CN112204610A - 基于神经网络的电子内容 - Google Patents

基于神经网络的电子内容 Download PDF

Info

Publication number
CN112204610A
CN112204610A CN201980036070.3A CN201980036070A CN112204610A CN 112204610 A CN112204610 A CN 112204610A CN 201980036070 A CN201980036070 A CN 201980036070A CN 112204610 A CN112204610 A CN 112204610A
Authority
CN
China
Prior art keywords
post
success
attribute
content
attributes
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.)
Pending
Application number
CN201980036070.3A
Other languages
English (en)
Inventor
贾斯汀·哈达德尼亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PayPal Pte Ltd
PayPal Inc
Original Assignee
PayPal Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PayPal Inc filed Critical PayPal Inc
Publication of CN112204610A publication Critical patent/CN112204610A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/169—Annotation, e.g. comment data or footnotes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

提供了用于修改帖子的属性的系统和方法。包括图像内容、文本内容和数额内容的帖子被发布到平台上。收集所述帖子的参与活跃度数据。生成矩阵，该矩阵包括针对图像内容、文本内容、音频内容和数额内容的属性的分数。矩阵、参与活跃度数据、以及与多个之前发布的帖子相关联的参与信息被用于生成所述帖子的估计成功等级。取决于帖子的估计成功等级，可以修改帖子属性并且具有经修改的属性的帖子替换在平台上的帖子。

