CN112860986A - 向服务的用户生成单独内容的系统和方法 - Google Patents
向服务的用户生成单独内容的系统和方法 Download PDFInfo
- Publication number
- CN112860986A CN112860986A CN202011048587.5A CN202011048587A CN112860986A CN 112860986 A CN112860986 A CN 112860986A CN 202011048587 A CN202011048587 A CN 202011048587A CN 112860986 A CN112860986 A CN 112860986A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- service
- trained
- behavior
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000003542 behavioural effect Effects 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000551 statistical hypothesis test Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 122
- 230000015654 memory Effects 0.000 description 21
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000238558 Eucarida Species 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- RGNPBRKPHBKNKX-UHFFFAOYSA-N hexaflumuron Chemical compound C1=C(Cl)C(OC(F)(F)C(F)F)=C(Cl)C=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F RGNPBRKPHBKNKX-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/60—Context-dependent security
- H04W12/68—Gesture-dependent or behaviour-dependent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
- H04L63/102—Entity profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
- H04W12/065—Continuous authentication
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明涉及向服务的用户生成单独内容的系统和方法。在一个方面,示例性的方法包括:收集与计算设备的用户的行为有关的数据;基于所收集的数据来训练用户行为模型,其中,经训练的数据以预定的可靠度识别所述用户;以及根据从模型发送器接收到的经训练的模型,基于预定的服务环境,向服务的所述用户提供单独内容。
Description
技术领域
本发明涉及数据分析和机器学习的领域,更具体地,涉及向服务(service)的用户生成单独内容的系统和方法。
背景技术
计算机技术近十年来的快速发展以及各种计算设备(个人计算机、笔记本电脑、平板电脑、智能手机等)的广泛使用,已成为对于这些设备在各种活动和巨大量任务中的使用的强力刺激。任务的一些示例包括互联网冲浪、银行活动(例如,汇款)、传输电子文件等。然而,与计算设备的数量和在这些设备上运行的软件量的快速增长的同时,恶意活动也在迅速增长。例如,恶意程序的数量、对所述设备正在处理的数据的未授权访问的方法的数量、使用该数据的欺诈性方法的数量持续增长。因此,信息安全的问题变得特别重要。
开始给予广泛关注,不仅为了确保用户的个人数据的信息安全,还为了保护用户的个人数据。个人数据的保护可以针对假设的(有时甚至不太可能的)威胁,例如对存储用户的个人数据的服务器的成功针对性攻击等。在欧盟中,为此目的已经引入了基于自愿同意的概念的解决方案(例如,通用数据保护条例(general data protection regulation,GDPR))。另外,也已经引入了用于确保在用户的计算设备上对用户的个人数据的最大量存储以及在外部服务处对此类数据的最少可能的分析和使用的解决方案。
目前,经训练的模型(通常,以及机器学习)的使用已经在人类活动的各个领域中得到广泛应用。还努力使用经训练的模型来保存用户的个人数据并将用户的个人数据用于各种任务。例如,基于用户的个人数据训练的模型可以允许:在商业或其它信息技术的某些领域中预测用户的喜好、识别用户等等。经训练的模型的主要优点之一是不可以从经训练的模型中提取用于对模型进行训练的个人数据。因此,经训练的模型能够在不公开个人用户数据的情况下使用个人用户数据(或将数据从一个计算设备传送到另一计算设备,这将对用户数据的信息安全产生负面影响)。上述方法使用技术来处理如下任务:通过用户的行为(动作)来识别用户。然而,用户动作本身绝不会被隐藏;该数据(为个人用户数据)被发送至其它计算设备(包括远程计算设备)进行分析(识别)。因此,用户动作可能容易受到未经授权的访问。
因此,需要一种基于个人用户数据向用户提供服务的最佳方法,而无需通过网络发送数据。
发明内容
本发明的各方面涉及通过向服务传输已经利用个人用户数据训练的用户行为模型而不传输实际的个人用户数据来向服务的用户生成单独内容,同时提供信息安全性。本发明的另一方面涉及通过基于已经利用个人用户数据训练的用户行为模型来识别用户而不是基于实际的个人用户数据来识别用户,而为个人用户数据的安全提供保证。
在一示例性方面,提供了一种用于向服务的用户生成单独内容的方法,该方法包括:收集与计算设备的用户的行为有关的数据;基于所收集的数据来训练用户行为模型,其中,经训练的数据以预定的可靠度识别用户;以及根据从模型发送器接收的经训练的行为模型,基于预定的服务环境,向服务的用户生成单独内容。
在一个方面,与用户的行为有关的数据描述了以下中的至少一项:用户正在使用的一个或多个应用程序、用户使用所述一个或多个应用程序中的各个应用程序的时间、用户在所述一个或多个应用程序的各个应用程序中执行的动作、用户发出的搜索查询、用户访问的一个或多个网站、用户在访问的所述一个或多个网站中的相应网站上执行的动作、以及用户填写的表单。
在一个方面,用户行为模型包括基于具有权重的神经网络的模型,其中,该模型用于预测用户的下一个行为。
在一个方面,该方法还包括:将经训练的用户行为模型发送到内容生成器,其中,至少以预定的频率执行该发送。
