CN113316777A - 使用用户简档似然模型进行基于内容的推荐的系统和方法 - Google Patents

使用用户简档似然模型进行基于内容的推荐的系统和方法 Download PDF

Info

Publication number
CN113316777A
CN113316777A CN201980086507.4A CN201980086507A CN113316777A CN 113316777 A CN113316777 A CN 113316777A CN 201980086507 A CN201980086507 A CN 201980086507A CN 113316777 A CN113316777 A CN 113316777A
Authority
CN
China
Prior art keywords
product
user
user profile
probability
products
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
CN201980086507.4A
Other languages
English (en)
Inventor
毛赜析
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 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 CN113316777A publication Critical patent/CN113316777A/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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0603—Catalogue ordering
    • 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
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开的各方面涉及用于使用用户简档似然模型进行基于内容的推荐的系统、方法、设备等。在一个实施例中，引入了一种系统，该系统包括用于存储、管理以及转换产品和用户简档数据的多个模型和存储单元。系统还可以包括推荐引擎，该推荐引擎被设计为基于用户简档来确定产品与用户相关的概率。在另一个实施例中，产品与用户相关的概率可以部分地基于与产品交互的频率和与产品交互的时间来确定。

Description

使用用户简档似然模型进行基于内容的推荐的系统和方法
技术领域
本公开总体涉及用于进行基于内容的推荐的通信设备，并且更具体地，涉及用于使用用户简档似然模型进行基于内容的推荐的通信设备。
背景技术
随着科技的发展，用户已经转向使用电子设备作为通信源和在日常生活中进行交易。这种使用通常包括与互联网网站交互和对其进行访问，以获取新闻、社交内容、购买等。在某些情况下，网站常常用于在线购买。然而，随着大量信息和大量网站可用，经常会发现用户浏览了可能不感兴趣的产品和/或服务。因此，这可能会给用户带来时间和购买上的损失，并因此导致对商家的销售损失。因此，为了避免损失，创建一种能够向用户呈现根据用户的兴趣和喜好定制的可定制内容的系统将是有益的。
附图说明
图1示出了使用标准搜索的推荐的图示。
图2示出了使用用户简档似然模型的基于内容的推荐的图示。
图3示出了用于使用用户简档似然模型进行基于内容的推荐的基于通信和系统的实现方式的框图。
图4示出了示出用于实现基于内容的推荐方案的操作的流程图。
图5示出了用于进行基于内容的推荐的系统的框图。
图6示出了适合于实现图1-图5的通信系统的一个或多个设备的计算机系统的示例框图。
通过参考下面的具体实施方式，可以最好地理解本公开的实施例及其优点。应当理解，相似的附图标记用于标识附图中一幅或多幅所示的相似元件，而其中所示是为了说明本公开的实施例，而不是为了对其进行限制。
具体实施方式
在以下描述中，阐述了描述与本公开一致的一些实施例的具体细节。然而，对于本领域技术人员而言显而易见的是，可以在没有一些或所有这些具体细节的情况下实践一些实施例。本文公开的具体实施例旨在是说明性而非限制性的。本领域技术人员可以意识到，其他元件虽然没有在这里具体描述，但是在本公开的范围和精神内。此外，为了避免不必要的重复，除非另外具体描述或者如果一个或多个特征将使实施例不起作用，否则与一个实施例相关联地示出和描述的一个或多个特征可以合并到其他实施例中。
本公开的各方面涉及用于使用用户简档似然模型进行基于内容的推荐的系统、方法、设备等。在一个实施例中，引入了一种系统，该系统包括用于存储、管理以及转换产品和用户简档数据的多个模型和存储单元。系统还可以包括推荐引擎，该推荐引擎被设计为基于用户简档来确定产品与用户相关的概率。在另一个实施例中，产品与用户相关的概率可以部分地基于与产品交互的频率和与产品交互的时间来确定。
传统上，在线购买、搜索以及定位商品或服务已成为一项非常耗时的任务。由于当前可用的信息量很大，因此可能无法提供定制的推荐和意见，和/或可能获得和呈现的详细信息量太大而无法进行解析。例如，考虑图1，图1示出了使用标准搜索的推荐的图示。标准搜索可以包括对能够由用户在用户设备102上选择的网站的显示。
用户设备102可以包括能够与网络通信的一个或多个智能设备。通信可以包括有线和/或无线通信。此外，用户设备102可以包括但不限于智能手机、膝上型计算机、平板计算机、台式机、智能手表、护目镜、VR设备等。用户设备可用于多种任务，包括但不限于网页浏览、视频流、账单支付，以及购买商品和服务。如图1所示，用户设备102用于与玛丽精品店(Mary's Boutique)网站进行交互。在玛丽精品店，可以购买到各种物品，包括但不限于裤子、衬衫、鞋子，以及其他未展示的产品。
这里，用户有兴趣查看可在玛丽精品店购买的休闲衬衫104。因此，用户可以被重定向到二级用户界面，该二级用户界面可以提供可在玛丽精品店出售的许多休闲衬衫。用于展示的衬衫可以包括素色衬衫106、有口袋的衬衫108，以及有领衬衫110等。此外，还可以展示此处未展示或提及的其他衬衫。因此，用户对休闲衬衫的标准搜索结果显示出具有不同特征和样式的各种衬衫。遗憾的是，在没有定制或参考用户可能真正有兴趣查看和考虑购买的内容的情况下，用户不得不考虑所有可用的衬衫。此外，如果用户在玛丽精品店没有找到衬衫，在其他网站上可能会遇到类似的搜索结果，并且用户可能需要继续浏览其他商家网站。这可能会导致非常耗时且复杂的搜索，其中通过各种网站进行解析可能不是很有成效。因此，能够基于用户的兴趣呈现可定制内容的方法或系统将是有益的。
在一个实施例中，提出了一种执行基于内容的推荐的系统和方法。具体而言，提出了一种用于使用用户简档似然模型进行基于内容的推荐的系统和方法。转到图2，此图示出了这种系统的这种示例性使用。继续前面的示例，这里再次示出用户再次与用户设备102交互，以搜索休闲衬衫202。用户再次遇到提供玛丽精品店作为商家的各种搜索结果，用户可以在其中找到他/她正在寻找的休闲衬衫。因此，在搜索休闲衬衫202时，向用户呈现了多种休闲衬衫204-208。然而，在此搜索中，会向用户呈现各种基本衬衫和有领衬衫。此处，用于进行基于内容的推荐的系统和方法已经被实施，并且因此确定用户一般不会购买有口袋的衬衫和/或不喜欢有口袋的衬衫。此外，作为用于进行推荐的用户简档似然方案的结果，识别出用户偏爱条纹衬衫。因此，为用户提供了更多可定制的结果，这些结果更适合和迎合用户的兴趣。
如图所示，用户对条纹衬衫感兴趣。因此，玛丽精品店的商品结果是定制的，并且包括两种条纹款式各异的素色衬衫204、206。此外，用户被识别为先前已购买过，或具有指示对有领衬衫的喜好的用户简档。因此，还向用户呈现了带有条纹的新款208，以供考虑。这又为用户提供了更多定制的结果，这可以为用户带来更快的搜索和购买，从而为商家带来新的销售量。
因此，考虑到这一点，在一个实施例中，引入了一种用于进行基于内容的推荐的用户简档似然模型、系统以及方法。用于进行基于内容的推荐的系统可以包括诸如在图3中举例说明的架构。在此示例性推荐中，将提供架构300来描述推荐针对商家产品的示例情况，然而，推荐不限于使用基于内容的推荐模型的产品和/或商家。
