CN114391159A - 数字人类学和人种学系统 - Google Patents
数字人类学和人种学系统 Download PDFInfo
- Publication number
- CN114391159A CN114391159A CN202080041125.2A CN202080041125A CN114391159A CN 114391159 A CN114391159 A CN 114391159A CN 202080041125 A CN202080041125 A CN 202080041125A CN 114391159 A CN114391159 A CN 114391159A
- Authority
- CN
- China
- Prior art keywords
- data
- media asset
- media
- image
- digital
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0246—Traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0276—Advertisement creation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/10—Recognition assisted with metadata
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
在实施方式中,公开了数字人类学和人种学系统。在实施方式中,数字人类学和人种学系统使营销相关的任务诸如客户细分、主题建模和媒体规划自动化。在实施方式中,数字人类学和人种学系统被配置成执行与媒体资产集相关的分析,所述媒体资产集包括由自包含摄影工作室系统捕获的图像。
Description
相关申请的交叉引用
本申请要求2019年5月2日提交的题为“TECHNOLOGIES FOR ENABLING A CONSUMERDATA PLATFORM FOR PROVIDING CREATIVE INTELLIGENCE”的美国临时专利申请序列号62/842,263的优先权,其内容通过引用并入本文。
技术领域
本公开内容涉及数字人类学领域,更具体地,涉及具有机器学习、分析、内容创建和内容跟踪能力的集合的平台,该平台提供对角色(persona)的洞察,其可以用来改进媒体资产创建和向体现数字角色的个体和群体的投送。本公开内容还涉及数字人类学的技术应用,诸如媒体资产创建、动态分割、媒体规划等。
背景技术
在当今,诸如营销和/或广告技术的活动和其他传播努力通常围绕着试图捕获关于每个个体消费者的综合信息。这似乎是可行的,因为如此多的消费者过着广泛的数字生活,每一次数字行动都会产生丰富的数据。个性化系统寻求利用该数据,以在正确的时间用正确的内容将正确的个体作为目标。然而,这样的个性化通常依赖于获得隐私的个人数据,而消费者越来越感到被侵犯和滥用。政府转为反对在线广告巨头和分析公司,并着手制定保护个人数据并禁止或限制收集和使用这样的数据的法律;因此,超个性化背后的力量正在减弱,造成了洞察真空。缺乏对个体的兴趣或偏好的洞察,消息和媒体资产可能趋于不太相关或针对性不强。广告商和其他人倾向于用重复的消息广泛地覆盖大量人群,希望一小部分击中目标受众。这导致了不同种类的入侵,因为广告噪音干扰了个体享受数字内容和环境的能力。因此,在本领域中需要用于在不侵入个人数据或产生侵入性噪声的情况下提供目标明确的内容的系统。
此外,超个性化技术倾向于将每个个体视为随着时间的推移表现出相同的特征或行为,但是个体和群体在不同的时间处于不同的角色——一种是在工作中,另一种是与家人在一起,以及许多其他情况例如是他们在各种群体和日常活动当中进行社交活动。现代活动系统通常忽略人的角色如何随时间变化。因此,在本领域中需要在角色的层面上创建更准确的个体和群体的图片,包括对角色的情感和行为属性的理解,诸如以提供基于角色的内容创建、消息传递、目标定位和/或广告以及其他用途。
发明内容
本公开内容涉及由各种组件、模块、服务、接口、软件、工作流和其他组件组成的平台和系统,该平台和系统能够被配置成使得能够发展对角色的行为的理解和洞察,所述角色包括由个体和个体的群组在他们与数字媒体的交互和关系中以及在数字环境中体现或表达的角色。该平台(在一些情况下被称为系统)除了许多其他项之外可以包括:一组机器学习算法,其在异构的一组数据源上进行操作;使得属性信息能够嵌入到数字媒体资产中的一组系统;以及能够跟踪和观察角色对媒体资产的特定属性或属性的组合的反应的一组系统。理解和洞察可以用于各种领域的多个新颖用途和应用(包括营销、广告、筹款、安全、政治以及其他)。在实施方式中,该系统尤其能够被定制成基于分析和机器学习模型来执行跨频道媒体创建和规划,所述机器学习模型在一些情况下可以至少部分地使用从多个独立数据源集成的数据来生成,并且在一些情况下可以基于与媒体资产的数字媒体资产基因组相关的跟踪数据。
根据本公开内容的一些实施方式,本文提供了如下方法和系统,所述方法和系统用于向寻求连接到受众并使用内容(诸如广告内容、筹款内容、政治内容、拥护内容或其他内容)打动受众(个体、实体、特定的消费者的细分(segment)、属于特定数字村的消费者的细分、与特定数字角色相关联的消费者的细分等)的用户提供创造性智能。在实施方式中,创造性智能的提供可以包括利用广泛的数据源,诸如在线用户与媒体资产的交互(包括事件跟踪信息,诸如鼠标点击)、消费者人口统计和/或细分信息、其他消费者信息、数字角色信息、数字村信息、与在线用户相关联的属性和/或元数据、媒体资产属性数据、调查数据、兴趣点信息(诸如由SafegraphTM提供的数据)、天气数据、交通数据、警察数据、金融数据、健康数据、可穿戴设备数据、社交网络数据、通过人种学方法收集的厚数据等。这样的信息然后可以在数字人类学系统中用于诸如以各种方式向用户(例如,营销人员、顾问、政治顾问、事业倡导者、安全专业人员、数据科学家、数字人类学家、广告商等)提供营销相关的智能,诸如用于向用户提供推荐(例如,建议的广告内容或广告呈现属性)、内容生成、媒体规划、媒体定价、数字人类学服务、分析、数据可视化等。
根据下面的描述和附图以及权利要求,将认识到本公开内容的更完整的理解。
在实施方式中,公开了一种方法。该方法包括:由处理系统接收媒体资产;由处理系统使用媒体资产分类器对媒体资产的一个或更多个元素进行分类;由处理系统将所述分类作为媒体资产属性归于媒体资产;以及由处理系统基于媒体资产属性生成关于媒体资产的媒体资产基因组。该方法还包括:由处理系统将媒体资产基因组与媒体资产相关联;以及由处理系统将一个或更多个标记和/或代码嵌入到媒体资产中,这使得呈现媒体资产的客户端应用对与媒体资产的呈现相关的跟踪信息进行报告。该方法还包括:由处理系统将媒体资产传播到至少一个数字环境中;由处理系统从向相应的在线用户呈现媒体资产的一个或更多个外部设备接收跟踪信息,跟踪信息的每个实例指示相应的在线用户关于媒体资产的相应结果;以及由处理系统接收被呈现媒体资产的相应的在线用户的用户数据。该方法还包括由处理系统训练数字人类学系统,该数字人类学系统至少部分地基于媒体资产基因组以及与媒体资产基因组相关的跟踪数据和用户数据来执行任务。
在实施方式中,对数字人类学系统的训练还基于从两个或更多个其他独立数据源集成的集成数据。在一些实施方式中,通过对来自两个或更多个独立数据源的数据进行多基来生成集成数据。在这些实施方式中的一些实施方式中,该方法还包括将媒体资产基因组、跟踪数据和用户数据与两个或更多个其他独立数据源进行多基。在这些实施方式中的一些实施方式中,按需执行多基,使得由多基产生的集成数据不被持续存储。在一些实施方式中,使用数据融合技术来集成集成数据。在一些实施方式中,使用数据归属技术来集成集成数据。
根据本公开内容的一些实施方式,公开了一种图像捕获设备。图像捕获设备包括一个或更多个镜头;存储设备;以及执行可执行指令的一个或更多个处理器。这些指令使一个或更多个处理器执行以下操作:经由一个或更多个镜头捕获图像;使用图像分类器对媒体资产的一个或更多个元素进行分类;将一个或更多个元素的分类作为媒体资产属性归于媒体资产;基于媒体资产属性生成关于媒体资产的媒体资产基因组;将媒体资产基因组与媒体资产相关联;并将媒体资产基因组和媒体资产发送至外部设备。在实施方式中,图像捕获设备是数字摄像装置。在实施方式中,图像捕获设备是一副智能眼镜。在实施方式中,图像捕获设备是自包含摄影工作室系统。在实施方式中,外部设备是创造性智能服务器。在实施方式中,可执行指令还使一个或更多个处理器提取图像的一个或更多个特征。在这些实施方式的一些实施方式中,提取一个或更多个特征包括计算图像中的主题的两个不同元素的比率。另外地或可替选地,提取一个或更多个特征包括计算图像中的主题相对于图像中的其他对象的尺寸。在一些实施方式中,可执行指令还使一个或更多个处理器将一个或更多个标记和/或代码嵌入到媒体资产中,这使得呈现媒体资产的客户端应用对与媒体资产的呈现相关的跟踪信息进行报告。
根据本公开内容的一些实施方式,公开了一种方法。该方法可以包括由一个或更多个处理器接收与将代表客户执行的营销相关的任务相关的用例。该方法还包括由一个或更多个处理器经由通信网络向主机的集合提供客户端算法,其中,客户端算法包括机器可执行指令的集合,所述机器可执行指令定义机器学习算法,该机器学习算法在由主机存储的相应的本地数据集上训练本地模型并将训练的相应结果提供至由一个或更多个处理器执行的主算法,其中,主机中的至少一个主机存储不在客户的控制下的敏感数据集。该方法还包括由一个或更多个处理器从主机的集合中的每个主机接收相应的结果,并且由一个或更多个处理器基于从该组主机接收的结果来更新全局模型。该方法还包括由一个或更多个处理器接收代表客户执行营销相关的任务的请求,以及由一个或更多个处理器利用全局模型来执行营销相关的任务。
在实施方式中,从主机的集合的每个主机接收的相应结果包括由训练本地模型的相应版本得到的相应模型参数集。在一些实施方式中,更新全局模型包括将从主机中的每个主机接收的相应模型参数集集成到全局模型中。在一些实施方式中,该方法还包括:由一个或更多个处理器响应于集成相应的参数集,向主机中的每个主机提供相应的元学习信息。
在实施方式中,向主机的集合提供候选算法包括:向主机中的每个主机提供起始模型,其中,主机的集合中的每个相应主机从起始模型开始训练相应的本地模型。在一些实施方式中,起始模型起初在代表性数据集上训练。在实施方式中,向主机的集合提供候选算法包括向主机的集合提供代表性数据集,其中,主机的集合中的每个相应主机使用代表性数据集来验证相应的本地模型。
在实施方式中,营销相关的任务是客户细分。在实施方式中,营销相关的任务是主题建模(topic modeling)。在实施方式中,营销相关的任务是市场规划。
在实施方式中,主机的集合包括客户的商业伙伴的计算环境。在实施方式中,客户的商业环境存储商业伙伴的销售数据。在实施方式中,客户的商业环境存储商业伙伴的销售数据。在实施方式中,如权利要求22所述,其中,主机的集合包括计算环境,该计算环境包括来自两个独立数据源的多基数据。在实施方式中,主机的集合包括存储媒体资产分析数据的计算环境。
附图说明
附图被包括以提供对本公开内容的更好理解,附图示出了本公开内容的(一个或多个)实施方式并且与说明书一起用于解释本公开内容的原理。在附图中:
图1是根据本公开内容的一些实施方式的数字人类学和创造性智能系统的示例架构。
图2A示出了根据本公开内容的一些实施方式的数字人类学和创造性智能系统的与馈送至创造性智能系统的数据源相关的示例组件集。
图2B示出了根据本公开内容的一些实施方式的数字人类学和创造性智能系统的示例组件集。
图3示出了根据本公开内容的一些实施方式的媒体处理和分析系统的示例组件集。
图4是根据本公开内容的一些实施方式的用于确定图像集的分析数据的方法的示例操作集。
图5示出了可以由根据本公开内容的一些实施方式的数字人类学服务系统实现的算法选择架构的示例。
图6示出了根据本公开内容的一些实施方式的智能系统的示例组件集。
图7示出了根据本公开内容的一些实施方式的示例自包含摄影系统。
具体实施方式
本公开内容涉及数字人类学和创造性智能系统,其在本文中在一些情况下被简称为创造性智能系统100或者被简称为平台或系统,该数字人类学和创造性智能系统被配置成基于分析和机器学习模型来执行与媒体资产分类和自动化媒体规划相关的任务(除其他媒体相关的AI任务外),该分析和机器学习模型在一些情况下可以至少部分地使用从多个独立数据源集成的数据来生成,并且在一些情况下可以基于与媒体资产的数字基因组相关的跟踪数据。在实施方式中,数字人类学和创造性智能系统100聚集各种各样的数据,并向诸如品牌代表或营销人员的用户提供围绕角色的个性、行为和情感的创造性智能或数字人类学服务,诸如支持用户创建并实现媒体活动或其他媒体相关活动。
图1示出了根据本公开内容的一些实施方式的数字人类学和创造性智能系统100的示例。数字人类学和创造性智能系统100可以包括经由通信网络与一系列计算系统进行通信的一个或更多个服务器计算设备。创造性智能系统100可以被托管在云计算基础设施(例如,亚马逊或微软)上和/或被托管在数字人类学和创造性智能系统100的主机、提供商或运营商的控制下的一组物理服务器上。
在实施方式中,数字人类学和创造性智能系统100对媒体资产进行分析以提取一组(例如,一个或更多个)媒体资产属性,并基于所提取的一组媒体资产属性生成每个媒体资产的媒体资产基因组。在实施方式中,媒体资产的基因组信息可以嵌入到媒体资产中。媒体资产可以是媒体、数字媒体或非数字媒体的任何单元,并且可以是但不限于以下媒体类型:图像、音频细分(例如,流音乐或广播)、视频细分(例如,电视或剧院内)、GIF、视频游戏、文本文件、HTML对象、虚拟现实呈现、增强现实呈现、数字显示、新闻文章、投影/全息图、书籍或它们的混合。在一些场景中,媒体资产可以包含广告内容或者与广告内容相关联。广告内容可以出现在媒体资产内,或者可以伴随媒体资产(例如,在帖子或推文中)。广告内容可以是与媒体资产相同的媒体类型,或者可以是不同的媒体类型。出于解释的目的,如果媒体资产被用于为产品、服务等做广告,则广告内容被称为与媒体资产相关联。媒体资产基因组可以指媒体资产的媒体资产属性数据的集合。媒体资产属性数据(也称为“媒体资产属性”)描述了媒体资产的特征和/或分类。媒体资产属性可以由人明确提供、由媒体资产分类器(例如,图像分类器、视频分类器、音频分类器)分类和/或使用域特定的提取/分类技术从媒体资产或其元数据(例如,位置、时间戳或标题)中提取。与包含主题(例如,模特、男演员或女演员、动物、风景等)的图像或视频相关的媒体资产属性的示例集除了其他属性之外还可以包括以下项:媒体资产的类型或分类(例如,动作视频、搞笑视频、搞笑模因、动作照片、产品广告、可爱动物照片等);媒体资产中出现的(一个或多个)主题的主题类型;媒体资产中出现的人类主体的发型;媒体资产中出现的主题的服装风格;参与制作媒体资产的个体的身份(例如,摄影师、导演、制片人、照明设计师、布景设计师等);媒体资产中出现的主题的姿势;媒体资产中出现的主题的活动;媒体资产的设置(室内/室外、海滩/山脉、白天/夜晚等);媒体资产中出现的对象;媒体资产中使用的字体或字体样式;媒体资产中文本的字体或文本大小;媒体资产中使用的关键词或短语;媒体资产中描绘的主题和/或对象的位置和/或大小;媒体资产中说话者的背景音乐声音特征;媒体资产中显示的文本字体和大小;媒体资产中描绘的基于文本的消息的分类(例如,搞笑文本、励志引语等);视频细分长度;音频细分长度;照明风格或配置(例如,定向照明风格、光源类型、灯光颜色、灯光色温或许多其他内容);摄影风格或配置(例如,滤镜的使用、调色板、数值范围、镜头、f制光圈、快门速度、录制速度等)等。在实施方式中,创造性智能系统100可以从媒体资产中提取另外的属性(诸如主题的面部和身体的尺寸和比例),并且可以将这些属性包括在媒体资产的基因组中。
