CN110741367B - 用于实时交互式推荐的方法和装置 - Google Patents
用于实时交互式推荐的方法和装置 Download PDFInfo
- Publication number
- CN110741367B CN110741367B CN201780091960.5A CN201780091960A CN110741367B CN 110741367 B CN110741367 B CN 110741367B CN 201780091960 A CN201780091960 A CN 201780091960A CN 110741367 B CN110741367 B CN 110741367B
- Authority
- CN
- China
- Prior art keywords
- information
- user
- information content
- content
- item
- 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
- G06F16/9535—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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- 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)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
提供了一种交互式推荐系统。该系统包括信息生成模块,该信息生成模块被配置为:提供用于在信息接口中输出的一组信息内容,其中,该组信息内容中的每一个与信息项相关联;接收对该组信息内容中的表示用户对信息项感兴趣或不感兴趣的一个信息内容的选择;基于与用户的包括来自该组信息内容的多个选择的先前活动相关的模型和历史数据,确定要包括在针对用户的推荐信息中的一个或更多个信息项;提供用于在推荐信息接口中输出的推荐信息;并且基于历史数据,更新用于在信息接口中输出的该组信息内容。
Description
技术领域
本公开总体上涉及计算机软件领域,更具体地,涉及用于实时交互式推荐的方法和装置。
背景技术
推荐系统可以预测用户的兴趣,并向用户提供反映用户兴趣的推荐信息。该信息通常由远程服务器生成并提供给用户设备,然后用户设备通过软件接口(例如,显示接口、音频接口等)将接收到的信息输出给用户。可以基于诸如可以反映用户的兴趣的特定软件应用的使用历史这样的用户行为历史来生成推荐信息的内容。例如,社交网络应用可以基于例如用户通过社交网络应用与具有与候选者类似的简档的其他人联网的历史来生成用于向用户推荐联网的候选者的信息。
尽管用户行为历史有时可以提供用户在很长一段时间内的兴趣的准确指示,但是用户行为历史是累积的,并且通常不适合于及时跟踪用户兴趣的变化。结果,在用户行为历史累积足够数量的数据以表明用户兴趣的变化,以便使推荐系统更新推荐给用户的信息之前可能花费很长时间。结果,推荐系统可以提供用户不想要的信息。所有这些都可能导致网络和计算资源的浪费以及糟糕的用户体验。
发明内容
本公开的实施例提供了一种交互式推荐系统。该系统包括信息生成模块,所述信息生成模块被配置为:提供用于在信息接口中输出的一组信息内容,其中,该组信息内容中的每一个与信息项相关联;接收对该组信息内容中的表示用户对信息项感兴趣或不感兴趣的一个信息内容的选择;基于与用户的包括来自该组信息内容的多个选择的先前活动相关的模型和历史数据,确定要包括在针对用户的推荐信息中的一个或更多个信息项;提供用于在推荐信息接口中输出的推荐信息;并且基于历史数据,更新用于在信息接口中输出的该组信息内容。
本公开的实施例还提供了一种用于生成推荐信息的方法,所述方法包括:提供用于在信息接口中输出的一组信息内容,其中,该组信息内容中的每一个与信息项相关联;接收对该组信息内容中的表示用户对信息项感兴趣或不感兴趣的一个信息内容的选择;基于与用户的包括来自该组信息内容的多个选择的先前活动相关的模型和历史数据,确定要包括在针对用户的推荐信息中的一个或更多个信息项;在推荐信息接口中提供推荐信息;基于历史数据,更新用于在信息接口中输出的该组信息内容。
本公开的实施例还提供了一种非暂时性计算机可读介质,所述非暂时性计算机可读介质可由提供交互式推荐的设备的一个或更多个处理器执行,所述方法包括:提供用于在信息接口中输出的一组信息内容,其中,该组信息内容中的每一个与信息项相关联;从用户接收对该组信息内容中的表示用户对信息项感兴趣或不感兴趣的一个信息内容的选择;基于与用户的包括来自该组信息内容的多个选择的先前活动相关的模型和历史数据,确定要包括在针对用户的推荐信息中的一个或更多个信息项;在推荐信息接口中提供推荐信息;并且基于历史数据,更新用于在信息接口中输出的该组信息内容。
所公开的实施例的其他目的和优点将部分地在以下描述中阐述,并且部分地将从描述中显而易见,或者可以通过实施例的实践来习得。所公开的实施例的目的和优点可以通过权利要求中阐述的元件和组合来实现和获得。
应当理解,前面的一般性描述和下面的详细描述都只是示例性和说明性的,并不是对要求保护的所公开的实施例的限制。
附图说明
图1A至图1C是示出与本公开的实施例一致的示例性交互式推荐系统的框图。
图2A至图2D是示出图1A和图1B的示例性系统的组件的框图。
图3是示出了与本公开的实施例一致的生成推送通知的示例性方法的流程图。
图4是示出可以实现本文描述的实施例的示例性计算机系统的框图。
具体实施例
现在将详细参考示例性实施例,其示例在附图中示出。以下描述参考附图,在附图中,除非另有说明,否则不同附图中的相同数字表示相同或相似的元件。在示例性实施例的以下描述中阐述的实施例不代表与本发明一致的所有实施例。相反,它们仅仅是与所附的权利要求中所述的与本发明相关的方面一致的装置和方法的示例。
本公开的实施例提供了一种实时交互式推荐系统。推荐系统可以输出要由用户选择的一组信息内容。信息内容被配置为在被选择时,提供用户对信息项感兴趣或不感兴趣的指示。根据用户对信息项感兴趣的预测可能性对信息内容进行排序,并以反映排名的顺序输出。响应于检测到对信息内容的选择,推荐系统可以在推荐信息中包括与所选择的信息内容相关联的信息项。
本公开的实施例还使用机器学习算法来预测用户对信息项感兴趣的可能性。机器学习算法可以处理与信息项相关联的一组特征,以预测用户对信息项感兴趣的可能性。还可以基于用户的包括信息内容和与信息项有关的推荐信息的先前选择的先前活动的历史来训练机器学习算法,以提高预测的准确性。
利用本公开的实施例,推荐系统可以以更有效的方式跟踪用户的兴趣的变化,并且可以在提供推荐信息时提供更可能与用户的兴趣一致的推荐信息。结果,可以改善网络资源的利用以及用户体验。
根据一些实施例,本文描述的操作、技术和/或组件可以由电子设备实现,该电子设备可以包括一个或更多个专用计算设备。专用计算设备可以是硬连线的,以执行本文描述的操作、技术和/或组件,或者可以包括数字电子设备(诸如可以被持久地编程以执行本文描述的操作、技术和/或组件的一个或更多个专用集成电路(ASIC)或现场可编程门阵列(FPGA)),或者可以包括被编程以根据固件、存储器、其他存储器或者组合中的程序指令来执行本公开的这些特征的一个或更多个硬件处理器。这种专用计算设备还可以将定制的硬连线逻辑、ASIC或FPGA与定制编程相结合,以实现本公开的技术和其他特征。专用计算设备可以是台式计算机系统、便携式计算机系统、手持设备、网络设备或包含硬连线和/或程序逻辑的任何其他设备,以实现本公开的技术和其他特征。
一个或更多个专用计算设备通常可以由操作系统软件(诸如iOS、Android、Blackberry、Chrome OS、Windows XP、Windows Vista、Windows7、Windows 8、WindowsServer、Windows CE、Unix、Linux、SunOS、Solaris、VxWorks或其他兼容的操作系统)控制和协调。在其他实施例中,计算设备可以由专有操作系统控制。操作系统控制并调度用于执行的计算机进程,执行存储器管理,提供文件系统、联网、I/O服务,并且提供用户界面功能(诸如图形用户界面(“GUI”))等。