Description

基于神经网络的电子内容
技术领域
本公开总体上涉及神经网络，并且更具体地，涉及使用神经网络、机器学习、以及模式识别来动态地修改电子内容。
背景技术
传统的社交媒体网络可以包括用于筹款、广告、销售商品或服务等的电子内容(例如，帖子之类)。当内容被发布到社交媒体平台时，无法确定该帖子是否会达到预期目的，诸如使用户捐款、响应广告、购买商品或服务等。
传统上，将内容发布到社交媒体网络的实体人工确定帖子的成功。如果帖子未成功，则实体可以用另一帖子替换该未成功的帖子。
因此，需要改进基于帖子的属性以及帖子和之前帖子的参与活跃度数据来确定所发布的内容是否成功的方式。还需要动态改变所发布内容的属性，以提高帖子的有效性。
附图说明
图1是可以实现实施例的示例性系统。
图2是根据实施例的确定所发布内容的有效性并动态修改帖子的框图。
图3是根据实施例的包括所发布内容和经修改的所发布内容的平台的框图。
图4是根据实施例的用于评估和动态修改所发布内容的方法的流程图。
图5是根据实施例的适合于实现图1至图4中的一个或多个组件或操作的计算机系统的框图。
通过参考下面的详细描述，将最好地理解本公开的实施例及其优点。应当理解，相同的附图标记用于标识在一个或多个附图中图示的相同的元件，其中，图中的显示是为了图示本公开的实施例，而不是为了限制本公开的实施例。
具体实施例
下面阐述的详细描述结合附图旨在作为各种配置的描述，并不意图表示可以实践本文描述的概念的唯一配置。本详细描述包括具体细节，以便提供对各种概念的充分理解。然而，对于本领域技术人员而言显而易见的是可以在没有这些具体细节的情况下实践这些概念。在一些情况下，以框图的形式示出了公知的结构和组件，以避免模糊了这些概念。
计算设备的电子内容生成器可以生成内容，例如，包括图像内容、文本内容、数额内容和音频内容的帖子。在一些实施例中，帖子或所发布内容可以与对捐赠、广告或优惠券的请求相关联。计算设备可以将内容发送到平台，然后平台将其发布。当用户在帖子平台上请求、查阅和响应所发布内容时，参与追踪器追踪并收集针对该帖子的参与活跃度数据。参与活跃度数据可以包括用户针对帖子内容的评论、由于帖子产生的捐赠次数和数额、通过帖子购买的产品和服务的数量和/或数额、通过帖子访问的产品或服务的数量、帖子的查阅次数、用户花费在帖子上或查阅帖子内容的时间长度、所发布内容被用户共享的次数等。
在实施例中，模式识别器和参与分析器可以估计帖子的成功或有效性等级。帖子的成功等级可以是可配置的并且表示平台上帖子的成功，该成功等级可以由用户或系统并根据帖子的目标来定义。示例的成功等级或度量可以是通过帖子收集的捐赠数额、通过帖子购买的商品和服务的数量或数额等。在实施例中，如果估计值指示帖子可能不成功(即，未达到可测量的预期结果的特定等级)，则模式识别器可以改变被包括在图像内容、文本内容、音频内容或数额内容中的帖子的一个或多个属性。
为了估计帖子的成功等级，被构造为神经网络的帖子分析器可以生成矩阵。该矩阵可以包括针对与帖子相关联的属性的分数。该矩阵可以包括针对与图像内容相关联的一个或多个图像属性的分数、针对与文本内容相关联的一个或多个文本属性的分数、针对与音频内容相关联的一个或多个音频属性的分数以及针对与数额内容相关联的一个或多个数额属性的分数。
参与分析器可以确定帖子的估计成功等级。为了估计成功等级，参与分析器可以对针对矩阵中每个属性的分数、以及针对之前发布到平台的帖子的相同属性的分数绘制图表。参与分析器然后可以执行接近度分析并确定与该帖子的分数接近(例如，在该帖子的分数的特定分数范围内)的分数。在实施例中，参与分析器可以针对矩阵中的每个分数重复以上过程。
当参与分析器确定与矩阵中的分数接近(在特定范围内)的分数时，参与分析器可以使用回归分析和统计算法来识别与这些分数相对应的帖子。接下来，参与分析器可以识别所识别的帖子的成功等级，并使用这些成功等级来估计发布到平台的内容的成功等级。
在实施例中，当该帖子的估计成功等级低于可配置阈值时，模式分析器可以修改帖子的一个或多个属性。一旦该帖子被修改，则模式分析器可以将经修改的帖子发送到平台，该平台可以用经修改的帖子替换该帖子。
该过程可以迭代地重复，直到参与分析器确定帖子的估计成功等级达到或高于可配置阈值。
图1是可以实现实施例的示例性系统100。系统100包括网络102。网络102可以被实现为单个网络或多个网络的组合。例如，在各种实施例中，网络102可以包括互联网或一个或多个内联网、陆线网络、无线网络和/或其他适当类型的网络。网络102可以是诸如专用网或局域网之类的小规模通信网络，或者诸如广域网之类的大规模网络。
在实施例中，一个或多个计算设备104和服务器106可以连接到网络102。计算设备104可以是便携式和非便携式电子设备，其受用户的控制并且被配置为对内容(例如，Web内容、社交媒体内容、帖子，图像、视频等)进行生成、发送、接收、查阅等。示例计算设备104可以包括台式计算机、膝上型计算机、平板计算机、智能手机、可穿戴计算设备、并入了计算设备的眼镜、可植入计算设备等。
在实施例中，计算设备104可以包括帖子生成器108。帖子生成器108可以是可以被安装在计算设备104上和/或在计算设备104上执行的软件应用。帖子生成器108可以生成一个或多个帖子，例如，帖子110。帖子110可以是包括视觉内容和文本内容的软件结构。帖子110可以被上传到服务器106并被存储在服务器106上。帖子110也可以被下载到一个或多个计算设备104上并在其上显示。
在实施例中，帖子110可以包括不同类型的内容。示例内容可以是图像内容112、文本内容114、数额内容116、和/或音频内容117。在实施例中，帖子生成器108可以自动地或使用帖子生成器108从用户接收的输入来为帖子110选择图像内容112、文本内容114、数额内容116和/或音频内容117。
在实施例中，图像内容112可以包括图像、视频、照片、和/或其他类型的视觉内容。文本内容114可以包括单词、标语、数字或字母数字字符、表情符号等。数额内容116可以包括数字、令牌、指定货币数额的特殊字符等。音频内容117可以包括音乐、语音、声音等。
在实施例中，计算设备104可以将帖子110上传到服务器106。服务器106可以是包括被配置用于大规模处理的硬件和软件的计算设备。服务器106也可以是被安装在计算设备上的计算机程序，该计算机程序向被安装在多个计算设备104上的各种应用提供服务。在实施例中，服务器106可以由服务提供商(例如，
Figure BDA0002803616120000041
)、电话服务提供商、社交网络服务和/或其他服务提供商来维护。
在实施例中，服务器106可以包括平台118或耦合到平台118。平台118可以包括可以由用户、计算设备等访问的一组服务、工具、产品、应用。平台118也可以连接使用平台118的各用户、提供用于与用户相关联的内容的存储介质、在用户之间分发内容，接收针对内容的输入(例如，评论、赞等)、执行货币交易等。示例平台118可以是社交媒体平台，例如，FacebookTM平台、WhatsAppTM平台、TwitterTM平台、VenmoTM平台等。
在实施例中，内容可以是文本、视觉、或音频内容。示例内容还可以包括文章、书籍、新闻摘要、图像、视频、歌曲等。内容还可以包括被上传到服务器106的帖子110。
在实施例中，平台118可以使用帖子110来宣传产品或服务、请求捐赠或慈善捐款等。在这种情况下，平台118可以使访问平台118的用户可获得帖子110。
在实施例中，用户可以访问也可以不访问帖子110。根据访问帖子的用户的数量，被多个用户访问的帖子110可以被确定为成功的帖子。在实施例中，帖子110的成功可取决于帖子110中所包括的图像内容112、文本内容114、数额内容116、和/或音频内容117。可以通过帖子110筹集到预配置的金额、在可配置时间段内具有超过预定义阈值的参与活跃度数据等来定义帖子110的成功。由于不同的帖子110具有不同的图像内容112、文本内容114、数额内容116、和/或音频内容117，因此一些帖子110针对获得期望的结果(例如在筹款或销售产品或服务方面)可能比其他帖子110更成功。