在实施方式中,基因组可以与媒体资产相关联和/或嵌入到媒体资产中,使得当媒体资产被传播到一个或更多个数字环境(例如,社交媒体、Etail站点、博客、网站、移动应用、市场、流服务等)中时,向在线用户显示/输出媒体资产的客户端可以向创造性智能系统100报告与各个媒体资产的消费相关的跟踪信息(例如,使用在包含图像的JSON文件中嵌入的一个或更多个指令)。在实施方式中,创造性智能系统100可以经由应用系统、媒体系统160和/或社交媒体系统170传播媒体资产,并且可以接收指示呈现媒体资产的在线用户的动作的跟踪信息,并且可以提供与呈现媒体资产的在线用户相关的用户数据。创造性智能系统100可以记录创造性智能系统100可以结合媒体资产的基因组进行分析的跟踪数据和用户数据、与涉及媒体资产的其他事件相关的跟踪数据和用户数据、以及/或者与其他媒体资产以及那些媒体资产的基因组相关的跟踪数据和用户数据。例如,客户端(例如,web浏览器或应用)可以向创造性智能系统100报告与媒体资产相关的跟踪数据(例如,如果用户点击、悬停、滚过、滚回到、共享、查看(例如由眼睛跟踪系统测量)、导航到、下载、流式传输、播放或以其他方式与媒体资产交互)。客户端还可以报告用户数据,诸如用户ID(例如,用户在社交媒体网站上的简档、用户的电子邮件地址等)、用户的IP地址、用户的位置、用户的MAC地址等。创造性智能系统100可以利用用户数据、跟踪数据以及另外的用户数据和跟踪数据来确定与和媒体资产建立联系的用户更密切相关的某些属性(例如,点击、共享、购买正在使用媒体资产进行广告的项等),所述另外的用户数据和跟踪数据与针对媒体资产进行报告的其他事件以及与其他媒体资产相关的事件相关。
在示例中,创造性智能系统100可以对图像集进行分类和传播,该图像集包括可以描绘海滩上穿着海滩装的人的第一图像,而第二图像可以描绘森林中穿着法兰绒的同一个人。图像可以在营销活动中呈现给成千上万的用户,并且在接收和分析指示用户是以积极的方式(例如,点击相应的图像或者购买使用相应的图像进行广告的项)还是消极的方式(例如,滚动经过相应的图像、报告图像、不喜欢图像)与相应的图像建立联系的用户数据和跟踪数据以及指示例如用户的IP地址或用户的位置的用户数据之后,创造性智能系统100可以确定:表达或体现特定数字角色的用户或具有特定人口统计、地理、心理或其他特征组合的用户诸如“太平洋西北徒步旅行者”更有可能与包含穿着法兰绒和/或在森林中描绘的主题的图像建立联系,而表达其他数字角色、人口统计特征、地理特征、心理特征或特征组合的用户诸如“南加州冲浪运动员”更有可能与穿着海滩装和/或被描绘在海滩上的主题的照片建立联系。注意,虽然示例中使用了“南加州冲浪运动员”或“太平洋西北徒步旅行者”的标签,但是创造性智能系统100不必对不同的数字角色或人口统计进行贴标签。例如,一组个体可以基于不一定能够被人类进行分类的一个或更多个潜在属性而被分组在一起。
在实施方式中,创造性智能系统100可以训练和部署如下模型,该模型对与在线用户和细分(也称为“人口统计组”)、数字角色(包括Etail客户、社交媒体用户、文章查看者等)和/或这些在线用户的数字村相关的行为和动作进行分析。细分可以指市场细分和/或人员所属的永久或半永久的个体群组,诸如年龄组、位置、性别、教育水平、心理特征或个性特征等。数字角色可以指在线用户在与数字环境(例如,网站、社交媒体平台、Etail站点、电子邮件应用、流服务、移动应用、视频游戏等)相关联(例如,访问、交互、被监视等)时呈现的在线用户的个性的可分类方面,无论是离线或在线,使得数字角色能够基于在线用户的一个或更多个属性或动作和/或数字环境的一个或更多个属性来分类。例如,如果一个人正在搜索酒,则这个人可以具有“酒购物者”数字角色;如果这个人正在社交媒体上进行“搜索”活动,则其具有“在线搜索”角色;如果这个人正在阅读政治文章,则其具有“新闻消费者”角色;如果这个人正在在线论坛上销售物品,则其具有“卖家”角色;如果这个人正在阅读新餐馆的在线评论,则其具有“美食家”角色;等。注意,虽然上面的示例被贴标签,但是标签仅作为示例被提供,并且在实施方式中,标签可以不被应用于数字角色,而是数字角色可以包括基于与个体的属性相关的一组共同特征而聚集在一起的一组或一群个体。数字村可以指一组不同的数字角色,这些不同的数字角色共享一个或更多个特定属性或者例如通过围绕感兴趣的话题进行交流来彼此交互。例如,“鞋”数字村的成员可以包括“运动鞋收集者”数字角色、“在线购物者”数字角色、“时尚博主”数字角色等的成员。在实施方式中,消费者可以被允许主动地将他们自己放置在数字村中。另外地或可替选地,可以基于对个体的行为相对于与其在线活动相关的数据的分析来将个体放置在数字村中或与数字村相关联。在实施方式中,个体可以属于多个数字村。在整个公开内容中讨论了人口统计、数字角色和数字村的各种示例。除非上下文另有说明,否则本文中对“消费者”的引用应当理解为涵盖可能成为活动、促销、广告、消息、媒体资产等的目标或与之交互的个体或群体,无论该个体或群体是否实际上消费产品或服务。这些示例并不旨在限制本公开内容的范围。
在训练和选择用于各种使用案例的模型时,在实施方式中,创造性智能系统100可以在来自某些不同来源的混合数据方面受到限制或管理。例如,创造性智能系统100的用户可以具有访问受制于法律或监管约束的敏感信息(诸如个体的个人身份信息、敏感的金融信息、敏感的健康信息、敏感的安全信息等)的能力,并且/或者创造性智能系统的主机或运营商与用户或第三方数据提供商之间的协议可以约束创造性智能系统100被允许将其数据与从其他数据提供商提供的数据进行组合的条件。在另一示例中,从一个数据源提供的数据可能包含与从另一数据源提供的人口统计数据不一致的人口统计数据(例如,第一数据源提供针对18至40岁的男性或女性的人口统计数据,而第二数据源提供针对18至30岁以及31至50岁的男性或女性的人口统计数据),并因此不能够被组合。在一些实施方式中,当来自一个或更多个独立源的数据不能被混合时,创造性智能系统100可以被配置成基于来自两个或更多个独立源的数据生成集成数据。在这些实施方式中的一些实施方式中,创造性智能系统100可以将来自两个或更多个独立源的数据进行多基(multi-base)。多基可以指交叉分析来自两个或更多个独立源(例如,两个不同的数据库)的数据,其中响应于查询对多个独立源执行并行调用,该查询可以包括经由并行调用或处理线程指向多个独立源的单个统一查询。在实施方式中,可以使用算法来利用多基,例如其中算法家族的每个成员被配置成从馈送算法的一组相关数据源获得数据。
在实施方式中,创造性智能系统100可以使用与人类行为相关的各种类型的数据来训练一个或更多个模型,由此模型被训练成对与给定的营销相关用例(例如,媒体规划、内容选择、定向目标等)相关联的任务进行优化。在实施方式中,用例可以是非营销用例。在这些实施方式中的一些实施方式中,创造性智能系统100可以实现一组N种不同的算法来训练N种不同的模型,以处理特定实体(例如,业务单位或客户)的特定用例。创造性智能系统100可以评估N种模型中的每一种的性能,并且可以考虑到用例和特定实体而选择最佳性能的模型或模型集。在一些实施方式中,创造性智能系统100可以执行整体建模,以评估对于给定用例表现最好的(一个或多个)模型的性能并选择所述模型。一旦选择了最佳性能的模型,该模型就可以被部署成由特定实体针对特定用例使用。在一些实施方式中,一些数据可以涉及广告内容的一个或更多个不同的传递媒介(例如,社交媒体、电视、印刷媒体、广播、网站、流系统、移动应用等)。
在实施方式中,创造性智能系统100与实体(例如,客户)计算系统150(例如,营销公司系统、顾问系统、公司系统等)、应用/媒体系统160、社交媒体系统170、用户设备180、自包含摄影工作室系统190等进行通信。实体计算系统150可以是以客户身份利用一个或更多个创造性智能系统100的组织的计算基础设施。例如,营销公司可以使用创造性智能系统100来确定广告活动的媒体计划,由此创造性智能系统100可以利用被训练以确定营销公司的营销计划的模型。营销计划的示例可以包括:使用哪些媒体工具、在每个相应工具上花费的金额、以哪些人口统计、数字角色和/或数字村为目标以及在以这些人口统计、数字角色和/或数字村为目标时使用哪些媒体工具/媒体资产。在另一示例中,顾问公司可以利用创造性智能系统100对不同类型的媒体资产执行位置特定或人口统计特定的A/B测试,以确定应该向什么类型的潜在消费者呈现什么类型的内容或者应该在媒体资产中描绘什么属性以打动特定人口统计、数字角色、数字村等的某些成员。应用服务器和媒体系统160可以指如下计算系统,其将内容和/或应用数据传递至在线用户。示例包括网站、搜索应用、博客应用、流服务、移动应用、视频游戏应用、新闻应用、零售应用等。社交媒体系统170是特定类型的应用系统。许多社交媒体系统170允许用户共享媒体资产,诸如图像、视频剪辑和/或音频剪辑。在实施方式中,创造性智能系统100可以经由社交媒体系统170和其他应用/媒体系统160来传播媒体资产,并且可以获得由媒体资产的传播产生的跟踪数据和用户数据。自包含摄影工作室系统190可以指媒体资产自动化设备。例如,在用户的住所处的自包含摄影工作室系统190可以被配置成在各种设置(摄像装置角度、倾斜、变焦、照明属性等)下拍摄鞋产品的大量图像,并且可以利用创造性智能系统100来确定哪些鞋产品图像在特定数字村中或对特定数字角色最有吸引力。自包含摄影工作室系统190可以被配置成捕获各种类型的媒体资产(例如,图像、音频、视频等),并且可以基于要捕获的(一个或多个)主题和/或(一个或多个)对象自动地调整配置设置。例如,自包含摄影工作室系统190可以被布置成用于捕获小的对象(例如,鞋或珠宝),或者可以被布置成用于捕获真人模型。
图2A示出了与馈送到创造性智能系统100中的数据源130相关的创造性智能系统100的示例组件集。在实施方式中,创造性智能系统100可以包括API和服务系统102、媒体处理和分析系统104、数据集成系统106、数字人类学服务系统108和智能系统110,这些将在下面更详细地描述。
创造性智能系统100还可以包括媒体资产数据存储210、媒体资产分析数据存储212、受保护数据存储214、集成数据存储216、公共数据存储218和数字人类学数据存储220。
图2B示出了创造性智能系统100的示例实现。在实施方式中,创造性智能系统100可以包括存储系统200、通信系统202和处理系统204。创造性智能系统100可以包括图7中未示出的另外的硬件组件。
存储系统200包括一个或更多个存储设备。存储设备可以包括永久存储介质(例如,闪存驱动器、硬盘驱动器)和/或暂态存储设备(例如,RAM)。存储系统200可以存储一个或更多个数据存储。数据存储可以包括一个或更多个数据库、表、索引、记录、文件系统、文件夹和/或文件。在所示实施方式中,存储设备存储媒体资产数据存储210、媒体资产分析数据存储212、受保护数据存储214、集成数据存储216、公共数据存储218和数字人类学数据存储220。存储系统200可以在不脱离本公开内容的范围的情况下存储另外的或可替选的数据存储。
通信系统202包括一个或更多个网络设备,该一个或更多个网络设备被配置成经由通信网络(例如,互联网和/或蜂窝网络)实行与一个或更多个外部设备(包括用户设备180和/或服务器)的无线或有线通信。通信系统202可以实现任何合适的通信协议。例如,通信系统可以实现IEEE801.11无线通信协议和/或任何合适的蜂窝通信协议,以经由无线网络实行与外部设备的无线通信。通信系统202可以执行有线通信和/或无线通信。通信系统202可以包括以太网卡、无线网卡、蜂窝芯片组等。
处理系统204包括存储计算机可读指令的存储器(例如,RAM和ROM)以及执行计算机可读指令的一个或更多个处理器。处理器可以以独立或分布式的方式操作。处理器可以位于相同的物理设备中,或者可以位于不同的设备中。处理系统204可以执行API和服务系统102、媒体处理和分析系统104、数据集成系统106、数字人类学服务系统108、智能系统110和媒体规划系统112中的一个或更多个。
在实施方式中,创造性智能系统100可以从不同的数据源接收数据。所接收的数据的类型可以包括但不限于:第三方数据(例如,电视收视率、商业上可获得的市场数据等)、厚数据(例如,客户调查、在线调查等)、专有客户端数据(例如,组织的销售数据、组织的客户数据、组织的媒体计划等)、与媒体资产相关的跟踪数据(例如,媒体对象被点击、查看、滚过、返回、共享等的实例)以及与跟踪数据相关的用户数据(例如,呈现媒体资产的在线用户的用户ID、IP地址、位置、年龄组和/或性别)。在一些实施方式中,除了被存储在数字人类学系统100的数据存储中之外或者代替地存储在数字人类学系统100的数据存储中,合适的数据还可以使用分布式账本系统(例如,区块链)来存储。
在实施方式中,媒体资产数据存储210存储媒体资产和/或媒体资产的媒体资产基因组。在一些实施方式中,媒体资产数据存储210还存储媒体资产创建者定义的元数据和媒体资产属性和/或与媒体资产中出现的(一个或多个)对象相关的媒体资产对象元数据(例如,媒体资产中由真人模特穿着的鞋产品的价格数据)。媒体资产数据存储210也可以存储其他合适的媒体资产相关的数据。
在实施方式中,媒体资产分析数据存储212存储与媒体资产相关的分析数据。在实施方式中,分析数据可以包括相应的媒体资产的跟踪数据与呈现相应的媒体资产的用户的用户数据的组合。在实施方式中,分析数据还可以包括由媒体资产处理和分析系统104基于对以下的分析而得出的度量和推断:各个媒体资产集、与各个媒体资产集相关的跟踪数据、以及被呈现各个集中的媒体资产的用户的用户数据。例如,推断可以包括媒体资产的哪些类型的属性与属于特定人口统计群体、特定数字角色或特定数字村的个体的积极行动相互关联。媒体资产分析数据存储212也可以存储其他合适的分析数据。
在实施方式中,受保护数据存储214存储在其使用中受到限制的数据。这可能包括不能与来自其他服务(例如,作为许可协议的结果)的数据混合的第三方数据和/或只能在针对该实体执行的任务中使用的相应实体(例如,客户)的专有数据。相应实体的专有数据可以包括他们的客户或其他用户的个人可识别信息(PII)、客户的销售数据、实体的营销数据、被训练以用于代表实体执行的任务的模型等。受保护数据存储214可以存储任何合适的受保护数据。
在实施方式中,集成数据存储216存储由来自两个或更多个独立数据源的数据的集成产生的数据。在一些实施方式中,集成数据存储216存储由来自两个或更多个不同的独立数据存储的数据的多基产生的多基数据。集成数据存储216也可以存储其他合适的数据,诸如通过对两个或更多个不同的独立数据源使用数据归属技术或数据融合技术而产生的数据。