考虑此示例性推荐架构，为了进行用户简档定制的基于内容的推荐，从两个来源呈现并获得用于进行推荐的内容。第一数据源可以来自商家302，并且第二数据源可以来自用户设备102。注意，如图所示，商家302用于示例性目的，并且可以由服务提供商或提供将内容和用户简档信息的组合纳入考虑的推荐的其他实体代替。
在商家302，一般存在具有可供用户购买的各种产品的目录。为了确保用户可获得的所有现有产品和新产品在呈现推荐时也可用作选项，商家可以将产品目录发送到产品处理作业模块304，此模块可以按计划从商家接收分批的目录数据。分批的数据可以每天、每周或以其他预定义的间隔和/或动态地到达产品处理作业模块304。产品处理作业模块304在每次接收到新的产品目录数据时被触发，并对产品目录数据进行处理。在处理产品目录数据时，产品处理作业模块304接收产品目录数据，此数据通常是非结构化的，并且提取关于产品目录数据或与产品目录数据相关联的任何语义属性。例如，与产品目录相关联的语义属性(或文本标记(token))可以包括分类、品牌、来自标题的属性、来自产品描述的属性、产品性属、产品状态(例如，它是新的还是使用过的)、定价、尺寸、材料等。提取语义属性有助于使数据更易于管理，并确保其稍后可以部分地基于语义属性由其余模块进行处理。为了提取语义属性，可以使用和定义规则和自然语言处理算法来生成具有语义属性的结构化更强的产品库存数据。然后，一旦数据现在被结构化，就可以将其保存到产品库存数据库306中，以供推荐引擎320使用。
为了呈现语义属性提取的示例，考虑如下所述的产品：
产品名称：Calvin Klein(卡尔文·克莱恩)盖袖紧身连衣裙
品牌：Calvin Klein
分类：女士>服装>裙装
尺码等级：常规
描述：厚实的桥式针织裙让您的曲线更加丰满，盖袖半长款，配有金色拉链和轻薄的裹身裙，塑造您的身材。
-圆领
-盖袖
-外露后拉链开合
-无衬里
-大约35”长
所描述的产品的提取语义因此可以包括：品牌-Calvin Klein、分类-女士、尺寸、女性、标题-盖袖、标题-紧身连衣裙、描述-圆领、描述-人造裹身裙等。因此，产品库存数据库306可以包括与所描述的语义相似的提取语义的存储。
一旦结构化数据准备好供推荐引擎320使用，产品库存数据库306中的结构化数据就再次由库存创建作业模块310处理。在一些情况下，存储在产品库存数据库306中的结构化数据可能太大而无法由推荐引擎320管理和处理。在那些情况下，库存创建作业模块310用于将结构化数据压缩成更压缩的语义属性。因此，在结构化数据被压缩之后，它可以再次存储在可供推荐引擎320使用的推荐库存数据库316中。将压缩数据存储到推荐库存数据库316中的能力是为了使推荐更快以及访问推荐引擎320。
注意，本文说明了几个数据库和数据处理模块，然而，更多或更少的数据库和模块可以用于处理和存储从商家302接收到的产品目录信息。
接着，考虑可以从用户设备102获得的信息，以用于进行基于内容的推荐322。为了进行定制推荐，可以为用户创建用户简档或用户简档数据库318，并由推荐引擎320结合推荐清单316来使用。用户简档数据库318可以是各种动作、查看或购买的产品，以及用户执行的其他事件的存储。在一个实施例中，用户简档数据库316可以包括来自库存数据库306的产品目录数据，其包括用户从商家302购买的产品。在其他实施例中，用户简档数据库316可以包括那些产品、动作以及用户部分地基于使用跟踪来收集用户的事件而执行的事件。为了跟踪用户的事件，商家可以建立跟踪机制，使商家能够收集用户行为的详细信息。在其他实施例中，用户可以提供关于喜欢和不喜欢的具体细节，在电话上启用可用于跟踪的跟踪机制等。例如，商家可以跟踪登录到商家站点的用户。用户的产品查看、购买、退货等因此可以在用户在站点上的事件或触发因素使用事件分派器308被分派时被跟踪。作为另一个示例，用户可以允许访问商家，以查看、跟踪，以及绘制通过商家302和其他商家站点进行的网站导航地图。类似地，可以跟踪其他事件。因此，利用所收集的信息，可以部分地基于从此商家或其他商家购买的产品来做出基于内容的推荐。
转向图3，作为使用至少事件分派器模块308跟踪的用户事件的结果，可以创建用户简档。当用户事件发生时，可以使用和收集事件分派器模块308。然后，为了处理用户跟踪事件，跟踪事件处理作业模块312可用于通过将跟踪事件映射到它们自己的语义属性来构建用户简档，并发送以存储在用户简档数据库318中。注意，除了事件之外，还可以收集其他属性，包括持续时间、时间等，并将其发送，用于处理和存储在用户简档数据库318中。跟踪事件处理作业模块312可以被设计成通过分批处理模式，或以预定的时间间隔对用户事件进行分批处理。在一些实施例中，跟踪事件处理作业模块312可以被设计成操作连续模式。
因为在最后发生的用户事件和跟踪事件处理作业模块312的使用之间可能存在一些延迟，所以还可以使用实时用户简档存储单元314，并将其直接提供给推荐引擎320。通过将实时用户简档存储单元314和用户简档数据库318结合，推荐引擎320可以获得用户喜欢/不喜欢的简档的完整图片，并且可能未被跟踪事件处理作业模块312捕获的事件没有损失。因此，在推荐时，推荐引擎320能够直接访问最新的用户跟踪事件。当接收到推荐请求时，推荐引擎320可以从请求中获取与用户相关联的ID，并且访问用户简档数据库318中的长期用户简档数据和来自实时用户简档存储单元314的短期数据。此时，可以进行进一步处理，其中长期和短期用户简档数据都被转换为包括语义属性，使得当推荐引擎320访问用户简档数据和产品数据时，信息集具有相同的格式(使用语义属性)，并且可以使用用户简档似然算法，并将其应用于数据，以向用户生成推荐320。注意，推荐可以以UI的形式呈现在用户设备102上(包括呈现在商家站点上)，作为广告发布，或以与上面结合图2呈现和描述的类似方式显示。
注意，图3中描述的各种存储单元和模块可以独立于商家而驻留在被设计成用于帮助进行基于内容的推荐的单独实体的系统或子系统上。或者，模块和存储单元可以驻留在商家系统内。在一些实施例中，模块和存储单元可以作为服务提供商的一部分驻留，其中从商家接收到的产品目录304和从用户设备102接收到的用户信息用于确定并用于向用户呈现推荐322。还要注意，虽然商家站点在这里用于跟踪，但用户购买、浏览、接收到的礼物、通过文本、语音等对特定产品的讨论也可以用于更新用户简档数据库318。事件以及顺序和布置的示例可以变化，并且可以在此处描述的流程中添加和/或移除一个或多个模块、系统以及存储单元。
现在推荐引擎320准备好进行推荐，可以使用用户简档似然模型。推荐是指基于用户简档向用户推荐与用户相关的高概率产品。要创建用户简档似然模型，首先需要转换信息和产品数据，以表示产品或频率。该频率可以被视为用户事件，例如，用户与产品的交互，其中产品是用户与之交互的产品。产品可被视为标记。此外，每个标记还可以与时间戳相关联，此时间戳可以稍后用于对产品进行估量。
因此，使用标记和频率，可以按概率P(p|u)对产品进行排名，其中u是用户简档，且产品的概率被解释为与用户简档相关的似然率，并表示为
Figure BDA0003133098340000071
其中P(u)对所有产品都相同，且可以被忽略。接下来，考虑产品P(p)的概率，总体而言，这在所有产品中可能是一致的，并且可以被忽略。因此，在假设用户简档中的所有语义属性相互独立的情况下，基于简档，产品与用户相关的似然率可以表示为
Figure BDA0003133098340000073
现在假定数据已经通过语义属性进行了转换和表示，并且语义属性可能在用户简档中出现多次，可以将属性添加到概率中，并进一步表示为
Figure BDA0003133098340000072
其中tft，u是用户简档u中的词语t的原始计数。因此，对于每个标记，产品将是简档中的词频，这为那些重复的标记提供了简化。
接下来，为了确定对于每个产品P(t|p)的词语的概率，使用语言模型中常用的表示，首先考虑产品p中语义属性t的概率，则
Figure BDA0003133098340000081
其中Lp是产品中标记的数量。
在标记未出现在此产品中的情况下，使用这种类型的表示会遇到困难，标记的概率会变为零，然而这是错误的。此标记应该是对整个产品或产品总体更通用的小数字。此外，由于这种表示，添加一定的平滑将很有用。
因此，使用特定于产品的多项式和由整个总体估计的多项式分布，对于每个产品的词语的概率现在可以表示为
Figure BDA0003133098340000082
其中0≤λ≤1，且Mc是由整个产品集合构建的语言模型，且
Figure BDA0003133098340000083
