CN112088390A - 对于地点的个性化匹配得分 - Google Patents

Abstract

计算并向用户显示对于用户可能想要到访的地点的个性化得分。使用机器学习、基于推断出的或显式偏好中的至少一个计算得分。得分可以被显示给与地点有关的用户，并且在一些示例中还可以显示对导致该得分的底层因素的解释。因为每个用户是独特的，对于一个人的得分可以与对于另一个人的得分不同。因此，当一群朋友在决定要到访的地点(诸如去吃饭的地点)时，对于给定餐厅的个性化得分对于第一用户可以比对于第二用户更高。

Description

对于地点的个性化匹配得分

相关申请的交叉引用

本申请要求于2018年5月7日提交的美国临时专利申请第62/667952号的申请日的权益，该专利申请的全部内容通过引用结合与此。

背景技术

当决定到访(visit)哪个地点时，诸如外出就餐、周末找事情做、购物等等，用户使用各种信息来帮助他们做决定。他们可以查看地点的评级和评论，咨询他们的朋友或家人，或者依靠第三方排名来形成对地点的看法。这个过程可能是漫长并且耗时的，因为每个人都将使用这些信息，并且每个人的意见都不相同。用户可能会看到评级或评论并且想知道这个评论者是否具有和他们相似的品味或者关心同样的事情。要有效地浏览大量关于潜在的感兴趣的地点的信息可能是麻烦的。

发明内容

根据本公开，为用户可能想要到访的地点提供个性化得分。使用机器学习、基于推断出的或显式参数中的至少一个来计算得分。得分可以与地点相关地被显示给用户，并且在一些示例中，用户还可以查看导致得分的底层因素。因为每个用户是唯一的，对于一个人的得分可以不同于对于另一个人的得分。因此，当一群朋友在决定要到访的地点(诸如吃饭的地点)时，对给定的餐厅，对于第一用户的个性化得分可能比对于第二用户的个性化得分更高。

除了提供个性化得分，本文所描述的系统和方法提供对用户可能想要了解的所有地点的全部看法。因此，例如，用户可以查看任意地点(例如，他们从其他人那听说的、在文章中读到的、在广告中看到的地点等等)并理解该地点是否与他们很匹配。当试图与多个人做出共同决定时，这变得更加重要。每个单独的用户可能想要知道地点对于他们是否还行，即使该地点对于他们不是最佳匹配。每个用户可能还想知道地点对于他们是否是不好的匹配，或者是否违反了他们的限制中的一个。

本公开的一个方面提供为地点提供个人得分的方法。该方法包括使用一个或多个处理器识别对用户具有潜在兴趣的一个或多个地点，使用一个或多个处理器识别用户偏好，使用一个或多个处理器确定对于地点中的一个或多个的个人得分，个人得分基于所识别的用户偏好生成，以及使用一个或多个处理器，提供与关于该地点的信息相关联地显示的、对于地点中的一个或多个的个人得分。根据一些示例，方法还可以包括接收请求、将具有潜在兴趣的一个或多个地点与请求匹配，以及基于个人得分对与请求相匹配的地点排序。用户偏好可以包括通过在有用户的授权的情况下、从用户被动收集到的信息推断出的隐式偏好和/或由用户通过用户界面输入的显式偏好。确定个人得分可以包括应用机器学习模型。根据一些示例，还可以生成一组解释并提供该组解释用于显示，其中该组解释指示用户可能喜欢一个或多个地点的原因。

本公开的另一方面提供了一种用于为地点提供个人得分的系统，包括存储用户的偏好的一个或多个存储器，以及与一个或多个存储器通信的一个或多个处理器。一个或多个处理器可以被配置为接收对地点的请求、识别与请求相匹配的一个或多个地点、识别用户偏好、确定对于与请求相匹配的地点中的一个或多个的个人得分，个人得分基于所识别的用户偏好生成，以及提供与关于和请求相匹配的地点的信息相关联地显示的、对于与请求相匹配的地点中的一个或多个的个人得分。可以减少在实现该方法的计算资源上的数据处理负载，因为对于系统而言，接收来自用户的后续请求可能不再是必要的，例如，如果搜索结果是不期望的或者没有被适当地定制。提供与关于和请求相匹配的地点的信息相关联地显示的个人得分可以解决响应于请求而向用户提供适合的信息与进行可用屏幕空间的高效使用之间的冲突。

本公开的又一方面提供一种用于构建机器学习模型以生成对于地点的个人得分的方法，个人得分基于给定用户的偏好。该方法可以包括访问来自多个源的数据，使用所访问的数据生成包括用户到访数据和在线地点交互的用户表，使用所访问的数据生成包括与特定的一组标准相匹配的地点的标识和用于识别偏好的地点级属性的地点表，创建将用户标识符关联到地点的样本的查找表，这些样本是用户指示感兴趣或不感兴趣的地点，将查找表连接到用户表，并使用所连接的表训练模型以为任何给定的地点预测个人得分。根据一些示例，该方法还可以包括使用模型计算个人得分、接收与所计算的个人得分的准确性相关的调查结果、以及基于调查结果修改模型。