现在参照图1A,其示出了用于实时交互式推荐的示例性系统100。系统100可以包括形成基于云的数据处理平台的一部分的一个或更多个计算机服务器。系统100可以与操作门户104的用户设备102通信,并且基于通信来生成用于在门户104处输出的推荐信息。门户104可以是在用户设备102上操作的移动应用的一部分。在一些实施例中,门户104可以是应用、窗口、微件、浏览器插件或在计算机(诸如如移动设备、膝上型计算机、台式计算机、网络计算机、计算机系统的终端或者汽车的控制面板)上运行的应用插件。
如图1A所示,门户104可以包括推荐信息接口106、信息接口108和输入接口110。推荐信息接口106可以被配置为显示推荐信息。信息接口108可以被配置为显示用户的一组信息内容。每个信息内容可以被配置为,当由用户选择时,提供用户对信息项(例如,对象、主题、文档、链接等)感兴趣或不感兴趣的指示。信息接口108还可以包括触摸界面,用于检测对该组信息内容中的一个的选择(例如,通过手势等),并且生成用户对信息项感兴趣或不感兴趣的指示。此外,输入接口110可以被配置为接收用户向搜索引擎的输入搜索查询(例如,以文本、音频等的形式)。输入接口110还可以接受用户对信息接口108中显示的该组信息内容的选择。作为说明性示例,用户可以键入或说出在信息接口108上显示的该组信息内容中的一个,以选择那个信息内容。
门户104可以从用户对信息接口108和输入接口110的输入提取反映用户兴趣的信息。例如,该组信息内容中的每一个可以指示用户对信息项的潜在兴趣(例如,“向我发送最新的股票新闻”)或用户对信息项目的潜在不感兴趣(例如,“不要向我发送任何股票新闻”)。在检测到信息内容的选择“向我发送最新股票新闻”(经由信息接口108或输入接口110之一)之后,门户104可以生成指示103以表示用户有兴趣接收关于最新股票新闻的信息。相反,在检测到信息内容的选择“不要向我发送任何股票新闻”之后,门户104还可以生成指示103以表示用户对任何股票新闻不感兴趣。此外,经由输入接口110接收的搜索查询的主题也可以指示用户的兴趣。门户104还可以将搜索查询作为指示103的一部分提供给系统100。
基于指示103,系统100可以更新在推荐信息接口106中显示的推荐信息,或在信息接口108中显示的该组信息内容,或两者。例如,如图1A所示,在从门户104接收到用户对关于汽车的信息感兴趣的指示(例如,基于对信息内容的选择“向我发送关于汽车的信息”)之后,系统100可以提供与汽车相关的预定信息(例如,到本地汽车经销商的链接)到门户104,以在推荐信息接口106中显示。
在一些实施例中,预定信息(例如,到本地汽车经销商的链接)可以包括基于指示103被确定为用户感兴趣的信息项。可以从一组候选信息项中选择信息项,每个候选信息项可以与可用于估计用户对信息项的兴趣或不感兴趣的一组特征相关联。参照图1A中所示的示例,系统100可以基于与到本地汽车经销商的链接相关联的一组特征来确定用户可能有兴趣访问关于本地汽车经销商的信息。然后,系统100可以提供用于在推荐信息接口106中显示的链接。
在一些实施例中,推荐信息接口106可以被配置为显示包括一个或更多个指示或介绍信息内容的一组信息内容。在检测到对指示或介绍信息内容之一的选择之后,系统100可以执行如上所述的操作。在一些实施例中,在检测到对指示或介绍信息内容之一的选择之后,系统100可以不执行如上所述的操作。在一些实施例中,在检测到对指示或介绍信息内容之一的选择之后,门户104可以如上所述地提取反映用户兴趣的信息。然而,系统100可以如上所述地不更新在推荐信息接口106中显示的推荐信息。
此外,系统100还可以更新信息接口108中显示的该组信息内容,以还基于与该组信息内容相关的信息项来推荐用户可能感兴趣的附加信息。例如,如图1A所示,在接收到信息内容的选择“向我发送关于汽车的信息”之后,系统100可以提供针对与汽车相关的特定主题的不同组的信息内容,例如“向我发送最新的交通新闻”和“发送我至SUV.com”,以供用户选择。系统100还可以更新该组信息内容的显示顺序以变得更符合用户的兴趣。例如,如图1A所示,在特定时间点,基于用户对股票新闻最感兴趣的(然后)指示,在信息接口108的顶部显示信息内容“向我发送最新股票新闻”。在接收到指示103之后,系统100确定用户当前的兴趣是在汽车方面。然后,系统100可以控制信息接口108以在顶部显示与汽车相关的信息内容,而不是信息内容“向我发送最新的股票新闻”。系统100可以向门户104发送包括更新的推荐信息、更新的一组信息内容及其显示位置的输出配置105。门户104然后可以根据输出配置105来更新推荐信息和/或该组信息内容的显示。
在一些实施例中,信息接口108可以被配置为显示包括一个或更多个指示或介绍信息内容的一组信息内容。在检测到对指示或介绍信息内容之一的选择之后,系统100可以执行如上所述的操作。在一些实施例中,在检测到对指示或介绍信息内容之一的选择之后,系统100可以不执行如上所述的操作。在一些实施例中,在检测到对指示或介绍信息之一的选择之后,门户104可以如上所述地提取反映用户兴趣的信息。然而,系统100可以如上所述地不更新在信息接口108中显示的该组信息内容。
如上所述,系统100可以基于与这些信息项相关联的一组特征来确定包括在推荐信息和信息内容中的信息项。该组特征可用于估计用户对该信息项感兴趣或不感兴趣的程度。系统100可以基于与该信息项相关的各种先前的在线活动来确定该组特征。先前的在线活动可以包括例如与该信息项有关的先前搜索查询、包括该信息项的一组先前访问的网页、用户针对该信息项采取的其他活动(例如,在网页上选择产品以获得附加信息、购买产品等)、从与该信息项有关的信息内容中的多个选择、使用门户104访问信息项的历史等。这些在线活动的数据可以在要确定推荐信息(和信息内容)的时间点之前的预定时段(例如,七天)内被收集。
系统100可以基于要为其提供推荐信息(和信息内容)的用户的先前在线活动和其他用户的先前在线活动的组合来确定特征组。基于该组特征,系统100可以确定表示用户将对该信息项感兴趣的可能性的信息项的分数。基于所述分数,系统100可以确定用户可能感兴趣的一组信息项,并且将信息项包括在推荐信息中以便在推荐信息接口106中显示。系统100还可以基于与该组信息内容相关的信息项的分数,更新在信息接口108中显示的信息内容。
在一些实施例中,该组特征可以以多维向量的形式呈现,其中,向量的每个维度表示一个特征。每个特征可以与特定的先前在线活动相关联,并且可以由数值表示。可以基于例如信息项在预定时段内在该特定在线活动中出现的次数来确定每个数值。由于对特定信息项感兴趣的用户可能更频繁地参与与该信息项相关的特定在线活动(例如,输入与该信息项有关的搜索查询、访问包括该信息项的网页等),因此数值可以反映用户对该信息项的兴趣程度(或用户感兴趣的可能性)。此外,该组特征还与各种不同的在线活动相关联,并且还可以提供用户对各种上下文中的特定信息项的兴趣的相对客观的估计。
在一些实施例中,系统100可以为该组特征中的每一个指配不同的权重以用于分数确定,以进一步提高估计的准确性。不同的权重可以基于不同的用户习惯和偏好以及用户兴趣的变化来解释用户兴趣的不同表现。例如,用户可能更喜欢使用搜索引擎来搜索信息,并且用户的先前在线活动的历史可以由搜索活动支配。结果,系统100可以向表示用户的先前搜索查询的特征指配较大的权重,使得与其他活动相比,用户的先前搜索查询可以对用户兴趣估计施加更大的影响。
作为另一示例,另一用户可能更喜欢使用信息接口108中的信息内容来获得新信息。先前在线活动的历史可以指示该用户经常选择由信息接口108提供的特定信息项(例如,在图1A中所示的“向我发送一些关于汽车的信息”)相关的信息内容,然后访问推荐信息接口106中的另一个信息项(例如,与汽车经销商相关的链接),系统100提供所述信息项作为用户选择信息内容的结果。基于该历史,系统100可以向表示用户先前使用门户104的特征指配更大的权重,以反映用户更可能选择特定信息内容,然后响应于所述选择而访问由门户104提供的特定信息项。利用这种布置,当确定要在接口106和108中提供的信息项时,系统100可以被引导以在检测到特定信息内容的选择之后优先显示特定信息内容和推荐信息中的特定信息项集合。
