CN112534826B - 基于内容中包括的媒体的属性的最优集合优化用户对内容的参与 - Google Patents

基于内容中包括的媒体的属性的最优集合优化用户对内容的参与 Download PDF

Info

Publication number
CN112534826B
CN112534826B CN201980051393.XA CN201980051393A CN112534826B CN 112534826 B CN112534826 B CN 112534826B CN 201980051393 A CN201980051393 A CN 201980051393A CN 112534826 B CN112534826 B CN 112534826B
Authority
CN
China
Prior art keywords
media
attributes
performance metric
candidate content
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201980051393.XA
Other languages
English (en)
Other versions
CN112534826A (zh
Inventor
伊丽莎白·巴顿·博尔斯
吴怡宁
卡西迪·杰克·比夫-莫里斯
方秦龙
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.)
Meta Platforms Inc
Original Assignee
Meta Platforms 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 Meta Platforms Inc filed Critical Meta Platforms Inc
Publication of CN112534826A publication Critical patent/CN112534826A/zh
Application granted granted Critical
Publication of CN112534826B publication Critical patent/CN112534826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • 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
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6027—Correction or control of colour gradation or colour contrast
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
    • H04N21/2668—Creating a channel for a dedicated end-user group, e.g. insertion of targeted commercials based on end-user profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44204—Monitoring of content usage, e.g. the number of times a movie has been viewed, copied or the amount which has been watched
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/65—Transmission of management data between client and server
    • H04N21/658—Transmission by the client directed to the server
    • H04N21/6582—Data stored in the client, e.g. viewing habits, hardware capabilities, credit card number
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/81—Monomedia components thereof
    • H04N21/812—Monomedia components thereof involving advertisement data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/698—Control of cameras or camera modules for achieving an enlarged field of view, e.g. panoramic image capture
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Graphics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

在线系统识别有资格呈现给在线系统的观看用户的候选内容项，其中候选内容项包括媒体(例如，图像、视频等)。在线系统识别媒体的一个或更多个媒体属性，例如色彩饱和度、色调、亮度、锐度、对比度等。在线系统还预测候选内容项的性能度量的值，其指示观看用户对候选内容项的用户参与的可能性。对于可能对媒体属性进行的每个修改，在线系统预测性能度量的值的变化。基于预测的变化，在线系统确定与性能度量的最大预测值相关联的媒体属性的最优集合。在线系统基于媒体属性的最优集合修改媒体。