附图说明

图1示出了根据本公开的方面的示例界面。

图2是示出了根据本公开的方面的示例系统的框图。

图3示出了根据本公开的方面的另一示例界面。

图4示出了根据本公开的方面的用于计算个性化得分的信息的示例。

图5示出了根据本公开的方面的示例解释。

图6示出了根据本公开的方面的解释的另一示例。

图7是示出了根据本公开的方面的示例机器学习方法的流程图。

图8是示出了根据本公开的方面的另一示例性机器学习方法的流程图。

图9A-图9C示出了根据本公开的方面的其他示例机器学习模型。

图10是示出了根据本公开的方面的评估机器学习模型的示例方法的流程图。

图11是根据本公开的方面的指示示例得分的示例界面。

图12是根据本公开的方面的另一示例接口。

图13A-图13C示出了根据本公开的方面的用于编辑偏好的示例界面。

图14示出了根据本公开的方面的地点细节页面和得分细节页面之间的示例关系。

图15示出了根据本公开的方面的得分细节页面和偏好编辑部分之间的示例关系。

图16示出了根据本公开的方面的用于获得信息的示例界面。

图17示出了图16的界面的示例操纵。

图18示出了根据本公开的方面的界面的示例扩展。

图19示出了根据本公开的方面的请求反馈的示例界面和对该界面的操纵。

图20是示出了根据本公开的方面的对请求反馈的示例界面的操纵的另一示例。

图21示出了根据本公开的方面的示例调查。

图22示出了根据本公开的方面的另一示例调查。

图23是示出了根据本公开的方面的为地点提供个人得分的示例方法的流程图。

具体实施方式

概述

本文所描述的系统和方法预测地点与用户的品味和偏好的匹配程度。使用隐式信号推断用户的个人偏好。在一些示例中，还直接从用户收集显式偏好。然后使用训练后的机器学习模型将这些用户偏好和地点的细节相匹配，以便以得分的形式预测地点与用户的品味的匹配程度。这个得分，以及对于为什么得分高或低的解释，被提供给用户。解释可以包括，例如，地点与用户喜欢的偏好相匹配，或者与用户不喜欢的偏好相匹配。

仅作为一个示例，用户搜索的地点可以是餐厅。可以为用户生成简档，并且可以计算简档的各个部分。这些各个部分可能包括如饮食限制、菜系偏好、环境偏好、预算敏感度等等的属性。简档还可以包括用户与地点可能有的任何交互，包括但不限于用户的位置和web/搜索历史、用户是否保存了地点或对地点添加了书签、他们是否呼叫或导航到该地点以及为该地点上载了任何评论、评级或照片。这些信息可以用来推断用户喜欢或经常到访的地点。

用于收集隐式信号的客户端计算设备每个都具有隐私设置，该隐私设置必须被设置为授权这样的报告。例如，客户端计算设备的用户具有打开或关闭这样的报告的选项，并且具有选择报告哪些类型的信息和不报告哪些类型的信息的选项。仅作为示例，用户可以允许对特定到访位置的报告，而不允许对所有位置的报告。此外，对由移动设备传输的任何数据提供隐私保护，例如，包括个人可识别信息的匿名化、数据的聚合、敏感信息的过滤、加密、敏感信息的散列或过滤以移除个人属性，信息存储的时间限制或者数据使用或共享的限制。可以使用唯一标识符的加密散列，而不是使用任何个人信息来唯一地标识移动设备。

对于所推断出的属性中的多个，为用户提供了供用户提供、确认、更改或删除特定偏好的机制。取决于属性，值可以是“喜欢”、“不喜欢”、“无倾向性的”、“必须有”、“不能有”等等。也可以为每个地点计算简档以描述该地点是什么类型的地点。例如，每个餐厅可以具有一个简档，该简档通过提供的菜系的类型，餐厅是否迎合特定的饮食或者餐厅可能具有的特定菜肴来描述餐厅。餐厅简档还可以包括关于餐厅环境的信息、与另一餐厅的相似程度、价格水平等等。基于到访、用户对地点的评级/评论、将地点保存到他们最喜爱的地点列表等等，可以为用户最喜爱的地点生成范例的列表。这可以进一步扩展以创建全面的用户-地点图，该用户-地点图指示用户对用户过去已经与之交互过的每个地点的喜好。这些地点喜好可用于进一步确定用户喜爱到访相似地点的可能性。地点相似性可以基于地点简档(例如，相似的菜单、价格、评级、环境、描述、评论等)之间的相似性，或者使用协同过滤技术来确定相似类型的用户是否到访这两个地点。

尽管上面的示例涉及餐厅，应该理解可以为任何数量的不同类型的地点生成个性化得分。例如，可以为商店(例如，服装商店、杂货商店、电子商店等)、旅馆、景点(例如，博物馆、游乐园等)、活动(例如音乐会、体育赛事、街头集市等)、加油站或者任何其他感兴趣的点生成得分。还可以为包括多个感兴趣的点的更一般的区域(诸如为特定城市、商场等)生成得分。

训练机器学习(ML)模型以预测用户可能喜欢地点的程度。可以通过调查问题、app内反馈机制或者其他我们直接询问用户他们喜欢地点的程度的评级流程来显式地收集标签。标签还可以基于其他代理信号，如地点到访(位置历史)或者地点点击(Web/搜索历史)。每个训练示例由单个标签组成，标签可以是调查响应、评级、到访或者点击等等。ML模型的输入特征包括上面所描述的所有隐式和显式用户偏好。如上所述，输入特征还包括关于地点的细节。模型的输出包括指示用户对地点的喜好的得分，和该地点与用户个人偏好匹配的程度，以及对哪些特定属性对最终得分贡献最大的解释。例如，如果用户是素食者并且餐厅在素食者中受欢迎，则地点会接收高得分。相反，对于素食者用户，牛排馆会接收低得分。

通过这种方式解决问题的好处是允许广泛的用户从推荐模型中获益。用户可以通过授权对他们的位置和/或搜索历史的报告被动地提供信息。然后可以通过观察他们到访、点击或者得到去往方向的地点来自动地推断用户的偏好或他们喜欢的地点。另一方面，不授权对他们的历史的报告的用户仍然可以通过设置他们的偏好值以及通过提供关于他们是否喜欢地点的直接反馈(例如，评级、评论、星级等)来显式地提供他们的偏好。除了推断得分之外，对为什么用户可能喜欢或讨厌地点提供个性化理由的列表。这些理由可以与用户简档(诸如“因为你喜欢<菜系X>”或者“相似于<用户喜欢的地点Y>”)直接相关，或者可以将用户简档与其他信息源(诸如榜单(如，如果用户喜欢<菜系X>，“SF中<菜系X>的前10位地点”))组合以使理由更加多样。这样的榜单可以来自第三方出版物或者可以算法地生成。这些理由可以帮助用户理解推荐地点的原因。如果推断是不正确的或者用户的偏好已经改变，他们还给用户提供升级其简档的选项。

个性化计分系统和方法可以在多个应用中的任何一个(诸如，搜索应用、地图/导航应用、调度应用、进餐/购物应用等)中实现。例如，当用户进行类别查询(例如“我附近的餐厅”)时或者如果他们搜索特定地点时，得分将会显示。得分可以紧靠其他地点细节(如用户评级、评论的数量、价格信息等)显示。用户还能够点击得分以得到细节页面，该细节页面解释得分是如何计算的(例如，理由的列表)。在其他示例中，诸如在地图应用中，得分可以在地图本身中、紧靠地点标记显示。除了仅仅显示这个得分之外，可以针对推荐目的通过这个得分对地点排名。例如，当响应于对“我附近的餐厅”的搜索而提供列表时，具有更高个性化得分的地点可以有更高的排名。

