对数字内容——诸如对终端设备106的应用或程序——的请求,数字内容组装引擎156预组装数字内容以发送到终端设备或请求数字内容的其他系统。例如,数字内容的预组装可以由发布者系统104在发布者系统104向终端设备106供应web页面时执行。组装的数据由终端设备106接收和渲染。例如,数字内容递送加速系统102在终端设备在线的时间段期间,并且在从终端发送对于数字内容的请求之前,向终端设备106发送预组装的数字内容,使得在用户随后在终端设备离线的时间段期间发出对数字内容的请求的事件下,数字内容对于终端设备的用户是可用的。
搜索历史高速缓存136包括存储器或磁盘上的数据存储库,例如诸如分布式数据库的数据库。搜索历史高速缓存136包括表示由终端设备106发送的搜索查询的数据。数字内容递送加速系统102高速缓存搜索查询,因为搜索查询为终端设备106相对于使用终端设备的位置历史提供鲁棒的数据集,从该数据集可以作出位置的预测。例如,终端设备106可以在一天中执行数十次或更多次的搜索,而设备的位置历史可能被停用或返回一个或两个位置。
数字内容递送加速系统102将存储在搜索历史高速缓存136中的某些或每个搜索查询与当终端设备106向搜索引擎128发送搜索查询时的时间戳相关联。该时间戳可以向用于预测位置的终端设备网络访问引擎提供排序信息。例如,位置可以或多或少很可能是下一个位置,对于其而言终端设备106基于在执行的搜索之前请求的先前位置数据来请求数字内容。
web历史高速缓存138存储web页面数据112和由终端设备请求的web页面的历史,并且包括在存储器或磁盘上的数据存储库,例如诸如分布式数据库的数据库。例如,web历史高速缓存138存储从由数字内容递送加速系统102的模块或子系统分析、爬取、或以其他方式访问的任何web页面的web页面数据112。例如,web页面数据112和web页面数据高速缓存138中的web历史数据训练终端设备网络访问引擎124,并用于对未来位置进行预测。web历史数据被存储,因为它们相对于使用终端设备的位置历史为终端设备106提供鲁棒的数据集,从该数据集可以进行位置预测。例如,终端设备106可以在一天内请求数十或数百个web页面,但是可能停用位置历史或者不报告大量的位置。
位置历史高速缓存140存储终端设备106的位置历史数据。位置历史高速缓存140包括存储器或磁盘上的数据存储库,例如诸如分布式数据库的数据库。数字内容递送加速系统102使用由诸如使用GPS接收器的应用的在终端设备106上的应用收集的数据来填充位置历史高速缓存140。位置历史数据包括表示终端设备106已经向数字内容递送加速系统102报告的地理位置的数据。位置历史数据训练终端设备网络访问引擎124,并且数字内容递送加速系统102使用位置历史数据以用于生成预测数据和置信度分值。
有键数字内容高速缓存142存储已经针对具有超过阈值的置信度分值的一个或多个预测位置所检索的数字内容150。有键数字内容高速缓存142包括存储器或磁盘上的数据存储库,例如诸如分布式数据库的数据库。数字内容可以包括与可能由终端设备106请求的位置相关联的任何数字内容,诸如web页面数据112、用于在与预测位置相关联的web页面上填充数字内容位的数字内容、和与预测位置相关联的应用数据146等。数字内容包括文本、图像、视频、应用文件、和音频等中的一个或多个。如上所述,有键数字内容高速缓存142包括系统的存储器。将数字内容150存储在存储器中减少了响应于诸如由发布者系统104或终端设备106对数字内容的请求来供应数字内容150的时延。实时地供应数字内容150的时延,因为系统在不执行从数据库的数据查询和检索的情况下供应数字内容150。
位置数据高速缓存134存储与位置相关联的位置数据,并且包括在存储器或磁盘上的数据存储库,例如诸如分布式数据库的数据库。例如,位置数据高速缓存134存储位置标识符、类型、地理位置、和用于对位置进行归类和执行位置预测的其他这样的元数据。
发布者系统104包括托管web页面内容的服务器或服务器网络。发布者系统104可以包括商业托管服务或个体服务器。响应于对来自发布者系统104所托管的网址的web页面数据112的请求,发布者系统104向终端设备106供应web页面数据112。
当终端设备106请求web页面数据112时,发布者系统104发送对来自数字内容递送加速系统102的评估数据116的请求,以填充所请求的web页面的任何数字内容位。发布者系统104从数字内容递送加速系统102请求评估数据118。数字内容递送加速系统102的数据检索引擎130通过检查与web页面相关联的预先计算的评估结果数据118来处置该请求。如果数字内容递送加速系统102找到预先计算的评估结果数据118,则数字内容递送加速系统102将预先计算的评估结果数据118发送给发布者系统104。数字内容递送加速系统102不需要响应于该请求而针对所请求的web页面数字内容运行评估过程,因为评估过程已经由评估引擎126运行。
预先计算的评估结果数据118被发送到向终端设备106供应所请求的web页面的发布者系统104。相对于独立于预先计算评估结果和预加载内容标签的时延,内容递送加速系统102系统减少了终端设备106针对web页面数据112的请求和发布者系统104供应web页面之间的时延。由于评估引擎126不必响应于该请求而运行评估,所以时延减少。
终端设备106包括被配置为与发布者系统104和数字内容递送加速系统102进行通信的膝上型计算机、平板计算机、移动电话、或其他计算设备。终端设备106向发布者系统104发送对web页面的请求114并且响应于该请求而从发布者系统104接收web页面数据112。终端设备106包括用于确定终端设备106的GPS坐标的GPS接收器。终端设备106从终端设备106的一个或多个应用收集有键数据120,并将有键数据120发送到数字内容递送加速系统102。终端设备106可以向搜索引擎128发送一个或多个搜索查询。
终端设备106从数字内容递送加速系统102请求与一个或多个位置相关联的数字内容。例如,运行地图绘制应用的终端设备106可以请求关于在地图绘制应用中描绘的一个或多个位置的附加信息,诸如与位置相关联的网站、与位置相关联的评级或评论、以及位置图像等。例如,运行预约应用的终端装置106可以在其中一个位置请求对节目或表的预约。数字内容递送加速系统102存储响应于对应用的这样的请求所需的部分或全部数字内容。
数字内容递送加速系统102包括用于处置这样的请求的接口。例如,数字内容递送加速系统102可以被配置为基于在终端设备106上运行的应用或程序来检索与预测位置相关联的特定数字内容。例如,如果评级或评论程序在终端设备106上运行,则数字内容递送加速系统102可以检索应用所需的评级和评论,并将其存储在有键数字内容高速缓存142中,以减少因为响应于该请求而检索数据而发生的时延。
数字内容提供者108包括服务器或服务器网络或类似的计算设备。当被请求时,数字内容提供者108向数字内容递送加速系统102提供数字内容数据150。例如,数字内容递送加速系统102从数字内容提供者108请求148数字内容数据150。数字内容递送加速系统102将数字内容数据150存储在数字内容高速缓存136中。例如,数字内容递送加速系统102在使用评估引擎126对一个或多个web页面(例如,与预测位置相关联)执行评估之后,从数字内容提供者108请求数字内容。
