CN115066906A - 用于基于用户提供的标准进行推荐的方法和系统 - Google Patents

用于基于用户提供的标准进行推荐的方法和系统 Download PDF

Info

Publication number
CN115066906A
CN115066906A CN202180013683.2A CN202180013683A CN115066906A CN 115066906 A CN115066906 A CN 115066906A CN 202180013683 A CN202180013683 A CN 202180013683A CN 115066906 A CN115066906 A CN 115066906A
Authority
CN
China
Prior art keywords
content
user
criteria
machine learning
provider
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180013683.2A
Other languages
English (en)
Inventor
迈克尔·约瑟夫·卡林
丹尼尔·Z·灿格
阿里尔·米哈尔·卡茨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Marcotex LLC
Original Assignee
Marcotex LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Marcotex LLC filed Critical Marcotex LLC
Publication of CN115066906A publication Critical patent/CN115066906A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—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
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—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
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4755—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for defining user preferences, e.g. favourite actors or genre
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Graphics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Circuits Of Receivers In General (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本文提出了方法和系统以解决现有推荐方案中的效率低下。更具体地，本文公开的实施例提供了一种新的推荐方案，其中用户输入他/她想要被推荐的内容的各种标准。例如，系统可以从用户接收对内容推荐的用户偏好。系统可以检索用户的用户配置文件。系统可以将用户偏好与用户配置文件进行比较，以确定针对用户的内容推荐的标准。系统可以接收内容提供商提供的内容的内容属性。系统可以将标准与内容属性相匹配。系统可以响应于标准与内容属性相匹配，生成对内容的推荐以向用户显示。

Description

用于基于用户提供的标准进行推荐的方法和系统
相关申请的交叉引用
本申请要求2020年2月10日提交的美国临时专利申请No.62/972,430的优先权。上述申请的内容通过引用全部并入本文。
技术领域
本发明涉及基于用户提供的标准来提供改进的推荐。
背景技术
在内容创建方面进行着一项运动，将创建从传统的大型媒体提供商(例如，广播工作室、电视网络和其他受信任方)去中心化到一些新的提供商，由此独立的内容创建者和内容消费者可以直接彼此交互。现今，受信任方控制着体验、数据(包括但不限于观看者偏好、属性、期望、定价和过去的动作)、产品和潜在的推荐。任何能够将对这些输入中的一些的控制从受信任方转移到用户的创新系统都会使内容分发和消费朝着去中心化的方向发展，并能改善整体的观看者体验。
发明内容
现今，有大量的内容可供用户观看。因此，需要一种方法让用户浏览该内容并找到他们想要的内容。内容的一个源是受信任方，例如大公司、流媒体提供商、广播工作室、电视网络等(例如，
Figure BDA0003789249130000011
Figure BDA0003789249130000012
)。另一个源是独立提供商，其向中介(例如，
Figure BDA0003789249130000013
)发布用户生成的内容。两个系统都为用户提供了推荐，但这两个系统都有缺陷。受信任方标记他们自己的数据，并控制决定推荐的内容。因此，受信任方可以向用户推送不一定是用户最想看的内容，而是受信任方希望用户看的内容和/或用户可以访问的内容。例如，受信任方可以将用户推向该受信任方的原创节目，而不是另一个实体的节目。
独立提供商具有另一问题。独立提供商可能无法以标准化的方式标记其内容和/或可能欺骗性地标记其内容，以获得更多的浏览量和/或被更频繁地被推荐。此外，如果独立提供商不以获得更多浏览量的方式标记其内容，则他们将输给那些欺骗性地标记其内容的独立提供商或优先考虑自己内容的受信任方。因此，独立提供商既缺乏技术手段来避免信任方降低其内容的优先级，也缺乏以标准化的方式标记其内容以准确代表其内容的机制。同样，用户缺乏一种机制来访问独立提供商的内容和/或决定应该推荐什么内容、根据什么标准来推荐和/或如何解释该标准。
本文提出了方法和系统来解决现有推荐方案中的效率低下。更具体地，本文公开的实施例提供了一种新的推荐系统，其中用户输入他/她想要被推荐的内容的各种标准(例如，反向推荐系统)。然后，该系统基于用户的配置文件来解释该标准。也就是说，相对于可能基于专有推荐算法提供建议的传统系统，反向推荐允许用户输入标准，其中专有推荐算法用于解释用户偏好和/或配置文件信息。此外，相对于允许用户过滤数据的传统过滤机制，反向推荐系统基于用户偏好和/或配置文件信息来解释用户输入的标准。如下所述，该反向推荐系统利用基于内容的、协作和/或混合过滤，并且可以在一些实施例中利用特定的人工智能和机器学习(统称为机器学习)模型、架构和数据准备步骤来为反向推荐系统提供动力。最后，系统允许以去中心化的方式提供推荐，因为提供商和用户都可以针对可用内容和对该内容的推荐输入标准(并独立地解释其标准)。
例如，如果用户要求“有趣”且“不太长”的内容，则系统首先确定用户认为有趣的内容。例如，这可以包括带有喜剧标签的节目，用户完整地观看了这些节目。然后，系统可以找到类似类型的喜剧。然后，系统可以确定比用户的正常观看周期短(即，“不太长”)的内容。首先，系统检索用户的典型观看会话的时间长度，然后系统过滤出类似类型的喜剧中比检索到的时间长度短的那些喜剧。例如，系统采用“基于内容的过滤”(例如，基于用户先前的动作或显式的反馈，使用项目特征来推荐与用户喜欢的内容类似的其他项目)组件。附加地或备选地，系统可以使用嵌入视频和/或其他内容中的元数据，以及任何其他第三方生成的评论(例如，用户评论、评价等)来识别内容的特性。
同样，对于独立的内容提供商，系统解释其节目内容和/或他们用来描述其内容的标准，并针对该节目和/或提供商开发配置文件。例如，尽管提供商可以将其内容标记为“非常”有趣，但是可能建立在第三方内容(例如，评级、用户评论等)上的内容配置文件可以指示内容只是“有点”有趣。然后，系统可以以“协作过滤”的方式(例如，通过从许多用户收集偏好或品味信息(协作)来对用户的兴趣进行自动预测(过滤))将该配置文件与用户提供的标准的配置文件进行匹配。将基于内容和协作过滤二者合并的组合方法被称为“混合过滤”。例如，这些方法比传统的推荐系统有所改进，因为传统的推荐系统旨在推荐已经流行、被观看和/或分享的内容。对于受信任方的内容来说尤其如此，受信任方的内容可能已经很受欢迎。相反，该系统通过使用基于内容的、协作和/或混合的方法来促进多样性，这些方法的关键在于用户针对他/她想要被推荐的内容输入的各种标准。推荐的这种多样性提高了推荐返回独立提供商生成的内容的能力，因为它减少了对受信任方生成的内容的固有偏见。
在一些实施例中，反向推荐系统包括机器学习模型、架构和数据准备步骤来为反向推荐系统提供动力，并且包括技术特征以缓解传统系统中的固有技术问题。例如，反向推荐系统面临的初始技术问题是数据稀少。利用机器学习的传统推荐系统可以利用针对用户的大型数据集和/或包括可以确定用户的偏好和项目之间的联系的足够数据。由于这种数据集可能无法(至少在初始)用于反向推荐系统，因此系统可以将现有的数据用于系统的不同组件和/或阶段。系统可以使用本文描述的新颖架构组织和训练这些不同的组件。