除了前文的示例实现方式之外，系统和方法可以被用于，对于多个现在已知的或者未来开发的应用或其他产品中的任何一个，向用户发送推荐。可以结合其他商业逻辑使用得分以用于决定推荐应该什么时候进行。这些得分还可以用于决定在地图上将哪个感兴趣的点显示给用户，诸如通过在地图视图上显露用户最可能到访的感兴趣的点，这样可以进行对可用屏幕空间的更高效的使用。得分还可以用于电子助手设备的个性化操作。例如，助手设备可以推荐要到访的或用于点餐的餐厅，或者可以推荐在周末要做的事(诸如参观公园、上陶艺课等)。助手还可以进行推荐以帮助用户探索新的区域，诸如“看看本地的徒步路线”或者“餐馆本地最受喜爱的酒吧”。应该理解这些仅是多种可能的实现方式中的示例，并且不应该被认为是限制。

示例系统

图1示出了对于给定地点的个人得分的示例显示。在这个示例中，图形100包括图像部分110、概要信息部分120和详细信息部分130。图形100可以响应于对与业务A相关的信息的请求而(例如在客户端设备上)显示。例如，对信息的请求可以包括地址、业务名称、一般地理区域、业务的类型等。例如，用户可能已经提交了对餐厅的搜索，并且选择了与餐厅B相对应的搜索结果。尽管餐厅B已经被一般大众中的247位评论者评价为具有4.5星，但是这样的信息对于用户不是特别定制的。还提供了个人得分125，其在这个示例中为93％。如下面更具体地细节中讨论的，个人得分125可以基于用户的显式和/或隐式偏好。这样的得分可以给予用户更好的关于用户是否可能喜爱餐厅B的指示。

图像部分110包括与地点相关的图像。例如，对于餐厅B，图像可以是餐厅的内部或者外部、餐厅中提供的特别的菜肴等。

概要信息部分120可以包括描述地点的各种信息。仅作为示例，对于餐厅B，这样的信息包括评级121、价格类别122、距特定位置(例如，用户的位置)的距离123、提供的食物的类型的分类124以及个人得分125。概要部分120还可以包括一个或多个链接126，以方便用户与地点有关的动作。例如，链接126可以使用户能够呼叫地点、得到去往地点的方向、到访地点的网站、在地点预定餐桌、将地点保存到一个或多个个人列表等。前面的仅是示例，并且应该理解概要信息部分120可以包括多种其他类型的信息中的任何一个。例如，概要信息部分120还可以包括文本，诸如餐厅B的营业时间的列表。

详细信息部分130还可以包括与地点相关的信息。在一些示例中，这样的信息可以对应于概要部分120中的信息。例如，可以提供与评级121相对应的对地点的评论。详细信息的其他示例可以包括描述、照片和以其他媒介对地点的提及，诸如新闻或第三方排名。

尽管上面结合图1描述了多个示例部分，并且个人得分125被示出为作为百分比显示，但是应该理解这些仅是示例。可以以多种方式中的任何一个(诸如文本、画图、图表、图等)提供个人得分125用于显示。如本文进一步详细描述的，个人得分125还可以包括到与个人得分125相关的进一步信息的链接。例如，进一步信息可以解释用于确定得分的信息，并允许用户更新所使用的信息。在一些示例中，可以将个人得分提供给其他应用，诸如调度应用、通信应用等。

图2示出了用于计算对于地点的个人得分的示例系统。示例系统应被认为限制本公开的范围或本文所描述的特征的可用性。在这个示例中，系统200可以包括通过网络250与一个或多个客户端设备260、270以及存储系统240通信的计算设备210。每个计算设备210可以包含一个或多个处理器220、存储器230和通常存在于通用计算设备中的其他组件。计算设备210中的每一个的存储器230可以存储可由一个或多个处理器220访问的信息，该信息包括可以由一个或多个处理器220执行的指令234。

存储器230还可以包括可由处理器检索、操作或存储的数据232。存储器可以是任何能够存储可由处理器访问的信息的非暂时性类型，诸如硬盘驱动器，存储卡、ROM、RAM、DVD、CD-ROM、可写和只读存储器。

指令234可以是将要由一个或多个处理器直接执行的任何指令集(诸如机器代码)或间接执行的任何指令集(诸如脚本)。在这方面，术语“指令”、“应用”、“步骤”和“程序”在这里可以互换地使用。指令可以以用于处理器的直接处理的目标代码格式，或者以任何其他计算设备语言存储，计算设备语言包括脚本或独立源代码模块的集合，独立源代码模块是按需解释或事先编译的。下面更详细地解释指令的功能、方法和例程。

可以根据指令234、由一个或多个处理器220检索、存储或修改数据232。例如，尽管本文所描述的主题不受任何特定的数据结构的限制，但是数据可以被存储在计算机寄存器中、作为具有多个不同字段和记录的表或XML文档存储在关系型数据库中。数据还可以以任何计算设备可读的格式(诸如但不限于，二进制值、ASCII或Unicode)来被格式化。此外，数据可以包括足以标识相关信息的任何信息，诸如数字、描述性文本、专用代码、指针、对存储在(诸如在其他网络位置处的)其他存储器中的数据的引用或者由功能使用以计算相关数据的信息。

一个或多个处理器220可以是任何传统的处理器，诸如商业可用CPU。可替代地，处理器可以是专用组件，例如专用集成电路(ASIC)或其他基于硬件的处理器。尽管不是必须的，但是计算设备210中的一个或多个可以包括专用硬件组件以更快或更高效地执行特定的计算过程，诸如解码视频、匹配视频帧与图像、使视频失真、编码失真的视频等。