作为另一示例,在从用户接收到相反指示之后,系统100还可以基于先前的在线活动来否决用户的兴趣的确定。这样的相反指示可以基于例如用户对信息接口108中的特定信息内容的最近选择。例如,基于先前在线活动的历史,系统100可以确定用户可能是对股票新闻感兴趣。然而,系统100可以接收最近选择的信息内容,该信息内容表明用户对股票新闻不感兴趣(例如,图1A中选择“不要向我发送任何股票新闻”)。作为另一个示例,系统100可以接收最近选择的信息内容,该信息内容表明用户对汽车的兴趣(例如,选择“向我发送关于汽车的信息”)。在两种情况下,系统100可以否决用户兴趣的确定,从接口106和108移除与股票新闻有关的信息内容和推荐信息,并代替地输出与其他信息项有关的信息内容和/或推荐信息。在一些实施例中,在检测到信息内容的选择之后,系统100还可以向与信息内容的选择相关联的信息项的特征指配相对大的权重,以增加该特征对于用户对所述信息项的兴趣的确定的影响程度。
在一些实施例中,系统100可以采用机器学习模型(其可以包括线性回归模型、深度神经网络模型等),以确定与该组特征中的每一个相关联的权重。机器学习模型可以接收表示信息项的一组特征的多维向量。基于多维向量的数值以及与每个数值(其表示特征)相关联的权重,机器学习模型可以确定表示用户对该信息项感兴趣的可能性的分数。然后,系统100可以对用户对一组候选信息项感兴趣的可能性进行排序,并基于该排名确定哪个信息项要包括在推荐信息和该组信息内容中。
可以在由训练模块执行的训练过程中确定或更新权重。训练过程可以基于一组用户的先前活动的历史,其目的是确定一组权重,当应用于信息项的一组特征时,可以提供最准确地反映一组用户对信息项的兴趣的分数。训练过程可以从一组用户的先前活动的历史开始,然后转移到要为其提供推荐信息和/或该组信息内容的特定用户的先前活动的历史。
对于不同类型的机器学习模型,训练过程可以变化。例如,在线性回归模型的情况下,可以基于多维向量的数值的加权平均来确定分数。训练模块还可以基于表示用户对特定信息项的先前访问的数据样本,确定用户对该信息项的兴趣的分布,如先前活动所展示的(例如,用户在访问信息项目时的决定的分布)。然后,训练模块可以确定权重,当被应用于该组特征时,所述权重生成符合该分布的一组分数。所述符合可以指示所确定的分数准确地预测用户对信息项的兴趣的可能性,这在访问信息项的历史中是明显的。在一些实施例中,训练模块可以应用最小二乘回归算法来执行权重确定的拟合。
作为另一示例,在使用深度神经网络模型的情况下,深度网络模型可以被配置为生成反映用户将访问包括推荐信息的信息项或者用户将选择与信息项有关的信息内容的概率的输出值。例如,深度神经网络模型可以包括存储权重集的隐藏层以及基于输入到该模型的一组特征和权重集来生成分数的输出层。还可以基于信息项的一组特征和用户的信息项的访问历史来训练深度神经网络模型,以生成权重集。例如,对于信息项的特征和相关值的组合,可以训练深度神经网络以使输出准确地预测用户对信息项的访问的分数的概率最大化。在一些实施例中,训练模块可以接收或确定概率的目标分布,并且采用随机梯度下降算法来更新权重,使得模型输出的归一化概率分布可以符合目标分布。
返回参照图1A,基于从机器学习模型确定的分数,系统100可以预测用户对一组候选信息项的兴趣程度,并且可以更新推荐信息中(在推荐信息接口106中)以及在该组信息内容中(在信息接口108中)的这些信息项的显示。例如,如上所述,系统100可以基于分数对信息项进行排名,并且经由输出配置105,控制推荐信息接口106在信息接口108的顶部显示排名首位的信息项。此外,系统100还可以控制信息接口108以在第三界面的顶部显示排名首位的信息内容,以引起用户的注意。
根据本公开的实施例,存在信息接口108的其他配置。例如,参照图1B,信息接口108可以提供滚动效果,其中该组信息内容被显示为沿着门户104的预定方向(例如,从右到左)滚动。排名首位的信息内容,其后是右边的其他信息内容,可以在最左边显示预定的时间量(例如,10秒),然后在信息接口108的左边缘滚动并消失。此外,参照图1C,信息接口108也可以是音频接口。在系统100的控制下,经由输出配置105,信息接口108可以按照信息内容的排名的顺序以音频形式播放该组信息内容。用户还可以提供音频指令(例如,通过激活按钮110b)以选择已经播放的信息内容之一。
通过考虑用户关于信息项的活动范围,包括选择表示用户对信息项感兴趣或不感兴趣的一个或更多个信息内容,根据本公开的实施例的推荐系统可以跟踪并响应用户对信息项的兴趣的变化。利用这种布置,系统可以提供更符合用户当前兴趣的推荐信息和信息内容。结果,可以改进推荐系统的效用以及用户体验。
现在参照图2A,其示出了与本公开的实施例一致的系统100的示例性组件。如图2A所示,系统100包括搜索查询数据库112、先前活动数据库114、候选信息项数据库116和候选信息内容数据库118。
搜索查询数据库112可以存储由用户先前提供给搜索引擎的一组搜索查询(例如,经由输入接口110),其可以向系统100提供搜索查询以存储在搜索查询数据库112中。先前活动数据库114可以存储与关于特定信息项的一组先前用户的活动有关的信息。该组活动可以包括例如选择在信息接口108上提供的信息内容(基于指示103获取)、访问网页、浏览包括特定产品的该网页的特定部分、购买产品等。如下面更详细讨论的,这些活动中的每一个都可以对应于信息项的特征。此外,先前活动数据库114还可以将这些活动中的每一个与时间戳相关联,使得可以将这些活动中的每一个的出现次数确定为特征的一部分。
系统100还包括特征生成模块120,其包括提取模块121和映射模块122。系统100还包括训练模块123、用户兴趣预测模块124和信息生成模块126。所述信息生成模块126还包括排名模块128和输出模块130。如下面将更详细讨论的,这些模块可以基于存储在搜索查询数据库112和先前活动数据库114中的信息来估计用户对一组信息项感兴趣的可能性。如果估计的可能性超过阈值,则这些模块可以选择要包括在推荐信息和/或该组信息内容中的信息项,以便在门户104中向该用户输出。
通常,这里使用的词语“模块”可以是被设计用于与其他组件(例如,集成电路的部分)或执行相关功能的特定功能的程序的一部分(存储在计算机可读的计算机上)的封装功能硬件单元。该模块可以具有入口点和出口点,并且可以用编程语言(诸如例如Java、Lua、C或C++)编写。可以编译软件模块并将其链接到安装在动态链接库中的或者用解释的编程语言(诸如例如BASIC、Perl或Python)编写的可执行程序中。应当理解,软件模块可以从其他模块或从它们自身调用,和/或可以响应于检测到的事件或中断而被调用。配置用于在计算设备上执行的软件模块可以在计算机可读介质(诸如光盘、数字视频盘、闪存驱动器、磁盘或任何其他非暂时性介质)上提供,或者作为数字下载(并且可以是最初以压缩或可安装的格式存储,需要在执行之前进行安装、解压缩或解密)。这种软件代码可以部分或全部存储在执行计算设备的存储设备上,以供计算设备执行。软件指令可以嵌入固件(诸如EPROM)中。还应当理解,硬件模块可以包括连接的逻辑单元(诸如门和触发器),和/或可以包括可编程单元(诸如可编程门阵列或处理器)。这里描述的模块或计算设备功能被优选地实现为软件模块,但是可以用硬件或固件表示。通常,这里描述的模块是指逻辑模块,其可以与其他模块组合或者被分成子模块,而不管它们的物理组织或存储。
特征生成模块120可以生成与信息项相关联的一组特征。如上所述,该组特征可用于估计用户对信息项感兴趣的可能性。每个特征可以表示用户关于信息项的特定先前活动。每个特征还可以与数值相关联,该数值表示例如信息项在预定时间段(例如,七天)内在与该特征相关联的特定先前活动的历史日志中出现多少次。
现在参照图2B,其示出了存储信息项(“汽车经销商”)的一组特征的数据结构132的示例。如图2B所示,信息项可以与特征133-138相关联。每个功能都与用户的特定活动相关联。例如,特征133可以对应于特定信息项在通过门户104提供给用户的推荐信息中出现的次数。特征134可以对应于用户选择该信息项的次数(例如,通过点击链接以访问网页、做出购买对象的决定等)。特征135可以对应于用户在搜索查询中包括信息项的次数。特征136可以对应于用户选择表示对信息项的兴趣信息的内容的次数,以获取关于信息项的更多信息。特征137可以对应于用户在选择信息内容之后访问(在推荐信息中提供的)信息项的次数。特征136和137一起可以反映用户在使用门户104(更具体地,推荐信息接口106和信息接口108)访问感兴趣的特定信息项时的偏好。另一方面,特征138可以对应于用户选择在信息项中表示不感兴趣的信息内容的次数。
与特征133-138中的每一个相关联的数值可以反映用户对在特定先前活动中表现的信息项中的兴趣(或不感兴趣)。例如,与特征134-137相关联的较高值可以指示用户已经多次执行对该信息项的活动(例如,搜索),这可以反映用户对该信息项非常感兴趣。相反,与特征138相关联的非零值(其反映用户已经至少一次表明对信息项不感兴趣)可以指示用户对信息项不感兴趣(或不太可能感兴趣)。