例如，如果关于内容的信息、关于用户的信息、用于解释用户选择的标准的信息、关于提供商的信息和/或用于解释提供商选择的关于内容的标准的信息是稀少的，则系统可以选择使用在数据稀少的环境中提供更高准确性的机器学习模型。相反，如果数据不稀少，则系统可以选择使用提供最准确结果的机器学习模型，而与数据稀疏性无关。例如，基于内容的过滤算法(或受基于内容的过滤算法影响较大的模型)在数据稀少(或没有可用的训练信息)的环境中提供更准确的推荐，但是基于内容的过滤算法在数据不稀少(或训练信息可用)的环境中不如协作过滤算法(或受协作过滤算法影响较大的模型)准确。因此，对于每个决定(例如，如何标记内容、如何标记用户、如何解释用户选择的标准、如何标记提供商和/或如何解释提供商选择的标准)，反向推荐系统可以(例如，从多个机器学习模型中)选择最适合提供最准确结果的机器学习模型。值得注意的是，系统还可以选择混合方案(例如，基于内容的过滤算法和/或协作过滤算法(或受基于内容的和/或协作过滤算法影响较大的模型)。系统还可以选择最适合提供最准确结果的各种集成架构。
系统面临的另一个技术问题是扩展到适用以下项的能力：用户的数量和/或对推荐的请求、推荐可以基于的项目数量、兴趣的多样性，并且补偿在使用期间的请求、项目等中的动态改变。传统的系统，即使是专用于单个领域的那些系统，也遇到了这类问题。系统可以通过基于用户、项目和处理限制的特定特性来对网络和域进行聚类来克服该问题。附加地和/或备选地，系统可以针对一个或多个确定生成训练生成数据的隐含表示。这些隐含表示可用于减少处理负荷并提高可伸缩性。
在一些方面，描述了使用机器学习模型基于用户提供的标准来提供推荐的方法和系统。例如，系统可以从用户接收对内容推荐的用户偏好。系统可以检索用户的用户配置文件。系统可以将用户偏好与用户配置文件进行比较，以确定针对用户的内容推荐的标准。系统可以接收内容提供商提供的内容的内容属性。系统可以将标准与内容属性相匹配。系统可以响应于将标准与内容属性相匹配而向用户生成对内容的推荐以供显示。
通过对本发明和附图的详细描述，本发明的各个其他方面、特征和优点将是显而易见的。还应理解，前面的概述和下文的具体描述是示例而不是对本发明范围的限制。如本说明书和权利要求书中所使用的，除非上下文另有明确说明，否则单数形式“一”、“一个”和“所述”包括复数形式。此外，如本说明书和权利要求书中所使用的，除非上下文另有明确说明，否则术语“或”是指“和/或”。
附图说明
图1示出了根据一个或多个实施例的用于生成多个推荐的用户界面的说明性示例。
图2示出了根据一个或多个实施例的用于生成多个推荐的用户界面的另一说明性示例。
图3示出了根据一个或多个实施例的用于将用户提供的标准与内容相匹配的机器学习模型架构。
图4示出了根据一个或多个实施例的用于将用户提供的标准与内容相匹配的系统。
图5示出了根据一个或多个实施例的用于匹配用户提供的标准的流程图。
图6示出了根据一个或多个实施例的用于选择机器学习模型以匹配用户提供的标准的流程图。
具体实施方式
在以下描述中，出于解释的目的，阐述了很多细节以便提供对本发明的实施例的完全理解。然而，本领域技术人员将意识到，本发明的实施例可以在没有这些具体细节或等效布置的情况下实施。在其他情况下，以框图形式示出了公知的结构和设备，以便避免对本发明的实施例造成不必要的混淆。
尽管为了说明的目的，已经基于目前被认为是最实用和优选的实施例对本发明进行了详细描述，但应当理解，这种细节仅仅是为了该目的且本发明并不限于所公开的实施例，相反，旨在涵盖所附权利要求的范围内的修改和等效布置。例如，应当理解，本发明设想在可能的范围内，任何实施例的一个或多个特征可以与任何其他实施例的一个或多个特征组合。
如本文所述，“用户界面”可包括设备中的人机交互和通信，并且可以包括显示屏幕、键盘、鼠标和桌面的外观。例如，用户界面可以包括用户与应用或网站交互的方式。如本文所述，“内容”应被理解为是指可电子消费的用户资产，例如电视节目以及按次付费的节目、(如视频点播(VOD)系统的)点播节目、互联网内容(例如，流传输内容、可下载内容、网络广播等)、视频剪辑、音频、内容信息、图片、旋转图像、文件、播放列表、网站、文章、书籍、电子书、博客、广告、聊天会话、社交媒体、应用、游戏和/或任何其他媒体或多媒体和/或它们的组合。如本文所述，术语“多媒体”应被理解为是指利用上述至少两个不同内容形式的内容，例如，文本、音频、图像、视频或交互性内容形式。内容可以通过用户装置设备记录、播放、显示或访问，但也可以是现场表演的一部分。内容还可以包括产品、服务、价值和/或其他信息。例如，内容可以指可从内容提供商获得的项目，无论该项目是否是产品、服务和/或组合。
图1示出了根据一个或多个实施例的生成多个推荐的应用(例如，网络浏览器)的示例。例如，用户界面100包括推荐102和推荐104以及字段106，用户可使用字段106来输入针对推荐102和推荐104的内容的标准。在一些实施例中，应用可以作为另一应用的一部分提供，和/或可以作为插件、小程序、浏览器扩展和/或其他软件组件提供。在一些实施例中，用户界面(和/或其组件)可以通过API层(例如，API层450(图4))来实现。例如，应用可以是可以被切换为打开或关闭的应用(例如，网络浏览器)和/或其他程序的一部分。在另一示例中，应用可以是可以添加到另一应用和/或从另一应用移除的软件组件。
在一些实施例中，应用可以包括应用的概念数据模型和/或应用的一个或多个字段(例如，应用当前显示的字段)。例如，概念数据模型可以是数据对象的表示、不同数据对象之间的关联、和/或应用的规则。在一些实施例中，系统可以确定数据的可视化表示，并对模型中的一个或多个字段应用一致的命名惯例、默认值和语义。然后，模型中的一个或多个字段的这些命名惯例、默认值和语义可被系统用于生成对应用的推荐。例如，每个字段可以与一类标准、特性和/或选项相对应。系统可以使用字段标识符来识别正在输入的标准的类型。例如，系统可以将字段标识符与字段数据库(例如，列出与字段相对应的内容和/或内容的特性的查找表数据库)进行比较，来识别推荐的内容。
每个字段可以与针对特定信息和/或内容的特定特性的信息的标准相对应。备选地或附加地，每个字段可以提供给定功能。该功能可以是本地执行的功能(例如，在本地设备上执行的功能)，或者该功能可以是远程执行的功能。在一些实施例中，该功能可以包括到附加信息和/或其他应用的链接，这些附加信息和/或其他应用可以本地或远程地访问和/或可用。在一些实施例中，字段可以由文本和/或图形信息表示。例如，字段可以包括购买功能，用户可以通过该购买功能输入信息(例如，用户凭证和/或支付账户信息)，在发送该信息时可以导致购买发生。系统可以识别这些特性和应用特征，以用于生成概念数据模型。
在一些实施例中，系统可以检测关于应用的字段的信息(例如，描述字段的元数据或其他信息)。例如，该信息可以描述目的、功能、来源、创建者、开发者、系统要求(包括所需的格式和/或能力)、作者、推荐用途和/或批准的用户。这些信息可以用人类可读和/或计算机可读的语言表达，或者对于观看用户界面100的用户来说可能是无法感知的。这些字段可被系统用来匹配用户和/或内容提供商提交的标准和/或其他信息。例如，在一些实施例中，系统可以从多个用户和/或提供商接收内容和/或标准。在一些实施例中，该标准可以描述内容和/或可以描述与给定内容有关的产品或服务。例如，第一提供商可以输入关于内容价格的标准。第二提供商可以输入关于内容的第一组交付条款的标准。第二提供商可以输入关于内容的第二套交付条款的标准。然后，用户可以输入关于对内容的可接受交付条款的标准。系统可以通过内容的字段标识符(例如，唯一标识内容和/或关于内容的特性的值)匹配每个接收到的标准。然后，系统可以做出与内容有关的推荐。例如，系统可以向用户推荐具有第一组交付条款的内容(因为它们比第二组交付条款更好)。
例如，系统可以包括多方交易，其中无论出于什么原因，采用许多非相关方来完成交易。在不受限制的情况下，示例可以是用户、多个提供商、一个或多个贷款人、一个或多个托运人、产业链上层的供应商等。投标的字段将酌情包括所有这些要求，以允许系统扩展来实现更现实的场景，由此这些交易可以且经常需要多方来完善，并且可以针对某些适合的项目(如定制或手工制作)即时计划生产，以减少风险和开销。备选地或附加地，系统可以要求某些条款、特性和/或特性值。例如，指定提供商、条款和/或指定用户的范围可以在系统的控制之下。因此，在允许谁在什么条款和条件下参与的方面，控制的范围可以从非常受控到实际上是去中心化的。
字段可以包括与特定类型的数据相关联的字段标识符和/或字段特性。例如，字段特性可以是信息(例如，排序、头信息、标题、描述、评级信息(例如，家长控制评级、评论家的评级等)、源代码数据(例如，HTML、源代码头等)、体裁或类别信息、主题信息、作者/演员信息、标志数据或用于内容提供商的其他标识符、媒体格式、文件类型、对象类型、出现在内容中的对象(例如，产品投放、广告、关键词、上下文)，或用于区分一个分段和另一个分段的任何其他合适的信息。在一些实施例中，字段特性还可以是人类可读的文本。基于对字段特性与用户的用户配置文件的比较，可以确定字段特性指示了用户感兴趣的字段(或与输入到字段中的值有关的内容)。
信息还可以包括对可能与字段的选择和/或使用有关的用户配置文件信息的参考或指针。系统可以检索该信息和/或将它与另一字段(例如，可接受字段值的描述)进行比较，以便验证、选择和/或使用该信息。例如，描述可以指示字段值使用特定的格式，落入特定的范围，与特定的用户、内容、用户设备和/或用户账户有关。