在实施方式中,公共数据存储218存储可以无限制地用于任何任务的数据。这可以包括由创造性智能系统100收集的数据或者由第三方提供的被许可用于公共用途的数据(例如,供任何实体使用并且可以与从其他方获得的数据混合)。
在实施方式中,数字人类学数据存储220存储数字人类学的数据,该数字人类学的数据与创造性智能系统100数字人类学服务结合使用。数字人类学数据可以包括:定义不同人口统计的属性的数据、定义不同数字角色的属性的数字角色数据、和/或定义不同数字村的属性的数字村,所述不同数字村的属性诸如是行为属性(例如,浏览行为、社交联网行为、购买行为、购物行为、网站导航行为、移动应用交互行为、移动行为、博客行为、通信行为、内容消费行为以及许多其他行为)、人口统计属性、心理属性、地理属性、厚数据等,所有这些属性都应该被理解为被本文中使用的术语“属性”或“人口统计”所涵盖,除非上下文另外明确说明。
在实施方式中,API和服务系统102提供了接口,客户端应用可以通过该接口向系统100请求和/或上传数据。在实施方式中,系统100可以实现微服务架构,使得客户端可以经由应用编程接口(API)、数据集成系统(例如,代理、连接器、ETL系统、数据集成协议(例如,SOAP)等)、人类可读用户接口(例如,web接口、移动应用接口和/或软件即服务(SaaS)或平台即服务(PaaS)系统的接口)和/或软件开发工具包(SDK)来访问一个或更多个服务。例如,在实施方式中,创造性智能系统100的API或其他接口可以公开各种分析服务,提供对不能存储在创造性智能系统100中的敏感数据的访问,上传用例和算法,选择或配置算法族,配置一组查询,请求和查看媒体计划等,所述各种分析服务允许客户端的用户向系统上传媒体资产或媒体资产的标识符(例如,URL),并且/或者访问与媒体资产相关的分析。在这些实施方式中的一些实施方式中,API和服务系统102提供诸如基于实体的需求定制界面或其他客户端性能的能力。在一些实施方式中,API和服务系统102公开了媒体处理和分析系统104的服务(包括计算机视觉服务),由此视觉服务可以例如将上传的图像和/或视频分类成一个或更多个类别和/或从图像或视频中提取对象、面部和文本。在实施方式中,创造性智能系统100可以提供一个或更多个SDK,所述一个或更多个SDK允许客户端开发者经由API和服务系统102访问系统100的一个或更多个服务。SDK的示例类型包括但不限于:安卓、iOS、JavaScript、PHP、Python、Swift、Windows和/或Ruby SDK。
在实施方式中,API和服务系统102可以从相应的数据源接收数据,并且可以将数据路由到适当的数据存储或系统中。例如,API和服务系统102可以将输入的媒体资产存储在媒体资产数据存储210中,和/或可以将媒体资产路由到媒体处理和分析系统102,该媒体处理和分析系统又可以处理媒体资产并基于处理的结果更新媒体资产数据存储210和/或媒体资产分析数据存储212。在该示例中,API和服务系统102还可以接收与传播的媒体资产相关的跟踪数据和用户数据,API和服务系统102可以将该跟踪数据和用户数据路由到媒体处理和分析系统104,该媒体处理和分析系统104又可以处理与相应的媒体资产的属性相关的跟踪数据和用户数据并基于处理的结果更新媒体资产分析数据存储212。在另一示例中,API和服务系统102可以将只能用于某些实体的第三方数据和/或专有实体数据存储在受保护数据存储214中,和/或可以将第三方数据和/或专有实体数据路由到数据集成系统106,该数据集成系统106可以将专有实体数据与由系统100收集的其他数据进行多基并且可以将结果存储在集成数据存储216中。在另一示例中,API和服务系统102可以接收域特定的数据(例如,用例、算法和/或基础模型),该域特定的数据被用于执行关于特定垂直实体或特定实体的具体任务或分析。API和服务系统102可以将域特定的数据路由到数字人类学数据存储220。API和服务系统102可以接收API和服务系统102被配置成处理的另外的或可替选类型的数据。
在实施方式中,媒体处理和分析系统104处理媒体资产以对媒体资产的一个或更多个属性进行分类,从媒体资产中提取另外的属性,生成和/或提取与其对应的媒体资产相关联的媒体资产基因组(可选地包括由创建者在创建时制定的与媒体资产相关联的基因组属性和通过处理媒体资产诸如通过机器处理获得的其他属性的混合),将媒体资产传播到一个或更多个数字环境中,跟踪由在一个或更多个数字环境中呈现媒体资产的在线用户所执行的动作,和/或分析与在线用户和媒体资产的属性相关的动作。在实施方式中,从该类型的跟踪中得出的分析可以用来推荐用于商业活动的媒体对象,诸如媒体规划。
图3C示出了根据本公开内容的一些实施方式的媒体处理和分析系统104的示例组件集。在实施方式中,媒体处理和分析系统104包括媒体资产处理系统3C02、媒体资产标记系统3C04和媒体资产分析系统3C06。
在实施方式中,媒体资产处理系统3C02分析媒体资产以确定相应媒体资产的一个或更多个媒体资产属性。例如,媒体资产处理系统3C02可以被配置成分析图像、视频、音频、文本等,以使用一个或更多个机器学习模型和/或其他基于人工智能的过程来分类和/或提取其属性。在实施方式中,机器学习模型和其他基于人工智能的过程的训练和部署由智能系统执行。在实施方式中,媒体资产处理系统3C02可以向媒体资产标记系统3C04输出属性。
在图像和/或视频的情况下,媒体资产处理系统3C02可以利用被训练以对图像、视频或其他视觉媒体资产的一个或更多个元素进行分类的一个或更多个分类模型。在实施方式中,可以使用被贴标签的图像或视频来训练分类模型(例如,图像分类模型或视频分类模型),其中,标签可以总体上指示图像或视频(例如,海滩图像、山地图像、动作视频等)的相应分类,或者可以指示图像的主题(例如,模特是女性、模特穿着泳衣、模特在冲浪、模特在做瑜伽等)的分类。分类模型可以是能够被训练以对图像或视频进行分类的任何合适类型的模型(例如,神经网络、卷积神经网络、基于回归的模型、深度神经网络等)。在一些实施方式中,可以对未被贴标签的图像或视频训练分类模型。在这些实施方式中,媒体处理系统3C02和/或智能系统110可以从媒体资产中提取特征,并基于所提取的特征对媒体资产进行聚类。在这些实施方式中,“标签”可以基于导致媒体资产被分配给相应集群的主要特征而被分配给集群中的媒体资产。在实施方式中,媒体资产处理系统3C02可以向智能系统馈送视觉媒体资产,该智能系统利用一个或更多个分类模型来确定媒体资产的分类和/或媒体资产的一个或更多个元素的分类。然后,分类可以作为媒体资产的媒体资产属性而被归于媒体资产。在一些实施方式中,媒体资产处理系统3C02可以对视觉媒体资产执行特征提取,以提取媒体资产的另外的属性。
在音频媒体资产的情况下,媒体资产处理系统3C02可以分析音频媒体资产以对音频媒体资产(例如,音频细分的话题)进行分类。在实施方式中,媒体资产处理系统3C02和/或智能系统110可以执行文本到语音分析和自然语言处理,以对包含在音频细分中的语音的内容进行分类。然后,分类可以作为媒体资产的媒体资产属性而被归于媒体资产。在实施方式中,媒体资产处理系统3C02可以对音频细分执行音频分析,以识别媒体资产的一个或更多个属性。例如,媒体资产处理系统3C02可以分析音频细分以识别说话者的音调、说话者的性别、说话者的节奏、音频细分中正在播放的歌曲、音频细分中的环境声音等。
在实施方式中,媒体资产标记系统3C04接收媒体资产的属性,并基于该媒体资产的属性生成媒体资产基因组。媒体资产基因组可以是包含媒体资产的属性的数据结构。在一些实施方式中,媒体资产基因组可以包括另外的数据,诸如将基因组与媒体资产相关联的媒体资产标识符(例如,媒体资产的UUID)和任何合适的元数据(例如,用于提取媒体资产的属性的模型的标识符)。
在实施方式中,媒体资产标记系统3C04可以准备用于传播和跟踪的图像。在实施方式中,媒体资产标记系统3C04可以在图像中嵌入标记和/或代码(例如,JavaScript代码),这使得能够跟踪媒体资产的使用和分发以及对被呈现媒体资产的在线用户的用户数据的报告。
在实施方式中,媒体资产处理系统3C02和/或媒体资产标记系统3C04可以与具有媒体资产捕获能力的用户设备(例如,数字摄像装置、移动电话、智能眼镜、增强现实眼镜、虚拟现实眼镜、平板电脑、膝上型电脑、摄像机、麦克风等)结合使用,由此用户设备被配置成对捕获的媒体资产进行分类、生成和/或提取捕获的媒体资产的媒体资产基因组、将媒体资产与媒体资产基因组相关联和/或通过在媒体资产中嵌入标记和/或代码来准备用于传播和跟踪的媒体资产。在这些实施方式中,标记和/或代码可以将跟踪信息和/或用户数据路由到创造性智能系统100的API。在一些实施方式中,用户设备可以是嵌入有软件的数字摄像装置(或具有数字摄像装置的用户设备),该软件诸如通过捕获与图像的捕获相关联的设备设置、捕获环境的属性(例如,照明属性)等来自动地生成捕获的每个图像的基因组并将基因组与图像相关联。在这些实施方式中,数字摄像装置可以将基因组和图像传送至创造性智能系统100,或者可以将图像传播到数字环境中(例如,发布到社交媒体)。在一些实施方式中,用户设备可以提示用户诸如摄影师、导演或其他内容创作者诸如在用户设备的接口上或在被连接的系统的接口(诸如网络接口、移动接口或其他软件接口)上输入基因组的一些属性。例如,创作者可以识别图像的主题、意指的情绪、寻求的风格、图像的一个或更多个目标、所描绘的服装或其他物品的品牌以及许多其他属性。
在实施方式中,媒体资产分析系统3C06基于一个或更多个媒体资产的基因组、与该组媒体资产相关的跟踪数据、与跟踪数据相关的用户数据以及其他合适的数据来执行关于媒体资产的分析。在实施方式中,可以由媒体资产分析系统3C06使用的跟踪数据的示例可以包括但不限于遥测数据,诸如关于媒体资产的悬停状态、关于媒体资产的鼠标点击、滚动经过媒体资产、媒体资产的下载、购买使用媒体资产所广告的物品、媒体资产的观看时间、媒体资产的多个视频或音频播放、关于媒体资产的眼睛跟踪、关于媒体资产的扫描行为、当被呈现媒体资产时用户的面部表情、当被呈现媒体资产时用户的身体运动、当被呈现媒体资产时所感测的生理数据(例如,脑电图(EEG)、心电图(ECG)、肌电图(EMG)、血压、体温、血糖、皮肤电反应(GSR))等。在实施方式中,跟踪数据可以另外地或可替选地包括元数据,诸如位置数据(例如,媒体资产被访问的位置)、媒体资产被访问时的时间戳、访问媒体资产的设备的设备类型等。跟踪数据可以由任何合适的设备(诸如web浏览器、摄像装置、呈现媒体资产的用户设备的麦克风以及/或者(例如,可穿戴设备的)一个或更多个生物传感器)收集。在实施方式中,跟踪数据也可以从其他类型的环境(包括但不限于智能商店、智能车辆、智能城市等)中收集。
媒体资产分析系统3C06可以执行任何合适的描述性、诊断性或预测性分析。例如,媒体资产分析系统3C06可以针对特定媒体资产或媒体资产的类别确定特定媒体资产或媒体资产的类别表现最好的人口统计组或数字角色(例如,哪个人口统计或数字角色最有可能点击媒体资产或媒体资产的类别或者购买使用媒体资产或媒体资产的类别进行广告的产品或服务)。在另一示例中,媒体资产分析系统3C06可以确定考虑到人群(例如,整个人群,或特定人口统计、数字角色或数字村),什么类型的属性与积极事件最正相关。
在实施方式中,媒体资产分析系统3C06可以接收执行针对媒体资产集的分析的请求。例如,该请求可以指示用于单独地为公共产品或服务做广告的图像集。响应于该请求,媒体资产分析系统3C06可以获得每个图像的媒体资产基因组、每个图像的跟踪数据以及与跟踪数据对应的用户数据。在这些实施方式中,媒体资产分析系统3C06可以确定与积极事件(例如,用户点击了图像、用户购买了与图像相关联的产品或服务等)最正相关的属性。例如,媒体资产分析系统3C06可以确定:描绘参与特定运动的主题的图像比以传统模型姿势描绘主题的图像更有可能导致积极事件。在这些实施方式中,可以使用合适的分析算法来执行分析。在实施方式中,可以收集关于数字角色、数字村、人口统计类别等的集合的用户数据。
在实施方式中,媒体资产分析系统3C06可以经由创造性智能仪表板向用户呈现分析的结果(例如,分析数据)。例如,用户可以明确地向创造性智能系统100请求分析数据。在这些实施方式中,媒体分析系统3C06可以经由仪表板呈现与活动、媒体资产和/或客户行为相关的分析。例如,媒体分析系统3C06可以呈现示出某些媒体资产属性(例如,背景、模特服装等)与某些用户属性(例如,年龄、性别、位置等)之间的相关性的图形、表格、图表等。在实施方式中,媒体资产分析系统3C06可以将分析数据写入媒体资产分析数据存储212,使得分析数据可以用于其他服务,诸如细分和/或媒体规划。
图4示出了用于确定图像集的分析数据的方法400的示例操作集。该方法关于媒体处理和分析系统104进行了描述,但是该方法可以由任何合适的计算系统来执行,而不脱离本公开内容的范围。
在410处,媒体处理和分析系统104对图像集进行处理和分类。在实施方式中,媒体处理和分析系统104可以对图像本身进行分类和/或对图像的一个或更多个方面进行分类。媒体处理和分析系统104可以利用一个或更多个分类模型来确定图像的一组属性。在一些实施方式中,智能系统110从媒体处理接收图像、提取每个图像的一个或更多个特征并基于提取的特征生成针对每个图像的一个或更多个特征向量。智能系统110可以将相应的特征向量馈送到一个或更多个分类模型(例如,图像分类模型)中。对于每个特征向量,分类模型可以基于该特征向量输出相应的分类。在一些实施方式中,每个分类可以包括置信度得分,该置信度得分指示考虑到分类模型和图像的特征的分类的置信度。在实施方式中,智能系统110可以将每个图像的分类返回至媒体处理和分析系统104(例如,如果每个图像使用一个以上的分类模型,则该分类具有最高的置信度得分)。
在412处,媒体处理和分析系统104可以针对每个图像使从图像的分类获得的数据集规范化(canonicalize),以获得图像的图像基因组。媒体处理和分析系统104可以使用从分类过程得出的图像的媒体资产属性来填充数据结构,以获得图像的图像基因组。媒体处理和分析系统104可以根据预定义的本体或模式将数据集规范化为图像基因组数据结构,该预定义的本体或模式定义了可归因于图像和/或图像的特定类别(例如,风景、动作照片、模特姿势、产品照片等)的属性的类型。在实施方式中,图像基因组的本体/模式可以包括可归因于图像的媒体资产属性的整个集合,由此可以使用任何给定媒体资产的属性对与图像对应的数据结构进行参数化。
在414处,媒体处理和分析系统104可以针对每个图像从图像中提取另外的特征集。媒体处理和分析系统104可以执行各种类型的特征提取,包括计算主题的不同元素的比率、与图像中的其他对象相关的主题的大小等。媒体处理和分析系统104可以使用另外的被提取的特征来扩充图像基因组。
在416处,媒体处理和分析系统104针对每个图像将图像基因组与图像相关联。在实施方式中,媒体处理和分析系统104可以将图像的UUID或任何其他合适的唯一标识符存储在图像基因组或与图像基因组对应的数据库记录中。
在418处,媒体处理和分析系统104将图像集传播到一个或更多个数字环境中。在实施方式中,媒体处理和分析系统104可以嵌入允许记录和报告跟踪数据的标记和/或代码(例如,JavaScript代码)以及当图像被呈现给用户时可用的用户数据。在实施方式中,媒体处理和分析系统104可以通过将图像放置在数字广告、社交媒体帖子、网站、博客和/或其他合适的数字环境中来传播图像。在一些实施方式中,媒体处理和分析系统104向与实体相关联的客户端提供图像集,使得该实体可以将图像集传播到数字环境。