Description

基于内容中包括的媒体的属性的最优集合优化用户对内容的 参与
背景
本公开总体上涉及在线系统，并且更具体地涉及基于内容中包括的媒体的属性的最优集合来优化用户对内容的参与。
在线系统允许其用户与其他在线系统用户关连(connect)和通信。用户在在线系统中创建与他们的身份相关联的简档，并且该简档包括关于用户的信息，例如兴趣和人口统计信息。用户可以是个人或实体(例如公司或慈善机构)。由于在线系统的流行和在线系统中维护的大量用户特定信息，在线系统提供了一个理想的论坛，允许用户通过创建内容项(content item)来共享内容，以呈现给附加在线系统用户。例如，用户可以通过创建包括照片或视频的内容项来共享他们上传的照片或视频，这些照片或视频被呈现给他们在在线系统中所关连的附加用户。
为了最大化用户对在线系统的参与，在线系统可以基于与内容项相关联的信息(例如，与内容项相关联的定位标准(targeting criteria)、与内容项相关联的标签等)和与用户相关联的信息(例如，用户简档信息、描述用户先前执行的动作的信息等)，来选择内容项以呈现给在线系统用户，该用户可能参与该内容项。例如，与内容项相关联的定位标准可以由在线系统的内容提供用户提供，其为可能对内容项感兴趣的在线系统用户指定一个或更多个属性。在该示例中，在识别向在线系统的观看用户呈现内容的机会时，如果观看用户与满足至少一个定位标准的用户简档信息相关联，则在线系统可以将内容项识别为有资格呈现给观看用户。继续该示例，在线系统可以识别有资格呈现给观看用户的附加内容项，并选择一个或更多个内容项来呈现给观看用户。
在一些情况下，如果包括在内容项中的媒体(例如，图像、视频、360度图像或视频、虚拟现实或增强现实中的渲染(rendering)等)被修改，则在线系统可以增加用户对被选择用于呈现给在线系统用户的内容项的参与。例如，假设内容项包含黑暗且模糊的风景图像。在该示例中，如果通过将图像锐化5％并将图像增亮12％来修改图像，则内容项可能更吸引人，这可能导致用户对内容项的更多参与。然而，对于在线系统来说，确定应该如何修改包括在内容项中的媒体以优化用户对内容项的参与可能是困难的或不切实际的。在上述示例中，在线系统可能无法在发送内容项以显示给用户之前，在没有(例如，通过调查或问卷)从用户获得关于图像的反馈的情况下，确定应该如何修改图像以优化用户对内容项的参与。此外，基于可以对内容项中包括的媒体进行的不同类型和/或组合的修改，内容项可能对不同的在线系统用户更有吸引力。在上面的示例中，如果也对图像的色彩饱和度和/或色调进行修改，一些在线系统用户会发现内容项甚至更有吸引力，而其他用户不会。
概述
传统上，为了鼓励用户参与在线系统，在线系统基于与内容项相关联的信息和与用户相关联的信息，来选择内容项以呈现给在线系统用户，该用户可能参与该内容项。此外，如果包括在内容项中的媒体被修改，则在线系统可以增加用户对被选择用于呈现给在线系统用户的内容项的参与。然而，对于在线系统来说，确定应该如何修改包括在内容项中的媒体以优化用户对内容项的参与可能是困难的或不切实际的。
因此，在线系统基于内容中包括的媒体的属性的最优集合来优化用户对呈现给在线系统的用户的内容的参与。为了选择一个或更多个内容项(例如，广告)以呈现给在线系统的观看用户，在识别出向观看用户呈现内容的机会后，在线系统识别出有资格呈现给观看用户的一个或更多个候选内容项，其中每个候选内容项包括一个或更多个媒体项(例如，图像、视频、360度图像或视频、虚拟现实或增强现实中的渲染等)。对于由在线系统识别的每个候选内容项，在线系统识别候选内容项中包括的媒体的一个或更多个属性(“媒体属性”)，例如色彩饱和度、色调、亮度、锐度、对比度等。在线系统还预测候选内容项的性能度量的值，其指示观看用户对候选内容项的用户参与的可能性(例如，点击率(CTR)性能度量)。对于可能对媒体属性进行的每个修改，在线系统预测性能度量的值的变化，并确定与性能度量的最大预测值相关联的媒体属性的最优集合。在线系统基于与性能度量的最大预测值相关联的媒体属性的最优集合来修改包括在候选内容项中的媒体。
此外，一旦在线系统已经修改了包括在候选内容项中的媒体，在线系统就可以基于性能度量的最大预测值，对在一个或更多个附加候选内容项中的包括用于呈现给观看用户的修改的媒体的候选内容项进行排名。在线系统然后基于排名来选择一个或更多个内容项以呈现给观看用户(例如，通过选择一个或更多个排名靠前的内容项以呈现给观看用户)。随后，所选择的内容项可以被发送以(例如，在由在线系统生成的包括内容项信息流(feed)的用户界面中)呈现给观看用户。
在一些实施例中，在线系统可以使用机器学习模型来预测候选内容项的性能度量的值和/或性能度量的值的变化。在这样的实施例中，可以基于以下项来训练机器学习模型：与先前呈现给在线系统的观看用户的内容项相关联的信息(例如，与每个内容项相关联的动作的调用、每个内容项的内容等)、包括在内容项中的媒体、媒体的媒体属性、观看用户的用户属性、与先前对观看用户的内容呈现相关联的性能度量的值等。此外，在这样的实施例中，在线系统可以训练机器学习模型(例如，分析媒体的卷积神经网络)。
附图简述
图1是根据实施例的在线系统在其中进行操作的系统环境的框图。
图2是根据实施例的在线系统的框图。
图3是根据实施例的用于基于内容中包括的媒体的属性的最优集合来优化用户对内容的参与的方法的流程图。
图4A是根据实施例的使用机器学习模型预测候选内容项的性能度量的值的变化的概念图。
图4B是根据实施例的使用机器学习模型预测候选内容项的性能度量的值的概念图。
附图仅为了说明的目的而描绘各种实施例。本领域中的技术人员从下面的讨论中将容易认识到本文示出的结构和方法的可选的实施例可以被采用而不偏离本文所述的原理。
详细描述
系统架构
图1是用于在线系统140的系统环境100的框图。图1所示的系统环境100包括一个或更多个客户端设备110、网络120、一个或更多个第三方系统130和在线系统140。在替代配置中，系统环境100中可以包括不同和/或附加的部件。
客户端设备110是能够接收用户输入以及经由网络120发送和/或接收数据的一个或更多个计算设备。在一个实施例中，客户端设备110是传统的计算机系统，例如台式计算机或膝上型计算机。替代地，客户端设备110可以是具有计算机功能的设备，例如个人数字助理(PDA)、移动电话、智能手机或其他合适的设备。客户端设备110被配置成经由网络120进行通信。在一个实施例中，客户端设备110执行允许客户端设备110的用户与在线系统140交互的应用。例如，客户端设备110执行浏览器应用，以使得客户端设备110和在线系统140之间能够经由网络120进行交互。在另一实施例中，客户端设备110通过运行在客户端设备110的本机(native)操作系统(例如
Figure BDA0002928097390000041
或ANDROIDTM)上的应用编程接口(API)来与在线系统140交互。
客户端设备110被配置成使用有线和/或无线通信系统经由网络120进行通信，网络120可以包括局域网和/或广域网的任何组合。在一个实施例中，网络120使用标准通信技术和/或协议。例如，网络120包括使用诸如以太网、802.11、全球微波接入互操作性(WiMAX)、3G、4G、码分多址(CDMA)、数字用户线路(DSL)等技术的通信链路。用于经由网络120进行通信的网络协议的示例包括多协议标签交换(MPLS)、传输控制协议/互联网协议(TCP/IP)、超文本传输协议(HTTP)、简单邮件传输协议(SMTP)和文件传输协议(FTP)。通过网络120交换的数据可以使用任何合适的格式(例如超文本标记语言(HTML)或可扩展标记语言(XML))来表示。在一些实施例中，网络120的所有或一些通信链路可以使用任何合适的一种或多种技术来加密。
一个或更多个第三方系统130可以耦合到网络120，用于与在线系统140通信，这将在下面结合图2进一步描述。在一个实施例中，第三方系统130是应用提供商，其传送描述用于由客户端设备110执行的应用的信息，或者向客户端设备110传送数据以供在客户端设备110上执行的应用使用。在其他实施例中，第三方系统130经由客户端设备110提供用于呈现的内容或其他信息。第三方系统130还可以向在线系统140传送信息，例如广告、内容或关于第三方系统130提供的应用的信息。