在一个方面,该方法还包括:将经训练的用户行为模型发送到内容生成器,其中,至少基于内容生成器的要求来执行该发送。
在一个方面,行为模型数据库包含在用户注册服务期间收集的用户行为模型。
在一个方面,该方法还包括:在向服务的用户生成单独内容之前,基于由模型发送器提供的用户行为模型与从行为模型数据库获得的一个或多个模型的比较结果,授权用户使用服务。
在一个方面,使用以下中的至少一项来将所述一个或多个行为模型彼此比较:散点图矩阵、单独的散点图和统计显著性检验。
在一个方面,预定的服务环境包括用于访问以下中的至少一项的环境:将授权用户访问的商品和服务的列表、以及基于从模型发送器接收到的行为模型的分析已授权允许用户访问的数据。
根据本发明的一个方面,提供了一种用于向服务的用户生成单独内容的系统,该系统包括硬件处理器,该硬件处理器被配置为:收集与计算设备的用户的行为有关的数据;基于所收集的数据来训练用户行为模型,其中,经训练的数据以预定的可靠度识别用户;以及根据从模型发送器接收的经训练的行为模型,基于预定的服务环境,向服务的用户生成单独内容。
在一个示例性方面,提供了一种非暂时性计算机可读介质,该非暂时性计算机可读介质上存储有用于向服务的用户生成单独内容的一组指令,其中,该组指令包括用于以下操作的指令:收集与计算设备的用户的行为有关的数据;基于所收集的数据来训练用户行为模型,其中,经训练的数据以预定的可靠度识别用户;以及根据从模型发送器接收的经训练的模型,基于预定的服务环境,向服务的用户生成单独内容。
本发明的方法和系统被设计为向服务的用户生成单独的内容,同时提供信息的安全性。因此,传输的是用户行为模型,而不是用户的个人数据。另外,基于已经利用个人用户数据训练的用户行为模型,而不是基于实际的个人用户数据来识别用户。
附图说明
并入本说明书中并构成本说明书的一部分的附图示出了本发明的一个或多个示例性方面,以及连同详细的描述一起用来阐述这些示例性方面的原理和实现方式。
图1示出了根据本发明的各方面的用于向服务的用户生成单独内容的系统。
图2示出了根据本发明的各方面的用于向服务的用户生成单独内容的示例性方法。
图3示出了可以在其上实现本发明的各方面的通用计算机系统的示例。
具体实施方式
本文中在用于向服务的用户生成单独内容的系统、方法和计算机程序的上下文中描述了示例性各方面。本领域普通技术人员将意识到,以下的描述仅仅是说明性的,而不旨在以任何方式进行限制。其它方面将很容易将其自身暗示给了解本发明的优点的本领域技术人员。现在将详细地参考如附图中所示的示例性方面的实现方式。贯穿附图和以下描述将尽可能地使用相同的附图标记来指代相同或相似的项。
在一个方面,本发明描述了一种用于向服务的用户生成单独内容的系统,该系统在计算系统上实现,该计算系统包括现实世界的设备、系统、部件以及部件组,这些现实世界的设备、系统、部件以及部件组使用诸如集成微电路(专用集成电路,ASIC)或现场可编程门阵列(FPGA)的硬件实现、或者例如以软件和硬件组合的形式(例如微处理器系统和程序指令集)实现、以及还在神经突触芯片上实现。所述系统的这种装置的功能可以仅通过硬件来实现,并且也可以以组合的形式来实现,其中系统装置的一些功能通过软件来实现,并且一些功能通过硬件来实现。在某些方面,部件、系统等中的一些或全部可以在通用计算机(诸如图3所示的计算机)的处理器上运行。此外,系统部件可以在单个计算设备内实现,或者也可以分散在多个互连的计算设备之间。
图1示出了根据本发明的各方面的用于向服务的用户生成单独内容的系统100。在一个方面,系统100包括数据收集器110、模型训练器120、用户行为模型121、模型发送器130、行为模型数据库131、内容生成器140、服务内容141、单独内容142和分析器150。
在一个方面,系统100的主要目的是从远程服务的预定服务内容中生成单独用户内容。基于对用户在使用他/她的计算设备时的行为的分析来生成单独用户内容。
在一个方面,远程服务包括以下中的至少一项:
·在线商店;
·向用户呈现广告的广告平台(例如,包含信息网站);以及
·提供信息服务的资源。
在一个方面,当远程服务包括在线商店时,服务内容至少包括在线商店中可获得的商品的集合。在一个方面,服务内容还包括关于集合中的商品的信息。
在一个方面,当远程服务包括广告平台时,服务内容包括广告块(advertisingblock),该广告块包括广告商品和服务的媒体数据,例如横幅广告。
在一个方面,当远程服务包括用于提供信息服务的资源时,服务内容包括:发送给用户的信息、新闻以及任意数量的其它数据块。发送给用户的信息、新闻等可以类似于通过RSS信道发送的内容。
在一个方面,数据收集器110在用户的计算设备的使用期间收集与用户的行为有关的数据(即,日志数据),并将收集到的数据发送至模型训练器120。
在一个方面,用户的计算设备至少包括:
·个人计算机;
·笔记本电脑;
·平板电脑;以及
·移动电话或手机。
在一个方面,该计算设备包括在其上运行软件的计算设备的集合,其中该集合的计算设备通过单个用户帐户互连。例如,计算设备可以是用户的个人计算机、用户的iPhone和iPad平板电脑,在用户的个人计算机、用户的iPhone和iPad平板电脑上运行的软件通过单个帐户(例如,单个帐户下的YouTube)连接至远程服务或连接至单个云服务(例如基于Handoff技术的云服务),即,所述计算设备是在其上使用单点登录(Single Sign-On,SSO)技术的计算设备。
在一个方面,所收集的与用户的行为有关的数据包括以下中的至少一项:
·用户正在使用的应用程序的名称、用户使用各个应用程序的时间、用户在各个应用程序中执行的动作;
·用户发出的搜索查询;
·用户访问的(线上)网站的地址、用户在各个网站上执行的动作(例如,用户使用哪些链接从该网站的页面跳转、提取和复制文本等等);
·用户填写的表单中的数据;
·与鼠标、触摸板和其它数据输入设备的光标移动有关的信息;
·从登录页面到其它页面的跳转;
·数据输入工具或设备的标识符(硬件ID);以及
·客户端应用程序的标识符。
例如,系统可以收集对语音助手(例如Alisa、Alexa、Siri等)做出的请求,作为与用户的行为有关的数据。
在另一示例中,作为与用户的行为有关的数据,系统在每个搜索查询之后收集Google搜索查询和用户访问的网站的地址。
在一个方面,分析由数据收集器110收集的数据,使得执行以下中的至少一项:
·当内容生成器140向服务的用户生成单独内容时,不记录具有低优先级的数据;
·不记录重复的数据;以及
·纠正不正确(错误)的数据。
在一个方面,模型训练器120基于所收集的数据来训练用户行为模型121,并将经训练的用户行为模型121发送至模型发送器130。
在一个方面,用户行为模型121包括基于具有权重的神经网络的模型,该模型用于预测用户的下一个个行为。
例如,可以基于与用户的搜索查询有关的数据来生成经训练的用户行为模型121,使得当使用该模型121时,可以确定哪些已知搜索查询(包括修改后的已知搜索查询,即基于多个已知查询的组合而组成的查询)将来会由用户执行。选择具有最大概率的已知搜索查询。