作为平滑的第一次尝试。然而，这种平滑表示可能不足以解释稀疏效应。因此，可以使用第二平滑表示。为此，可以使用概率的表示，在这种情况下，在对整个集合的估计中使用加权因子。使用这个加权因子，多项式分布可以与先验贝叶斯表示共轭，以产生以下概率表示
Figure BDA0003133098340000084
然而，上面的表示并不像所需的估计类型所希望的那样平滑和精确。因此，将两个平滑表示进行结合来生成更平滑、更精确的估计，使得概率现在可以表示为
Figure BDA0003133098340000085
这种两步平滑过程不仅有助于提供更平滑、更精确的估计，而且在遇到产品中具有很少语义属性或在产品中看不到用户简档中的属性时，还提供改进的估计。假设此新表示用于概率，则tft，u是需要进一步评估的词频，因为用户简档中的词语可能并不完全相互独立。例如，考虑某个词语出现在用户简档中的情况，词语被重复或再次出现的机会更高。再举一个例子，考虑用户对一个属性感兴趣，如果语义属性出现两次或两次以上，则这并不意味着用户对此属性的兴趣增加了两倍。因此，概率表示应该与词频具有更次线性的关系。在一个实施例中，词频表示为对数标度频率，采用形式为tft，u＝log(1+ft，u)，其中ft，u用于表示词语t在用户简档u中出现的次数。
如前所述，从用户设备102收集的属性之一可以包括时间，时间对于进行推荐也是有用的。因为随着时间的推移，可以假设表示用户兴趣的用户活动随时间衰减，所以这是特别有用的。例如，与一周多以前发生的用户交互相比，如果用户在一小时前与产品交互，则可以说此用户对产品具有更大的兴趣。因此，应加入指数衰减，并用于表示时间。因此，词频可以更恰当地表示为
Figure BDA0003133098340000092
其中d是衰减率，且d∈(0，1)，τ是所讨论的时间戳，且τi是用户与产品词语t交互的时间。
再次回到概率表示，值得注意的是，不同的用户活动在表示用户兴趣时可能具有不同的显著性。可以通过加权不同的兴趣来增加这个显著性，使得概率的估计可以线性地表示为产品概率的加权和，并表示为
Figure BDA0003133098340000093
得到
Figure BDA0003133098340000091
其中
Figure BDA0003133098340000094
因此，可以使用此用户简档似然模型进行基于上下文的推荐，其中具有较高概率的那些产品被用作推荐。然后从推荐引擎输出产品，并且在用户设备102的UI、商家站点、设备或可用于呈现和显示推荐的其他设备上向用户呈现推荐322。作为示例，可以结合下面的图6更详细地使用和描述智能用户设备102，同时结合下面的图5详细地描述用户设备、商家以及服务提供商之间的通信。
接下来在图4，示出了用于由诸如以上结合图3呈现的系统和方法执行的使用用户简档来进行基于内容的推荐的实施方式的示例过程400。具体而言，图4示出了流程图，流程图示出了用于进行产品推荐的过程的操作。根据一些实施例，过程400可以包括操作402-414中的一个或多个，其可以至少部分地以存储在非暂态有形机器可读介质上的可执行代码的形式来实现，当在一个或多个硬件处理器上运行时，可以促使系统执行操作402-414中的一个或多个。
过程400可以从操作402开始，其中系统接收对基于内容的推荐的请求。此请求可以响应于用户访问商家网站、登录帐户、用户与用户设备交互等而到达。推荐请求可以是对显示由实体提供的产品或服务的请求。在一个实施例中，推荐请求可以是针对可供商家向用户销售的产品推荐。因此，推荐请求可以包括与请求相关联的用户ID，使得基于内容的推荐部分地基于与发出推荐请求的用户相关联的用户简档。
为了处理推荐请求，过程400继续到操作404，其中至少使用推荐请求中包含的用户ID来检索用户的简档信息。此外，在操作404，可以检索商家产品目录，以在基于内容的推荐中使用。如前所述，用户简档可以包含在用户简档数据库中。用户简档数据库可以包括用户执行的各种动作、查看或购买的产品或其他事件的存储。在一个实施例中，用户简档数据库可以包括来自库存数据库的产品目录数据，其包括用户之前从商家购买的产品。此外，用户与产品交互的时间和持续时间也可以存储在用户简档数据库中。关于产品目录，现有和新到货的产品都可以存储在推荐库存存储器中，以供推荐引擎用于进行基于内容的推荐。
一旦收集了用户和产品详细信息，过程400就继续到操作406，其中数据被转换、转变、和/或压缩，以提取产品目录和用户简档两者的语义属性(使用事件分派器)。此类语义属性的提取使推荐引擎能够处理所有相似格式的数据。另外，一旦获得语义属性，则这些语义属性就可以被映射到标记和频率项。频率可以被视为用户事件，例如，用户与产品的交互，其中产品是用户与之交互的产品。产品可被视为标记。
在操作408中，可以使用标记来确定在正在使用的语言模型下从产品导出用户简档的概率。可以使用每个产品的概率的乘积来获得从产品导出用户简档的概率，同时应理解，一些语义属性可能多次出现在用户简档上，并且在某些情况下根本不会出现。因此，这种类型的概率表示可能会遇到稀疏问题，可以应用两阶段平滑分布，以实现更平滑、更精确的估计。此外，每个标记还可以与时间戳相关联，此时间戳可以稍后用于对产品进行估量。
此外，每个产品可以具有产品概率，并且更进一步，每个用户可以与产品交互不止一次。应该以次线性方式考虑多次交互的存在，使得，例如，两次交互不被设计为表示用户对产品的兴趣是一次交互的2倍。因此，交互被跟踪，且因此被建模，以提供对数关系，此对数关系被并入产品概率的频率项中。
在操作410中，考虑用户与产品交互的时间。例如，可以假设，与用户几周前交互的产品相比，用户与今天交互的产品可能更相关。在操作410中，为了考虑该具有时间的交互，产品概率变为产品概率的根据(产品交互的)时间的加权和。
在操作412中，将概率的估计进行组合，以生成(一个或多个)产品与用户相关的概率。接着是操作414，其中基于在操作412中获得的概率进行产品排名，并且被发现为更相关的那些产品被呈现给用户。因此，产品可以在商家网站上、在另一个网站上作为广告、在用户设备的UI上等呈现。
注意，虽然过程400被描述为包括在某个操作中发生的加权、交互时间、平滑等，但是这些功能可以以不同的顺序发生。此外，所使用的操作次数可能会有所不同，和/或操作内的过程也可能会在时间和/或顺序上有所不同。此过程是出于示例性目的，并且虽然在本文中描述为与商家一起使用，但是也可以使用其他服务提供商和/或实体来进行部分地基于用户简档定制的基于内容的推荐。此外，用户设备已普遍用于描述交互的跟踪和/或推荐的显示。下面结合图6描述了有关这种设备的详细信息。
图5是根据一个实施例的用于实现本文描述的过程的联网系统500的框图。具体而言，图5示出了用于进行基于内容的推荐的系统500的框图。如图所示，系统500可以包括或实现多个设备、计算机、服务器，和/或软件组件，用于根据所描述的实施例执行各种方法。应当理解，图5中所示的设备、计算机和/或服务器可以不同方式部署，并且由此类设备、计算机和/或服务器执行的操作和/或提供的服务可以在给定的实施例中组合或分离，并且可以由更多或更少数量的设备、计算机和/或服务器来执行。此外，设备、计算机和/或服务器中的一个或多个可以由相同或不同的实体操作和/或维护。
系统500包括通过网络550通信的商家或其他第三方设备502、主要用户设备532(例如，用户设备102)、第三方服务提供商计算机512。这些设备502、532，以及512是可以在交易期间交互并与网站通信的示例性设备，用于使用如上文结合图4呈现和描述的用户简档和方法来提供基于内容的推荐。
商家设备502、主要用户设备532以及第三方服务提供商计算机512可以各自包括一个或多个处理器、存储器以及其他适当的组件，用于执行诸如程序代码和/或数据之类的计算机可执行指令。计算机可执行指令可以存储在一个或多个计算机可读介质或计算机可读设备上，以实现本文描述的各种应用、数据以及步骤。例如，此类指令可以存储在一个或多个计算机可读介质(诸如，系统500的各种组件内部和/或外部的存储器或数据存储设备)中，和/或可通过网络550访问。
商家设备502可以被实现为通信设备，此通信设备可以利用被配置为用于与主要用户设备532和第三方服务提供商计算机512进行有线和/或无线通信的适当硬件和软件。例如，商家设备502可以被实现为个人计算机(PC)、智能手机、膝上型计算机/平板计算机、销售点设备、具有适当计算机硬件资源的腕表、具有适当计算机硬件的眼镜、其他类型的可穿戴计算设备、植入式通信设备、服务器，和/或能够发送和/或接收数据的其他类型的计算设备。商家设备502可以对应于诸如商家的雇员和/或商家授权的其他人之类的用户并由其使用，或者独立地作为独立系统。
