CN113597629A - 基于网络分发历史从数字媒体的储存库生成对应于预测的分发类别的数字媒体群集 - Google Patents
基于网络分发历史从数字媒体的储存库生成对应于预测的分发类别的数字媒体群集 Download PDFInfo
- Publication number
- CN113597629A CN113597629A CN202080023467.1A CN202080023467A CN113597629A CN 113597629 A CN113597629 A CN 113597629A CN 202080023467 A CN202080023467 A CN 202080023467A CN 113597629 A CN113597629 A CN 113597629A
- Authority
- CN
- China
- Prior art keywords
- digital media
- user
- network
- distribution
- client device
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 393
- 238000004891 communication Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013145 classification model Methods 0.000 claims description 79
- 230000006855 networking Effects 0.000 claims description 42
- 238000003860 storage Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000004048 modification Effects 0.000 claims description 25
- 238000012986 modification Methods 0.000 claims description 25
- 230000003993 interaction Effects 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 23
- 230000001815 facial effect Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 abstract description 28
- 238000004458 analytical method Methods 0.000 abstract description 13
- 230000000875 corresponding effect Effects 0.000 description 82
- 230000009471 action Effects 0.000 description 69
- 238000013528 artificial neural network Methods 0.000 description 28
- 238000012549 training Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 15
- 238000004138 cluster model Methods 0.000 description 15
- 241000282472 Canis lupus familiaris Species 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 11
- 241001465754 Metazoa Species 0.000 description 9
- 238000012546 transfer Methods 0.000 description 9
- 230000000306 recurrent effect Effects 0.000 description 8
- 238000013475 authorization Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000036651 mood Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013515 script Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013403 standard screening design Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000015219 food category Nutrition 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011093 media selection Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 239000000344 soap Substances 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/432—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/45—Clustering; Classification
-
- 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
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90324—Query formulation using system suggestions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of 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]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
- H04N21/4788—Supplemental services, e.g. displaying phone caller identification, shopping application communicating with other users, e.g. chatting
-
- 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
- H04N21/47—End-user applications
- H04N21/482—End-user interface for program selection
- H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
Abstract
本公开涉及用于基于网络分发历史从数字媒体的储存库中生成对应于预测的分发类别的准确数字媒体群集的系统、非暂时性计算机可读介质和方法。例如,数字媒体聚类系统可以(基于用户的网络账户的网络分发历史)在远程服务器处应用机器学习模型,从而为未来的电子通信生成预测的分发类别。远程服务器可以向用户客户端设备提供预测的分发类别,用于对存储在客户端设备处的数字媒体进行安全的本地分析。基于预测的分发类别和存储的数字媒体,客户端设备可以建议数字媒体项经由网络系统进行分发。因此,所公开的系统可以在不向远程服务器提供关于存储在客户端设备处的数字媒体项的任何信息的情况下展示数字媒体内容。
Description
相关申请的交叉引用
本申请要求于2019年3月28日提交的美国临时申请第62/825,708号的优先权和利益。前述申请在此通过引用以其整体并入。
背景
近年来,在用于通过计算机网络传输在对应于多个客户端设备的不同媒体储存库(repository)中存储的数字内容的硬件和软件平台方面,出现了显著的技术进步。例如,传统的数字内容传输系统可以选择在客户端设备处存储的数字图像或数字视频,并将其与各种电子消息(例如,社交网络帖子或即时消息通信)一起传输到多个接收方客户端设备。此外,传统的数字内容传输系统可以组织数字媒体储存库(例如,基于日期),以允许选择先前捕获的数字文件并将其传输到其他客户端设备(例如,作为为其他客户端设备用户制作的电子消息的一部分)。
尽管取得了这些进步,然而传统的数字内容传输系统在效率、准确性、安全性和操作灵活性方面仍存在许多问题。作为一个示例,传统系统效率低下,因为它们需要与各种用户界面进行过多的交互来识别和传输来自大型数字媒体储存库的数字内容。事实上,现在个人客户端设备存储数千个数字媒体项(digital media item)是很常见的。使用当前的数字内容传输系统从这样的储存库中识别特定的数字内容项需要大量的时间以及用户交互,以分类、滚动浏览和查看各个数字文件。
另外,传统的数字内容传输系统也不准确。实际上,传统的数字内容传输系统经常识别和传输不能准确对应于用户意图和/或对应的电子消息的数字内容。实际上,客户端设备的用户经常寻求生成传达特定概念的电子通信,并且传统系统经常导致识别的数字内容和数字消息中所传达的特定概念之间的不准确的失准。在某些情况下,传统系统的不准确性和低效率导致客户端设备用户放弃为生成和传输电子消息付出努力(和/或将数字内容传输系统留给替代系统)。
传统系统关于数字安全方面也有不足。事实上,许多传统的数字内容传输系统在远程服务器上运行。因此,传统系统通过这些远程服务器访问和分析存储在各个客户端设备的数字内容。然而,近年来,在维护客户端信息的服务器上,数字攻击和安全漏洞的数量稳步增加。因此,传统系统可能引入关于由客户端设备上的远程服务器访问的敏感客户端信息的数字隐私和安全问题。
另外,传统系统不灵活。例如,传统的数字内容传输系统提供了一种严格的方法来识别数字内容并将其传输给用户。为了说明,传统的数字内容传输系统为所有用户、所有账户、所有客户端设备提供相同的分类和分析工具(例如,按日期分类)。这种严格的方法进一步加剧了以上讨论的传统系统的不准确性和低效率。
对于传统的数字内容传输系统,存在这些问题和其他问题。
概述
本公开的实施例为系统、非暂时性计算机可读介质和方法提供了益处和/或解决了一个或更多个前述或其他问题,该系统、非暂时性计算机可读介质和方法用于基于网络分发历史从数字媒体的储存库生成对应于预测的分发类别(distribution class)的准确的数字媒体群集(cluster)。例如,所公开的系统可以展示(surface)数字媒体,该数字媒体准确地描绘了用户试图分发到其他客户端设备的时刻。具体来说,所公开的系统利用机器学习模型来基于网络分发历史识别数字内容建议,该数字内容建议准确地识别客户端设备用户寻求共享什么数字媒体项(和样式)。
此外,在一个或更多个实施例中,所公开的系统通过在远程服务器处执行网络分发历史的分析,在客户端设备处分析私有数字媒体储存库,然后在客户端设备处对齐两个分析以展示准确的数字媒体建议,从而提高隐私性和安全性。例如,所公开的系统可以在远程服务器处应用机器学习模型(基于先前共享的信息)来生成预测的分发类别。远程服务器可以为存储在客户端设备处的数字媒体的安全本地分析提供预测的分发类别。因此,所公开的系统可以在不向远程服务器提供关于数字媒体项的信息或者不使客户端设备处的计算资源过载的情况下展示数字媒体内容。以这种方式,所公开的系统可以减少共享数字内容的时间和交互障碍,准确地展示数字媒体,提高安全性和用户隐私,并灵活地为特定的用户和账户定制数字内容建议。
本公开的一个或更多个实施例的附加特征和优点将在随后的描述中进行阐述,并且部分将从描述中变得明显,或者可以通过这种示例实施例的实践得以了解。
附图简述
如下面简要描述的,详细描述通过附图的使用,提供了具有附加的细节的一个或更多个实施例。
图1示出了根据一个或更多个实施例的数字媒体聚类系统(digital mediaclustering system)在其中操作的环境的示意图。
图2示出了根据一个或更多个实施例生成建议的数字媒体群集的示意图。
图3示出了根据一个或更多个实施例生成建议的数字媒体群集的图示。
图4示出了根据一个或更多个实施例生成建议的短时数字内容(ephemeraldigital content)的图示。
图5示出了根据一个或更多个实施例提供建议的短时数字内容和其他建议的数字媒体项以供显示的图示。
图6示出了根据一个或更多个实施例训练分发分类模型以生成预测的分发类别。
图7示出了根据一个或更多个实施例的具有描绘数字媒体群集和数字媒体项的用户界面的计算设备。
图8A-图8B示出了根据一个或更多个实施例的具有描绘数字媒体群集和短时数字内容的用户界面的计算设备。
图9A-图9C示出了根据一个或更多个实施例的具有用于选择数字媒体项、起草电子消息以及分发数字媒体项和电子消息的用户界面的计算设备。
图10示出了根据一个或更多个实施例的数字媒体聚类系统的框图。
图11示出了根据一个或更多个实施例的用于基于网络分发历史来生成和提供预测分发类别的一系列动作的流程图。
图12示出了根据一个或更多个实施例的用于基于预测的分发类别来生成数字媒体群集的一系列动作的流程图。
图13示出了用于实现本公开的一个或更多个实施例的示例计算设备的框图。
图14示出了根据一个或更多个实施例的网络系统(networking system)的示例网络环境。
图15示出了根据一个或更多个实施例的社交图。
详细描述
本公开的一个或更多个实施例包括数字媒体聚类系统,该系统基于网络分发历史从数字媒体储存库中生成对应于预测的分发类别的数字媒体群集。例如,数字媒体聚类系统可以在服务器处分析公共信息(例如,先前的网络帖子),同时在客户端设备处安全地分析数字媒体储存库。数字媒体聚类系统可以将在服务器处执行的分析与在客户端设备处执行的分析相结合,以有效地展示建议的数字媒体群集,而不从客户端设备传送关于敏感客户端数字媒体的信息。
举例而言,在一个或更多个实施例中,数字媒体聚类系统(在远程服务器处)识别包括对应于用户的网络账户的网络分发历史的网络系统简档。基于网络分发历史,数字媒体聚类系统可以利用分发分类模型(例如,机器学习模型(诸如神经网络))来为对应于用户的网络账户的未来电子通信生成预测的分发类别。此外,数字媒体聚类系统可以(例如,从远程服务器)向客户端设备提供预测的分发类别。
在客户端设备处,数字媒体聚类系统可以从数字媒体储存库生成多个数字媒体群集。具体来说,在一个或更多个实施例中,数字媒体聚类系统将媒体群集模型(例如,一个或更多个机器学习模型)应用于存储在客户端设备上的数字媒体储存库,以生成这些数字媒体群集。数字媒体聚类系统然后可以识别并利用预测的分发类别(在远程服务器处生成的预测的分发类别)来(从多个数字媒体群集中)选择数字媒体群集。在一个或更多个实施例中,数字媒体聚类系统提供数字媒体群集以用于显示,并且基于用户与来自数字媒体群集的数字媒体项的交互,提供数字媒体项以用于经由网络系统分发。
如在前述示例中刚刚提到的,数字媒体聚类系统可以在远程服务器处分析对应于用户的账户的网络分发历史,同时仅在客户端设备处分析敏感的客户端信息。实际上,通过在远程服务器处(基于公共网络分发历史)生成分发类别,然后在客户端设备处利用分发类别来分析数字媒体储存库,数字媒体聚类系统可以在不从客户端设备传送关于敏感数字媒体的信息的情况下展示数字媒体群集。
如上所述,在一个或更多个实施例中,数字媒体聚类系统利用分发分类模型来生成预测的分发类别。具体来说,数字媒体聚类系统可以利用包括一个或更多个机器学习模型的分发分类模型来分析网络分发历史并生成未来电子通信的预测的分发类别。例如,数字媒体聚类系统可以分析来自用户账户的先前社交网络帖子,并利用机器学习来预测未来电子通信的分类(例如,指示未来最有可能分发的数字媒体项的网络账户类别)。以这种方式,数字媒体聚类系统可以从用户的网络账户的先前内容分发中确定反映主题、结构、样式和趋势(trend)的预测的分发类别。
此外,如上所述,数字媒体聚类系统还可以利用媒体群集模型,在客户端设备处从数字媒体储存库中生成数字媒体群集。具体来说,数字媒体聚类系统可以利用本身包括各种机器学习方法(例如,面部识别、对象识别、时间和地理位置聚类(temporal andgeographic clustering)、组成质量模型(composition quality models))的媒体群集模型来生成数字媒体群集。在一些实施例中,数字媒体聚类系统生成对应于不同分发类别的数字媒体群集。例如,数字媒体聚类系统可以生成描绘在分发分类中同样被反映的特定主题的数字图像的数字媒体群集(例如,生成描绘对应于狗分发分类的狗的数字图像群集)。
数字媒体聚类系统可以一起利用数字媒体群集以及预测的分发类别来建议客户端设备用户最有可能分发到其他客户端设备的数字媒体群集。事实上,数字媒体聚类系统可以将预测的分发类别(其根据先前内容分发反映历史趋势)与从存储在客户端设备上的数字媒体储存库中生成的数字媒体群集对齐,以建议与用户账户最相关的那些数字媒体群集。例如,在一个或更多个实施例中,数字媒体聚类系统基于预测的分发类别对数字媒体群集进行排名,并基于该排名选择要在客户端设备处展示的数字媒体群集。
一旦识别出一个或更多个建议的数字媒体群集,数字媒体聚类系统可以提供建议的数字媒体群集,用于经由用户的客户端设备进行显示。例如,数字媒体聚类系统可以选择每个建议的数字媒体群集的代表图像(例如,代表卡(representative card))并提供代表图像以用于显示。一旦用户选择了代表图像,数字媒体聚类系统可以提供数字媒体群集中的每个数字媒体项以用于显示。用户可以选择一个或更多个数字媒体项用于经由网络系统分发(例如,发布到社交网络系统)。
除了建议数字媒体,数字媒体聚类系统还可以基于网络分发历史自动编辑数字媒体。例如,数字媒体聚类系统可以从网络分发历史中确定用户在经由网络系统分发数字内容时已经应用的先前数字媒体样式修改。数字媒体样式修改可以在生成和提供数字媒体群集时自动应用这些数字样式修改。
数字媒体聚类系统还可以建议用户账户先前已经经由网络系统分发的短时数字内容。事实上,在一些实施例中,数字媒体聚类系统可以重新展示(resurface)用户先前分发的短时数字内容,该内容不再是公开可用的。例如,在触发事件之后(例如,在短时数字内容被查看之后或者在阈值时间段之后),用户的账户可以共享(例如,发布)对公众视野(public view)和用户客户端设备隐藏的短时数字内容。数字媒体聚类系统可以(例如,在远程服务器处)分析该历史短时数字内容,并利用分发类别模型来预测用户最有可能在未来电子通信中分发的短时数字内容。数字媒体聚类系统可以向客户端设备提供预测的短时数字内容(例如,用于与在客户端设备处识别的其他数字媒体群集一起显示)。
如以上所解释的,相对于传统系统,数字媒体聚类系统提供许多优点、益处和实际应用。例如,相对于传统系统,数字媒体聚类系统提高了效率。具体来说,通过基于网络分发历史生成建议的数字媒体群集,数字媒体聚类系统可以减少在大型数字媒体储存库内定位数字媒体项所需的时间和用户交互。例如,数字媒体聚类系统可以生成描绘用户最有可能在未来消息中利用和分发的数字媒体群集的用户界面。因此,用户可以在少得多的时间内仅通过少量交互来识别和分发数字媒体项。
另外,相对于传统系统,数字媒体聚类系统提高了准确性。事实上,通过生成包括网络账户最有可能分发的数字媒体项的数字媒体群集,数字聚类系统可以更准确地将数字媒体与相关通信对齐。事实上,数字聚类系统可以识别与用户意图和电子通信相对应的数字媒体,这改善了电子消息并且避免了放弃实施系统。
此外,数字媒体聚类系统还提高了实现计算设备的安全性,而不会使各个客户端设备的计算资源过载。如上所述,数字媒体聚类系统可以分析远程服务器上先前共享的信息,以生成预测的分发类别。数字媒体聚类系统然后可以利用这些预测的分发类别在客户端设备处分析数字媒体储存库,以选择相关的数字媒体群集。因此,数字媒体聚类系统可以在客户端设备处安全地识别数字媒体群集,而不向远程服务器发送敏感的客户端信息。另外,通过在远程服务器处执行网络分发历史的分析,数字媒体聚类系统可以减少客户端设备处的计算开销,并避免使本地计算资源负担过重。
此外,数字媒体聚类系统提供了优于原本严格的传统系统(rigid conventionalsystem)的增加的灵活性。如上所述,数字媒体聚类系统可以建议为个人用户和/或账户唯一定制的数字媒体群集。事实上,数字媒体聚类系统甚至可以在不同的网络账户和设备之间为同一用户建议不同的数字媒体群集。举例而言,数字媒体聚类系统可以为第一账户(具有第一焦点(focus))展示第一组数字媒体群集,并且为用户的第二账户(具有第二焦点)展示第二组数字媒体群集。因此,数字媒体聚类系统可以针对个人用户、账户和设备的历史分发和数字媒体来定制建议的数字媒体群集。
如前述讨论所示,本公开利用各种术语来描述数字媒体聚类系统的特征和优点。现在提供关于本文使用的这些和其他术语的附加细节。例如,如本文所使用的,术语“数字媒体项”(或“数字媒体”)指的是包括数字媒体的文件。具体来说,数字媒体项包括数字图像、数字音频或数字视频文件。例如,术语“数字媒体”包括具有以下文件扩展名的数字图像:JPG、TIFF、BMP、PNG、RAW或PDF。类似地,“数字媒体”包括具有以下文件扩展名的数字视频:FLV、GIF、MOV、QT、AVI、WMV、MP4、MPG、MPEG或M4V。
如本文所使用的,术语“数字媒体群集”(或“群集”或“数字媒体项的群集”)指的是一组一个或更多个数字媒体项。具体来说,数字媒体群集可以包括具有公共特性的一组数字媒体项。例如,数字媒体群集可以包括描绘公共对象、人物、动作或位置的数字媒体项;它们共享公共时间特性(例如,在同一天或同一时间段被捕获);和/或共享公共的颜色方案或情绪(mood)。
此外,如本文所使用的,术语“数字媒体的储存库”是指多个数字媒体项的集合。具体来说,数字媒体的储存库可以包括数字媒体项的存储器、数据库或日志。例如,数字图像的储存库可以包括客户端设备上的相机胶卷(camera roll)。类似地,存储在客户端设备上的数字图像储存库可以包括反映在第三方服务器上管理(例如存储)的其他数字媒体项的缩略图的集合。
如上所述,数字媒体聚类系统还可以建议“短时数字内容”。如本文所使用的,“短时数字内容”(或“短时数字内容项”)是指关于一个或更多个客户端设备临时创建和/或分发的数字内容。具体来说,短时数字内容可以包括经由网络系统分发到客户端设备,但是在触发事件之后(例如,从分发客户端设备、接收方客户端设备或公共服务器)被隐藏、移除和/或删除的数字媒体项。
如所讨论的,数字媒体聚类系统可以在生成数字媒体群集时分析用户的网络账户的网络分发历史。如本文所使用的,术语“网络分发历史”指的是先前经由网络系统分发的数字内容。具体来说,网络分发历史可以包括数字媒体、电子消息、社交媒体帖子或(例如,由用户或用户的网络账户)经由网络系统分发的其他数字内容。例如,网络分发历史可以包括用户对社交网络系统的先前帖子,包括对应于先前帖子的数字媒体项、标题、标签(hashtag)或评论。