在一个方面,训练用户行为模型121,以便用户行为模型121以给定的可靠度来识别用户。
在另一方面,训练用户行为模型121包括:
·以向量形式(例如,通过词法分析、将语音转换为文字、将文字转换为文字向量)对收集到的与用户的行为有关的数据进行参数化;
·通过从获得的向量中移除低优先级的信息、消除噪声等来获得清除后的向量;以及
·将清除后的向量发送至训练算法的输入。
作为说明性示例,对于使用相同计算设备但执行不同动作(使用不同应用程序、进行不同的搜索查询、填写不同的表单等)的两个用户,将会生成不同的经训练的用户行为模型121,这两个经训练的模型毫无疑问彼此不同,而它们的差异程度将表征给定的经训练的用户行为模型121的用户识别的可靠性水平。可以使用不同的度量(见下文)来比较这些经训练的用户行为模型121。此外,对于在不同时间使用计算设备的同一用户,生成类似的经训练的用户行为模型121,以便将以给定的可靠度仅识别一个用户。
在一个方面,首先训练用户行为模型121以表征一大组用户的行为。对于不同的用户组,可以训练多种不同的用户行为模型121以表征不同的用户组。
根据数据收集器110所收集的数据,将这些用户行为模型121中的一者发送至模型训练器120。这种方法使得可以减少对用户的计算设备的资源的需求,因为未进行对用户行为模型的全面训练,而仅进行了进一步训练。
在一个方面,在远程服务上生成预训练的用户行为模型121,其中,根据各个特定用户的经训练的用户行为模型121,为每个特定用户生成单独内容142。
作为说明性示例,假设该服务用于在新闻网站和在线杂志上以横幅广告的形式提供广告材料。该服务生成不同的表征不同用户组(运动爱好者、家庭主妇、学生等)的经训练的用户行为模型121。根据特定用户访问了该服务的哪些合作伙伴网站,用于向服务的用户生成单独内容的系统将发送相应的预训练的用户行为模型。例如,对于访问体育用品在线商店的用户,将发送先前已经关于运动爱好者的行为进行了训练的经训练的用户行为模型121。调整(训练)这种预训练的用户行为模型121,以考虑用户在具有体育主题的网站上进行的搜索查询和对体育应用程序(跟踪器、心率监视器等)的使用,并忽略数据收集器110收集的其它数据(即,其它数据对经训练的用户行为模型的工作结果几乎没有贡献)。
在一个方面,模型发送器130将经训练的模型121发送至内容生成器140。
在一个方面,模型发送器130在将经训练的模型121传输至内容生成器140之前确定是否满足发送经训练的模型121的条件。例如,可能需要用户授权等。
在一个方面,行为模型数据库131包含在用户注册服务期间收集的用户行为模型。
作为说明性示例,在线图书销售服务可以包含注册用户数据库,其中发送的注册信息不是用户的登录名和密码,而是他或她的经训练的行为模型121,其中使用由服务提供的软件构造模型121本身,该软件至少包括数据收集器110、模型训练器120和模型发送器130。因此,在用户首次访问该服务之后以及在经训练的模型121已经被生成并发送给服务之后,该经训练的模型驻留在行为模型数据库131中。在用户重复访问该服务期间,将发送进一步训练的用户行为模型121(具体地,由模型发送器130发送),该进一步训练的用户行为模型121可能不同于先前发送的用户行为模型121,但相差不会超出所允许在该服务上明确识别用户的程度。
在一个方面,模型发送器130至少包括:
·单独的应用程序,该应用程序拦截对服务的请求,其中,执行该拦截,以将经训练的用户行为模型121作为用户标识符提供给请求所指向的服务;
·安装在用户的计算设备的浏览器中的插件,当用户访问相应服务的网站时,该插件会自动向服务提供经训练的用户行为模型121;以及
·脚本(例如,以JS代码的形式),其包含经训练的用户行为模型121的元素并嵌入在服务网站中。
作为说明性示例,模型发送器130可以是Google Chrome浏览器的插件,该插件是在第一次访问在线图书销售商店的网站时通过该网站的请求而安装在用户的计算系统上的。每次访问该网站时,此插件都会将生成的用户行为模型121作为用户标识符发送。
在一个方面,模型发送器130至少如下地将经训练的用户行为模型121发送至内容生成器140:
·以预定的频率;以及
·根据内容生成器140的要求。
例如,如果用户正在使用由服务提供的某个软件,则该软件(如上所述)可以以每天一次的频率向服务发送更新后的(即,进一步培训的)用户行为模型121。作为结果,用户在访问该服务时至少:
·始终被授权使用该服务;和/或
·接收相关且新的信息,即服务的单独内容142。
在一个方面,基于发送至内容生成器140的用户行为模型121与从行为模型数据库131获得的模型的比较结果,模型发送器130授权用户使用该服务。例如,如果两个用户使用同一计算设备,则1号用户的经训练的用户行为模型应当与2号用户的经训练的用户行为模型不同,使得可以以给定的可靠度区分这两个用户。如果同一用户在不同时间使用不同的计算设备,则基于来自1号计算设备的数据生成的经训练的用户行为模型应当类似于基于来自2号计算设备的数据生成的经训练的用户行为模型。
在一个方面,通过至少使用以下项来进行两个行为模型的比较:
·散点图矩阵;
·单独的散点图;以及
·统计显著性检验。
作为说明性示例,神经网络的参数用作散点图。
在一个方面,可以基于对两个经训练的行为模型用在先前准备的数据测试样本上使用时的结果的分析来这两个经训练的行为模型彼此比较。
在一个方面,可以通过计算用户可以(或应当)对给定服务执行哪些动作来准备测试样本。例如,测试样本可以包括对用户已访问的在线商店的商品的搜索查询,或者通过显示给用户的广告对商品和服务的搜索查询等等。
例如,假设:对于1号用户,使用1号用户和某一组其他用户的搜索查询来训练行为模型,而对于2号用户,使用2号用户和某一组其他用户的搜索查询来训练行为模型(不一定与1号用户行为模型的训练相同)。为了验证1号用户和2号用户的经训练的行为模型彼此之间有多相似,将预先准备的搜索查询的测试样本放入模型中。在模型的输出处,计算与相应用户(即,对于经训练的1号用户的行为模型为1号用户、对于经训练的2号用户的行为模型为2号用户)有关的特定查询的概率。所获得的结果的比较用于确定这些用户行为模型是相似还是不同。
考虑到由模型发送器130提供的行为模型121,内容生成器140基于预定的服务环境141向服务的用户生成单独内容142。
在一个方面,指定的服务环境141至少包括:
·可以授权用户访问的商品和服务的列表,其中对商品的访问包括向用户提供关于商品或服务的信息、以及订购商品或服务的能力,包括购买(支付)订购的商品或服务;以及
·基于模型发送器130提供的用户行为模型121的分析已授权允许用户访问的数据。
作为说明性示例,假设用户访问在线家电销售服务,之后,模型发送器130将已经利用用户的搜索查询训练的用户行为模型121发送至该服务。提供给服务的经训练的用户行为模型121将用于识别用户并授权他/她使用给定的服务。基于所提供的经训练的用户行为模型121以及基于对由在线商家服务所提供的商品的先前搜索查询,确定哪些商品(列表)对该用户具有更高的优先级(主要是对其进行搜索查询的商品、相关商品等)。然后,基于确定的商品列表为该用户生成目录和价目表。