商家设备502可以包括一个或多个支付应用504、其他应用506、数据库508，以及网络接口组件510。支付应用504和其他应用506可以对应于可执行过程、程序，和/或具有相关联的硬件的应用。在其他实施例中，商家设备502可以包括附加的或不同的组件，这些组件具有专门的硬件和/或软件来执行与支付应用504和/或其他应用506相关联的操作。
支付应用504可以促成与商家提供的商品和/或服务的销售相对应的金融交易。例如，支付应用504可以为客户提供接口以购买商品或服务、捐赠，以及接收客户支付信息(例如，客户信用卡信息)。支付应用504还可以将客户支付信息发送到支付处理器(举例而言，诸如，与第三方服务提供商计算机512相对应的支付处理器)，以处理客户支付信息。支付应用504还可以促成其他类型的金融交易，诸如，银行业务、在线支付、汇款、捐赠等。
商家设备502可以执行其他应用506，以执行与商家设备502相对应的各种其他任务和/或操作。例如，其他应用506可以包括用于实现客户端安全特征的安全应用、用于通过网络550与适当的应用编程接口(API)接口连接的编程客户端应用，或其他类型的应用。在各种实施例中，其他应用506可以包括社交联网应用。此外，其他应用506可以包括能够接收输入和/或输出信息的设备接口和其他显示模块。例如，其他应用506可以包括被配置为向用户提供界面的图形用户界面(GUI)。
商家设备502还可以包括数据库508，数据库508可以存储在商家设备502的存储器和/或其他存储设备中。数据库508可以包括，例如，诸如操作系统注册表项的标识符(ID)、与支付应用504和/或其他应用506相关联的cookie、与网络接口组件510的硬件相关联的ID、用于支付/用户/设备认证或识别的ID，和/或其他适当的ID。数据库508还可以包括与从商家购买商品或服务的客户的一次或多次购买交易相对应的信息、客户的浏览历史，或其他类型的客户信息。在某些实施例中，商家设备502还可以包括与支付标记相对应的信息，诸如，由第三方服务提供商计算机512生成的支付标记。
商家设备502还可以包括至少一个网络接口组件510，其被配置为与，诸如，主要用户设备102和/或第三方服务提供商计算机512之类的各种其他设备进行通信。在各种实施例中，网络接口组件510可以包括数字用户线(DSL)调制解调器、公共交换电话网(PTSN)调制解调器、以太网设备、宽带设备、卫星设备和/或各种其他类型的有线和/或无线网络通信设备，包括微波、射频、红外线、
Figure BDA0003133098340000141
低功耗蓝牙、近场通信(NFC)设备等。
第三方服务提供商计算机512可以由，例如，第三方服务提供商维护，第三方服务提供商可以为商家提供支付处理服务。在一个示例中，第三方服务提供商可以由位于美国加利福尼亚州圣何塞的PAYPALTM Inc.(贝宝公司)提供。或者，第三方服务提供商计算机512可以与主要设备532的用户相关联。因此，第三方服务提供商计算机512包括一个或多个支付处理应用514，其可以被配置为处理从商家设备502接收到的支付信息、或根据主要用户设备532处的选择而接收到的支付信息。例如，商家设备502的支付应用504可以从客户处接收支付信息，以购买商家提供的服务或商品。在接收到支付信息后，支付应用504可以将支付信息发送到第三方服务提供商计算机512。第三方服务提供商计算机512的支付处理应用514可以接收并处理支付信息。作为另一个示例，支付应用504可以在与商家相关联的用户设备的显示器上呈现支付代码。支付代码可以被扫描或发送到商家设备502，以进行支付处理。又例如，当应用已被授权并准备好进行后处理时，支付处理应用可以在用户设备的显示器上呈现成功交易通知。
第三方服务提供商计算机512可以执行其他应用516，以执行与第三方服务提供商计算机512相对应的各种其他任务和/或操作。例如，其他应用516可以包括用于实现客户端安全特征的安全应用、用于通过网络550与适当API接口连接的编程客户端应用，或其他类型的应用。其他应用516还可以包括附加的通信应用，诸如，电子邮件、文本、语音和IM应用，其能够通过网络550进行电子邮件、呼叫、文本以及其他通知的通信。在各种实施例中，其他应用516可以包括可用于确定第三方服务提供商计算机512的位置的位置检测应用，诸如，地图、指南针和/或GPS应用。此外，其他应用516可以包括能够接收输入和/或输出信息的设备接口和其他显示模块。例如，其他应用516可以包括被配置为向一个或多个用户提供界面的GUI。
第三方服务提供商计算机512还可以包括数据库518，数据库508可以存储在第三方服务提供商计算机512的存储器和/或其他存储设备中。数据库518可以包括，例如，ID，诸如，操作系统注册表项、与支付处理应用514和/或其他应用516相关联的cookie、与网络接口组件522的硬件相关联的ID、用于支付/用户/设备认证或识别的ID、交易ID、和/或其他适当的ID。
根据特定实施例，第三方服务提供商计算机512可以包括一组支付简档520，其与由商家设备针对商家的一个或多个客户执行的过去的销售交易相对应。或者，第三方服务提供商计算机512可以包括与关联到相应商家的支付源相对应的一组商家支付简档。例如，来自一组支付简档520的特定支付简档可以包括对应于所述商家和/或与用户相关联的商家的特定客户的支付信息。支付信息可以包括信用卡信息(例如，加密的卡号、有效期、安全码、发卡机构等)、自动清算所(ACH)信息(例如，加密的帐号、路由号码等)、与特定客户/用户相关联的识别信息(例如，客户标识符、姓名、地址、电话号码、出生日期等)、账单信息、信用评分，和/或与特定客户相关联的任何其他类型的支付信息。此外，一组支付简档520中的其他支付简档可以包括对应于所述商家和/或与用户相关联的其他商家的其他客户的支付信息。此外，第三方服务提供商计算机512可以根据第一文件格式存储一组支付简档520。
第三方服务提供商计算机512还可以存储对应于一组支付简档520的一组支付标记。例如，一组支付简档520中的每个支付简档可以与一组支付标记中的对应支付标记相关联。在一些实施例中，每个支付简档可以包括一组支付标记中的对应支付标记。所述一组支付标记可以是第三方服务提供商计算机512所特有的(例如，来自其他服务提供商的计算机可能无法使用所述一组支付标记)并且可以使商家设备502能够更安全地处理与第三方服务提供商计算机512进行的支付交易。例如，为了处理涉及与特定支付简档相关联的信用卡号的支付交易，第三方服务提供商计算机512可以向商家设备502提供与信用卡号不同的特定支付标记。商家设备502可以使用特定的支付标记而不是信用卡号来处理支付交易。此外，商家设备可以存储特定支付标记，并将其与特定支付简档而不是信用卡号相关联，从而保护信用卡号免于因商家设备502的潜在安全漏洞而被盗。
在各种实施例中，第三方服务提供商计算机512还包括至少一个网络接口组件522，其被配置为经由网络550与商家设备502和/或主要用户设备532通信。
第三方提供者计算机512还可包括推荐组件524，其可用于使用用户简档似然模型进行基于内容的推荐。在一个实施例中，推荐组件524可以包括设计成用于收集、转换以及映射与用户简档和产品目录相关联的语义属性的模块和存储单元。附加地或替代地，推荐组件可以与可驻留在第三方服务提供商计算机512外部的模块和存储单元通信。在一些实施例中，推荐组件524提供与架构300的通信，以用于获取和呈现向与第三方服务提供商计算机512通信的用户确定的基于内容的推荐。在其他实施例中，推荐模块524可以驻留在主要用户设备532和/或商家设备502中。
主要用户设备532可以被实现为通信设备，所述通信设备可以利用被配置为用于与商家设备502和第三方服务提供商计算机512进行有线和/或无线通信的适当硬件和软件。主要用户设备532可以是个人计算机(PC)、智能手机、膝上型计算机/平板计算机、具有适当计算机硬件资源的腕表、具有适当计算机硬件(例如，
Figure BDA0003133098340000161
)的眼镜、其他类型的可穿戴计算设备、植入式通信设备，和/或能够发送和/或接收数据的其他类型的计算设备。在一个实施例中，主要用户设备532可以是与可穿戴设备(或次要用户设备)、商家设备502或直接与第三方服务提供商系统512通信的移动设备。