此外,如上所述,除了用户对该信息项感兴趣之外,特征133-138中的一些(例如,特征136和137)还可以反映用户使用门户104来获取信息项的习惯。例如,基于与特征136和137相关联的相对大的数字,系统100不仅可以确定用户经常选择与汽车经销商信息项相关的信息内容(经由链路117a,如图2B所示),而且可以确定用户经常跟踪并访问推荐信息中提供的汽车经销商信息项。基于这样的历史信息,系统100可以优先在信息接口108中提供特定信息内容,期望用户可能选择该信息内容,然后访问由于选择该信息内容而提供的推荐信息。作为说明性示例,参照图1A所示,基于门户104的操作历史,系统100可以优先提供信息内容“向我发送关于汽车的信息”,并且在选择信息内容之后提供指向汽车经销商的链接,期望用户可能选择信息内容并且然后访问链接。
返回参照图2A所示,特征生成模块120的提取模块121可以从搜索查询数据库112和先前活动数据库114中提取信息项,并将所提取的信息项提供给映射模块122,以生成如图2B所示的信息项的特征集。例如,从搜索查询数据库112,提取模块121可以提取一组关键字(例如,通过自然语言处理、语义分析等)。提取模块121可以基于例如将该组关键字映射到信息项(图2A中未示出)的映射表来确定与该组关键字相关联的一个或更多个信息项。此外,提取模块121还可以从先前活动数据库114获取用户先前访问过的网页日志,提取网页的信息(例如,作者、标题、元数据等),然后确定与所提取的网页信息相关联的一个或更多个信息项。该确定还可以基于将网页信息映射到信息项的映射表(也未在图2A中示出)。提取模块121还可以从候选信息项数据库116和候选信息内容数据库118中获得感兴趣信息内容和不感兴趣信息内容的选择日志以及推荐信息,并且确定与信息内容相关联或包括在推荐信息中的信息项。
提取模块121还可以获得每个提取的信息项的时间戳。如上所述,先前活动数据库114还可以将这些活动中的每一个与时间戳相关联。提取模块121可以基于从中提取信息项的活动来获得时间戳。然后,提取模块121可以计算在预定时间内发生的从相同数据源提取的信息项的出现次数(例如,关于浏览网页浏览的日志),以将该计数与该活动相关联。然后,提取模块121可以将针对不同提取的信息项的计数以及所提取的信息项的数据源(例如,关于不通过门户104浏览的web的日志、访问推荐信息接口106的日志、在信息接口108中选择信息内容的日志等)提供到映射模块122。
在从提取模块121接收到信息之后,映射模块122可以将提取的数据源映射到特征,并将计数与特征相关联。例如,映射模块122可以将对应于通过门户访问的网页的数据源映射到特征133,并将与特征133相关联的数值设置为从该特定数据源提取的信息项(例如,汽车经销商)的计数。映射模块122还可以用不同信息项的特征值更新数据结构132。然后,特征生成模块120可以生成表示信息项的特征集的多维向量,并将向量提供给用户兴趣预测模块124。
用户兴趣预测模块124可基于表示与信息项相关联的特征集的多维向量来确定表示用户对信息项感兴趣的可能性的分数。用户兴趣预测模块124可以为每个特征(由向量的维度表示)指配不同的权重,以基于不同的用户习惯和偏好以及用户兴趣的变化来考虑用户兴趣的不同表现。用户兴趣预测模块124可以包括机器学习模型(例如,线性回归模型、深度神经网络等)以确定权重并基于该组特征计算分数。权重可以由训练模块123设置,训练模块123可以基于从搜索查询数据库112和先前活动数据库114获得的用户的先前活动的历史来训练机器学习模型。训练模块123还可以采用各种训练算法(诸如例如最小二乘回归算法、随机梯度下降算法等)来执行训练。然后,用户兴趣预测模块124可以计算一组信息项的分数,并将分数提供给信息生成模块126。
在接收到该组分数之后,(信息生成模块126的)排名模块128可以基于该组分数对存储在候选信息项数据库116中的一组信息项以及与该组信息项相关的信息内容进行排序。排名首位的信息项可以是分数最高的信息项,这可以反映用户感兴趣的最高可能性。然后,输出模块130可以选择要提供给门户104的预定数量(例如,10个)排名首位的信息项和排名首位的信息内容。例如,输出模块130可以确定提供到门户104的以在推荐信息接口106中显示的排名首位的信息项(例如,到汽车经销商的链接)。输出模块130还可以确定向门户104提供的用于在信息接口108中显示的排名首位的信息内容(例如,“向我发送最新的交通新闻”)。
在系统100检测到最近的信息内容选择之后,排名模块128还可以更新信息内容的排名。然后,更新的排名可以使输出模块130更新信息接口108中的信息内容的显示,以反映最新用户的兴趣。图2C示出了如图1A所示的信息内容的排名的变化。如图2C中所示,在特定时间点信息内容“向我发送关于汽车的信息”是排名首位的信息内容。因此,该信息内容显示在信息接口108的顶部,如图1A所示。然后,门户104检测该信息内容的选择,并发送指示103以通知系统100该选择。
在接收到用户刚刚选择了信息内容“向我发送关于汽车的信息”的指示(其表示用户对关于汽车的附加信息感兴趣)之后,排名模块128可以更新该信息内容的排名以及其他信息内容,以允许用户查看或选择有关汽车的附加信息。例如,如图2C所示,先前排名较低的信息内容(例如,“向我发送最新的交通新闻”、“发送我至SUV.com”等)的排名将向上移动,而信息内容“向我发送关于汽车的信息”的排名将落到谷底。作为排名变化的结果,如图1A所示,先前排名较低的信息内容可以显示在信息接口108的顶部,并且刚刚被选择的先前排名首位的信息内容(“向我发送关于汽车的信息”)也可以从第二接口208中移除,以允许用户探索有关汽车的各种可用附加信息。
返回参照图2A,排名模块128还可以响应于对表示对信息项不感兴趣的信息内容的选择来更新信息内容的排名。例如,如图1A所示,在接收到信息内容的选择“不要向我发送任何股票新闻”(其表示用户不希望接收与股票新闻相关的任何推荐信息)之后,排名模块128可以降低该信息内容的排名或者从要一起显示的预定的一组信息内容中删除该信息内容。
输出模块130还可以从候选信息内容数据库118中选择与排名首位的信息项相关的信息内容,并将该信息内容提供给门户104以在信息接口108中显示。在一些实施例中,如图2D所示,存储在候选信息内容数据库118中的信息内容和存储在候选信息项数据库中的信息项可以通过链接117a-c之一相互关联,并且输出模块130可以从与排名首位的信息项相关联的候选信息内容数据库118中获取信息内容。
还可以更新信息项和信息内容之间的关联以与用户使用信息内容来访问附加信息的习惯相一致,以便于用户使用门户104。例如,参照图1A和图2D,在特定时间点,信息内容“向我发送关于汽车的信息”与到排名首位的信息项(到本地经销商信息的链接)的链接相关联。但是,在用户选择了“向我发送关于汽车的信息”的信息内容之后,用户通过外部浏览器访问链接(例如,http://suv.com或链接http://traffic-update.com),而不是访问在推荐信息接口106上显示的排名首位的信息项(指向本地经销商信息的链接)。在这种情况下,信息生成模块126可以(通过链接117b)将信息内容“向我发送关于汽车的信息”与链接http://suv.com相关联,或者(通过链接117c)将信息内容与链接http://traffic-update.com相关联,并移除链接117a。结果,下次用户选择信息内容“向我发送关于汽车的信息”时,可以在推荐信息中提供针对SUV或业务更新的链接。
图3是示出与本公开的实施例一致的用于生成推荐信息的示例性方法300的流程图。容易理解的是,可以改变所示过程以删除步骤或进一步包括附加步骤。方法300可以由服务器(例如,图1A的系统100)执行,该服务器与操作门户的用户设备(例如,用户设备102)通信。
在初始启动之后,在步骤302,服务器控制门户输出一组信息内容以供选择。该组信息内容中的每一个可以与信息项相关联,并且可以被配置为提供用户对信息项感兴趣或不感兴趣的指示。可以在门户的信息接口(例如,信息接口108)中输出该组信息内容。然后,在步骤304,服务器接收对信息内容之一的选择。服务器可以从门户接收表示选择的指示(例如,指示103)。