如本文所使用的,术语“网络账户”指的是对应于多用户计算机系统(例如,网络系统,如下面结合图14、图15所述)的用户的许可、信息和数据的集合。具体来说,网络账户可以包括与网络系统的用户相对应的许可(例如,访问内容的权利)、电子通信、帖子、与其他用户的关连(connection)(例如,社交网络系统上的“朋友”)的集合。如下文更详细描述的,单个用户可以有具有多个账户,该多个账户具有不同的许可、目的和数据(例如,用于向第一组用户分发关于宠物的数字内容的第一账户和用于向第二组用户分发关于家庭的数字内容的第二账户)。
在一些实施例中,数字媒体聚类系统为每个用户和/或网络账户维护网络简档。如本文所使用的,“网络简档”包括关于用户和/或网络账户的数据集合(根据用户隐私设置和偏好)。例如,网络简档可以包括关于用户的网络分发历史、用户偏好、交互历史(例如,点击、评论、查看、反应(reaction))、位置和/或人口统计信息。
如所讨论的,数字媒体聚类系统可以利用分发分类模型基于网络分发历史为用户/账户生成分发类别。如本文所使用的,术语“分发类别”指的是对应于分发数字内容的用户或网络账户的类别或种类。具体来说,分发类别可以包括网络账户、用户或数字媒体项的分类(来自多个分类)。例如,预测的分发类别可以包括用户/网络账户的预测分类(或者用户/网络账户将要分发的未来电子消息的预测分类)。举例而言,数字媒体聚类系统可以确定网络账户对应于“运动(sports)”类别,其中未来电子消息有可能包括描绘运动的数字媒体项。类似地,数字媒体聚类系统可以确定网络账户对应于“动物(animal)”类别,其中未来电子消息有可能包括描绘动物的数字媒体项。
另外,如本文所使用的,术语“分发分类模型”指的是用于生成分发类别的计算机算法。具体来说,分发分类模型可以包括基于网络分发历史预测分发类别的机器学习模型。如本文所使用的,术语“机器学习模型”指的是可以从数据中学习并对数据进行预测的计算机算法。一般来说,机器学习可以通过从示例输入(诸如训练网络分发历史)构建模型来进行运算,以做出数据驱动的预测或决策。机器学习模型可以包括一个或更多个神经网络。
如本文所使用的,术语“神经网络”指的是机器学习模型,其可以基于输入来调整(例如,训练)以逼近未知函数。具体来说,术语神经网络可以包括互连的神经元的模型,该模型基于提供给模型的多个输入进行通信和学习以逼近复杂函数并生成输出。例如,术语神经网络包括实现深度学习技术的算法(或一组算法),该深度学习技术利用一组算法来使用监督数据(supervisory data)(例如,转录训练数据(transcription training data))对数据中的高级抽象建模,以调整神经网络的参数。例如,神经网络可以包括卷积神经网络、循环神经网络(例如,LSTM)或对抗神经网络(例如,生成式对抗神经网络)。
现在将结合描绘数字媒体聚类系统的示例实施例和实现方式的说明性附图来提供关于数字媒体聚类系统的附加细节。例如,图1示出了示例环境100的一个实施例的示意图,数字媒体聚类系统108可以在该环境100中操作。如图所示,环境100包括经由网络104连接到多个客户端设备102a-102n的一个或更多个服务器106(其示例将在下面参考图13更详细地描述)。
尽管图1示出了客户端设备102a-102n、网络104和服务器106的特定布置,但是各种附加的布置也是可能的。例如,客户端设备102a-102n可以绕过网络104直接与服务器106通信。或者可替代地,客户端设备102a-102n可以彼此直接通信。
类似地,尽管图1的环境100被描绘为具有各种部件,但是环境100可以具有附加的或替代的部件。例如,环境100可以在具有数字媒体聚类系统108的单个计算设备上实现。具体来说,数字媒体聚类系统108可以全部或部分地在客户端设备102a上实现。
如图所示,环境100可以包括服务器106。服务器106可以生成、存储、接收和传输各种类型的数据,包括分发类别或所选的数字媒体项。例如,服务器106可以从客户端设备(诸如客户端设备102a)接收数据,并将该数据发送到另一客户端设备(诸如客户端设备102b、102c和/或102n)。服务器106还可以在环境100的一个或更多个用户之间传输电子消息。在一个示例实施例中,服务器106是数据服务器。服务器106还可以包括通信服务器或网络托管服务器(web-hosting server)。下面将参考图12讨论关于服务器106的附加细节。
如图所示,在一个或更多个实施例中,服务器106可以包括或实现网络系统110和/或数字媒体聚类系统108的全部或一部分。网络系统110可以包括社交网络系统或数字通信网络系统。下面(例如,结合图14和图15)提供了关于网络系统110的附加细节。
网络系统110和/或数字媒体聚类系统108可以包括运行在服务器106上的应用,或者一部分可以从服务器106被下载。例如,数字媒体聚类系统108可以包括网络托管应用,该网络托管应用允许客户端设备102a-102n与服务器106处托管的内容进行交互。举例而言,在环境100的一个或更多个实施例中,一个或更多个客户端设备102a-102n可以访问服务器106支持的网页。具体来说,客户端设备102a可以运行web应用(例如,web浏览器),以允许用户访问、查看服务器106处托管的网页或网站,和/或与服务器106处托管的网页或网站进行交互。
如上所述,在一个或更多个实施例中,客户端设备102a-102n存储数字媒体的储存库。数字媒体聚类系统108可以利用服务器106和客户端设备102a-102n来建议数字媒体群集,并经由网络系统110向其他用户分发选定的数字媒体项。例如,数字媒体聚类系统108可以利用服务器106通过分析网络账户的网络分发历史来生成分发类别。数字媒体聚类系统108可以将分发类别从服务器106传输到客户端设备102a,并且利用客户端设备102a生成所建议的数字媒体群集。具体地,客户端设备102a可以分析数字媒体项的储存库,生成一组数字媒体群集,并基于来自服务器106的分发类别选择要建议的数字媒体群集。基于用户从所建议的数字媒体群集中选择的数字媒体项,客户端设备102a可以将数字媒体项传输到服务器106,以用于经由网络系统110分发到客户端设备102b、102n。
如刚刚描述的,数字媒体聚类系统108可以全部或部分地由环境100的各个元素102a-106实现。应当理解,尽管在前面的示例中关于环境100的特定元素描述了数字媒体聚类系统108的某些部件或功能,但是各种替代实现方式是可能的。例如,在一个或更多个实施例中,在客户端设备102a上实现数字媒体聚类系统108。类似地,在一个或更多个实施例中,可以在服务器106上实现数字媒体聚类系统108。此外,数字媒体聚类系统108的不同部件和功能可以在客户端设备102a-102n、服务器106和网络104之间单独实现。
如上所述,数字媒体聚类系统108可以利用分发分类模型和/或媒体群集模型来生成所建议的数字媒体群集。具体来说,图2示出了根据一个或更多个实施例生成所建议的数字媒体群集。具体地,图2示出了数字媒体聚类系统,该数字媒体聚类系统使用分发分类模型208基于对应于用户简档202的网络分发历史204来生成建议的数字媒体群集216。
如图2所示,数字媒体聚类系统访问包括网络分发历史204的用户简档202。具体地,用户简档202包括关于对应于用户(例如,网络系统110的用户)的网络账户的细节。例如,网络分发历史204指示经由网络系统110从对应于用户的网络账户分发的先前数字内容,诸如社交网络帖子。
如图2所示,网络分发历史204还包括先前经由网络系统110分发的短时数字内容206。例如,短时数字内容206可以包括由用户/用户账户分发的社交网络帖子或其他电子通信,其在触发事件之后被自动移除。下面(例如,结合图4)提供了关于短时数字内容的附加细节。
如图2所示,数字媒体聚类系统108通过分发分类模型208分析网络分发历史。分发分类模型208可以包括一个或更多个机器学习模型(和/或启发式模型)。例如,分发分类模型208可以包括面部识别模型(以根据网络分发历史204识别数字媒体中描绘的个人)和对象识别模型(以根据网络分发历史204识别数字媒体中描绘的对象)。此外,分发分类模型208可以包括基于网络分发历史来识别分发类别的分类模型。下面(例如,结合图3-图6)提供了关于分发分类模型208的附加细节。
如上所述,数字媒体聚类系统108可以分析数字媒体储存库以建议数字媒体群集。具体地,如图2所示,数字媒体聚类系统108分析客户端设备102a处的数字媒体储存库210。数字媒体储存库210包括数字媒体项212(例如,由客户端设备102a捕获的数字图像和数字视频)。数字媒体聚类系统108利用媒体群集模型214分析数字媒体储存库210。
媒体群集模型214可以包括各种机器学习模型(和/或启发式模型)。例如,媒体群集模型214可以包括面部识别模型(以识别数字媒体项212中描绘的个人)和对象识别模型(以识别数字媒体项212中描绘的对象)。此外,媒体群集模型214可以包括用于对数字媒体项进行分组的机器学习模型。例如,媒体群集模型214可以基于数字媒体项212的公共特性来生成数字媒体群集。下面(例如,结合图3-图6)提供了关于媒体群集模型214的附加细节。
如图2所示,数字媒体聚类系统108可以基于分发分类模型208和媒体群集模型214生成建议的数字媒体群集216。例如,数字媒体聚类系统108可以根据由分发分类模型208生成的分发类别来分析由媒体群集模型214生成的数字媒体群集,以生成建议的数字媒体群集216。
结合图2,数字媒体聚类系统108分析数字媒体储存库210,并在客户端设备102a上展示建议的数字媒体群集216。因此,数字媒体聚类系统108可以分析数字媒体储存库210,生成建议的数字媒体群集216,并显示建议的数字媒体群集216,而不从客户端设备102a传输关于数字媒体储存库210的信息。在一些实施例中,凭借用户的适当许可,数字媒体聚类系统108还可以利用网络分发历史204在远程服务器处分析数字媒体储存库210,以生成所建议的数字媒体项。
现在转向图3,根据一个或更多个实施例,提供了关于生成所建议的数字媒体群集和分发数字媒体项的附加细节。具体地,图3示出了服务器106存储网络分发历史302,并且客户端设备102(a)存储数字媒体储存库308。数字媒体聚类系统108利用服务器106来生成预测的分发类别304并将其传输给客户端设备102a。数字媒体聚类系统108利用客户端设备102a来分析数字媒体储存库308和预测的分发类别208,以生成建议的数字媒体群集316。此外,数字媒体聚类系统108利用客户端设备102a和服务器106将用户选择的数字媒体项(例如,经由网络系统110)分发到其他客户端设备。
如图3所示,数字媒体聚类系统108利用分发分类模型208来生成预测的分发类别304(或多个预测的分发类别)。分发分类模型208可以包括各种单独的机器学习模型(和/或启发式模型)。例如,在一个或更多个实施例中,分发分类模型208包括卷积神经网络。具体来说,分发分类模型208可以包括卷积神经网络,该卷积神经网络包括在不同抽象级别分析网络分发历史302的特征的多个神经网络层。例如,分发分类模型208可以包括多个互连的卷积层、池化层(pooling layer)、ReLu层和完全连接的层。
数字媒体聚类系统108可以将网络分发历史302转换成与分发分类模型208的输入兼容的形式。例如,数字媒体聚类系统108可以生成反映网络分发历史302的输入特征向量。例如,数字媒体聚类系统108可以将数字媒体项、文本或先前电子通信的其他内容(例如,社交网络帖子)转换成特征向量。例如,数字媒体聚类系统108可以生成包括数字媒体中的各个像素的R、G、B颜色通道的特征向量。类似地,数字媒体聚类系统108可以生成文本的向量表示,诸如各个文本字符的独热编码(one-hot encoding)。在一些实施例中,数字媒体聚类系统108生成反映文本语义的语义向量表示。例如,数字媒体聚类系统108可以应用词转向量算法(word to vector algorithm),该算法将文本输入映射到语义特征空间,其中语义特征空间内的位置反映了文本的相对含义。数字媒体聚类系统108还可以生成反映历史分发定时(例如,历史分发的频率或时间)的特征向量。
分发分类模型208可以分析根据网络分发历史302生成的输入,以生成预测的分发类别304。具体地,在分发分类模型208包括卷积神经网络的情况下,各个层可以将学习到的权重和参数(通过训练迭代学习到的权重和参数)应用于输入特征,以准确地确定用户在未来电子通信中可能会选择的预测的分发类别。下面(例如,结合图6)提供了关于训练分发分类模型208的附加信息。
尽管一些前述示例将分发分类模型208的实现方式描述为卷积神经网络,但是在一些实施例中,数字媒体聚类系统108利用附加的或替代的机器学习模型。例如,在一些实施例中,数字媒体聚类系统108将分发分类模型208实现为循环神经网络,诸如长短期记忆神经网络(“LSTM”)。具体地,分发分类模型208可以利用循环神经网络,该循环神经网络包括被划分为顺序元素的层,这些顺序元素以顺序的次序分析项目。这些顺序元素可以一起分析顺序输入数据以及来自先前顺序元素的特征向量,以生成预测。以这种方式,分发分类模型208可以考虑数据中的顺序趋势。
举例而言,分发分类模型208可以分析随着时间的推移从网络账户分发的数字内容,作为循环神经网络的顺序输入。循环神经网络的每个顺序元素可以分析各个分发,预测分发类别,并将关于先前分发的定时和内容的特征向量传递给其他顺序层。以这种方式,基于先前分发的顺序定时和结构,分发分类模型208可以学习来预测网络账户随时间推移的分发类别。例如,分发分类模型208可以学习到网络账户在星期六发布与“户外(outdoor)”类别相关的帖子,但是在星期五发布与“朋友(friend)”类别相关的帖子。类似地,分发分类模型208可以学习到网络账户在第二天用“自画像(self-portrait)”类别帖子跟帖(follow)“朋友”类别帖子。
除了循环神经网络之外,数字媒体聚类系统108还可以利用其他机器学习模型来实现分发分类模型208。例如,数字媒体聚类系统108可以利用对抗神经网络、决策树、随机森林算法、朴素贝叶斯算法(bayes algorithms)和/或支持向量机来生成预测的分发类别304。
分发分类模型208还可以包括其他机器学习模型,以帮助生成预测的分发类别。例如,分发分类模型208可以包括面部识别模型和/或对象识别模型。举例而言,分发分类模型208可以包括你只需看一次(you-only-look-once,“YOLO”)对象检测模型或识别数字媒体中描绘的对象的另一对象分类器。类似地,分发分类模型208可以包括面部识别算法,诸如DeepFace,其采用九层神经网络来识别数字媒体中描绘的人脸。
在一些实施例中,分发分类模型208利用在来自网络分发历史302的数字媒体中识别的对象和个人来确定预测的分发类别304。例如,数字媒体聚类系统108可以将识别的对象和个人作为输入提供给神经网络(例如,上述卷积神经网络或循环神经网络)。然后,神经网络基于识别的对象和个人生成预测的分发类别304。
在一些实施例中,分发分类模型208可以利用启发法(heuristics)(或预定义的规则)来确定分发类别。例如,分发分类模型208可以通过对来自网络分发历史302的数字媒体中描绘的识别的对象和/或个人应用启发法来确定预测的分发类别304。例如,一旦识别出阈值数量的描绘狗的数字媒体,分发分类模型208就可以确定预测的分发类别“狗(dog)”。类似地,一旦识别出阈值数量的描绘山或水的数字媒体,分发分类模型208就可以确定预测的分发类别“自然(nature)”。
类似地,分发分类模型208可以分析文本(例如,标签、标题或评论)以确定预测的分发类别304。例如,分发分类模型208可以从标签中识别出用户重复分发关于热门挑战(例如,#冰桶挑战(#icebucketchallenge))或旅行(例如,#加利福尼亚(#california))的内容。分发分类模型208可以根据该文本确定预测的分发类别304(例如,生成“挑战(challenge)”类别或“旅游(travel)”类别)。
如前述示例所示,数字媒体聚类系统108可以将各种不同的类别用于预测的分发类别304。在一些实施例中,数字媒体聚类系统108从一组预定义的类别中生成预测的分发类别304。例如,预定义的类别可以包括动物类别(例如,狗、猫、宠物或马)、户外/自然类别(例如,山、湖、徒步旅行、爬山)、运动类别(例如,篮球、足球或高尔夫)、食物类别、挑战类别、旅行/旅游类别、朋友类别、假日类别或自画像类别(例如,前置摄像头或“自拍(selfie)”类别)。在一些实施例中,预定义的类别包括基于定时定义的类别。例如,数字媒体聚类系统108可以利用“这一天的照片(photos on this day)”类别(例如,针对重复发布来自前几年同一天的历史照片的账户),和/或“当时和现在类别(then and now class)”(例如,针对发布描绘不同时间段内的位置或人的数字媒体的账户),和/或本文描述的任何其他分发类别。在一些实施例中,一组预定义的分发类别可以包括一个或更多个情绪或颜色类别。例如,数字媒体聚类系统108可以确定网络账户分发具有特定情绪或颜色的数字内容(例如,颜色简档)。
如图3所示,分发分类模型208可以分析网络分发历史302并生成预测的分发类别304(例如,来自多个预测的分发类别)。在一些实施例中,分发分类模型208针对一组分发类别,生成相对的排名(例如,置信度分数)。例如,在分发分类模型208包括卷积神经网络的情况下,分发分类模型208可以输出每个可能的分发类别的概率(例如,置信度分数)。分发分类模型208还可以对可能的分发类别进行排名,并基于该排名选择预测的分发类别304(例如,选择最高排名的分发类别或满足置信度阈值的分发类别)。尽管图3示出了单个预测的类别304,但是数字媒体聚类系统108可以生成多个预测的分发类别。例如,在一些实施例中,数字媒体聚类系统108提供多个分发类别的(例如,根据对应置信度分数)排名。
如图3所示,数字媒体聚类系统108可以向客户端设备102a提供预测的分发类别304(或一组已排名的预测的分发类别)。客户端设备102a可以分析预测的分发类别304以及数字媒体储存库308,以生成建议的数字媒体群集316(或多个建议的数字媒体群集)。
具体地,如图所示,数字媒体聚类系统108利用媒体群集模型214分析客户端设备102a处的数字媒体储存库308。类似于分发分类模型208,媒体群集模型214可以包括各种机器学习模型。例如,媒体群集模型214可以包括k均值聚类算法(或其他聚类/分组算法),该算法考虑了各种不同输入特征并且生成数字媒体群集。例如,媒体群集模型214可以包括基于时间、数字媒体中描绘的个人和/或数字媒体中描绘的对象来生成群集的k均值聚类算法。
媒体群集模型214还可以包括面部识别算法和/或对象识别算法(如上所述)。例如,媒体群集模型214可以利用面部识别算法和/或对象识别算法来生成数字媒体储存库308中的媒体项的特征。媒体群集模型214然后可以利用聚类算法来基于特征生成群集。因此,例如,媒体群集模型214可以生成数字媒体群集,该数字媒体群集对数字媒体中描绘的公共个人(例如,数字图像中描绘的同一组朋友)进行分组。媒体群集模型214可以生成数字媒体群集,该数字媒体群集对数字媒体中描绘的公共对象进行分组(例如,对数字图像中描绘的狗进行分组)。媒体群集模型214还可以基于数字图像被捕获的时间来生成媒体群集。
在其他实施例中,媒体群集模型214可以包括其他机器学习模型,诸如上述神经网络。例如,在一些实施例中,媒体群集模型214可以包括卷积神经网络,该卷积神经网络对数字媒体种类进行分类(相对于一组预定义的种类)。媒体群集模型214然后通过基于种类对数字媒体进行分组来生成群集。
类似于上面结合分发分类模型208描述的动作,数字媒体聚类系统108可以从数字媒体储存库308生成输入特征。举例而言,数字媒体聚类系统108可以生成反映数字媒体储存库308中数字媒体项的视觉外观的颜色通道(例如,R、G、B图(map))。此外,数字媒体聚类系统108可以对捕获时间、捕获位置或来自数字媒体的其他元数据进行编码(例如,通过生成包括时间、日期和地理坐标的特征向量)。数字媒体聚类系统108然后可以将该数据作为输入提供给媒体群集模型214。
如上所述,数字媒体聚类系统108还可以生成其他特征作为输入。例如,数字媒体聚类系统108可以应用面部识别算法和/或对象识别算法来确定数字媒体中描绘的个人、对象或位置。
媒体群集模型214可以分析反映数字媒体储存库308的特征表示,并确定对应于每个数字媒体项的种类。例如,通过对卷积神经网络的内部参数应用学习的权重和参数,媒体群集模型214可以确定第一数字媒体项对应于动物种类,第二数字媒体项对应于运动种类,并且第三数字媒体项对应于旅行种类。
在一些实施例中,数字媒体聚类系统108可以确定单个数字媒体项对应于多个种类。例如,数字媒体聚类系统108可以确定描绘徒步旅行分组的数字图像对应于“朋友”种类和“户外”种类。事实上,媒体群集模型214可以为多个预定义种类生成置信度分数,并且基于置信度分数来分配媒体项(例如,将媒体项分配给满足置信度阈值的任何种类)。
除了k均值聚类和卷积神经网络之外,数字媒体聚类系统108还可以利用其他机器学习模型。例如,数字媒体聚类系统108可以将媒体群集模型214实现为生成式神经网络(generative neural network)、循环神经网络、随机森林算法、支持向量机和/或本文描述的另一种机器学习方法。
此外,媒体群集模型214可以包括一个或更多个启发式模型来识别群集。例如,媒体群集模型214可以通过应用对应于数字媒体项的数量、时间和位置的启发法来识别“旅行(trip)”群集。举例而言,媒体群集模型214可以识别在特定位置在一段时间内的数字图像的增加的数量或百分比。作为响应,媒体群集模型214可以将数字图像识别为“旅行”群集。
类似地,媒体群集模型214可以应用关于数字图像中描绘的对象或个人的启发法来识别群集。例如,媒体群集模型214可以识别描绘动物的一组数字图像,并将该组数字图像包括在“动物”群集中。类似地,媒体群集模型214可以识别具有大量个人的一组数字图像,并将这些数字图像包括在“朋友”群集中。
在一些实施例中,媒体群集模型214可以推断数字媒体项中描绘的个人之间的关系。例如,媒体群集模型214可以识别朋友和/或家庭关系。举例而言,在一些实施例中,客户端设备102a包括网络系统110上的“朋友”(例如,具有访问和/或分享数字内容的共享许可的关连用户)的缩略图图像。媒体群集模型214可以利用面部识别算法,将来自缩略图图像的视觉特征与数字媒体储存库308的视觉特征匹配。媒体群集模型214然后可以识别包括“朋友”群集中的这些视觉特征(例如,朋友的面部)的图像。以这种方式,数字媒体聚类系统108可以在没有用户的任何朋友的任何敏感识别信息(例如,姓名或ID)的情况下识别“朋友”群集。