在420处,媒体处理和分析系统104接收与每个图像对应的跟踪数据和用户数据,并存储与图像的图像基因组相关的跟踪数据和用户数据。可以接收的跟踪数据可以包括与图像相关的结果(例如,在线用户是否购买了使用图像进行广告的项,在线用户是否点击了图像或与图像相关联的链接,在线用户是否共享或下载了图像,在线用户是否滚动过图像、隐藏了图像或报告了图像等)。另外地或可替选地,跟踪数据可以包括描述在线用户在被呈现图像时的行为的数据(例如,用户的心率、用户的眼睛注视、用户的血压、用户的面部表情等)。在实施方式中,用户数据可以是明确地标识在线用户的数据(例如,用户名、电子邮件地址、用户简档、用户的电话号码)。另外地或可替选地,用户数据可以是提供对用户的洞察但不识别在线用户的数据(例如,用户的IP地址、用户的位置、用户的年龄或年龄范围、用户的性别、用户在社交媒体平台上“喜欢”的事物等)。在实施方式中,媒体处理和分析系统104可以将跟踪数据和用户数据存储在媒体资产分析数据存储212中,使得跟踪数据和用户数据与被呈现给在线用户的相应图像的图像基因组相关联。
在422处,媒体处理和分析系统104基于一个或更多个图像的图像基因组以及与该图像基因组相关联的跟踪数据和用户数据来确定分析数据。例如,媒体处理和分析系统104可以针对特定图像或图像的类别(例如,具有相同分类的图像)确定特定图像或图像的类别表现最好的人口统计组或数字角色(例如,哪个人口统计组或数字角色最有可能点击图像或者购买使用图像做广告的产品或服务)。在另一示例中,媒体处理和分析系统104可以确定考虑到人群(例如,整个人群、特定人口统计、数字角色、数字村等),什么类型的属性与积极事件最正相关。媒体处理和分析系统104可以经由创造性智能仪表板或其他图形用户接口向用户呈现分析数据,和/或可以将分析数据存储在媒体资产分析数据存储212中。
图4的方法仅被提供用于示例。该方法的变型被预期并在本公开内容的范围内。例如,在一些实施方式中,媒体处理和分析系统104可以生成单个图像的变型,以获得图像的不同变型。例如,媒体处理和分析系统104可以改变(或者可以允许人类用户改变)图像的两个或更多个版本中的一个或更多个属性诸如主题的服装的颜色、主题的头发的颜色、主题的发型或者图像中描绘的背景,以便更好地确定特定属性是否更好地与积极结果相关联。在相关示例中,与实体相关联的用户可以将具有相关联的图像基因组的图像嵌入到该实体的与标价出售的项相关的网站上。用户可以包括标记和/或代码(例如,JavaScript代码),这些标记和/或代码被配置成跟踪关于图像的事件并且基于所跟踪的事件以及被呈现图像的在线用户的用户数据(例如,IP地址、位置、年龄和/或性别)来报告跟踪数据。用户还可以提供包含针对同一项进行显示的多个替选图像的图像集,由此,替选图像然后可以在每次访问页面时被动态地切换入和切换出。然后,基因组数据、事件跟踪数据和用户数据(如果可用)可以被传输到媒体资产处理和分析系统,该媒体资产处理和分析系统允许使用动态学习进行A/B测试和/或在创造性智能仪表板上向用户提供建议。
返回参照图2A,媒体处理和分析系统104可以执行其他合适的服务。例如,在实施方式中,媒体处理和分析系统104可以将媒体资产数据与来自第三方数据源的第一人称数据(诸如电子商务购买数据)相结合,以确定最佳摄影条件。在实施方式中,媒体处理和分析系统104可以与摄影即服务结合地操作,所述摄影即服务将摄影作为服务提供给实体。在实施方式中,媒体处理和分析系统104可以与广告网络(例如,基于角色的广告网络)和/或媒体竞价和购买系统(例如,基于角色的竞价和购买系统)结合地操作。媒体竞价和购买系统可以执行用于检测竞价或购买媒体机会的欺诈性请求的欺诈检测任务。
媒体处理和分析系统104可以执行另外的分析任务,诸如分析数据源和对综合的媒体研究重新加权、审查产品的消费者中的人口统计变量(例如,“chaid分析”)、聚类分析、因素分析(例如,分析变量之间的关系)、投资回报(ROI)分析、电视受众退潮和流量分析、活动后交付分析等。
在2019年8月30日提交的题为“TECHNOLOGIES FOR ENABLING ANALYTICS OFCOMPUTING EVENTS BASED ON AUGMENTED CANONICALIZATION OF CLASSIFIED IMAGES”的PCT申请号US 2019/049074中提供了媒体处理、跟踪和分析的另外的实现方式和示例,其内容通过引用并入本文。
在实施方式中,数据集成系统106被配置成集成来自两个或更多个独立数据源的多组数据。在这些实施方式中的一些实施方式中,数据集成系统通过对来自独立的多个数据源的数据进行交叉分析以对来自独立数据源的数据进行多基。
在实施方式中,数据集成系统106包括对来自多个数据独立源的数据进行交叉分析的多基系统,其中,多基系统响应于单个查询执行对多个独立数据源的并行调用。在一些实施方式中,多基系统可以对来自三个或更多个数据源的数据进行多基。在实施方式中,多基系统可以将多基的结果存储在集成数据存储216中。可替选地,多基系统可以按需执行多基功能,使得多基的结果不被存储在集成数据存储216中。在题为“A METHOD OF RELATINGMULTIPLE INDEPENDENT DATABASES”的美国专利第7,437,307号和题为“CALCULATION OFREACH AND FREQUENCY BASED ON RELATIVE EXPOSURE ACROSS RESPONDENTS BY MEDIACHANNELS CONTAINED IN SURVEY DATA”的美国专利申请公开第2017/0169482号中更详细地讨论了多基的示例,这两个专利申请的内容通过引用整体并入本文。
在多基的特定示例中,用户可以关联或链接两个独立的数据库,第一数据库具有与电视载体(时段/频道)相关的人口统计数据,以及第二数据库具有与来自第二来源的印刷载体(例如,杂志、报纸等)或电子载体(例如,博客、网站、新闻网站、社交媒体等)相关的人口统计数据。在该示例中,多基系统将与一个或更多个人口统计变量的第一数据库相关联的第一市场评级数据(媒体载体观看水平和受众人口统计数据)制成表格。然后,多基系统将与一个或更多个人口统计变量的第二数据库相关联的替代市场评级数据制成表格。在实施方式中,多基系统然后可以确定针对第二数据库的一个或更多个人口统计变量的目标群体人口。多基系统然后可以基于与第一数据库相关联的第一市场评级数据和所确定的目标群体人口来计算第一数据库的预计载体受众。多基系统还可以基于与第二数据库相关联的替代市场评级数据和所确定的目标群体人口来计算第二数据库的预计替代受众。接下来,多基系统确定实际替代受众。多基系统然后基于第一媒体载体数据库的预计载体受众、第二媒体数据库的预计受众和实际替代受众来提供由第一数据库表示的第一媒体载体的实际载体受众的输出。前述内容是多基的示例,并且多基系统可以在不脱离本公开内容的范围的情况下对其他类型的数据进行多基。
在实施方式中,数字人类学服务系统108提供与人类的行为以及人类文化相关的见解。在一些实施方式中,数字人类学服务系统108实现一个或更多个计算人种学工具和/或技术来确定这些见解。在实施方式中,数字人类学服务系统108可以识别细分、数字角色和/或数字村,并理解具有数字角色或属于所识别的数字村的人的行为。例如,数字人类学服务系统108可以对捕获的文本(诸如来自其他社交媒体帖子等)和与作为输入的被捕获的文本对应的图像执行分析,以确定个体在讨论图像时的情绪。在另一示例中,数字人类学服务系统108可以对用户与图像或视频的交互执行分析,以确定所述用户在观看图像或视频时的情绪。数字人类学服务系统108还可以分析其他用户属性,以识别属于数字角色和/或数字村的用户,诸如用户在被呈现某些媒体资产时的购买、用户在购买特定类型的物品时访问的网站、用户在购物时使用的应用等。在一些实施方式中,数字人类学服务系统108可以在不监视个体消费者行为的情况下确定消费者的数字角色和/或数字村。在实施方式中,数字人类学服务系统108可以将多个角色配置成个体消费者可以加入的广告的网络目标。
在一些实施方式中,数字人类学服务系统108(与智能系统108相结合)被配置成测试用于指定的用例的N个基于人工智能的算法的性能,并且根据来自多个数据源的训练数据,基于用于指定的用例的N个算法中的每一个的性能从N个算法的集合中选择用于指定用例(例如,用户定义的任务)的算法(和/或机器学习模型)。
图5示出了可以由数字人类学服务系统108实现的算法优化架构的示例。在所示示例中,数字人类学服务系统108被配置成优化用于特定用例512的N个域特定的客户端算法502-1、502-2……502-N的集合(通常称为客户端算法502),以代表客户端执行营销相关的任务。营销相关的任务的示例可以包括客户细分、主题建模/自然语言处理、市场规划等。在实施方式中,客户端算法502是执行机器学习任务的机器学习算法,例如特征提取、聚类、递归训练模型等。
然而,出现的一个问题是,从训练的机器学习和/或人工智能算法获得的推断、分类和/或预测取决于用于训练机器学习和/或人工智能算法的底层数据的丰富性和多样性。现代消费者和企业用户在网络边界生成大量的数据,诸如来自物联网(IoT)设备的传感器测量值、由摄像装置捕获的图像、公司的不同分支机构的交易记录等。由于数据隐私法规和通信带宽限制,这样的数据可能不能与中央云共享。在许多情况下,可以用于改进机器学习和/或人工智能算法的性能的数据可以存储在不同方控制下的不同数据存储中,并且在一些情况下,该数据可以是受保护的数据,诸如个人可识别信息、受限数据、专有数据、敏感数据等。例如,生产软饮料的组织可以将数字人类学服务系统108用于特定用例512(例如,客户细分、市场规划等)。在这种情况下,软饮料制造商可以从访问第三方数据(例如,提供软饮料的快餐连锁店的销售数据)中受益,尽管具有帮助软饮料制造商的商业动机,但快餐连锁店可能不希望向软饮料制造商提供该第三方数据。类似地,软饮料制造商可以受益于具有来自不同地理位置的自动售货机销售数据,由此在这种情况下,来自不同位置的自动售货机数据可以存储在不同物理位置处的不同数据存储中。在另一情况下,软饮料制造商的两个业务部门可能无法访问另一相应部门的数据(例如,销售数据和营销数据)。
为了改进由数字人类学服务系统108部署的机器学习和/或人工智能算法的性能同时允许实体和个人保持对其数据的控制,数字人类学服务系统108将客户端算法502集分发给N个相应的主机500并执行主算法514,该主算法514基于由相应的主机500执行的训练的结果504来优化客户端算法(例如,优化由客户端算法训练的模型)。如本文中所使用的,主机500可以指包括一个或更多个处理器和数据存储并且可以与数字人类学服务系统108进行通信的任何合适的计算环境/设备。在实施方式中,主机500可以包括消费者环境中的移动设备、本地服务器、企业或跨组织环境中的云数据中心等。主机500可以存储或访问属于客户(例如,分析、爬行数据、媒体资产分析等)或另一实体(例如,客户的贸易伙伴的销售数据、由第三方数据收集器提供的数据集、来自社交媒体平台或其他内容平台的数据、来自用户设备的遥测数据)的相应数据集。
在实施方式中,数字人类学服务系统108将客户端算法502集分发给N个相应的主机,由此每个相应的主机500执行客户端算法502以训练本地机器学习模型。在这些实施方式中,主算法514与相应的主机结合工作,以分布式方式(例如,基于本地机器学习模型的训练)训练全局模型。在所示示例中,客户端算法502可以由以下项执行:存储媒体资产分析数据存储212的第一主机500-1、包括受保护数据214(例如,存储在第三方服务器上的第三方数据)的第二主机500-2、存储公共数据216(例如,由网络爬虫从公共可用数据源收集的数据)的第三主机500-3、存储集成数据218(例如,从对两个或更多个分离数据源进行多基产生的数据)的第四主机502-4、……、以及存储第N种数据的第N个主机。应当理解,前述列表仅被提供用于示例,并且可以支持其他合适类型的数据或场景。例如,组织可能在国家的不同地区具有不同的数据中心,因此存储在每个数据中心的数据对应于不同的地理位置。在这种情况下,每个相应的数据中心可以是存储与其相应的地理区域对应的数据的相应主机500。在实施方式中,将客户端算法502分发到不同的数据主机500允许数字人类学系统108通过全异的数据集的潜在不同所有者跨不同的数据集分发客户端算法的训练。
在实施方式中,主算法514不能访问主机500的数据集中的任何一个。在这些实施方式中的一些实施方式中,主算法514从每个主机500接收结果504(例如,训练迭代之后的确定的模型权重),并将来自主机500的集合的结果504同步到结合至用例512使用的全局模型中。在一些实施方式中,主算法可以被配置成使被客户端算法500用于元学习的反馈505形式化。在这些实施方式中的一些实施方式中,主算法514响应于通过使用代表性数据(其可以在使用全局模型时从训练数据集和/或从诸如数据科学家或客户的人类获得)提供验证数据集以对全局模型进行测试来确定反馈505。随着由客户端算法502训练的局部模型产生的错误率收敛,由主算法514维护的全局模型的性能提高。在这种方式下,个体、组织和/或其他第三方可以保护和保密他们的专有数据,同时针对特定用例向客户提供帮助。
在实施方式中,N个客户端算法502中的每一个可以实施为对不同的数据集执行相同的算法的可执行代码(例如,可执行指令集)。在实施方式中,N个域特定算法中的每个相应的客户端算法502被部署到相应的主机500。例如,隶属于客户的用户可以定义和/或选择客户端算法502,并且可以指定客户端算法502将在其上执行的主机500。作为响应,平台100可以将客户端算法502分发到相应的主机500,由此每个客户端算法502可以被下载到相应的主机500、被安装在相应的主机500上和/或由相应的主机500执行。
在实施方式中,客户端算法502可以实现一个或更多个机器学习和/或人工智能过程,并且可以利用一个或更多个机器学习模型来提供主算法514请求的结果。例如,客户端算法502可以实现分类器、聚类、模式识别、强化学习、归因、自然语言处理和自然语言理解、细分、预测、粒子群优化、推荐超级学习等。在实施方式中,客户端算法502中的每一个对模型的本地版本进行训练,其中每个本地版本起初以相同的方式被参数化。例如,如果客户端算法502包括训练神经网络,则与神经网络的节点中的每一个相关联的权重在不同的主机500上以相同的方式被参数化。当每个相应的客户端算法502相对于由对应的主机500存储(或可访问)的数据集执行时,相应的客户端算法502将基于由对应的主机500托管的数据集来调整局部模型的参数化(例如,神经网络、回归模型、随机森林等的参数化)。在一些实施方式中,每个客户端算法502起初可以根据存储在相应主机500上(或可由相应主机500访问)的数据集来确定训练数据集。然后可以在训练数据集上执行客户端算法502,以使模型的本地版本参数化。在这些实施方式中的一些实施方式中,客户端算法502还可以接收验证集,由此客户端算法502使用该验证集以在训练期间或之后对本地模型的准确性进行验证/错误检查。