然后,在步骤306,系统可以基于包括来自信息内容的多个选择的先前在线活动来确定与一组候选信息项相关联的一组分数。在一些实施例中,该组分数可以表示用户对该组候选信息项感兴趣的可能性。可以基于与该组候选信息项中的每一个相关联的一组特征来确定该组分数。该组特征的每个特征可以表示用户的预定活动(例如,从门户访问信息项、选择表示对信息项感兴趣的信息内容等),并且可以与信息项在预定活动的日志中出现的次数相关联。每组特征可以由多维向量表示,每个维度表示特征。可以使用机器学习模型基于多维向量的数值以及与每个维度相关联的权重来确定分数。权重可以由训练模块设置,该训练模块使用用户的先前在线活动来训练机器学习模型。
基于该组分数,在步骤308,系统可以确定要提供给用户的一组信息项中的一个或更多个。系统可以基于该组分数对该组候选信息项进行排名,并选择要提供给用户的一组排名首位的候选信息项。
然后,在步骤310,系统可以经由门户的推荐信息接口(例如,推荐信息接口106)提供所确定的一个或更多个信息项。信息项的输出也可以被配置为反映排名。例如,在推荐信息接口106包括显示界面的情况下,排名首位的信息项可以显示在界面的顶部,接着是下面排名较低的信息项。
在步骤312,系统还可以更新该组信息内容的输出。例如,系统可以基于与信息内容相关的信息项(以及与这些信息项相关的分数)对一组候选信息内容进行排名。系统可以更新该组信息内容的输出以提供排名首位的信息内容。系统还可以基于最近的信息内容选择来更新排名,并提供与所选择的信息内容相关的其他信息内容,以提供用户可能感兴趣的附加信息。另一方面,如果系统检测到表示用户对信息项目不感兴趣的信息内容的选择,则系统还可以移除与信息项目相关的信息内容,使其不显示在信息接口上。
图4是可以实现本文描述的实施例的示例性计算机系统400的框图。计算机系统400包括总线402或用于传送信息的其他通信机制以及与总线402联接的用于处理信息的一个或更多个硬件处理器404(为了简单起见,表示为处理器404)。硬件处理器404可以是例如一个或更多个微处理器。
计算机系统400还包括主存储器406(诸如随机存取存储器(RAM)或其他动态存储设备),联接到总线402,用于存储信息和将由处理器404执行的指令。主存储器406也可以是用于在执行由处理器404执行的指令期间存储临时变量或其他中间信息。这些指令在被存储在处理器504可访问的非暂时性存储介质中之后,使计算机系统400成为被定制成执行指令中指定的操作的专用机器。
计算机系统400还包括只读存储器(ROM)408或者联接到总线402的用于存储处理器404的静态信息和指令的其他静态存储设备。提供存储设备410(诸如磁盘、光盘或USB拇指驱动器(闪存驱动器)等),并将其联接到总线402,用于存储信息和指令。
计算机系统400可以通过总线402联接到显示器412(诸如阴极射线管(CRT)、液晶显示器(LCD)或触摸屏),用于向计算机用户显示信息。包括字母数字键和其他键的输入设备414联接到总线402,用于将信息和命令选择传送到处理器404。另一种类型的用户输入设备是光标控制416(诸如鼠标、轨迹球或光标方向键),用于将方向信息和命令选择传送到处理器404并用于控制显示器412上的光标移动。输入装置通常在第一轴(例如,x)和第二轴(例如,y)这两个轴上具有两个自由度,允许设备指定平面中的位置。在一些实施例中,可以通过在没有光标的情况下接收触摸屏上的触摸来实现与光标控制相同的方向信息和命令选择。
计算系统400可以包括用户界面模块,用于实现图形用户界面(GUI),该图形用户界面可以作为由一个或更多个计算设备执行的可执行软件代码存储在大容量存储设备中。通过示例的方式,该模块和其他模块可以包括诸如软件组件、面向对象的软件组件、类组件和任务组件这样的组件、过程、功能、字段、程序、子例程、程序代码段、驱动程序、固件、微码、电路、数据、数据库、数据结构、表、数组和变量。模块可以包括例如图2A的系统100的组件。
计算机系统400可以使用定制的硬连线逻辑、一个或更多个ASIC或FPGA、固件和/或程序逻辑来实现本文所述的技术,所述固件和/或程序逻辑与所述计算机系统相结合使计算机系统400成为专有的机器。根据一些实施例,这里描述的操作、功能和技术以及其他特征由计算机系统400响应于处理器404执行包含在主存储器406中的一个或更多个指令的一个或更多个序列来执行。这些指令可以被读入来自诸如存储设备410的另一存储介质的主存储器506。执行包含在主存储器406中的指令序列使处理器404执行本文描述的方法步骤(例如,图3的方法300)。在另选的实施例中,可以使用硬连线电路代替软件指令或者将硬连线电路与软件指令组合。
这里使用的术语“非暂时性介质”是指存储使机器以特定方式操作的数据和/或指令的任何非暂时性介质。这种非暂时性介质可以包括非易失性介质和/或易失性介质。非易失性介质可以包括例如光盘或磁盘,诸如存储设备410。易失性介质可以包括动态存储器,诸如主存储器406。非暂时性介质包括例如软盘、柔性盘、硬盘、固态硬盘、磁带或任何其他磁数据存储介质、CD-ROM、任何其他光学数据存储介质、任何具有孔图案的物理介质、RAM、PROM和EPROM、FLASH-EPROM、NVRAM、闪存存储器、寄存器、缓存、任何其他内存芯片或盒式磁带以及相同的网络版本。
非暂时性介质不同于传输介质,但可以与传输介质结合使用。传输介质可以参与在存储介质之间传送信息。例如,传输介质可以包括同轴线缆、铜线和光纤,包括包含总线402的线。传输介质也可以采用声波或光波的形式,诸如在无线电波和红外数据通信期间产生的那些波。
在将一个或更多个指令的一个或更多个序列传送到处理器404以便执行时可以涉及各种形式的介质。例如,指令最初可以在远程计算机的磁盘或固态驱动器上承载。远程计算机可以将指令加载到其动态存储器中,并使用调制解调器来通过电话线发送指令。计算机系统400本地的调制解调器可以在电话线上接收数据并使用红外发射器将数据转换成红外信号。红外检测器可以接收红外信号中承载的数据,并且适当的电路可以将数据放置在总线402上。总线402将数据传送到主存储器406,处理器404从主存储器406检索并执行指令。主存储器406接收到的指令可以可选地在由处理器504执行之前或之后存储在存储设备410上。
计算机系统400还可以包括联接到总线402的通信接口418。通信接口418可以提供联接到可以连接到本地网络422的网络链路420的双向数据通信。例如,通信接口418可以是综合业务数字网(ISDN)卡、线缆调制解调器、卫星调制解调器或调制解调器,以提供与相应类型的电话线的数据通信连接。作为另一个示例,通信接口418可以是局域网(LAN)卡,以提供与兼容LAN的数据通信连接。也可以实现无线链路。在任何这样的实现中,通信接口418可以发送和接收承载表示各种类型的信息的数字数据流的电信号、电磁信号或光信号。
网络链路420通常可以通过一个或更多个网络向其他数据设备提供数据通信。例如,网络链路420可以提供通过本地网络422到主计算机424或由因特网服务提供商(ISP)426操作的数据设备的连接。ISP 426进而可以通过现在通常被称为“因特网”428的全球分组数据通信网络提供数据通信服务。本地网络422和因特网428二者都使用承载数字数据流的电信号、电磁信号或光信号。通过各种网络的信号以及网络链路420上的和通过通信接口418的信号(其将数字数据传送到计算机系统400和从计算机系统400传送数字数据)可以是传输介质的示例形式。
计算机系统400可以通过网络、网络链路420和通信接口418发送消息和接收数据,包括程序代码。在因特网示例中,服务器430可以通过因特网428、ISP 426、本地网络422和通信接口418发送应用程序的请求代码。
所接收的代码可以在其被接收到时由处理器404执行,和/或存储在存储设备410或其他非易失性存储器中以供稍后执行。在一些实施例中,服务器430可以提供用于在显示器上显示的信息。
应当理解,本发明不限于上面已经描述并在附图中示出的确切结构,并且可以在不脱离其范围的情况下进行各种修改和改变。本发明的范围应仅受所附的权利要求的限制。
Claims (19)
1.一种交互式推荐系统,该交互式推荐系统包括信息生成模块,所述信息生成模块被配置为:
提供用于在信息接口中输出的一组信息内容,该组信息内容的每一个与信息项相关联;
接收对该组信息内容中的表示用户对信息项感兴趣或不感兴趣的一个信息内容的选择;
基于与用户的包括来自该组信息内容的多个选择的先前活动相关的模型和历史数据,确定要包括在针对用户的推荐信息中的一个或更多个信息项;并且