如图3所示,数字媒体聚类系统108利用媒体群集模型214,基于数字媒体储存库308生成媒体项群集312。数字媒体聚类系统108然后利用数字媒体群集选择模型314,基于预测的分发类别304和媒体项群集312,生成建议的数字媒体群集316。具体地,数字媒体群集选择模型314将(如在客户端设备102a处生成的)反映数字媒体储存库308的媒体项群集与(如在服务器106处生成的)反映网络分发历史410的预测的分发类别304对齐,以生成建议的数字媒体群集。通过利用预测的分发类别304和媒体项群集,数字媒体群集选择模型314可以生成建议的数字媒体群集316,以准确地反映网络账户用户有可能在未来电子通信中分发的客户端设备上的数字媒体。
如图所示,数字媒体群集选择模型314可以将媒体项群集312与预测的分发类别304进行比较,以生成建议的数字媒体群集316。例如,如上所述,预测的分发类别304可以包括“宠物(pet)”类别。此外,媒体项群集312可以包括“宠物”类别、“运动”群集和“户外”类别。数字媒体群集选择模型314可以确定“宠物”类别和“宠物”群集之间的对应关系,并选择宠物群集作为建议的数字媒体群集316。
如前述示例所示,在一些实施例中,媒体群集模型214使用的种类/群集直接匹配分发分类模型208使用的分发类别。例如,分发分类模型可以利用一组预定义的分发类别,包括动物类别、运动类别和户外类别。类似地,媒体群集模型214可以利用包括动物种类/群集、运动种类/群集和户外种类/群集的数字媒体种类。
在一些实施例中,媒体群集模型214使用的种类/群集不直接匹配分发分类模型208使用的分发类别。相反,数字媒体聚类系统108可以利用数字媒体群集选择模型314来智能地将分发分类与预测的分发类别304对齐。例如,预测的分发类别可以指示所讨论的网络账户是运动账户。由媒体群集模型214生成的媒体项群集312可以包括食物群集、户外群集和锻炼群集。数字媒体群集选择模型314可以利用将分发类别与数字媒体群集关联的一个或更多个启发法。例如,数字媒体群集选择模型314可以包括指示运动账户与户外和锻炼相关的启发法。因此,数字媒体群集选择模型314可以选择户外群集和锻炼群集作为建议的数字媒体群集。
数字媒体聚类系统108还可以在生成建议的数字媒体项时考虑数字媒体质量和组成。例如,在一些实施例中,数字媒体聚类系统基于质量(例如,清晰度或模糊度)和组成(例如,视觉元素的排列)来选择(例如,过滤)数字媒体项。举例而言,在数字媒体储存库包括大量相似数字图像的情况下,数字媒体聚类系统108可以基于质量和组成(例如,阈值数量或阈值质量/组成水平)过滤相似数字图像。数字媒体聚类系统108然后可以仅建议选择的/未被过滤掉的数字媒体项。
此外,如上所述,在一些实施例中,预测的分发类别304被提供给客户端设备102a,作为多个预测分发类别的排名(例如,基于各个分发类别的置信度分数)。数字媒体群集选择模型314可以利用该排名(例如,置信度分数)来生成建议的数字媒体群集316。例如,考虑一种情况,其中预测的分发类别包括以下排名(和置信度分数):宠物类别(0.8)、当时和现在类别(0.75)和旅行类别(0.65)。此外,媒体项群集包括食物群集、旅行群集、锻炼群集以及当时和现在群集。基于分发类别的排名和置信度分数,数字媒体群集选择模型314可以利用宠物群集(即,对应于最高排名的预测分发类别的群集)作为建议的数字媒体群集316。
尽管图3(以及前述示例)指示了单个建议的数字媒体群集316,但是数字媒体群集选择模型314也可以生成多个建议的数字媒体群集。事实上,数字媒体聚类系统108可以生成预定义数量的建议的数字媒体群集或可变数量的建议的数字媒体群集(例如,满足置信度阈值的群集)。举例而言,在前述基于置信度分数的不同排名的示例中,数字媒体群集选择模型314可以选择满足0.7的置信度阈值的群集。在这样的示例中,数字媒体群集选择模型314将选择“宠物”群集(置信度分数为0.8)和“当时和现在”群集(置信度分数为0.75)作为建议的数字媒体群集。
一旦识别出建议的数字媒体群集316,数字媒体聚类系统108可以提供建议的数字媒体群集316用于显示。例如,数字媒体聚类系统108可以提供数字媒体群集316,用于在用户界面中显示,以选择和分发数字媒体项以经由网络系统110分发。下面(例如,结合图7-图9C)提供了关于数字媒体聚类系统108所使用的示例用户界面的附加细节。
如图3所示,数字媒体聚类系统108可以识别用户选择的数字媒体项318。具体来说,基于用户与数字媒体选择用户界面的交互,数字媒体聚类系统108可以从一个或更多个建议的数字媒体群集中识别一个或更多个用户选择的数字媒体项。
此外,如图所示,数字媒体聚类系统108可以传输用户选择的数字媒体项318。具体来说,客户端设备102a可以向服务器106发送用户选择的数字媒体项318,并且服务器106(经由网络系统110)可以将用户选择的数字媒体项318分发到其他客户端设备(例如,客户端设备102b、102n)。例如,服务器可以将数字媒体项作为电子通信的一部分分发给网络系统110的其他用户。
如上所述,数字媒体聚类系统108还可以分析和建议短时数字内容项。图4示出了利用服务器106和客户端设备102a来建议短时数字内容项。例如,图4示出了数字媒体聚类系统108利用服务器106来分析在客户端设备102a上生成的短时数字内容402,生成建议的短时数字内容群集416,并且提供建议的短时数字内容群集416以及其他建议的数字媒体群集(例如,建议的数字媒体群集316)。
如图4所示,数字媒体聚类系统108生成短时数字内容402。例如,数字媒体聚类系统108(经由客户端设备102a)可以捕获数字图像或数字视频,并将数字图像或数字视频包括作为短时电子消息(例如,被指定为在触发事件时被自动删除、移除或隐藏的电子消息)的一部分。
如图所示,数字媒体聚类系统108可以将短时数字内容402从客户端设备102a传输到服务器106。此外,服务器106(经由网络系统110)可以将短时数字内容402分发到其他客户端设备。例如,数字媒体聚类系统108可以在社交网络系统上将短时数字内容402作为临时动态(story)发布,或者将短时数字内容作为即时消息传输给其他客户端设备。
数字媒体聚类系统108还可以移除短时数字内容。例如,如图所示,数字媒体聚类系统108可以从客户端设备102a删除、移除或隐藏短时数字内容(例如,短时数字消息)。此外,数字媒体聚类系统108可以从其他公共源(例如,从其他客户端设备或公共服务器)删除、移除或隐藏短时数字内容。例如,响应于一个或更多个触发事件,数字媒体聚类系统108可以自动移除短时数字内容。例如,响应于检测到接收方客户端设备已经显示了短时数字内容,数字媒体聚类系统108可以从接收方客户端设备移除短时数字内容。类似地,基于阈值时间段,数字媒体聚类系统108可以移除或隐藏短时数字内容。例如,数字媒体聚类系统108可以在阈值时间段内发布短时数字内容(例如,作为短时动态)作为社交网络系统的一部分,然后当该时间段过去时移除该短时数字内容。
尽管数字媒体聚类系统108可以根据消费者隐私设置和保留偏好(retentionpreferences),从一个或更多个客户端设备(或其他面向公共的资源)删除或移除数字内容,但是数字媒体聚类系统108也可以(例如,在服务器106上)保留短时数字内容的副本。例如,根据用户隐私设置和保留偏好,数字媒体聚类系统108可以保留先前分发的短时数字内容作为用户/网络账户的网络分发历史410的一部分。此外,如图4所示,数字媒体聚类系统108可以在向用户的客户端设备建议短时数字内容时分析短时数字内容402。
例如,如图4所示,数字媒体聚类系统108利用服务器106来分析包括短时数字内容402的用户/网络账户的网络分发历史410。具体地,数字媒体聚类系统108利用分发分类模型414来分析网络分发历史410和短时数字内容402(连同对应于用户/网络账户的其他短时数字内容),以生成包括一个或更多个短时数字内容项的建议的短时数字内容群集416。分发分类模型414可以利用上述(例如,结合分发分类模型208和媒体群集模型214的)动作和算法来生成短时数字内容群集416。
与图3所示的数字媒体储存库(其存储在客户端设备102a上)相反,短时数字内容402已经根据用户指令和隐私设置被传输到服务器106。因此,数字媒体聚类系统108可以利用其他网络分发历史410分析短时数字内容402,以选择建议的短时数字内容群集416(即,并非使客户端设备和服务器之间的分析分开)。另外,数字媒体聚类系统108还可以分析存储在服务器106上的其他信息,诸如对应于用户在网络系统110上的关连(例如,朋友)的网络账户和网络分发历史。
在一些实施例中,服务器106可以将短时数字内容402提供给客户端设备102a进行分析(例如,作为图3所示的数字媒体储存库308的一部分进行分析)。因此,尽管图4示出了在服务器106上对短时数字内容402的分析,但是在一些实施例中,数字媒体聚类系统108在客户端设备102a上分析短时数字内容402,并生成建议的短时数字内容群集416。
结合图4所示的实施例,一旦生成建议的短时数字内容群集416,数字媒体聚类系统108向客户端设备102a提供建议的短时数字内容群集。反过来,数字媒体聚类系统108利用客户端设备102a来提供短时数字内容群集416以用于显示。如图4所示,数字媒体聚类系统108可以提供短时数字内容群集416连同其他建议的数字媒体。例如,数字媒体聚类系统108可以提供短时数字内容群集416连同建议的数字媒体群集316。
数字媒体聚类系统108还可以基于短时数字内容群集和/或建议的数字媒体群集316来分发数字媒体。例如,如图4所示,数字媒体聚类系统108识别用户选择的数字媒体项420。用户选择的数字媒体项420可以包括来自短时数字内容群集416的数字短时数字内容402和/或来自建议的数字媒体群集316的数字媒体项。数字媒体聚类系统108(经由客户端设备102a)向服务器106提供用户选择的数字媒体项420,并根据用户指令将用户选择的数字媒体项420分发到其他客户端设备。
如上所述,数字媒体聚类系统108可以基于网络分发历史在服务器106处生成分发类别和建议的短时数字内容。此外,数字媒体聚类系统108还可以基于网络分发历史来确定建议的数字媒体样式修改。图5示出了(在服务器106处)生成分发类别、建议的短时数字内容和样式修改以便(在客户端设备102a处)生成建议的数字媒体群集的示例实施例。
具体地,结合图5,数字媒体聚类系统108利用分发分类模型208来分析包括短时数字内容504的网络分发历史502。如结合图3和图4所描述的,分发分类模型208生成分发类别506a-506b(即,“狗”和“旅行”)和短时数字内容项506c(即,“短时内容l”)。
另外,数字媒体聚类系统108基于网络分发历史502生成建议的数字媒体样式修改506d。具体地,建议的数字媒体样式修改506d(即,“回力镖(Boomerang)”)包括将数字媒体项修改为重复向前和向后循环的简短视频表示。数字媒体聚类系统108基于分析网络分发历史并识别经由网络系统110分发的先前数字媒体项(其包括建议的数字媒体样式修改506d)来确定建议的样式修改。
数字媒体聚类系统108可以监测和跟踪各种建议的样式修改。例如,数字媒体聚类系统108可以监测各种过滤器的应用;质量校正;或者经由网络系统110分发的数字媒体项中的颜色、样式、质量(例如,修复不清楚的眼睛或模糊的区域)、色调(hue)或纹理的改变。数字媒体聚类系统108可以在网络分发历史502中包括这些修改。利用上面(结合图3、图4)描述的类似方法,分发分类模型208可以分析网络分发历史并生成建议的样式修改。例如,分发分类模型208可以利用LSTM神经网络来预测用户可能在未来的电子通信中应用于数字媒体项的一个或更多个样式修改。
如图5所示,数字媒体聚类系统108还利用媒体群集模型214来(在客户端设备102a处)生成多个数字媒体群集510。数字媒体群集510包括“这一天(this day)”群集(包括来自先前时间段中的这一天的数字媒体项)、“位置”群集(包括来自特定位置的数字媒体项)、“狗”群集(包括描绘狗的数字媒体项)、“假日”群集(包括假日的数字媒体项)、“朋友”群集(包括用户朋友的数字媒体项)、“自画像”群集(包括自拍)、“情绪”/“颜色”群集(包括具有公共颜色方案的数字图像)以及“旅行”群集(包括最近旅行的数字图像)。
数字媒体聚类系统108分析数字媒体群集510以及分发类别506a-506b、短时数字内容项506c和/或建议的数字媒体样式修改506d。如图所示,数字媒体群集选择模型314生成建议的数字媒体群集512a-512c。具体地,数字媒体群集选择模型314将分发类别506a-506b与数字媒体群集510进行比较,并识别分发类别506a(“狗”类别)和数字媒体群集510a(“狗”群集)之间的对应关系。此外,数字媒体群集选择模型314还识别分发类别506b(“旅行”类别)和数字媒体群集510b(“旅行”群集)之间的对应关系。作为响应,数字媒体聚类系统108利用数字媒体群集510a、510b来生成建议的数字媒体群集512a、512b。
然而,如图所示,数字媒体聚类系统108可以在生成建议的数字媒体群集512时修改由媒体群集模型214识别的数字媒体群集。例如,基于建议的数字媒体样式修改506d,数字媒体聚类系统108修改数字媒体群集510a以生成建议的数字媒体样式506d。具体地,数字媒体聚类系统108修改数字媒体群集510a中的一个或更多个数字媒体项,并利用建议的数字修改来变换一个或更多个数字媒体项(例如,使得数字媒体项现在是向前和向后重复播放的“回力镖”)。
尽管图5示出了生成特定的数字修改,但是数字媒体聚类系统108可以将任何建议的数字修改应用于数字媒体项。例如,数字媒体聚类系统108可以应用基于网络分发历史502识别的各种过滤器或校正。
此外,尽管图3-图5示出了为用户的特定网络账户和特定客户端设备生成建议的数字媒体群集,但是数字媒体聚类系统108可以为对应于用户的多个网络账户和用户的多个客户端设备生成建议的数字媒体群集。例如,数字媒体聚类系统108可以分析用户的第二网络账户的第二网络分发历史,以生成第二组分发类别。数字媒体聚类系统108可以将第二组分发类别与客户端设备处的数字媒体群集进行比较,并生成第二组建议的数字媒体群集(特定于第二网络账户)。
类似地,用户可以利用第二客户端设备(具有数字媒体项的附加储存库),并且数字媒体聚类系统108可以生成一组附加的建议数字媒体群集。例如,数字媒体聚类系统108可以分析数字媒体项的附加储存库,以生成一组附加的数字媒体群集。数字媒体聚类系统108可以分析具有分发类别(例如,预测的分发类别304)的一组数字媒体群集,以生成一组附加的建议数字媒体群集。类似地,随着数字媒体储存库改变(或基于第二数字媒体储存库),数字媒体聚类系统108可以生成进一步建议的媒体群集。因此,数字媒体聚类系统108可以为不同的用户、不同的网络账户、不同的客户端设备和/或不同的数字媒体储存库生成唯一的建议数字媒体群集。
在某些情况下,用户可能不希望看到一个或更多个建议的数字媒体项。例如,如果建议的数字媒体项描绘了丢失的宠物,则用户可能不希望在未来的建议中看到该数字媒体项。在一些实施例中,数字媒体聚类系统108提供用户反馈控制来移除数字媒体项或几种类型的数字媒体项。在经由用户反馈控制接收到用户交互时,数字媒体聚类系统108可以从未来的建议中移除数字媒体项和类似的数字媒体项。
为了减少生成建议的数字媒体项的时间和计算能力,数字媒体聚类系统108可以将其分析限于特定的数字媒体项。例如,在生成数字媒体群集之后,数字媒体聚类系统108可以将其分析限于新的数字内容(例如,将新的数字内容添加到先前由数字媒体聚类系统108生成的群集,而不是重新分析整个数字内容储存库)。类似地,数字媒体聚类系统108可以在用户访问数字内容以传输到其他客户端设备之前预先(例如,在幕后)生成建议的数字媒体项。例如,在在客户端设备处启动网络系统应用时,数字媒体聚类系统108可以分析数字媒体项的储存库并生成建议的媒体项。然后,数字媒体聚类系统108可以在稍后的时间(例如,当用户访问相机胶卷时)展示建议的媒体项。
如上所述,数字媒体聚类系统108可以训练分发分类模型以生成预测的分发类别。图6示出了根据一个或更多个实施例训练分发分类模型208。具体地,图6示出了基于训练网络分发历史602和基本事实(ground truth)分发类别606来训练分发分类模型208。
数字媒体聚类系统108可以识别或生成训练网络分发历史602。例如,数字媒体聚类系统108可以监测用户与网络系统110的交互,以识别和/或生成训练网络分发历史602。举例而言,数字媒体聚类系统108可以识别经由网络系统110的网络账户提供的先前的帖子或电子通信。
如图2所示,数字媒体聚类系统108使用分发分类模型208分析训练网络分发历史602,以生成预测的分发类别604。例如,数字媒体聚类系统108可以分析网络账户的训练网络分发历史602,并预测指示“狗账户”的分发类别,该“狗账户”指示未来的帖子将有可能包括描绘狗的数字媒体项。
数字媒体聚类系统108可以访问基本事实分发类别606。基本事实分发类别606包括指示对应于用户账户的实际分发类别的观察数据。例如,基本事实分发类别606可以包括观察到的社交媒体帖子或电子通信,其包括训练账户在训练网络分发历史602之后实际分发的数字媒体项。例如,基本事实分发类别606可以包括户外图片的社交媒体帖子。类似地,基本事实分发类别606可以包括将网络账户识别为对应于特定类别的标签(label)(例如,用户标签)(例如,特定账户是“旅游日志”账户的用户选择)。此外,基本事实分发类别606可以包括负(negative)用户输入或正(positive)用户输入作为基本事实指示符(例如,经由用户反馈控制的指示不期望建议的数字媒体项的用户交互可以被用作负基本事实数据点)。
如图所示,数字媒体聚类系统108可以通过比较预测的分发类别604和基本事实分发类别606来训练分发分类模型208。具体地,数字媒体聚类系统108可以利用损失函数608来比较预测的分发类别604和基本事实分发类别606,并确定损失的度量(例如,预测和实际之间的差异)。基于损失的度量,数字媒体聚类系统108可以修改(如箭头610所示)分发分类模型208的内部参数。举例而言,数字媒体聚类系统108可以使损失的度量反向传播通过神经网络的层,以修改参数和权重,并减少预测的分发类别604和基本事实分发类别606之间的损失度量。
例如,针对预测的分发类别604“动物”和基本事实分发类别“户外”,数字媒体聚类系统108可以确定差异(例如,损失的度量)。然后,数字媒体聚类系统108可以修改分发分类模型208的内部参数,以减少损失的度量并更准确地预测分发类别。数字媒体聚类系统108可以重复执行图6所示的过程(例如,重复生成预测的分发类别并将预测的分发类别与基本事实分发类别进行比较),以训练分发分类模型208。
数字媒体聚类系统108可以对于媒体群集模型214执行类似的训练过程。例如,数字媒体聚类系统108可以用媒体群集模型214分析训练数字媒体储存库。媒体群集模型214可以预测一个或更多个媒体群集,并且数字媒体聚类系统108可以将预测的媒体群集与基本事实媒体群集(例如,由用户识别、批准或生成的媒体群集)进行比较。数字媒体聚类系统108可以通过类似地比较基本事实群集和预测的群集来训练媒体群集模型214。
这种训练方法适用于上面讨论的各种机器学习模型。例如,数字媒体聚类系统108可以利用图6中描述的方法训练卷积神经网络或LSTM神经网络。
如上所述,数字媒体聚类系统108可以生成用于显示建议的数字媒体项的一个或更多个用户界面。例如,图7示出了根据一个或更多个实施例的具有包括用户界面704的显示器702的计算设备700。用户界面704包括群集代表图像706(即,代表卡)以及包括多个数字媒体项的数字媒体显示区域716。
群集代表图像706对应于由数字媒体聚类系统108生成的建议的数字媒体群集。例如,群集代表图像706代表“面部”群集。基于用户与用户界面704的交互,数字媒体聚类系统108可以显示对应于各种建议的数字媒体群集的不同群集代表图像。例如,响应于滑动手势(swiping gesture),数字媒体聚类系统108可以在用户界面704中显示第二群集代表图像712。类似地,响应于相反方向上的滑动手势,数字媒体聚类系统108可以显示第三群集代表图像710和/或第四群集代表图像708。
每个群集代表图像706-712描绘来自相应的建议数字媒体群集的数字图像。数字媒体聚类系统108如上(例如,结合图2-图5)所述生成建议的数字媒体群集。具体地,数字媒体聚类系统108分析计算设备700上的数字媒体储存库和反映网络分发历史的分发类别,以确定多个建议的数字媒体群集。然后,数字媒体聚类系统108提供建议的数字媒体群集以显示为群集代表图像706-712。
数字媒体聚类系统108从相应的数字媒体群集内的数字媒体项中选择群集代表图像706。数字媒体聚类系统108可以利用多种方法来选择代表图像。在一些实施例中,数字媒体聚类系统108(例如,基于质量或组成)选择最高质量的数字图像作为群集代表图像。在一个或更多个实施例中,数字媒体聚类系统108基于置信度分数来选择群集代表图像(例如,来自媒体群集模型214的具有最高置信度分数的数字媒体项)。在一些实施例中,群集代表图像706随时间变化。例如,数字媒体聚类系统108可以循环遍历相应的数字媒体群集中的数字媒体项,并随时间顺序显示每个数字媒体项。
结合图7,群集代表图像706-712中的每一个也是可选择的用户界面元素。实际上,基于用户与群集代表图像706-712的交互,数字媒体聚类系统108可以在用户界面704中显示来自相应的数字媒体群集的数字媒体项。事实上,图7示出了在选择群集代表图像706时用户界面704的数字媒体显示区域716内的数字媒体项714a-714n。
群集代表图像706-712中的每一个还包括文本信息。具体地,群集代表图像706-712包括文本描述和与相应的数字媒体群集相关的一个或更多个标签。例如,群集代表图像706包括文本描述706a(“面部(face)”)和标签706b(#我(#me)、#自拍(#selfie)和#带我回去(#takemeback))。数字媒体聚类系统108可以基于各种因素来确定该文本信息。
例如,数字媒体聚类系统108可以从相应的群集中确定文本描述706a。例如,数字媒体聚类系统108可以根据群集的标题或描述符(或者对应于群集的分发类别的块或描述符)来确定文本描述“面部”。类似地,数字媒体聚类系统108可以基于在数字媒体中识别的对象(或数字媒体的时间或捕获位置)来确定文本描述706a。例如,对于特定时刻或旅行群集,数字媒体聚类系统108可以包括指示数字媒体被捕获的位置和日期(例如,旅行的日期范围)的文本。以这种方式,数字媒体聚类系统108生成文本描述706a-712a。
另外,数字媒体聚类系统108可以从预定义标签或对应于先前分发的数字内容的标签中确定标签706b。例如,数字媒体聚类系统108可以利用预定义的、用户生成的、映射到特定群集或种类的标签。在一些实施例中,数字媒体聚类系统108从应用于先前社交网络帖子的标签中确定标签。例如,系统识别与特定分发类别相关的阈值数量的特定标签(例如,来自多个网络账户),数字媒体聚类系统108可以利用基于分发类别选择的群集代表图像中的标签。在一些实施例中,数字媒体聚类系统108可以基于客户端设备的特定环境或情形来生成标签。例如,在检测到当前日是星期四时,数字媒体聚类系统108可以将标签“返回星期四(Throwback Thursday)”用于群集。以这种方式,数字媒体聚类系统108生成标签706b-712b。