当客户端算法502执行时,客户端算法502可以向主算法514提供结果504,诸如模型的本地版本的确定的权重或模型的本地版本的输出。作为响应,客户端算法502可以从主算法514接收反馈505,客户端算法502使用该反馈来增强/更新模型的本地版本。客户端算法502可以增强/更新模型的本地版本,以降低模型的本地版本的错误率。在一些实施方式中,每个客户端算法502可以执行局部随机梯度下降(SGD)优化。
在实施方式中,主算法514被配置成通过将由不同客户端算法502提供的结果504集成到全局模型中来优化关于特定用例512的结果516。例如,如果用例514是客户细分,则主算法514可以被配置成识别与客户的业务相关的数字村506、数字角色508和/或人口统计组510。当主机500和主算法514执行和训练全局模型时,数字人类学服务系统108(和/或其他系统,诸如智能系统110)可以结合市场相关任务(例如,市场规划、客户细分、主题建模等)来利用全局模型。在实施方式中,数字人类学服务可以接收执行营销相关的任务的请求,由此该请求可以包括与用例相关的数据。例如,请求可以包括个体的特征,并且可以请求关于数字村506、数字角色508和/或人口统计组510的个体的分类。作为响应,数字人类学系统108可以利用全局模型来服务该请求。在这样做时,数字人类学系统可以向请求系统发布结果516。在一些实施方式中,数字人类学系统108可以监视与结果相关地发生的事件,由此数字人类学系统108可以通过基于被监视的事件向主机500提供反馈505来加强全局模型。
在实施方式中,数字人类学服务系统108可以被配置成支持分布式学习技术,诸如参数服务器和联合学习。参数服务器(PS)可以指用于通过引入中心节点来支持分布式训练的方法,该中心节点管理整个模型的参数的一个或更多个共享版本。Mu Li,卡内基梅隆大学和百度;David G.Andersen和Jun Woo Park,卡内基梅隆大学;Alexander J.Smola,卡内基梅隆大学和谷歌公司;Amr Ahmed、Vanja Josifovski、James Long、Eugene J.Shekita和Bor-Yiing Su,谷歌公司在“Scaling Distributed Machine Learning With TheParameter Server”中讨论了PS实现的示例,其内容通过引用并入本文。联合学习(FL)是使用本地收集的地理上分散的数据来训练机器学习模型的框架。Di Jiang,Yuanfeng Song,Yongxin Tong,Xueyang Wu,Weiwei Zhao,Qian Xu和Qiang Yang在2019年的“FederatedTopic Modeling”中更详细地讨论了联合学习的示例,其内容通过引用并入本文。
在实施方式中,联合学习方法可以包括跨多个去中心化的边界主机500的本地计算,由此主机500在同步阶段期间参与训练中央机器学习模型。在实施方式中,联合学习使得能够在主机500上训练文本、视觉和交互模型,为用户隐私带来优势(数据永远不需要离开设备),但也带来诸如数据中毒攻击的挑战。在实施方式中,联合学习的基本过程包括:主机级的局部模型构建和误差梯度计算,然后由服务器(例如,数字人类学服务系统108)进行模型参数聚合(或平均)。在实施方式中,主算法514由数字智能服务系统108执行,以执行模型参数聚合。代替共享原始数据,仅模型参数和梯度需要在主机与主算法514之间共享。
在实施方式中,主算法514将从主机500传输的结果504(例如,模型的本地版本的权重)集成到全局模型中,并在下一次迭代中使元学习的必要信息形式化。主算法514可以实现合适的机器学习/深度学习算法,并且适用于其中数据不是独立且相同地跨各方分布而是涉及一些增强的过程的场景。
联合学习方法的示例是联合平均(FedAvg)。在实施方式中,每个主机500可以从中央服务器(例如,数字人类学服务系统108)下载或可以以其他方式接收模型的相同起始本地版本,并且可以执行本地随机梯度下降(SGD)优化,这使得在将结果(例如,累积的模型权重)发送回数字人类学服务系统108之前,对于预定义数目的时期,以预定义的学习速率使数据(例如,由相应的主机存储的数据)的本地样本的本地误差最小化。在实施方式中,主算法514然后使用与主机的本地数据的大小成比例的权重对来自报告主机500的结果504进行平均,并通过以预定义的学习速率对起始模型应用聚合更新来完成联合轮次。注意,对于偏差、非独立相似分布(IID)的数据、通信延迟等问题,可以非常成功地应用替选优化器。
在实施方式中,主算法514使用多分支方法来优化模型的本地版本。当跨主机500分布的数据收敛于变成IID时,则主算法514可以通过执行例如从主机500接收的所有模型参数的加权平均来确定每个候选算法的模型参数。当分布式数据不太平衡时(例如,一些主机具有比其他主机多很多的数据)和/或当内容分布变得更加多样化时(例如,非IID),主算法108可以使用代表性数据来确定模型参数。假设存在主机500上存储的潜在数据的一般思想,并且存在可用的代表性数据(例如,从历史数据或从专家获得的),主算法514可以使用代表性数据作为训练数据来部分地训练基础模型,然后可以将基础模型和代表性数据两者分发到所有主机500。代表性数据包含来自每个人口统计、数字村、数字角色、类、类别或要建模的主题的示例。每个代表性数据被随机采样到本地主机数据中,并且用作本地训练/验证数据的一部分。
在实施方式中,数字人类学服务系统108可以被配置成支持模型的去中心化训练。去中心化训练可以通过指定通信图来允许主机500之间的点对点通信,该通信图减轻了对静态位置中的主算法514的需求。注意,去中心化训练可能仍然需要发起去中心化训练的过程。在实施方式中,数字人类学系统108可以实现PS和/或全缩减,这可以支持特定通信图的使用。在去中心化训练中,每个主机500维护其自己的模型参数的版本,并且仅根据通信图与其他主机500同步。随着训练的进行,主机500处的本地信息沿着通信图的边界传播,并逐渐到达其他每个主机500。
返回参照图1、图2A和图2B,在实施方式中,智能系统110执行支持创造性智能系统100的各种认知任务。认知任务可以包括但不限于推荐、分析、计算机视觉、机器学习、人工智能等。
图6示出了智能系统110的示例组件集,其包括推荐系统606、计算机视觉系统608、机器学习系统602、人工智能系统604和分析系统610、可视化系统。
在实施方式中,机器学习系统602可以训练诸如预测模型和分类模型的模型。这些模型可以包括任何合适类型的模型,包括各种类型的神经网络、基于回归的模型、决策树、随机森林和其他类型的机器学习模型。训练可以是监督式的、半监督式的或无监督式的。可以使用训练数据进行训练,这些训练数据可能是为了训练的目的而被收集或生成。
在实施方式中,机器学习系统602可以使用一个或更多个数据集来训练一个或更多个模型。例如,机器学习系统602可以训练媒体资产预测模型。在实施方式中,媒体资产预测模型可以是使用媒体资产基因组数据、人口统计数据以及与基因组数据和人口统计数据的不同组合相关的结果数据进行训练的模型。在这些实施方式中,媒体资产预测模型可以接收包含个体的媒体资产基因组数据和人口统计数据的数据结构(例如,特征向量),并且可以基于所接收的数据结构预测结果,由此预测的结果可以与考虑到特定人口统计细分的媒体资产(例如,作为品牌的广告)的有效性相关。预测的示例可以是人口统计细分是否偏爱媒体资产的特定版本,人口统计细分是否会购买媒体资产中正在被广告的产品使得满足销售指标等。
在实施方式中,机器学习系统602基于训练数据训练模型。在实施方式中,机器学习系统602可以接收或生成包含媒体资产基因组数据(例如,主题发型、海滩设置、泳衣等)、人口统计数据(例如,年龄、性别、位置等)和结果数据(例如,用户购买媒体资产中显示的产品、用户标记媒体资产等)的向量。每个向量对应于相应媒体资产的相应的结果和相应属性以及与相应结果对应的相应人口统计细分。一旦模型被使用(例如,由人工智能系统604),那么训练也可以基于由机器学习系统602接收的反馈来完成,这也被称为“强化学习”。在实施方式中,机器学习系统602可以接收导致预测(例如,海滩设置)和与媒体资产相关的结果(例如,用户购买媒体资产中显示的产品)的一组情形。
机器学习技术的非限制性示例包括但不限于以下项:决策树、K-最近邻、线性回归、K-均值聚类、神经网络、深度学习神经网络、卷积神经网络、随机森林、逻辑回归、朴素贝叶斯、学习向量量化、支持向量机、线性判别分析、提升、主分量分析、K-均值聚类和线性回归的混合和/或其他混合产品。机器学习/人工智能算法推理类型可能包括归纳推理和演绎推理。
在实施方式中,人工智能系统604可以利用机器学习模型(例如,预测模型和/或分类模型)来针对媒体资产基因组数据、人口统计数据、交互数据、数字角色、数字村、金融数据、健康数据、交通数据、身份管理数据、客户数据、数字人类学数据等做出关于媒体资产结果的预测。在一些实施方式中,人工智能系统604可以利用由机器学习系统602训练的模型,以分析媒体资产的不同版本并推进将导致有利结果的媒体资产的版本。
在实施方式中,人工智能系统604可以被配置成使用第三方人员数据和/或其他消费者相关的数据来创建和更新消费者的个人数字简档。消费者的数字简档可以是包含个体消费者的属性(例如,年龄、位置、性别、兴趣、教育、就业、收入、关系等)的数据结构。
在实施方式中,人工智能系统604可以被配置成确定最佳媒体资产属性,以便优化销售指标、吸引特定的数字角色等。在这些实施方式的一些实施方式中,人工智能系统可以利用机器学习模型和/或由分析系统610得出的分析来确定要在媒体内容资产中描绘的最佳媒体资产属性。在实施方式中,媒体资产属性可以是媒体资产内的主题和/或对象布置、出现在媒体资产中的主题(例如,特定数字角色或人口统计细分最喜欢的潜在的品牌大使)、出现在媒体资产内或与媒体资产相关联的文本、出现在媒体资产内或与媒体资产相关联的音频(例如,歌曲)、媒体资产的前提等。在实施方式中,人工智能系统604可以被训练成基于确定的最佳媒体资产属性来生成自动化媒体资产。
在一些实施方式中,人工智能系统604可以利用机器学习模型,该机器学习模型被训练成识别和标记与媒体竞价和购买系统有关的可用的敏感广告清单或广告位。例如,机器学习系统602可以使用已经被选择作为敏感广告清单和/或广告位的图像集来训练模型,并且人工智能系统604可以利用该模型来标记与节目相关联的可用广告清单(例如,当节目中的演员卷入丑闻时)。在一些实施方式中,机器学习系统602和/或人工智能系统604可以被训练来识别和标记敏感媒体资产(例如,暴力、成人、医疗程序等)。例如,机器学习系统602可以使用已经被选择为敏感媒体资产(例如,包含暴力、种族主义、成人内容等)的图像集来训练模型,并且人工智能系统604可以利用该模型来标记新提供的包含类似内容的媒体资产。
在实施方式中,人工智能系统604可以被配置成优化与媒体资产相关联的呈现属性(例如,在特定节目的电视广告中呈现媒体资产、在特定杂志中呈现媒体资产、在智能手表上呈现媒体等)。在这些实施方式中的一些实施方式中,机器学习系统602可以训练如下模型,该模型基于广告有效性度量与媒体实例中先前放置的广告的播放次数的组合来预测关于广告和媒体实例(例如,电视节目)的每个配对的广告有效性。在这些实施方式中的一些实施方式中,人工智能系统604可以利用这些模型来确定导致媒体资产在广告活动中表现不佳(例如,在媒体资产中做广告的产品的低销售指标)的因素或者媒体资产在广告活动中的意外的结果(例如,意外的数字角色购买了超过预定销售指标的量的产品)。在实施方式中,人工智能系统604可以被配置成利用(例如,由机器学习系统602训练的)模型来确定导致媒体资产在广告活动中的高水平表现的因素和/或开发消费者购买路径模型。
在实施方式中,人工智能系统604可以被配置成确定在媒体资产中做广告的产品的最优定价,并且可以在这样的确定中使用动态定价技术等。在这些实施方式中的一些实施方式中,人工智能从分析系统获得分析数据,以确定不同的人口统计群体、数字角色和/或数字村的不同购买趋势。在实施方式中,人工智能系统可以利用考虑消费者或消费者群体的分析和特征集的基于规则的方法来确定向展示该特征集的消费者呈现的产品的动态价格。在一些实施方式中,机器学习系统602可以训练一个或更多个价格预测模型,所述价格预测模型考虑特征集来预测消费者将为产品支付的最高价格。在这些实施方式中,机器学习系统602可以接收指示结果数据(例如,先前的购买价格或拒绝价格)和与结果相关的特征(例如,相应消费者、数字角色或数字村的特征)的训练数据,由此价格预测模型接收与消费者(或消费者群体,诸如数字角色或数字村)相关的特征集并输出产品的价格。在一些实施方式中,针对特定产品对这样的模型进行训练。可替选地,可以使用结果(例如,为产品支付的价格或谢绝的价格)以及对应的产品相关的特征和消费者相关的特征来训练通用模型。在这些实施方式中,模型可以接收产品相关的特征和消费者相关的特征,并且可以考虑特征集输出价格。在实施方式中,机器学习系统602和/或人工智能系统604可以被训练以确定产品的最佳包装属性(例如,包装材料、设计、颜色等)。
在实施方式中,人工智能系统604可以被配置成组织与特定主题或感兴趣的领域相关的内容(例如,竞争对手数据)。在实施方式中,机器学习系统602训练内容预测模型,该内容预测模型被训练成基于竞争对手相关的数据(例如,零售位置、可用的产品、定价等)来确定媒体资产中正在广告的产品或服务的产品或服务竞争对手。根据一些实施方式,人工智能系统604可以利用这些模型来确定使得在零售位置处可获得的商品或服务,这可以至少部分地基于与竞争对手相关的数据(例如,与竞争对手零售位置的零售位置距离、在竞争对手零售位置处可获得的产品等)。
在实施方式中,人工智能系统604可以被配置成识别和提取数字村和/或数字角色的相关特征。在这些实施方式的一些实施方式中,人工智能系统可以被训练以更新数字村数据和数字角色数据。
在实施方式中,机器学习系统602和/或人工智能系统604可以被配置成预测消费者行为和/或情绪(例如,习惯、个性特征、需求、欲望等)。
在实施方式中,机器学习系统602和/或人工智能系统604可以被训练成基于对趋势媒体资产集的风格的分析来表征和优化趋势。
在实施方式中,机器学习系统602和/或人工智能系统604可以被训练成确定特定广告活动的广告目标,其中,广告目标可以是特定的人口统计细分、数字村、数字角色等。机器学习系统602和/或人工智能系统604可以被训练成对潜在的广告目标进行评分和排名。
在实施方式中,机器学习系统602和/或人工智能系统604可以被训练成至少部分地使用从用户在数字环境中的交互中收集的数据来预测用户的人口统计信息。
在实施方式中,智能系统110可以包括推荐系统606,该推荐系统用于提供与媒体资产属性、媒体规划、媒体定价等相关的推荐。在实施方式中,推荐系统606利用人工智能系统504来确定与媒体资产属性、媒体规划、媒体定价等相关的推荐。在实施方式中,推荐系统606从客户端设备接收对推荐(诸如考虑到人口统计、数字角色或数字村的媒体资产属性的推荐)的请求。作为响应,推荐系统606可以使用请求的内容来利用人工智能系统604以获得推荐。推荐系统606可以将推荐返回给请求客户端设备,或者可以将推荐输出至另一系统(例如,媒体规划系统112或数字人类学服务系统)。