提供用于在推荐信息接口中输出的推荐信息;
其中,所述历史数据包括预定时段内的一组活动的日志;其中,所述系统还包括特征生成模块,所述特征生成模块被配置为:
确定所述一个或更多个信息项中的信息项的一组特征,其中,该组特征的每个特征与该组活动中的一个活动相关联,所述该组特征由多维向量表示,其中,向量的每个维度表示特征;并且
对于该组特征的每个特征,确定表示信息项在该组活动中的与所述每个特征相关联的活动的日志中的出现次数的值;
其中,所述系统还包括用户兴趣预测模块,所述用户兴趣预测模块被配置为基于所述值来确定表示所述用户对所述信息项感兴趣的可能性的分数;并且
其中,所述信息生成模块被配置为基于所述分数来在推荐信息接口中提供信息项;
其中,所述基于所述值来确定表示所述用户对所述信息项感兴趣的可能性的分数,具体为:用户兴趣预测模块包括机器学习模型,使用机器学习模型基于多维向量的数值以及与每个维度相关联的权重来确定分数;权重由训练模块设置,该训练模块使用用户的先前在线活动来训练机器学习模型。
2.如权利要求1所述的系统,其中,所述信息生成模块还被配置为:
基于历史数据,更新用于在信息接口中输出的该组信息内容。
3.如权利要求1所述的系统,其中,所述信息生成模块还被配置为:
基于对该组信息内容中的所述一个信息内容的选择,确定对与该组信息内容中的所述一个信息内容相关联的信息项不感兴趣;并且
从所述推荐信息中删除所述信息项。
4.如权利要求2所述的系统,其中,所述信息生成模块还被配置为:
基于对该组信息内容中的所述一个信息内容的选择,确定对与该组信息内容中的所述一个信息内容相关联的信息项感兴趣;并且
基于所述信息项来更新用于在信息接口中输出的该组信息内容。
5.如权利要求1所述的系统,其中,所述信息生成模块还被配置为:
确定一组候选信息项中的每一个的分数;
基于所述分数对该组候选信息项进行排名;并且
基于排名从候选信息项中选择一个或更多个信息项。
6.如权利要求5所述的系统,其中,所述信息生成模块还被配置为:
获得一组候选信息内容,其中,该组候选信息内容中的每一个与候选信息项中的一个相关联;
基于所述分数对该组候选信息内容进行排名;并且
提供该组候选信息内容中的一个或更多个作为用于在信息接口中输出的一组信息内容的一部分。
7.如权利要求6所述的系统,其中,所述信息生成模块还被配置为基于该组候选信息内容的排名来控制所述信息接口按顺序输出该组候选信息内容中的一个或更多个。
8.一种用于生成推荐信息的方法,该方法包括:
提供用于在信息接口中输出的一组信息内容,该组信息内容的每一个与信息项相关联;
从用户接收对该组信息内容中的表示用户对信息项感兴趣或不感兴趣的一个信息内容的选择;
基于与用户的包括来自该组信息内容的多个选择的先前活动相关的模型和历史数据,确定要包括在针对用户的推荐信息中的一个或更多个信息项;以及
在推荐信息接口中提供推荐信息;
其中,所述历史数据包括预定时段内的一组活动的日志;其中,该方法还包括:
确定所述一个或更多个信息项中的信息项的一组特征,其中,该组特征的每个特征与该组活动中的一个活动相关联,所述该组特征由多维向量表示,其中,向量的每个维度表示特征;
对于该组特征的每个特征,确定表示信息项在该组活动中的与所述每个特征相关联的活动的日志中的出现次数的值;
基于所述值来确定表示用户对信息项感兴趣的可能性的分数;以及
基于所述分数来在推荐信息接口中提供信息项;
其中,所述基于所述值来确定表示所述用户对所述信息项感兴趣的可能性的分数,具体为:用户兴趣预测模块包括机器学习模型,使用机器学习模型基于多维向量的数值以及与每个维度相关联的权重来确定分数;权重由训练模块设置,该训练模块使用用户的先前在线活动来训练机器学习模型。
9.如权利要求8所述的方法,还包括:
基于历史数据,更新用于在信息接口中输出的该组信息内容。
10.如权利要求8所述的方法,还包括:
基于对该组信息内容中的所述一个信息内容的选择,确定对与该组信息内容中的所述一个信息内容相关联的信息项不感兴趣;以及
从所述推荐信息中删除所述信息项。
11.如权利要求9所述的方法,还包括:
基于对该组信息内容中的所述一个信息内容的选择,确定对与该组信息内容中的所述一个信息内容相关联的信息项感兴趣;以及
基于所述信息项来更新用于在信息接口中输出的该组信息内容。
12.如权利要求8所述的方法,还包括:
确定一组候选信息项中的每一个的分数;
基于所述分数对该组候选信息项进行排名;以及
基于排名从候选信息项中选择一个或更多个信息项。
13.如权利要求12所述的方法,还包括
获得一组候选信息内容,其中,该组候选信息内容中的每一个与候选信息项中的一个相关联;
基于所述分数对该组候选信息内容进行排名;以及
提供该组候选信息内容中的一个或更多个作为用于在信息接口中输出的一组信息内容的一部分。
14.如权利要求13所述的方法,还包括:
基于所述组候选信息内容的排名来控制所述信息接口按顺序输出该组候选信息内容中的一个或更多个。
15.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质存储有指令,所述指令能够由提供交互式推荐的设备的一个或更多个处理器执行,方法包括:
提供用于在信息接口中输出的一组信息内容,该组信息内容的每一个与信息项相关联;
从用户接收对该组信息内容中的表示用户对信息项感兴趣或不感兴趣的一个信息内容的选择;
基于与用户的包括来自该组信息内容的多个选择的先前活动相关的模型和历史数据,确定要包括在针对用户的推荐信息中的一个或更多个信息项;以及
在推荐信息接口中提供推荐信息;
其中,所述历史数据包括预定时段内的一组活动的日志;其中,该方法还包括:
确定所述一个或更多个信息项中的信息项的一组特征,其中,该组特征的每个特征与该组活动中的一个活动相关联,所述该组特征由多维向量表示,其中,向量的每个维度表示特征;
对于该组特征的每个特征,确定表示信息项在该组活动中的与所述每个特征相关联的活动的日志中的出现次数的值;
基于所述值来确定表示用户对信息项感兴趣的可能性的分数;以及
基于所述分数来在推荐信息接口中提供信息项;
其中,所述基于所述值来确定表示所述用户对所述信息项感兴趣的可能性的分数,具体为:用户兴趣预测模块包括机器学习模型,使用机器学习模型基于多维向量的数值以及与每个维度相关联的权重来确定分数;权重由训练模块设置,该训练模块使用用户的先前在线活动来训练机器学习模型。
16.如权利要求15所述的非暂时性计算机可读介质,其中,所述指令能够由所述设备的所述一个或更多个处理器执行以使所述设备进一步执行:
基于历史数据,更新用于在信息接口中输出的该组信息内容。
17.如权利要求15所述的非暂时性计算机可读介质,其中,所述指令能够由所述设备的所述一个或更多个处理器执行以使所述设备进一步执行:
基于对该组信息内容中的所述一个信息内容的选择,确定对与该组信息内容中的所述一个信息内容相关联的信息项不感兴趣;以及
从所述推荐信息中删除所述信息项。
18.如权利要求16所述的非暂时性计算机可读介质,其中,所述指令能够由所述设备的所述一个或更多个处理器执行以使所述设备进一步执行:
基于对该组信息内容中的所述一个信息内容的选择,确定对与该组信息内容中的所述一个信息内容相关联的信息项感兴趣;以及
基于所述信息项来更新用于在信息接口中输出的该组信息内容。
19.根据权利要求15所述的非暂时性计算机可读介质,其中,所述指令能够由所述设备的所述一个或更多个处理器执行以使所述设备进一步执行:
确定一组候选信息项中的每一个的分数;
基于所述分数对该组候选信息项进行排名;
基于排名从候选信息项中选择一个或更多个信息项;
获得一组候选信息内容,其中,该组候选信息内容中的每一个与候选信息项中的一个相关联;
基于所述分数对该组候选信息内容进行排名;
提供该组候选信息内容中的一个或更多个作为用于在信息接口中输出的一组信息内容的一部分;以及
基于所述组候选信息内容的排名来控制所述信息接口顺序输出该组候选信息内容中的一个或更多个。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/088279 WO2018227437A1 (en) | 2017-06-14 | 2017-06-14 | Method and apparatus for real-time interactive recommendation |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110741367A CN110741367A (zh) | 2020-01-31 |