图2是在线系统140的架构的框图。图2所示的在线系统140包括用户简档储存器205、内容储存器210、动作记录器215、动作日志220、边储存器225、内容选择模块230、媒体属性识别器235、机器学习模块240、性能预测模块245、优化模块250、媒体修改模块255、用户界面模块260和web服务器265。在其他实施例中，在线系统140可以包括用于各种应用的附加的、更少的或不同的部件。没有示出常规部件(例如网络接口、安全功能、负载平衡器、故障转移服务器、管理和网络操作控制台等)，以便不使系统架构的细节模糊。
在线系统140的每个用户与被存储在用户简档储存器205中的用户简档相关联。用户简档包括由用户明确共享的关于用户的声明性信息，并且还可以包括由在线系统140推断的简档信息。在一个实施例中，用户简档包括多个数据字段(data field)，每个数据字段描述相应在线系统用户的一个或更多个用户属性。存储在用户简档中的信息的示例包括传记信息、人口统计信息和其他类型的描述性信息(例如工作经历、教育历史、性别、爱好或偏好、位置等)。用户简档还可以存储用户提供的其他信息，例如图像或视频。在某些实施例中，可以用标识图像中显示的在线系统用户的信息来标记用户的图像。用户简档储存器205中的用户简档还可以维护对相应用户在内容储存器210中的内容项上执行的并存储在动作日志220中的动作的引用。
虽然用户简档储存器205中的用户简档通常与个人相关联，允许个人经由在线系统140彼此互动，但是也可以为诸如企业或组织的实体而存储用户简档。这允许实体在在线系统140上中建立存在，用于与其他在线系统用户联系并交换内容。实体可以使用与该实体的用户简档相关联的品牌页面来发布关于其自身、关于其产品的信息或者向在线系统140的用户提供其他信息。在线系统140的其他用户可以连接到品牌页面以接收被发布到品牌页面的信息或者从品牌页面接收信息。与品牌页面相关联的用户简档可以包括关于实体自身的信息，以向用户提供关于实体的背景或信息数据。
内容储存器210存储对象，这些对象各自表示各种类型的内容。对象表示的内容的示例包括页面帖子、状态更新、照片、视频、链接、分享的内容项、游戏应用成就、在本地企业处的签到(check-in)事件、页面(例如品牌页面)、广告或任何其他类型的内容。在线系统用户可以创建由内容储存器210存储的对象，例如状态更新、被用户标记为与在线系统140中的其他对象相关联的照片、事件、群组或应用。在一些实施例中，从第三方应用或独立于在线系统140的第三方应用接收对象。在一个实施例中，内容储存器210中的对象表示单条内容(single piece of content)或内容“项(item)”。因此，通过经由各种通信渠道将各种类型的媒体的文本和内容项发布到在线系统140来鼓励在线系统用户彼此进行通信。这增加了用户彼此之间的交互的量，并增加了用户在在线系统140内交互的频率。
动作记录器215接收关于在线系统140内部和/或外部的用户动作的通信，用关于用户动作的信息填充动作日志220。动作的示例包括添加与另一用户的关连(connection)、向另一用户发送消息、上传图像、读取来自另一用户的消息、查看与另一用户相关联的内容以及参加由另一用户发布的事件。此外，许多动作可能涉及一个对象和一个或更多个特定用户，因此这些动作也与那些用户相关联并存储在动作日志220中。
在线系统140可以使用动作日志220来跟踪在线系统140中的用户动作，以及向在线系统140传递信息的第三方系统130的动作。用户可以与在线系统140中的各种对象交互，并且描述这些交互的信息存储在动作日志220中。与对象的交互的示例包括：评论帖子、分享链接、经由移动设备向物理位置的签到、访问内容项以及任何其他合适的交互。包括在动作日志220中的与在线系统140上的对象的交互的附加示例包括：评论相册、与用户通信、与对象建立关连、加入事件、加入群组、创建事件、授权应用、使用应用、表达对对象的偏好(“赞(like)”对象)、以及参与交易。此外，动作日志220可以记录用户与在线系统140中的广告的交互以及与在线系统140中运行的其他应用的交互。在一些实施例中，来自动作日志220的数据用于推断用户的兴趣或偏好，增强用户的用户简档中包括的兴趣，并允许对用户偏好的更完整的理解。
动作日志220还可以存储在诸如外部网站的第三方系统130上采取并传送给在线系统140的用户动作。例如，电子商务网站可以通过使电子商务网站能够识别在线系统140的用户的社交插件来辨识在线系统140的用户。因为在线系统140的用户是唯一可识别的，所以(例如在前面的示例中)电子商务网站可以将关于用户在在线系统140外部的动作的信息传送给在线系统140，用于与用户进行关联。因此，动作日志220可以记录关于用户在第三方系统130上执行的动作的信息，包括网页浏览历史、参与的广告、完成的购买以及来自购物和购买的其他模式。此外，用户经由与第三方系统130相关联的并在客户端设备110上执行的应用所执行的动作可以被传送到动作记录器215，以由应用存储在动作日志220中，用于由在线系统140记录并与用户相关联。
在一个实施例中，边储存器225将描述用户与在线系统140中的其他对象之间的关连的信息存储为边。某些边可以由用户定义，允许用户指定他们与其他用户的关系。例如，用户可以生成与其他用户的边，这些边并行于用户的现实生活关系(例如朋友、同事、伙伴等)。当用户与在线系统140中的对象交互(例如表达对在线系统140中的页面的兴趣、与在线系统140的其他用户分享链接、以及对由在线系统140的其他用户制作的帖子进行评论)时，生成其他边。
在一个实施例中，边可以包括各种特征，每个特征表示用户之间的交互、用户和对象之间的交互、或者对象之间的交互的特性。例如，边中包括的特征描述了两个用户之间的交互的速率、两个用户最近如何彼此进行交互、一个用户检索关于对象的信息的速率或量、或者用户发布的关于对象的评论的数量和类型。这些特征还可以表示描述特定对象或用户的信息。例如，特征可以表示用户对特定主题的兴趣程度、用户登录在线系统140的速率、或者描述关于用户的人口统计信息的信息。每个特征可以与源对象或用户、目标对象或用户以及特征值相关联。特征可以被指定为基于描述源对象或用户、目标对象或用户、或者源对象或用户与目标对象或用户之间的交互的值的表达式；因此，边可以被表示为一个或更多个特征表达式。
边储存器225还存储关于边的信息，例如对象、兴趣和其他用户的亲和力分数(affinity score)。在线系统140可以随时间计算亲和力分数或“亲和力”，以基于用户执行的动作来近似用户对在线系统140中的另一用户或对象的兴趣。在线系统140可以随时间计算用户的亲和力，以基于用户执行的动作来近似用户对在线系统140中的另一用户、对象或主题的兴趣。在2010年12月23日提交的美国专利申请第12/978,265号(2012年6月28日公布的美国公开第US 2012/0166532 A1号)、2012年11月30日提交的美国专利申请第13/690,254号(2015年6月30日发布的美国专利第9,070,141号)、2012年11月30日提交的美国专利申请第13/689,969号(2016年4月19日发布的美国专利第US 9,317,812号)和2012年11月30日提交的美国专利申请第13/690,088号(2014年6月5日公布的美国公开第US 2014/0156360 A1号)中进一步描述了亲和力的计算，这些申请中的每一个在此通过引用以其整体并入。在一个实施例中，用户和特定对象之间的多个交互可以作为单条边存储在边储存器225中。替代地，用户和特定对象之间的每次交互都被存储为单独的边。在一些实施例中，用户之间的关连可以存储在用户简档储存器205中，或者用户简档储存器205可以访问边储存器225以确定用户之间的关连。
内容选择模块230识别(例如，如图3的步骤310所示)有资格呈现给在线系统140的观看用户的候选内容项。候选内容项由内容选择模块230从内容储存器210或从另一个源中检索。候选内容项是与由观看用户的特征满足的至少阈值数量的定位标准相关联的内容项，或者是与定位标准不相关联的内容项。在一些实施例中，内容选择模块230可以识别包括媒体(例如，图像、视频、360度图像或视频、虚拟现实或增强现实中的渲染等)的候选内容项。在这样的实施例中，可以基于与每个候选内容项相关联的元数据来识别候选内容项，该元数据指示它包括具有特定媒体文件格式(例如，JPEG、TIFF、PNG、MOV、AVI、MP4、FLV、WMV、VRML等)的内容。内容选择模块230还可以使用被训练来识别候选内容项中的媒体的机器学习模型(例如，卷积神经网络)或者使用任何其他合适的技术来识别包括媒体的候选内容项。在内容选择模块230使用机器学习模型识别包括媒体的候选内容项的实施例中，内容选择模块230还可以使用该模型来识别媒体的组成部分(例如，包括在媒体中的徽标(logo)、标记(flag)、商标(trademark)、徽章(emblem)、图标(icon)等)。