内容选择引擎154检索与预测的地理位置中的特定地理位置相关联的数字内容150,以用于存储在有键数字内容高速缓存142中。相对于与由终端设备网络访问引擎124识别的其他地理位置相关联的其他概率,特定地理位置与更大的概率相关联。内容选择引擎发送对于来自数字内容提供者108的数字内容的请求148。
参考图2,图200示出了至少部分地基于来自内容递送加速系统的数据来渲染的图形用户界面202、220。图形用户界面202在计算设备(例如,终端设备106)上的应用(例如,浏览器)中渲染。应用收集用户的点击率、浏览历史、当前web页面地址、以及由内容递送加速系统(例如,图1中的数字内容递送加速系统102)存储并且用于训练预测引擎124、参数化引擎132等的其他信息。例如,用户将搜索查询204录入到web页面上。例如,数字内容递送加速系统托管搜索web页面。
数字内容递送加速系统接收搜索查询并提供搜索结果web页面。搜索结果web页面包括文本链接,诸如链接206(例如,搜索结果)。例如,搜索结果web页面包括与一个或多个预测位置相关联的嵌入式web页面数据,诸如数字内容项212、214、216、和218。数字内容项212、214、216、和218均基于数字内容递送加速系统的终端设备网络访问引擎的预测位置来表示到附加web页面(例如,赞助结果)的链接。例如,如果录入“餐馆”的搜索查询,则数字内容递送加速系统确定该一个或多个位置具有可能被终端设备106请求的数字内容,位置诸如Mac’s Mac、Slyman’s Sandwiches、Gary’s Grille、和Bishop’s Burgers。如上所述来预测位置,诸如因为在中午时间,并且用户诸如通过选择指向web页面上呈现的数字内容的链接而经常在中午左右搜索三明治或到访三明治店,并且很可能或倾向于请求与这样的商店相关联的数字内容。
当在终端设备106上生成和呈现用户界面202时,从高速缓存(例如,图1的有键数字内容高速缓存142)检索数字内容项212、214、216、和218。相对于通过网络从远程数字内容提供者(例如,图1的数字内容提供者108)请求数字内容项所致使的时延,减少了向终端设备供应数字内容的时延。例如,由于数字内容递送加速系统不需要通过网络下载数字内容——这可能致使由于带宽限制导致的时延、和来自用于供应所请求的数字内容的数字内容提供者的时延等等,所以时延减少。此外,所呈现的数字内容项212、214、216、和218比与用户不感兴趣的位置或机构相关联的数字内容更与用户相关。
图形用户界面220示出了在终端设备(例如,终端设备106)上呈现的web页面的示例。web页面包括发布者内容230。web页面包括指向与发布者相关联的附加web页面的链接,诸如链接222。web页面包括与数字内容递送加速系统的预测位置相关的数字内容,例如横幅224、侧栏项目226、和侧栏项目228。可以检索与预测位置相关的其他数字内容。由于在请求web页面之前预测位置,所以在加载web页面之前检索诸如横幅224和侧边栏项目226、228的数字内容项。可以通过在请求之前检索横幅项目224和侧边栏项目226、228来减少或消除通过响应于供应界面220的web页面的请求而检索横幅项目224和侧边栏项目226、228而引入的延迟。
图3A-3C分别示出了用于数字内容递送加速系统的应用的示例用户界面310、320和330。图3A示出了由终端设备(例如,图1的终端设备106)呈现的用户界面300,诸如如上所述不预测终端设备的位置。
用户界面包括虚拟地理地图302。虚拟地理地图302示出了终端设备的当前位置306。虚拟地理地图302示出与搜索查询310相关的一个或多个其他位置。该应用显示关于与搜索查询310相关的地理位置的一个或多个图钉,诸如图钉304。
在图3A的示例中,假设搜索查询包括关键短语“我附近的三明治”。在该示例中,虚拟地理地图302示出虚拟地理地图302上的位置处的多个图钉,表示三明治店相对于终端设备位置的地理位置。如果数字内容递送加速系统如在这种情况下那样没有做出预测,则由于应用无法区分哪些位置与用户更相关,所以返回许多图钉。虽然没有呈现一些位置,诸如与搜索查询不相关的位置,但是诸如如果用户在该位置留下坏的评论、该用户是素食者等等,则呈现的位置中的若干位置很可能不会被终端设备的用户到访。这导致额外的带宽使用和时延,因为正在响应于搜索查询而被检索并在虚拟地理地图302上呈现与用户无关的数字内容。
图3B示出了由终端设备(例如,图1的终端设备106)呈现的用户界面320,诸如具有如上所述终端设备的预测位置。用户界面包括虚拟地理地图322。虚拟地理地图322示出终端设备的当前位置306。响应于接收到搜索查询310,数字内容递送加速系统检查已经为终端设备检索到哪个数字内容并且向终端设备供应数字内容。例如,图钉324可以被发送或提升为与用户相关以响应于接收到特定的搜索查询来呈现。应用发送比界面300更少的数字内容,从而节省带宽使用并增加终端设备上呈现的数据的相关性。在该示例中,作为针对三明治的选项,向用户呈现4个图钉,而不是与在图3的用户界面300中一样的12个图钉。
图3C示出了由终端设备(例如,图1的终端设备106)呈现的用户界面330。用户界面330包括虚拟地理地图332。虚拟地理地图332包括终端设备的当前位置306。响应于接收到搜索查询310,用户界面330将建议的路线呈现给一个或多个预测位置。示出了到比其他预测位置——例如位置340更相关的预测位置338的主要路线336。即使位置340更靠近终端设备位置306,位置338也被终端设备网络访问引擎确定为比位置340更可能。替选的路线,诸如路线334,被示出到其他位置。预测的位置可以基于如上所述的偏好,或其他考虑,诸如位置是否开放营业或是否有交通或道路封闭等。数字内容342被呈现在位置338附近,这可以诱使用户到访位置338。数字内容342被认为与终端设备的用户高度相关,并且在接收到搜索查询之前已被检索。可以在没有由远程数字内容提供者检索数字内容或者如上所述响应于接收到搜索查询而执行数字内容的评估而致使的时延的情况下呈现数字内容342。
图4示出了表示数字内容递送加速的过程400的图。终端设备106将搜索查询或其他有键数据发送(402)到数字内容递送加速系统102。数字内容递送加速系统102接收(404)有键数据并存储(406)有键数据。在一些示例中,数字内容递送加速系统102使用有键数据来响应(408)发布者系统104作出的对于web页面、搜索结果等的请求。有键数据由终端设备(410)接收。终端设备106将位置数据发送(412)到数字内容递送加速系统102。数字内容递送加速系统102接收(414)位置数据,并且生成(420)与要请求的数字内容相关联的接下来的位置的预测。在一些示例中,终端设备106从发布者系统104请求(416)数字内容,诸如web页面数据。发布者系统104向数字内容递送加速系统102发送(418)对诸如评估结果数据的数据的请求。如果需要,诸如如果发布者系统104请求评估结果数据,并且如果还没有进行评估,则数字内容递送加速系统102执行数字内容评估(422)。数字内容递送加速系统102从数字内容提供者108请求(424)与预测位置相关联的数字内容。数字内容提供者接收(426)数字内容请求并通过将数字内容发送(428)到数字内容递送加速系统102来响应。数字内容递送加速系统102接收(430)数字内容。在一些示例中,诸如当终端设备106请求web页面时,数字内容递送加速系统102将数字内容发送到发布者系统104,发布者系统104将web页面与数字内容组装(432)或利用数字内容来填充(432)web页面。发布者系统104将web页面数据发送(434)到终端设备106。终端设备106接收(436)web页面数据并将数据呈现给用户。在一些示例中,诸如当终端设备106正在运行与数字内容递送加速系统102相关联的应用时,数字内容递送加速系统102将数字内容组装(438)——例如将其添加到用户界面,并且将数字内容发送到终端设备。终端设备接收(440)数字内容并将数字内容呈现给用户。