智能系统110可以包括用于提供计算机视觉服务的计算机视觉系统608,由此视觉服务可以例如将上传的图像和/或视频分类成一个或更多个类别和/或从图像或视频中提取对象、面部和文本。在实施方式中,计算机视觉系统608可以接收诸如视频或图像的媒体资产,并且可以提取媒体资产的媒体资产特征集,并且可以对媒体资产的一个或更多个方面进行分类。例如,计算机视觉系统608可以对以下内容进行分类:所描绘的场景的类型(例如,海滨、室内、山脉等);所描绘的主题和/或对象(例如,模特、风景、健身器材等);由模特穿的服装类型(例如,冬装、沙滩装、暴露的服装等);和/或媒体资产的其他方面。在实施方式中,计算机视觉系统608可以利用一个或更多个机器学习的图像分类模型,这些机器学习的图像分类模型被训练成对图像(或时间序列图像,诸如视频)和/或图像的各方面(或视频的时间序列)进行分类。在实施方式中,计算机视觉系统608可以向诸如智能系统604、机器学习系统602、分析系统610、推荐系统606等的另一系统输出分类。
在实施方式中,智能系统110可以包括收集、跟踪和/或分析由系统100收集的数据的分析系统610。在实施方式中,分析系统610还可以使用户能够监视广告活动、广告活动数据、数据可用性、数据一致性等。分析系统610还可以使用户能够生成定制报告,或者可以生成与广告活动、媒体资产、数据等相关的自动报告。
在实施方式中,分析系统610生成数据可视化。在一些实施方式中,分析系统610可以代表客户生成数据可视化(例如,响应于来自客户端的查看数据可视化的请求),并且可以经由创造性智能仪表板向用户呈现数据可视化。数据可视化可以包括但不限于:交叉制表数据库可视化、交叉制表结果(“p-map”)、数字人类学服务可视化(人种学(ethnographic)热图或“人种阵列(ethnoarray)”、社会网络分析(SNA)等)、模拟以及数字情绪板(digital mood board)(例如,显示与特定情绪、主题角色、数字村等相关的视觉元素的集合)。在实施方式中,创造性智能仪表板可以显示与地理位置相关的媒体资产属性数据。例如,分析系统610可以获得与客户的媒体资产集相关的媒体资产跟踪数据,并且可以确定与人口统计、数字角色和/或数字村相关的趋势,例如其中穿着运动服的受试者被偏爱/导致更多的销售的地理位置与其中穿着职业服装的受试者被偏爱/导致更多的销售的地理位置。在该示例中,创造性智能仪表板可以显示地理位置(例如,州、地区、国家等)以及用户对各种类型的媒体资产的参与。在实施方式中,分析系统610可以通过在虚拟现实环境中实现数据可视化或其他类型的数据交互来支持连接的现实任务,这可以使用用于沉浸的头戴式显示器和用于交互的虚拟现实控制器来实现。
在实施方式中,分析系统610可以被配置成学习特定人口统计(例如,居住在中西部的消费者、65岁以上的消费者、女性消费者、和/或等等)、数字角色和/或数字村庄的属性(例如,媒体资产偏好)。例如,在一些实施方式中,分析系统610可以使用合适的聚类算法(例如,K均值聚类、K最近邻聚类等)对个体(例如,用户)进行聚类,以识别相关的人口统计、数字角色和/或数字村。
根据一些实施方式,创造性智能系统100包括媒体规划系统112。在实施方式中,媒体规划系统使得用户能够基于人口统计和/或接收的消费者市场、受众和成本数据来规划广告活动。媒体规划系统112可以包括或利用任何数量的媒体规划服务。在实施方式中,媒体规划系统112从与客户相关联的客户端设备接收生成特定类型的媒体规划的请求。作为响应,媒体规划系统112可以基于客户的特征(例如,垂直行业、预算、目标人口统计等)生成指示市场平均到达(reach)和频率评估的成本、到达和/或频率报告。在实施方式中,媒体规划系统112生成目标受众到达和频率传递估计模型。在实施方式中,可以基于与跨所有数字平台和传统平台的媒体资产相关的跟踪数据来计算到达和频率。
在实施方式中,媒体规划系统112可以将受众和调度表转换成广告调度表中每个媒体的到达和频率估计。
在实施方式中,媒体规划系统112被配置成映射设施以提供定制的“智能地理信息”。在这些实施方式中,媒体规划系统可以利用增强的地理信息(诸如详细的站点级信息)来定制智能地理信息(例如,用于户外广告)。媒体规划系统还可以被配置成执行与清单管理、可定制的站点包、目标受众选择以及/或者面板和受众选择相关的服务。
在实施方式中,媒体规划系统112可以使用户能够基于广告类型(例如,户外广告、视频流广告、游戏内广告等)来规划广告活动。在实施方式中,户外广告的规划可以基于使用TAB OOH(户外交通审计局)评级的详细站点级别和市场平均到达以及频率评估。在实施方式中,可以使用户能够以多种不同的方式来规划媒体活动。例如,用户可以按GRPS进行规划(例如,确定需要多少个站点)。在该示例中,数字媒体的行为目标可以以用于评估多媒体活动表现的传统报道术语——总评分点(GRP)——来表示。在另一示例中,用户可以基于交付的GPR按面板进行规划。在另一示例中,用户可以按到达目标(例如,由操作员在几周内返回面板的数目)进行规划。用户可以将户外规划结果与其他媒体调度表相结合以用于媒体组合评估。媒体组合评估对各种营销策略(营销组合)对销售的影响进行估计。
在实施方式中,媒体规划系统112执行跨媒体规划,该跨媒体规划使得用户能够基于人口统计和/或接收的消费者市场、受众和成本数据生成跨多种媒体类型的媒体规划。
在一些实施方式中,媒体规划系统112可以提供受众规划服务,该受众规划服务分析受众变量、识别与预定品牌目标最相关的受众变量和/或应用预测分析和因果关系来推荐受众细分和媒体的组合。在这些实施方式中,受众规划服务推荐受众细分和媒体的组合,以跨数字平台和传统平台吸引品牌的最佳客户。在实施方式中,受众规划服务可以分析受众变量、提取变量直至与品牌目标最相关的那些变量、应用预测分析和因果关系来推荐具有最大客户潜力的受众细分、以及指定将最好地吸引所述受众细分的媒体的组合。在一些实施方式中,这些推荐包括可以提供给需求侧平台(DSP)的受众规范。受众变量可以包括但不限于人口统计变量、态度变量、顾客生活方式变量、产品使用变量和/或数字行为变量。在一些实施方式中,受众规划服务可以围绕地理位置进行受众测量。
图7示出了根据本公开内容的一些实施方式的自包含摄影工作室系统190的示例配置。自包含摄影工作室系统190可以在能够捕获图像并且能够连接到网络的任何合适的设备(例如,移动设备、平板设备、专用摄像装置、网络摄像装置、具有摄像装置的个人计算设备等)上实现。在实施方式中,自包含摄影系统的硬件组件可以包括具有一个或更多个处理器的处理设备702、包括至少一个镜头的图像捕获设备704、包括一个或更多个非暂态计算机可读介质的存储设备706以及以无线和/或有线方式连接到网络的网络通信设备708。在一些实施方式中,处理设备702可以包括图形处理单元(GPU)或与其结合操作。
在实施方式中,处理设备702执行图像处理系统720。图像处理系统720接收图像并执行一个或更多个处理操作。在实施方式中,图像处理系统720包括编辑系统722、分类系统724和基因组生成系统726。在实施方式中,图像处理系统720可以从图像捕获设备704接收图像和/或可以经由网络从另一设备下载或以其他方式电子地接收图像。
在实施方式中,编辑系统722被配置成编辑图像。编辑图像可以包括改变图像的一个或更多个特征(例如,亮度、颜色、倾斜、平移、缩放等)。在实施方式中,编辑系统722被配置成合并两个或更多个图像。例如,用户可能具有一个描绘特定背景(例如,山脉、海滩、健身房等)的图像和描绘模型的第二图像。在该示例中,编辑系统722可以合并这两个图像,使得模型被描绘在前景中以及背景被描绘在背景中。在一些实施方式中,编辑系统722执行斑点检测、边界检测和/或特征提取以识别图像中的对象。例如,在包含模型的第二图像中,编辑系统722可以使用斑点检测、边界检测和/或特征提取来识别图像中的模型。在一些实施方式中,编辑系统722可以被配置成改变图像的一个或更多个特征。例如,编辑系统722可以改变背景、服装、背景道具等。编辑系统722可以在不脱离本公开内容的范围的情况下对图像执行其他编辑操作。
在实施方式中,图像分类系统704接收图像并对图像执行图像分类。在实施方式中,图像分类系统704对图像集进行处理并分类。在实施方式中,图像分类系统704可以对图像本身进行分类和/或对图像的一个或更多个方面进行分类。图像分类系统704可以利用(例如,存储在模型数据存储740中的)一个或更多个分类模型来确定图像的一组属性。在一些实施方式中,图像分类系统704从编辑系统722接收图像、提取每个图像的一个或更多个特征并基于所提取的特征生成每个图像的一个或更多个特征向量。图像分类系统722可以将相应的特征向量馈送到一个或更多个分类模型(例如,图像分类模型)中。对于每个特征向量,分类模型可以基于特征向量输出相应的分类。在一些实施方式中,每个分类可以包括置信度得分,该置信度得分指示考虑到分类模型和图像的特征的分类的置信度。
在实施方式中,基因组生成系统726可以针对每个图像对从图像的分类中获得的数据集进行规范化,以获得图像的图像基因组。基因组生成系统726可以使用从分类过程得出的图像的媒体资产属性来填充数据结构,以获得图像的图像基因组。基因组生成系统726可以根据预定义的本体或模式将数据集规范化为图像基因组数据结构,该本体或模式定义了可以归因于图像和/或图像的特定类别(例如,风景、动作照片、模型姿势、产品照片等)的属性类型。在实施方式中,图像基因组的本体/模式可以包括可以归因于图像的媒体资产属性的整个集合,由此与图像对应的数据结构可以使用任何给定媒体资产的属性来参数化。
在实施方式中,基因组生成系统726可以针对每个图像从图像中提取另外的特征集。基因组生成系统726可以执行各种类型的特征提取,包括计算主题的不同元素的比率、主题相对于图像中的其他对象的大小等。基因组生成系统726可以使用另外的被提取的特征来扩充图像基因组。
在实施方式中,基因组生成系统726针对每个图像将图像基因组与图像相关联。在实施方式中,基因组生成系统726可以将UUID或图像的任何其他合适的唯一标识符存储在图像基因组或与图像基因组对应的数据库记录中。
在实施方式中,自包含摄影系统190将图像集传播到一个或更多个数字环境中。在实施方式中,图像处理系统720可以将允许记录和报告跟踪数据的标记和/或代码(例如,JavaScript代码)嵌入到图像中,以及将当图像被呈现给用户时的可用用户数据嵌入到图像中。在实施方式中,自包含摄影系统190可以通过将图像放置在数字广告、社交媒体帖子、网站、博客和/或其他合适的数字环境中来传播该图像。图像可以通过由自包含摄影系统190执行的其他应用来传播。在一些实施方式中,图像处理系统720向与实体(例如,客户)相关联的客户端提供图像集,使得该实体可以将该图像集传播到数字环境。在这种方式下,关于实体收集的任何数据可以被该实体(例如,在上述数字人类学和创造性智能系统100上)使用。
图像处理系统726可以执行另外的或可替选的功能。例如,在实施方式中,在题为“TECHNOLOGIES FOR ENABLING ANALYTICS OF COMPUTING EVENTS BASED ON AUGMENTEDCANONICAL1ZATION OF CLASSIFIED IMAGES”的PCT申请号US 2019/049074中提供图像处理系统726实现方式和媒体处理和跟踪的示例,其内容通过引用并入本文。
在实施方式中,存储设备存储图像数据存储730和模型数据存储740。在实施方式中,图像数据存储730存储由图像捕获设备704捕获和/或由图像处理系统720处理的图像。在实施方式中,图像数据存储730可以存储经处理的图像的图像基因组。在实施方式中,图像数据存储可以存储与图像相关的元数据,诸如图像被捕获的时间、图像被捕获的位置、捕获图像的用户、拥有图像的实体、图像被传播的时间、图像被传播的方式等。
在实施方式中,模型数据存储740存储由自包含摄影系统190使用的一个或更多个机器学习模型。在实施方式中,模型数据存储740可以存储由自包含摄影系统190使用的图像分类模型(例如,主题模型、客户细分模型、语言处理模型等)。模型数据存储740可以在不脱离本公开内容的范围的情况下存储另外的或可替选的机器学习模型。在一些实施方式中,模型数据存储740可以存储在自包含摄影系统190上训练的机器学习模型。
在实施方式中,自包含摄影系统190可以充当由数字人类学服务系统108使用的主机500。在这些实施方式中,自包含摄影系统190可以接收客户端算法502并执行该客户端算法以训练本地模型。在这些实施方式中,客户端算法502可以生成指示本地模型的模型参数的结果,并且可以将该结果返回至数字人类学服务系统108(例如,返回至主算法514)。
虽然已经示出和描述了本公开内容的仅几个实施方式,但是对于本领域的技术人员来说将明显的是,在不脱离如所附权利要求所描述的本公开内容的精神和范围的情况下,可以对其进行许多改变和修改。本文引用的所有专利申请和专利(无论是外国的还是国内的)以及所有其他出版物都在法律所允许的最大范围内整体并入本文。
本文描述的方法和系统可以部分或全部通过在处理器上执行计算机软件、程序代码和/或指令的机器来部署。本公开内容可以被实现为机器上的方法、被实现为作为机器的一部分的或与机器相关的系统或装置、或者被实现为在一个或更多个机器上执行的计算机可读介质中实施的计算机程序产品。在实施方式中,处理器可以是服务器、云服务器、客户端、网络基础设施、移动计算平台、固定计算平台或其他计算平台的一部分。处理器可以是能够执行程序指令、代码、二进制指令等的任何种类的计算或处理设备,包括中央处理单元(CPU)、通用处理单元(GPU)、逻辑板、芯片(例如,图形芯片、视频处理芯片、数据压缩芯片等)、芯片组、控制器、片上系统(例如,片上RF系统、片上AI系统、片上视频处理系统等)、集成电路,专用集成电路(ASIC)、现场可编程门阵列(FPGA)、近似计算处理器、量子计算处理器、并行计算处理器、神经网络处理器或其他类型的处理器。处理器可以是或可以包括信号处理器、数字处理器、数据处理器、嵌入式处理器、微处理器或任何变体诸如协处理器(数学协处理器、图形协处理器、通信协处理器、视频协处理器、AI协处理器等)等,这些处理器可以直接或间接地促进存储在其上的程序代码或程序指令的执行。另外,处理器可以使得能够执行多个程序、线程和代码。线程可以被同时执行以增强处理器的性能并便于应用的同时操作。通过实现方式,可以在一个或更多个线程中实现本文描述的方法、程序代码、程序指令等。线程可以产生可能具有与其相关联的分配的优先级的其他线程;处理器可以基于优先级或基于程序代码中提供的指令的任何其他顺序来执行这些线程。处理器或利用处理器的任何机器可以包括存储如本文和其他地方所描述的方法、代码、指令和程序的非暂态存储器。处理器可以通过接口访问非暂态存储介质,该非暂态存储介质可以存储如本文和其他地方所描述的方法、代码和指令。与处理器相关联的用于存储方法、程序、代码、程序指令或能够由计算设备或处理设备执行的其他类型的指令的存储介质可以包括但不限于CD-ROM、DVD、存储器、硬盘、闪存驱动器、RAM、ROM、高速缓存、网络连接的存储装置、基于服务器的存储装置等中的一个或更多个。
处理器可以包括一个或更多个核,这些核可以提高多处理器的速度和性能。在实施方式中,处理器可以是将两个或更多个独立核(有时称为管芯)进行组合的双核处理器、四核处理器、其他芯片级多处理器等。