在各种实施例中，内容选择模块230对候选内容项进行排名(例如，如图3的步骤345所示)和选择(例如，如图3的步骤350所示)以呈现给观看用户。在一些实施例中，内容选择模块230可以使用一个或更多个选择过程来这样做。例如，内容选择模块230基于与观看用户相关联的特征并基于观看用户对不同内容项的亲和力，来确定各种候选内容项与观看用户的相关性度量。在该示例中，基于相关性度量，内容选择模块230选择候选内容项以呈现给观看用户(例如，通过选择具有最高相关性度量或至少具有阈值相关性度量的候选内容项以呈现给观看用户)。可选地，在上述示例中，内容选择模块230可以基于候选内容项的相关联的相关性度量来对候选内容项进行排名，并且选择在排名中具有靠前位置(highestposition)或者在排名中至少具有阈值位置的候选内容项以呈现给观看用户。
被选择用于呈现给观看用户的候选内容项可以包括广告或与出价金额相关联的其他候选内容项。当选择呈现给观看用户的内容时，内容选择模块230可以使用与这样的候选内容项相关联的出价金额。在各种实施例中，内容选择模块230基于各种候选内容项的出价金额来确定与各种候选内容项相关联的预期值，并且选择与最大预期值相关联或者至少与阈值预期值相关联的候选内容项以呈现给观看用户。与候选内容项相关联的预期值表示对用于呈现候选内容项给在线系统140的预期报酬量。例如，与对应于广告的候选内容项相关联的预期值是与广告相关联的出价金额和观看用户将与广告交互的可能性的乘积。内容选择模块230可以基于候选内容项的相关出价金额来对候选内容项进行排名，并选择在排名中至少具有阈值位置的候选内容项以呈现给观看用户。在一些实施例中，内容选择模块230在统一排名中(例如，基于与广告相关联的出价金额和与所有候选内容项相关联的相关性度量)对与出价金额不相关联的候选内容项和与出价金额相关联的候选内容项(例如，广告)进行排名。在这样的实施例中，基于统一排名，内容选择模块230可以选择呈现给观看用户的内容。在2012年7月10日提交的美国专利申请第13/545,266号(2014年1月16日公布的美国公开第US 2014/0019261 A1号)中进一步描述了通过统一排名选择广告和其他候选内容项，该申请在此通过引用以其整体并入。
在内容选择模块230识别包括媒体的候选内容项的实施例中，由内容选择模块230排名以呈现给在线系统140的观看用户的一个或更多个候选内容项可以包括基于媒体的媒体属性的最优集合修改的媒体。在这样的实施例中，内容选择模块230可以基于与媒体属性的最优集合相关联的性能度量的最大预测值来对每个候选内容项进行排名。例如，如果一组候选内容项包括已经由媒体修改模块255(如下所述)修改的一个或更多个媒体项，则内容选择模块230可以基于与候选内容项中包括的每个媒体项的媒体属性的最优集合相关联的性能度量的最大预测值，来对候选内容项进行排名。在该示例中，排名最靠前的(highestranked)候选内容项与最高性能度量相关联，排名第二靠前的候选内容项与第二高性能度量相关联，等等。在一些实施例中，内容选择模块230还可以基于附加因素(例如，与候选内容项相关联的出价金额、与候选内容项相关联的相关性度量等)对包括用于呈现给观看用户的修改的媒体的候选内容项进行排名。如上所述，内容选择模块230可以基于排名来选择一个或更多个候选内容项以呈现给观看用户(例如，通过选择一个或更多个排名靠前的候选内容项以呈现给观看用户)。
在一些实施例中，在线系统140可以接收向在线系统140的观看用户呈现内容信息流的请求，其中该信息流可以包括一个或更多个广告以及其他类型的内容项，例如描述与关连到观看用户的其他在线系统用户相关联的动作的动态(story)。在这样的实施例中，内容选择模块230可以访问用户简档储存器205、内容储存器210、动作日志220和/或边储存器225，以检索关于观看用户的信息。例如，检索与关连到观看用户的用户相关联的动态或其他数据。另外，可以从内容储存器210中检索一个或更多个内容项，例如动态和广告。内容选择模块230分析检索到的内容项，以识别可能与观看用户相关的候选内容项。例如，与未关连到观看用户的用户相关联的动态或者与观看用户具有小于阈值亲和力的用户相关联的动态被放弃作为候选内容项。基于各种标准，内容选择模块230选择一个或更多个候选内容项以呈现给观看用户。所选择的内容项被包括在呈现给该观看用户的内容信息流中。例如，内容的信息流可以包括描述与在线系统140中关连到观看用户的用户相关联的动作的至少阈值数量的内容项。在内容选择模块230通过信息流向观看用户呈现内容的实施例中，内容选择模块230还可以确定经由信息流呈现所选内容项的顺序。例如，内容选择模块230基于观看用户将与内容项进行交互的可能性来对信息流中的内容项(例如，广告)进行排序。下面结合图3进一步描述了内容选择模块230的功能。
媒体属性识别器235识别(例如，如图3的步骤315所示)包括在由内容选择模块230识别的候选内容项中的每个媒体项的一个或更多个属性(“媒体属性”)。媒体属性的示例包括色彩饱和度、色调、亮度、锐度、对比度等。在一些实施例中，候选内容项中包括的媒体的媒体属性可以由媒体属性识别器235使用机器学习模型来识别。在这样的实施例中，机器学习模型可以使用神经网络或可用于分析视觉图像的任何其他合适的媒体分类算法来识别媒体属性。例如，媒体属性识别器235可以使用分析媒体内容的机器学习模型(例如，卷积神经网络)来识别候选内容项中包括的媒体的媒体属性。下面结合图3进一步描述了媒体属性识别器235的功能。
在一些实施例中，机器学习模块240可以使用卷积神经网络或任何其他合适的媒体分类算法来训练机器学习模型，以识别在线系统140中(例如，在内容储存器210中)维护的包括媒体的内容项。例如，机器学习模块240可以使用内容项的训练集来训练机器学习模型(例如，卷积神经网络)，以识别包括媒体的内容项，其中内容项的一些训练集包括媒体，而内容项的一些训练集不包括媒体。在机器学习模块240训练机器学习模型来使用机器学习模型识别包括媒体的候选内容项的实施例中，在线系统140还可以训练该模型来识别包括在所识别的内容项中的媒体的组成部分。在上述示例中，机器学习模块240还可以基于包括媒体的徽标、标记、商标、徽章、图标和其他组成部分的一组训练数据来训练模型以分析媒体内容，从而识别这些组成部分。
在各种实施例中，机器学习模块240还可以训练机器学习模型来预测内容项的性能度量的值和/或内容项的性能度量的值的变化。例如，机器学习模块240可以训练机器学习模型来预测内容项的点击率或转化率(conversion rate)。在这样的实施例中，可以基于以下项来训练机器学习模型：与先前呈现给在线系统140的观看用户的内容项相关联的信息(例如，与每个内容项相关联的动作的调用、每个内容项的内容等)、包括在内容项中的媒体、媒体的媒体属性、观看用户的用户属性、与先前对观看用户的内容呈现相关联的性能度量的值等。下面结合图3进一步描述了机器学习模块240的功能。
性能预测模块245预测(例如，如图3的步骤320所示)包括媒体的候选内容项的性能度量的值，该值指示在线系统140的观看用户参与候选内容项的可能性。性能度量的示例包括点击率(CTR)、转化率或指示观看用户在被呈现候选内容项的情况下将与候选内容项交互的可能性的任何其他度量。性能预测模块245可以基于各种因素预测候选内容项的性能度量的值。这些因素的示例包括候选内容项中包括的媒体内容、媒体的媒体属性、观看用户的用户属性(例如，人口统计信息和与先前对观看用户的内容呈现相关联的一个或更多个性能度量的值)等。例如，假设候选内容项包括汽车的360度视频，其中汽车的360度视频具有由媒体属性识别器235识别的特定色彩饱和度、色调、亮度、锐度和对比度。在该示例中，性能预测模块245可以基于候选内容项的内容、指示观看用户是否可能具有驾照的观看用户的用户属性(例如，年龄和地理位置)以及基于与先前呈现给观看用户的汽车相关联的内容项的CTR性能度量来预测候选内容项的CTR性能度量，该与先前呈现给观看用户的汽车相关联的内容项包括具有与汽车的360度视频相似的色彩饱和度、色调、亮度、锐度和对比度的360度视频或其他类型的媒体。在一些实施例中，性能预测模块245可以使用机器学习模型来预测候选内容项的性能度量的值。