图5示出了表示数字内容递送加速的过程500的流程图。数字内容递送加速系统(例如,图1的数字内容递送加速系统102)检索(502)与终端设备相关联的搜索数据和web历史数据。数字内容递送加速系统从搜索数据和web历史数据中提取(504)属性,并且生成(506)若干位置的概率分布,诸如关于图1所描述的。数字内容递送加速系统诸如从远程数字内容提供者检索(508)数字内容。数字内容递送加速系统组装(510)数字内容,以用于由终端设备渲染。
图6示出了表示数字内容递送加速的过程600的流程图。数字内容递送加速系统(例如,图1的数字内容递送加速系统102)诸如从终端设备接收(602)位置数据。数字内容递送加速系统检索(604)有键数据,诸如与终端设备相关联的有键数据,并且预测(606)诸如从终端设备将请求针对其的数字内容的接下来的位置。如果诸如由发布者系统请求(608)评估结果数据,则数字内容递送加速系统检查以确定是否获得评估结果数据。如果未请求评估结果,则数字内容递送加速系统得到(610)与诸如用户界面(例如,用户界面322或332)的接下来的位置相关联的数字内容,并组装(612)与接下来的位置相关联的数字内容。
数字内容递送加速系统检查(614)以确定是否获得评估结果。如果数字内容递送加速系统不具有评估结果数据,则数字内容递送加速系统执行(616)对于所请求的web页面的数字内容的评估。如果获得评估结果数据,则数字内容递送加速系统检查(618)以确定是否获得由评估指定的数字内容。如果没有获得由评估指定的数字内容,则数字内容递送加速系统将评估结果发送(620)到作出请求的web页面发布者(例如,图1的发布者104)。如果获得由评估结果指定的数字内容,则数字内容递送加速系统将由评估结果指定的数字内容发送(622)给发布者系统。
图7示出了作为客户机或服务器或多个服务器而可以用于实现本文档中描述的系统和方法的示例计算设备700、750。计算设备700意图表示各种形式的数字计算机,例如膝上型计算机、台式机、工作站、个人数字助理、服务器、刀片服务器、大型主机、和其他适当的计算机。计算设备750意图表示各种形式的移动设备,诸如个人数字助理、蜂窝电话、智能电话、和其他类似的计算设备。此外,计算设备700或750可以包括通用串行总线(USB)闪速驱动器。USB闪速驱动器可以存储操作系统和其他应用。USB闪速驱动器可以包括输入/输出组件,诸如可以插入到另一计算设备的USB端口中的无线发射器或USB连接器。这里所示的组件、它们的连接和关系以及它们的功能意味着仅仅是示例性的,并不意味着限制本文中描述和/或要求保护的发明的实施方式。
计算设备700包括处理器702、存储器704、存储设备706、连接到存储器704和高速扩展端口710的高速接口708、以及连接到低速总线714和存储设备706的低速接口712。组件702、704、706、708、710和712中的每一个使用各种总线互连,并且可以安装在公共主板上或视情况以其他方式安装。处理器702可以处理在计算设备700内执行的指令,包括存储在存储器704中或存储设备706上的指令,以在诸如耦合到高速接口708的显示器716的外部输入/输出设备上显示GUI的图形信息。在其他实施方式中,可以视情况连同多个存储器和多种类型的存储器一起使用多个处理器和/或多条总线。此外,可以连接多个计算设备700,每个设备提供必要操作的一部分(例如,作为服务器组、刀片服务器的群组或多处理器系统)。
存储器704在计算设备700内存储信息。在一个实施方式中,存储器704是一个或多个易失性存储器单元。在另一实施方式中,存储器704是一个或多个非易失性存储器单元。存储器704还可以是另一种形式的计算机可读介质,诸如磁性、计算机可读硬件存储设备或光盘。
存储设备706能够为计算设备700提供大容量存储。在一个实施方式中,存储设备706可以是或包含:计算机可读介质,诸如软盘设备、硬盘设备、光盘设备、或磁带设备;闪存或其它类似的固态存储设备;或包括存储区域网络中的设备或其他配置中的设备阵列。计算机程序产品可以有形地体现在信息载体中。计算机程序产品还可以包含指令,该指令在被执行时执行一个或多个方法,诸如上述的方法。信息载体是诸如存储器704、存储设备706、或处理器702上的存储器的计算机或机器可读介质。
高速控制器708管理计算设备700的带宽密集型操作,而低速控制器712管理较低带宽密集型操作。功能的这样的分配仅是示例性的。在一个实施方式中,高速控制器708耦合到存储器704、显示器716(例如,通过图形处理器或加速器)以及可接受各种扩展卡(未示出)的高速扩展端口710。在该实施方式中,低速控制器712耦合到存储设备706和低速扩展端口714。可以包括各种通信端口(例如,USB、蓝牙、以太网、无线以太网)的低速扩展端口可以一个或多个输入/输出设备——例如键盘、指示设备、扫描仪、或例如通过网络适配器而耦合到诸如交换机或路由器的联网设备。
计算设备700可以以多种不同的形式来实现,如图所示。例如,它可以被实现为标准服务器720,或者在这样的服务器的群组中多次实现。它也可以被实现为机架式服务器系统724的一部分。此外,其可以在诸如膝上型计算机722的个人计算机中实现。替选地,来自计算设备700的组件可以与诸如设备750的移动设备中的其他组件(未示出)组合。这些设备中的每一个可以包含计算设备700、750中的一个或多个,并且整个系统可以由彼此通信的多个计算设备700、750组成。
除了其他组件之外,计算设备750包括处理器752、存储器764,诸如显示器754、通信接口766、和收发器768的输入/输出设备以及其他组件。设备750还可以设置有诸如微驱动器或其他设备的存储设备,以提供额外的存储。组件750、752、764、754、766和768中的每一个使用各种总线互连,并且若干组件可以安装在公共主板上或视情况以其他方式安装。
处理器752可以执行计算设备750内的指令,包括存储在存储器764中的指令。处理器可以被实现为包括单独的和多个模拟和数字处理器的芯片的芯片组。另外,处理器可以使用许多架构中的任一种来实现。例如,处理器410可以是CISC(复杂指令集计算机)处理器、RISC(精简指令集计算机)处理器、或MISC(最小指令集计算机)处理器。处理器可以例如提供设备750的其他组件的协调,诸如用户界面、由设备750运行的应用、以及由设备750进行的无线通信的控制。