系统可以访问用户配置文件。用户配置文件可以本地存储在用户设备上(例如，系统400的组件(图4))。用户配置文件可以包括关于用户和/或用户的设备的信息。该信息可以通过主动和/或被动地监测用户的动作生成。用户配置文件还可以包括从一个或多个源(包括第三方源)汇总的信息。用户配置文件中的信息可以包括关于用户的个人身份信息，并且可以以安全和/或加密的方式存储。用户配置文件中的信息可以包括关于以下项的信息：用户设置和/或用户的偏好、用户的活动、用户的人口统计资料和/或用于将特征定位到用户和/或用户的自定义特征的任何其他信息。
另外，用户配置文件可以包括关于用户如何描述他/她的偏好的信息，确定用户如何描述他/她的偏好(例如，经由机器学习模型)，用户对偏好的描述如何与一个或多个内容提供商提供的标准的描述相匹配和/或用于解释标准和将标准与关于可用于推荐的内容的标准相匹配的其他信息。
在一些实施例中，系统可以在用户浏览和/或使用一个或多个应用时预取内容(或推荐)。系统可以基于用户配置文件中的信息(例如，用户偏好或设置)、(例如，通过应用)预定的或标准的推荐选择、在最后使用应用时的先前选择内容和/或其他标准来预取该信息。例如，系统可以连续地、实时地预取(或请求)用于自动填充应用和/或用户界面100的内容。系统可以连续预取该信息和/或可以将该信息推送到本地用户设备和/或边缘服务器，以供应用被激活时立即使用。因此，系统可以使归因于填充推荐和归因于远程源所需的处理时间的延迟最小化。
推荐102可以包括第一链接。例如，链接可以包括超链接。例如，链接可以包括从超文本文件或文档到另一位置或文件的链接，通常通过点击屏幕上的高亮字或图像来激活。链接可以是内联链接，其显示远程内容而不需要嵌入内容。例如，内联链接可以显示可访问内容的修改版本(例如，图像、缩略图、低分辨率预览、裁剪的分段或可访问内容的放大分段)。备选地，链接可以是锚链接和/或粗链接。在一些实施例中，第一链接可以包含推送通知。例如，推送通知可能已经基于可能需要推荐的系统(例如，系统300(图3))的确定而实时生成。响应于用户在用户界面100的字段106中输入的标准，系统可以向远程源(例如，云组件410(图4))发送请求。
图2示出了根据一个或多个实施例的用于生成多个推荐的用户界面的另一说明性示例。例如，用户界面200可以包括字段202。字段202可以包括用于填充字段的用户提示(例如，描述应输入到字段202的值和/或值的类型)。
响应于对用户提示204的选择，系统可以生成对推荐的请求(例如，基于字段202和206中填充的值)。备选地或附加地，响应于用户对提示204的选择，系统可以识别显示在用户界面200中的应用，并确定用户界面中当前显示的字段(例如，字段202和206)是否与应用自动填充的预定字段相对应。例如，系统可以检索用于确定字段的类型的元数据，并将该类型与叠加应用自动填充的字段的预定类型进行比较。响应于确定该字段与预定字段相对应，系统可以向远程源(例如，云组件410(图4))发送补充内容以填充字段的请求。
请求可以包括从一个应用(例如，在本地设备上实现的叠加应用)到服务器(例如，实现系统300(图3)的服务器)上的应用的API请求(或调用)。请求可以包括可由网络服务器使用以响应该请求的一种或多种类型的信息。例如，请求可以包括用于选择应用特定数据、识别应用和/或确定用于填充的字段的信息。
例如，在一些实施例中，应用可以创建库，以简化使用API请求并管理用户、应用和会话数据的通信。因此，系统可以支持多个数据提供商和联合路由开发，包括对应用/子应用路由进行更好地管理，一致地捕获数据和/或识别字段。例如，第三方应用可以具有被称为“paymenttype”的字段，系统可以具有用于在被标记为“payTP”的记录中填充支付类型信息的数据。使用库，API请求可以使请求中的格式归一化。
图3示出了根据一个或多个实施例的用于将用户提供的标准与内容相匹配的机器学习模型架构。例如，系统可以包括一个或多个机器学习模型、架构和数据准备步骤。系统可以确定使用哪个机器学习模型来进行用于生成推荐的一个或多个确定(例如，如何标记内容、如何标记用户、如何解释用户选择的标准、如何标记提供商和/或如何解释提供商选择的标准)。系统可以(例如，从多个机器学习模型中)选择最适于提供最准确结果的机器学习模型。例如，系统可以从特征在于(例如，并行)被训练的一个或多个模型的各个集成架构中选择，以提供最准确的结果。
系统300可以包括模型304。模型304可以包括使用基于内容的过滤的机器学习模型(例如，基于用户先前的动作或显式的反馈，使用项目特征来推荐与该用户喜欢的内容类似的其他项目)。系统300可以包括模型306。模型306可以包含使用协作过滤的机器学习模型(例如，通过从许多用户收集偏好或品味信息(协作)，对用户的兴趣进行自动预测(过滤))。
系统300可以包括模型310。模型310可以包括使用基于内容的过滤和协作过滤二者的机器学习模型。例如，在模型310中，来自模型320(例如，基于内容的组件(例如，使用基于内容的过滤的模型))的输出可以输入到使用协作过滤的模型(例如，使用协作过滤的模型)中。系统300可以包括模型360。模型360可以包括也使用基于内容的过滤和协作过滤二者的机器学习模型。例如，在模型360中，来自模型370(例如，协作的组件(例如，使用协作过滤的模型))的输出可以输入到使用基于内容的过滤的模型(例如，使用基于内容的过滤的模型)中。
系统300可以包括模型330。模型330可以包括使用基于内容的过滤和协作过滤二者的机器学习模型。例如，在模型330中，来自模型340(例如，基于内容的组件(例如，使用基于内容的过滤的模型))和模型350(例如，协作组件(例如，使用协作过滤的模型))的输出都可以被输入到模型330中。例如，模型330可以包括并行训练的模型340和模型350。
模型330可以使用一种或多种用于混合方法的技术。例如，模型330可以对来自模型340和模型350的输出进行加权(例如，推荐分数的线性组合)。备选地或附加地，系统可以使用切换混合，其使用一些标准在推荐技术之间切换。切换混合可能将额外的复杂性引入推荐过程中，因为必须确定切换标准，这引入了另一级别的参数化。备选地或附加地，系统可以使用模型340和模型350同时提出的推荐。在同时进行大量推荐是可行的情况下，这可能是可行的。备选地或附加地，系统可以使用来自模型340和模型350的特征组合，其中输出被一起放入单个模型(例如，模型330)中。例如，模型340和模型350的技术可以合并，将协作信息视为与每个示例相关联的简单的附加特征数据，并在该增强的数据集上使用基于内容的技术。
备选地或附加地，系统可以使用涉及分级过程的级联混合，因为一个模型完善了另一模型给出的推荐。系统还可以使用特征增强，其中一种技术的输出被用作另一种技术的输入特征。例如，一种技术被用于产生项目的评级或分类，然后将该信息合并到下一个推荐技术的处理中。备选地或附加地，系统可以使用一个推荐器学习的模型作为另一个推荐器的输入(例如，模型340成为模型350的输入)。
在模型380，系统300可以接收来自模型304、306、310、330和360中的一个或多个的输出。模型380可以确定使用这些输出中的哪一个进行用于生成推荐的确定。例如，如果关于内容的信息、关于用户的信息、用于解释用户选择的标准的信息、关于提供商的信息和/或用于解释提供商选择的关于内容的标准的信息是稀少的，则系统可以选择使用在数据稀少的环境中提供更高准确性的机器学习模型。相反，如果数据不稀少，则系统可以选择使用提供最准确结果的机器学习模型，而不考虑数据稀疏性。例如，基于内容的过滤算法(或受基于内容的过滤算法影响较大的模型)在数据稀少(或没有训练信息可用)的环境中提供更准确的推荐，但是基于内容的过滤算法在数据不稀少(或训练信息可用)的环境中不如协作过滤算法(或受协作过滤算法影响较大的模型)准确。
在一些实施例中，为了减少数据处理，系统300还可以在模型380处包括用于识别聚类的聚类层。例如，系统可以以这样的方式对一组项目进行分组：同一组(例如，聚类)中的项目比其他组中(例如，其他聚类中)的那些项目(在某种意义上)彼此更相似。例如，该系统可以对推荐(和/或用于生成推荐的确定)进行聚类。系统可以以各种方式对来自多个聚类的数据进行比较，以便确定推荐。在一些实施例中，模型380还可以包括来自模型304、306、310、330和360的输出的隐含表示。系统可以将第一特征输入输入到机器学习模型(例如，模型380)的编码器部分，以生成第一隐含表示，其中机器学习模型的编码器部分被训练为生成所输入的特征输入的隐含表示。系统可以将第一隐含表示输入到机器学习模型的解码器部分，以生成用于生成推荐的数据的第一重构，其中机器学习模型的解码器部分被训练为生成所输入的特征输入的重构。然后，系统可以使用隐含表示来生成推荐。由于隐含表示是降维的输出，因此系统减少了处理的数据量。
模型380可以被训练为基于用于给定确定的数据量来确定模型304、306、310、330和360中的哪一个最准确。然后，模型380可以生成输出390。然后，系统300可以基于输出390来生成推荐。
图4是基于用户提供的标准进行内容交付的示例性系统图。应注意的是，本文描述的方法和系统可以应用于任何商品和/或服务。尽管本文描述的实施例针对媒体内容，但是应当注意，本文的实施例可以应用于任何商品和/或服务。此外，术语“推荐”应作广义解释。例如，推荐可以包括数据中的任何人类或电子消费部分。例如，推荐可以(例如，在显示设备的屏幕上)显示为被用户和/或计算机系统消费的媒体。