对于可以对候选内容项中包括的媒体的媒体属性进行的每个修改，性能预测模块245预测(例如，如图3的步骤325所示)性能度量的值的变化。例如，性能预测模块245可以基于候选内容项的内容、观看用户的用户属性以及包括先前呈现给观看用户的相似内容的候选内容项的CTR性能度量来预测包括媒体的候选内容项的CTR性能度量，该相似内容包括具有与候选内容项中包括的媒体的媒体属性相似的媒体属性的媒体。在该示例中，对于可以对媒体的媒体属性进行的每个修改(例如，将色彩饱和度增加或减少特定百分比)，性能预测模块245还可以预测CTR性能度量的变化。在一些实施例中，可以通过使用滤波器(例如，产生照明效果、老化效果、模糊效果等的滤波器)来实现对媒体的媒体属性的修改。在内容选择模块230使用机器学习模型识别包括媒体的候选内容项的实施例中，在线系统140可以基于在线系统140中维护的一个或更多个策略和由内容选择模块230识别的媒体的组成部分(例如，徽标、标记、商标、徽章、图标等)来确定媒体不应被修改。在这样的实施例中，性能预测模块245可以不基于对媒体的媒体属性的修改来预测性能度量的值的变化。
在一些实施例中，性能预测模块245可以使用机器学习模型预测包括媒体的候选内容项的性能度量的值的变化。例如，性能预测模块245可以向机器学习模型提供一组输入，该组输入包括描述对候选内容项中包括的媒体的一个或更多个媒体属性的一个或更多个修改的信息、与候选内容项相关联的信息(例如，与候选内容项相关联的动作的调用、候选内容项的内容等)、以及可以向其呈现候选内容项的在线系统140的观看用户的一组用户属性(例如，由观看用户先前与被呈现与候选内容项具有至少阈值相似性度量的内容项相关联地执行的动作)。在该示例中，性能预测模块245然后从机器学习模型接收一组输出，该组输出描述了先前为候选内容项预测的性能度量的值的变化。或者，在上述示例中，来自机器学习模型的一组输出可以对应于性能度量的多个预测值，其中性能度量的每个预测值对应于对媒体属性的每个修改。在该示例中，性能度量的值的预测变化可以由性能预测模块245确定为在该组输出中包括的性能度量的每个预测值与先前为候选内容项预测的性能度量的值之间的差值。
在一些实施例中，性能预测模块245可以基于对候选内容项中包括的媒体的媒体属性的修改的多个组合来预测候选内容项的性能度量的值的变化。例如，性能预测模块245可以通过增加候选内容项中包括的虚拟现实中的渲染的亮度和锐度，同时降低渲染的色彩饱和度，来预测候选内容项的性能度量的值的变化。在候选内容项包括多个媒体项的实施例中，性能预测模块245可以基于对一个或更多个媒体项的一个或更多个媒体属性的修改来预测候选内容项的性能度量的值的变化。例如，如果候选内容项包括两个图像，则性能预测模块245可以基于对两个图像的亮度的修改来预测候选内容项的性能度量的值的变化。或者，在上述示例中，性能预测模块245可以基于仅对其中的一个图像的亮度的修改来预测候选内容项的性能度量的值的变化。下面结合图3、图4A和图4B进一步描述了性能预测模块245的功能。
优化模块250确定(例如，如图3的步骤330所示)媒体属性的最优集合，其中媒体属性的最优集合与性能度量的最大预测值相关联。例如，优化模块250可以确定候选内容项中包括的媒体的媒体属性的最优集合，对于该媒体属性的最优集合，性能预测模块245预测性能度量的值的最大累积增加。在在线系统140基于由内容选择模块230识别的媒体的组成部分和在线系统140中维护的一个或更多个策略来确定包括在候选内容项中的媒体不应被修改的实施例中，优化模块250可以确定媒体的媒体属性的最优集合对应于媒体的原始媒体属性。
在一些实施例中，优化模块250可以使用机器学习模型来确定与性能度量的最大预测值相关联的候选内容项中包括的媒体的媒体属性的最优集合。例如，优化模块250可以向机器学习模型(例如，卷积神经网络)提供一组输入，该机器学习模型分析包括在候选内容项中的媒体内容。在该示例中，该组输入可以包括描述媒体的一个或更多个媒体属性的信息、与候选内容项相关联的信息(例如，与候选内容项相关联的动作的调用、候选内容项的内容等)、以及可以向其呈现候选内容项的在线系统140的观看用户的一组用户属性(例如，由观看用户先前与被呈现与候选内容项具有至少阈值相似性度量的内容项相关联地执行的动作)。在该示例中，优化模块250然后从机器学习模型接收一组输出，该组输出描述了与性能度量的最大预测值相关联的媒体的媒体属性的最优集合。下面结合图3进一步描述了优化模块250的功能。
媒体修改模块255基于与性能度量的最大预测值相关联的每个媒体项的媒体属性的最优集合来修改(例如，如图3的步骤335所示)候选内容项中包括的一个或更多个媒体项。例如，如果优化模块250确定对应于包括在内容项中的视频的亮度增加10％和视频的锐度增加15％的媒体属性的最优集合与最大预测CTR性能度量相关联，则媒体修改模块255可以相应地修改视频。在一些实施例中，媒体修改模块255可以限制候选内容项中包括的媒体的一个或更多个媒体属性被修改的量。例如，媒体修改模块255可以以最大百分比修改360度图像的色彩饱和度、色调、亮度、锐度和对比度。在上述示例中，360度图像可被修改的最大百分比可以单独应用于360度图像的每个媒体属性。或者，在上述示例中，360度图像可被修改的最大百分比可以应用于可对360度图像的所有媒体属性进行的修改的总百分比。在各种实施例中，在修改候选内容项中包括的媒体时，媒体修改模块255可以存储(例如，如图3的步骤340所示)候选内容项(例如，存储在内容储存器210中)。下面结合图3进一步描述了媒体修改模块255的功能。
用户界面模块260可以生成包括要呈现给在线系统140的观看用户的一个或更多个内容项的用户界面。在一些实施例中，由用户界面模块260生成的用户界面可以包括由内容选择模块230选择的用于呈现给在线系统140的观看用户的一个或更多个内容项。例如，用户界面模块260可以生成包括由内容选择模块230选择的一个或更多个内容项的内容项的信息流(例如，动态消息(newsfeed))，在线系统140在与观看用户相关联的移动设备的显示区域中呈现该信息流。作为附加示例，用户界面模块260可以生成包括内容项的显示单元，其沿着与在线系统140的观看用户相关联的客户端设备110的显示区域的右侧呈现。下面结合图3进一步描述了用户界面模块260的功能。
web服务器265经由网络120将在线系统140链接到一个或更多个客户端设备110以及链接到一个或更多个第三方系统130。web服务器265提供网页以及其他内容，例如
Figure BDA0002928097390000161
XML等。web服务器265可以接收消息并在在线系统140和客户端设备110之间路由该消息(例如即时消息、排队消息(例如，电子邮件)、文本消息、短消息服务(SMS)消息或使用任何其他合适的消息传送技术发送的消息)。用户可以向web服务器265发送上传存储在内容储存器210中的信息(例如，图像或视频)的请求。此外，web服务器265可以提供应用编程接口(API)功能，以将数据直接发送到本机客户端设备操作系统，例如
Figure BDA0002928097390000162
ANDROIDTM、
Figure BDA0002928097390000163
或BlackberryOS。
基于内容中包含的媒体的属性的最优集合来优化用户对内容的参与
图3是用于基于内容中包括的媒体的属性的最优集合来优化用户对内容的参与的方法的流程图。在其他实施例中，该方法可以包括不同于图3所示的步骤和/或附加步骤。另外，可以以与结合图3描述的顺序不同的顺序来执行该方法的步骤。
在线系统140识别305向在线系统140的观看用户呈现内容的机会。例如，在线系统140可以在从观看用户接收到访问与在线系统140中维护的观看用户相关联的用户简档页面的请求时，识别305向在线系统140的观看用户呈现内容项的机会，其中用户简档页面包括其中可以呈现各种内容项的动态消息。作为附加示例，在线系统140可以在接收到向观看用户呈现在线系统140中维护的网页的请求时，识别305向在线系统140的观看用户呈现内容项的机会，其中网页包括可滚动单元，在可滚动单元中可以呈现各种类型的内容项。