CN110741367B true CN110741367B (zh) | 2023-06-20 |
Family
ID=64658820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780091960.5A Active CN110741367B (zh) | 2017-06-14 | 2017-06-14 | 用于实时交互式推荐的方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11741072B2 (zh) |
CN (1) | CN110741367B (zh) |
WO (1) | WO2018227437A1 (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268934A (zh) * | 2018-01-10 | 2018-07-10 | 北京市商汤科技开发有限公司 | 基于深度学习的推荐方法和装置、电子设备、介质、程序 |
JP6523498B1 (ja) * | 2018-01-19 | 2019-06-05 | ヤフー株式会社 | 学習装置、学習方法および学習プログラム |
US11475295B2 (en) | 2019-04-25 | 2022-10-18 | Adobe Inc. | Predicting and visualizing outcomes using a time-aware recurrent neural network |
US11568666B2 (en) * | 2019-08-06 | 2023-01-31 | Instaknow.com, Inc | Method and system for human-vision-like scans of unstructured text data to detect information-of-interest |
US11282127B2 (en) * | 2019-12-12 | 2022-03-22 | Capital One Services, Llc | Methods and system for providing a vehicle recommendation |
US11669921B2 (en) * | 2019-12-16 | 2023-06-06 | Included Health, Inc. | Systems and methods for travel optimization |
US20210304285A1 (en) * | 2020-03-31 | 2021-09-30 | Verizon Patent And Licensing Inc. | Systems and methods for utilizing machine learning models to generate content package recommendations for current and prospective customers |
US11238113B2 (en) * | 2020-04-01 | 2022-02-01 | Grand Rounds Inc. | Systems and methods for machine learning models for search engine performance optimization |
KR102385073B1 (ko) * | 2020-11-13 | 2022-04-11 | (주)뤼이드 | 점수 확률분포 형태 통일화를 통해 평가 가능한 문제를 추천하는 학습 문제 추천 시스템 및 이것의 동작방법 |
CN112462996B (zh) * | 2020-12-11 | 2023-09-08 | 北京小米移动软件有限公司 | 服务信息优化方法、服务信息优化装置及存储介质 |
CN113625916B (zh) * | 2021-07-23 | 2022-08-16 | 广州玺明机械科技有限公司 | 一种用于互动并具数据采集传输的娱乐装置 |
US11989527B2 (en) | 2021-08-24 | 2024-05-21 | Unlikely Artificial Intelligence Limited | Computer implemented methods for the automated analysis or use of data, including use of a large language model |
US11977854B2 (en) | 2021-08-24 | 2024-05-07 | Unlikely Artificial Intelligence Limited | Computer implemented methods for the automated analysis or use of data, including use of a large language model |
US11989507B2 (en) | 2021-08-24 | 2024-05-21 | Unlikely Artificial Intelligence Limited | Computer implemented methods for the automated analysis or use of data, including use of a large language model |
CN114625876B (zh) * | 2022-03-17 | 2024-04-16 | 北京字节跳动网络技术有限公司 | 作者特征模型的生成方法、作者信息处理方法和装置 |
CN116628313A (zh) * | 2023-03-31 | 2023-08-22 | 北京百度网讯科技有限公司 | 内容推荐方法及装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814068A (zh) * | 2009-02-24 | 2010-08-25 | 日电(中国)有限公司 | 时序控制的基于评分预测的项目推荐方法和系统 |
CN103119583A (zh) * | 2010-09-28 | 2013-05-22 | 高通股份有限公司 | 用于表示对可用项目的感兴趣程度的装置和方法 |
CN104254851A (zh) * | 2012-03-17 | 2014-12-31 | 海智网聚网络技术(北京)有限公司 | 用于向用户推荐内容的方法和系统 |
CN105488662A (zh) * | 2016-01-07 | 2016-04-13 | 北京歌利沃夫企业管理有限公司 | 一种基于双向推荐的在线招聘系统 |
CN106133776A (zh) * | 2014-03-28 | 2016-11-16 | 微软技术许可有限责任公司 | 基于与用户的受管交互构建用户对简档创建和推荐的信任 |
CN106844680A (zh) * | 2017-01-25 | 2017-06-13 | 百度在线网络技术(北京)有限公司 | 推荐信息的展示方法和装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9405830B2 (en) * | 2007-02-28 | 2016-08-02 | Aol Inc. | Personalization techniques using image clouds |
US8335754B2 (en) * | 2009-03-06 | 2012-12-18 | Tagged, Inc. | Representing a document using a semantic structure |
US8396760B1 (en) * | 2011-01-27 | 2013-03-12 | Amazon Technologies, Inc. | Behavioral filter for personalized recommendations |
US20140099623A1 (en) * | 2012-10-04 | 2014-04-10 | Karmarkar V. Amit | Social graphs based on user bioresponse data |