尽管图2功能上地将计算设备210的处理器、存储器和其他元件示出在相同的框图中，处理器、计算机、计算设备或者存储器实际上可以包括多个存储器，计算机、计算设备或者存储器，它们可以或者可以不被存储在相同的物理外壳中。例如，存储器可以是位于与计算设备210的外壳不同的外壳中的硬盘驱动器或其他存储介质。因此，对处理器、计算机、计算设备或存储器的引用将会被理解为包括对处理器、计算机、计算设备或存储器的集合的引用，这些处理器、计算机、计算设备或存储器可以或可以不并行地操作。例如，计算设备210可以包括作为负载均衡服务器群操作的服务器计算设备、分布式系统等。此外，尽管下面描述的一些功能被指示为发生在具有单个处理器的单个计算设备上，但是本文所描述的主题的各个方面可以由多个计算设备来实现，例如，通过网络260通信传达信息。

计算设备210、260、270中的每一个可以位于网络250的不同节点处，并且能够直接和间接地与网络250的其他节点通信。尽管在图2中仅描绘了一些计算设备，但是应当理解，典型系统可以包括大量连接的计算设备，每个不同的计算设备位于网络250的不同节点处。本文所描述的网络250和插入其间的节点可以使用各种协议或系统互连，以使网络可以是互联网、万维网、特定内联网、广域网或本地网的部分。网络可以使用标准通信协议，诸如以太网、WiFi和HTTP、一个或多个公司专用的协议以及前面这些协议的各种组合。尽管当如上所述发送或接收信息时获得了某些优点，但是本文所描述的主题的其他方面不限于任何特定的信息传输的方式。

作为示例，计算设备210中的每一个可以包括能够经由网络250与存储系统240以及计算设备260、270通信的web服务器。例如，服务器计算设备210中的一个或多个可以使用网络250在显示器(诸如计算设备260的显示器265)上向用户传输和呈现信息。在这方面，计算设备260、270可以被认为是客户端计算设备并可以执行本文所描述的特征中的所有或一些。

客户端计算设备260、270中的每一个可以相似于服务器计算设备210被配置，具有上面所描述的一个或多个处理器、存储器和指令。每个客户端计算设备260、270可以是意在由用户使用的个人计算设备，并且具有通常使用的与个人计算设备有关的所有组件诸如中央处理单元(CPU)、存储数据和指令的存储器(例如，RAM和内部硬盘驱动器)、诸如显示器265的显示器(例如，具有屏幕、触摸屏、投影仪、电视或可操作以显示信息的其他设备的监视器)和用户输入设备266(例如，鼠标、键盘、触摸屏或麦克风)。客户端计算设备还可以包括用于记录视频流和/或捕获图像的相机267、扬声器、网络接口设备以及用于将这些元件彼此连接的所有组件。客户端计算设备260还可以包括位置确定系统，诸如GPS 268。位置确定系统的其它示例可基于无线接入信号强度、地理对象(诸如地标)的图像、语义指示符(诸如光或噪声等级)等来确定位置。

尽管客户端计算设备260、270每个可以包括全尺寸的个人计算设备，但是它们可以可替代地包括能够通过网络(诸如互联网)与服务器无线地交换数据的移动计算设备。仅作为示例，客户机计算设备260可以是移动电话或诸如支持无线的PDA、平板PC、上网本、智能手表、头戴式计算系统或任何其他能够经由互联网获得信息的设备。例如，用户可以使用小键盘、键区、麦克风、用相机使用视觉信号或触摸屏来输入信息。

与存储器230一样，存储系统240可以是能够存储可由服务器计算设备210访问的信息的任何类型的计算机化存储，诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、可写和只读存储器。此外，存储系统240可以包括分布式存储系统，其中数据存储在物理上位于相同或不同地理位置处的多个不同的存储设备上。存储系统可以如图2所示经由网络250连接到计算设备和/或直接连接到计算设备210中的任何一个。

存储系统240可以存储数据，诸如地图、与不同地点相关联的信息、用户偏好等。使用存储的数据，计算设备110可以确定对于地点的个人得分，个人得分对于每个用户是定制的。

图3示出了为多个搜索结果提供个人得分的示例。用户305输入搜索308，在这个示例中为“晚餐”。由于用户305已经显式地或者通过在她的客户端设备上授权位置共享提供了她的位置，用户的位置可以被表示在地图315上。地图315还可以包括对在用户305周围的特定地理位置处的地理对象的描绘。例如，地理对象可以包括道路、建筑物、地标、雕像、路标等。例如，对象可以在道路图、航空影像、街道级影像等中被描绘。

响应于用户的搜索的地点(诸如，在用户位置的预定地理范围内的提供晚餐的地点)被标识。搜索结果也可以(诸如通过标记点)被表示在地图315上。尽管没有在图3中示出，地图315中的搜索结果的表示还可以包括个人得分。例如，个人得分可以通过百分比或其他数字在标记点上或紧靠标记点表示。在其它的示例中，个人得分可以通过改变标记或地图的尺寸、形状、阴影或者其它方面来表示。应该理解这些仅是示例，并且可以使用多种指示符中的任何一个。

如图所示，搜索结果也可以被列在地图下方，并且列表中包括个人得分。在这个特定示例中，结果被示出为以最高个人得分的顺序列出。餐厅B与用户305的显式和或隐式偏好最接近地匹配，并且因此以93％的高个人得分被列在顶部。下一个与用户的偏好的最接近的匹配是餐厅X，具有81％的个人得分。进一步的匹配，具有逐渐降低的得分，可以被列在餐厅X下面，并且可以通过滚动等方式被查看。

图4提供了可以用于确定对于餐厅的个人得分的不同参数的示例。如图所示，这样的参数包括多种不同类型的偏好，诸如预算、菜系、快餐、供应、环境等。参数还可以包括限制。仅作为一个可能的示例，限制可以是用户对坚果过敏。因此，在每张餐桌上放一碗花生并且鼓励顾客将壳扔到地板上的餐厅会违反用户的限制。这样的餐厅可以接收到很低的得分，或者被完全从搜索结果中排除。其它参数可以与用户的历史比较。例如，这样的参数可以包括地点相似性、最喜爱的地点、到访过的地点等。如果给定的餐厅高度相似于用户已经到访过的或已经指示为最喜爱的一个或多个其它餐厅，该给定的餐厅将会接收对于该用户的更高的个人得分。