处理器752可以通过耦合到显示器754的控制接口758和显示接口756与用户通信。显示器754可以是例如TFT(薄膜晶体管液晶显示器)显示器或OLED(有机发光二极管)显示器或其他适当的显示技术。显示接口756可以包括用于驱动显示器754向用户呈现图形和其它信息的适当电路。控制接口758可以接收来自用户的命令并将其变换以用于提交给处理器752。此外,外部接口762可以与处理器752通信,以便使得设备750能够与其他设备进行近区域通信。外部接口762可以提供例如有线通信或其他实施方式中提供无线通信,并且还可以使用多个接口。
存储器764将信息存储在计算设备750内。存储器764可以被实现为计算机可读介质或介质、易失性存储器单元、或非易失性存储器单元中的一个或多个。还可以通过扩展接口772来提供扩展存储器774并将其连接到设备750,扩展接口772可以包括例如SIMM(单列直插存储器模块)卡接口。这样的扩展存储器774可以为设备750提供额外的存储空间,或者还可以存储设备750的应用或其他信息。具体地,扩展存储器774可以包括用于执行或补充上述过程的指令,并且还可以包括安全信息。因此,例如,扩展存储器774可以是设备750的安全模块,并且可以用允许安全使用设备750的指令进行编程。另外,安全应用可以经由SIMM卡连同附加信息一起被提供,诸如以不可非法侵入方式将识别信息放置在SIMM卡上。
存储器可以包括例如闪存和/或NVRAM存储器,如下所述。在一个实施方式中,计算机程序产品被有形地体现在信息载体中。计算机程序产品包含指令,其当被执行时,执行一个或多个方法——例如上述的方法。信息载体是可以例如通过收发器768或外部接口762接收的计算机或机器可读介质,诸如存储器764、扩展存储器774、或处理器752上的存储器。
设备750可以通过通信接口766进行无线通信,通信接口766可以在必要时包括数字信号处理电路。通信接口766可以提供在诸如GSM语音呼叫、SMS、EMS或MMS消息传递、CDMA、TDMA、PDC、WCDMA、CDMA2000、或GPRS等的各种模式或协议下的通信。这样的通信可以例如通过射频收发器768发生。另外,可能会诸如使用蓝牙、WiFi、或其他这样的收发器(未示出)发生短距离通信。此外,GPS(全球定位系统)接收器模块770可以向设备750提供附加的导航和位置相关的无线数据,其视情况可以由在设备750上运行的应用来使用。
设备750还可以使用音频编解码器760可听地通信,音频编解码器760可以从用户接收说出的信息并将其变换为可用的数字信息。音频编解码器760可以同样例如在设备750的送受话器中诸如通过扬声器为用户产生可听见的声音。这样的声音可以包括来自语音电话呼叫的声音,可以包括记录的声音(例如,语音消息、音乐文件等等),并且还可以包括在设备750上运行的应用产生的声音。
计算设备750可以以多种不同的形式来实现,如图所示。例如,它可以被实现为蜂窝电话780。它也可以被实现为智能电话782、个人数字助理、或其他类似移动设备的一部分。
这里描述的系统和技术的各种实现可以在数字电子电路、集成电路、专门设计的ASIC(专用集成电路)、计算机硬件、固件、软件、和/或其组合中实现。这些各种实施方式可以包括在可编程系统上可执行和/或可解释的一个或多个计算机程序中的实现,该可编程系统包括可以是至少一个可编程处理器、至少一个输入设备、和至少一个输出设备,所述可编程处理器可以是专用或通用的处理器,其被耦合以从存储系统接收数据和指令以及向存储系统传送数据和指令。
这些计算机程序(也称为程序、软件、软件应用或代码)包括用于可编程处理器的机器指令,并且可以以高级程序和/或面向对象编程语言和/或以汇编/机器语言来实现。如本文所使用的,术语“机器可读介质”、“计算机可读介质”指代任何计算机程序产品、装置和/或设备(例如,磁盘、光盘、存储器、可编程逻辑器件(PLD)),其用于向可编程处理器提供机器指令和/或数据,其包括接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指代用于向可编程处理器提供机器指令和/或数据的任何信号。
为了提供与用户的交互,这里描述的系统和技术可以在计算机上实现,该计算机具有用于显示信息给用户的显示设备(例如,CRT(阴极射线管)或LCD(液晶显示器)监视器)以及用户可以通过其向计算机提供输入的键盘和指示设备(例如,鼠标或轨迹球)的。也可以使用其他类型的设备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官反馈(例如,视觉反馈、听觉反馈、或触觉反馈);并且可以以任何形式接收来自用户的输入,包括声音,语音、或触觉输入。
这里描述的系统和技术可以实现在计算系统中,该计算系统包括后端组件(诸如作为数据服务器),或者包括中间件组件(诸如应用服务器),或者包括前端组件(诸如具有图形用户界面或Web浏览器的客户端计算机,用户可以通过图形用户界面或Web浏览器来与在此所述的系统和技术的实现交互),或者包括一个或多个这样的后端组件、中间件组件、或前端组件的任何组合。系统的组件可以通过任何形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”)、广域网(“WAN”)、对等网络(例如,具有点对点或静态构件)、网格计算基础结构和互联网。
计算系统可以包括客户端和服务器。客户端和服务器通常彼此远离并且通常通过通信网络交互。客户端和服务器的关系借助于在相应计算机上运行并且彼此具有客户端-服务器关系的计算机程序而产生。
虽然上面已经详细描述了一些实施方式,但是其他修改是可能的。此外,可以使用用于内容递送加速的其他机制。此外,附图中描绘的逻辑流程不需要所示的特定顺序或依序的顺序来实现期望的结果。可以从所描述的流程提供其他步骤或者可以消除步骤,并且可以将其他组件添加到所描述的系统中或从所描述的系统中去除。因此,其它实施方式在所附权利要求书的范围内。
Claims (35)
1.一种数字内容加速系统,包括:
有键数据库,用于存储有键数据;
数据检索引擎,所述数据检索引擎响应于接收到有键数据项而检索以下中的一个:i)搜索数据,所述搜索数据指示与所述有键数据项相关联的搜索历史,ii)web历史数据,所述web历史数据指示由与所述有键数据项相关联的终端设备访问的一个或多个web页面,或iii)i)和ii)两者;
解析引擎,所述解析引擎从所述搜索数据和所述web历史数据中提取一个或多个属性,所述一个或多个属性表征所述搜索数据和所述web历史数据;
终端设备网络访问引擎,所述终端设备网络访问引擎基于所述一个或多个属性来生成地理位置的概率分布,所述概率分布中的概率指示与所述有键数据项相关联的一个或多个终端设备请求与关联于该概率的地理位置相关联的数字内容的可能性;
内容选择引擎,所述内容选择引擎从数字内容提供者检索与所述地理位置中的特定地理位置相关联的数字内容,所述特定地理位置与相对于与其他地理位置相关联的其他概率更大的概率相关联;以及
数字内容组装器引擎,所述数字内容组装器引擎预先组装与所述特定地理位置相关联的所述数字内容,以用于发送到与所述有键数据项相关联的所述终端设备,使得在所述系统响应于提供所述数字内容以用于在所述终端设备上显示所述数字内容的请求而进行接收之前、所述数字内容被组装以供渲染。