为了确定帖子110是否是成功的帖子，服务器106可以包括参与分析器130。参与分析器130可以是被设计为监测与帖子110相关联的参与活跃度数据122的软件应用。示例参与活跃度数据122可以包括用户使用计算设备104访问帖子110的次数、帖子110被下载到计算设备104的次数、用户之间共享帖子110的次数、在平台118上针对帖子110发布的评论数、在平台118上针对帖子110发布的用户反应的数量和/或类型(例如，“赞”和“踩”)、由于用户查阅或共享帖子110而筹集的金额、与帖子110相关联的以及由帖子110产生的物品或服务的销售数量等。
在实施例中，参与分析器130可以在服务器106内或平台118(未示出)内执行。
在实施例中，系统100还可以包括参与信息存储装置124。参与信息存储装置124可以是数据库或有助于存储大量数据的另一存储器存储装置。在实施例中，参与信息存储装置124可以存储参与信息126。参与信息126可以包括与之前发布在平台118上的多个帖子相关联的参与活跃度数据。另外，参与信息可以针对被包括在之前发布的帖子中的图像内容112、文本内容114、数额内容116、和/或音频内容117的不同属性的分数，下面将对此进行讨论。
在实施例中，服务器106可以估计帖子110的成功等级。如果帖子110仍在平台118上，则帖子110的成功等级可以指示帖子110针对获得期望结果在将来可能有多成功。在实施例中，服务器106还可以确定图像内容112、文本内容114、数额内容116和/或音频内容117是否可以被修改以提升帖子110的成功等级。为了确定帖子110是否是成功的帖子或者确定帖子110的内容是否应该被修改，服务器106可以包括帖子分析器128、参与分析器130、以及模式识别器132。帖子分析器128、参与分析器130、以及模式识别器132可以是在服务器106上实现的软件应用，该服务器106是包括平台118的相同或不同的服务器106。
如将在下面讨论的，帖子分析器128可以分析帖子110的图像内容112、文本内容114、数额内容116、和/或音频内容117的不同属性。如也将在下面讨论的，参与分析器130可以确定帖子110的估计成功等级。如下面将进一步讨论的，模式识别器132可以修改帖子110的图像内容112、文本内容114、数额内容116和/或音频内容117，以提高帖子110的成功等级。
图2是根据实施例的确定帖子的成功并动态修改该帖子的框图200。框图200包括帖子分析器128、参与分析器130和模式识别器132。
在实施例中，帖子分析器128可以从平台118接收帖子110。这可以在帖子生成器108生成了帖子110之后的任何时间发生。在实施例中，帖子分析器128可以是接收帖子110作为输入的神经网络。
在实施例中，帖子分析器128可以包括图像分析器202、文本分析器204、数额分析器206和音频分析器207。图像分析器202、文本分析器204、数额分析器206和音频分析器207可以是模拟节点网络的一个或多个应用。在实施例中，图像分析器202可以处理帖子110的图像内容112，文本分析器204可以处理帖子110的文本内容114，数额分析器206可以处理帖子110的数额内容116，并且音频分析器207可以处理帖子110的音频内容117。在另一实施例中，图像分析器202、文本分析器204、数额分析器206和音频分析器207可以各自是神经网络或可以一起形成神经网络。
在实施例中，图像分析器202可以分析图像内容112的图像属性，并且为每个属性分配分数。可以使用本领域已知的标准图像处理库来执行图像分析部分。
在实施例中，图像分析器202可以分析图像内容112中的对象属性。对象属性可以是图像内容112中的诸如狗、汽车、树、脸之类的对象，并且可以包括若干个诸如汽车、狗、树、盒子之类的独特对象。图像分析器202可以基于被包括在图像内容112中的独特对象来生成分数。
在另一实施例中，图像分析器202可以分析图像内容112的形状属性。形状属性可以标识图像内容112中的一个或多个形状类型。示例形状类型可以是曲线、直线、直线的普遍度(prevalence)、曲线的普遍度等。图像分析器202可以基于被包括图像内容112中的形状来生成分数。
在实施例中，图像分析器202还可以分析图像内容112的颜色属性。颜色属性可以标识图像内容112中包括的颜色、图像内容112中包括的不同颜色的普遍度。图像分析器202可以基于图像内容112中包括的颜色来生成分数。
在实施例中，图像分析器202可以分析图像内容112的对比度属性。对比度属性可以指出图像内容112中的对比度。图像分析器202可以基于图像内容112中的对比度来生成分数。
在实施例中，图像分析器202可以分析图像内容112的平衡度属性。平衡度属性度量图像内容112的平衡度。例如，图像分析器202可以度量图像内容112内的对象的分布。图像分析器202可以基于图像内容112中的对象的分布来生成分数。
在实施例中，图像分析器202可以分析亮度属性。亮度属性可以度量图像内容112或图像内容112中对象的亮度。图像分析器202可以基于图像内容112的亮度来生成分数。
在实施例中，文本分析器204分析帖子110中的文本内容114。例如，文本分析器204可以分析单词属性。单词属性可以包括出现在文本内容114中的单词。文本分析器204可以使用单词属性来标识文本内容114中的独特单词。独特单词可以是在文本内容114中重复一次的单词或单词类型(例如名词等)。文本分析器204可以基于文本内容114中存在独特单词和独特单词的数量来生成分数。
在实施例中，文本分析器204还可以分析单词计数属性。单词计数属性标识特定单词在文本内容114中出现的次数。文本分析器204可以基于文本内容114中重复的单词来生成分数。
在另一实施例中，文本分析器204还可以分析长度属性。长度属性标识文本内容114的长度。文本分析器204可以基于文本内容114的长度来生成分数。
在又一种实施例中，文本分析器204可以分析特殊字符属性。例如，文本分析器204可以识别文本内容114中是否存在特殊字符、表情符号等。文本分析器204可以基于文本内容114中特殊字符的存在和/或数量来生成分数。
在实施例中，数额分析器206可以分析帖子110的数额内容116中的数额属性。另外，数额分析器206还可以确定数额内容116是否包括独特单词或短语。
在一个实施例中，音频分析器207可以分析帖子110的音频内容117的音频属性。音频属性可以对应于音频内容117的响度、音调变化、语音质量(例如，男性、女性、深沉的、孩子的、柔和的、尖锐的)、口音、速度或节奏等。音频分析器207可以基于音频内容117的音频属性来生成一个或多个分数。在另一实施例中，音频分析器207可以使用语音识别和语言处理技术(例如，word2vec)，以便将音频内容117翻译为文本内容114和/或识别图像内容112。一旦音频内容117被翻译，文本分析器204就可以使用获得的文本内容114来确定文本属性，并且图像分析器202可以使用获得的图像内容112来确定图像属性。
在实施例中，帖子分析器128可以生成矩阵208。矩阵208可以包括针对帖子110的属性的一个或多个分数。例如，矩阵208可以包括针对一个或多个图像属性、一个或多个文本属性、一个或多个数额属性、和/或一个或多个音频属性的分数。在实施例中，矩阵208的维度可以对应于用于生成矩阵208的文本、视觉、音频和数额属性的属性数量。例如，包括六个图像属性、三个文本属性和一个数额属性的矩阵208可以是6x 3x 1的矩阵。
在存在矩阵208的实施例中，帖子分析器128可以填充针对帖子208的现有矩阵208。当之前已由帖子分析器128确定了帖子208的属性时，矩阵208可以是存在的。
在实施例中，矩阵208可以是帖子分析器128的输出。
在实施例中，矩阵208可以是参与分析器130的输入。参与分析器130可以估计帖子110的成功等级。为了估计帖子110的成功等级，参与分析器130可以使用帖子110的参与活跃度数据122、之前发布到平台118的帖子的参与信息126、以及矩阵208。如上所述，参与信息126可以包括之前发布到平台118的帖子的参与活跃度数据和帖子的成功等级，例如，这些帖子是否满足一个或多个成功等级的阈值或指标。另外，参与信息可以包括帖子分析器128针对之前发布的帖子生成的矩阵，例如，矩阵208A。