尽管在图4中示出多个示例参数，应该理解多个其它参数是可能的。此外，不同类型的参数可以基于被搜索的地点的类型来修改。例如，景点(博物馆、操场等)、服务(例如，洗车、沙龙等)或其它类型的感兴趣的点具有相对于该地点的特征的不同的参数。

图5提供了图4中示出的不同类型的参数的示例，并且进一步提供这样的偏好可以被怎样呈现给用户的示例。左列中的每个示例与右列中的偏好的类型被相关联地列出。在这个示例中，偏好以重要性的顺序被排列。尽管在一些示例中可以使用重要性的默认的顺序，但在其它示例中用户可以基于用户的特定关心修改重要性的顺序。在进一步的示例中，可以基于用户的隐式偏好确定重要性的顺序。例如，如果用户只到访高档的地点，但是这些地点在提供的菜系的类型上不同，则预算偏好可以优先于菜系偏好。

图6提供了相比于推断出的偏好的显式偏好的示例。例如，用户可以(诸如，通过用户界面)显式地指示用户是素食者并且喜欢意大利菜。如果用户通常到访素食者地点以及意大利餐厅，可以推断出相同的信息。

根据一些示例，可以为两个或更多个用户生成组合的个人得分。例如，两个朋友可以对在餐厅中见面吃晚餐感兴趣，但是这两个朋友可以具有不同的个人偏好。因而，对一个用户具有高个人得分的餐厅可以对另一个用户具有低个人得分。为了适应两个朋友，组合的个人得分可以考虑基于两个用户的偏好的(正的和负的)因素。例如，第一用户可以通过与第二用户的账户相关联的信息识别第二用户。例如，这样的信息可以包括唯一的标识符、电子邮件地址、用户名或者任何其它的唯一信息。一旦第一用户和第二用户被识别，可以生成组合的个人得分。组合的个人得分可以与其它信息(诸如对第一用户和/或第二用户的单独的个人得分)被一起提供。组合的个人得分可以通过多个应用中的任何一个(诸如连接第一用户和第二用户的通信应用)来提供。

机器学习

个人得分可以使用机器学习计算。根据一些示例，该过程被分为不同的阶段，包括特征提取、训练示例生成、模型训练和评估。

图7示出了如何训练个人得分机器学习模型的示例。每个训练示例由(用户，地点)对、可选上下文信息和相应的标签组成。首先，各种用户、地点和上下文数据被连接在一起并且一组特征提取器被应用于所连接的数据以生成相关的机器学习特征。相似地，标签提取器被应用于相应的训练数据源以生成用于示例的必要标签。

如先前提到的，用户、地点、上下文和训练数据可以来自各种源。用户数据可以包括推断出的或者显式用户偏好，他们到访过的地点、他们已经发布的评级和评论、他们已经添加了书签或保存的地点等。地点数据可以包括平均星级评级、来自公众的评论、地点的照片、提及地点的网页、价格等级、提供的菜单项/菜系等。上下文数据可以包括一天中的时间、一周中的一天、季节、天气、用户是否正在旅行，或者用户是否正在与其他人制定计划。最后，训练数据可以来自到访历史、web和搜索活动、调查响应、用户的评级等。

用于模型的训练数据可以包括正因素和负因素二者。正因素可以包括，例如，在调查中显式地回答他们喜欢该地点、用户先前到访该地点或相似地点的次数、搜索该地点、给出高评级或指示用户可能对该地点感兴趣的其它因素。负因素可以包括直接信号(如在调查中回答他们不喜欢该地点)、给出低评级或从事实(即使该地点靠近用户已经到访过的其它地点，但他们从未到访过该地点或与该地点交互过)中推断出。应该理解，除了上面所描述的训练数据或替代于上面描述的数据，可以使用其他训练数据。

一组特征提取器使用所连接的用户/地点/上下文数据并输出一组机器学习特征，该组机器学习特征可以是标量、类别标签或用于输入到机器学习模型中的其它合适的值。特征可以仅取决于用户数据、仅取决于地点数据或取决于所有数据的组合。例如，仅从用户数据提取出的特征可以是外出用餐的频率。这指示用户想要到访任何餐厅的可能性的前提。仅基于地点数据的特征可以是地点的平均星级评级或到访者的数量，该特征指示该地点的普遍受欢迎程度。基于用户和地点数据的组合的特征可以是用户对在该地点提供的特定菜系或菜单项的偏好。另一示例可以是该地点与用户最喜爱的餐厅中的一个的相似程度。额外的上下文数据可以进一步细化特征以指示用户是否在不同的上下文中具有不同的偏好，例如在下雨时偏好方便的位置，或者在旅行时偏好名胜地点。

标签提取器使用训练数据并为每个示例输出单个标签，该标签同样可以是标量、类别标签或用于机器学习模型的其它合适的值。作为示例，标签可以是用户已经到访地点的次数，或者标签可以是当在调查中被问到用户喜欢该地点的程度时他们所选择的响应。

取决于所选的一组特征和标签，可以使用不同的机器学习模型。可以并行地训练这样的模型。某些特征可以是跨所有模型公共的，同时每个模型可以具有其自己的特定的特征。可以开发共享的特征提取器集合。然后每个模型可以选择期望的提取器的子集。相似地，不同的模型可以共享相同的标签提取器或者使用不同的标签提取器。作为示例，机器学习模型可以是预测用户到访地点多少次的线性回归或深度神经网络模型。作为另一示例，模型可以是预测当用户在调查中被问到他们喜欢该地点的程度时、用户会回答什么的普通回归模型。

图8示出了可以如何应用学习后的模型的示例。给定(用户，地点)对和可选上下文信息，模型可以用于预测指示用户喜欢地点的程度的得分。此外，模型将会输出对为什么用户喜欢或不喜欢该地点的一组解释。

基于向用户示出的个人得分和解释，用户可以提供反馈或者使用其他显式控制以调整他们的偏好。这可以允许用户对他们自己的数据具有更细粒度的控制并且改进所预测的个人得分的准确性。

用于机器学习模型的信号可以包括个性化信号和上下文信号二者，以使模型可以智能地预测在特定上下文中用户偏好什么。这样的信号的示例包括作为标量值表示的菜系偏好、相似的地点、位置、天气、时间、饮食限制、与其它保存的地点的相似性、到访过的地点或者高评级的地点、预算类别或者多种其他因素中的任何一个。