如上所述,数字媒体聚类系统108可以提供建议的数字媒体群集以及建议的短时数字内容。图8A-图8B示出了根据一个或更多个实施例的用于显示建议的数字媒体群集和建议的短时数字内容的用户界面。具体地,图8A示出了具有显示器802的计算设备800,显示器802示出了用户界面804。用户界面804包括群集代表图像806和来自对应于群集代表图像806的数字媒体群集(例如,“面部”)的多个数字媒体项808。
用户界面804包括第一可选元素810(标记为“照片(Photos)”)和第二可选元素812(标记为“动态(Stories)”)。基于用户与第一可选元素810的交互,数字媒体聚类系统108提供一个或更多个建议的数字媒体群集用于显示。基于用户与第二可选元素812的交互,数字媒体聚类系统108提供一个或更多个建议的短时数字内容项用于显示。数字媒体聚类系统108还可以基于可替代用户交互(例如,用户界面804上的左滑动或右滑动)在数字媒体群集和短时数字内容项之间转变。
例如,图8B示出了在选择第二可选元素812(或左滑动手势)时的用户界面804。如图8B所示,用户界面804现在包括短时数字内容代表图像814。用户界面804还包括短时数字内容区域818中的多个短时数字内容项816a-816n。
利用用户界面804,数字媒体聚类系统108因此可以呈现各种建议的数字媒体项。此外,数字媒体聚类系统108可以允许用户滚动浏览和查看建议的数字媒体项。例如,数字媒体聚类系统108可以提供交互式时间线滚动元素(以跳到在特定日期或时间的数字媒体项)。基于用户与数字媒体项的交互(例如,压感触摸(force touch)或长选择手势),数字媒体聚类系统108还可以提供放大的数字图像以供查看。
如上所述,数字媒体聚类系统108还可以生成用于经由网络系统选择和分发数字内容的用户界面。例如,图9A示出了包括显示器902的客户端设备900,显示器902示出了用户界面904,该用户界面904包括群集代表图像906和多个数字媒体项908a-808n。如图所示,基于用户与数字媒体项908n的交互,数字媒体聚类系统108提供数字媒体项908n已经被用户选择(例如,被选择用于分发)的指示。
如图9B所示,在选择“下一个(Next)”用户界面元素时,数字媒体聚类系统108还生成用户界面910。用户界面910包括文本输入区域,用于用户输入文本912以作为数字消息的一部分。用户界面910还包括用于标记(tag)(例如,标记(flag)和通知)其他用户、添加在数字消息中识别的位置以及经由各种社交网络系统分享数字消息的元素。
在识别出希望分享数字通信的指示(例如,用户对“分享(Share)”用户界面元素的选择)之后,数字媒体聚类系统108分发所选择的数字媒体项。例如,数字媒体聚类系统108可以生成社交媒体帖子并提供社交网络帖子以供显示。具体来说,图9示出了数字媒体聚类系统108生成并提供显示社交媒体帖子920(例如,作为用户的网络账户的社交网络信息流(feed)的一部分)的用户界面914。如图所示,社交网络帖子包括数字媒体项908n和文本912。
尽管图9C示出了分发与社交网络帖子相关的数字内容,但是应当理解,数字媒体聚类系统108可以以各种替代方式分发数字内容。例如,数字媒体聚类系统108还可以经由私有消息将包括数字媒体的电子通信分发到另一个客户端设备(例如,经由通过网络系统110的即时消息)。类似地,数字媒体聚类系统108可以分发数字媒体作为短时电子通信。
现在转到图10,提供了关于根据一个或更多个实施例的数字媒体聚类系统108的部件和能力的附加细节。如图所示,数字媒体聚类系统108由服务器106和客户端设备102a实现。在其他实施例中,数字媒体聚类系统108的部件可以由单个设备(例如,服务器106或客户端设备102a)或未示出的其他设备(例如,客户端设备102b、102n)实现。
如结合图10所示,服务器106包括网络系统账户管理器1002、短时数字内容管理器1004、分发类别生成器1006、通信管理器1008和存储管理器1010(其包括网络系统简档1010a、网络分发历史1010b、分发分类模型1010c、训练数据1010d、分发类别1010e以及包括边1010g和节点1010h的社交图1010f)。此外,如图所示,客户端设备102a包括数字媒体聚类生成引擎1012、分发类别管理器1014、用户界面管理器1018、通信管理器1020和存储管理器1022(其包括数字媒体储存库1022a、数字媒体群集1022b和数字媒体群集模型1022c)。将依次提供关于部件1002-1022c中的每一个的附加细节。
网络系统账户管理器1002可以识别、生成、监测和/或管理网络账户。例如,网络系统可以为用户生成一个或更多个网络账户,并(根据隐私许可)生成关于网络账户的信息。例如,网络系统账户管理器1002可以识别被允许查看来自网络账户的数字内容或向网络账户分享数字内容的其他用户(例如,朋友)。网络系统账户管理器1002还可以监测由网络账户分发的数字内容,以生成网络分发历史。
短时数字内容管理器1004可以识别、生成、创建、发布、分发、移除、隐藏、删除和/或监测短时数字内容。如上所述,短时数字内容管理器1004可以共享短时数字内容,从一个或更多个客户端设备移除数字内容,记录短时数字内容和/或传输短时数字内容。
分发类别生成器1006可以创建、确定、识别和/或生成一个或更多个分发类别。如上所述,分发类别生成器1006可以分析网络分发历史以生成对应于网络账户的一个或更多个分发类别。通信管理器1008可以管理去往或来自服务器106的数字通信。例如,通信管理器1008可以向客户端设备102a传输分发类别。类似地,通信管理器1008可以从客户端设备102a接收数字内容,并将数字内容分发到其他客户端设备。
存储管理器1010在服务器106处维护数字媒体聚类系统108的数据。存储管理器1010可以维护执行数字媒体聚类系统108的功能所必需的任何类型、大小或种类的数据,包括网络系统简档1010a、网络分发历史1010b、分发分类模型1010c(例如,上述卷积神经网络或其他机器学习模型)、训练数据1010d(例如,用于训练机器学习模型的训练网络分发历史或其他训练数据)、分发类别1010e,以及包括边1010g和节点1010h的社交图1010f(关于社交图1010f、边1010g和节点1010h的附加细节在下面结合图14-图15提供)。
数字媒体群集生成引擎1012可以识别、创建和/或确定数字媒体群集。具体来说,数字媒体群集生成引擎可以分析数字媒体储存库1022a以生成数字媒体群集1022b。如上所述,数字媒体群集1022b可以包括共享公共特征的多组(groups)数字媒体项。
分发类别管理器1014可以识别分发类别。具体来说,分发类别管理器1014可以从服务器106接收分发类别。此外,分发类别管理器1014可以向数字媒体聚类选择器1016提供分发类别。就其而言,数字媒体聚类选择器1016可以识别、选择、确定和提供建议的数字媒体群集(例如,从由数字媒体群集生成引擎1012生成的数字媒体群集中选择建议的数字媒体群集)。如上所述,数字媒体聚类选择器1016可以分析(从服务器106接收的)分发类别以识别用户最有可能在未来电子通信中分发的建议的数字媒体群集。
用户界面管理器1018可以提供、管理和/或控制图形用户界面(或简称为“用户界面”)。具体来说,用户界面管理器1018可以通过由允许用户执行功能的多个图形部件、对象和/或元素组成的显示屏来生成和显示用户界面。用户界面管理器408可以呈现各种类型的信息,包括文本、数字媒体项、对应于数字媒体群集的代表数字图像、图像、视频、音频、账户或其他信息(例如,如以上结合用户界面704、804、904、910、914所示)。
通信管理器1020可以管理去往或来自客户端设备102a的数字通信。例如,通信管理器1020可以向服务器106传输所选择的数字媒体项(例如,用于经由网络系统发布)。类似地,通信管理器1008可以从服务器106接收分发类别。
存储管理器1022在客户端设备102a处维护数字媒体聚类系统108的数据。存储管理器1010可以维护执行数字媒体聚类系统108的功能所必需的任何类型、大小或种类的数据,包括数字媒体储存库1022a(例如,多个数字媒体项,诸如相机胶卷)、数字媒体群集1022b和数字媒体群集模型1022c。
部件1002-1022c可以包括软件、硬件或两者。例如,部件1002-1022c包括存储在计算机可读存储介质上并可由一个或更多个计算设备(诸如客户端设备或服务器设备)的处理器执行的一个或更多个指令。当由一个或更多个处理器执行时,计算设备1000的计算机可执行指令和/或数字媒体聚类系统108可以使计算设备执行本文描述的特征学习方法。可替代地,部件1002-1022c可以包括硬件,诸如执行某个功能或功能组的专用处理设备。可替代地,部件1002-1022c可以包括计算机可执行指令和硬件的组合。
此外,部件1002-1022c可以例如被实现为一个或更多个操作系统、一个或更多个独立应用、应用的一个或更多个模块、一个或更多个插件、一个或更多个库功能或由其他应用调用的功能、和/或云计算模型。因此,部件1002-1022c可以被实现为独立的应用,诸如桌面或移动应用。此外,部件1002-1022c可以被实现为托管在远程服务器上的一个或更多个基于web的应用。部件1002-1022c也可以在一套移动设备应用或“app”中实现。
根据一个或更多个实施例,图1-图10、相应的文本和示例提供了数字媒体聚类系统108的几种不同的系统、方法、技术、部件和/或设备。除了以上描述之外,也可以根据包括用于实现特定结果的动作的流程图来描述一个或更多个实施例。例如,图11和图12示出了根据一个或更多个实施例的示例动作序列的流程图。另外,图11和图12可以用更多或更少的动作来执行。此外,可以以不同的顺序执行这些动作。另外,本文描述的动作可以重复或彼此并行执行,或者与相同或相似动作的不同实例并行执行。
虽然图11和图12示出了根据特定实施例的一系列动作1100和一系列动作1200,但是替代实施例可以省略、添加、重新排序和/或修改所示的任何动作。图11和图12的一系列动作可以作为方法的一部分来被执行。可替代地,非暂时性计算机可读介质可以包括指令,当由一个或更多个处理器执行时,该指令使得计算设备(例如,客户端设备和/或服务器设备)执行图11和图12的一系列动作。在另外的实施例中,系统执行图11和图12的动作。
举例说明,图11示出了根据一个或更多个实施例的用于基于网络分发历史来生成和提供预测分发类别的一系列动作1100的流程图。如图所示,一系列动作1100包括识别对应于网络账户的网络分发历史的动作1110。例如,动作1110可以包括识别包括对应于用户的网络账户的网络分发历史的网络系统简档。在一些实施例中,动作1110包括通过识别社交网络系统的多个历史帖子来识别网络分发历史,其中多个历史帖子包括多个历史数字媒体项。
如图所示,一系列动作1100包括生成对应于网络账户的预测的分发类别的动作1120。例如,动作1120可以包括基于网络分发历史,利用分发分类模型生成对应于用户的网络账户的未来电子通信的预测的分发类别。在一些实施例中,动作1120包括基于多个历史数字媒体项,从多个分发类别中生成预测的分发类别。
一系列动作1100还包括动作1130:向客户端设备提供预测的分发类别,用于从数字媒体项的储存库中生成数字媒体群集。例如,动作1130可以包括向用户的客户端设备提供预测的分发类别,使得客户端设备从客户端设备上的数字媒体项储存库提供对应于预测的分发类别的数字媒体群集用于显示。
在一个或更多个实施例中,一系列动作1100还包括生成预测的分发类别并将预测的分发类别提供给客户端设备,而不从客户端设备接收关于客户端设备上的数字媒体项的储存库的信息。此外,在一些实施例中,一系列动作1110包括:从客户端设备接收关于数字媒体群集中的数字媒体项的用户指示;以及响应于接收到关于数字媒体项的用户指示,经由网络系统将数字媒体项分发到多个用户的多个客户端设备。
此外,一系列动作1100可以包括:识别由客户端设备提供的多个短时数字内容项;从多个短时数字内容项中生成建议的短时数字内容项;以及将所建议的短时数字内容项提供给客户端设备,以便与来自客户端设备上的数字媒体项储存库的对应于预测分发类别的数字媒体群集一起显示。
此外,一系列动作1100还可以包括:识别用户的对应于网络系统的附加网络账户;确定对应于用户的附加网络账户(其对应于网络系统)的附加网络分发历史;以及基于附加网络分发历史,利用分发分类模型为对应于用户的附加网络账户的未来电子通信生成附加预测分发类别。另外,一系列动作1100可以包括向用户的客户端设备提供对应于用户的附加网络账户的附加预测分发类别,使得客户端设备从客户端设备上的数字媒体项储存库提供对应于附加预测分发类别的附加数字媒体群集以用于显示。
在一些实施例中,一系列动作1100还包括:基于网络分发历史来确定建议的数字媒体样式修改;以及将所建议的数字媒体样式修改提供给用户的客户端设备,使得客户端设备利用所建议的数字媒体样式修改来修改一组数字媒体项,并且提供这组数字媒体项以用于与数字媒体群集相关地进行显示。
另外,图12示出了根据一个或更多个实施例的用于基于预测的分发类别生成数字媒体群集的一系列动作1200的流程图。如图所示,一系列动作1200包括从数字媒体储存库中生成多个数字媒体群集的动作1210。例如,动作1210可以包括从具有网络系统的网络账户的用户的客户端设备上的数字媒体储存库中生成多个数字媒体群集。在一些实施例中,动作1210包括:基于时间从数字媒体储存库生成对应于第一组数字媒体项的第一群集;基于位置从数字媒体储存库生成对应于第二组数字媒体项的第二群集;以及基于使用面部识别算法在来自数字媒体储存库的第三组数字媒体项中识别的一个或更多个公共个人,生成第三群集。
如图所示,一系列动作1200包括识别预测的分发类别的动作1220。例如,动作1220可以包括识别用户的网络账户的未来帖子的预测的分发类别,该预测的分发类别基于网络账户的网络分发历史。在一些实施例中,动作1220包括从一个或更多个远程服务器接收预测的分发类别,而不向一个或更多个远程服务器传输关于客户端设备上的数字媒体项的储存库的信息。
一系列动作1200还包括利用预测的分发类别选择数字媒体群集的动作1230。例如,动作1230可以包括利用预测的分发类别从多个数字媒体群集中选择数字媒体群集。在一些实施例中,动作1230包括将预测的分发类别与多个数字媒体群集进行比较。
另外,一系列动作1200包括提供数字媒体群集以用于显示的动作1240。例如,动作1240可以包括经由客户端设备的用户界面提供数字媒体群集以用于显示。
此外,一系列动作1200包括动作1250:提供数字媒体群集中的数字媒体项,用于分发到网络系统的客户端设备。例如,动作1250可以包括基于用户与数字媒体群集中的数字媒体项的交互,将数字媒体项提供给一个或更多个远程服务器,以用于将数字媒体项分发到网络系统的其他用户的客户端设备。一系列动作1200还可以包括:识别建议的数字媒体样式修改,其中该建议的数字媒体样式基于网络分发历史;通过应用所建议的数字媒体样式来修改一组数字媒体项;以及提供该组数字媒体项,以用于与数字媒体群集相关地显示。
此外,一系列动作1200还可以包括:识别用户的对应于网络系统的附加网络账户;识别对应于用户的附加网络账户的未来电子通信的附加预测分发类别,该附加预测分发类别基于附加网络账户的附加网络分发历史;以及利用附加预测分发类别从多个数字媒体群集中选择附加的数字媒体群集。此外,在一些实施例中,一系列动作1200包括:从先前从用户的网络账户分发的多个短时数字内容项中识别建议的短时数字内容项;以及提供建议的短时数字内容项以用于与数字媒体群集一起显示。
如下面更详细讨论的,本公开的实施例可以包括或利用包括计算机硬件(例如一个或更多个处理器和系统存储器)的专用或通用计算机。本公开的范围内的实施例还包括用于承载或存储计算机可执行指令和/或数据结构的物理和其他计算机可读介质。具体来说,本文描述的一个或更多个过程可以至少部分地被实现为体现在非暂时性计算机可读介质中并可由一个或更多个计算设备(例如,本文描述的任何媒体内容访问设备)执行的指令。通常,处理器(例如,微处理器)从非暂时性计算机可读介质(例如,存储器等)接收指令,并执行这些指令,从而执行包括本文描述的一个或更多个过程的一个或更多个过程。
计算机可读介质可以是通用或专用计算机系统可以访问的任何可用介质。存储计算机可执行指令的计算机可读介质是非暂时性计算机可读存储介质(设备)。承载计算机可执行指令的计算机可读介质为传输介质。因此,作为示例而不是作为限制,本公开的实施例可以包括至少两种截然不同的计算机可读介质:非暂时性计算机可读存储介质(设备)和传输介质。
非暂时性计算机可读存储介质(设备)包括RAM、ROM、EEPROM、CD-ROM、(例如,基于RAM的)固态驱动器(“SSD”)、闪存、相变存储器(“PCM”)、其他类型的存储器、其他光盘存储器、磁盘存储器或其他磁性存储设备、或者可以用于存储期望的以计算机可执行指令或数据结构的形式的程序代码方法且可以由通用或专用计算机进行访问的任何其他介质。
“网络”被定义为一个或更多个数据链路,其实现计算机系统和/或模块和/或其他电子设备之间的电子数据的传输。当通过网络或另一个通信连接(硬接线、无线或者硬接线或无线的组合)将信息转移或提供到计算机时,计算机适当地将连接视为传输介质。传输介质可以包括网络和/或数据链路,该网络和/或数据链路可以用于承载期望的以计算机可执行指令或数据结构的形式的程序代码方法且可以由通用或专用计算机进行访问。上述的组合也应当被包括在计算机可读介质的范围内。
此外,在到达各种计算机系统部件时,以计算机可执行指令或数据结构的形式的程序代码方法可以从传输介质自动被传输到非暂时性计算机可读存储介质(设备)(或反之亦然)。例如,通过网络或数据链路接收的计算机可执行指令或数据结构可以被缓冲在网络接口模块(例如,“NIC”)内的RAM中,然后最终被传输到计算机系统RAM和/或计算机系统处的不太易失的计算机存储介质(设备)。因此,应当理解,非暂时性计算机可读存储介质(设备)可以被包括在同样(或者甚至主要)利用了传输介质的计算机系统部件中。
计算机可执行指令包括例如当在处理器处被执行时使通用计算机、专用计算机或专用处理设备执行某个功能或功能组的指令和数据。在一些实施例中,在通用计算机上执行计算机可执行指令,以将通用计算机变成实现本公开的元素的专用计算机。例如,计算机可执行指令可以是二进制、中间格式指令(诸如汇编语言)或甚至源代码。虽然已经用特定于结构特征和/或方法动作的语言描述了主题,但是应当理解,所附权利要求中定义的主题不一定限于描述的特征或上述动作。相反,所描述的特征和行为被公开作为实施权利要求的示例形式。
本领域技术人员将理解,本公开可以在具有许多类型的计算机系统配置的网络计算环境中实施,计算机系统配置包括个人计算机、台式计算机、膝上型计算机、消息处理器、手持设备、多处理器系统、基于微处理器的或可编程的消费者电子设备、网络PC、小型计算机、大型计算机、移动电话、PDA、平板计算机、寻呼机、路由器、交换机等。还可在分布式系统环境中实践本公开,在分布式系统环境中经网络链接(通过硬接线数据链路、无线数据链路或通过硬接线和无线数据链路的组合)的本地和远程计算机系统都执行任务。在分布式系统环境中,程序模块可位于本地和远程存储器存储设备中。
本公开的实施例还可以在云计算环境中实现。在本说明书中,“云计算”被定义为一种模型,用于实现对可配置计算资源的共享池(shared pool)的按需网络访问的模型。例如,可以在市场中采用云计算,以提供无处不在的且方便的对可配置计算资源的共享池的按需访问。可配置计算资源的共享池可以经由虚拟化来快速调配,并在管理工作量或服务提供商交互少的情况下进行释放,然后进行相应地扩展。
云计算模型可以由例如按需自助服务、广泛的网络访问、资源池化、快速弹性、计费服务等的各种特征组成。云计算模型还可以展示各种服务模型,例如软件即服务(“SaaS”)、平台即服务(“PaaS”)和基础设施即服务(“IaaS”)。云计算模型还可以使用不同的部署模型(例如私有云、社区云、公有云、混合云等等)进行部署。在本说明书和权利要求书中,“云计算环境”是使用云计算的环境。
图13示出了示例性计算设备1300的框图,该示例性计算设备1300可以被配置成执行一个或更多个上述过程。人们将理解,诸如计算设备1300的一个或更多个计算设备可以实现数字媒体聚类系统108的一个或更多个部件。如图13所示,计算设备1300可以包括处理器1302、存储器1304、存储设备1306、I/O接口1308和通信接口1310,它们可以通过通信基础设施1312通信地耦合。虽然图13中示出了示例性计算设备1300,但是图13中示出的部件并不旨在进行限制。在其他实施例中可以使用附加的或替代的部件。此外,在某些实施例中,计算设备1300可以包括比图13中所示的部件更少的部件。现在将更加详细地描述图13所示的计算设备1300的部件。
在一个或更多个实施例中,处理器1302包括用于执行指令(例如构成计算机程序的那些指令)的硬件。作为示例而不是作为限制,为了执行指令,处理器1302可以从内部寄存器、内部缓存、存储器1304或存储设备1306检索(或获取)指令,以及将它们解码并执行它们。在一个或更多个实施例中,处理器1302可以包括用于数据、指令或地址的一个或更多个内部缓存。作为示例而不是作为限制,处理器1302可以包括一个或更多个指令缓存、一个或更多个数据缓存、以及一个或更多个转译后备缓冲器(TLB)。指令缓存中的指令可以是存储器1304或存储设备1306中的指令的副本。
存储器1304可以用于存储数据、元数据和由处理器执行的程序。存储器1304可以包括一个或更多个易失性和非易失性存储器,例如随机存取存储器(“RAM”)、只读存储器(“ROM”)、固态盘(“SSD”)、闪存、相变存储器(“PCM”)或其他类型的数据存储设备。存储器1304可以是内部或分布式存储器。
存储设备1306包括用于存储数据或指令的储存器。作为示例而不是作为限制,存储设备1306可以包括上述非暂时性存储介质。存储设备1306可以包括硬盘驱动器(HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(USB)驱动器、或这些中的两个或更多个的组合。在适当的情况下,存储设备1306可以包括可移动或不可移动(或固定)介质。存储设备1306可以在计算设备1300的内部或外部。在一个或更多个实施例中,存储设备1306是非易失性固态存储器。在其他实施例中,存储设备1306包括只读存储器(ROM)。在适当的情况下,该ROM可以是掩模编程ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可变ROM(EAROM)、或闪存、或这些中的两个或更多个的组合。