因此,向用户呈现某些基于他/她的个人数据(例如,搜索查询)先前准备的信息,不向服务呈现搜索查询本身,而是只呈现用户行为模型121,其中通过那些搜索查询来训练该模型,从而提高了用户个人数据的信息安全性。
在又一示例中,假设该服务是针对通过各种平台(各种主题网站:新闻网站、论坛、在线商店等)向用户提供上下文广告的广告代理。为了使服务更精确地运行,即为了为每个特定用户选择更相关的广告,需要对用户数据进行分析,其中,该分析包括关于用户在计算设备上和在网络中的行为的数据、用户正在使用哪个应用程序、他或她正在进行哪些搜索查询、正在访问哪些网站等等。服务需要收集这些类型的数据。一方面,未经用户同意收集大量数据是非法的;另一方面,即使在用户同意的情况下收集数据,也可能导致对如此收集的数据的未授权访问,从而给用户带来声誉风险和财务风险。因此,本发明的方法为用户提供了益处。本发明的方法使用已经利用用户的计算设备训练的用户行为模型121。然而,该模型不包含用户数据(用户数据包括个人数据)。另外,该模型可以用于识别用户、预测他或她的行为、兴趣等等。
在一些场景下,使用经训练的用户行为模型121可能导致对用户的计算设备的计算资源的高要求。即使在用户的计算设备上对用户行为模型的训练是在实时模式下进行的,这也可能以对于用户明显的方式影响计算设备本身的性能以及用户正在使用的应用程序的操作。例如,当在用户的计算设备上进行用户行为模型121的训练时,用户的计算设备的工作速度可能会更慢,RAM的消耗可能会更高,并且移动设备的自主操作时间可能会更短。为了防止对用户的计算设备的计算资源的需求过高,在一个方面,本发明的方法使用先前经训练的用户行为模型121,并通过进一步训练先前经训练的模型来更新模型以供使用。
上述方法能够解决上述问题,并提供了以下的显著优点:
·向用户提供了用户行为模型121,该模型被设计成为特定服务的用户生成单独内容142,这大大提高了生成该单独内容142的准确性;
·用户行为模型121的训练(进一步训练)不会导致将用户数据发送到计算设备之外(例如,在计算机网络中发送到专门服务),这提高了用户数据的信息安全性;以及
·用户行为模型121的进一步训练、而不是用户行为模型121的完全训练,这减少了对用户的计算设备的计算资源的需求。
作为说明性示例,对于上述广告代理商,不同的预训练的用户行为模型121用于不同的平台(网站)。例如,对于新闻网站,对模型进行预训练,以考虑用户对他们感兴趣的新闻的搜索查询、确定哪些主题是用户最感兴趣的等等;在体育网站上,对模型进行预训练,以考虑在用户的计算设备上正在使用的体育应用程序等等。这类用户行为模型121作为标识符下发给用户以用于访问相应网站(例如,以便接收各种新闻,访问论坛、个人帐户等),然后从用户提供给相应的网站(在去往网站时,例如,使用安装在浏览器中的特殊插件),以及从这些网站提供给广告代理(服务)。基于已经充分训练的用户行为模型121,广告代理确定其需要向特定用户显示哪个特定广告。
另外,不同的广告代理(不同的服务)可以彼此交换经训练的和预训练的用户行为模型121,以提高向特定网站的用户生成单独内容的准确性。
在一个方面,分析器150收集用户针对服务的动作的数据,基于所收集的数据来分析用户针对服务的动作的统计数据,并做出对是否需要再训练用户行为模型121的决定。在一个方面,通过分析器150分析的结果用于:确定用户执行了哪些特定动作(例如,他或她感兴趣的商品有哪些、他或她购买的商品有哪些等),以便决定是否需要对用户行为模型121进行再训练或进一步训练,从而在用户以后访问服务时为该用户生成服务的更多相关内容142。在一个方面,可以将花费在服务上的时间、进行购买或拒绝购买的次数、发送给客户支持的消息的数量等等用于评估分析结果的相关性。
在一个方面,可以不完全生成(训练)用户行为模型121,而是可以进一步训练“通用”用户的已部分训练的现成行为模型。例如,当经训练的用户行为模型121是神经网络时,进一步训练涉及基于从内容生成器140获得的数据来校正该神经网络各层的权重。
例如,当服务是在线商店时,在用户第一次访问在线商店的网站期间,根据用户在该在线商店中执行的用于访问他或她的个人帐户的动作(例如,他或她查看了哪些目录、他或她正在寻找哪些商品等等),将已经预训练的用户行为模型121作为标识符提供给用户。该模型考虑了用户已经进行的某些搜索查询,并被调整为更准确地预测给定用户在该在线商店中需要的内容。用户行为模型121的初步训练考虑了具有相似查询的一大组人的行为,使得在一个方面,用户行为模型121适用于大量用户,但另一方面,当为在线商店的用户生成单独内容时,使用该用户行为模型121可能会导致不太正确的结果。因此,有必要在用户的计算设备上进一步训练所提供的用户行为模型121。部分地,这减少了对用户的计算设备的计算资源的需求,并且由于不需要执行具有大训练样本等的整个训练周期,因此加快了对用户行为模型的训练速度。此外,如果将相同的最初训练的用户行为模型121提供给两个不同的用户,则这两个模型在它们的计算设备上根据用户的动作进行了进一步训练之后将不同。
图2示出了根据本发明的各方面的用于向服务的用户生成单独内容的示例性方法200。
用于向服务的用户生成单独内容的方法的结构图包括:步骤210,在该步骤中,收集与用户的行为有关的数据;步骤220,在该步骤中,训练用户行为模型;步骤230,在该步骤中,收集与用户的动作有关的数据;步骤240,在该步骤中,授权用户使用该服务;步骤250,在该步骤中,生成用户的单独内容;以及步骤260,在该步骤中,分析与用户在服务上的动作有关的统计数据。
在步骤210中,方法200通过数据收集器110收集与计算设备的用户的行为有关的数据。
在步骤220中,方法200通过模型训练器120、基于所收集的数据训练用户行为模型121,使得经训练的模型以预定的可靠度来识别用户。
在步骤230中,方法200通过分析器150收集与用户在访问服务时的动作有关的数据。
在步骤240中,方法200通过模型发送器130、基于经训练的用户行为模型121与从行为模型数据库131获得的任意数量的模型进行比较的结果,授权用户使用服务。从模型训练器120接收经训练的用户行为模型121。模型发送器130向内容生成器140提供模型。因此,在一个方面,该方法还包括:在向服务的用户生成单独内容之前,基于由模型发送器提供的用户行为模型与从行为模型数据库获得的一个或多个模型的比较结果,授权用户使用服务。
在步骤250中,方法200根据从模型发送器130接收的行为模型121、基于预定的服务环境141通过内容生成器140向服务的用户生成单独内容142。
在步骤260中,方法200通过分析器150,基于收集的与用户的动作有关的数据来分析与用户在服务上的动作有关的统计数据。
在步骤265中,方法200通过分析器150确定是否需要再训练用户行为模型121。如果需要再训练模型,则方法行进至步骤220。否则,该方法行进至步骤210。