图9A示出了示例线性机器学习模型。在这个模型中，用户、地点和上下文信号被映射到物理到访的二进制标签。直接从用户到访历史提取正标签。负标签是从到访过的地点附近的未到访过的地点中近似的。用户简档是对在相同的区域内、用户到访比平均用户更多的地点的唯一标识的向量。在一些示例中，模型可以通过添加用户搜索查询来增强。地点简档包括地点的唯一标识符和/或唯一属性。通过应用文本嵌入，可以添加文本(诸如评论、关键词等)作为地点特征的部分。上下文特征包括位置，时间和天气。在线性模型中，可以在特征之间(例如，在预算偏好和菜系之间、在时间和其他用户/地点简档之间等)应用特征交叉。

图9B示出了示例用户意图模型。这个模型预测在地点的唯一标识符和唯一属性方面的用户意图。该意图模型使用所有个性化信号和上下文信号。

图9C示出了示例二进制意图模型。这个模型使用意图作为特征并为到访和点击预测二进制标签。这个模型需要负标签。点击数据可以被用作训练标签，在这种情况中负标签是在没有点击的情况下、对意图的印象。到访数据也可以被用作训练标签，在这种情况中负采样方法被应用于创建合成的训练标签。

使用模型中的一个或多个生成个人得分。仅作为示例，得分可以使用线性回归计算。

在训练和评估阶段，可以使用调查和/或用户生成的数据评估机器学习模型。例如，可以向真实用户提供调查以询问他们对关于由模型推荐的地点的意见，以及他们对关于对于地点而为他们生成的个人得分的意见。用户生成的数据，诸如评级、评论、用户保存的和最喜爱的地点的列表等，也可以其自己单独使用或与调查组合使用。

对机器学习模型的评估可以聚焦于各种度量。例如，评估度量可以聚焦于特定地点相对于其它地点的排名。额外地或可替代地，评估度量可以聚焦于为特定地点生成的个人得分。

图10示出了调查数据可以如何被用于评估机器学习模型的示例。为了确定一个模型的结果是否可以与另一个模型的结果相区分，可以进行成对t检验以了解由模型生成的得分是否差异显著。每个t检验通过模型中的一个运行一组样本数据。如果得分不是显著不同的，则可以尝试另一组样本数据。如果得分是显著不同的，则计算其它度量。例如，其它度量可以包括查准率、查全率、正确性、个人得分与用户响应之间的相关性等。

来自机器学习模型的结果还可以使用，例如，显式用户偏好来调节。例如，如上面提到的，可以将对于特定地点的个人得分与导致该个人得分的生成的因素的解释一起呈现给用户。用户可以，例如通过更改预算偏好、菜系偏好或者因素中的任何一个来编辑一个或多个因素。在这样的情况中，可以生成更新后的得分。

用户界面

用户可以与他们的个人得分交互，诸如通过用户界面查看底层因素或提供显式偏好。图11-图22中提供了用户界面的不同方面的示例。

图11提供了可能的得分细节页面示例，为用户提供有关对于特定地点餐厅B的个人得分的信息。在这个示例中，个人得分与其它概要信息(诸如餐厅的名称、提供的菜系的类型以及一般大众的评级)一起被提供。

此外，如图11所示，还可以提供得分细节。得分细节部分可以列出导致该得分的一个或多个显式或推断出的偏好。这样的偏好可以包括所使用的偏好中的全部或仅所选的一些。例如，在一些示例中，得分细节部分可以仅列出预定数量的、在个人得分的计算中被给予最大权重的偏好。在一些示例中，偏好的这个列表还可以包括更新偏好的链接。例如，用户可以点击“在你的想要去的列表上”并且被带到示出用户的“想要去”列表的另一个屏幕或web页面或应用。

在一些示例中，还可以提供“这是如何计算的”部分。这个部分可以提供不同类型的报告的信息的解释并且用于计算个人得分。额外地或可替代地，这个部分可以提供编辑用户的偏好的链接。例如，可以提供更新离散的信息(诸如打开或关闭位置历史报告)的单独的链接。还可以提供将用户带到偏好编辑部分的一般链接(例如，“更新你的偏好”)，诸如下面结合图13A-图13C所描述的那些。

图12示出了用于地点细节页面的示例界面，其中个人得分由于缺少信息而不被生成。例如，如果用户还没有授权对位置或web浏览历史的报告，并且还没有提供任何显式偏好，机器学习模型可能没有足够的信息来计算得分。在这样的情况中，可以将提示(诸如带有请求“告诉我们关于你的偏好”的文本的链接等)呈现给用户。当与提示交互时，用户可以被带到偏好编辑部分。

图13A-图13C提供了偏好编辑部分的各种示例。在图13A的示例中，使用贴片(tile)指示偏好。例如，可以为多种不同类别中的每一个显示各种贴片。对于餐厅，类别可以包括饮食偏好、预算、口味、菜系、环境或其它偏好。每个类别可以进一步包括一个或多个选项。选项可以通过各种类型的图形来表示。例如，图13A使用贴片表示选项。

每个选项可以被用户标记为正偏好或负偏好，正偏好或负偏好可以使用正指示符或负指示符来反映。正指示符或负指示符可以包括多种不同表示中的任何一个，诸如色彩/阴影、图形(例如，复选标记、“x”、一条线穿过其中的圆圈等)、或者其他表示。如图13A的示例中所示的，口味的类别包括葡萄酒、鸡尾酒、烈性酒、甜点和小菜的选项。环境的类别包括休闲、舒适、时髦和其它。应该理解类别和选项仅是示例，并且可以提供各种不同类别和选项中的任何一个。在口味类别中，用户已经指示了他偏好鸡尾酒的正偏好。在环境类别中，用户已经指示了他不喜欢时髦地点的负偏好。在一些示例中，用户可以在一个类别中指示多于一个的正偏好或负偏好。

图13B示出了以列表格式表示选项的示例，该列表格式中，每个列表项旁具有单选按钮。用户可以与该单选按钮交互，以为列表项中的选项指示正偏好或负偏好。

图13C示出了使用片(chip)来表示选项的示例。所示出的片比图13A的贴片更小，使得更多的片在给定的区域内是可见的。用户可以与每个片交互，以为由片表示的选项指示正偏好或负偏好。