2.根据权利要求1所述的数字内容加速系统,其中,所述有键数据包括所述终端设备的用户的搜索历史和/或浏览历史。
3.根据权利要求1所述的数字内容加速系统,其中,所述系统被配置为在所述终端设备在线的时间段期间并且在从所述终端设备发送对所述数字内容的请求之前,向所述终端设备发送所预先组装的数字内容,使得在用户随后在所述终端设备离线的时间段期间发出对所述数字内容的请求的事件下,所述终端设备的所述用户能够获得所述数字内容。
4.根据权利要求1所述的数字内容加速系统,其中,生成所述概率分布包括:
将所述一个或多个属性聚集到一个或多个主题群集中,所述一个或多个主题群集均指示预定主题列表中的主题;
使用经训练模型将所述一个或多个主题群集变换成指示与用户相关联的一个或多个地理位置的位置数据;以及
基于所述变换,生成所述用户将到访所述一个或多个地理位置中的每个地理位置的概率。
5.根据权利要求4所述的数字内容加速系统,其中,所述变换包括执行一个或多个机器学习算法。
6.根据权利要求1所述的数字内容加速系统,其中,所述解析引擎提取与用户相关联的人口统计数据,并且其中,所述一个或多个属性进一步表征所述人口统计数据。
7.根据权利要求1所述的数字内容加速系统,其中,所述搜索数据和所述web历史数据均与定时数据相关联,并且其中,所述终端设备网络访问引擎基于所述定时数据来生成所述概率分布。
8.根据权利要求1所述的数字内容加速系统,其中,所述数据检索引擎获取指示用户所到访的一个或多个地理位置的地理位置历史数据,并且其中,所述一个或多个属性进一步表征所述地理位置历史数据。
9.根据权利要求1所述的数字内容加速系统,其中,所述一个或多个属性包括关键字和关键短语中的一个或多个。
10.根据权利要求1所述的数字内容加速系统,其中,所述解析引擎基于矩阵分解或低秩近似来提取所述一个或多个属性。
11.根据权利要求1所述的数字内容加速系统,其中,所检索的数字内容包括用于放置在虚拟地理地图上的品牌图钉,所述品牌图钉表示与所述数字内容相关联的所述特定地理位置。
12.根据权利要求1所述的数字内容加速系统,其中,所述数字内容包括位于与所述数字内容相关联的所述特定地理位置处的实体的内容项。
13.一种方法,包括:
将有键数据存储在有键数据库中;
由数据检索引擎响应于接收到有键数据项而检索以下中的一个:i)搜索数据,所述搜索数据指示与所述有键数据项相关联的搜索历史,ii)web历史数据,所述web历史数据指示由与所述有键数据项相关联的终端设备访问的一个或多个web页面,或iii)i)和ii)两者;
由解析引擎从所述搜索数据和所述web历史数据中提取一个或多个属性,所述一个或多个属性表征所述搜索数据和所述web历史数据;
由终端设备网络访问引擎基于所述一个或多个属性来生成地理位置的概率分布,所述概率分布中的概率指示与所述有键数据项相关联的一个或多个终端设备请求与关联于该概率的地理位置相关联的数字内容的可能性;
由内容选择引擎从数字内容提供者检索与所述地理位置中的特定地理位置相关联的数字内容,所述特定地理位置与相对于与其他地理位置相关联的其他概率更大的概率相关联;以及
由数字内容组装器引擎预先组装与所述特定地理位置相关联的数字内容,以用于发送到与所述有键数据项相关联的所述终端设备,使得在系统响应于提供所述数字内容以用于在所述终端设备上显示所述数字内容的请求而进行接收之前、所述数字内容被组装以供渲染。
14.根据权利要求13所述的方法,其中,所述有键数据包括所述终端设备的用户的搜索历史和/或浏览历史。
15.根据权利要求13所述的方法,其中,所述系统被配置为在所述终端设备在线的时间段期间并且在从所述终端设备发送对所述数字内容的请求之前,向所述终端设备发送所预先组装的数字内容,使得在用户随后在所述终端设备离线的时间段期间发出对所述数字内容的请求的事件下,所述终端设备的所述用户能够获得所述数字内容。
16.根据权利要求13所述的方法,其中,生成所述概率分布包括:
将所述一个或多个属性聚集到一个或多个主题群集中,所述一个或多个主题群集均指示预定主题列表中的主题;
使用经训练模型将所述一个或多个主题群集变换成指示与用户相关联的一个或多个地理位置的位置数据;以及
基于所述变换,生成所述用户将到访所述一个或多个地理位置中的每个地理位置的概率。
17.根据权利要求16所述的方法,其中,所述变换包括执行一个或多个机器学习算法。
18.根据权利要求13所述的方法,其中,所述解析引擎提取与用户相关联的人口统计数据,并且其中,所述一个或多个属性进一步表征所述人口统计数据。
19.根据权利要求13所述的方法,其中,所述搜索数据和所述web历史数据均与定时数据相关联,并且其中,所述终端设备网络访问引擎基于所述定时数据来生成所述概率分布。
20.根据权利要求13所述的方法,其中,所述数据检索引擎获取指示用户到访的一个或多个地理位置的地理位置历史数据,并且其中,所述一个或多个属性进一步表征所述地理位置历史数据。
21.根据权利要求13所述的方法,其中,所述一个或多个属性包括关键字和关键短语中的一个或多个。
22.根据权利要求13所述的方法,其中,所述解析引擎基于矩阵分解或低秩近似来提取所述一个或多个属性。
23.根据权利要求13所述的方法,其中,所检索的数字内容包括用于放置在虚拟地理地图上的品牌图钉,所述品牌图钉表示与所述数字内容相关联的所述特定地理位置。
24.根据权利要求13所述的方法,其中,所述数字内容包括位于与所述数字内容相关联的所述特定地理位置处的实体的内容项。
25.一种与数字内容加速系统进行通信以用于执行操作的非暂时性计算机可读介质,所述操作包括:
将有键数据存储在有键数据库中;
由数据检索引擎响应于接收到有键数据项而检索以下中的一个:i)搜索数据,所述搜索数据指示与所述有键数据项相关联的搜索历史,ii)web历史数据,所述web历史数据指示由与所述有键数据项相关联的终端设备访问的一个或多个web页面,或iii)i)和ii)两者;
由解析引擎从所述搜索数据和所述web历史数据中提取一个或多个属性,所述一个或多个属性表征所述搜索数据和所述web历史数据;
由终端设备网络访问引擎基于所述一个或多个属性来生成地理位置的概率分布,所述概率分布中的概率指示与所述有键数据项相关联的一个或多个终端设备请求与关联于该概率的地理位置相关联的数字内容的可能性;
由内容选择引擎从数字内容提供者检索与所述地理位置中的特定地理位置相关联的数字内容,所述特定地理位置与相对于与其他地理位置相关联的其他概率更大的概率相关联;以及
由数字内容组装器引擎预先组装与所述特定地理位置相关联的数字内容,以用于发送到与所述有键数据项相关联的所述终端设备,使得在所述系统响应于提供所述数字内容以用于在所述终端设备上显示所述数字内容的请求而进行接收之前、所述数字内容被组装以供渲染。
26.根据权利要求25所述的非暂时性计算机可读介质,其中,所述有键数据包括所述终端设备的用户的搜索历史和/或浏览历史。
27.根据权利要求25所述的非暂时性计算机可读介质,其中,所述内容加速系统被配置为在所述终端设备在线的时间段期间并且在从所述终端设备发送对所述数字内容的请求之前,向所述终端设备发送所预先组装的数字内容,使得在用户随后在所述终端设备离线的时间段期间发出对所述数字内容的请求的事件下,所述终端设备的所述用户能够获得所述数字内容。