图4是基于用户提供的标准进行内容交付的示例性系统图。如图4所示，系统400可以包括服务器422和用户终端424(在一些实施例中可以对应于个人计算机)。尽管在图4中分别示为服务器和个人计算机，但是应当注意，服务器422和用户终端424可以是任何计算设备，包括但不限于膝上型计算机、平板计算机、手持计算机、其他计算机设备(例如，服务器)，包括“智能”、无线、可穿戴和/或移动设备。图4还包括云组件410。云组件410可以备选地是上述任何计算设备，并且可以包括任何类型的移动终端、固定终端或其他设备。例如，云组件410可以实现为云计算系统，并且可以以一个或多个组件设备为特征。还应当注意，系统400不限于三个设备。例如，用户可以利用一个或多个设备彼此交互、与一个或多个服务器或系统400的其他组件交互。应注意的是，尽管本文将一个或多个操作描述为由系统400的特定组件执行，但在一些实施例中，这些操作可以由系统400的其他组件执行。作为示例，尽管本文将一个或多个操作描述为由服务器422的组件执行，但在一些实施例中，这些操作可以由云组件410的组件执行。在一些实施例中，本文描述的各个计算机和系统可以包括一个或多个被编程为执行所述功能的计算设备。附加地或备选地，多个用户可以与系统400和/或系统400的一个或多个组件交互。例如，在一个实施例中，第一用户和第二用户可以使用两个不同的组件与系统400交互。
关于服务器422、用户终端424和云组件410的组件，这些设备中的每一个可以经由输入/输出(下文中称为“I/O”)路径接收内容和数据。这些设备中的每一个还可以包括处理器和/或控制电路，以使用I/O路径发送和接收命令、请求和其他合适的数据。控制电路可以包括任何合适的处理、存储和/或输入/输出电路。这些设备中的每一个还可以包括用于接收和显示数据的用户输入界面和/或用户输出界面(例如，显示器)。例如，如图4所示，服务器422和用户终端424都包括在其上显示数据的显示器(例如，如图1所示)。
另外，由于服务器422和用户终端424被示为触摸屏智能手机，因此这些显示器也用作用户输入界面。应注意的是，在一些实施例中，设备可以既没有用户输入界面也没有显示器，而是可以使用另一个设备(例如，专用显示设备，如计算机屏幕和/或专用输入设备，如遥控器、鼠标、语音输入等)接收和显示内容。另外，系统400中的设备可以运行应用(或另一合适的程序)。应用可以使处理器和/或控制电路执行与推荐内容有关的操作。应注意的是，尽管本文针对机器学习模型具体描述了一些实施例，但在其他实施例中可以使用其他预测性的、基于统计学的分析模型来代替或补充机器学习模型。
这些设备中的每一个还可以包括电子存储形式的存储器。电子存储可以包括以电子方式存储信息的非暂时性存储介质。电子存储的电子存储介质可以包括以下一种或两种：(i)与服务器或客户端设备整体提供(例如，大体上不可拆卸)的系统存储，或(ii)经由端口(例如，USB端口、火线端口等)或驱动器(例如，磁盘驱动器等)可拆卸地连接到服务器或客户端设备的可拆卸的存储。电子存储可以包括光学可读存储介质(例如，光盘等)、磁可读存储介质(例如，磁带、磁硬盘驱动器、软盘驱动器等)、基于电荷的存储介质(例如，EEPROM、RAM等)、固态存储介质(例如，闪存驱动器等)和/或其他电可读存储介质中的一种或多种。电子存储可以包括一个或多个虚拟存储资源(例如，云存储、虚拟专用网络和/或其他虚拟存储资源)。电子存储可以存储软件算法、处理器确定的信息、从服务器获得的信息、从客户设备获得的信息或者能够实现本文所述功能的其他信息。
图4还包括通信路径428、430和432。通信路径428、430和432可以包括互联网、移动电话网络、移动语音或数据网络(例如，5G或LTE网络)、电缆网络、公共交换电话网络、或其他类型的通信网络或通信网络的组合。通信路径428、430和432可以单独或一起包括一个或多个通信路径，例如卫星路径、光纤路径、电缆路径、支持互联网通信(例如，IPTV)的路径、自由空间连接(例如，用于广播或其他无线信号)，或任何其他合适的有线或无线通信路径或这些路径的组合。计算设备可以包括将多个一起操作的硬件、软件和/或固件组件链接的附加通信路径。例如，计算设备可以由作为计算设备一起操作的计算平台的云来实现。
云组件410可以是被配置为存储用户的用户数据的数据库(表格或图形形式)。例如，数据库可以包括系统通过先前(主动和被动二者)交互收集的关于用户的用户数据。备选地或附加地，系统可以作为关于用户、提供商和/或内容的多个信息源的交换所。该信息可以被汇编为跨平台的配置文件。例如，云组件410中的一个或多个可以包括微服务和/或其组件。在一些实施例中，微服务可以是各自收集多个变量中的一个或多个的应用的集合。
云组件410可以包括模型402，它可以是机器学习模型。模型402可以接受输入404并提供输出406。输入可以包括多个数据集，例如训练数据集和测试数据集。多个数据集(例如，输入404)中的每一个可以包括与用户数据、原始内容和/或备选内容有关的数据子集。在一些实施例中，可以输出406反馈给模型402，作为训练模型402的输入。例如，系统可以接收第一标记特征输入，其中第一标记特征输入标记有对第一标记特征输入(例如，基于用户如何自然地描述标准的特征输入)的已知描述(例如，由系统用于解释标准)。然后，系统可以训练第一机器学习模型，以使用已知描述对第一标记特征输入进行分类。
在另一实施例中，模型402可以基于对其预测的评估(例如，输出406)和参考反馈信息(例如，用户的准确性指示、参考标记或其他信息)来更新其配置(例如，权重、偏置或其他参数)。在另一实施例中，其中模型402是神经网络，可以调整连接权重以调和神经网络的预测与参考反馈之间的差异。在进一步的用例中，神经网络的一个或多个神经元(或节点)可以要求它们相应的误差通过神经网络后向发送以促进更新过程(例如，误差的后向传播)。例如，对连接权重的更新可以反映在完成前向传递之后的后向传播的误差的大小。以这种方式，例如，可以训练模型402以生成更好的预测。
在一些实施例中，模型402可以包括人工神经网络。在这样的实施例中，模型402可以包括输入层和一个或多个隐藏层。模型402的每个神经单元可以与模型402的许多其他神经单元连接。这种连接在其对所连接的神经单元的激活状态的影响中可以是强制的或抑制的。在一些实施例中，每个单独的神经单元可以具有组合其所有输入值的求和函数。在一些实施例中，每个连接(或神经单元本身)可以具有阈值函数，使得信号在传播到其他神经单元之前必须超过该阈值。模型402可以是自学习和训练的，而不是显式编程的，并且与传统的计算机程序相比，在解决问题的某些领域可以表现得更好。在训练期间，模型402的输出层可以与模型402的分类相对应，并且在训练期间可以将已知的与该分类相对应的输入输入到模型402的输入层中。在测试期间，可以将没有已知分类的输入输入到输入层中，并且可以输出所确定的分类。
在一些实施例中，模型402可以包括多个层(例如，其中信号路径从前层遍历到后层)。在一些实施例中，模型402可以利用后向传播技术，其中前向刺激被用于重置“前”神经单元上的权重。在一些实施例中，对模型402的刺激和抑制可以更自由地流动，并且连接以更混乱和复杂的方式进行交互。在测试期间，模型402的输出层可以指示给定输入是否与模型402的分类(例如，事件)相对应。
例如，在一些实施例中，系统可以训练机器学习模型(例如，人工神经网络)以基于特征输入来检测已知描述。例如，系统可以接收用户数据(例如，包含图1至图2中描述的变量和变量的类别)。然后，系统可以基于训练数据来生成一系列特征输入。例如，系统可以基于包括与第一已知错误(或错误可能性)相对应的用户数据的训练数据来生成第一特征输入。系统可以用第一已知描述来标记第一特征输入(例如，将数据标记为与该描述的分类相对应)。
例如，在一些实施例中，系统可以训练机器学习模型(例如，人工神经网络)以确定推荐(例如，给定的标准)。例如，系统可以接收标准(例如，包括用户的描述)。然后，系统可以基于标准来生成一系列特征输入。例如，系统可以基于包括与模型对用户的描述的解释相对应的内容的训练数据来生成特征输入，并且系统可以确定响应(例如，内容的推荐)。
然后，系统可以训练机器学习模型，以基于经标记的第一特征输入来检测第一已知内容。系统还可以训练机器学习模型(例如，相同或不同的机器学习模型)，以基于经标记的第二特征输入来检测第二已知内容。例如，训练过程可以涉及为每个训练矩阵(例如，机器学习模型)初始化一些随机值，并尝试使用初始随机值来预测输入特征的输出。最初，模型的误差会很大，但将模型的预测与正确输出(例如，已知的分类)进行比较，模型能够调整权重和偏置值，直到使模型提供所需的预测。
系统可以经由微服务和/或其他方式接收用户数据。例如，微服务可以包括各自收集多个变量中的一个或多个的应用的集合。例如，系统可以从在用户设备上或在服务提供商处(例如，经由用户访问的云服务)运行的API层提取用户数据。附加地或备选地，系统可以接收用户数据文件(例如，作为下载和/或实时或近实时的流传输)。