尽管图13A-图13C提供了用于偏好编辑部分的用户界面的各种示例，但是应该理解各种替代方式是可能的。例如，选项可以由多种不同类型的图形中的任何一个来表示。在一些示例中，用户可以与选项交互，以获得关于选项的更多细节，诸如描述。

图14示出了地点细节页面和得分细节页面之间的示例关系。上面结合图1描述了地点细节页面的示例。在地点细节页面上提供的个人得分可以是链接。上面结合图11详细描述的，当用户与链接交互时，可以将得分细节页面呈现给用户。在这个示例中，得分细节页面还包括用于用户反馈的部分。例如，这个部分可以提示用户确认基于用户在餐厅B的体验、个人得分是否准确，或者提示用户提供任何其它类型的反馈。下面结合图19-图20描述反馈部分的进一步的细节。

图15示出了得分细节页面和偏好编辑部分之间的示例关系。在这个示例中，得分细节页面提供编辑用户偏好的链接。与链接交互将用户带到偏好编辑部分，其中用户可以更改他们对任何特定选项是具有正偏好还是负偏好的指示。

图16示出了首次实现个人得分匹配时可以呈现给用户的示例信息页面。例如，类似于图12，可能需要有关用户的偏好的进一步的信息以便生成个人得分。因此，将信息页面呈现给用户。信息页面可以寻求用户的输入，该输入是关于当选择餐厅或其它感兴趣的点时，什么类型的特征对于用户是重要的。在一些示例中，各种选项可以被呈现为快捷方式，诸如鸡尾酒、披萨、浪漫的等。还呈现了到完整的偏好编辑部分的链接。

图17示出了与图16的快捷方式按钮中的示例交互。例如，如果用户点击“素食者”快捷方式按钮，用户可以被带到偏好页面。在偏好页面上，素食者选项被更新为正偏好，并且因此使用正指示符表示。除了饮食类别之外，还呈现了进一步的类别。在这个示例中，这样的进一步的类别包括预算、菜系，并且如果用户进一步向下滚动还会有更多的类别。这些类别中的每一个包括可以由用户选择以指示正偏好或负偏好的各种选项。一旦用户在偏好页面上指示了偏好，用户可以被带到更新后的信息页面。更新后的信息页面包括基于由用户在偏好页上指示的偏好的匹配得分，这里是80％。

图18示出了用于地点细节页面的示例界面，其中可以扩展一个或多个部分以查看进一步的信息。例如，如果解释用于匹配得分的基础的部分包括多个因素，可以通过隐藏一个或多个因素(诸如重要性低的因素)来压缩因素的列表。如果用户对看到这样的额外因素感兴趣，用户可以与屏幕的部分(诸如箭头按钮或被链接的文本“更多的3个”或者未示出的任何其它类型的链接)交互。在这样的交互下，列表可以被扩展以使得先前被隐藏的因素可见。

如上面结合图14所提到的，地点细节页面可以包括请求来自用户的反馈的部分。图19示出了对所请求的反馈的示例。在这个示例中，询问用户个人得分是否似乎是正确的。例如，用户可以查看关于餐厅B的信息，诸如概要信息、其他的用户评论、餐厅B的网站、菜单或来自任何多个源的任何其它可用信息。用户还可以到访餐厅B并尝试在那里吃晚餐。然后用户可以确定个人得分是否与用户自己对餐厅B的评估大致相同。如果用户确定个人得分是准确的，用户可以点击“是的”。这样的反馈可以用于确认和加强用于计算得分的机器学习模型。如图19中所示的，这样的反馈还可以用于建议用户可能也喜爱的类似于餐厅B的地点。

图20示出了用户在反馈部分指示得分似乎不准确的示例。为了确定更准确的得分，可能需要用户提供额外的反馈。作为示例，可能需要用户更新用户偏好。可以额外地或可替代地给予用户授权自动报告的选项。其它类型的反馈(诸如评论等)也是可能的。额外的反馈可以用于为用户生成更新后的个人得分。

另一类型的反馈包括调查。图21-图22示出了可以被提供给用户的调查的示例。在图21中，调查基于用户到地点的实际到访。例如，如果用户已经授权了位置报告，调查可以在确定用户的设备到访了与地点相匹配的位置后被呈现给用户。调查可以呈现一个或多个问题，诸如询问用户是否喜欢该地点。用户可以以未示出的多种方式中的任何一个响应，这些方式包括选择响应按钮或使用其它特征与调查交互。

在图22中，基于用户的活动做出对预测的调查请求确认。例如，对于用户到访特定地点的活动，模型可以推断用户喜爱特定的选项，诸如鸡尾酒。可以要求用户确认这个推断，或者如果这样的推断是不正确的，则要求用户更新用户的偏好。

示例方法

除了上述示例系统之外，现在描述示例方法。这样的方法可以使用上述系统、其修改或具有不同配置的各种系统中的任何一个执行。应该理解下面的方法中涉及的操作不需要以所描述的精确顺序执行。相反，各种操作可以以不同的顺序或同时地处理，并且可以增加或省略操作。

图23提供了示出提供对于地点的个人得分的方法2300的流程图。在框2310中，接收对地点的请求。例如，请求可以是通过搜索引擎输入的搜索、地图应用或任何其它类型的网站、应用等。可以使用各种类型的信息(诸如名称、地址、类别、一般位置等)请求地点。例如，请求可以指定“靠近我的加油站”或“在斯普林菲尔德(Springfield)要做的事”或任何其它这样的信息。所请求的地点可以是任何数量的不同类型的地点，诸如餐厅、商店、银行、加油站、健身中心、博物馆等。

在框2320中，识别与请求相匹配的地点。作为示例，在预定地理范围内的所有地点可以被识别为用于对用户的推荐的候选。在一些示例中，可以在地图上或以任何其它形式将被识别为与请求相匹配的地点指示给用户。