28.根据权利要求25所述的非暂时性计算机可读介质,其中,生成所述概率分布包括:
将所述一个或多个属性聚集到一个或多个主题群集中,所述一个或多个主题群集均指示预定的主题列表中的主题;
使用经训练模型将所述一个或多个主题群集变换成指示与用户相关联的一个或多个地理位置的位置数据;以及
基于所述变换,生成所述用户将到访所述一个或多个地理位置中的每个地理位置的概率。
29.根据权利要求28所述的非暂时性计算机可读介质,其中,所述变换包括执行一个或多个机器学习算法。
30.根据权利要求25所述的非暂时性计算机可读介质,其中,所述解析引擎提取与用户相关联的人口统计数据,并且其中,所述一个或多个属性进一步表征所述人口统计数据。
31.根据权利要求25所述的非暂时性计算机可读介质,其中,所述搜索数据和所述web历史数据均与定时数据相关联,并且其中,所述终端设备网络访问引擎基于所述定时数据来生成所述概率分布。
32.根据权利要求25所述的非暂时性计算机可读介质,其中,所述数据检索引擎获取指示用户到访的一个或多个地理位置的地理位置历史数据,并且其中,所述一个或多个属性进一步表征所述地理位置历史数据。
33.根据权利要求25所述的非暂时性计算机可读介质,其中,所述一个或多个属性包括关键字和关键短语中的一个或多个。
34.根据权利要求25所述的非暂时性计算机可读介质,其中,所述解析引擎基于矩阵分解或低秩近似来提取所述一个或多个属性。
35.根据权利要求25所述的非暂时性计算机可读介质,其中,所检索的数字内容包括用于放置在虚拟地理地图上的品牌图钉,所述品牌图钉表示与所述数字内容相关联的所述特定地理位置。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662426907P | 2016-11-28 | 2016-11-28 | |
US62/426,907 | 2016-11-28 | ||
US15/378,135 | 2016-12-14 | ||
US15/378,135 US10650071B2 (en) | 2016-11-28 | 2016-12-14 | Search and retrieval of keyed data maintained using a keyed database |
PCT/US2016/066958 WO2018097845A1 (en) | 2016-11-28 | 2016-12-15 | Search and retrieval of keyed data maintained using a keyed database |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108377656A CN108377656A (zh) | 2018-08-07 |
CN108377656B true CN108377656B (zh) | 2021-11-05 |
Family
ID=62190889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680004070.1A Active CN108377656B (zh) | 2016-11-28 | 2016-12-15 | 使用有键数据库维护的有键数据的搜索和检索 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10650071B2 (zh) |
EP (1) | EP3542281A1 (zh) |
JP (1) | JP7017568B2 (zh) |
KR (1) | KR102285879B1 (zh) |
CN (1) | CN108377656B (zh) |
WO (1) | WO2018097845A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11023284B2 (en) * | 2015-10-28 | 2021-06-01 | Qomplx, Inc. | System and method for optimization and load balancing of computer clusters |
WO2018176000A1 (en) | 2017-03-23 | 2018-09-27 | DeepScale, Inc. | Data synthesis for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
AU2019357615B2 (en) | 2018-10-11 | 2023-09-14 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
US11263665B2 (en) | 2019-12-19 | 2022-03-01 | Broadsign Serv Inc. | Method and digital signage server for managing placement of a digital signage content based on metric thresholds |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001022777A (ja) * | 1999-07-09 | 2001-01-26 | Hitachi Ltd | データ分析方法 |
CN104239440A (zh) * | 2014-09-01 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 搜索结果的展现方法和装置 |
Family Cites Families (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002024695A (ja) * | 2000-07-11 | 2002-01-25 | Kyocera Communication Systems Co Ltd | 広告提供装置、広告提供システム及び広告提供方法 |
KR100726567B1 (ko) * | 2000-08-21 | 2007-06-11 | 주식회사 케이티 | 위치정보와 지리정보에 기반한 정보 서비스 제공 방법 |
US6868396B2 (en) * | 2000-12-29 | 2005-03-15 | Nortel Networks Limited | Method and apparatus for monitoring internet based sales transactions by local vendors |
US20040073482A1 (en) * | 2002-10-15 | 2004-04-15 | Wiggins Randall T. | Targeted information content delivery using a combination of environmental and demographic information |