主要用户设备532可以包括支付处理应用526，其可以用作数字钱包，可以与商家设备502、次要用户设备和/或第三方服务提供商512通信，以进行购买和交易。支付处理应用526可以与数据库530联合协作，以检索银行账户信息、用户账户、安全代码、可能与各种商家位置、慈善机构以及其他相关原因相关联的标记。类似地，支付处理应用还可以提供对用户简档的访问，以确定要提供哪种支付方法、处理代码，和/或推荐或定制信息。
主要用户设备532还可以包括其他应用528，以执行对应于主要用户设备532的各种其他任务和/或操作。例如，其他应用528可以促成与商家设备502的通信，诸如，用于从商家设备502接收将支付处理服务从第三方服务提供商切换到所述服务提供商的指示。
主要用户设备532还可以包括数据库530，数据库530可以存储在主要用户设备632的存储器和/或其他存储设备中。数据库530可以包括，例如，标识符(ID)诸如，操作系统注册表项、与网络浏览器和/或其他应用528相关联的cookie、与网络接口组件534的硬件相关联的ID、用于支付/用户/设备认证或识别的ID、银行信息、商家信息、用户帐户、和/或其他适当的ID。
主要用户设备532还可以包括至少一个网络接口组件534，网络接口组件534被配置为与，诸如，商家设备502和/或第三方服务提供商计算机512之类的各种其他设备进行通信。
图6以框图形式示出了适合在图3中的系统的一个或多个设备上实现的示例计算机系统600。在各种实施方式中，包括计算机系统600的设备可以包括能够与网络626通信的计算设备(例如，智能或移动设备、计算平板计算机、个人计算机、膝上型计算机、可穿戴设备、PDA、服务器等)。服务提供商和/或内容提供商可以利用能够与网络626通信的网络计算设备(例如，网络服务器或第三方服务提供商计算机512)。应当理解，用户、服务提供商以及内容提供商所使用的设备中的每一个可以通过如下方式被实现为计算机系统600。
另外，随着越来越多的设备具有通信功能，诸如，使用无线通信来报告、跟踪、传讯、中继信息等的新智能设备，这些设备可以是计算机系统600的一部分。例如，窗户、墙壁以及其他物体可以兼作触摸屏设备，供用户与之交互。此类设备可以与本文讨论的系统结合。
计算机系统600可以包括总线610或用于在计算机系统600的各个组件之间传送信息数据、信号以及信息的其他通信机件。组件包括处理用户动作(诸如，从小键盘/键盘中选择多个键，选择一个或多个按钮、链路、可致动元件等)的输入/输出(I/O)组件604，并向总线610发送对应的信号。I/O组件604还可以包括输出组件，诸如，显示器602和光标控件608(诸如，键盘、小键盘、鼠标、触摸屏等)。在一些示例中，I/O组件604可以包括用于捕捉图像和/或视频的图像传感器，诸如，互补金属氧化物半导体(CMOS)图像传感器等。还可以包括音频输入/输出组件606，以允许用户通过转换音频信号来使用语音来输入信息。音频I/O组件606可以使用户听到音频。收发器或网络接口622通过网络在计算机系统600和其他设备(诸如，另一个用户设备、商家服务器、电子邮件服务器、应用服务提供商、网络服务器、支付提供商服务器，和/或其他服务器)之间发送和接收信号。在各种实施例中，诸如，对于许多蜂窝电话和其他移动设备实施例，这种传输可以是无线的，其他传输介质和方法也可能是合适的。处理器618可以是微控制器、数字信号处理器(DSP)或其他处理组件，用于处理这些各种信号，诸如，用于在计算机系统600上显示或通过网络626经由通信链路624传输到其他设备。同样，在一些实施例中，通信链路624可以是无线通信。处理器618还可以控制向其他设备传输信息，诸如，cookie、IP地址、图像等。
计算机系统600的组件还包括系统存储器组件612(例如，RAM)、静态存储组件614(例如，ROM)，和/或磁盘驱动器616。计算机系统600通过处理器618和其他组件执行包含在系统存储器组件612中的一个或多个指令序列来执行特定操作。逻辑可以编码在计算机可读介质中，计算机可读介质可以指参与向处理器618提供指令以供执行的任何介质。这种介质可以采用多种形式，包括但不限于非易失性介质、易失性介质，和/或传输介质。在各种实施方式中，非易失性介质包括光盘或磁盘，易失性介质包括动态存储器，诸如，系统存储器组件612，并且传输介质包括同轴电缆、铜线，以及光纤，包括构成总线610的电线。在一个实施例中，逻辑被编码在非暂态机器可读介质中。在一个示例中，传输介质可以采用声波或光波(诸如，在无线电波、光学以及红外数据通信期间产生的那些)的形式。
一些常见形式的计算机可读介质包括，例如，硬盘、磁带、任何其他磁性介质、CD-ROM、任何其他光学介质、RAM、PROM、EPROM、FLASH-EPROM、任何其他存储器芯片或盒式磁带，或适合计算机读取的任何其他介质。
计算机系统600的组件还可以包括短程通信接口620。在各种实施例中，短程通信接口620可以包括收发器电路、天线，和/或波导。短程通信接口620可以使用一种或多种短程无线通信技术、协议，和/或标准(例如，WIFI、
Figure BDA0003133098340000191
低功耗蓝牙(BLE)、红外线、NFC等)。
在各种实施例中，短程通信接口620可以被配置为检测计算机系统600附近的具有短程通信技术的其他设备(例如，主要用户设备532、商家设备502等)。短程通信接口620可以创建用于检测具有短距离通信能力的其他设备的通信区域。当具有短程通信能力的其他设备被放置在短程通信接口620的通信区域中时，短程通信接口620可以检测其他设备，并与其他设备交换数据。当距离足够近时，短程通信接口620可以从其他设备接收标识符数据包。标识符数据包可以包括一个或多个标识符，这些标识符可以是操作系统注册表项、与应用相关联的cookie、与另一设备的硬件相关联的标识符，和/或各种其他适当的标识符。
在一些实施例中，短程通信接口620可以使用诸如Wi-Fi的短程通信协议来识别局域网，并加入局域网。在一些示例中，计算机系统600可以使用短程通信接口620发现作为局域网一部分的其他设备和/或与其通信。在一些实施例中，短程通信接口620可以进一步与和短程通信接口620通信耦接的其他设备交换数据和信息。
在本公开的各种实施例中，用于实践本公开的指令序列的执行可以由计算机系统600执行。在本公开的各种其他实施例中，通过通信链路624耦接到网络(例如，诸如，LAN、WLAN、PTSN，和/或各种其他有线或无线网络，包括电信、移动以及蜂窝电话网络)的多个计算机系统600可以执行指令序列，以彼此协调地实践本公开。本文描述的模块可以体现在一个或多个计算机可读介质中，或者与一个或多个处理器通信，以执行或处理本文描述的技术和算法。
计算机系统可以通过通信链路624和通信接口发送和接收消息、数据、信息以及指令，包括一个或多个程序(即，应用代码)。接收到的程序代码可以由处理器在接收和/或存储在磁盘驱动器组件或一些其他非易失性存储组件中以供执行时执行。
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。此外，在适用的情况下，在不脱离本公开的精神的情况下，本文中阐述的各种硬件组件和/或软件组件可以组合成包括软件、硬件和/或两者的复合组件。在适用的情况下，在不脱离本公开的范围的情况下，本文阐述的各种硬件组件和/或软件组件可以被分成包括软件、硬件或两者的子组件。此外，在适用的情况下，可以设想软件组件可以实现为硬件组件，反之亦然。
根据本公开的软件，诸如，程序代码和/或数据，可以存储在一个或多个计算机可读介质上。还可以设想，本文所标识的软件可以使用联网的和/或其他方式的一台或多台计算机和/或计算机系统来实现。在适用的情况下，本文描述的各个步骤的顺序可以改变、组合成复合步骤，和/或分成子步骤，以提供本文描述的特征。
上述公开内容并非旨在将本公开内容限制于所公开的精确形式或特定使用领域。因此，可以设想，考虑到本公开内容，无论在本文中明确描述还是暗示，对本公开内容的各种替代实施例和/或修改都是可能的。例如，上述实施例集中于商家/供应商和客户；但是，客户或消费者可以付款或以其他方式与任何类型的接收者(包括慈善机构和个人)互动。因此，本文使用的“商家”还可以包括慈善机构、个人，以及从客户接收付款的任何其他实体或个人。已经如此描述了本公开的实施例，本领域普通技术人员将认识到在不脱离本公开的范围的情况下可以在形式和细节上进行改变。因此，本公开仅由权利要求书限制。