本文描述的方法和系统可以部分或全部通过在服务器、客户端、防火墙、网关、集线器、路由器、交换机、基础结构即服务、平台即服务或其他这样的计算机和/或网络硬件或系统上执行计算机软件的机器来部署。软件可以与服务器相关联,该服务器可以包括文件服务器、打印服务器、域服务器、互联网服务器、内联网服务器、云服务器、基础结构即服务服务器、平台即服务服务器、网络服务器以及诸如辅助服务器、主机服务器、分布式服务器、故障转移服务器、备份服务器、服务器群等的其他变体。服务器可以包括存储器、处理器、计算机可读介质、存储介质、端口(物理的和虚拟的)、通信设备和能够通过有线或无线介质访问其他服务器、客户端、机器和设备的接口等中的一种或更多种。本文和其他地方描述的方法、程序或代码可以由服务器执行。此外,执行本申请中描述的方法所需的其他设备可以被认为是与服务器相关联的基础设施的一部分。
服务器可以提供到其他设备的接口,其他设备包括但不限于客户端、其他服务器、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器、社交网络等。另外,这种耦合和/或连接可以促进跨网络远程执行程序。在不偏离本公开内容的范围的情况下,这些设备中的一些或全部的联网可以促进在一个或更多个位置处的程序或方法的并行处理。此外,通过接口附接至服务器的设备中的任何一个可以包括能够存储方法、程序、代码和/或指令的至少一个存储介质。中央储存库可以提供要在不同设备上执行的程序指令。在该实现方式中,远程储存库可以充当用于程序代码、指令和程序的存储介质。
软件程序可以与客户端相关联,该客户端可以包括文件客户端、打印客户端、域客户端、因特网客户端、内联网客户端以及诸如辅助客户端、主机客户端、分布式客户端等的其他变型。客户端可以包括存储器、处理器、计算机可读介质、存储介质、端口(物理的和虚拟的)、通信设备以及能够通过有线或无线介质访问其他客户端、服务器、机器和设备的接口等中的一种或更多种。本文和其他地方描述的方法、程序或代码可以由客户端执行。另外,用于执行本申请中所述的方法所需的其他设备可以被认为是与客户端相关联的基础设施的一部分。
客户端可以提供到其他设备的接口,所述其他设备包括但不限于服务器、其他客户端、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器等。此外,这种耦合和/或连接可以促进跨网络执行程序。在不偏离本公开内容的范围的情况下,这些设备中的一些或全部设备的联网可以促进在一个或更多个位置处的程序或方法的并行处理。另外,通过接口附接至客户端的设备中的任何设备可以包括能够存储方法、程序、应用、代码和/或指令的至少一个存储介质。中央储存库可以提供要在不同设备上执行的程序指令。在该实现方式中,远程储存库可以充当用于程序代码、指令和程序的存储介质。
本文描述的方法和系统可以部分地或全部地通过网络基础设施来部署。网络基础设施可以包括如下元件,诸如计算设备、服务器、路由器、集线器、防火墙、客户端、个人计算机、通信设备、路由设备和本领域中已知的其他有源和无源设备、模块和/或部件。与网络基础设施相关联的计算和/或非计算设备除了其他部件之外还可以包括诸如闪存、缓冲器、栈、RAM、ROM等的存储介质。本文和其他地方描述的过程、方法、程序代码、指令可以由网络基础设施元件中的一个或更多个执行。本文所描述的方法和系统可以适用于包括涉及软件即服务(SaaS)、平台即服务(PaaS)和/或基础设施即服务(IaaS)的特征的那些任何类型的私有、社区或混合云计算网络或云计算环境。
本文和其他地方描述的方法、程序代码和指令可以在具有多个小区(cell)的蜂窝网络上实现。蜂窝网络可以是频分多址(FDMA)网络或码分多址(CDMA)网络。蜂窝网络可以包括移动设备、小区站点、基站、中继器、天线、塔等。小区网络可以是GSM、GPRS、3G、4G、5G、LTE、EVDO、网格或其他网络类型。
本文和其他地方描述的方法、程序代码和指令可以在移动设备上或通过移动设备来实现。移动设备可以包括导航设备、手机、移动电话、移动个人数字助理、笔记本电脑、掌上电脑、上网本、寻呼机、电子书阅读器、音乐播放器等。这些设备除了其他组件之外还可以包括诸如闪存、缓冲器、RAM、ROM的存储介质以及一个或更多个计算设备。可以使得与移动设备相关联的计算设备能够执行存储在其上的程序代码、方法和指令。可替选地,移动设备可以被配置成与其他设备协作执行指令。移动设备可以与基站进行通信,该基站与服务器连接并且被配置成执行程序代码。移动设备可以在对等网络、网格网络或其他通信网络上进行通信。程序代码可以存储在与服务器相关联的存储介质上,并且由嵌入服务器内的计算设备执行。基站可以包括计算设备和存储介质。存储设备可以存储由与基站相关联的计算设备执行的程序代码和指令。
计算机软件、程序代码和/或指令可以在机器可读介质上存储和/或访问,所述机器可读介质可以包括:将用于计算的数字数据保留达一段时间间隔的计算机部件、设备和记录介质;已知为随机存取存储器(RAM)的半导体存储装置;通常用于更持久的存储的大容量存储装置,诸如光盘、硬盘、磁带、磁鼓、卡和其他类型的磁存储形式;处理器寄存器、缓存存储器、易失性存储器、非易失性存储器;诸如CD、DVD的光存储装置;可移除介质,诸如闪存(例如,USB记忆棒或钥匙)、软盘、磁带、纸带、穿孔卡、独立RAM盘、Zip驱动器、可移除大容量存储装置、离线等;其他计算机存储器,诸如动态存储器、静态存储器、读/写存储装置、可变存储装置、只读、随机访问、顺序访问、位置可寻址、文件可寻址、内容可寻址、网络附加存储装置、存储区域网、条形码、磁墨、网络附接存储装置、网络存储装置、NVME可访问存储装置、PCIE连接存储装置、分布式存储装置等。
本文所描述的方法和系统可以将物理物品和/或无形物品从一种状态转变成另一状态。本文所描述的方法和系统还可以将表示物理物品和/或无形物品的数据从一种状态转变成另一状态。
在本文中(包括在整个附图的流程图和框图中)描述和描绘的元件暗示元件之间的逻辑边界。然而,根据软件或硬件工程实践,所描绘的元件及其功能可以使用能够执行存储在其上的程序指令的处理器通过计算机可执行代码在机器上实现为单片软件结构、独立软件模块或采用外部例程、代码、服务等的模块、或这些的任何组合,并且所有这样的实现可以在本公开内容的范围内。这样的机器的示例可以包括但不限于:个人数字助理、膝上型电脑、个人计算机、移动电话、其他手持计算设备、医疗装备、有线或无线通信设备、传感器、芯片、计算器、卫星、平板个人计算机、电子书、小工具、电子设备、具有人工智能的设备、计算设备、网络装备、服务器、路由器等。此外,流程图和框图中所描绘的元件或任何其他逻辑部件可以在能够执行程序指令的机器上实现。因此,虽然前面的附图和描述阐述了所公开的系统的功能方面,但是除非明确地陈述或者以其他方式从上下文中清楚理解,否则不应从这些描述中推断出用于实现这些功能方面的软件的特定布置。类似地,将理解,上面标识和描述的各种步骤可以变化,并且步骤的顺序可以适于本文公开的技术的特定应用。所有这样的变化和修改都旨在落入本公开内容的范围内。因此,不应将对各个步骤的次序的描绘和/或描述理解为需要这些步骤的特定执行次序,除非特定应用需要,或者明确地陈述或以其他方式从上下文中清楚理解。
上述方法和/或过程以及与其相关联的步骤可以用适用于特定应用的硬件、软件或硬件和软件的任何组合来实现。硬件可以包括通用计算机和/或专用计算设备或特定计算设备或特定计算设备的特定方面或组件。这些过程可以在一个或更多个微处理器、微控制器、嵌入式微控制器、可编程数字信号处理器或其他可编程设备以及内部和/或外部存储器中实现。这些过程还可以或代替地以专用集成电路、可编程门阵列、可编程阵列逻辑或可以被配置成处理电子信号的任何其他设备或设备的组合来实施。还将理解,所述过程中的一个或更多个过程可以被实现为能够在机器可读介质上执行的计算机可执行代码。
计算机可执行代码可以使用结构化编程语言诸如C、面向对象编程语言诸如C++或任何其他高级或低级编程语言(包括汇编语言、硬件描述语言和数据库编程语言和技术)来创建,这些编程语言可以被存储、编译或解释为在上述设备以及处理器的异构组合、处理器架构或不同硬件和软件的组合或任何其他能够执行程序指令的机器之一上运行。计算机软件可以采用虚拟化、虚拟机、容器、码头设施、集装箱吊岸(portainer)和其他能力。
因此,在一方面,上述方法及其组合可以在计算机可执行代码中实施,当所述计算机可执行代码在一个或更多个计算设备上执行时执行其步骤。在另一方面,这些方法可以在执行其步骤的系统中实施,并且可以以多种方式跨设备分布,或者所有功能可以集成到专用的独立设备或其他硬件中。在另一方面,用于执行与上述过程相关联的步骤的装置可以包括上述硬件和/或软件中的任何一种。所有这些排列和组合都旨在落入本公开内容的范围内。
虽然已经结合所示出和详细描述的优选实施方式公开了本公开内容,但是对于本领域技术人员来说,对本公开内容的各种修改和改进将变得明显。因此,本公开内容的精神和范围不受前述示例的限制,而是应在法律允许的最广泛的意义上理解。
在描述本公开内容的上下文中(尤其是在所附权利要求的上下文中),术语“一”和“一个”和“该”以及类似的指代物的使用应被解释为涵盖单数和复数,除非本文另有说明或明显与上下文矛盾。除非另外指出,否则术语“包括”、“具有”、“包含”和“含有”应解释为开放式术语(即,意指“包括但不限于”)。除非本文另有说明,否则本文中对数值的范围的叙述仅旨在用作单独指代落入该范围内的每个单独值的速记方法,并且每个单独值如在本文中被单独陈述的那样并入本说明书中。除非在本文中另外指明或以其他方式明显与上下文矛盾,否则本文所述的所有方法均可以以任何合适的顺序执行。除非另有声明,否则本文提供的任何和所有示例或示例性语言(例如,“诸如”)的使用仅旨在更好地阐明本公开内容而不构成对本公开内容的范围的限制。术语“集合”可以包括具有单个成员的集合。在说明书中没有语言应解释为指示对本公开内容的实践必要的任何非要求保护的元素。
虽然上述书面描述使得本领域技术人员能够制作和使用目前被认为是其最佳模式的内容,但是本领域技术人员将理解和领会本文中的特定实施方式、方法和示例的变型、组合和等同物的存在。因此,本公开内容不应被上述实施方式、方法和示例限制,而是由本公开内容的范围和精神内的所有实施方式和方法限制。
本文中引用的所有文件如在本文中完全阐述的那样通过引入并入本文。
Claims (36)
1.一种方法,包括:
由处理系统接收媒体资产;
由所述处理系统使用媒体资产分类器对所述媒体资产的一个或更多个元素进行分类以获得分类集;
由所述处理系统将所述分类集作为媒体资产属性归于所述媒体资产;
由所述处理系统基于所述媒体资产属性生成关于所述媒体资产的媒体资产基因组;
由所述处理系统将所述媒体资产基因组与所述媒体资产相关联;
由所述处理系统将标记和代码中的至少之一嵌入到所述媒体资产中,这使得呈现所述媒体资产的客户端应用对与所述媒体资产的呈现相关的跟踪信息进行报告;
由所述处理系统将所述媒体资产传播到至少一个数字环境中;
由所述处理系统从将所述媒体资产呈现给相应的在线用户的一个或更多个外部设备接收跟踪信息,跟踪信息的每个实例指示相应的在线用户关于所述媒体资产的相应结果;
由所述处理系统接收被呈现所述媒体资产的所述相应的在线用户的用户数据;以及
由所述处理系统训练数字人类学系统,所述数字人类学系统至少部分地基于所述媒体资产基因组、与所述媒体资产基因组相关的所述跟踪数据以及所述相应的在线用户的用户数据来执行营销相关的任务。
2.根据权利要求1所述的方法,其中,对所述数字人类学系统的训练还基于从两个或更多个其他独立数据源集成的集成数据。
3.根据权利要求2所述的方法,还包括将所述媒体资产基因组、所述跟踪数据和所述用户数据与所述两个或更多个其他独立数据源进行多基。
4.根据权利要求2所述的方法,其中,通过对来自所述两个或更多个独立数据源的数据进行多基生成所述集成数据。
5.根据权利要求4所述的方法,其中,按需执行所述多基,使得由所述多基产生的所述集成数据不被持续地存储。
6.根据权利要求2所述的方法,其中,使用数据融合技术来集成所述集成数据。
7.根据权利要求2所述的方法,其中,使用数据归属技术来集成所述集成数据。
8.根据权利要求1所述的方法,还包括:
提取所述媒体资产的一个或更多个特征,其中,所述媒体基因组还基于所述媒体资产的一个或更多个提取的特征。
9.根据权利要求7所述的方法,其中,提取所述一个或更多个特征包括:计算所述图像中的主题的两个不同元素的比率。
10.根据权利要求7所述的方法,其中,提取所述一个或更多个特征包括:计算所述图像中的主题相对于所述图像中的其他对象的尺寸。
11.一种图像捕获设备,包括:
一个或更多个镜头;
存储设备;
一个或更多个处理器,所述一个或更多个处理器执行可执行指令,所述可执行指令使所述一个或更多个处理器执行以下操作:
经由所述一个或更多个镜头捕获图像;
使用图像分类器对所述媒体资产的一个或更多个元素进行分类;
将所述一个或更多个元素的分类作为媒体资产属性归于所述媒体资产;
基于所述媒体资产属性生成关于所述媒体资产的媒体资产基因组;
将所述媒体资产基因组与所述媒体资产相关联;以及
将所述媒体资产基因组和所述媒体资产发送至外部设备。
12.根据权利要求11所述的系统,其中,所述图像捕获设备是数字摄像装置。
13.根据权利要求11所述的系统,其中,所述图像捕获设备是一副智能眼镜。
14.根据权利要求11所述的系统,其中,所述图像捕获设备是自包含摄影工作室系统。
15.根据权利要求11所述的系统,其中,所述外部设备是创造性智能服务器。
16.根据权利要求11所述的系统,其中,所述可执行指令还使一个或更多个处理器提取所述图像的一个或更多个特征。
17.根据权利要求16所述的系统,其中,提取所述一个或更多个特征包括:计算所述图像中的主题的两个不同元素的比率。
18.根据权利要求16所述的系统,其中,提取所述一个或更多个特征包括:计算所述图像中的主题相对于所述图像中的其他对象的尺寸。
19.根据权利要求11所述的系统,其中,所述可执行指令还使所述一个或更多个处理器将一个或更多个标记和/或代码嵌入到所述媒体资产中,这使得呈现所述媒体资产的客户端应用对与所述媒体资产的呈现相关的跟踪信息进行报告。
20.根据权利要求11所述的系统,其中,所述跟踪数据包括与所述媒体资产相关的遥测数据。
21.根据权利要求11所述的系统,其中,所述跟踪数据包括与所述媒体资产相关的元数据。
22.一种方法,包括:
由一个或更多个处理器接收用例,所述用例与要代表客户执行的营销相关的任务相关;
由所述一个或更多个处理器经由通信网络向主机的集合提供客户端算法,其中,所述客户端算法包括机器可执行指令的集合,所述机器可执行指令定义机器学习算法,所述机器学习算法在由所述主机存储的相应的本地数据集上训练本地模型并将所述训练的相应结果提供至由所述一个或更多个处理器执行的主算法,其中,所述主机中的至少一个主机存储不在所述客户的控制下的敏感数据集;
由所述一个或更多个处理器从所述主机的集合中的每个主机接收所述相应结果;
由所述一个或更多个处理器基于从所述主机的集合接收的结果来更新全局模型;
由所述一个或更多个处理器接收代表所述客户执行营销相关的任务的请求;以及
由所述一个或更多个处理器利用所述全局模型来执行所述营销相关的任务。