为了估计帖子110的成功等级，参与分析器130可以为矩阵208中的每个属性生成一个图表。该图表可以包括针对矩阵208中属性的分数以及针对之前发布的帖子中相同属性的分数。例如，参与分析器130可以对针对矩阵208的图像内容112的对象属性的分数以及针对之前发布的帖子中的图像内容的对象属性的分数绘制图表。在另一实施例中，参与分析器130可以生成针对矩阵208中的颜色属性的分数和针对之前发布的帖子中的图像内容的颜色属性的分数的图表。在又一实施例中，参与分析器130可以生成针对矩阵208中的文本内容114中的单词属性的分数和针对之前发布的帖子的文本内容的单词属性的分数的图表。在又一个实施例中，参与分析器130可以生成针对矩阵208中的数额属性的分数以及针对在之前发布的帖子中的数额属性的分数的图表，等等。在另外的实施例中，参与分析器130可以生成针对矩阵208中的音频属性的分数以及针对之前发布的帖子中的音频属性的分数的图表，等等。
接下来，在实施例中，参与分析器130可以针对每个图表中的分数执行接近度分析。接近度分析可以确定与之前发布的帖子相关联的一个或多个分数，这些分数与帖子110的分数接近(在设定范围内)。例如，参与追踪器120可以对图表进行对象属性的接近度分析，并识别在之前发布的帖子中与帖子110的矩阵208中的对象属性分数接近的对象属性分数。在实施例中，参与分析器130可以针对与矩阵208中的属性的分数对应的每个图表重复上述接近度分析。在实施例中，可以为每个属性配置使分数构成彼此接近的值。
一旦参与分析器130识别出与帖子110的矩阵208的分数接近的分数，参与分析器130就可以使用回归分析和统计算法(例如，贝叶斯算法)来确定哪些之前发布的帖子与帖子110相似(在针对一个或多个分数的特定距离或范围内)。在回归分析中，参与分析器130可以选择属性，然后可以从图表中选择与矩阵208的分数接近或在相对于矩阵208的分数在特定范围内的分数，并识别与该分数相关联的一个或多个之前发布的帖子。参与分析器130然后可以根据参与信息126来识别所识别的一个或多个帖子的成功等级。在实施例中，所识别的成功等级是帖子110针对该属性的估计成功等级。
在实施例中，参与分析器130可以针对参与分析器130为其生成了图表的每个属性确定帖子110的估计成功等级。
在实施例中，参与分析器130可以通过对参与分析器130针对帖子110的每个属性生成的估计成功等级进行平均来确定帖子110的估计成功等级210。在另外的实施例中，参与分析器130可以向不同属性的估计成功等级分配不同的权重。这样，在确定估计成功等级210时，一些属性可以比其他属性具有更大的权重。例如，一个属性(例如，对象属性或数额属性)可以比颜色属性或形状属性具有更大的权重，以确定帖子110的估计成功等级210。
在实施例中，帖子110的估计成功等级210可以是关于当帖子110被显示在平台118上时可以筹集的金额或购买的产品或服务的粗略估算。
在实施例中，参与分析器130还可以将帖子110的参与活跃度数据122存储在参与信息存储装置124中，以便建立帖子110在平台118上的生命周期内的帖子110的属性和参与活跃度数据122之间的历史趋势和相关性。可以使用相关性来评估被上传到平台118的未来帖子的估计成功等级。
在另一实施例中，参与分析器130可以使用参与活跃度数据122来确定帖子110的成功(与之前上传到平台118的帖子的成功等级相比)。例如，参与分析器130可以确定参与活跃度数据122是否指示帖子110比帖子110的估计成功等级210所指示的参与更为成功。如果参与分析器130确定参与活跃度数据122指示帖子110比估计成功等级210所指示的参与更成功，则参与分析器130在将估计成功等级210发送到模式识别器132之前，可用来自参与帖子130的数据替换估计成功等级210中的数据。
在实施例中，模式识别器132可以接收帖子110的估计成功等级210。根据估计成功等级210是否低于可配置阈值，模式识别器132可以修改帖子110的一个或多个属性并将帖子110转换为帖子110A。例如，模式识别器132可以修改帖子110的图像内容112。在另一实施例中，模式识别器132可以修改文本内容114或向文本内容114添加特殊字符。在另一实施例中，模式识别器132可以提高或降低数额内容116中的数额。在又一实施例中，模式识别器132可以对声音内容117改变语音类型、添加声音，等等。在又一实施例中，代替修改一个或多个属性，模式识别器132可以替换来自帖子110的图像内容112、文本内容114、数额内容116和/或音频内容117，并将帖子110A转换为帖子110。
为了识别要修改的属性，模式识别器132可以识别之前发布的帖子中具有与帖子110接近的分数并且相较于帖子110被用户更多参与的一个或多个属性，例如，通过如上所述的指标来度量。
在实施例中，模式识别器132可以将帖子110A发送回平台118。当平台118接收到帖子110A时，平台118可以将帖子110动态地改变为帖子110A，使得用户可以访问帖子110A而不是帖子110。一旦帖子110A在平台118上，帖子110A就可以在可配置时间段内接收评论、贡献、赞等。在可配置时间段结束之后，平台118可以将帖子110A发送到帖子分析器128和参与分析器130，以确定帖子110A(未示出)的成功等级。在实施例中，可以迭代地重复以上过程，直到平台118上的帖子的估计成功等级达到或高于可配置阈值为止。
在实施例中，模式识别器132可以确定帖子110的估计成功等级210低于最小成功等级阈值。在这种情况下，帖子分析器132可以将帖子110传递给计算设备104的帖子生成器108，其中计算设备104具有指令，这些指令用于使帖子生成器108生成另一帖子(例如，帖子110B)或者从用户接收输入以改变帖子110B的图像内容112、文本内容114、数额内容116和/或音频内容117。
图3是根据实施例的包括帖子和经修改的帖子的平台的框图300。如图3所示，平台118可以接收由计算设备104的帖子生成器108生成的帖子110。帖子110可以包括图像内容112、文本内容114、数额内容116和/或音频内容117。在实施例中，帖子110可以被发送到服务器106，在服务器106处，帖子分析器128和参与分析器130可以确定帖子110的估计成功等级210。如图3进一步所示，模式识别器132通过改变图像内容112的属性之一来将帖子110修改为110A。经修改的图像内容112被示出为图像内容112A。一旦模式识别器132将帖子110修改为帖子110A，服务器106就可以将帖子110A发送到平台118。
在实施例中，当平台118接收到帖子110A时，平台118可以用帖子110A(未示出)替换帖子110。这样，通过计算设备访问平台118的用户可以查阅帖子110A而不是帖子110。
图4是根据实施例的用于估计帖子的成功并修改帖子的方法400的流程图。可以使用图1至图3中描述的硬件和/或软件组件来执行方法400。注意，在适当的情况下，可以按照不同的顺序删除、组合或执行一个或多个操作。
在操作402中，发布内容。例如，可以将包括图像内容112、文本内容114、数额内容116和/或音频内容117的帖子110发布到平台118。
在操作404中，填充矩阵。例如，帖子分析器128可以填充矩阵208，该矩阵208包括针对帖子110的一个或多个图像属性、文本属性、数额属性和/或音频属性的分数。在实施例中，操作404可以在收集到帖子的参与活跃度数据之后的任何时间进行。例如，参与帖子生成器108生成帖子110。
在操作406中，追踪器120可以在可配置时间段内追踪和存储帖子110的参与活跃度数据122。
在操作408中，确定估计成功等级。例如，参与分析器130可以使用矩阵208、参与活跃度数据122、以及来自之前发布的帖子的参与信息126，以获得帖子110的估计成功等级210。在实施例中，操作408可以在操作406中的可配置时间段完成之后进行。
在操作410中，修改帖子的一个或多个属性。例如，模式识别器132可以接收帖子110的估计成功等级210，并通过修改帖子110的一个或多个属性来生成帖子110A。例如，模式识别器132可以将帖子110中的图像内容112的对象属性和/或帖子110的数额内容116中的数额属性修改为可以提升帖子110的成功等级的属性。