Claims (20)

1.一种系统，包括：
非暂态存储器，存储有指令；
处理器，被配置为执行所述指令，以使得所述系统执行下列操作：
访问与产品目录相关联的第一数据以及与用户简档相关联的第二数据；
检索与所述产品目录中的产品以及用户简档相关联的语义属性；
使用检索到的语义属性，来确定从所述产品目录中的产品导出所述用户简档的概率；
根据从所述产品目录中的产品导出所述用户简档的概率，来确定所述概率的加权和；
计算所述产品的概率，其中所述产品的概率包括针对每个产品的、产品与用户相关的概率；
使用所计算的概率对所述产品进行排名；以及
响应于所述排名，基于所确定的产品的排名来呈现相关产品。
2.如权利要求1所述的系统，其中，在确定用户简档的语义属性时，确定用户与产品的交互和交互时间。
3.如权利要求1所述的系统，其中，与所述产品目录中的产品以及用户简档相关联的语义属性被映射到标记和频率项。
4.如权利要求1所述的系统，其中，所述概率的加权和包括与所述用户感兴趣的产品水平相关联的权重。
5.如权利要求1所述的系统，在确定从所述产品导出所述用户简档的概率时，添加两阶段平滑分布。
6.如权利要求5所述的系统，其中，所述两阶段平滑分布包括：应用两个平滑分布的组合来管理在确定从所述产品导出所述用户简档的概率时遇到的稀疏性。
7.如权利要求1所述的系统，其中，与用户简档相关联的第二数据包括长期数据和短期数据。
8.一种方法，包括：
检索与产品目录中的产品以及用户简档相关联的语义属性；
使用检索到的语义属性，来确定从所述产品目录中的产品导出所述用户简档的概率；
根据从所述产品目录中的产品导出所述用户简档的概率，来确定所述概率的加权和；
计算所述产品的概率，其中所述产品的概率包括针对每个产品的、产品与用户相关的概率；
使用所计算的概率对所述产品进行排名；以及
响应于所述排名，基于所确定的产品的排名来呈现相关产品。
9.如权利要求8所述的方法，其中，所述第二数据包括通过跟踪用户交互收集的由用户执行的那些产品、动作以及事件。
10.如权利要求8所述的方法，其中，在确定用户简档的语义属性时，确定用户与产品的交互和交互时间。
11.如权利要求8所述的方法，其中，所述概率的加权和包括与所述用户感兴趣的产品水平相关联的权重。
12.如权利要求8所述的方法，在确定从所述产品导出所述用户简档的概率时，添加两阶段平滑分布。
13.如权利要求12所述的方法，其中，所述两阶段平滑分布包括：应用两个平滑分布的组合来管理在确定从所述产品导出所述用户简档的概率时遇到的稀疏性。
14.如权利要求8所述的方法，其中，与用户简档相关联的第二数据包括长期数据和短期数据。
15.一种非暂态机器可读介质，在其上存储有机器可读指令，所述机器可读指令可执行以使得机器执行操作，所述操作包括：
检索与产品目录中的产品和用户简档相关联的语义属性；
使用检索到的语义属性，来确定从所述产品目录中的产品导出所述用户简档的概率；
根据从所述产品目录中的产品导出所述用户简档的概率，来确定所述概率的加权和；
计算所述产品的概率，其中所述产品的概率包括针对每个产品的、产品与用户相关的概率；
使用所计算的概率对所述产品进行排名；以及
响应于所述排名，基于所确定的产品的排名来呈现相关产品。
16.如权利要求15所述的非暂态机器可读介质，其中，在确定用户简档的语义属性时，确定用户与产品的交互和交互时间。
17.如权利要求15所述的非暂态机器可读介质，其中，所述概率的加权和包括与所述用户感兴趣的产品水平相关联的权重。
18.如权利要求15所述的非暂态机器可读介质，其中，在确定从所述产品导出所述用户简档的概率时，添加两阶段平滑分布。
19.如权利要求18所述的非暂态机器可读介质，其中，所述两阶段平滑分布包括：应用两个平滑分布的组合来管理在确定从所述产品导出所述用户简档的概率时遇到的稀疏性。
20.如权利要求19所述的非暂态机器可读介质，其中，与用户简档相关联的第二数据包括长期数据和短期数据。
CN201980086507.4A 2018-12-26 2019-12-26 使用用户简档似然模型进行基于内容的推荐的系统和方法 Pending CN113316777A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/232,907 2018-12-26
US16/232,907 US10984461B2 (en) 2018-12-26 2018-12-26 System and method for making content-based recommendations using a user profile likelihood model
PCT/US2019/068626 WO2020139983A1 (en) 2018-12-26 2019-12-26 System and method for making content-based recommendations using a user profile likelihood model