在一个方面,与用户的行为有关的数据描述了以下中的至少一项:用户正在使用的一个或多个应用程序、用户使用所述一个或多个应用程序中的各个应用程序的时间、用户在所述一个或多个应用程序的各个应用程序中执行的动作、用户发出的搜索查询、用户访问的一个或多个网站、用户在访问的所述一个或多个网站的各个网站上执行的动作、以及用户填写的表单。
在一个方面,用户行为模型包括基于具有权重的神经网络的模型,其中,该模型用于预测用户的下一个行为。
在一个方面,该方法还包括:将经训练的用户行为模型发送给内容生成器,其中,至少以预定的频率执行该发送。
在一个方面,该方法还包括:将经训练的用户行为模型发送到内容生成器,其中,至少基于内容生成器的要求来执行该发送。
在一个方面,行为模型数据库包含在用户注册服务期间收集的用户行为模型。
在一个方面,使用以下中的至少一项来将所述一个或多个行为模型彼此比较:散点图矩阵、单独的散点图和统计显著性检验。
在一个方面,预定的服务环境包括用于访问以下中的至少一项的环境:将授权用户访问的商品和服务的列表、以及基于从模型发送器接收到的行为模型的分析已授权允许用户访问的数据。
图3是示出了根据示例性方面的计算机系统20的框图,在计算机系统20上可以实现用于向服务的用户生成单独内容的系统和方法的各方面。计算机系统20可以是以多个计算设备的形式或者以单个计算设备的形式,例如,台式电脑、笔记本电脑、手提电脑、移动计算设备、智能手机、平板电脑、服务器、大型机、嵌入式设备和其它形式的计算设备。
如图所示,计算机系统20包括中央处理单元(Central Processing Unit,CPU)21、系统存储器22和连接各种系统部件的系统总线23,各种系统部件包括与中央处理单元21相关联的存储器。系统总线23可以包括总线存储器或总线存储器控制器、外围总线、以及能够与任何其它的总线架构交互的本地总线。总线的示例可以包括PCI、ISA、串行总线(PCI-Express)、超传输TM(HyperTransport TM)、无限带宽TM(InfiniBandTM)、串行ATA、I2C、和其它合适的互连。中央处理单元21(也称为处理器)可以包括单组或多组具有单核或多核的处理器。处理器21可以执行实现本发明的技术的一种或多种计算机可执行代码。系统存储器22可以为用于存储本文中所使用的数据和/或由处理器21可执行的计算机程序的任何存储器。系统存储器22可以包括易失性存储器(诸如随机存取存储器(Random Access Memory,RAM)25)和非易失性存储器(诸如只读存储器(Read-Only Memory,ROM)24、闪存等)或其任意组合。基本输入/输出系统(Basic Input/Output System,BIOS)26可以存储用于在计算机系统20的元件之间传输信息的基本程序,例如在使用ROM 24加载操作系统时的那些基本程序。
计算机系统20可以包括一个或多个存储设备,诸如一个或多个可移除存储设备27、一个或多个不可移除存储设备28、或其组合。所述一个或多个可移除存储设备27和一个或多个不可移除存储设备28借助存储器接口32连接到系统总线23。在一个方面中,存储设备和相应的计算机可读存储介质为用于存储计算机系统20的计算机指令、数据结构、程序模块、和其它数据的电源独立的模块。系统存储器22、可移除存储设备27和不可移除存储设备28可以使用各种各样的计算机可读存储介质。计算机可读存储介质的示例包括:机器存储器,诸如缓存、SRAM、DRAM、零电容RAM、双晶体管RAM、eDRAM、EDO RAM、DDR RAM、EEPROM、NRAM、RRAM、SONOS、PRAM;闪存或其它存储技术,诸如在固态驱动器(Solid State Drive,SSD)或闪存驱动器中;磁带盒、磁带、和磁盘存储器,诸如在硬盘驱动器或软盘中;光学存储器,诸如在光盘(CD-ROM)或数字通用光盘(Digital Versatile Disk,DVD)中;以及可用于存储期望数据且可被计算机系统20访问的任何其它介质。
计算机系统20的系统存储器22、可移除存储设备27和不可移除存储设备28可以用于存储操作系统35、附加应用程序37、其它程序模块38和程序数据39。计算机系统20可以包括用于传送来自输入设备40的数据的外围接口46,所述输入设备40诸如键盘、鼠标、触针、游戏控制器、语音输入设备、触点输入设备、或其它外围设备,诸如借助一个或多个I/O端口的打印机或扫描仪,该一个或多个I/O端口诸如串行端口、并行端口、通用串行总线(Universal Serial Bus,USB)、或其它外围接口。显示设备47(诸如一个或多个监控器、投影仪或集成显示器)也可以通过输出接口48(诸如视频适配器)连接到系统总线23。除了显示设备47之外,计算机系统20还可以装配有其它外围输出设备(未示出),诸如扬声器和其它视听设备。
计算机系统20可以使用与一个或多个远程计算机49的网络连接而在网络环境中工作。所述一个或多个远程计算机49可以为本地计算机工作站或服务器,其包括前面在描述计算机系统20的性质时所述的元件中的大多数元件或全部元件。其它设备也可以存在于计算机网络中,所述其它设备诸如但不限于路由器、网站、对等设备或其它的网络节点。计算机系统20可以包括用于借助一个或多个网络而与远程计算机49通信的一个或多个网络接口51或网络适配器,该一个或多个网络诸如局域计算机网络(Local-Area computerNetwork,LAN)50、广域计算机网络(Wide-Area computer Network,WAN)、内联网、和因特网。网络接口51的示例可以包括以太网接口、帧中继接口、SONET接口、和无线接口。
本发明的各个方面可以为系统、方法和/或计算机程序产品。计算机程序产品可以包括一种或多种计算机可读存储介质,该计算机可读存储介质上具有用于使处理器执行本发明的各方面的计算机可读程序指令。
计算机可读存储介质可以为有形设备,该有形设备可以保持且存储指令或数据结构的形式的程序代码,该程序代码可以被计算设备(诸如计算系统20)的处理器访问。计算机可读存储介质可以为电子存储设备、磁性存储设备、光学存储设备、电磁存储设备、半导体存储设备、或其任何合适组合。作为示例,这类计算机可读存储介质可以包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦可编程只读存储器(EEPROM)、便携式光盘只读存储器(CD-ROM)、数字通用光盘(DVD)、闪存、硬盘、便携式电脑磁盘、记忆棒、软盘、或甚至机械编码设备,诸如在其上记录有指令的凹槽中的打孔卡或凸起结构。如在本文中所使用的,计算机可读存储介质不应被视为暂时性信号本身,暂时性信号诸如无线电波或其它自由传播的电磁波、通过波导或传输介质传播的电磁波、或通过电线传输的电信号。