在操作412中，将修改的帖子发布到平台118。例如，模式识别器132可以将110A发布到平台118。
在实施例中，在帖子110A接收到参与活跃度数据122之后，帖子110A可以被重新评估以确定是否可以修改帖子110A中的一个或多个属性以提升帖子110A的成功等级。此外，方法400中描述的过程可以迭代地重复，直到估计成功等级不再改变或等于或大于预定阈值为止。
因此，使用被构造为神经网络的帖子分析器128、参与分析器130和模式识别器，可以动态地修改电子内容，以提高这种内容对于期望结果(例如，产品或服务的销售、筹到的钱、与该内容相关联的内容查阅(例如用于社交认知)等)的有效性。内容可以被连续或迭代地修改，直到获得期望的可度量的成功等级。
回到图1，在实施例中，系统100可以被包括在支付系统、诸如VenmoTM之类移动支付系统、补偿系统等内。在一个实施例中，使用支付系统的用户可以将与平台118通信的支付应用安装、下载等到计算设备104上，并且使用支付应用来转账金、收钱等。在一些实施例中，用户可以使用支付应用来为竞选、慈善、庇护所等筹款。示例庇护所可以是宠物庇护所。为了筹款，用户可以访问帖子生成器108，该帖子生成器108生成可以使用户捐款的帖子110。
帖子生成器108可以从用户接收诸如图像内容112、文本内容114、数额内容116和/或音频内容117之类的内容。帖子生成器108然后可以使用内容来生成帖子110。例如，帖子110可以包括狗的图像、诸如“拯救宠物”之类的消息、以及100美元的数额。一旦帖子生成器108生成帖子110，帖子生成器108或移动应用就可以将帖子110发送到平台118，在平台118处，可以访问帖子110或将帖子110下载到在多个用户的计算设备104上执行的支付应用。
在实施例中，用户可以使用支付应用来访问帖子110。当用户访问帖子110时，用户可以响应于访问帖子110而使支付应用生成评论、赞、付款等。当用户访问帖子110时，参与追踪器120可以追踪并存储与帖子110相关联的评论、赞、付款等，作为参与活跃度数据122。
在实施例中，当帖子生成器108生成帖子110时，帖子110可以被发送到帖子分析器110。通过分析狗的图像、“拯救宠物”消息、以及100美元的数额，帖子生成器110可以生成与帖子110的图像内容112、文本内容114、数额内容116和音频内容117相关联的矩阵208。
在实施例中，在可配置时间间隔(例如，五天、一周等)之后，参与分析器130可以接收来自帖子分析器128的矩阵208、参与活跃度数据122、以及之前发布在平台118上的帖子的参与信息126。使用上述分析，参与分析器130可以确定帖子110的估计成功等级210，并将该估计成功等级210发送到模式识别器132。
在一种实施例中，基于估计成功等级210，模式识别器132可以将“拯救宠物”文本内容114的颜色属性修改为亮红色，以通过吸引注意力来使帖子110更成功。在另一实施例中，模式识别器132可以将“100美元”数额属性116修改为“25美元”，以通过降低贡献数额来使帖子110更成功。在又一实施例中，模式识别器110可以将图像内容从狗的图像修改为包括猫狗组合的图像的图像，以使帖子110更成功。在又一实施例中，估计成功等级210可以指示帖子110可能已经接收到很多负面评论。在这种情况下，模式识别器132可以基于估计成功等级210来确定将帖子110发送到计算设备104，以便帖子生成器108生成具有不同的图像内容112、文本内容114、数额内容116和/或音频内容117的帖子110B。
现在参照图5，图示了适合于实现图1至图4中描述的系统和方法的计算机系统500的实施例。
根据本公开的各种实施例，计算机系统500(例如，计算机和/或服务器)包括总线502或用于传送信息的其他通信机构，其将子系统和组件互连，这些组件为例如处理组件504(例如，处理器、微控制器、数字信号处理器(DSP)、图形处理单元(GPU)等)、系统存储器组件506(例如，RAM)、静态存储组件508(例如，ROM)、磁盘驱动器组件510(例如，磁性或光学的)、网络接口组件512(例如，调制解调器或以太网卡)、显示组件514(例如，CRT或LCD)、输入组件518(例如，键盘、小键盘、或虚拟键盘)、光标控制组件520(例如，鼠标、指针或轨迹球)、位置确定组件522(例如，所示的全球定位系统(GPS)设备、蜂窝塔三角测量设备、和/或本领域中已知的各种其他位置确定设备)、和/或相机组件523。在一个实施方案中，磁盘驱动器组件510可以包括具有一个或多个磁盘驱动器组件的数据库。
根据本公开的实施例，计算机系统500通过处理组件504执行在系统存储器组件506中包含的一个或多个指令序列来执行特定的操作，诸如本文关于移动通信设备、移动设备和/或服务器所描述的。这样的指令可以从诸如静态存储组件508或磁盘驱动器组件510之类的另一计算机可读介质读取到系统存储器组件506。在其他实施例中，可以使用硬连线电路系统来代替软件指令或与软件指令结合使用来实现本公开。
逻辑可以被编码在计算机可读介质中，该计算机可读介质可以指参与向处理组件504提供指令以供执行的任何介质。这种介质可以采取许多形式，包括但不限于非易失性介质、易失性介质和传输介质。在一个实施例中，计算机可读介质是非暂时性的。在各种实施例中，非易失性介质包括光盘或磁盘(例如，磁盘驱动器组件510)，易失性介质包括动态存储器(例如，系统存储器组件506)，并且传输介质包括同轴电缆、铜线和光纤(包括包括总线502的线)。在一个实施例中，传输介质可以采取声波或光波的形式，例如，在无线电波和红外数据通信期间生成的那些。
计算机可读介质的一些常见形式包括：例如，软盘、柔性盘、硬盘、磁带、任何其他磁性介质、CD-ROM、任何其他光学介质、穿孔卡片、纸带、具有孔图案的任何其他物理介质、RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储器芯片或盒、载波、或计算机适合对其进行读取的任何其他介质。在一种实施例中，计算机可读介质是非暂时性的。
在本公开的各种实施例中，可以通过计算机系统500来进行用于实践本公开的指令序列的执行。在本公开的各种其他实施例中，通过通信链路524耦合到网络102(例如，LAN、WLAN、PTSN，和/或各种其他有线或无线网络(包括电信、移动和蜂窝电话网络))的多个计算机系统500可以执行指令序列以彼此协作地实践本公开。
计算机系统500可以通过通信链路524和网络接口组件512发送和接收消息、数据、信息和指令(包括一个或多个程序(即，应用代码))。网络接口组件512可以包括用于实现通过通信链路524进行发送和接收的天线，其可以是单独的天线，也可以是集成的天线。接收到的程序代码可以当被接收到时被处理器504执行和/或被存储在磁盘驱动器组件510或一些其他非易失性存储组件中以供执行。
在适用的情况下，可以使用硬件、软件、或硬件和软件的组合来实现本公开提供的各种实施例。另外，在适当的情况下，本文中阐述的各种硬件组件和/或软件组件可以被组合为包括软件、硬件和/或两者的复合组件而不脱离本公开的范围。在适当的情况下，本文中阐述的各种硬件组件和/或软件组件可以被分为包括软件、硬件或两者的子组件而不脱离本公开的范围。另外，在适当的情况下，设想软件组件可以被实现为硬件组件，反之亦然。
根据本公开，软件(例如，程序代码和/或数据)可以被存储在一个或多个计算机可读介质上。还预期可以使用联网的和/或以其他方式连接的一个或多个通用或专用计算机和/或计算机系统来实现本文中标识的软件。在适当的情况下，本文中描述的各个步骤的顺序可以被改变、被组合成复合步骤、和/或被分为子步骤以提供本文中所描述的特征。
前述公开内容并非旨在将本公开内容限制为所公开的精确形式或特定使用领域。这样，可以预期，根据本公开，无论是否在此明确描述或暗示，对本公开的各种替代实施例和/或修改都是可能的。虽然描述了本公开的实施例，但本领域普通技术人员将认识到，可以在形式和细节上进行改变而不脱离本公开的范围。因此，本公开仅由权利要求书限制。