Publications (1)

Publication Number Publication Date
CN113316777A true CN113316777A (zh) 2021-08-27

Family

ID=71121781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980086507.4A Pending CN113316777A (zh) 2018-12-26 2019-12-26 使用用户简档似然模型进行基于内容的推荐的系统和方法

Country Status (5)

Country Link
US (3) US10984461B2 (zh)
EP (1) EP3903208A4 (zh)
CN (1) CN113316777A (zh)
AU (1) AU2019414935B2 (zh)
WO (1) WO2020139983A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11222346B2 (en) 2013-03-15 2022-01-11 Commerce Signals, Inc. Method and systems for distributed signals for use with advertising
US10771247B2 (en) 2013-03-15 2020-09-08 Commerce Signals, Inc. Key pair platform and system to manage federated trust networks in distributed advertising

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141986A (zh) * 2010-01-28 2011-08-03 北京邮电大学 基于用户行为的个性化信息提供方法及系统
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
CN106127546A (zh) * 2016-06-20 2016-11-16 重庆房慧科技有限公司 一种基于智慧社区大数据的商品推荐方法
US20180300648A1 (en) * 2016-11-15 2018-10-18 Ping An Technology (Shenzhen) Co., Ltd. Collaborative filtering method, apparatus, server and storage medium in combination with time factor
CN108898496A (zh) * 2018-07-05 2018-11-27 北京京东金融科技控股有限公司 产品推荐方法、装置、介质及电子设备