在框2330中，识别用户偏好。用户偏好可以与所请求的地点的类型相关。例如，如果所请求的地点的类型是用餐的地点，则所识别的用户偏好可以与菜系、预算、环境等相关。如果所请求的地点的类型是服装商店，则用户偏好可以涉及预算、风格等。可以从存储的用户偏好的更大的集合中识别用户偏好。例如，如果用户授权位置报告或web历史报告，则用户偏好可以包括基于用户先前到访过的位置或网站的推断。用户偏好还可以包括由用户输入的显式偏好。这样的显式偏好可以在输入请求之前或之后的任何时间被输入。在一些示例中，用户偏好还可以包括限制。例如，如果用户因为食物过敏不能去特定类型的餐厅，这样的食物过敏可以被识别为限制。各种其它类型的限制也是可能的。

在框2340中，生成对与请求相匹配的地点中的一个或多个的个人得分。个人得分特定于用户，基于所识别的用户偏好生成。个人得分可以使用机器学习模型生成，诸如上面结合图7-图10所描述的。

在框2350中，可以可选地根据个人得分对与请求相匹配的地点排序。例如，结果可以从最高个人得分到最低个人得分排序。在一些示例中，排序可以基于多个因素，诸如与地点相组合的个人得分。进一步地，可以从结果中过滤掉违反限制的匹配。

在框2360中，诸如通过向用户的设备进行传输，提供个人得分以进行显示。例如，对于特定结果的个人得分可以与关于该特定结果的其它信息一起被提供。

应该理解上述的方法仅是示例，并且其它方法也可以被实现。例如，可以在没有接收来自用户的请求的情况下，向用户主动地发送推荐。例如，可以基于用户感兴趣的区域中的、具有高个人得分的地点，向用户发送周期性的(例如，每周的)建议。

除非另有说明，否则前述替代实例不是互斥的，而是可以以各种组合来实施以实现独特的优势。由于以上讨论的特征的这些以及其它变化和组合能够在不脱离由权利要求所定义的主题的情况下被使用，前述对实施例的描述应该以例示的方式来理解，而不是以限制由权利要求所定义的主题的方式来理解。此外，对本文所描述的示例以及被措辞为“诸如”、“包括”等的短语的提供不应该被解释为将权利要求的主题限制在特定的示例；相反，所述示例意图示出多个可能实施例中的仅一个。此外，不同的附图中的相同的参考标记能够标识相同或者相似的元素。

Claims (20)

1.一种方法，包括：

使用一个或多个处理器，识别对于用户具有潜在兴趣的一个或多个地点；

使用一个或多个处理器，识别用户偏好；

使用一个或多个处理器，确定对于地点中的一个或多个的个人得分，所述个人得分基于所识别的用户偏好生成；以及

使用一个或多个处理器，提供与关于所述地点的信息相关联地显示的、对于所述地点中的一个或多个的个人得分。

2.根据权利要求1所述的方法，还包括：

接收请求；

将所述具有潜在兴趣的一个或多个地点与所述请求匹配；以及

基于所述个人得分，对与所述请求相匹配的地点排序。

3.根据权利要求1或2所述的方法，其中，所述用户偏好包括由用户通过用户界面输入的显式偏好。

4.根据权利要求1或2或3所述的方法，其中，所述用户偏好包括通过在有用户的授权的情况下、从用户被动收集到的信息所推断出的隐式偏好。

5.根据任一前述权利要求所述的方法，其中，确定所述个人得分包括应用机器学习模型。

6.根据任一前述权利要求所述的方法，还包括：

为所确定的个人得分确定一组解释，以及

提供解释，以与所述个人得分一起显示。

7.根据权利要求6所述的方法，其中，所述一组解释指示用户可能喜欢所述一个或多个地点的原因。

8.根据权利要求6或7所述的方法，其中，所述一组解释基于所识别的用户偏好和关于所述一个或多个地点的信息生成。

9.一种系统，包括：

存储用户的偏好的一个或多个存储器；

与所述一个或多个存储器通信的一个或多个处理器，所述一个或多个处理器配置为：

接收对地点的请求；

识别与所述请求相匹配的一个或多个地点；

识别用户偏好；

确定对于与所述请求相匹配的地点中的一个或多个的个人得分，所述个人得分基于所识别的用户偏好生成；以及

提供与关于和所述请求相匹配的地点的信息相关联地显示的、对于与所述请求相匹配的地点中的一个或多个的所述个人得分。

10.根据权利要求9所述的系统，其中，所述一个或多个处理器还被配置为基于所述个人得分对与所述请求相匹配的地点排序。

11.根据权利要求9或10所述的系统，其中，所述用户偏好包括由用户通过用户界面输入的显式偏好。

12.根据权利要求9、10或11所述的系统，其中，所述用户偏好包括通过在有用户的授权的情况下、从用户被动收集到的信息所推断出的隐式偏好。

13.根据权利要求9至12中任一项所述的系统，其中，确定所述个人得分包括应用机器学习模型。

14.根据权利要求9至13中任一项所述的系统，其中，所述一个或多个处理器还被配置为，为所确定的得分确定一组解释，并且提供所述一组解释以用于显示。

15.一种用于构建机器学习模型以生成对于地点的个人得分的方法，所述个人得分基于给定用户的偏好，所述方法包括：

访问来自多个源的数据；

使用所访问的数据生成用户表，所述用户表包括用户到访数据和在线地点交互；

使用所访问的数据生成地点表，所述地点表包括与特定的一组标准相匹配的地点的标识以及用于识别偏好的地点级属性；

创建将用户标识关联到地点的样本的查找表，所述样本是用户已经指示感兴趣或不感兴趣的地点；

将所述查找表连接到所述用户表；以及

使用所连接的表训练模型以预测对于任何给定地点的个人得分。

16.根据权利要求15所述的方法，还包括：

使用所述模型计算个人得分；

接收与所计算的个人得分的准确性有关的调查结果；以及

基于所述调查结果修改模型。

17.根据权利要求15或16所述的方法，其中，所述模型是线性分类模型、线性回归模型或普通回归模型中的一个。

18.根据权利要求15、16或17所述的方法，其中，用于所述模型的训练数据包括正因素和负因素。

19.根据权利要求18所述的方法，其中：

所述正因素涉及用户先前对地点的到访或用户先前与地点的在线交互中的至少一个；以及

所述负因素涉及用户先前没有到访也没有与之交互过的地点，或者用户已经指示了负偏好的地点。

20.根据权利要求15至19中任一项所述的方法，其中，用于所述模型的信号可以包括个性化信号和上下文信号二者。

Images