在识别305向观看用户呈现内容的机会后，在线系统140(例如，使用内容选择模块230)识别310有资格呈现给观看用户的候选内容项，其中候选内容项包括一个或更多个媒体项(例如，图像、视频、360度图像或视频、虚拟现实或增强现实中的渲染等)。可以基于与候选内容项相关联的定位标准来识别310候选内容项，该定位标准由观看用户的一组用户属性(例如，观看用户的人口统计信息、兴趣/爱好等)来满足。在一些实施例中，在线系统140还可以基于与候选内容项相关联的元数据来识别310候选内容项，该元数据指示其包括具有特定媒体文件格式(例如，JPEG、TIFF、PNG、MOV、AVI、MP4、FLV、WMV、VRML等)的内容。在线系统140还可以使用(例如，使用机器学习模块240)被训练来识别包括在候选内容项中的一个或更多个媒体项的机器学习模型(例如，使用卷积神经网络)或使用任何其他合适的技术，以识别310候选内容项。在在线系统140使用机器学习模型来识别310候选内容项的实施例中，在线系统140还可以使用该模型来识别候选内容项中包括的媒体的组成部分(例如，包括在媒体中的徽标、标记、商标、徽章、图标等)。
在线系统140然后(例如，使用媒体属性识别器235)识别315由在线系统140识别310的候选内容项中包括的每个媒体项的一个或更多个媒体属性。媒体属性的示例包括色彩饱和度、色调、亮度、锐度、对比度等。在一些实施例中，在线系统140可以使用机器学习模型来识别315候选内容项中包括的媒体的媒体属性。在这样的实施例中，机器学习模型可以使用卷积神经网络或可用于分析视觉图像的任何其他合适的媒体分类算法来识别315媒体属性。
在线系统140(例如，使用性能预测模块245)预测320候选内容项的性能度量的值，其指示观看用户对候选内容项的用户参与的可能性。性能度量的示例包括点击率(CTR)、转化率或指示观看用户在被呈现候选内容项的情况下将与候选内容项交互的可能性的任何其他度量。在线系统140可以基于各种因素预测320候选内容项的性能度量的值。这些因素的示例包括候选内容项中包括的媒体内容、媒体的媒体属性、观看用户的用户属性(例如，人口统计信息和与先前对观看用户的内容呈现相关联的一个或更多个性能度量的值)等。在一些实施例中，在线系统140可以使用机器学习模型来预测320候选内容项的性能度量的值。
对于可以对候选内容项中包括的媒体的媒体属性进行的每个修改，在线系统140(例如，使用性能预测模块245)预测325性能度量的值的变化。在一些实施例中，在线系统140可以使用机器学习模型预测325性能度量的值的变化。如图4A的示例所示，在线系统140可以向机器学习模型420提供一组输入，该组输入包括描述对候选内容项中包括的媒体的一个或更多个媒体属性的一个或更多个修改405的信息、与候选内容项相关联的信息410、以及可以向其呈现候选内容项的在线系统140的观看用户的一组用户属性415。在该示例中，在线系统140然后从机器学习模型420接收一组输出，该组输出描述候选内容项的先前预测320的性能度量的值的预测变化425。或者，如图4B的示例所示，来自机器学习模型420的一组输出可以对应于性能度量的多个预测值430(例如，CTR 1、CTR 2、CTR3、CTR 4和CTR5)，其中性能度量的每个预测值对应于对媒体属性的每个修改405。在该示例中，性能度量的值的预测变化可以由在线系统140确定为在该组输出中包括的性能度量的每个预测值430与候选内容项的先前预测320的性能度量的值之间的差值。
在一些实施例中，在线系统140可以基于对候选内容项中包括的一个或更多个媒体项的媒体属性的修改的多个组合来预测325候选内容项的性能度量的值的变化。在候选内容项包括多个媒体项的实施例中，在线系统140可以基于对一个或更多个媒体项的一个或更多个媒体属性的修改来预测325候选内容项的性能度量的值的变化。此外，在在线系统140使用机器学习模型识别310候选内容项的实施例中，在线系统140可以基于在线系统140中维护的一个或更多个策略和在线系统140识别的媒体项的组成部分(例如，徽标、标记、商标、徽章、图标等)，来确定不应该修改包括在候选内容项中的一个或更多个媒体项。在这样的实施例中，在线系统140可以不基于对媒体项的媒体属性的修改来预测325性能度量的值的变化。
返回参考图3，在线系统140(例如，使用优化模块250)确定330与性能度量的最大预测值相关联的候选内容项中包括的一个或更多个媒体项的媒体属性的最优集合。在在线系统140基于由在线系统140识别的媒体的组成部分和在线系统140中维护的一个或更多个策略来确定不应修改包括在候选内容项中的媒体的实施例中，在线系统140可以确定330媒体的媒体属性的最优集合对应于媒体的原始媒体属性。在一些实施例中，在线系统140可以使用机器学习模型来确定330候选内容项中包括的媒体的媒体属性的最优集合。
在线系统140然后基于与性能度量的最大预测值相关联的每个媒体项的媒体属性的最优集合，(例如，使用媒体修改模块255)修改335候选内容项中包括的一个或更多个媒体项。在一些实施例中，在线系统140可以限制候选内容项中包括的媒体的一个或更多个媒体属性被修改335的量。在各种实施例中，在修改335包括在候选内容项中的媒体时，在线系统140可以存储340候选内容项(例如，存储在内容储存器210中)。
在线系统然后可以(例如，使用内容选择模块230)对在一个或更多个附加候选内容项中的包括修改的媒体的候选内容项进行排名345，以呈现给在线系统140的观看用户。在线系统140可以基于与媒体属性的最优集合相关联的性能度量的最大预测值来对候选内容项进行排名345。在一些实施例中，在线系统140还可以基于附加因素(例如，与一个或更多个候选内容项相关联的出价金额、与一个或更多个候选内容项相关联的相关性度量等)来对候选内容项进行排名345。
在线系统140可以基于排名(例如，使用内容选择模块230)选择350一个或更多个内容项以呈现给观看用户(例如，通过选择350一个或更多个排名靠前的内容项以呈现给观看用户)。最后，在线系统140可以发送355所选择的内容项以呈现给观看用户。在一些实施例中，在线系统140可以发送355所选择的内容项以经由在线系统140(例如，使用用户界面模块260)生成的用户界面(例如，内容项的信息流)呈现给观看用户。
概述
为了说明的目的提出了实施例的前述描述；它并不旨在是无遗漏的或将专利权限制到所公开的精确形式。相关领域中的技术人员可以认识到，按照上面的公开，许多修改和变化是可能的。
本描述的一些部分从对信息的操作的算法和符号表示方面描述了实施例。数据处理领域的技术人员通常使用这些算法描述和表示来向本领域的其他技术人员有效地传达他们工作的实质。这些操作虽然在功能上、计算上或逻辑上进行了描述，但应理解为将由计算机程序或等效电路、微代码等来实现。此外，将操作的这些布置称为模块有时候也被证明是方便的而不失一般性。所描述的操作和它们的相关模块可以体现在软件、固件、硬件或其任何组合中。
可以利用一个或更多个硬件或软件模块单独地或与其他设备组合地来执行或实现本文描述的任何步骤、操作或过程。在一个实施例中，利用包括包含计算机程序代码的计算机可读介质的计算机程序产品来实现软件模块，该计算机程序代码可以由计算机处理器执行，用于执行所描述的任何或全部步骤、操作或过程。
实施例也可以涉及用于执行本文的操作的装置。该装置可以被特别构造成用于所需的目的，和/或它可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算设备。这种计算机程序可以存储在非暂时性的、有形的计算机可读存储介质中，或者任何类型的适于存储电子指令的介质中，其可以耦合到计算机系统总线。此外，说明书中提到的任何计算系统可以包括单个处理器，或者可以是采用多处理器设计来提高计算能力的架构。
实施例也可以涉及由本文所述的计算过程产生的产品。这样的产品可以包括由计算过程产生的信息，其中信息被存储在非暂时性的、有形的计算机可读存储介质上且可以包括计算机程序产品或本文所述的其他数据组合的任何实施例。
最后，在说明书中使用的语言主要为了可读性和指导目的而被选择，并且它可以不被选择来描绘或限制创造性主题。因此，意图是专利权的范围不受该详细描述限制，而是受基于此的申请所发布的任何权利要求限制。因此，实施例的公开内容意图对本专利权的范围是说明性的，而不是限制性的，在所附的权利要求中阐述了本专利权的范围。