可以将本文中所描述的计算机可读程序指令从计算机可读存储介质下载到相应的计算设备、或借助网络(例如,因特网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。该网络可以包括铜传输电缆、光学传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。在每个计算设备中的网络接口从网络接收计算机可读程序指令并转发该计算机可读程序指令,用以存储在相应的计算设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以为汇编指令、指令集架构(Instruction-Set-Architecture,ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或以一种或多种编程语言(包括面向对象的编程语言和传统程序化编程语言)的任意组合编写的源代码或目标代码。计算机可读程序指令(作为独立的软件包)可以完全地在用户的计算机上、部分地在用户的计算机上、部分地在用户的计算机上且部分地在远程计算机上、或完全地在远程计算机或服务器上执行。在后一种场景中,远程计算机可以通过任何类型的网络(包括LAN或WAN)连接到用户的计算机,或可以进行与外部计算机的连接(例如通过因特网)。在一些方面中,电子电路(包括例如可编程逻辑电路、现场可编程门阵列(FPGA)、或可编程逻辑阵列(Programmable Logic Array,PLA))可以通过利用计算机可读程序指令的状态信息而执行计算机可读程序指令,以使该电子电路个性化,从而执行本发明的各方面。
在各方面,可以按照模块来处理本发明中描述的系统和方法。本文中所使用的术语“模块”指的是例如现实世界的设备、部件、或使用硬件(例如通过专用集成电路(Application Specific Integrated Circuit,ASIC)或FPGA)实现的部件的布置,或者指的是硬件和软件的组合,例如通过微处理器系统和实现模块功能的指令集(该指令集在被执行时将微处理器系统转换成专用设备)来实现这样的组合。一个模块还可以被实现为两个模块的组合,其中单独地通过硬件促进某些功能,并且通过硬件和软件的组合促进其它功能。在某些实现方式中,模块的至少一部分(以及在一些情况下,模块的全部)可以在计算机系统(例如,上面在图3中更详细描述的计算机系统)的处理器上运行。因此,每个模块可以以各种合适的配置来实现,而不应受限于本文中所例示的任何特定的实现方式。
为了清楚起见,本文中没有公开各个方面的所有例行特征。应当领会的是,在本发明的任何实际的实现方式的开发中,必须做出许多特定实现方式的决定,以便实现开发者的特定目标,并且这些特定目标将对于不同的实现方式和不同的开发者变化。应当理解的是,这种开发努力会是复杂的且费时的,但对于了解本发明的优点的本领域的普通技术人员来说仍然是工程的例行任务。
此外,应当理解的是,本文中所使用的措辞或术语出于描述而非限制的目的,从而本说明书的术语或措辞应当由本领域技术人员根据本文中所提出的教导和指导结合(一个或多个)相关领域技术人员的知识来解释。此外,不旨在将本说明书或权利要求中的任何术语归于不常见的或特定的含义,除非明确如此阐述。
本文中所公开的各个方面包括本文中以说明性方式所引用的已知模块的现在和未来已知的等同物。此外,尽管已经示出并描述了各个方面和应用,但是对于了解本发明的优点的本领域技术人员将显而易见的是,在不脱离本文中所公开的发明构思的前提下,相比于上文所提及的内容而言的更多修改是可行的。
Claims (20)
1.一种用于向服务的用户生成单独内容的方法,所述方法包括:
收集与计算设备的用户的行为有关的数据;
基于所收集的数据来训练用户行为模型,其中,经训练的数据以预定的可靠度识别所述用户;以及
根据从模型发送器接收的经训练的模型,基于预定的服务环境,向服务的所述用户生成单独内容。
2.根据权利要求1所述的方法,其中,与所述用户的行为有关的数据描述以下中的至少一项:所述用户正在使用的一个或多个应用程序、所述用户使用所述一个或多个应用程序中的各个应用程序的时间、所述用户在所述一个或多个应用程序的各个应用程序中执行的动作、所述用户发出的搜索查询、所述用户访问的一个或多个网站、所述用户在访问的所述一个或多个网站中的各个网站上执行的动作、以及所述用户填写的表单。
3.根据权利要求1所述的方法,其中,所述用户行为模型包括基于具有权重的神经网络的模型,其中,所述用户行为模型用于预测所述用户的下一个行为。
4.根据权利要求1所述的方法,还包括:将所述经训练的用户行为模型发送给内容生成器,其中,至少以预定的频率执行所述发送。
5.根据权利要求1所述的方法,还包括:将所述经训练的用户行为模型发送到内容生成器,其中,至少基于所述内容生成器的要求来执行所述发送。
6.根据权利要求1所述的方法,其中,行为模型数据库包含在所述用户注册所述服务期间收集的用户行为模型。
7.根据权利要求1所述的方法,还包括:在向服务的所述用户生成单独内容之前,基于由所述模型发送器提供的用户行为模型与从行为模型数据库获得的一个或多个模型的比较结果,授权所述用户使用所述服务。
8.根据权利要求7所述的方法,其中,使用以下中的至少一项来将所述一个或多个行为模型彼此比较:散点图矩阵、单独的散点图和统计显著性检验。
9.根据权利要求1所述的方法,其中,所述预定的服务环境包括用于访问以下中的至少一项的环境:将授权所述用户访问的商品和服务的列表、以及基于从所述模型发送器接收到的行为模型的分析已授权允许所述用户访问的数据。
10.一种用于向服务的用户生成单独内容的系统,包括:
计算设备的至少一个处理器,所述至少一个处理器被配置为:
收集与计算设备的用户的行为有关的数据;
基于所收集的数据来训练用户行为模型,其中,经训练的数据以预定的可靠度识别所述用户;以及
根据从模型发送器接收的经训练的模型,基于预定的服务环境,向服务的所述用户生成单独内容。
11.根据权利要求10所述的系统,其中,与所述用户的行为有关的数据描述以下中的至少一项:所述用户正在使用的一个或多个应用程序、所述用户使用所述一个或多个应用程序中的各个应用程序的时间、所述用户在所述一个或多个应用程序的各个应用程序中执行的动作、所述用户发出的搜索查询、所述用户访问的一个或多个网站、所述用户在访问的所述一个或多个网站中的各个网站上执行的动作、以及所述用户填写的表单。
12.根据权利要求10所述的系统,其中,所述用户行为模型包括基于具有权重的神经网络的模型,其中,所述用户行为模型用于预测所述用户的下一个行为。
13.根据权利要求10所述的系统,其中,所述处理器还被配置为:将所述经训练的用户行为模型发送给内容生成器,其中,至少以预定的频率执行所述发送。
14.根据权利要求10所述的系统,其中,所述处理器还被配置为:将所述经训练的用户行为模型发送到内容生成器,其中,至少基于所述内容生成器的要求来执行所述发送。
15.根据权利要求10所述的系统,其中,行为模型数据库包含在所述用户注册所述服务期间收集的用户行为模型。
16.根据权利要求10所述的系统,所述处理器还被配置为:在向服务的所述用户生成单独内容之前,基于由所述模型发送器提供的用户行为模型与从行为模型数据库获得的一个或多个模型的比较结果,授权所述用户使用所述服务。