I/O接口1308允许用户向计算设备1300提供输入,从计算设备1300接收输出,以及以其他方式向计算设备1300传送数据和从计算设备1300接收数据。I/O接口1308可以包括鼠标、小键盘(keypad)或键盘、触摸屏、相机、光学扫描仪、网络接口、调制解调器、其他已知的I/O设备或这些I/O接口的组合。I/O接口1308可以包括用于向用户呈现输出的一个或更多个设备,包括但不限于图形引擎、显示器(例如,显示屏)、一个或更多个输出驱动器(例如,显示驱动器)、一个或更多个音频扬声器以及一个或更多个音频驱动器。在某些实施例中,I/O接口1308被配置成向显示器提供图形数据用于呈现给用户。图形数据可以表示一个或更多个图形用户界面和/或可以服务于特定实现方式的任何其他图形内容。
通信接口1310可以包括硬件、软件或两者。无论如何,通信接口1310可以为计算设备1300与一个或更多个其他计算设备或网络之间的通信(例如,基于分组的通信)提供一个或更多个接口。作为示例而不是作为限制,通信接口1310可以包括用于与以太网或其他基于有线的网络进行通信的网络接口控制器(NIC)或网络适配器,或用于与无线网络(诸如WI-FI)进行通信的无线NIC(WNIC)或无线适配器。
另外或替代地,通信接口1310可以促进与自组织网络、个域网(PAN)、局域网(LAN)、广域网(WAN)、城域网(MAN)或因特网的一个或更多个部分、或这些中的两个或更多个的组合的通信。这些网络中的一个或更多个的一个或更多个部分可以是有线的或无线的。作为示例,通信接口1310可以便于与无线PAN(“WPAN”)(例如,蓝牙WPAN)、WI-FI网络、WI-MAX网络、蜂窝电话网络(例如,全球移动通信系统(“GSM”)网络)、或其他合适的无线网络、或这些中的两个或更多个的组合进行通信。
另外,通信接口1310可以便于各种通信协议的通信。可以使用的通信协议的示例包括但不限于数据传输介质、通信设备、传输控制协议(“TCP”)、互联网协议(“IP”)、文件传输协议(“FTP”)、远程登录、超文本传输协议(“HTTP”)、超文本传输协议安全(“HTTPS”)、会话发起协议(“SIP”)、简单对象访问协议(“SOAP”)、可扩展标记语言(“XML”)及其变型、简单邮件传输协议(“SMTP”)、实时传输协议(“RTP”)、用户数据报协议(“UDP”)、全球移动通信系统(“GSM”)技术、码分多址(“CDMA”)技术、时分多址(“TDMA”)技术、短消息服务(“SMS”)、多媒体消息服务(“MMS”)、射频(“RF”)信令技术、长期演进(“LTE”)技术、无线通信技术、带内和带外信令技术以及其他合适的通信网络和技术。
通信基础设施1312可以包括将计算设备1300的部件彼此耦合的硬件、软件或两者。作为示例而不是作为限制,通信基础设施1312可以包括加速图形端口(AGP)或其他图形总线、扩展工业标准体系结构(EISA)总线、前端总线(FSB)、HYPERTRANSPORT(HT)互连件、工业标准体系结构(ISA)总线、INFINIBAND互连件、低引脚数(LPC)总线、存储器总线,微通道体系结构(MCA)总线、外围部件互连(PCI)总线、PCI-Express(扩展)(PCIe)总线、串行高级技术附件(SATA)总线、视频电子标准协会本地(VLB)总线、或任何其他合适的总线、或它们的组合。
如上所述,在一个或更多个实施例中,数字媒体聚类系统108结合社交网络系统(例如,参考图1描述的网络系统110)来操作。除了上面给出的描述之外,社交网络系统可以使其用户(诸如个人或组织)能够与该系统以及彼此进行交互。社交网络系统可以利用来自用户的输入来在社交网络系统中创建并存储与用户相关联的用户简档(user profile)。用户简档可以包括用户的人口统计信息、通信渠道信息以及关于个人兴趣的信息。社交网络系统还可以用来自用户的输入来创建并存储用户与社交网络系统的其他用户的关系的记录,以及提供服务(例如,帖子、照片分享、事件组织、消息传送、游戏或广告)以便利在用户之间或当中的社交互动。
社交网络系统可以存储用户的记录和在社交图中用户之间的关系,该社交图包括多个节点和连接节点的多条边。节点可以包括多个用户节点和多个概念节点。社交图的用户节点可以对应于社交网络系统的用户。用户可以是个人(人类用户)、实体(例如,企业、公司或第三方应用)或组(例如,个人或实体的组)。对应于用户的用户节点可以包括由用户提供的信息和由包括社交网络系统在内的各种系统收集的信息。
例如,用户可以提供他的或她的姓名、简档图片、居住城市、联系信息、出生日期、性别、婚姻状况、家庭状况、就业、教育背景、偏好、兴趣和将被包括在用户节点中的其他人口统计信息。社交图的每个用户节点可以具有相应的网页(通常称为简档页面)。响应于包括用户姓名的请求,社交网络系统可以访问对应于该用户姓名的用户节点,并构建包括姓名、简档图片和与用户相关联的其他信息的简档页面。基于第一用户的一个或更多个隐私设置以及第一用户和第二用户之间的关系,第一用户的简档页面可以向第二用户显示第一用户的全部或部分信息。
概念节点可以对应于社交网络系统的概念。例如,概念可以表示现实世界的实体,例如电影、歌曲、运动队、名人、团体、餐馆、地方或地点。对应于概念的概念节点的管理用户可以通过提供概念的信息(例如,通过填写在线表格)来创建或更新概念节点,使得社交网络系统将信息与概念节点关联起来。例如但不是限制,与概念相关联的信息可以包括名称或标题、一幅或更多幅图像(例如,书籍的封面的图像)、网站(例如,URL地址)或联系信息(例如,电话号码、电子邮件地址)。社交图的每个概念节点可以对应于一个网页。例如,响应于包括名称的请求,社交网络系统可以访问对应于该名称的概念节点,并构建包括该名称和与该概念相关联的其他信息的网页。
在一对节点之间的边可以表示在该对节点之间的关系。例如,在两个用户节点之间的边可以表示两个用户之间的友谊。对于另一示例,社交网络系统可以构建概念节点(例如,餐馆、名人)的网页(或结构化文档),在网页中结合一个或更多个可选选项或可选元素(例如,“赞(like)”、“签到(check in)”)。用户可以使用由用户的客户端设备承载的web浏览器访问该页面,并选择可选选项或可选元素,使得客户端设备向社交网络系统发送请求,以在用户的用户节点和概念的概念节点之间创建边,该边指示用户和概念之间的关系(例如,用户在餐馆签到,或者用户“赞”名人)。
作为示例,用户可以提供(或改变)他或她的居住城市,使得社交网络系统能够在对应于该用户的用户节点和对应于该用户声明为他或她的居住城市的城市的概念节点之间创建边。此外,任意两个节点之间的分离度(degree of separation)被定义为从一个节点遍历社交图到另外一个节点所需的最小跳数。两个节点之间的分离度可以被认为是由社交图中两个节点表示的用户之间或概念之间的相关性的度量。例如,具有通过边直接连接的用户节点(即,一级节点)的两个用户可以被描述为“关连的(connected)用户”或“朋友”。类似地,具有仅通过另一个用户节点连接的用户节点(即,二级节点)的两个用户可以被描述为“朋友的朋友”。
社交网络系统可以支持多种应用,例如照片分享、在线日历和事件、游戏、即时消息和广告。例如,社交网络系统还可以包括媒体共享能力。此外,社交网络系统可以允许用户向用户简档页面(通常称为“发帖墙(wall post)”或“时间线帖子(timeline post)”)或在相册中发布照片和其他多媒体内容项,根据用户配置的隐私设置,社交网络系统的其他用户可以访问这两者。社交网络系统还可以允许用户配置事件。例如,第一用户可以用包括事件的时间和日期、事件的位置和被邀请参加事件的其他用户的属性来配置事件。被邀请的用户可以接收到事件的邀请并(例如通过接受邀请或拒绝它)做出回应。此外,社交网络系统可以允许用户维护个人日历。类似于事件,日历条目可以包括时间、日期、位置和其他用户的身份。
图14示出了社交网络系统的示例网络环境1400。网络环境1400包括通过网络1404相互连接的客户端设备1406、网络系统1402(例如,社交网络系统和/或电子消息系统)和第三方系统1408。尽管图14示出了客户端设备1406、网络系统1402、第三方系统1408和网络1404的特定布置,但是本公开设想了客户端设备1406、网络系统1402、第三方系统1408和网络1404的任何合适的布置。作为示例而不是作为限制,客户端设备1406、网络系统1402和第三方系统1408中的两个或更多个可以绕过网络1404,直接连接到彼此。作为另一示例,客户端设备1406、网络系统1402和第三方系统1408中的两个或更多个可以全部或部分地在物理上或逻辑上彼此位于同一位置。此外,尽管图14示出了特定数量的客户端设备1406、网络系统1402、第三方系统1408和网络1404,但是本公开设想了任何合适数量的客户端设备1406、网络系统1402、第三方系统1408和网络1404。作为示例而不是作为限制,网络环境1400可以包括多个客户端设备1406、网络系统1402、第三方系统1408和网络1404。
本公开设想了任何合适的网络1404。作为示例而不是作为限制,网络1404的一个或更多个部分可以包括自组织网络、内联网、外联网、虚拟专用网络(VPN)、局域网(LAN)、无线LAN(WLAN)、广域网(WAN)、无线WAN(WWAN)、城域网(MAN)、互联网的一部分、公共交换电话网(PSTN)的一部分、蜂窝电话网、或这些中的两个或更多个的组合。网络1404可以包括一个或更多个网络1404。
链路可以将客户端设备1406、网络系统1402和第三方系统1408连接到通信网络1404或连接到彼此。本公开设想了任何合适的链路。在特定实施例中,一个或更多个链路包括一个或更多个有线(例如数字用户线路(DSL)或基于电缆的数据服务接口规范(DOCSIS))链路、无线(例如Wi-Fi或全球互通微波接入(WiMAX))链路、或光(例如同步光网络(SONET)或同步数字体系(SDH))链路。在特定实施例中,一个或更多个链路各自包括自组织网络、内联网、外联网、VPN、LAN、WLAN、WAN、WWAN、MAN、互联网的一部分、PSTN的一部分、基于蜂窝技术的网络、基于卫星通信技术的网络、另一链路、或两个或更多个这种链路的组合。链路不需要在整个网络环境1400中是相同的。一个或更多个第一链路可以在一个或更多个方面上不同于一个或更多个第二链路。
在特定实施例中,客户端设备1406可以是包括硬件、软件或嵌入式逻辑部件、或两个或更多个这样的部件的组合,并且能够执行由客户端设备1406实现或支持的适当功能的电子设备。作为示例而不是作为限制,客户端设备1406可以包括计算机系统,例如增强现实显示设备、台式计算机、笔记本或膝上型计算机、上网本、平板计算机、电子书阅读器、GPS设备、照相机、个人数字助理(PDA)、手持电子设备、蜂窝电话、智能手机、其他合适的电子设备或其任何合适的组合。本公开设想了任何合适的客户端设备1406。客户端设备1406可以使在客户端设备1406处的网络用户能够访问网络1404。客户端设备1406可以使它的用户能够与在其他客户端设备1406处的其他用户进行通信。
在特定实施例中,客户端设备1406可以包括web浏览器,诸如MICROSOFT INTERNETEXPLORER、GOOGLE CHROME或MOZILLA FIREFOX,并且可能有一个或更多个加载项、插件或其他扩展,诸如TOOLBAR或YAHOO TOOLBAR。在客户端设备1406处的用户可以输入统一资源定位符(“URL”)或将web浏览器导向特定的服务器(例如服务器或与第三方系统1408相关联的服务器)的其他地址,并且web浏览器可以生成超文本传输协议(“HTTP”)请求并将HTTP请求传递到服务器。服务器可以接受HTTP请求,并响应于HTTP请求而向客户端设备1406传递一个或更多个超文本标记语言(HTML)文件。客户端设备1406可以基于来自服务器的HTML文件来显现网页用于呈现给用户。本公开设想了任何合适的网页文件。作为示例而不是作为限制,网页可以根据特定的需要从HTML文件、可扩展超文本标记语言(XHTML)文件或可扩展标记语言(XML)文件来显现。这样的页面还可以执行脚本,例如且没有限制,用JAVASCRIPT、JAVA、MICROSOFT SILVERLIGHT编写的脚本、标记语言和脚本(例如AJAX(异步JAVASCRIPT和XML))的组合等。在本文中,在适当的情况下,对网页的引用包括一个或更多个相应的网页文件(浏览器可以使用这些网页文件来显现网页),反之亦然。
在特定实施例中,网络系统1402可以是可以托管在线社交网络的网络可寻址计算系统。网络系统1402可以生成、存储、接收并发送社交网络数据(例如,用户简档数据、概念简档数据、社交图信息或与在线社交网络相关的其他合适的数据)。网络系统1402可以由网络环境1400的其他部件直接地或经由网络1404来访问。在特定实施例中,网络系统1402可以包括一个或更多个服务器。每个服务器可以是单一服务器(unitary server)或跨越多台计算机或更多个数据中心的分布式服务器。服务器可以具有各种类型,诸如,例如且没有限制,web服务器、新闻服务器、邮件服务器、消息服务器、广告服务器、文件服务器、应用服务器、交换服务器、数据库服务器、代理服务器、适合于执行本文描述的功能或过程的另一服务器、或者其任何组合。在特定实施例中,每个服务器可以包括硬件、软件或嵌入式逻辑部件、或用于执行由服务器实现或支持的适当功能的两个或更多个这样的部件的组合。在特定实施例中,网络系统1402可以包括一个或更多个数据储存器。数据储存器可以用于存储各种类型的信息。在特定实施例中,可以根据特定的数据结构来组织存储在数据储存器中的信息。在特定实施例中,每个数据储存器可以是关系数据库、纵列(columnar)数据库、相关性数据库或其他合适的数据库。尽管本公开描述或示出了特定类型的数据库,但是本公开设想了任何合适类型的数据库。特定实施例可以提供使客户端设备1406、网络系统1402或第三方系统1408能够管理、检索、修改、添加或删除存储在数据储存器中的信息的接口。
在特定实施例中,网络系统1402可以在一个或更多个数据储存器中存储一个或更多个社交图。在特定实施例中,社交图可以包括多个节点——其可以包括多个用户节点(各自对应于特定用户)或更多个概念节点(各自对应于特定概念)——以及连接节点的多条边。网络系统1402可以向在线社交网络的用户提供与其他用户通信和互动的能力。在特定实施例中,用户可以经由网络系统1402加入在线社交网络,且然后将关连(例如,关系)添加到网络系统1402中的他们想要关连到的多个其他用户。在本文,术语“朋友”可以指网络系统1402的任何其他用户,用户经由网络系统1402与任何其他用户形成关连、关联或关系。
在特定实施例中,网络系统1402可以向用户提供对由网络系统1402支持的各种类型的项目或对象采取动作的能力。作为示例而不是作为限制,项目和对象可以包括网络系统1402的用户可以属于的群组或社交网络、用户可能感兴趣的事件或日历条目、用户可以使用的基于计算机的应用、允许用户经由服务来购买或销售商品的交易、用户可以执行的与广告的交互、或其他合适的项目或对象。用户可以与能够在网络系统1402中或者由第三方系统1408的外部系统表示的任何事物进行互动,第三方系统1408与网络系统1402分离并且经由网络1404耦合到网络系统1402。
在特定实施例中,网络系统1402能够链接各种实体。作为示例而不是作为限制,网络系统1402能够使用户相互交互以及从第三方系统1408或其他实体接收内容,或者允许用户通过应用编程接口(API)或其他通信渠道与这些实体交互。
在特定实施例中,第三方系统1408可以包括一种或更多种类型的服务器、一个或更多个数据储存器、一个或更多个接口(包括但不限于API)、一个或更多个web服务、一个或更多个内容源、一个或更多个网络或任何其他合适的部件(例如,服务器可以与这些部件通信)。第三方系统1408可以由与操作网络系统1402的实体不同的实体进行操作。然而,在特定实施例中,网络系统1402和第三方系统1408可以结合彼此来操作以向网络系统1402或第三方系统1408的用户提供社交网络服务。在这个意义上,网络系统1402可以提供平台或骨干网,其他系统(例如第三方系统1408)可以使用该平台或骨干网来在整个因特网上向用户提供社交网络服务和功能。
在特定实施例中,第三方系统1408可以包括第三方内容对象提供者。第三方内容对象提供者可以包括可以被传递到客户端设备1406的内容对象的一个或更多个源。作为示例而不是作为限制,内容对象可以包括关于用户感兴趣的事情或活动的信息,诸如例如电影放映时间、电影评论、餐馆评论、餐馆菜单、产品信息和评论或其他合适的信息。作为另一个示例而不是作为限制,内容对象可以包括激励内容对象(例如优惠券、折扣券、礼品券或其他合适的激励对象)。
在特定实施例中,网络系统1402还包括用户生成的内容对象,其可以增强用户与网络系统1402的互动。用户生成的内容可以包括用户可以添加、上传、发送或“发布”到网络系统1402的任何内容。作为示例而不是作为限制,用户将帖子从客户端设备1406传送到网络系统1402。帖子可能包含数据,诸如状态更新或其他文本数据、位置信息、照片、视频、链接、音乐或其他类似数据或媒体。内容还可以由第三方通过“通信渠道”(例如动态消息(newsfeed)或流)来添加到网络系统1402。
在特定实施例中,网络系统1402可以包括各种服务器、子系统、程序、模块、日志和数据储存器。在特定实施例中,网络系统1402可以包括下列项中的一个或更多个:web服务器、动作记录器、API请求服务器、相关性和排名引擎、内容对象分类器、通知控制器、动作日志、第三方内容对象暴露日志、推理模块、授权/隐私服务器、搜索模块、广告定位模块(advertisement-targeting module)、用户界面模块、用户简档储存器、关连储存器、第三方内容储存器或位置储存器。网络系统1402还可以包括合适的部件,例如网络接口、安全机构、负载平衡器、故障转移服务器、管理和网络操作控制台、其他合适的部件、或它们的任何合适的组合。在特定实施例中,网络系统1402可以包括用于存储用户简档的一个或更多个用户简档储存器。用户简档可以包括例如,传记信息、人口统计信息、行为信息、社交信息或其他类型的描述性信息(例如工作经历、教育历史、爱好或偏好、兴趣、亲和性或位置)。兴趣信息可以包括与一个或更多个种类相关的兴趣。种类可以是一般的或特定的。作为示例而不是作为限制,如果用户“赞(like)”关于一种品牌的鞋的文章,则该类别可以是品牌,或者“鞋”或“衣服”的一般种类。关连储存器可以用于存储关于用户的关连信息。关连信息可以指示具有相似或共同的工作经历、组成员资格、爱好、教育历史或者以任何方式相关或共享共同属性的用户。关连信息还可以包括在不同用户和内容(内部和外部)之间的用户定义的关连。web服务器可以用于经由网络1404将网络系统1402链接到一个或更多个客户端设备1406或一个或更多个第三方系统1408。web服务器可以包括邮件服务器或用于在网络系统1402和一个或更多个客户端设备1406之间接收并按规定路线发送消息的其他消息传送功能。API请求服务器可以允许第三方系统1408通过调用一个或更多个API来访问来自网络系统1402的信息。动作记录器可以用于从web服务器接收关于用户在网络系统1402上或之外的动作的通信。结合动作日志,可以维护用户暴露于第三方内容对象的第三方内容对象日志。通知控制器可以向客户端设备1406提供关于内容对象的信息。信息可以作为通知被推送到客户端设备1406,或者信息可以响应于从客户端设备1406接收的请求而从客户端设备1406中被拉取。授权服务器可以用于实施网络系统1402的用户的一个或更多个隐私设置。用户的隐私设置确定与用户相关联的特定信息可以如何被共享。授权服务器可以例如通过设置适当的隐私设置来允许用户选择加入或选择退出使他们的动作由网络系统1402记录或者与其他系统(例如,第三方系统1408)分享。第三方内容对象储存器可以用于存储从第三方(例如第三方系统1408)接收的内容对象。位置储存器可以用于存储从与用户相关联的客户端设备1406接收的位置信息。广告定价模块可以组合社交信息、当前时间、位置信息或其他合适的信息以用通知的形式向用户提供相关广告。
图15示出了示例社交图1500。在特定实施例中,网络系统1402可以在一个或更多个数据储存器中存储一个或更多个社交图1500。在特定实施例中,社交图1500可以包括多个节点——该多个节点可以包括多个用户节点1502或更多个概念节点1504——以及连接这些节点的多条边1506。
出于教导的目的,以二维视觉映射表示(two-dimensional visual maprepresentation)示出了图15所示的示例社交图1500。在特定实施例中,网络系统1402、客户端设备1406或第三方系统1408可以访问社交图1500和相关社交图信息以用于合适的应用。社交图1500的节点和边可以作为数据对象被存储在例如数据储存器(例如社交图数据库)中。这种数据储存器可以包括社交图1500的节点或边的一个或更多个可搜索或可查询的索引。
在特定实施例中,用户节点1502可以对应于网络系统1402的用户。作为示例而不是作为限制,用户可以是与网络系统1402交互或通信或通过网络系统1402交互或通信的个人(人类用户)、实体(例如,企业、公司或第三方应用)或(例如,个人或实体的)团体。在特定实施例中,当用户向网络系统1402注册账户时,网络系统1402可以创建对应于用户的用户节点1502,并将用户节点1502存储在一个或更多个数据储存器中。本文描述的用户和用户节点1502在适当的情况下可以指注册的用户和与注册的用户相关联的用户节点1502。另外或作为备选方案,在适当的情况下,本文描述的用户和用户节点1502可以指没有向网络系统1402注册的用户。在特定实施例中,用户节点1502可以与由用户提供的信息或由各种系统(包括网络系统1402)收集的信息相关联。作为示例而不是作为限制,用户可以提供他或她的姓名、简档图片、联系信息、出生日期、性别、婚姻状况、家庭状况、职业、教育背景、偏好、兴趣或其他人口统计信息。在特定实施例中,用户节点1502可以与对应于与用户相关联的信息的一个或更多个数据对象相关联。在特定实施例中,用户节点1502可以对应于一个或更多个网页。
在特定实施例中,概念节点1504可以对应于概念。作为示例而不是作为限制,概念可以对应于地点(例如,电影院、餐馆、地标或城市);网站(例如,与网络系统1402相关联的网站或与web应用服务器相关联的第三方网站);实体(例如,个人、企业、团体、运动队或名人);资源(例如,音频文件、视频文件、数字照片、文本文件、结构化文档或应用),其可以位于网络系统1402内或外部服务器(例如web应用服务器)上;不动产或知识产权(例如,雕塑、绘画、电影、游戏、歌曲、想法、照片或书面作品);游戏;活动;想法或理论;另一个合适的概念;或者两个或更多个这样的概念。概念节点1504可以与由用户提供的概念的信息或由各种系统(包括网络系统1402)收集的信息相关联。作为示例而不是作为限制,概念的信息可以包括名称或标题;一个或更多个图像(例如,书籍的封面的图像);位置(例如,地址或地理位置);网站(其可以与URL相关联);联系信息(例如,电话号码或电子邮件地址);其他合适的概念信息;或者这样的信息的任何合适的组合。在特定实施例中,概念节点1504可以与一个或更多个数据对象相关联,一个或更多个数据对象对应于与概念节点1504相关联的信息。在特定实施例中,概念节点1504可以对应于一个或更多个网页。