系统400还包括API层450。例如，在一些实施例中，系统可以被实现为一个或多个API和/或API层。在一些实施例中，API层450可以在服务器422或用户终端424上实现。备选地或附加地，API层450可以驻留在一个或多个云组件410上。API层450(可以是REST或网络服务API层)可以提供到一个或多个应用的数据和/或功能的解耦接口。API层450可以提供与应用进行交互的通用、语言无关的方式。网络服务API提供了明确定义的合同，称为WSDL，WSDL以其操作和用于交换信息的数据类型来描述服务。REST API通常没有该合同；相反，它们利用针对大多数通用语言的客户端库记录，包括Ruby、Java、PHP和JavaScript。SOAP网络服务传统上被企业采用以用于发布内部服务，以及在B2B交易中与合作伙伴交换信息。
API层450可以使用各种架构布置。例如，系统400可以部分地基于API层450，使得大量采用SOAP和REST风格的网络服务，使用如服务存储库和开发者门户的资源，但具有低程度的治理、标准化和关注点分离。备选地，系统400可以完全基于API层450，使得如API层450、服务和应用的层之间的关注点可以分离。
在一些实施例中，系统架构可以使用微服务方法。这种系统可以使用两种类型的层：前端层和微服务所在的后端层，在这种架构中，API层450的作用可以提供前端与后端之间的集成。在这种情况下，API层450可以使用REST风格的API(展示给前端或甚至微服务之间的通信)。API层450可以使用AMQP(例如，Kafka、RabbitMQ等)。API层450可以使用初具雏形的新通信协议，例如gRPC、Thrift等。
在一些实施例中，系统架构可以使用开放的API方法。在这种情况下，API层450可以使用商业或开源的API平台及其模块。API层450可以使用开发者门户。API层450可以使用应用了WAF和DDoS保护的强安全约束，并且API层450可以使用REST风格的API作为外部集成的标准。
图5示出了根据一个或多个实施例的用于匹配用户提供的标准的流程图。应注意的是，本文公开的方法和系统可以应用于(商店、网站、数据库、数据和/或区块链，和/或组织在区块链的去中心化功能中的其他类似结构，和/或通过任何去中心化的数据结构管理技术和/或通过任何分布式账本技术中的)任何媒介(统称和/或单独称为“媒介”)中。例如，虽然本文描述的实施例与过顶(“OTT”)内容和流传输媒体有关，但是本文公开的实施例可以应用于许多技术领域。
在一些实施例中，本文讨论的推荐的主题可以指任何潜在的商品和/或服务，并可以通过序列号或产品SKU来识别。例如，系统可以生成以序列号或产品SKU为特征的媒体资产推荐。每个商品和/或服务可以具有一个或多个关联的用户提供的标准。这些标准可以包括用户的用户偏好，例如偏好的流派、长度、类型、特色人物、特色演员等。附加地或备选地，潜在的用户标准可以指示：(a)愿意支付的最高金额；(b)所需商品和/或服务的状况；(c)他/她愿意从哪种类型的提供商(“指定提供商”)接收内容(可以进一步基于类别、声誉、位置、电子零售商、实体零售商、特定零售商、零售商的规模、距离等)；(d)商品和/或服务的单位的数量；(e)要约的期限或失效条件(即，五分钟内失效，购买后失效等)；(f)他是否愿意从多个提供商那里接受零散的商品；(g)用户或提供商希望他们的名字公开还是匿名；(h)用户和提供商是否能够同意他们的身份是公开的还是私人的；(i)用户希望的退货条件；(j)用户愿意如何为商品或服务付款；(k)是否希望在运输或提货时将多个项目分组等(“条款”)；(l)用户愿意等待价格或其他销售属性以改进系统的时间，然后系统基于当前数据和预测来自动进行销售；和/或(m)用户愿意通过等待承担多少与净效用相比的风险。
在步骤502，过程500(例如，使用图4中描述的一个或多个组件)可以从用户接收对内容推荐的用户偏好。例如，系统可以经由用户界面100(图1)或用户界面200(图2)接收用户输入。然后，系统可以使用这些标准，无论是手动输入还是(例如，基于用户配置文件)自动确定的，来为用户查找内容。因此，用户可以定义他或她希望用于任何内容推荐的标准。
在步骤504，过程500(例如，使用图4中描述的一个或多个组件)可以检索用户的用户配置文件。例如，在一些实施例中，系统还可以将标准与用户的配置文件进行比较，以澄清、量化和/或限定标准。例如，如果用户输入他或她偏好“恐怖电影”，则系统可以回顾用户的观看历史，以确定该用户已观看了哪些电影。例如，用户配置文件可以基于用户的先前动作。如上所述，系统可以比较数据的各个字段，以确定要比较哪些数据和/或哪些值。
在步骤506，过程500(例如，使用图4中描述的一个或多个组件)可以将用户偏好与用户配置文件进行比较，以确定针对用户的内容推荐的标准。例如，系统可以比较关于这些电影的元数据或其他信息，以确定电影是否与特定流派(例如，恐怖)相对应。如果系统确定这些电影确实与该流派相对应，则系统可以设置与该流派相对应的推荐标准。在另一示例中，系统可以使用来自用户配置文件的信息来解释接收到的用户偏好(例如，输入)和/或基于行业和/或流行标准来使输入归一化。
在一些实施例中，将用户偏好与用户配置文件进行比较以确定针对用户的内容推荐的标准还包括：基于用户偏好和用户配置文件来生成(例如，如图3至图4中描述的)第一机器学习模型的(例如，如图6中描述的)第一特征输入，并将第一特征输入输入到第一机器学习模型中以接收标准，其中第一机器学习模型包含第一基于内容的过滤组件和第一协作过滤组件(例如，如图3至图4中描述的)。
例如，用户可以指定它/他/她愿意就潜在的选择进行的所有条件，并对这些条件进行评级。这种评级可以被视为机器学习的子领域(即，偏好学习)的应用，偏好学习对推荐系统有特别的相关性。例如，如上述图3所述，系统可以执行一个或多个步骤(例如，聚类和/或生成隐含表示)以减少数据处理。附加地或备选地，在一些实施例中，系统可以根据存储在用户配置文件中的信息执行非相关内容的渐进式移除。系统可以使用处理关于用户兴趣的信息的模型，该信息是以显式/主动(例如，让用户表达其对项目的意见)或隐式/被动(例如，研究一些行为特征)方式获得的，并利用这些数据来生成推荐项目的列表。
此外，在一些实施例中，系统可以基于关于用户的信息(例如，从用户配置文件中检索的)、行业信息或来自提供商的信息，来对选择和/或评级进行归一化。例如，系统可以使用一个或多个人工智能算法，将用户标准与用户的真实行为和/或情绪相匹配。附加地或备选地，各种类型的优化人工智能算法可用于查找用户/提供商的匹配(如上所述)。
在步骤508，过程500(例如，使用图4中描述的一个或多个组件)可以接收内容提供商提供的内容的内容属性。例如，与用户提供的标准类似，系统可以向提供商提供描述其内容和概述术语、标签和元数据(统称为“内容属性”)的机会，这些内容属性与用户提供的标准进行比较。例如，提供商可以通过为要评介的用户属性提供字段来限制他们愿意推荐的对象(“指定用户”)。此外，指定用户的范围可以围绕付款条款、信用度、评价、运输条款、地点和/或提供商选择的任何其他用户属性。这些信息可以包括在“提供商配置文件”中。此外，系统可以基于第三方的评价来填充提供商配置文件。数据的加权和源以及客户的各种更高层次的综合属性可以使用机器学习以基于客户与提供商之间的交互以及声明的偏好来创建、修改或改进。
在步骤510，过程500(例如，使用图4中描述的一个或多个组件)将标准与内容属性相匹配。例如，系统可以将用户提供的标准与提供商提供的内容属性相匹配。确定匹配后，系统可以发出推荐。应注意的是，“推荐”可以包括对观看内容的要约和/或对购买内容的要约。在一些实施例中，“推荐”可以包括提供商对用户条款的接受。例如，用户可以以标准(包括费用)的形式发出提供推荐的提供商可能接受的要约。在另一示例中，标准可以包括已批准提供商的列表，并且内容属性可以识别提供商。然后，系统可以通过确定提供商在已批准提供商的列表上，将标准与内容属性相匹配。
在一些实施例中，具有相同标准的用户可以基于不同的标准(例如，仅财务条款)排队，或者以与前一用户完全相同的条款加入购买要约。无论如何，所有这些规则都必须符合公共政策(非种族主义、非性别歧视等)。
在该系统下，指定提供商、条款和/或指定用户的范围可以在系统的控制之下。因此，在允许谁在什么条款和条件下参与的方面，控制的范围可以从非常受控到实际上是去中心化的。交易可以发生在任何媒介上。隐私也可以由各方设置。应该认识到，在该系统下，用户可以在一个或多个标准(例如，价格或购买条款的灵活性)上相互竞争。
在步骤512，过程500(例如，使用图4中描述的一个或多个组件)响应于标准与内容属性相匹配，向用户生成对内容的推荐以供显示。在已经发出推荐之后，系统可以完成选择。为了完成选择，指定提供商选择用户要约(或系统基于用户标准和提供商要求的汇合自动进行匹配)，接受用户设置的条款，并提供内容。对所提供内容的注册可以直接发生在用户与提供商之间。选择一旦完成，就可以记录在任何媒介的会计系统或者私下记录。记录会包括进入交易的条款，以及作为销售条件的一部分的任何指定提供商/用户。此外，在商定之后，记录可以以保密的方式发布在系统的专有数据库或专有去中心化的数据结构上。
如果各方允许公开交易的执行，则系统的专有数据结构或时间索引图数据库也可以将完成的交易记录为链外交易，并可以是Oracle来确认这种交易的发生(如其他地方的报告)，以添加到系统上可用的整体数据。例如，系统可以针对多个交易运行信息交换所，其中不同方可以以去中心化的方式影响交易的量和条款。记录虚假交易的能力受到遏制，因为在这种情况下，所涉及的“提供商”可能没有适当的凭据(即，积极的评价或第三方确定它们符合特定标准等)，因此希望信誉良好的提供商的用户会坚持更严格的指定提供商输入和用户的属性。附加地或备选地，该系统可以禁止不讲信誉方。