US8478664B1 (en) * | 2011-10-25 | 2013-07-02 | Amazon Technologies, Inc. | Recommendation system with user interface for exposing downstream effects of particular rating actions |
US20140280554A1 (en) * | 2013-03-15 | 2014-09-18 | Yahoo! Inc. | Method and system for dynamic discovery and adaptive crawling of content from the internet |
CN103927354A (zh) * | 2014-04-11 | 2014-07-16 | 百度在线网络技术(北京)有限公司 | 交互式搜索及推荐方法和装置 |
US20150370898A1 (en) * | 2014-06-23 | 2015-12-24 | Thomson Licensing | Text and graphic based search querry formulation |
US20160041998A1 (en) * | 2014-08-05 | 2016-02-11 | NFL Enterprises LLC | Apparatus and Methods for Personalized Video Delivery |
US20160171540A1 (en) * | 2014-12-12 | 2016-06-16 | Suryanarayana MANGIPUDI | Dynamic Omnichannel Relevant Content And Services Targeting In Real Time |
US10671679B2 (en) * | 2014-12-30 | 2020-06-02 | Oath Inc. | Method and system for enhanced content recommendation |
CN105868332A (zh) * | 2016-03-28 | 2016-08-17 | 百度在线网络技术(北京)有限公司 | 一种热点概念的推荐方法和装置 |
-
2017
- 2017-06-14 CN CN201780091960.5A patent/CN110741367B/zh active Active
- 2017-06-14 US US16/622,253 patent/US11741072B2/en active Active
- 2017-06-14 WO PCT/CN2017/088279 patent/WO2018227437A1/en active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814068A (zh) * | 2009-02-24 | 2010-08-25 | 日电(中国)有限公司 | 时序控制的基于评分预测的项目推荐方法和系统 |
CN103119583A (zh) * | 2010-09-28 | 2013-05-22 | 高通股份有限公司 | 用于表示对可用项目的感兴趣程度的装置和方法 |
CN104254851A (zh) * | 2012-03-17 | 2014-12-31 | 海智网聚网络技术(北京)有限公司 | 用于向用户推荐内容的方法和系统 |
CN106133776A (zh) * | 2014-03-28 | 2016-11-16 | 微软技术许可有限责任公司 | 基于与用户的受管交互构建用户对简档创建和推荐的信任 |
CN105488662A (zh) * | 2016-01-07 | 2016-04-13 | 北京歌利沃夫企业管理有限公司 | 一种基于双向推荐的在线招聘系统 |
CN106844680A (zh) * | 2017-01-25 | 2017-06-13 | 百度在线网络技术(北京)有限公司 | 推荐信息的展示方法和装置 |
Non-Patent Citations (2)
Title |
---|
Ayaki, T. 等.Recommendation from access logs with ensemble learning.Artificial Life and Robotics.2017,(第2期),全文. * |
陈亮 ; 汪景福 ; 王娜 ; 李霞 ; .基于DNN算法的移动视频推荐策略.计算机学报.2016,(第08期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
US11741072B2 (en) | 2023-08-29 |
WO2018227437A1 (en) | 2018-12-20 |
US20200104288A1 (en) | 2020-04-02 |
CN110741367A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110741367B (zh) | 用于实时交互式推荐的方法和装置 | |
US11995091B2 (en) | Website scoring system | |
US10757218B2 (en) | Method and apparatus for generating push notifications | |
US11625494B2 (en) | Data privacy policy based network resource access controls | |
CN111279328B (zh) | 预测对于特定场境的搜索的意图 | |
US10733197B2 (en) | Method and apparatus for providing information based on artificial intelligence | |
US9171078B2 (en) | Automatic recommendation of vertical search engines | |
KR101988151B1 (ko) | 특정 컨텍스트에 대한 사용자 요구의 예측 | |
US20180025089A1 (en) | Profile-based search results modification | |
US20170061482A1 (en) | Focal-point based recommendation method and system | |
CN103339623A (zh) | 涉及因特网搜索的方法和设备 | |
US9836525B2 (en) | Categorizing hash tags | |
US11966687B2 (en) | Modifying a document content section of a document object of a graphical user interface (GUI) | |
US8060455B2 (en) | Hot term prediction for contextual shortcuts | |
US10740420B2 (en) | Computer-implemented platform for generating query-answer pairs | |
CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
CN111488510B (zh) | 小程序相关词的确定方法、装置、处理设备及搜索系统 | |
WO2018201280A1 (en) | Method and apparatus for query auto-completion | |
US10296623B2 (en) | Document curation | |
CN107256214B (zh) | 一种垃圾信息判断方法和装置以及一种服务器集群 | |
KR20190011185A (ko) | 예약어 시각화 방법 및 장치 |
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 |