US7630828B2 (en) | 2006-04-14 | 2009-12-08 | Panasonic Corporation | Destination prediction device and destination prediction method |
US7958081B2 (en) * | 2006-09-28 | 2011-06-07 | Jagtag, Inc. | Apparatuses, methods and systems for information querying and serving on mobile devices based on ambient conditions |
JP2008097545A (ja) * | 2006-10-16 | 2008-04-24 | Cirius Technologies Inc | 広告情報提供方法、広告情報提供システム及び広告情報提供プログラム |
US7966321B2 (en) * | 2007-01-17 | 2011-06-21 | Google Inc. | Presentation of local results |
US20090164408A1 (en) * | 2007-12-21 | 2009-06-25 | Ilya Grigorik | Method, System and Computer Program for Managing Delivery of Online Content |
US8555324B2 (en) * | 2010-02-02 | 2013-10-08 | Microsoft Corporation | Video download mechanism for transferring large data |
US9134137B2 (en) * | 2010-12-17 | 2015-09-15 | Microsoft Technology Licensing, Llc | Mobile search based on predicted location |
US8788328B1 (en) * | 2011-08-31 | 2014-07-22 | Adobe Systems Incorporated | Location affinity based content delivery systems and methods |
US8239266B1 (en) * | 2011-11-29 | 2012-08-07 | Google Inc. | Targeting based on intent or presence |
US8996712B2 (en) * | 2012-01-17 | 2015-03-31 | Wideorbit Inc. | Systems, methods and articles to provide content in networked environment |
US9582603B1 (en) * | 2012-02-27 | 2017-02-28 | Amazon Technologies, Inc. | Managing preloading of data on client systems |
US8972318B2 (en) | 2012-05-31 | 2015-03-03 | Qualcomm Incorporated | Predicting user behavior using feedback on previously run predictive searches |
CN104520881B (zh) | 2012-06-22 | 2017-12-19 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
US20140222570A1 (en) * | 2012-11-17 | 2014-08-07 | Teoco Corporation | System, Method, and Computer Program Product For Probabilistically Derived Predictive Location Based Targeted Promotion |
US9727618B2 (en) * | 2012-12-21 | 2017-08-08 | Highspot, Inc. | Interest graph-powered feed |
US8886769B2 (en) * | 2013-01-18 | 2014-11-11 | Limelight Networks, Inc. | Selective content pre-warming in content delivery networks based on user actions and content categorizations |
US20140229279A1 (en) * | 2013-02-14 | 2014-08-14 | Navteq B.V. | Providing advertising content based on a map report |
US20150134432A1 (en) * | 2013-11-12 | 2015-05-14 | Robert Lewis | Method and system for communicating with a mobile communication device at a host location |
US9084082B2 (en) * | 2013-11-18 | 2015-07-14 | Aol Inc. | Systems and methods for optimizing message notification timing based on geographic location |
JP2016018286A (ja) * | 2014-07-07 | 2016-02-01 | 日本電信電話株式会社 | 行動タイプ判定装置、行動タイプ判定方法及び行動タイプ判定プログラム |
KR101486506B1 (ko) * | 2014-07-16 | 2015-01-26 | 주식회사 엠투브 | 위치 기반 멀티미디어 콘텐츠 생성 장치 및 그 방법 |
EP3213222B1 (en) * | 2014-10-27 | 2021-03-24 | Level 3 Communications, LLC | Content delivery systems and methods |
US20160134711A1 (en) * | 2014-11-11 | 2016-05-12 | geoXMF, LLC | Geography-Based Intercommunication Content Delivery System |
US9984310B2 (en) * | 2015-01-23 | 2018-05-29 | Highspot, Inc. | Systems and methods for identifying semantically and visually related content |