Claims (20)

1.一种系统，包括：
非暂时性存储器，所述非暂时性存储器存储指令；以及
一个或多个硬件处理器，所述一个或多个硬件处理器耦合到所述非暂时性存储器并且被配置为从所述非暂时性存储器中读取所述指令以使所述系统执行操作，所述操作包括：
接收发布在平台上的电子内容；
使用帖子分析器神经网络来生成矩阵，所述矩阵包括针对与所述电子内容相关联的多个属性的分数；
使用所述矩阵以及与之前发布到所述平台的多个电子内容相关联的参与信息，来生成所述电子内容的估计成功等级；以及
基于所述估计成功等级，使用模式识别器来修改所述电子内容的所述多个属性中的至少一个属性。
2.根据权利要求1所述的系统，其中，所述操作还包括：
将经修改的电子内容发布到所述平台，其中，所述经修改的电子内容替换所述电子内容。
3.根据权利要求1所述的系统，其中，所述多个属性中的所述至少一个属性与所述电子内容的图像组成部分相关联；并且
其中，所述操作还包括：使用所述帖子分析器神经网络中的图像处理神经网络来确定所述矩阵中与所述至少一个属性对应的图像分数。
4.根据权利要求1所述的系统，其中，所述多个属性中的所述至少一个属性与所述电子内容的文本内容相关联；并且
其中，所述操作还包括：使用所述帖子分析器神经网络中的文本处理神经网络来确定所述矩阵中与所述至少一个属性对应的文本分数。
5.根据权利要求1所述的系统，其中，所述多个属性中的至少一个属性与所述电子内容的音频内容相关联；并且
其中，所述操作还包括：使用所述帖子分析器神经网络中的音频处理神经网络来确定所述矩阵中与所述至少一个属性对应的音频分数。
6.根据权利要求1所述的系统，其中，生成所述估计成功等级包括由参与分析器执行以下操作：
针对所述矩阵中与所述多个属性中的属性对应的分数以及针对所述多个之前发布的内容中的该属性的分数来绘制图表；
对所述矩阵中的分数以及针对所述多个之前发布的内容的分数执行接近度分析；
基于所述接近度分析来从所述分数中选择一个或多个分数，其中，所述矩阵中的分数与针对所述多个之前发布的内容的分数之间的分数差低于可配置阈值；
基于所述一个或多个分数来从所述之前发布的多个电子内容中选择一个或多个帖子；以及
还基于所述一个或多个帖子来生成所述估计成功等级。
7.根据权利要求1所述的系统，其中，所述操作还包括：
识别所述矩阵中的第一分数，其中，所述第一分数与所述电子内容的所述多个属性中的第一属性相关联；
将所述矩阵中的所述第一分数和与所述之前发布的多个电子内容中的所述第一属性相关联的多个分数进行比较；
从所述之前发布的多个电子内容中选择分数差低于预配置阈值的第一帖子；
基于与所述之前发布的多个电子内容相关联的所述参与信息来识别所述第一帖子的成功等级；以及
进一步基于所述第一帖子的所述成功等级来生成所述电子内容的所述估计成功等级。
8.根据权利要求7所述的系统，其中，所述操作还包括：
识别所述矩阵中的第二分数，其中，所述第二分数与所述电子内容的所述多个属性中的第二属性相关联；
将所述第二分数和与所述之前发布的多个电子内容中的所述第二属性相关联的多个分数进行比较；
从所述之前发布的多个电子内容中选择分数差低于第二预配置阈值的第二帖子；
基于与所述之前发布的多个电子内容相关联的所述参与信息来识别所述第二帖子的第二成功等级；以及
进一步基于所述成功等级和所述第二成功等级来生成所述电子内容的所述估计成功等级。
9.根据权利要求8所述的系统，其中，所述操作还包括：
向所述成功等级分配第一权重并且向所述第二成功等级分配第二权重；以及
其中，生成所述电子内容的所述估计成功等级进一步基于所述成功等级的所述第一权重以及针对所述第二成功等级的所述第二权重。
10.根据权利要求1所述的系统，其中，所述操作还包括：
使用所述帖子分析器神经网络来生成第二矩阵，所述第二矩阵包括针对所述经修改的电子内容的多个属性的第二分数；
使用所述第二矩阵以及与所述之前发布的多个电子内容相关联的所述参与信息来生成针对所述经修改的电子内容的第二估计成功等级；以及
基于所述第二估计成功等级，使用所述模式识别器来修改所述经修改的电子内容的所述多个属性中的至少一个属性。
11.一种方法，包括：
接收发布在平台上的帖子；
生成矩阵，所述矩阵包括针对与所述帖子相关联的多个属性的分数，其中，所述帖子包括至少一个图像属性和至少一个文本属性，所述分数中的第一分数是通过将所述至少一个图像属性传递通过图像神经网络而生成的，所述分数中的第二分数是通过将所述至少一个文本属性传递通过文本神经网络而生成的；
接收与所述帖子相关联的参与活跃度数据，以及与之前发布在所述平台上的多个帖子相关联的参与信息；
使用所述矩阵、与所述帖子相关联的所述参与数据、以及与所述多个帖子相关联的所述参与信息，来生成所述帖子的估计成功等级；以及
基于所述估计成功等级，使用模式识别器来修改所述帖子的所述多个属性中的至少一个属性。
12.根据权利要求11所述的方法，还包括：
使所述帖子在所述平台上被经修改的帖子替换；以及
确定所述经修改的帖子的估计成功等级。
13.根据权利要求11所述的方法，其中，所述矩阵包括与所述帖子的数额属性相关联的分数，其中，所述分数是通过将所述数额属性传递通过数额神经网络而生成的。
14.根据权利要求11所述的方法，其中，所述参与信息包括所述多个帖子的参与活跃度数据以及针对所述多个帖子中的所述多个属性的分数。
15.根据权利要求14所述的方法，还包括：
识别所述多个帖子中的第一帖子，其中，所述第一分数与针对所述多个帖子中这些帖子的所述至少一种图像属性的分数之间的差低于第一可配置阈值；
识别所述多个帖子中的第二帖子，其中，所述第二分数与针对所述多个帖子中这些帖子的所述至少一种文本属性的分数之间的差低于可配置阈值；
使用所述参与信息来确定所述第一帖子和所述第二帖子的成功等级；以及
基于所述第一帖子和第二帖子的成功等级来生成所述帖子的所述估计成功等级。
16.根据权利要求15所述的方法，还包括：
向那些成功等级中的第一成功等级分配第一权重并且向那些第二成功等级中的第二成功等级分配第二权重；并且
其中，生成所述帖子的估计成功等级是基于所述成功等级的所述第一权重以及针对所述第二成功等级的所述第二权重。
17.根据权利要求11所述的方法，还包括：
生成第二矩阵，所述矩阵包括针对所述经修改的帖子的多个属性的第二分数；
使用参与分析器来接收与所述经修改的帖子相关联的第二参与活跃度数据；
使用所述第二矩阵、所述第二参与活跃度数据、以及与所述多个帖子相关联的所述参与信息，来生成所述经修改的帖子的第二估计成功等级；以及
基于所述第二估计成功等级，使用模式识别器来修改所述经修改的帖子的所述多个属性中的至少一个属性。
18.一种非暂时性机器可读介质，其上存储有机器可读指令，所述机器可读指令可被执行以使机器执行操作，所述操作包括：
接收发布到电子平台上的帖子；
使用帖子分析器神经网络来生成矩阵，所述矩阵包括与所述帖子相关联的多个属性所关联的分数；
接收与所述帖子相关联的参与活跃度数据以及与之前发布在所述电子平台上的多个帖子相关联的参与信息；
使用所述矩阵、与所述帖子相关联的所述参与活跃度数据、以及与所述多个帖子相关联的所述参与信息，来生成所述帖子的估计成功等级；以及
基于所述估计成功等级，使用模式识别器来修改所述帖子的所述多个属性中的至少一个属性。
19.根据权利要求18所述的非暂时性机器可读介质，其中，所述至少一个属性是数额属性、图像属性、文本属性、或音频属性。
20.根据权利要求18所述的非暂时性机器可读介质，还包括：
确定所述经修改的帖子的第二估计成功等级；以及
使用模式识别器来修改所述经修改的帖子的所述多个属性中的图像属性。
CN201980036070.3A 2018-05-30 2019-05-29 基于神经网络的电子内容 Pending CN112204610A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/992,520 2018-05-30
US15/992,520 US11200591B2 (en) 2018-05-30 2018-05-30 Electronic content based on neural networks
PCT/US2019/034458 WO2019232093A1 (en) 2018-05-30 2019-05-29 Electronic content based on neural networks