Claims (28)

1.一种优化用户对内容的参与的方法，包括：
识别向在线系统的观看用户呈现内容的机会；
识别有资格呈现给所述观看用户的候选内容项，所识别的候选内容项包括媒体；
识别所述媒体的一个或更多个媒体属性；
预测所述候选内容项的性能度量的值，所述性能度量的值指示所述观看用户对内容项的用户参与的可能性，预测的所述性能度量的值至少部分地基于所述媒体的一个或更多个媒体属性；
对于对所述一个或更多个媒体属性的一个或更多个修改中的每一个，预测所述性能度量的值的变化；
确定与所述性能度量的最大预测值相关联的所述媒体的媒体属性的最优集合；
确定与要应用于构成所述候选内容项的所述媒体的所述一个或更多个媒体属性相关联的总修改的最大百分比，其中，多个修改中的每个修改与百分比中的变化相关联，并且所述变化的总和不超过所述总修改的最大百分比；和
至少部分地基于所确定的所述媒体的媒体属性的最优集合和所确定的最大百分比来修改构成所述候选内容项的媒体。
2.根据权利要求1所述的方法，还包括：
对有资格呈现给所述观看用户的一组候选内容项中的包括修改的媒体的候选内容项进行排名，所述排名至少部分地基于所述性能度量的最大预测值；
至少部分地基于所述排名选择一个或更多个内容项以呈现给所述观看用户；和
发送所述一个或更多个内容项以呈现给所述观看用户。
3.根据权利要求1所述的方法，其中，使用机器学习模型来预测所述性能度量的值和所述性能度量的值的变化中的一个或更多个。
4.根据权利要求3所述的方法，其中，至少部分地基于从由以下项组成的组中选择的一个或更多个来训练所述机器学习模型：包括在先前呈现给所述在线系统的多个观看用户的内容中的多个媒体的多个媒体属性、所述在线系统的多个观看用户的一个或更多个用户属性、以及与所述内容的先前呈现相关联的性能度量的多个值。
5.根据权利要求3所述的方法，其中，预测所述性能度量的值的变化包括：
向所述机器学习模型提供一组输入，所述一组输入包括描述对所述媒体的一个或更多个媒体属性的一个或更多个修改的信息、与所述候选内容项相关联的信息、以及所述在线系统的观看用户的一组用户属性；和
从所述机器学习模型接收一组输出，所述一组输出包括描述所述性能度量的值的变化的信息。
6.根据权利要求3所述的方法，其中，构成所述候选内容项的媒体的一个或更多个媒体属性由所述机器学习模型使用卷积神经网络来识别。
7.根据权利要求1所述的方法，其中，所述媒体的一个或更多个媒体属性包括从由以下项组成的组中选择的一个或更多个：颜色饱和度、色调、亮度、锐度和对比度。
8.根据权利要求1所述的方法，其中，使用滤波器来实现对所述媒体的一个或更多个媒体属性的一个或更多个修改。
9.根据权利要求1所述的方法，还包括：
识别组成所述媒体的一个或更多个组成部分，其中，所述一个或更多个组成部分选自由以下项组成的组：徽标、标记、商标、徽章和图标。
10.根据权利要求9所述的方法，其中，确定与所述性能度量的最大预测值相关联的所述媒体的媒体属性的最优集合包括：
响应于识别组成所述媒体的一个或更多个组成部分，确定所述媒体的媒体属性的最优集合对应于所述媒体的一个或更多个媒体属性。
11.根据权利要求1所述的方法，其中，修改构成所述候选内容项的媒体还至少部分地基于对构成所述候选内容项的媒体的一个或更多个媒体属性的集合的最大量的修改。
12.根据权利要求1所述的方法，其中，所述媒体选自由以下项组成的组：图像、视频、360度图像、360度视频、虚拟现实中的渲染和增强现实中的渲染。
13.一种计算机可读存储介质，其上编码有指令，当由处理器执行所述指令时，所述指令使得所述处理器：
识别向在线系统的观看用户呈现内容的机会；
识别有资格呈现给所述观看用户的候选内容项，所识别的候选内容项包括媒体；
识别所述媒体的一个或更多个媒体属性；
预测所述候选内容项的性能度量的值，所述性能度量的值指示所述观看用户对内容项的用户参与的可能性，预测的所述性能度量的值至少部分地基于所述媒体的一个或更多个媒体属性；对于对所述一个或更多个媒体属性的一个或更多个修改中的每一个，预测性能度量的值的变化；
确定与所述性能度量的最大预测值相关联的所述媒体的媒体属性的最优集合；
确定与要应用于构成所述候选内容项的所述媒体的所述一个或更多个媒体属性相关联的总修改的最大百分比，其中，多个修改中的每个修改与百分比中的变化相关联，并且所述变化的总和不超过所述总修改的最大百分比；和
至少部分地基于所确定的所述媒体的媒体属性的最优集合和所确定的最大百分比来修改构成所述候选内容项的媒体。
14.根据权利要求13所述的计算机可读存储介质，其中，所述计算机可读存储介质还具有在其上编码的指令，所述指令当由所述处理器执行时使得所述处理器：
对有资格呈现给所述观看用户的一组候选内容项中的包括修改的媒体的候选内容项进行排名，所述排名至少部分地基于所述性能度量的最大预测值；
至少部分地基于所述排名选择一个或更多个内容项以呈现给所述观看用户；和
发送所述一个或更多个内容项以呈现给所述观看用户。
15.根据权利要求13所述的计算机可读存储介质，其中，使用机器学习模型来预测所述性能度量的值和所述性能度量的值的变化中的一个或更多个。
16.根据权利要求15所述的计算机可读存储介质，其中，至少部分地基于从由以下项组成的组中选择的一个或更多个来训练所述机器学习模型：包括在先前呈现给所述在线系统的多个观看用户的内容中的多个媒体的多个媒体属性、所述在线系统的多个观看用户的一个或更多个用户属性、以及与所述内容的先前呈现相关联的性能度量的多个值。
17.根据权利要求15所述的计算机可读存储介质，其中，预测所述性能度量的值的变化包括：
向所述机器学习模型提供一组输入，所述一组输入包括描述对所述媒体的一个或更多个媒体属性的一个或更多个修改的信息、与所述候选内容项相关联的信息、以及所述在线系统的观看用户的一组用户属性；和
从所述机器学习模型接收一组输出，所述一组输出包括描述所述性能度量的值的变化的信息。
18.根据权利要求15所述的计算机可读存储介质，其中，构成所述候选内容项的媒体的一个或更多个媒体属性由所述机器学习模型使用卷积神经网络来识别。
19.根据权利要求13所述的计算机可读存储介质，其中，所述媒体的一个或更多个媒体属性包括从由以下项组成的组中选择的一个或更多个：颜色饱和度、色调、亮度、锐度和对比度。
20.根据权利要求13所述的计算机可读存储介质，其中，使用滤波器来实现所述媒体的一个或更多个媒体属性的一个或更多个修改。
21.根据权利要求13所述的计算机可读存储介质，其中，所述计算机可读存储介质还具有在其上编码的指令，所述指令当由所述处理器执行时使得所述处理器：
识别组成所述媒体的一个或更多个组成部分，其中，所述一个或更多个组成部分选自由以下项组成的组：徽标、标记、商标、徽章和图标。
22.根据权利要求21所述的计算机可读存储介质，其中，确定与所述性能度量的最大预测值相关联的所述媒体的媒体属性的最优集合包括：
响应于识别组成所述媒体的一个或更多个组成部分，确定所述媒体的媒体属性的最优集合对应于所述媒体的一个或更多个媒体属性。
23.根据权利要求13所述的计算机可读存储介质，其中，修改构成所述候选内容项的媒体还至少部分地基于对构成所述候选内容项的媒体的一个或更多个媒体属性的集合的最大量的修改。
24.根据权利要求13所述的计算机可读存储介质，其中，所述媒体选自由以下项组成的组：图像、视频、360度图像、360度视频、虚拟现实中的渲染和增强现实中的渲染。
25.一种优化用户对内容的参与的方法，包括：
识别向在线系统的观看用户呈现内容的机会；
识别有资格呈现给所述观看用户的候选内容项，所识别的候选内容项包括具有一个或更多个媒体属性的媒体；
识别所述媒体的一个或更多个媒体属性；
预测所述候选内容项的性能度量的值，所述性能度量的值指示所述观看用户对内容项的用户参与的可能性，预测的所述性能度量的值至少部分地基于所述媒体的一个或更多个媒体属性；
对于对所述一个或更多个媒体属性的一个或更多个修改中的每一个，预测所述候选内容项的性能度量的值，所述性能度量的值指示所述观看用户对内容项的用户参与的可能性；
确定与所述性能度量的最大预测值相关联的所述媒体的媒体属性的最优集合；
确定与要应用于构成所述候选内容项的所述媒体的所述一个或更多个媒体属性相关联的总修改的最大百分比，其中，多个修改中的每个修改与百分比中的变化相关联，并且所述变化的总和不超过所述总修改的最大百分比；和
至少部分地基于所确定的所述媒体的媒体属性的最优集合和所确定的最大百分比来修改包括在所述候选内容项中的媒体。
26.根据权利要求25所述的方法，还包括：
对有资格呈现给所述观看用户的一组候选内容项中的包括修改的媒体的候选内容项进行排名，所述排名至少部分地基于所述性能度量的最大预测值；
至少部分地基于所述排名选择一个或更多个内容项以呈现给所述观看用户；和
发送所述一个或更多个内容项以呈现给所述观看用户。
27.根据权利要求25所述的方法，其中，所述媒体的一个或更多个媒体属性包括从由以下项组成的组中选择的一个或更多个：颜色饱和度、色调、亮度、锐度和对比度。
28.根据权利要求25所述的方法，其中，所述媒体选自由以下项组成的组：图像、视频、360度图像、360度视频、虚拟现实中的渲染和增强现实中的渲染。
CN201980051393.XA 2018-08-01 2019-07-30 基于内容中包括的媒体的属性的最优集合优化用户对内容的参与 Active CN112534826B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/051,486 2018-08-01
US16/051,486 US11132369B2 (en) 2018-08-01 2018-08-01 Optimizing user engagement with content based on an optimal set of attributes for media included in the content
PCT/US2019/044115 WO2020028349A1 (en) 2018-08-01 2019-07-30 Optimizing user engagement with content based on an optimal set of attributes for media included in the content