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6687696B2 (en) * 2000-07-26 2004-02-03 Recommind Inc. System and method for personalized search, information filtering, and for generating recommendations utilizing statistical latent class models
US6904428B2 (en) * 2001-04-18 2005-06-07 Illinois Institute Of Technology Intranet mediator
WO2003014867A2 (en) * 2001-08-03 2003-02-20 John Allen Ananian Personalized interactive digital catalog profiling
US7756879B2 (en) * 2004-07-23 2010-07-13 Jeffrey Parsons System and method for estimating user ratings from user behavior and providing recommendations
US7676400B1 (en) 2005-06-03 2010-03-09 Versata Development Group, Inc. Scoring recommendations and explanations with a probabilistic user model
US8001008B2 (en) * 2006-10-24 2011-08-16 Garett Engle System and method of collaborative filtering based on attribute profiling
EP2763056A1 (en) * 2007-03-31 2014-08-06 Sony Deutschland Gmbh Method for content recommendation
US20080294624A1 (en) 2007-05-25 2008-11-27 Ontogenix, Inc. Recommendation systems and methods using interest correlation
US8416981B2 (en) * 2007-07-29 2013-04-09 Google Inc. System and method for displaying contextual supplemental content based on image content
US20110213655A1 (en) * 2009-01-24 2011-09-01 Kontera Technologies, Inc. Hybrid contextual advertising and related content analysis and display techniques
US8850328B2 (en) * 2009-08-20 2014-09-30 Genesismedia Llc Networked profiling and multimedia content targeting system
CN102110364B (zh) * 2009-12-28 2013-12-11 日电（中国）有限公司 基于路口和路段的交通信息处理方法和装置
US8589378B2 (en) 2010-10-11 2013-11-19 Yahoo! Inc. Topic-oriented diversified item recommendation
US8630902B2 (en) * 2011-03-02 2014-01-14 Adobe Systems Incorporated Automatic classification of consumers into micro-segments
US9141982B2 (en) * 2011-04-27 2015-09-22 Right Brain Interface Nv Method and apparatus for collaborative upload of content
WO2012155329A1 (en) * 2011-05-16 2012-11-22 Nokia Corporation Method and apparatus for holistic modeling of user item rating with tag information in a recommendation system
US9785883B2 (en) * 2012-04-27 2017-10-10 Excalibur Ip, Llc Avatars for use with personalized generalized content recommendations
US20140046976A1 (en) * 2012-08-11 2014-02-13 Guangsheng Zhang Systems, methods, and user interface for effectively presenting information
US20140250105A1 (en) * 2013-03-04 2014-09-04 Google Inc. Reliable content recommendations
US20150012318A1 (en) * 2013-07-04 2015-01-08 Eric HEDMAN Method and an Arrangement for Provisioning of Services
AU2015200106A1 (en) * 2014-01-10 2015-07-30 Cox Digital Exchange, Llc Content-based trading recommendations
US9754210B2 (en) * 2014-04-01 2017-09-05 Microsoft Technology Licensing, Llc User interests facilitated by a knowledge base
US10097617B2 (en) * 2014-12-18 2018-10-09 International Business Machines Corporation Conforming distributed posts to reflect social networking web site environments and audiences
EP3073422A1 (en) * 2015-03-25 2016-09-28 Facebook, Inc. Techniques for product, service, and business recommendation
US9769208B2 (en) * 2015-05-28 2017-09-19 International Business Machines Corporation Inferring security policies from semantic attributes
US10229443B1 (en) * 2015-05-29 2019-03-12 Pinterest, Inc. Price filtering based on a user specified single price filtering value
US9507762B1 (en) * 2015-11-19 2016-11-29 International Business Machines Corporation Converting portions of documents between structured and unstructured data formats to improve computing efficiency and schema flexibility
US10636076B2 (en) * 2016-03-15 2020-04-28 Amazon Technologies, Inc. Search result enhancement component for interest queues
WO2017203262A2 (en) * 2016-05-25 2017-11-30 Metail Limited Method and system for predicting garment attributes using deep learning
US10853763B1 (en) * 2017-03-29 2020-12-01 Square, Inc. Onboarding new service providers utilizing portable service provider attributes
US10853424B1 (en) * 2017-08-14 2020-12-01 Amazon Technologies, Inc. Content delivery using persona segments for multiple users

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141986A (zh) * 2010-01-28 2011-08-03 北京邮电大学 基于用户行为的个性化信息提供方法及系统
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
CN106127546A (zh) * 2016-06-20 2016-11-16 重庆房慧科技有限公司 一种基于智慧社区大数据的商品推荐方法
US20180300648A1 (en) * 2016-11-15 2018-10-18 Ping An Technology (Shenzhen) Co., Ltd. Collaborative filtering method, apparatus, server and storage medium in combination with time factor
CN108898496A (zh) * 2018-07-05 2018-11-27 北京京东金融科技控股有限公司 产品推荐方法、装置、介质及电子设备

Also Published As

Publication number Publication date
US20240193665A1 (en) 2024-06-13
AU2019414935A1 (en) 2021-07-08
US10984461B2 (en) 2021-04-20
EP3903208A4 (en) 2022-03-02
AU2019414935B2 (en) 2023-01-05
WO2020139983A1 (en) 2020-07-02
US20210264499A1 (en) 2021-08-26
EP3903208A1 (en) 2021-11-03
US20200211083A1 (en) 2020-07-02
US11823246B2 (en) 2023-11-21

Similar Documents

Publication Publication Date Title
US11037202B2 (en) Contextual data in augmented reality processing for item recommendations
US9665661B2 (en) Systems and methods for dynamic construction of entity graphs
US20240193665A1 (en) System and method for making content-based recommendations using a user profile likelihood model
US20110320318A1 (en) Context-aware shopping services on mobile
US20160232566A1 (en) Systems and methods for analytics in a cooperative data exchange
US10091327B2 (en) Processing available user data to determine a user profile for use in anticipating changing user interests
US20200210990A1 (en) Intelligent display of location-specific graphics based on device metadata
US11157987B2 (en) System and method for obtaining recommendations using scalable cross-domain collaborative filtering
US20220114496A1 (en) System and method for automatic labeling of clusters created by machine learning methods
US11915269B2 (en) System and method for tokenizing offers
AU2022203094B2 (en) System and method for generating a dynamic machine readable code
JP6799992B2 (ja) 利用明細・店舗情報リンク装置、プログラム及び方法
AU2023203082A1 (en) System and method for obtaining recommendations using scalable cross-domain collaborative filtering
US11475079B2 (en) System and method for efficient multi stage statistical website indexing
US20150051988A1 (en) Detecting marketing opportunities based on shared account characteristics systems and methods
US11531916B2 (en) System and method for obtaining recommendations using scalable cross-domain collaborative filtering
US20210374829A1 (en) Methods, systems, and media for coordinating recommendations

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