Publications (1)

Publication Number Publication Date
CN112204610A true CN112204610A (zh) 2021-01-08

Family

ID=68694032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980036070.3A Pending CN112204610A (zh) 2018-05-30 2019-05-29 基于神经网络的电子内容

Country Status (5)

Country Link
US (1) US11200591B2 (zh)
CN (1) CN112204610A (zh)
AU (1) AU2019277353A1 (zh)
SG (1) SG11202011635TA (zh)
WO (1) WO2019232093A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11132369B2 (en) * 2018-08-01 2021-09-28 Facebook, Inc. Optimizing user engagement with content based on an optimal set of attributes for media included in the content
US11295026B2 (en) 2018-11-20 2022-04-05 Forcepoint, LLC Scan, detect, and alert when a user takes a photo of a computer monitor with a mobile phone
US11050767B2 (en) * 2018-12-17 2021-06-29 Forcepoint, LLC System for identifying and handling electronic communications from a potentially untrustworthy sending entity
US11379426B2 (en) 2019-02-05 2022-07-05 Forcepoint, LLC Media transfer protocol file copy detection
US11562093B2 (en) 2019-03-06 2023-01-24 Forcepoint Llc System for generating an electronic security policy for a file format type
US11615485B2 (en) * 2020-01-16 2023-03-28 Strategic Communication Advisors, LLC. System and method for predicting engagement on social media