在特定实施例中,社交图1500中的节点可以代表网页(其可以被称为“简档页面”)或者由网页代表。简档页面可以由网络系统1402托管或是网络系统1402可访问的。简档页面也可以在与第三方系统1408相关联的第三方网站上被托管。作为示例而不是作为限制,对应于特定外部网页的简档页面可以是特定的外部网页,并且简档页面可以对应于特定的概念节点1504。简档页面可以由所有其他用户或其他用户的选定子集可查看。作为示例而不是作为限制,用户节点1502可以具有对应的用户简档页面,在对应的用户简档页面中对应的用户可以添加内容、作出声明或以其他方式表达他或她自己。作为另一示例而不是作为限制,概念节点1504可以具有相应的概念简档页面,在相应的概念简档页面中一个或更多个用户可以添加内容、作出声明或表达他们自己,特别是关于对应于概念节点1504的概念。
在特定实施例中,概念节点1504可以表示由第三方系统1408托管的第三方网页或资源。第三方网页或资源可以包括表示动作或活动的内容、可选择的图标或其他图标或其他可交互对象(其可以例如用JavaScript、AJAX或PHP代码来实现)以及其他元素。作为示例而不是作为限制,第三方网页可以包括可选择的图标(例如“赞”、“签到”、“吃”、“推荐”)或其他合适的动作或活动。查看第三方网页的用户可以通过选择图标之一(例如,“吃”)来执行动作,使客户端设备1406向网络系统1402发送指示用户的动作的消息。响应于该消息,网络系统1402可以在对应于用户的用户节点1502和对应于第三方网页或资源的概念节点1504之间创建边(例如,“吃”边),并将边1506存储在一个或更多个数据储存器中。
在特定实施例中,社交图1500中的一对节点可以通过一条或更多条边1506彼此连接。连接一对节点的边1506可以表示在该对节点之间的关系。在特定实施例中,边1506可以包括或表示对应于在一对节点之间的关系的一个或更多个数据对象或属性。作为示例而不是作为限制,第一用户可以指示第二用户是第一用户的“朋友”。响应于该指示,网络系统1402可以向第二用户发送“朋友请求”。如果第二用户确认“朋友请求”,则网络系统1402可以在社交图1500中创建将第一用户的用户节点1502连接到第二用户的用户节点1502的边1506,并将边1506作为社交图信息存储在一个或更多个数据储存器中。在图15的示例中,社交图1500包括指示用户“A”和用户“B”的用户节点1502之间的朋友关系的边1506,以及指示用户“C”和用户“B”的用户节点1502之间的朋友关系的边。尽管本公开描述或示出了具有连接特定用户节点1502的特定属性的特定边1506,但是本公开设想了具有连接用户节点1502的任何适当属性的任何适当边1506。作为示例而不是作为限制,边1506可以表示友谊、家庭关系、企业或雇佣关系、粉丝关系、关注者(follower)关系、访问者关系、订购者关系、上级/下级关系、互惠关系、非互惠关系、另一种合适类型的关系、或两种或更多种这样的关系。此外,尽管本公开一般将节点描述为被连接,但是本公开也将用户或概念描述为被关连。在本文,对被关连的用户或概念的引用在适当的情况下可以指社交图1500中通过一条或更多条边1506连接的对应于那些用户或概念的节点。
在特定实施例中,在用户节点1502和概念节点1504之间的边1506可以表示由与用户节点1502相关联的用户朝着与概念节点1504相关联的概念执行的特定动作或活动。作为示例而不是作为限制,如图15所示,用户可以“赞”、“参加”、“播放”、“收听”、“烹饪”、“工作于”或“观看”概念,其中每个可以对应于边类型或子类型。对应于概念节点1504的概念简档页面可以包括例如可选的“签到”图标(例如,可点击的“签到”图标)或可选的“添加到收藏夹(add to favorites)”图标。类似地,在用户点击这些图标之后,网络系统1402可以响应于对应于相应动作的用户动作来创建“收藏夹”边或“签到”边。作为另一示例而不是作为限制,用户(用户“C”)可以使用特定的应用(声田(SPOTIFY),其为在线音乐应用)来收听特定的歌曲(“想象(Imagine)”)。在这种情况下,网络系统1402可以在对应于用户的用户节点1502和对应于歌曲和应用的概念节点1504之间创建“收听”边1506和“使用”边(如图15所示),以指示用户收听了歌曲并使用了应用。此外,网络系统1402可以在对应于歌曲和应用的概念节点1504之间创建“播放”边1506(如图15所示),以指示特定歌曲由特定应用播放。在这种情况下,“播放”边1506对应于外部应用(SPOTIFY)对外部音频文件(歌曲“Imagine”)执行的动作。尽管本公开描述了连接用户节点1502和概念节点1504的具有特定属性的特定边1506,但是本公开设想了连接用户节点1502和概念节点1504的具有任何合适属性的任何合适的边1506。此外,尽管本公开描述了表示单个关系的在用户节点1502和概念节点1504之间的边,但是本公开设想了表示一个或更多个关系的在用户节点1502和概念节点1504之间的边。作为示例而不是作为限制,边1506可以表示用户喜欢并使用了特定概念。可选地,另一条边1506可以表示用户节点1502和概念节点1504之间(如图15中所示,在用户“E”的用户节点1502和“SPOTIFY”的概念节点1504之间)的每种类型的关系(或者多个单一关系)。
在特定实施例中,网络系统1402可以在社交图1500中的用户节点1502和概念节点1504之间创建边1506。作为示例而不是作为限制,查看概念简档页面的用户(例如,通过使用web浏览器或由用户的客户端设备1406承载的专用应用程序)可以通过点击或选择“赞”图标来指示他或她喜欢由概念节点1504表示的概念,这可以使用户的客户端设备1406向网络系统1402发送指示用户喜欢与概念简档页面相关联的概念的消息。响应于该消息,网络系统1402可以在与用户相关联的用户节点1502和概念节点1504之间创建边1506,如由在用户和概念节点1504之间的“赞”边1506所示的。在特定实施例中,网络系统1402可以将边1506存储在一个或更多个数据储存器中。在特定实施例中,边1506可以由网络系统1402响应于特定用户动作而自动形成。作为示例而不是作为限制,如果第一用户上传图片、观看电影或收听歌曲,则可以在对应于第一用户的用户节点1502和对应于那些概念的概念节点1504之间形成边1506。尽管本公开描述了以特定方式形成特定边1506,但是本公开设想了以任何合适的方式形成任何合适的边1506。
在特定实施例中,广告可以是文本(其可以是HTML链接的)、一个或更多个图像(其可以是HTML链接的)、一个或更多个视频、音频、一个或更多个ADOBE FLASH文件、这些的合适组合、或者在一个或更多个网页上、在一个或更多个电子邮件中或者结合由用户请求的搜索结果呈现的以任何合适的数字格式的任何其他合适的广告。另外或作为备选方案,广告可以是一个或更多个赞助动态(sponsored story)(例如,在网络系统1402上的消息动态或即时动态栏(ticker item))。赞助动态可以是用户的社交动作(例如“点赞”页面、“点赞”或评论页面上的帖子、对与页面相关联的事件进行回复(RSVP)、对在页面上发布的问题进行投票、在某个地方签到、使用应用或玩游戏、或者“点赞”或分享网站),广告商例如,通过使社交动作呈现在用户的简档页面或其他页面的预定区域内、与和广告商相关联的附加信息一起呈现、在其他用户的动态消息或即时动态中被提升顺序(bump up)或以其他方式突出显示来推广社交动作、或者以其他方式推广社交动作。广告商可以付费来推广社交动作。作为示例而不是作为限制,广告可以被包括在搜索结果页面的搜索结果当中,其中赞助内容优于非赞助内容被推广。
在特定实施例中,广告可以被请求用于在社交网络系统网页、第三方网页或其他页面中显示。广告可以显示在页面的专用部分中,例如在页面的顶部处的标语(banner)区域中、在页面的侧面处的栏中、在页面的GUI中、在弹出窗口中、在下拉菜单中、在页面的输入字段中、在页面的内容的顶部之上或相对于页面的其他地方。另外或作为备选方案,广告可以显示在应用中。广告可以显示在专用页面内,在用户可以访问页面或利用应用之前要求用户与广告互动或观看广告。用户可以例如通过web浏览器来观看广告。
用户可以以任何合适的方式与广告交互。用户可以点击或以其他方式选择广告。通过选择广告,用户可以被引导到(或由用户正在使用的浏览器或其他应用)与广告相关联的页面。在与广告相关联的页面处,用户可以采取附加的动作,例如购买与广告相关联的产品或服务、接收与广告相关联的信息、或者订阅与广告相关联的简讯。通过选择广告部件(如“播放按钮”),可以播放带有音频或视频的广告。替代地,通过选择广告,网络系统1402可以执行或修改用户的特定动作。
广告还可以包括社交网络系统功能,用户可以与社交网络系统功能互动。作为示例而不是作为限制,广告可以使用户能够通过选择与赞同(endorsement)相关联的图标或链接来“点赞”或以其他方式来赞同该广告。作为另一示例而不是作为限制,广告可以使用户能够(例如,通过执行查询)搜索与广告商相关的内容。类似地,用户可以与另一用户(例如,通过网络系统1402)分享广告或(例如,通过网络系统1402)回复(RSVP)与广告相关联的事件。另外或作为替代方案,广告可以包括被引导到用户的社交网络系统背景。作为示例而不是作为限制,广告可以显示关于用户的在网络系统1402内已经采取与广告的主题相关联的动作的朋友的信息。
在特定实施例中,网络系统1402可以确定各种社交图实体彼此之间的社交图亲和力(social-graph affinity)(在本文可以称为“亲和力”)。亲和力可以表示在与在线社交网络相关联的特定对象(诸如用户、概念、内容、行动、广告)、与在线社交网络相关联的其他对象或其任何合适的组合之间的关系强度或兴趣水平。也可以关于与第三方系统1408或其他合适的系统相关联的对象来确定亲和力。可以为每个用户、主题或内容类型建立对社交图实体的总体亲和力。基于对与社交图实体相关联的行动或关系的持续监测,总体亲和力可以改变。尽管本公开描述了以特定的方式确定特定的亲和力,但是本公开设想了以任何合适的方式确定任何合适的亲和力。
在特定实施例中,网络系统1402可以使用亲和力系数(在本文可以称为“系数”)来测量或量化社交图亲和力。该系数可以表示或量化与在线社交网络相关联的特定对象之间的关系强度。该系数还可以表示基于用户对动作的兴趣来测量用户将执行特定动作的预测概率的概率或函数。这样,可以基于用户的先前动作来预测用户的未来动作,其中可以至少部分地基于用户动作的历史来计算系数。系数可以用于预测可以在在线社交网络内或外部的任何数量的行动。作为示例而不是作为限制,这些行动可以包括各种类型的通信,诸如发送消息、发布内容或对内容进行评论;各种类型的观察行动,诸如访问或查看简档页面、媒体或其他合适的内容;关于两个或更多个社交图实体的各种类型的一致信息,诸如在同一组中、在同一照片中被标记、在同一位置处签到或参加同一事件;或其他合适的行动。尽管本公开描述了以特定方式估量亲和力,但是本公开设想了以任何合适的方式估量亲和力。
在特定实施例中,网络系统1402可以使用各种因素来计算系数。这些因素可以包括例如用户行动、对象之间的关系类型、位置信息、其他合适的因素或其任何组合。在特定实施例中,当计算系数时,不同的因素可以被不同地加权。每个因素的权重可以是静态的,或者权重可以根据例如用户、关系的类型、动作的类型、用户的位置等而改变。这些因素的排名可以根据其权重进行组合,以便确定用户的总系数。作为示例而不是作为限制,特定用户行动可以被分配等级和权重,而与特定用户行动相关联的关系被分配等级和相关权重(例如,因此权重总计为100%)。为了计算用户对特定对象的系数,分配给用户的动作的等级可以包括例如总系数的60%,而在用户和对象之间的关系可以包括总系数的40%。在特定实施例中,当确定用于计算系数的各种因素的权重时,网络系统1402可以考虑各种变量,例如自信息被访问以来的时间、衰减因子、访问的频率、与信息的关系或与信息被访问了的对象的关系、与连接到对象的社交图实体的关系、用户动作的短期或长期平均值、用户反馈、其他合适的变量、或它们的任意组合。作为示例而不是作为限制,系数可以包括衰减因子,该衰减因子使由特定行动提供的信号的强度随时间而衰减,使得在计算系数时更近的行动更相关。等级和权重可以基于系数所基于的行动的持续跟踪而被持续地更新。可以采用任何类型的过程或算法来分配、组合、平均等每个因素的等级和分配给这些因素的权重。在特定实施例中,网络系统1402可以使用根据历史动作和过去的用户响应训练的机器学习算法,或者通过将用户暴露于各种选项并测量响应而从用户获得的数据,来确定系数。尽管本公开描述了以特定方式计算系数,但是本公开设想了以任何合适的方式计算系数。
在特定实施例中,网络系统1402可以基于用户的动作来计算系数。网络系统1402可以在在线社交网络、第三方系统1408、其他合适的系统或其任意组合上监测这样的动作。可以跟踪或监测任何合适类型的用户行动。典型的用户动作包括查看简档页面、创建或发布内容、与内容互动、加入群组、列出并确认出席活动、在位置处签到、点赞特定页面、创建页面以及执行有助于社交动作的其他任务。在特定实施例中,网络系统1402可以基于用户对特定类型内容的动作来计算系数。内容可以与在线社交网络、第三方系统1408或另一个合适的系统相关联。内容可以包括用户、简档页面、帖子、新闻动态(news story)、标题、即时消息、聊天室会话、电子邮件、广告、图片、视频、音乐、其他合适的对象或其任何组合。网络系统1402可以分析用户的动作,以确定一个或更多个动作是否指示对主题、内容、其他用户等的亲和力。作为示例而不是作为限制,如果用户可以频繁发布与“咖啡”或其变体相关的内容,则网络系统1402可以确定用户关于概念“咖啡”具有高系数。特定的行动或特定类型的行动可以被分配比其他行动更高的权重和/或等级,这可能影响整体计算的系数。作为示例而不是作为限制,如果第一用户向第二用户发送电子邮件,则该行动的权重或等级可能比如果第一用户简单地查看第二用户的用户简档页面更高。
在特定实施例中,网络系统1402可以基于特定对象之间的关系的类型来计算系数。参考社交图1500,当计算系数时,网络系统1402可以分析连接特定用户节点1502和概念节点1504的边1506的数量和/或类型。作为示例而不是作为限制,通过配偶型(spouse-type)边(表示两个用户已婚)连接的用户节点1502可以被分配比通过朋友型边连接的用户节点1502更高的系数。换句话说,根据分配给特定用户的行动和关系的权重,可以确定对于关于用户的配偶的内容的总体亲和力比对于关于用户的朋友的内容的总体亲和力更高。在特定实施例中,用户与另一对象的关系可以影响关于计算该对象的系数的用户行动的权重和/或等级。作为示例而不是作为限制,如果用户在第一张照片中被标记,但是仅仅赞第二张照片,则网络系统1402可以确定用户相对于第一张照片具有比第二张照片更高的系数,因为与内容具有标记类型关系可以被分配比与内容具有赞类型关系更高的权重和/或排名。在特定实施例中,网络系统1402可以基于一个或更多个第二用户与特定对象所具有的关系来计算第一用户的系数。换句话说,其他用户与对象的关连和系数可能影响该对象的第一用户的系数。作为示例而不是作为限制,如果第一用户关连到一个或更多个第二用户或者对于一个或更多个第二用户具有高的系数,并且那些第二用户关连到特定对象或者对于特定对象具有高的系数,则网络系统1402可以确定第一用户对于该特定对象同样应该具有相对高的系数。在特定实施例中,系数可以基于在特定对象之间的分离度。较低的系数可以表示第一用户将与在社交图1500中间接地关连到的第一用户的用户分享内容对象的兴趣的降低的可能性。作为示例而不是作为限制,在社交图1500中更靠近(即,分离度更少)的社交图实体可以比在社交图1500中更远离的实体具有更高的系数。
在特定实施例中,网络系统1402可以基于位置信息来计算系数。地理上相互较近的对象可以被认为比相互较远的对象更相关或更感兴趣。在特定实施例中,用户对特定对象的系数可以基于对象的位置和与用户相关联的当前位置(或用户的客户端设备的位置)的接近度。第一用户可能对更接近第一用户的其他用户或概念更感兴趣。作为示例而不是作为限制,如果用户距机场一英里且距加油站两英里,则网络系统1402可以基于机场与用户的接近度来确定用户对机场具有比对加油站更高的系数。
在特定实施例中,网络系统1402可以基于系数信息来执行关于用户的特定动作。系数可以用于基于用户对动作的兴趣来预测用户是否将执行特定动作。当生成或向用户呈现任何类型的对象(例如广告、搜索结果、新闻动态、媒体、消息、通知或其他合适的对象)时,可以使用系数。该系数也可以被用来适当地对这样的对象进行排名和排序。以这种方式,网络系统1402可以提供与用户兴趣和当前环境相关的信息,增加了他们找到这种感兴趣的信息的可能性。在特定实施例中,网络系统1402可以基于系数信息来生成内容。可以基于特定于用户的系数来提供或选择内容对象。作为示例而不是作为限制,系数可以用于为用户生成媒体,其中可以向用户呈现用户关于媒体对象具有高的总系数的媒体。作为另一示例而不是作为限制,该系数可以用于为用户生成广告,其中可以向用户呈现其关于广告对象具有高总体系数的广告。在特定实施例中,网络系统1402可以基于系数信息来生成搜索结果。可以基于与关于查询用户的搜索结果相关联的系数来对特定用户的搜索结果进行评分或排名。作为示例而不是作为限制,对应于具有较高系数的对象的搜索结果在搜索结果页面上的排名可以高于对应于具有较低系数的对象的结果。
在特定实施例中,网络系统1402可以响应于来自特定系统或过程的系数请求来计算系数。为了预测用户在给定情况下可能采取的行动(或者可能是其主题),任何过程都可以向用户请求计算出的系数。该请求还可以包括用于计算系数的各种因素一组权重。该请求可以来自在在线社交网络上运行的进程、来自第三方系统1408(例如,经由API或其他通信渠道)或者来自另一个合适的系统。响应于请求,网络系统1402可以计算系数(或者如果系数信息先前已经被计算出并存储,则访问系数信息)。在特定实施例中,网络系统1402可以度量关于特定过程的亲和度。不同的过程(在在线社交网络的内部和外部)可以请求特定对象或对象集的系数。网络系统1402可以提供与请求了亲和度的度量的特定过程相关的亲和度的度量。以这种方式,每个过程接收针对不同上下文定制的亲和力度量,其中该过程将使用亲和力度量。
结合社交图亲和力和亲和力系数,特定实施例可以利用2006年8月11日提交的美国专利申请第11/503093号、2010年12月22日提交的美国专利申请第12/977027号、2010年12月23日提交的美国专利申请第12/978265号和2012年10月01日提交的美国专利申请第13/632869号中公开的一个或更多个系统、部件、元素、功能、方法、操作或步骤,这些美国专利申请中的每一个都通过引用并入。
在特定实施例中,在线社交网络的一个或更多个内容对象可以与隐私设置相关联。对象的隐私设置(或“访问设置”)可以以任何合适的方式存储,诸如例如与对象相关联、以授权服务器上的索引、以另一种合适的方式或其任意组合存储。对象的隐私设置可以指定可以如何使用在线社交网络来访问(例如,查看或共享)对象(或与对象相关联的特定信息)。在对象的隐私设置允许特定用户访问该对象的场合,该对象可以被描述为相对于该用户是“可见的”。作为示例而不是作为限制,在线社交网络的用户可以为用户简档页面指定隐私设置,该隐私设置标识可以访问用户简档页面上的工作经验信息的一组用户,从而排除其他用户访问该信息。在特定实施例中,隐私设置可以指定不应被允许访问与对象相关联的某些信息的用户的“黑名单(blocked list)”。换句话说,黑名单可以指定对象对其是不可见的一个或更多个用户或实体。作为示例而不是作为限制,用户可以指定不能访问与该用户相关联的相册的一组用户,从而排除这些用户访问相册(同时也可能允许不在该组用户中的某些用户访问相册)。在特定实施例中,隐私设置可以与特定社交图元素相关联。社交图元素(诸如节点或边)的隐私设置可以指定可以如何使用在线社交网络来访问社交图元素、与社交图元素相关联的信息、或与社交图元素相关联的内容对象。作为示例而不是作为限制,对应于特定照片的特定概念节点1504可以具有隐私设置,该隐私设置指定照片只能由照片中标记的用户及其朋友访问。在特定实施例中,隐私设置可以允许用户选择加入或选择退出让他们的动作通过网络系统1402登录或与其他系统(例如,第三方系统1408)共享。在特定实施例中,与对象相关联的隐私设置可以指定允许访问或拒绝访问的任何合适的粒度。作为示例而不是作为限制,可以为特定用户(例如,只有我、我的室友和我的老板)、特定分离度内的用户(例如,朋友或朋友的朋友)、用户组(例如,游戏俱乐部、我的家庭)、用户网络(例如,特定雇主的雇员、特定大学的学生或校友)、所有用户(“公共”)、无用户(“私人”)、第三方系统1408的用户、特定应用(例如,第三方应用、外部网站)、其他合适的用户或实体,或其任何组合指定访问或拒绝访问。尽管本公开描述了以特定方式使用特定隐私设置,但是本公开设想了以任何合适的方式使用任何合适的隐私设置。
在特定实施例中,一个或更多个服务器可以是用于实施隐私设置的授权/隐私服务器。响应于来自用户(或其他实体)的对存储在数据储存器中的特定对象的请求,网络系统1402可以向数据储存器发送对该对象的请求。该请求可以识别与该请求相关联的用户,并且只有在授权服务器基于与该对象相关联的隐私设置确定该用户被授权访问该对象时才可以被发送给该用户(或者该用户的客户端设备1406)。如果请求用户未被授权访问该对象,则授权服务器可以阻止所请求的对象从数据储存器中被检索,或者可以阻止所请求的对象被发送给用户。在搜索查询上下文中,只有当查询用户被授权访问对象时,才可以生成对象作为搜索结果。换句话说,对象必须具有对查询用户可见的可见性。如果对象具有对用户不可见的可见性,则该对象可以从搜索结果中排除。尽管本公开描述了以特定方式实施隐私设置,但是本公开设想了以任何合适的方式实施隐私设置。
前面的说明书是参照其特定的示例性实施例来描述的。参照本文讨论的细节描述了本公开的各种实施例和方面,并且附图示出了各种实施例。以上描述和附图是示意性的,不应被解释为限制性的。描述了许多具体细节以提供对各种实施例的透彻理解。
在不脱离其精神或基本特征的情况下,附加或替代实施例可以以其他特定形式被实施。所描述的实施例在所有方面都应被认为仅仅是示意性的,而不是限制性的。因此,本发明的范围由所附权利要求书而不是由前面的描述来指示。在权利要求的等同含义和范围内的所有变化都将被包含在它们的范围内。
Claims (20)
1.一种系统,包括:
至少一个处理器;以及
非暂时性计算机存储器,其包括当由所述至少一个处理器执行时使所述系统执行以下操作的指令:
识别网络系统简档,所述网络系统简档包括对应于用户的网络账户的网络分发历史;
基于所述网络分发历史,利用分发分类模型为对应于所述用户的所述网络账户的未来电子通信生成预测的分发类别;以及
将所述预测的分发类别提供给所述用户的客户端设备,使得所述客户端设备从所述客户端设备上的数字媒体项的储存库提供对应于所述预测的分发类别的数字媒体群集以用于显示。
2.根据权利要求1所述的系统,还包括当由所述至少一个处理器执行时使所述系统执行以下操作的指令:生成所述预测的分发类别并将所述预测的分发类别提供给所述客户端设备,而不从所述客户端设备接收关于所述客户端设备上的数字媒体项的储存库的信息。
3.根据权利要求1所述的系统,还包括当由所述至少一个处理器执行时使所述系统执行以下操作的指令:
从所述客户端设备接收来自所述数字媒体群集的数字媒体项的用户指示;以及
响应于接收到所述数字媒体项的用户指示,经由所述网络系统将所述数字媒体项分发到多个用户的多个客户端设备。
4.根据权利要求1所述的系统,还包括当由所述至少一个处理器执行时使所述系统执行以下操作的指令:
识别由所述客户端设备提供的多个短时数字内容项;
从所述多个短时内容项中生成建议的短时数字内容项;以及
将所述建议的短时数字内容项提供给所述客户端设备,用于与来自所述客户端设备上的数字媒体项的储存库的对应于所述预测的分发类别的所述数字媒体群集一起显示。
5.根据权利要求1所述的系统,还包括当由所述至少一个处理器执行时使所述系统执行以下操作的指令:
通过识别社交网络系统的多个历史帖子来识别所述网络分发历史,其中,所述多个历史帖子包括多个历史数字媒体项;以及
基于所述多个历史数字媒体项,从多个分发类别生成所述预测的分发类别。
6.根据权利要求1所述的系统,还包括当由所述至少一个处理器执行时使所述系统执行以下操作的指令:
识别所述用户的对应于所述网络系统的附加网络账户;
确定与所述用户的对应于所述网络系统的附加网络账户相对应的附加网络分发历史;以及
基于所述附加网络分发历史,利用所述分发分类模型为对应于所述用户的所述附加网络账户的未来电子通信生成附加的预测的分发类别。
7.根据权利要求6所述的系统,还包括当由所述至少一个处理器执行时使所述系统执行以下操作的指令:将对应于所述用户的所述附加网络账户的所述附加的预测的分发类别提供给所述用户的所述客户端设备,使得所述客户端设备从所述客户端设备上的数字媒体项的储存库提供对应于所述附加的预测的分发类别的附加数字媒体群集以用于显示。
8.根据权利要求1所述的系统,还包括当由所述至少一个处理器执行时使所述系统执行以下操作的指令:
基于所述网络分发历史确定建议的数字媒体样式修改;以及
将所述建议的数字媒体样式修改提供给所述用户的所述客户端设备,使得所述客户端设备利用所述建议的数字媒体样式修改来修改一组数字媒体项,并且提供所述一组数字媒体项用于与所述数字媒体群集相关地显示。
9.一种非暂时性计算机可读存储介质,其包括当由至少一个处理器执行时使计算机系统执行以下操作的指令:
从具有网络系统的网络账户的用户的客户端设备上的数字媒体储存库生成多个数字媒体群集;
识别所述用户的所述网络账户的未来帖子的预测的分发类别,所述预测的分发类别基于所述网络账户的网络分发历史;
利用所述预测的分发类别从所述多个数字媒体群集中选择一个数字媒体群集;
经由所述客户端设备的用户界面提供所述数字媒体群集以用于显示;以及
基于用户与来自所述数字媒体群集的数字媒体项的交互,将所述数字媒体项提供给一个或更多个远程服务器,用于将所述数字媒体项分发到所述网络系统的其他用户的客户端设备。
10.根据权利要求9所述的非暂时性计算机可读存储介质,还包括当由所述至少一个处理器执行时使所述计算机系统执行以下操作的指令:通过从所述一个或更多个远程服务器接收所述预测的分发类别来识别所述预测的分发类别,而不将关于所述客户端设备上的所述数字媒体储存库的信息传输到所述一个或更多个远程服务器。
11.根据权利要求9所述的非暂时性计算机可读存储介质,其中,所述多个数字媒体群集对应于多个分发类别,并且所述非暂时性计算机可读存储介质还包括当由所述至少一个处理器执行时使所述计算机系统执行以下操作的指令:通过将所述预测的分发类别与所述多个数字媒体群集进行比较来从所述多个数字媒体群集中选择数字媒体群集。
12.根据权利要求9所述的非暂时性计算机可读存储介质,还包括当由所述至少一个处理器执行时使所述计算机系统通过以下操作生成所述多个数字媒体群集的指令:
基于时间生成对应于来自所述数字媒体储存库的第一组数字媒体项的第一群集;
基于位置生成对应于来自所述数字媒体储存库的第二组数字媒体项的第二群集;以及
基于使用面部识别算法在来自所述数字媒体储存库的第三组数字媒体项中识别的一个或更多个公共个人,生成第三群集。
13.根据权利要求9所述的非暂时性计算机可读存储介质,还包括当由所述至少一个处理器执行时使所述计算机系统执行以下操作的指令:
识别建议的数字媒体样式修改,其中,所述建议的数字媒体样式基于所述网络分发历史;
通过应用所述建议的数字媒体样式来修改一组数字媒体项;以及
提供所述一组数字媒体项,用于与所述数字媒体群集相关地显示。
14.根据权利要求9所述的非暂时性计算机可读存储介质,还包括当由所述至少一个处理器执行时使所述计算机系统执行以下操作的指令:
识别所述用户的对应于所述网络系统的附加网络账户;
识别对应于所述用户的所述附加网络账户的未来电子通信的附加的预测的分发类别,所述附加的预测的分发类别基于所述附加网络账户的附加网络分发历史;以及
利用所述附加的预测的分发类别从所述多个数字媒体群集中选择附加的数字媒体群集。
15.根据权利要求9所述的非暂时性计算机可读存储介质,还包括当由所述至少一个处理器执行时使所述计算机系统执行以下操作的指令:
从先前从所述用户的所述网络账户分发的多个短时数字内容项中识别建议的短时数字内容项;以及
提供所述建议的短时数字内容项,用于与所述数字媒体群集一起显示。
16.一种计算机实现的方法,包括:
识别包括对应于用户的网络账户的网络分发历史的网络系统简档;
基于所述网络分发历史,利用分发分类模型为对应于所述用户的所述网络账户的未来电子通信生成预测的分发类别;以及
将所述预测的分发类别提供给所述用户的客户端设备,使得所述客户端设备从所述客户端设备上的数字媒体项的储存库提供对应于所述预测的分发类别的数字媒体群集以用于显示。
17.根据权利要求16所述的计算机实现的方法,还包括生成所述预测的分发类别并将所述预测的分发类别提供给所述客户端设备,而不从所述客户端设备接收关于所述客户端设备上的数字媒体项的储存库的信息。
18.根据权利要求16所述的计算机实现的方法,还包括:
从所述客户端设备接收来自所述数字媒体群集的数字媒体项的用户指示;以及
响应于接收到所述数字媒体项的用户指示,经由所述网络系统将所述数字媒体项分发到多个用户的多个客户端设备。
19.根据权利要求16所述的计算机实现的方法,还包括:
通过识别社交网络系统的多个历史帖子来识别所述网络分发历史,其中,所述多个历史帖子包括多个历史数字媒体项;以及
基于所述多个历史数字媒体项,从多个分发类别生成所述预测的分发类别。
20.根据权利要求16所述的计算机实现的方法,还包括:
识别对应于所述网络账户的多个短时数字内容项;
从所述多个短时数字内容项生成建议的短时数字内容项;以及
将所述建议的短时数字内容项提供给所述客户端设备,用于与来自所述客户端设备上的数字媒体项的储存库的对应于所述预测的分发类别的所述数字媒体群集一起显示。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962825708P | 2019-03-28 | 2019-03-28 | |
US62/825,708 | 2019-03-28 | ||
US16/444,996 US11222061B2 (en) | 2019-03-28 | 2019-06-18 | Generating digital media clusters corresponding to predicted distribution classes from a repository of digital media based on network distribution history |
US16/444,996 | 2019-06-18 | ||
PCT/US2020/025789 WO2020198744A1 (en) | 2019-03-28 | 2020-03-30 | Generating digital media clusters corresponding to predicted distribution classes from a repository of digital media based on network distribution history |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113597629A true CN113597629A (zh) | 2021-11-02 |
Family
ID=72606080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080023467.1A Pending CN113597629A (zh) | 2019-03-28 | 2020-03-30 | 基于网络分发历史从数字媒体的储存库生成对应于预测的分发类别的数字媒体群集 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11222061B2 (zh) |
EP (1) | EP3891689A1 (zh) |
CN (1) | CN113597629A (zh) |
WO (1) | WO2020198744A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738081A (zh) * | 2023-08-08 | 2023-09-12 | 贵州优特云科技有限公司 | 一种前端组件绑定方法、装置及存储介质 |
CN116760723A (zh) * | 2023-05-17 | 2023-09-15 | 广州天懋信息系统股份有限公司 | 基于预测树模型的数据预测方法、装置、设备及介质 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10228760B1 (en) | 2017-05-23 | 2019-03-12 | Visionary Vr, Inc. | System and method for generating a virtual reality scene based on individual asynchronous motion capture recordings |
US10388322B1 (en) | 2018-10-29 | 2019-08-20 | Henry M. Pena | Real time video special effects system and method |
US11641439B2 (en) | 2018-10-29 | 2023-05-02 | Henry M. Pena | Real time video special effects system and method |
US11689686B2 (en) | 2018-10-29 | 2023-06-27 | Henry M. Pena | Fast and/or slowmotion compensating timer display |
US10404923B1 (en) | 2018-10-29 | 2019-09-03 | Henry M. Pena | Real time video special effects system and method |
US11044420B2 (en) * | 2018-10-29 | 2021-06-22 | Henry M. Pena | Real time video special effects system and method |
JP7261022B2 (ja) * | 2019-01-30 | 2023-04-19 | キヤノン株式会社 | 情報処理システム、端末装置及びその制御方法、プログラム、記憶媒体 |
US11636410B2 (en) * | 2019-09-13 | 2023-04-25 | Ford Global Technologies, Llc | Automated configuration of provision of products and services |
US11552914B2 (en) * | 2019-10-06 | 2023-01-10 | International Business Machines Corporation | Filtering group messages |
US11294538B2 (en) * | 2020-06-03 | 2022-04-05 | Snap Inc. | Timeline media content navigation system |
US11494851B1 (en) * | 2021-06-11 | 2022-11-08 | Winter Chat Pty Ltd. | Messaging system and method for providing management views |
CN115001559B (zh) * | 2022-03-17 | 2023-04-18 | 中国科学院计算技术研究所 | 一种适用于卫星网络的用户终端分布模型构建方法 |
US11527032B1 (en) * | 2022-04-11 | 2022-12-13 | Mindshow Inc. | Systems and methods to generate and utilize content styles for animation |
US20230334247A1 (en) * | 2022-04-18 | 2023-10-19 | Bank Of America Corporation | System for machine-learning based identification and filtering of electronic network communication |
US20230334251A1 (en) * | 2022-04-18 | 2023-10-19 | Bank Of America Corporation | Artificial intelligence (ai)-powered legacy scenarios for use within a mobile application |
US20230334250A1 (en) * | 2022-04-18 | 2023-10-19 | Bank Of America Corporation | Artificial intelligence (ai)-powered conversational messaging and completion engine for use within a mobile application |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120321192A1 (en) * | 2011-06-16 | 2012-12-20 | Dennis Marshall | Digital image communication |
US20170017637A1 (en) * | 2015-07-17 | 2017-01-19 | International Business Machines Corporation | User based text prediction |
CN107408212A (zh) * | 2015-02-11 | 2017-11-28 | Avg荷兰私人有限公司 | 用于识别存储在设备上的不需要的照片的系统和方法 |
US9864951B1 (en) * | 2015-03-30 | 2018-01-09 | Amazon Technologies, Inc. | Randomized latent feature learning |
US20180260840A1 (en) * | 2017-03-10 | 2018-09-13 | Facebook, Inc. | Selecting content for presentation to an online system user based on categories associated with content items |
US20180276561A1 (en) * | 2017-03-24 | 2018-09-27 | Facebook, Inc. | Automatically tagging topics in posts during composition thereof |
US20180373794A1 (en) * | 2017-06-26 | 2018-12-27 | Facebook, Inc. | Systems and methods for ranking ephemeral content associated with a social networking system |
Family Cites Families (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8762193B2 (en) * | 2005-11-11 | 2014-06-24 | Accenture Global Services Limited | Identifying target customers for campaigns to increase average revenue per user |
US8893966B2 (en) * | 2006-02-10 | 2014-11-25 | Wilopen Products Lc | Customizable interactive gifting and advertising system and method |
US7603434B2 (en) * | 2006-04-13 | 2009-10-13 | Domingo Enterprises, Llc | Central system providing previews of a user's media collection to a portable media player |
US8175989B1 (en) * | 2007-01-04 | 2012-05-08 | Choicestream, Inc. | Music recommendation system using a personalized choice set |
US20090168752A1 (en) * | 2007-12-31 | 2009-07-02 | Jonathan Segel | Method and apparatus for distributing content |
KR20100100180A (ko) * | 2009-03-05 | 2010-09-15 | 삼성전자주식회사 | 컨텐츠 추천 방법 및 장치 |
US8738433B2 (en) * | 2009-05-12 | 2014-05-27 | POI Development Co., LLC | Method and system for targeted advertising |
US8065257B2 (en) * | 2009-07-27 | 2011-11-22 | Saab Sensis Corporation | System and method for correlating past activities, determining hidden relationships and predicting future activities |
US20110258256A1 (en) * | 2010-04-14 | 2011-10-20 | Bernardo Huberman | Predicting future outcomes |
US20110270671A1 (en) * | 2010-05-03 | 2011-11-03 | Hsiu-Kheurn Tang | Predicting number of selections of advertisement using hierarchical Bayesian model |
US8332392B2 (en) * | 2010-06-30 | 2012-12-11 | Hewlett-Packard Development Company, L.P. | Selection of items from a feed of information |
US9026479B1 (en) * | 2011-02-02 | 2015-05-05 | Google Inc. | Predicting user interests |
US20130141235A1 (en) * | 2011-06-10 | 2013-06-06 | Aliphcom | General health and wellness management method and apparatus for a wellness application using data associated with data-capable band |
KR101780802B1 (ko) * | 2011-07-20 | 2017-09-22 | 삼성전자 주식회사 | 통신 시스템에서 ip 어드레스를 이용한 디바이스 컨텍스트 관리 방법 및 장치 |
US10346870B1 (en) * | 2012-05-08 | 2019-07-09 | Groupon, Inc. | Dynamic promotion analytics |
US9654591B2 (en) | 2012-10-01 | 2017-05-16 | Facebook, Inc. | Mobile device-related measures of affinity |
US8554873B1 (en) * | 2012-10-05 | 2013-10-08 | Google Inc. | Custom event and attraction suggestions |
US9386107B1 (en) * | 2013-03-06 | 2016-07-05 | Blab, Inc. | Analyzing distributed group discussions |