需要重点注意的是，对于本说明书和权利要求书，“用户”和“提供商”的定义是扩展的，而不仅仅限于提供推荐，或者商品或服务的销售。这可以包括租赁交易、共享交易、部分所有权交易、临时性的而不仅仅是“买”和“卖”等。例如，系统允许对任何这些事情做出推荐。对于与租赁或部分所有权有关的交易，附加字段可以包括，例如为项目购买保险的费用/意愿。
作为进一步的实施例，系统可以部署在物联网(IoT)上，由此将在设备的网络上与系统进行自动或融合通信。例如，查找午餐的人可以利用该系统，通过对她的智能手机进行编程，使其在给定时间或给定情况下自动发出消息，提出为300码半径内的某种类型/类别的午餐支付10美元，该消息在发出5分钟后自动失效。因此，这个人可以要求符合她的特定标准的“推荐”。
要约可以“击中”由可能的餐馆组成的IoT网络，这些餐馆符合她的要约规则，并在该网络内击中所有连接的设备。从技术上讲，这可以或者可以不与前面定义的在媒介上发布不同，因为它可以仅保存在IoT网络而不是去中心化的数据库上。那些餐馆可以自动确定是否接受，并且第一个接受的餐厅赢得了竞标(例如，被推荐)。备选地，用户可以指定将所有在给定时间帧内接受的餐馆呈现给用户以进行人工选择。所有这些都可以在网络中自动进行，由此要约被放置在仅那些符合条件的餐馆能够访问的电子媒介上，而这些餐馆可以对遍历其IoT连接的设备的这种要约做出预编程的响应，以接受要约并处理交易。随着5G网络和其他网络的出现和使用，预计该系统将被部署在IoT网络上以在技术上可能的范围内自动进行这种交易。在一些实施例中，这个人还可以有机会“确认”该建议。备选地，系统可以响应于餐馆接受(并且是第一个接受)这个人的推荐请求时自动确认该推荐。
系统的另一个实施例将是多方交易，其中需要许多非相关方来完成交易。不受限制的情况下，示例会是用户、多个提供商、一个或多个贷款人、一个或多个托运人、产业链上层的供应商等。投标的字段会酌情包括所有这些要求，允许系统扩展以实现更现实的场景，由此这种交易可以且经常需要多方来完成，并且可以针对某些合适的项目(如定制或手工制作)即时计划生产，以减少风险和开销。
系统的算法细节(例如，如以上在图3至图4中和以下在图6中描述的)被设计为允许针对系统中的参与者自动/系统地优化定价、匹配和期望的特征。参与者可以手动输入期望的标准(例如，价格、产品的特征、指定提供商等)，或者可以转而允许使用所提供的运营研究和人工算法自动填写一些或所有的字段，目标从填写偏好到指导价格和其他属性的匹配和分配。
应指出的是，与传统的推荐系统相比，该系统有许多技术上的改进。这些技术上的优点包括：更精确的推荐系统，其包括附加的潜在推荐，推荐活动的效率提高，以及提供和接受推荐的灵活性。
例如，在传统的OTT内容交付中，提供商将他们的内容放在网站、数据库和商店中，并且用户对这些列表作出反应。如果内容没有被列出或无法找到，则用户不知道该内容是否可用。在该系统中，由于用户正在放置他们的特定标准，而提供商的内容正被归一化，因此可以发现附加的内容。另外，随着用户提供他们的标准，提供商可以了解更多关于潜在用户的需求。
例如，在系统中，用户X指示选择产品A(例如，电影租赁)的意愿、她愿意从中选择的经允许的提供商(例如，流媒体提供商)的范围、以及这种选择的条款和条件(例如，租赁期、租赁价格、流派类型等)。如果条款相对于经允许的提供商已经公开提供的条款对用户X更有利，则用户X已经引入新的机制以引入在系统不存在的情况下将不可用的潜在推荐。
附加的技术优点将是优化优化推荐标准的能力。例如，由于系统对用户提供的标准和标签与提供商提供的内容描述和/或推荐要求二者进行了归一化，因此发出了由于不一致的数据、术语等而不能正常提供的推荐。
另外，用户可以确定用于接收推荐的特定标准(例如，条款和条件)。当前，迫使用户找到提供商并接受在任何条款和条件下提供的推荐。
另外，通过使聚合的用户标准(显式的和推断的隐式的二者)对提供商可用，系统提供了更多用户可用的数据，并且提供商都可以定义所提供的内容以及创建的内容二者。
系统还将提供其他形式的自动商业智能，例如对提供商和用户的描述性和预测性分析，将数据存储为具有元数据和属性以及时间维度的图形的数据结构，利用系统内的所有交易数据，跨越时间并考虑到用户和交易的图形结构，酌情采用图形神经网络和其他机器学习技术。这些可以包括用户细分、销售和创建的产品类型之间的趋势、这些与领先指标(NLP、经济等)之间的相关性、季节性、未来定价、以及供应链中产品和资源的可用性。
为了产生推荐，系统可以使用优化算法来匹配提供商和使用。优化算法可以被一个或多个模型(例如，如图3中所述)采用。在一些实施例中，这涉及到求解一般形式的相关优化程序：
最小化F(x) (1)
使Gi(x)≤bi，i＝1，…，M (2)
其中(1)中的F是要优化的目标函数，(2)中的不等式(连同合适的函数Gi，i＝1，…，M)是要满足的约束条件，M是正整数，且x是0-1二元变量xijk的向量，1≤i，j，k≤N(以任何合适的顺序)。对问题(1)～(2)的解的值xijk将指示哪个内容和提供商应应被分配给哪个用户。事实上，当且仅当xijk＝1(这里，我们仅为简化符号而假设内容、选择、内容提供商和用户的相应数量都相同且等于N)时，将来自提供商k的内容分配j给用户i将对应于(1)～(2)的最优解。
例如，一旦用户经由系统声明其标准，系统就可以使针对所有用户的给定标准(例如，针对所有购买的内容和/或产品或服务支付的价格)的值之和最小化。此外，系统可以在一定约束条件下这样做，例如那些涉及必须在给定数量的用户之间分配的有限量的内容。因此，对于求解该问题的优化程序(1)～(2)的实例，系统可以以下式作为(如上面的(1)中的)目标函数：
F(x)＝∑i，j，k pijkxijk. (3)
作为(如(2)中的)可能约束的示例组，我们可以考虑以下：
∑j，k pijkxijk≤mi，1≤i≤N， (4)
∑j xijk≤nik,1≤i，k≤N, (5)
∑i xijk＝1,1≤j，k≤N. (6)
这里，值pijk表示用户i从提供商k那里接收内容j的开销。值mi表示用户i可以为所有购买的内容支付的最高限额，并且njk给出提供商k具有的类型j的内容项的数量。三个约束条件中的最后一个确保了提供商k出售的内容j必须恰好出售给一个用户。
形式(1)～(2)的问题是整数程序，其中目标函数在(3)中定义，约束条件定义为(4)～(6)。作为整数线性程序，问题的有效解在一些情况下不一定是常规的。然而，对于它的解确实存在许多精确或近似的算法，包括分支和约束技术、诸如模拟退火之类的元启发式算法以及对应的连续线性程序的简单舍入(通过忽略对解值的0-1约束而得到)。还要注意的是，如果需要的话，卖方的利润最大化也可以被并入上述优化问题的目标中。当然，除了(4)～(6)，还可以包括其他约束条件，例如买方愿意从哪些类型的卖方(“指定卖方”)购买，或对延迟响应时间的约束(实际上也可以作为参数并入目标以进行最小化)。
优化问题(1)～(2)涉及单个实值的目标函数，但是，对于涉及多个独立的代理用户的情况，可以通过允许多个(标量)目标函数来提高系统的有效性。这种扩展与允许(1)中的矢量值函数F相对应。在这种情况下，当且仅当对于所有x，对于所有l＝1，…，M，Fl(x0)≤Fl(x)且对于一些l∈{1，…，M}，Fl(x0)<Fl(x)时，点x0是F＝(F1，…，FM)的最优(或帕累托最优)点。因此，例如，代替如(3)中将用户标准项pijk的线性组合最小化，我们可以尝试找到帕累托最优解。另一种对于一些应用更优选的优化矢量值目标函数F的方法将是简单地将矢量值目标变换为标量值目标，例如用如F1+...+FM的目标(即，F的各个分量之和)或其他合适的选择代替F本身。
预测建模和机器学习方法也可以并入问题(3)～(6)的框架中(或者更一般地，并入(1)～(2)的框架中)。例如，这些类型的技术可用于提前估计价格值pijk。如果足够数量的训练数据可用，则可以利用诸如线性或非线性回归之类的这种监督机器学习方法(包括神经网络和支持矢量机)来预测这些价格。具体地，定价数据可以是连续的、随时间变化的数据，这意味着特别是递归神经网络、CNN和/或变换器在该设置中可能非常适于准确的价格预测。事实上，我们甚至可以至少在一些情况下把该问题视为涉及时间序列预测的问题，并使用随机森林算法、贝叶斯RNN、LSTM、基于模型的变换器、CNN或其他方法，或者这些和以下中的两个或更多个的组合来处理：神经常微分方程(NODE)、刚性和非刚性通用常微分方程(通用ODE)、通用随机微分方程(通用SDE)、通用延迟微分方程(通用DDE)、通用偏微分方程(通用PDE)、通用跳跃随机微分方程(通用跳跃扩散)、混合通用微分方程(具有事件处理功能的通用DE)。我们还可以使用诸如如gCNN的图形嵌入层和消息传递层，来直接从可能特定适于时间序列预测的时间图数据中学习。事实上，与一些类型的需要离散化的观察间隔的神经网络模型不同，节点(NODE)的连续定义的动态可以自然地并入在任意时间到达的数据。