17.根据权利要求16所述的系统,其中,使用以下中的至少一项来将所述一个或多个行为模型彼此比较:散点图矩阵、单独的散点图和统计显著性检验。
18.根据权利要求10所述的系统,其中,所述预定的服务环境包括用于访问以下中的至少一项的环境:将授权所述用户访问的商品和服务的列表、以及基于从所述模型发送器接收到的行为模型的分析已授权允许所述用户访问的数据。
19.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质上存储有用于向服务的用户生成单独内容的计算机可执行指令,所述计算机可执行指令包括用于以下操作的指令:
收集与计算设备的用户的行为有关的数据;
基于所收集的数据来训练用户行为模型,其中,经训练的数据以预定的可靠度识别所述用户;以及
根据从模型发送器接收的经训练的模型,基于预定的服务环境,向服务的所述用户生成单独内容。
20.根据权利要求19所述的非暂时性计算机可读介质,其中,与所述用户的行为有关的数据描述以下中的至少一项:所述用户正在使用的一个或多个应用程序、所述用户使用所述一个或多个应用程序中的各个应用程序的时间、所述用户在所述一个或多个应用程序的各个应用程序中执行的动作、所述用户发出的搜索查询、所述用户访问的一个或多个网站、所述用户在访问的所述一个或多个网站中的各个网站上执行的动作、以及所述用户填写的表单。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2019138372 | 2019-11-27 | ||
RU2019138372A RU2745362C1 (ru) | 2019-11-27 | 2019-11-27 | Система и способ формирования индивидуального содержимого для пользователя сервиса |
US16/882,499 US11645346B2 (en) | 2019-11-27 | 2020-05-24 | System and method of generating individual content for a user of a service |
US16/882,499 | 2020-05-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112860986A true CN112860986A (zh) | 2021-05-28 |
Family
ID=75159167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011048587.5A Pending CN112860986A (zh) | 2019-11-27 | 2020-09-29 | 向服务的用户生成单独内容的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11645346B2 (zh) |
CN (1) | CN112860986A (zh) |
RU (1) | RU2745362C1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114006735B (zh) * | 2021-10-19 | 2024-03-08 | 广州木链云科技有限公司 | 一种数据保护方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160371589A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
CN109478142A (zh) * | 2016-08-11 | 2019-03-15 | 谷歌有限责任公司 | 呈现为预测的用户活动定制的用户界面的方法、系统和介质 |
CN109492772A (zh) * | 2018-11-28 | 2019-03-19 | 北京百度网讯科技有限公司 | 生成信息的方法和装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006033104A1 (en) * | 2004-09-22 | 2006-03-30 | Shalon Ventures Research, Llc | Systems and methods for monitoring and modifying behavior |
US8613024B2 (en) * | 2005-12-13 | 2013-12-17 | United Video Properties, Inc. | Cross-platform predictive popularity ratings for use in interactive television applications |
US7853198B2 (en) * | 2006-10-18 | 2010-12-14 | Microsoft Corporation | Delivering individualized content over a broadcast network |
US9733811B2 (en) * | 2008-12-19 | 2017-08-15 | Tinder, Inc. | Matching process system and method |
US8489399B2 (en) | 2008-06-23 | 2013-07-16 | John Nicholas and Kristin Gross Trust | System and method for verifying origin of input through spoken language analysis |
US8682667B2 (en) * | 2010-02-25 | 2014-03-25 | Apple Inc. | User profiling for selecting user specific voice input processing information |
US9087332B2 (en) * | 2010-08-30 | 2015-07-21 | Yahoo! Inc. | Adaptive targeting for finding look-alike users |
US9646327B2 (en) * | 2011-08-09 | 2017-05-09 | Yahoo! Inc. | Disaggregation to isolate users for ad targeting |
US20180260481A1 (en) * | 2018-04-01 | 2018-09-13 | Yogesh Rathod | Displaying search result associated identified or extracted unique identity associated structured contents or structured website |