US10504034B2 (en) * | 2015-01-27 | 2019-12-10 | Huawei Technologies Co., Ltd. | Systems, devices and methods for distributed content interest prediction and content discovery |
US20160267496A1 (en) * | 2015-03-10 | 2016-09-15 | Microsoft Technology Licensing, Llc | Providing dynamically configured offerings for targeted marketplace stores |
US9775003B2 (en) * | 2015-06-08 | 2017-09-26 | CUSEUM, Inc. | Location and activity aware media content delivery system |
US9854290B2 (en) * | 2015-11-30 | 2017-12-26 | International Business Machines Corporation | System and method for data-driven ad-insertion in online video streams |
-
2016
- 2016-12-14 US US15/378,135 patent/US10650071B2/en active Active
- 2016-12-15 KR KR1020197018035A patent/KR102285879B1/ko active IP Right Grant
- 2016-12-15 CN CN201680004070.1A patent/CN108377656B/zh active Active
- 2016-12-15 JP JP2019528533A patent/JP7017568B2/ja active Active
- 2016-12-15 EP EP16823117.3A patent/EP3542281A1/en not_active Withdrawn
- 2016-12-15 WO PCT/US2016/066958 patent/WO2018097845A1/en unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001022777A (ja) * | 1999-07-09 | 2001-01-26 | Hitachi Ltd | データ分析方法 |
CN104239440A (zh) * | 2014-09-01 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 搜索结果的展现方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108377656A (zh) | 2018-08-07 |
US20180150565A1 (en) | 2018-05-31 |
JP2019536172A (ja) | 2019-12-12 |
JP7017568B2 (ja) | 2022-02-08 |
US10650071B2 (en) | 2020-05-12 |
KR102285879B1 (ko) | 2021-08-05 |
KR20190086740A (ko) | 2019-07-23 |
WO2018097845A1 (en) | 2018-05-31 |
EP3542281A1 (en) | 2019-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108377656B (zh) | 使用有键数据库维护的有键数据的搜索和检索 | |
US10885076B2 (en) | Computerized system and method for search query auto-completion | |
US10931785B2 (en) | Content delivery acceleration system | |
US8417683B2 (en) | System and method for presenting geolocated relevance-based content | |
US8725849B1 (en) | Browser cache pre-population | |
RU2580516C2 (ru) | Способ формирования персонализированной модели ранжирования, способ формирования модели ранжирования, электронное устройство и сервер | |
US20190080019A1 (en) | Predicting Non-Observable Parameters for Digital Components | |
US10102482B2 (en) | Factorized models | |
US10445753B1 (en) | Determining popular and trending content characteristics | |
CN103339623A (zh) | 涉及因特网搜索的方法和设备 | |
US20170193037A1 (en) | Computerized System And Method For Augmenting Search Terms For Increased Efficiency And Effectiveness In Identifying Content | |
US10341457B2 (en) | Caching system | |
WO2020226615A1 (en) | Triggering local extensions based on inferred intent | |
US9519683B1 (en) | Inferring social affinity based on interactions with search results | |
KR101993435B1 (ko) | 키드 데이터베이스를 사용하여 유지되는 키드 데이터의 탐색 및 검색 | |
US8909631B1 (en) | Creating targeting information for a user | |
US10142429B2 (en) | Web presence management system | |
WO2011116381A1 (en) | Rapid navigation system for mobile devices |
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 |