可以设想，图5的步骤或描述可以与本公开的任何其他实施例一起使用。此外，关于图5描述的步骤和说明可以以替代的顺序或并行地进行，以进一步实现本公开的目的。例如，这些步骤中的每一个可以以任何顺序或并行地或大体上同时地进行，以减少滞后或提高系统或方法的速度。此外，应注意的是，关于图1至图4讨论的任何设备或装置都可用于执行图5中的一个或多个步骤。
图6示出了根据一个或多个实施例的用于选择机器学习模型以用于匹配用户提供的标准的流程图。例如，系统可以使用被设计为允许针对系统中的参与者的定价、匹配和期望特征自动/系统化地进行优化的特定的算法和机器学习模型(例如，如以上在图3至图4中和以下在图6中描述的)。参与者可以手动输入期望的标准(例如，价格、产品的特征、指定提供商等)，或者可以转而允许使用所提供的运营研究和人工算法自动填写一些或所有的字段，目标从填写偏好到指导价格和其他属性的匹配和分配。例如，对于每个确定(例如，如何标记内容、如何标记用户、如何解释用户选择的标准、如何标记提供商和/或如何解释提供商选择的标准)，反向推荐系统可以(例如，从多个机器学习模型中)选择系统用于生成推荐的机器学习模型。
在步骤602，过程600(例如，使用图4中描述的一个或多个组件)确定数据量。例如，系统可以接收一个或多个确定所需的可用数据的初始状态报告。初始状态报告可以指示数据(例如，训练数据)量、给定模型已具有的训练量或模型的置信水平(例如，模型准确决定该确定的置信)。附加地或备选地，系统可以使用信息过滤和信息检索系统依靠相关的反馈来捕获用户偏好的适当快照，以便允许系统解释用户的输入。
在步骤604，过程600(例如，使用图4中描述的一个或多个组件)基于数据量来选择机器学习架构。例如，系统可以从多个机器学习模型(例如，图3中描述的多个机器学习模型)中选择机器学习模型。机器学习模型可以使用贝叶斯分类器、决策树学习器、决策规则分类器、神经网络和/或最近邻算法。
在步骤606，过程600(例如，使用图4中描述的一个或多个组件)针对所选择的机器学习模型生成特征输入。例如，系统可以生成具有基于特征输入将被输入的模型而归一化的格式和/或值的特征输入。例如，在一些实施例中，系统可以使用专利表示(例如，如图3中所述)，其中可以使用数据的低维表示。
在步骤608，过程600(例如，使用图4中描述的一个或多个组件)输入特征输入。例如，系统可以将特征输入输入到机器学习模型中。例如，系统可以将用户偏好与用户配置文件进行比较，以通过以下方式确定针对用户的内容推荐的标准：基于用户偏好和用户配置文件来生成第一机器学习模型的第一特征输入并将第一特征输入输入到第一机器学习模型中来接收标准，其中第一机器学习模型包含第一基于内容的过滤组件和第一协作过滤组件。在另一示例中，系统可以将内容属性与内容提供商配置文件进行比较，以通过以下方式确定针对内容提供商的内容推荐的归一化的内容属性：基于内容属性和内容提供商配置文件来生成第二机器学习模型的第二特征输入，并且将第二特征输入输入到第二机器学习模型中以接收归一化的内容属性，其中第二机器学习模型包含第二基于内容的过滤组件和第二协作过滤组件。
在步骤610，过程600(例如，使用图4中描述的一个或多个组件)接收输出。例如，系统可以从机器学习模型接收输出。例如，该输出可以指示用于生成推荐的确定。每个确定(例如，如何标记内容、如何标记用户、如何解释用户选择的标准、如何标记提供商、和/或如何解释提供商选择的标准、反向推荐系统可以(例如，从多个机器学习模型中)选择机器学习模型)可以基于来自一个或多个机器学习模型的一个或多个输出。
在步骤612，过程600(例如，使用图4中描述的一个或多个组件)基于输出来确定推荐。例如，系统可以基于来自机器学习模型的输出来确定推荐。例如，响应于指示标准与内容属性相匹配的输出，系统可以生成对内容的推荐以向用户显示。在另一示例中，响应于指示用户输入(例如，用户喜欢恐怖电影)与标准化的用户输入(例如，用户喜欢特定恐怖程度的恐怖电影)相匹配的输出，系统可以基于标准化的用户输入来生成推荐以向用户显示。
可以设想，图6的步骤或描述可以与本公开的任何其他实施例一起使用。此外，关于图6描述的步骤和说明可以以替代的顺序或并行地进行，以进一步实现本公开的目的。例如，这些步骤中的每一个可以以任何顺序或并行地或大体上同时地进行，以减少滞后或者提高系统或方法的速度。此外，应注意的是，关于图1至图4讨论的任何设备或装置都可用于执行图6中的一个或多个步骤。
以上描述的本公开的实施例是为了说明而不是限制的目的，本公开仅受以下权利要求书的限制。此外，应注意的是，任何一个实施例中公开的特征和限制可以适用于本文中的任何其他实施例，并且与一个实施例有关的流程图或示例可以以合适的方式与任何其他实施例组合、以不同的顺序完成、或并行完成。此外，本文公开的系统和方法可以实时执行。还应注意的是，上述系统和/或方法可以应用于其他系统和/或方法，或者根据其他系统和/或方法来使用。
参考以下列举的实施例，将更好地理解本技术：
1、一种基于用户提供的标准来提供推荐的方法，该方法包括：从用户接收对内容推荐的用户偏好；检索用户的用户配置文件；将用户偏好与用户配置文件进行比较，以确定针对用户的内容推荐的标准；接收内容提供商提供的内容的内容属性；将标准与内容属性相匹配；以及响应于标准与内容属性相匹配，生成对内容的推荐以向用户显示。
2、根据前述实施例中任一项的方法，还包括：使用控制电路从提供商接收内容的内容描述；使用控制电路检索提供商的提供商配置文件；以及使用控制电路将内容描述与提供商配置文件进行比较，以确定内容的内容属性。
3、根据前述实施例中任一项的方法，其中，提供商和客户配置文件基于来自第三方的评论或通过结合其他信息分析第三方评论而导出的数据。
4、根据前述实施例中任一项的方法，其中，标准包括经批准提供商的列表，内容属性标识提供商，并且其中，将标准与内容属性相匹配包括确定提供商在经批准提供商的列表上。
5、根据前述实施例中任一项的方法，其中，标准包括在第一类别中，并且其中，第一类别中的标准是针对多个用户确定的。
6、根据前述实施例中任一项的方法，其中，匹配标准包括：使第一类别中针对多个用户的标准的值之和最小化。
7、根据前述实施例中任一项的方法，还包括：训练递归神经网络、CNN和/或转换器，以使第一类别中针对多个用户的标准的值之和最小化。
8、根据前述实施例中任一项的方法，还包括：训练机器学习模型，以基于用户偏好和用户配置文件来确定标准。
9、根据前述实施例中任一项的方法，其中，用户配置文件基于用户的先前动作。
10、一种存储指令的有形非暂时性机器可读介质，该指令在由数据处理装置执行时，使数据处理装置执行包括实施例1至9中任一项的操作。
11、一种系统，包括：一个或多个处理器；以及存储指令的存储器，该指令在由处理器运行时，使处理器实现包括实施例1至9中任一项的操作。
12、一种系统，包括用于执行实施例1至9的步骤的装置。

Claims (20)

1.一种使用机器学习模型基于用户提供的标准来提供推荐的系统，所述系统包括：
存储器；和
非暂时性计算机可读存储器，包括指令，所述指令使处理器执行包括以下的操作：
从用户接收对内容推荐的用户偏好；
检索所述用户的用户配置文件；
将所述用户偏好与所述用户配置文件进行比较，以通过以下方式确定针对所述用户的内容推荐的标准：基于所述用户偏好和所述用户配置文件来生成第一机器学习模型的第一特征输入，并且将所述第一特征输入输入到所述第一机器学习模型中以接收所述标准，其中，所述第一机器学习模型包括第一基于内容的过滤组件和第一协作过滤组件；
接收内容提供商提供的内容的内容属性；
检索所述内容提供商的内容提供商配置文件；
将所述内容属性与所述内容提供商配置文件进行比较，以通过以下方式确定针对所述内容提供商的内容推荐的归一化内容属性：基于所述内容属性和所述内容提供商配置文件来生成第二机器学习模型的第二特征输入，并且将所述第二特征输入输入到所述第二机器学习模型中以接收所述归一化的内容属性，其中，所述第二机器学习模型包括第二基于内容的过滤组件和第二协作过滤组件；
将所述标准与所述归一化的内容属性相匹配；以及
响应于所述标准与所述归一化的内容属性相匹配，生成对所述内容的推荐以向所述用户显示。
2.一种基于用户提供的标准来提供推荐的方法，所述方法包括：
使用控制电路从用户接收对内容推荐的用户偏好；
使用所述控制电路检索所述用户的用户配置文件；
使用所述控制电路将所述用户偏好与所述用户配置文件进行比较，以确定针对所述用户的内容推荐的标准；
使用所述控制电路接收内容提供商提供的内容的内容属性；
将所述标准与所述内容属性相匹配；以及
响应于所述标准与内容属性相匹配，生成对所述内容的推荐以向所述用户显示。
3.根据权利要求2所述的方法，其中，将所述用户偏好与所述用户配置文件进行比较，以确定针对所述用户的内容推荐的标准还包括：
基于所述用户偏好和所述用户配置文件，生成第一机器学习模型的第一特征输入；以及
将所述第一特征输入输入到所述第一机器学习模型中以接收所述标准，其中，所述第一机器学习模型包括第一基于内容的过滤组件和第一协作过滤组件。
4.根据权利要求2所述的方法，还包括：
使用所述控制电路从所述内容提供商接收所述内容的内容描述；
使用所述控制电路检索所述内容提供商的提供商配置文件；以及
使用所述控制电路将所述内容描述与所述提供商配置文件进行比较，以确定所述内容的内容属性。
5.根据权利要求4所述的方法，其中，所述提供商配置文件基于来自第三方的评论或通过结合其他信息分析第三方评论而导出的数据。