Publications (2)

Publication Number Publication Date
CN112534826A CN112534826A (zh) 2021-03-19
CN112534826B true CN112534826B (zh) 2023-03-10

Family

ID=67551767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980051393.XA Active CN112534826B (zh) 2018-08-01 2019-07-30 基于内容中包括的媒体的属性的最优集合优化用户对内容的参与

Country Status (4)

Country Link
US (1) US11132369B2 (zh)
EP (1) EP3831078A1 (zh)
CN (1) CN112534826B (zh)
WO (1) WO2020028349A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11556836B1 (en) 2018-02-12 2023-01-17 Intuit Inc. System and method for matching specialists and potential clients
WO2020086130A2 (en) * 2018-07-21 2020-04-30 The Regents Of The University Of California Apparatus and method for boundary learning optimization
US11790381B1 (en) * 2018-08-09 2023-10-17 Intuit Inc. System and method for attribute selection for expert matchmaking
US11232506B1 (en) * 2019-07-03 2022-01-25 Stitch Fix, Inc. Contextual set selection
US11328009B2 (en) 2019-08-28 2022-05-10 Rovi Guides, Inc. Automated content generation and delivery
US20210326722A1 (en) * 2020-04-20 2021-10-21 Facebook, Inc. Providing an entity with an option to select an online system user to create content on behalf of the entity based on content associated with the entity previously created by the user
US11615444B2 (en) * 2020-05-01 2023-03-28 Meta Platforms, Inc. Recommending that an entity in an online system create content describing an item associated with a topic having at least a threshold value of a performance metric and to add a tag describing the item to the content
JP7032678B1 (ja) * 2020-10-29 2022-03-09 株式会社ミクシィ 情報処理装置、情報処理方法、及びプログラム
US20230196393A1 (en) * 2021-12-16 2023-06-22 WizRocket Inc. Method and system for generating journeys for engaging users in real-time

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110010239A1 (en) * 2009-07-13 2011-01-13 Yahoo! Inc. Model-based advertisement optimization
US20140019261A1 (en) * 2012-07-10 2014-01-16 John Hegeman Sponsored advertisement ranking and pricing in a social networking system
US20160104057A1 (en) * 2014-10-10 2016-04-14 Facebook, Inc. Training image adjustment preferences

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10373193B2 (en) * 2010-06-18 2019-08-06 Microsoft Technology Licensing, Llc Learning display parameters to maximize advertising revenue
US20120166532A1 (en) 2010-12-23 2012-06-28 Yun-Fang Juan Contextually Relevant Affinity Prediction in a Social Networking System
US10395321B2 (en) 2012-11-30 2019-08-27 Facebook, Inc. Dynamic expressions for representing features in an online system
US9070141B2 (en) 2012-11-30 2015-06-30 Facebook, Inc. Updating features based on user actions in online systems
US9317812B2 (en) 2012-11-30 2016-04-19 Facebook, Inc. Customized predictors for user actions in an online system
US20180012131A1 (en) 2016-07-07 2018-01-11 Facebook, Inc. Predicting an effect of a set of modifications to an appearance of content included in a content item on a performance metric associated with the content item
US20180096382A1 (en) * 2016-10-04 2018-04-05 Rovi Guides, Inc. System and method for expanding a pool of users that are targeted for an advertisement based on advertisement exposure
US11232482B2 (en) 2016-11-01 2022-01-25 Meta Platforms, Inc. Selecting one or more components to be included in a content item optimized for an online system user
WO2019143738A1 (en) * 2018-01-19 2019-07-25 Vungle, Inc. Dynamic content generation based on response data
US11200591B2 (en) * 2018-05-30 2021-12-14 Paypal, Inc. Electronic content based on neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110010239A1 (en) * 2009-07-13 2011-01-13 Yahoo! Inc. Model-based advertisement optimization
US20140019261A1 (en) * 2012-07-10 2014-01-16 John Hegeman Sponsored advertisement ranking and pricing in a social networking system
US20160104057A1 (en) * 2014-10-10 2016-04-14 Facebook, Inc. Training image adjustment preferences

Also Published As

Publication number Publication date
US20200042610A1 (en) 2020-02-06
WO2020028349A1 (en) 2020-02-06
CN112534826A (zh) 2021-03-19
US11132369B2 (en) 2021-09-28
EP3831078A1 (en) 2021-06-09

Similar Documents

Publication Publication Date Title
CN112534826B (zh) 基于内容中包括的媒体的属性的最优集合优化用户对内容的参与
US20200286000A1 (en) Sentiment polarity for users of a social networking system
US20200250702A1 (en) Clustering users of a social networking system based on user interactions with content items associated with a topic
US20170206553A1 (en) Presenting content items to an online system user in a sequence based on user interaction with the content items
US10108983B2 (en) Selecting content for presentation to an online system user to increase likelihood of user recall of the presented content
EP3905177A1 (en) Recommending that an entity in an online system create content describing an item associated with a topic having at least a threshold value of a performance metric and to add a tag describing the item to the content
CN112819025A (zh) 识别图像中与用户向在线系统标识的产品匹配的对象
US10715850B2 (en) Recommending recently obtained content to online system users based on characteristics of other users interacting with the recently obtained content
US10387516B2 (en) Selecting content with an external link for presentation based on user interaction with external content
US10853846B2 (en) User modification of characteristics used for content selection by an online system
US10353963B2 (en) Filtering automated selection of keywords for computer modeling
CN114119956A (zh) 将内容包括在页面中和/或基于图像的质量度量添加数据
US10805653B2 (en) Accounting for locations of a gaze of a user within content to select content for presentation to the user
US20170024777A1 (en) Evaluating content items for presentation to an online system user based in part on one or more parameters of the user specified by a third party system
US11676177B1 (en) Identifying characteristics used for content selection by an online system to a user for user modification
US11049136B1 (en) Inferring attributes associated with a non-merchant user of a classified advertising service based on user interactions with an item for sale posted by the non-merchant user
US10594647B2 (en) Generating an interface identifying to a user content items provided to groups maintained by an online system that include the user
EP3901885A1 (en) Providing an entity with an option to select an online system user to create content on behalf of the entity based on content associated with the entity previously created by the user
US11954170B1 (en) Generating content feed based on policy associated with adjacent content
US11586691B2 (en) Updating a profile of an online system user to include an affinity for an item based on an image of the item included in content received from the user and/or content with which the user interacted
US11276103B2 (en) Evaluating presentation of products offered by a publishing user based on content items provided to an online system by other users
US11706386B1 (en) Identifying an activity specifying thematic content for a video exchange session between users of an online system using a trained model
US10484489B2 (en) Generating a feed of content for a user of an online system including content associated with additional online system users who are not connected to the user via the online system
US20160071153A1 (en) Presenting Additional States of Content Items to Users Based on Received Inputs
US20150356608A1 (en) Selecting advertisement content for social networking system users based on types of location data associated with the users

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: California, USA

Applicant after: Yuan platform Co.

Address before: California, USA

Applicant before: Facebook, Inc.

GR01 Patent grant
GR01 Patent grant