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090048184A (ko) * 2007-11-09 2009-05-13 엔에이치엔(주) 검색 문서 품질 측정 방법 및 그 시스템
US20120215903A1 (en) * 2011-02-18 2012-08-23 Bluefin Lab, Inc. Generating Audience Response Metrics and Ratings From Social Interest In Time-Based Media
US20150169587A1 (en) * 2013-12-13 2015-06-18 Openpage Labs Inc. d/b/a CrowdTangle Identifying trending content on a social networking platform
US20160147760A1 (en) * 2014-11-26 2016-05-26 Adobe Systems Incorporated Providing alternate words to aid in drafting effective social media posts
US20160150162A1 (en) * 2012-10-01 2016-05-26 Google Inc. System and method for optimizing videos
US20160294619A1 (en) * 2015-03-31 2016-10-06 Axel Schroeder Configurable Network Communication Processing System
US20170169475A1 (en) * 2015-12-11 2017-06-15 Fuji Xerox Co., Ltd. Behavior prediction on social media using neural networks

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080040217A1 (en) * 2006-05-12 2008-02-14 Dellovo Danielle F Systems, methods, and apparatuses for advertisement generation, selection and distribution system registration
US7783694B2 (en) * 2006-05-12 2010-08-24 International Business Machines Corporation Identification of relevant metrics
US9210313B1 (en) * 2009-02-17 2015-12-08 Ikorongo Technology, LLC Display device content selection through viewer identification and affinity prediction
US9898743B2 (en) * 2013-10-09 2018-02-20 Salesforce.Com, Inc. Systems and methods for automatic generation of a relationship management system
US10607165B2 (en) * 2013-11-14 2020-03-31 Salesforce.Com, Inc. Systems and methods for automatic suggestions in a relationship management system
US10007977B2 (en) * 2015-05-11 2018-06-26 Netflix, Inc. Techniques for predicting perceptual video quality
US20170270480A1 (en) 2016-03-17 2017-09-21 Microsoft Technology Licensing, Llc Enhancement of product or service by optimizing success factors
US20180284735A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment
US9761276B1 (en) * 2016-09-19 2017-09-12 International Business Machines Corporation Prioritized playback of media content clips
EP3516583B1 (en) 2016-09-21 2023-03-01 Gumgum, Inc. Machine learning models for identifying objects depicted in image or video data
US11205103B2 (en) * 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
US10535081B2 (en) * 2016-12-20 2020-01-14 Facebook, Inc. Optimizing audience engagement with digital content shared on a social networking system
US10846587B2 (en) * 2017-07-31 2020-11-24 Microsoft Technology Licensing, Llc Deep neural networks for targeted content distribution
CN107808278B (zh) * 2017-10-11 2021-09-24 河海大学 一种基于稀疏自编码器的Github开源项目推荐方法
CN110188978B (zh) * 2019-04-12 2023-04-25 淮阴工学院 一种基于深度学习的大学生专业推荐方法
CN110443574B (zh) * 2019-07-25 2023-04-07 昆明理工大学 多项目卷积神经网络评审专家推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090048184A (ko) * 2007-11-09 2009-05-13 엔에이치엔(주) 검색 문서 품질 측정 방법 및 그 시스템
US20120215903A1 (en) * 2011-02-18 2012-08-23 Bluefin Lab, Inc. Generating Audience Response Metrics and Ratings From Social Interest In Time-Based Media
US20160150162A1 (en) * 2012-10-01 2016-05-26 Google Inc. System and method for optimizing videos
US20150169587A1 (en) * 2013-12-13 2015-06-18 Openpage Labs Inc. d/b/a CrowdTangle Identifying trending content on a social networking platform
US20160147760A1 (en) * 2014-11-26 2016-05-26 Adobe Systems Incorporated Providing alternate words to aid in drafting effective social media posts
US20160294619A1 (en) * 2015-03-31 2016-10-06 Axel Schroeder Configurable Network Communication Processing System
US20170169475A1 (en) * 2015-12-11 2017-06-15 Fuji Xerox Co., Ltd. Behavior prediction on social media using neural networks

Also Published As

Publication number Publication date
US11200591B2 (en) 2021-12-14
AU2019277353A1 (en) 2020-12-17
SG11202011635TA (en) 2020-12-30
WO2019232093A1 (en) 2019-12-05
US20190370851A1 (en) 2019-12-05

Similar Documents

Publication Publication Date Title
CN112204610A (zh) 基于神经网络的电子内容
CN107908740B (zh) 信息输出方法和装置
US10134053B2 (en) User engagement-based contextually-dependent automated pricing for non-guaranteed delivery
Sinha et al. FDI inflow, ICT expansion and economic growth: An empirical study on Asia-pacific developing countries
CN104866969A (zh) 个人信用数据处理方法和装置
US11200593B2 (en) Predictive recommendation system using tiered feature data
US20140316872A1 (en) Systems and methods for managing endorsements
CN113407854A (zh) 一种应用推荐方法、装置、设备及计算机可读存储介质
US20220164425A1 (en) Data processing method, apparatus, storage medium, and device
US20180089594A1 (en) Intelligence generation based on adaptive learning
CN111429214A (zh) 一种基于交易数据的买卖双方匹配方法及装置
CN113344723B (zh) 用户保险认知演进路径预测方法、装置和计算机设备
US20150127468A1 (en) User engagement based nonguaranteed delivery pricing
US20180012264A1 (en) Custom features for third party systems
CN113011911B (zh) 基于人工智能的数据预测方法、装置、介质及电子设备
CN110720099A (zh) 基于种子监督学习提供推荐的系统和方法
CN109978594B (zh) 订单处理方法、装置及介质
US20190034943A1 (en) Spend engagement relevance tools
KR102557299B1 (ko) 사용자를 위한 적합 마케팅 전략 수립 방법
US20230162278A1 (en) Generation and delivery of funding opportunities using artificial intelligence (ai) based techniques
CN107357847B (zh) 数据处理方法及其装置
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN115048487A (zh) 基于人工智能的舆情分析方法、装置、计算机设备及介质
CN114298825A (zh) 还款积极度评估方法及装置
CN112200602A (zh) 用于广告推荐的神经网络模型训练方法及装置

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