US10373212B2 (en) * | 2013-03-14 | 2019-08-06 | Facebook, Inc. | Methods for linking images in social feeds to branded content |
US9892177B2 (en) * | 2013-07-11 | 2018-02-13 | Salesforce.Com, Inc. | Systems and methods for interacting with external content objects |
US11095597B2 (en) * | 2013-09-19 | 2021-08-17 | Adobe Inc. | Predicting spread of content across social networks |
US20150142717A1 (en) * | 2013-11-19 | 2015-05-21 | Microsoft Corporation | Providing reasons for classification predictions and suggestions |
US9450771B2 (en) * | 2013-11-20 | 2016-09-20 | Blab, Inc. | Determining information inter-relationships from distributed group discussions |
US9405838B2 (en) * | 2013-12-27 | 2016-08-02 | Quixey, Inc. | Determining an active persona of a user device |
US9613190B2 (en) * | 2014-04-23 | 2017-04-04 | Intralinks, Inc. | Systems and methods of secure data exchange |
US20150370474A1 (en) * | 2014-06-19 | 2015-12-24 | BrightSky Labs, Inc. | Multiple view interface for video editing system |
KR101624284B1 (ko) * | 2014-08-06 | 2016-06-08 | 네이버 주식회사 | 정보 제공 시스템 및 방법 |
US9671862B2 (en) * | 2014-10-15 | 2017-06-06 | Wipro Limited | System and method for recommending content to a user based on user's interest |
US9661138B2 (en) * | 2015-01-14 | 2017-05-23 | Unify Gmbh & Co. Kg | System and method for automatic intention evaluation and communication routing |
KR20160098797A (ko) * | 2015-02-11 | 2016-08-19 | 삼성전자주식회사 | 영상처리장치, 영상처리장치의 제어방법 및 시스템 |
US10200824B2 (en) * | 2015-05-27 | 2019-02-05 | Apple Inc. | Systems and methods for proactively identifying and surfacing relevant content on a touch-sensitive device |
US20170031575A1 (en) * | 2015-07-28 | 2017-02-02 | Microsoft Technology Licensing, Llc | Tailored computing experience based on contextual signals |
US11429883B2 (en) * | 2015-11-13 | 2022-08-30 | Microsoft Technology Licensing, Llc | Enhanced computer experience from activity prediction |
US10769189B2 (en) * | 2015-11-13 | 2020-09-08 | Microsoft Technology Licensing, Llc | Computer speech recognition and semantic understanding from activity patterns |
US9589237B1 (en) * | 2015-11-17 | 2017-03-07 | Spotify Ab | Systems, methods and computer products for recommending media suitable for a designated activity |
US10341728B2 (en) * | 2015-12-30 | 2019-07-02 | Sling Media L.L.C. | Media systems for temporally and contextually relevant recommendations |
US11188830B2 (en) * | 2016-03-01 | 2021-11-30 | Verizon Media Inc. | Method and system for user profiling for content recommendation |
US10606848B2 (en) * | 2016-04-11 | 2020-03-31 | Facebook, Inc. | Techniques for device configuration using messaging history information |
US10586252B2 (en) * | 2016-05-09 | 2020-03-10 | Facebook, Inc. | Selecting content for presentation to a group of online system users based on temporal, spatial, interest, and purpose information of the group |
US20170357890A1 (en) | 2016-06-09 | 2017-12-14 | Sysomos L.P. | Computing System for Inferring Demographics Using Deep Learning Computations and Social Proximity on a Social Data Network |
WO2018013566A1 (en) * | 2016-07-11 | 2018-01-18 | Visa International Service Association | Machine learning and prediction using graph communities |
US10832167B2 (en) * | 2017-01-03 | 2020-11-10 | Facebook, Inc. | Interest prediction for unresolved users in an online system |
US10902345B2 (en) * | 2017-01-19 | 2021-01-26 | International Business Machines Corporation | Predicting user posting behavior in social media applications |
US10341723B2 (en) * | 2017-03-10 | 2019-07-02 | Sony Interactive Entertainment LLC | Identification and instantiation of community driven content |
US20180268318A1 (en) * | 2017-03-17 | 2018-09-20 | Adobe Systems Incorporated | Training classification algorithms to predict end-user behavior based on historical conversation data |
US20210090191A1 (en) * | 2017-04-28 | 2021-03-25 | Wells Fargo Bank, N.A. | System and methods for estate planning predictions and recommendations |
US10839255B2 (en) * | 2017-05-15 | 2020-11-17 | Internationl Business Machines Corporation | Load-balancing training of recommender system for heterogeneous systems |
US10572827B2 (en) * | 2017-08-08 | 2020-02-25 | International Business Machines Corporation | Prediction quality assessment |
US10896380B2 (en) * | 2017-08-30 | 2021-01-19 | Facebook, Inc. | Determining intent based on user interaction data |
US10693944B1 (en) * | 2017-09-12 | 2020-06-23 | Amazon Technologies, Inc. | Media-player initialization optimization |
US10783399B1 (en) * | 2018-01-31 | 2020-09-22 | EMC IP Holding Company LLC | Pattern-aware transformation of time series data to multi-dimensional data for deep learning analysis |
US10360631B1 (en) * | 2018-02-14 | 2019-07-23 | Capital One Services, Llc | Utilizing artificial intelligence to make a prediction about an entity based on user sentiment and transaction history |
US11461698B2 (en) * | 2018-07-09 | 2022-10-04 | Athene Noctua LLC | Integrated machine learning audiovisual application for a defined subject |
US11190467B2 (en) * | 2018-11-30 | 2021-11-30 | International Business Machines Corporation | Micro-term modelling for real time chat discourse |
-
2019
- 2019-06-18 US US16/444,996 patent/US11222061B2/en active Active
-
2020
- 2020-03-30 CN CN202080023467.1A patent/CN113597629A/zh active Pending
- 2020-03-30 WO PCT/US2020/025789 patent/WO2020198744A1/en unknown
- 2020-03-30 EP EP20721058.4A patent/EP3891689A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120321192A1 (en) * | 2011-06-16 | 2012-12-20 | Dennis Marshall | Digital image communication |
CN107408212A (zh) * | 2015-02-11 | 2017-11-28 | Avg荷兰私人有限公司 | 用于识别存储在设备上的不需要的照片的系统和方法 |
US9864951B1 (en) * | 2015-03-30 | 2018-01-09 | Amazon Technologies, Inc. | Randomized latent feature learning |
US20170017637A1 (en) * | 2015-07-17 | 2017-01-19 | International Business Machines Corporation | User based text prediction |
US20180260840A1 (en) * | 2017-03-10 | 2018-09-13 | Facebook, Inc. | Selecting content for presentation to an online system user based on categories associated with content items |
US20180276561A1 (en) * | 2017-03-24 | 2018-09-27 | Facebook, Inc. | Automatically tagging topics in posts during composition thereof |
US20180373794A1 (en) * | 2017-06-26 | 2018-12-27 | Facebook, Inc. | Systems and methods for ranking ephemeral content associated with a social networking system |
Non-Patent Citations (3)
Title |
---|
CHENG-TE LI 等: "Exploiting concept drift to predict popularity of social multimedia in microblogs", 《INFORMATION SCIENCES》, vol. 339, 20 April 2016 (2016-04-20), pages 310 - 331, XP029409605, DOI: 10.1016/j.ins.2016.01.009 * |
PENGCHENG WU 等: "Online multimodal deep similarity learning with application to image retrieval", 《MM \'13: PROCEEDINGS OF THE 21ST ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》, 31 October 2013 (2013-10-31), pages 153 - 162, XP055335747, DOI: 10.1145/2502081.2502112 * |
张柏: "数据挖掘技术在媒资管理系统开发中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, 15 January 2014 (2014-01-15), pages 138 - 1103 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760723A (zh) * | 2023-05-17 | 2023-09-15 | 广州天懋信息系统股份有限公司 | 基于预测树模型的数据预测方法、装置、设备及介质 |
CN116760723B (zh) * | 2023-05-17 | 2024-03-08 | 广州天懋信息系统股份有限公司 | 基于预测树模型的数据预测方法、装置、设备及介质 |
CN116738081A (zh) * | 2023-08-08 | 2023-09-12 | 贵州优特云科技有限公司 | 一种前端组件绑定方法、装置及存储介质 |
CN116738081B (zh) * | 2023-08-08 | 2023-10-27 | 贵州优特云科技有限公司 | 一种前端组件绑定方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3891689A1 (en) | 2021-10-13 |
US20200311120A1 (en) | 2020-10-01 |
WO2020198744A1 (en) | 2020-10-01 |
US11222061B2 (en) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11222061B2 (en) | Generating digital media clusters corresponding to predicted distribution classes from a repository of digital media based on network distribution history | |
US10255522B2 (en) | Generating object proposals using deep-learning models | |
US10877977B2 (en) | Generating a relevance score for direct digital messages based on crowdsourced information and social-network signals | |
US10033686B2 (en) | Computerized system and method for automatically creating and communicating media streams of digital content | |
US10467282B2 (en) | Suggesting tags on online social networks | |
US10496895B2 (en) | Generating refined object proposals using deep-learning models | |
US8943136B2 (en) | Creating and sharing interest lists in a social networking system | |
US20230006951A1 (en) | Viral interactions with portions of digital videos | |
US10313456B2 (en) | Multi-stage filtering for recommended user connections on online social networks | |
US20180191797A1 (en) | Dynamically generating customized media effects | |
US10432749B2 (en) | Application bookmarks and recommendations | |
US20180144256A1 (en) | Categorizing Accounts on Online Social Networks | |
US20170192651A1 (en) | Editing photos over an online social network | |
US10699320B2 (en) | Marketplace feed ranking on online social networks | |
EP3929853A1 (en) | Systems and methods for feature engineering based on graph learning | |
US10541001B2 (en) | Video highlights | |
US20170187770A1 (en) | Social networking interactions with portions of digital videos | |
US10419234B2 (en) | Sending personalized notifications over a communication network | |
CN113711545A (zh) | 改善用户对网络系统的共同用户的互动 | |
US9450992B2 (en) | Node properties in a social-networking system | |
US20180027092A1 (en) | Selecting assets | |
US10110651B2 (en) | Video icons | |
US20190138591A1 (en) | Classifying Third-Party Landing Pages Accessible Via Links | |
US20220215431A1 (en) | Social network optimization | |
US20170199897A1 (en) | Inferring qualities of a place |
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 |
Address after: California, USA Applicant after: Yuan platform Co. Address before: California, USA Applicant before: Facebook, Inc. |
|
CB02 | Change of applicant information |