23.根据权利要求22所述的方法,其中,从所述主机的集合中的每个主机接收的相应结果包括由训练所述本地模型的相应版本产生的相应模型参数集。
24.根据权利要求23所述的方法,其中,更新所述全局模型包括:将从所述主机中的每个主机接收的所述相应模型参数集集成到所述全局模型中。
25.根据权利要求24所述的方法,还包括:由所述一个或更多个处理器响应于对所述相应参数集的集成,向所述主机中的每个主机提供相应的元学习信息。
26.根据权利要求1所述的方法,其中,向所述主机的集合提供所述候选算法包括:向所述主机中的每个主机提供起始模型,其中,所述主机的集合中的每个相应主机从所述起始模型开始训练相应的本地模型。
27.根据权利要求5所述的方法,其中,所述起始模型起初在代表性数据集上被训练。
28.根据权利要求27所述的方法,其中,向所述主机的集合提供所述候选算法包括:向所述主机的集合提供所述代表性数据集,其中,所述主机的集合中的每个相应主机使用所述代表性数据集来验证所述相应的本地模型。
29.根据权利要求22所述的方法,其中,所述营销相关的任务是客户细分。
30.根据权利要求22所述的方法,其中,所述营销相关的任务是主题建模。
31.根据权利要求22所述的方法,其中,所述营销相关的任务是市场规划。
32.根据权利要求22所述的方法,其中,所述主机的集合包括所述客户的商业伙伴的计算环境。
33.根据权利要求32所述的方法,其中,所述客户的商业环境存储所述商业伙伴的销售数据。
34.根据权利要求32所述的方法,其中,所述客户的商业环境存储所述商业伙伴的销售数据。
35.根据权利要求22所述的方法,其中,所述主机的集合包括计算环境,所述计算环境包括来自两个独立数据源的多基数据。
36.根据权利要求22所述的方法,其中,所述主机的集合包括存储媒体资产分析数据的计算环境。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962842263P | 2019-05-02 | 2019-05-02 | |
US62/842,263 | 2019-05-02 | ||
PCT/US2020/030999 WO2020223620A1 (en) | 2019-05-02 | 2020-05-01 | Digital anthropology and ethnography system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114391159A true CN114391159A (zh) | 2022-04-22 |
Family
ID=73029400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080041125.2A Pending CN114391159A (zh) | 2019-05-02 | 2020-05-01 | 数字人类学和人种学系统 |
Country Status (10)
Country | Link |
---|---|
US (1) | US20220114616A1 (zh) |
EP (1) | EP3963536A4 (zh) |
JP (1) | JP2022531410A (zh) |
KR (1) | KR20220030931A (zh) |
CN (1) | CN114391159A (zh) |
AU (1) | AU2020265760A1 (zh) |
BR (1) | BR112021021957A2 (zh) |
CA (1) | CA3137753A1 (zh) |
SG (1) | SG11202111879VA (zh) |
WO (1) | WO2020223620A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3971811A1 (en) * | 2020-09-21 | 2022-03-23 | Verve Group, Inc. | Privacy supporting messaging systems and methods |
US20230004999A1 (en) * | 2021-06-30 | 2023-01-05 | On24, Inc. | Methods, Systems, And Apparatuses For User Segmentation And Analysis |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8929877B2 (en) * | 2008-09-12 | 2015-01-06 | Digimarc Corporation | Methods and systems for content processing |
US8924993B1 (en) * | 2010-11-11 | 2014-12-30 | Google Inc. | Video content analysis for automatic demographics recognition of users and videos |
US8478711B2 (en) * | 2011-02-18 | 2013-07-02 | Larus Technologies Corporation | System and method for data fusion with adaptive learning |
US11195057B2 (en) * | 2014-03-18 | 2021-12-07 | Z Advanced Computing, Inc. | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
US20130346182A1 (en) * | 2012-06-20 | 2013-12-26 | Yahoo! Inc. | Multimedia features for click prediction of new advertisements |
EP2845156A1 (en) * | 2012-10-10 | 2015-03-11 | Nugg.ad AG | Predictive behavioural targeting |
US20140278973A1 (en) * | 2013-03-15 | 2014-09-18 | MaxPoint Interactive, Inc. | System and method for audience targeting |
WO2015117068A1 (en) * | 2014-01-31 | 2015-08-06 | Sparcq, Inc. | Media content marking and tracking methods and apparatus |
US11290783B2 (en) * | 2015-03-17 | 2022-03-29 | Comcast Cable Communications, Llc | Real-time recommendations for altering content output |
US10747801B2 (en) * | 2015-07-13 | 2020-08-18 | Disney Enterprises, Inc. | Media content ontology |
US10402469B2 (en) * | 2015-10-16 | 2019-09-03 | Google Llc | Systems and methods of distributed optimization |
-
2020
- 2020-05-01 KR KR1020217039580A patent/KR20220030931A/ko not_active Application Discontinuation
- 2020-05-01 EP EP20798976.5A patent/EP3963536A4/en not_active Withdrawn
- 2020-05-01 AU AU2020265760A patent/AU2020265760A1/en not_active Abandoned
- 2020-05-01 CA CA3137753A patent/CA3137753A1/en active Pending
- 2020-05-01 CN CN202080041125.2A patent/CN114391159A/zh active Pending
- 2020-05-01 BR BR112021021957A patent/BR112021021957A2/pt not_active IP Right Cessation
- 2020-05-01 JP JP2021565075A patent/JP2022531410A/ja active Pending
- 2020-05-01 SG SG11202111879VA patent/SG11202111879VA/en unknown
- 2020-05-01 WO PCT/US2020/030999 patent/WO2020223620A1/en unknown
-
2021
- 2021-10-29 US US17/514,409 patent/US20220114616A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
BR112021021957A2 (pt) | 2021-12-21 |
EP3963536A1 (en) | 2022-03-09 |
SG11202111879VA (en) | 2021-11-29 |
EP3963536A4 (en) | 2023-01-25 |
JP2022531410A (ja) | 2022-07-06 |
CA3137753A1 (en) | 2020-11-05 |
WO2020223620A1 (en) | 2020-11-05 |
US20220114616A1 (en) | 2022-04-14 |
KR20220030931A (ko) | 2022-03-11 |
AU2020265760A1 (en) | 2021-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | Personalized mobile marketing strategies | |
US20240193913A1 (en) | Systems and methods for automatic image generation and arrangement using a machine learning architecture | |
Zhao et al. | User profiling from their use of smartphone applications: A survey | |
Tam et al. | Web personalization as a persuasion strategy: An elaboration likelihood model perspective | |
CA2855008C (en) | Targeting advertisements to users of a social networking system based on events | |
CN102737334B (zh) | 微细分定义系统 | |
CN109451757A (zh) | 在保持用户匿名的同时使用机器学习从行为数据预测心理度量简档 | |
US20150254252A1 (en) | Search ranking of web-based social content aggregations | |
US20130035996A1 (en) | Social advertising technology (so-ad-tec) system and method for advertising for and in documents, and other systems and methods for accessing, structuring, and evaluating documents | |
Introna | The algorithmic choreography of the impressionable subject | |
KR102216755B1 (ko) | 콘텐츠 및 제품을 연동시키는 태그 분석 서비스 제공 방법 | |
Krämer et al. | The role of data for digital markets contestability: case studies and data access remedies | |
TW201310986A (zh) | 虛擬廣告平台 | |
US20220114616A1 (en) | Digital anthropology and ethnography system | |
Gupta et al. | Digital marketing | |
US10922722B2 (en) | System and method for contextual video advertisement serving in guaranteed display advertising | |
Tykheev | Big Data in marketing | |
Matilda | Big data in social media environment: A business perspective | |
Hemmati et al. | A taxonomy and survey of big data in social media | |
Stevenson | Data, Trust, and Transparency in Personalized Advertising. | |
Shen et al. | Big data overview | |
US20220215431A1 (en) | Social network optimization | |
Baron et al. | Instagram as a new promotion and sales channel | |
US20210319478A1 (en) | Automatic Cloud, Hybrid, and Quantum-Based Optimization Techniques for Communication Channels | |
KR20230011213A (ko) | 온라인 광고 대행 서버, 캠페인 정보에 포함된 운영 옵션 정보를 선택적으로 변경하는 온라인 광고 대행 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40072408 Country of ref document: HK |