US11210419B2 (en) | 2018-09-21 | 2021-12-28 | Acronis International Gmbh | System and method for personal privacy controls |
US20200401933A1 (en) * | 2019-06-21 | 2020-12-24 | International Business Machines Corporation | Closed loop biofeedback dynamic assessment |
-
2019
- 2019-11-27 RU RU2019138372A patent/RU2745362C1/ru active
-
2020
- 2020-05-24 US US16/882,499 patent/US11645346B2/en active Active
- 2020-09-29 CN CN202011048587.5A patent/CN112860986A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160371589A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
CN109478142A (zh) * | 2016-08-11 | 2019-03-15 | 谷歌有限责任公司 | 呈现为预测的用户活动定制的用户界面的方法、系统和介质 |
CN109492772A (zh) * | 2018-11-28 | 2019-03-19 | 北京百度网讯科技有限公司 | 生成信息的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US11645346B2 (en) | 2023-05-09 |
RU2745362C1 (ru) | 2021-03-24 |
US20210157868A1 (en) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10778792B1 (en) | Providing user control of tracking user behavior | |
US10972473B2 (en) | Techniques to automatically update payment information in a compute environment | |
EP3452910B1 (en) | Security weakness and infiltration detection and repair in obfuscated website content | |
US11531987B2 (en) | User profiling based on transaction data associated with a user | |
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
CN108363811A (zh) | 设备识别方法及装置、电子设备、存储介质 | |
CN107003877A (zh) | 应用的上下文深层链接 | |
CN101764819A (zh) | 用于检测浏览器中间人攻击的方法和系统 | |
US11836730B2 (en) | Fraud detection based on an analysis of messages in a messaging account | |
US20200410553A1 (en) | Dynamic selection of advertisements using deep learning models on client devices | |
US20240078545A1 (en) | Automatic transaction execution based on transaction log analysis | |
CA3066451A1 (en) | Systems and methods for authenticating user information | |
CN111931488A (zh) | 用于验证判断结果准确性的方法、装置、电子设备及介质 | |
WO2019114246A1 (zh) | 一种身份认证方法、服务器及客户端设备 | |
Chaqfeh et al. | To block or not to block: Accelerating mobile web pages on-the-fly through javascript classification | |
US20220051294A1 (en) | Systems and methods for identifying internet users in real-time with high certainty | |
CN112860986A (zh) | 向服务的用户生成单独内容的系统和方法 | |
CN113568739B (zh) | 用户资源额度分配方法、装置及电子设备 | |
US12026211B2 (en) | System and method of training a model to identify a user to a predetermined degree of reliability | |
US11928243B2 (en) | System and method of detecting hacking activities during the interaction of users with banking services | |
EP3828747A1 (en) | System and method of generating individual content for a user of a service | |
US20170262904A1 (en) | Weighted reviews of applications based on usage history | |
CN113508371B (zh) | 用于改进计算机标识的系统和方法 | |
CN113590310A (zh) | 基于规则触碰率评分的资源分配方法、装置及电子设备 | |
US20210397981A1 (en) | System and method of selection of a model to describe a user |
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 |