6.根据权利要求2所述的方法，其中，所述标准包括经批准提供商的列表，所述内容属性标识所述内容提供商，并且其中，将所述标准与所述内容属性相匹配包括确定所述内容提供商在所述经批准提供商的列表上。
7.根据权利要求2所述的方法，其中，所述标准包括在第一类别中，并且其中，所述第一类别中的标准是针对多个用户确定的。
8.根据权利要求7所述的方法，其中，匹配所述标准包括：使所述第一类别中针对所述多个用户的标准的值之和最小化。
9.根据权利要求7所述的方法，还包括：训练递归神经网络、CNN和/或变换器或者其他合适的学习和/或优化算法，以使所述第一类别中针对所述多个用户的标准的值之和最小化。
10.根据权利要求2所述的方法，还包括：训练机器学习模型，以基于所述用户偏好和所述用户配置文件来确定所述标准。
11.根据权利要求2所述的方法，其中，所述用户配置文件基于所述用户的先前动作。
12.一种用于基于用户提供的标准来提供推荐的非暂时性计算机可读介质，包括嵌入在其上的指令，所述指令在由一个或多个处理器执行时引起包括以下的操作：
从用户接收对内容推荐的用户偏好；
检索所述用户的用户配置文件；
将所述用户偏好与所述用户配置文件进行比较，以确定针对所述用户的内容推荐的标准；
接收内容提供商提供的内容的内容属性；
将所述标准与所述内容属性相匹配；以及
响应于所述标准与所述内容属性相匹配，生成对所述内容的推荐以向所述用户显示。
13.据权利要求12所述的非暂时性计算机可读介质，其中，将所述用户偏好与所述用户配置文件进行比较，以确定针对所述用户的内容推荐的标准还包括：
基于所述用户偏好和所述用户配置文件来生成第一机器学习模型的第一特征输入；以及
将所述第一特征输入输入到所述第一机器学习模型中以接收所述标准，其中，所述第一机器学习模型包括第一基于内容的过滤组件和第一协作过滤组件。
14.根据权利要求12所述的非暂时性计算机可读介质，其中，所述操作还包括：
从所述内容提供商接收所述内容的内容描述；
检索提供商的提供商配置文件；以及
将所述内容描述与所述提供商配置文件进行比较，以确定所述内容的内容属性。
15.根据权利要求14所述的非暂时性计算机可读介质，其中，所述提供商配置文件基于来自第三方的评论或通过结合其他信息分析第三方评论而导出的数据。
16.根据权利要求12所述的非暂时性计算机可读介质，其中，所述标准包括经批准提供商的列表，所述内容属性标识所述内容提供商，并且其中，将所述标准与所述内容属性相匹配包括确定所述内容提供商在所述经批准提供商的列表上。
17.根据权利要求12所述的非暂时性计算机可读介质，其中，所述标准包括在第一类别中，并且其中，所述第一类别中的标准是针对多个用户确定的。
18.根据权利要求17所述的非暂时性计算机可读介质，其中，匹配所述标准包括：使所述第一类别中针对所述多个用户的标准的值之和最小化。
19.根据权利要求17所述的非暂时性计算机可读介质，其中，所述操作还包括：训练递归神经网络或者其他合适的学习和/或优化算法，以使所述第一类别中针对所述多个用户的标准的值之和最小化。
20.根据权利要求12所述的非暂时性计算机可读介质，其中，所述操作还包括：训练机器学习模型，以基于所述用户偏好和所述用户配置文件来确定所述标准。
CN202180013683.2A 2020-02-10 2021-02-10 用于基于用户提供的标准进行推荐的方法和系统 Pending CN115066906A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062972430P 2020-02-10 2020-02-10
US62/972,430 2020-02-10
PCT/US2021/017475 WO2021163206A1 (en) 2020-02-10 2021-02-10 Methods and systems for recommendations based on user-supplied criteria

Publications (1)

Publication Number Publication Date
CN115066906A true CN115066906A (zh) 2022-09-16

Family

ID=77291664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180013683.2A Pending CN115066906A (zh) 2020-02-10 2021-02-10 用于基于用户提供的标准进行推荐的方法和系统

Country Status (8)

Country Link
US (2) US11838591B2 (zh)
EP (1) EP4104452A4 (zh)
JP (1) JP2023514653A (zh)
KR (1) KR20220140598A (zh)
CN (1) CN115066906A (zh)
AU (1) AU2021218679A1 (zh)
CA (1) CA3170357A1 (zh)
WO (1) WO2021163206A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220351021A1 (en) * 2021-04-28 2022-11-03 Verizon Patent And Licensing Inc. Hybrid recommendation system and methods based on collaborative filtering integrated with multiple neural networks
US11785064B2 (en) * 2021-05-27 2023-10-10 International Business Machines Corporation Individual user content control in multiuser content delivery systems
US20220398230A1 (en) * 2021-06-14 2022-12-15 Adobe Inc. Generating and executing automatic suggestions to modify data of ingested data collections without additional data ingestion
CA3242012A1 (en) * 2021-12-28 2023-07-06 Ridhima SINGLA Systems and methods for media boundary detection

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8515336B2 (en) * 2006-01-06 2013-08-20 Qualcomm Incorporated Apparatus and methods of selective collection and selective presentation of content
US8001008B2 (en) * 2006-10-24 2011-08-16 Garett Engle System and method of collaborative filtering based on attribute profiling
US9215423B2 (en) * 2009-03-30 2015-12-15 Time Warner Cable Enterprises Llc Recommendation engine apparatus and methods
WO2013028577A2 (en) * 2011-08-19 2013-02-28 Redbox Automated Retail, Llc System and method for importing ratings for media content
US9113208B2 (en) * 2013-03-18 2015-08-18 Squaredon Co Ltd Personalized video channel control
KR20150113429A (ko) * 2014-03-28 2015-10-08 포항공과대학교 산학협력단 컨텐츠 추천 방법 및 장치
KR102277182B1 (ko) * 2014-08-25 2021-07-14 삼성전자 주식회사 개인화 서비스 제공 방법 및 장치
US10289733B2 (en) * 2014-12-22 2019-05-14 Rovi Guides, Inc. Systems and methods for filtering techniques using metadata and usage data analysis
US11507618B2 (en) * 2016-10-31 2022-11-22 Rovi Guides, Inc. Systems and methods for flexibly using trending topics as parameters for recommending media assets that are related to a viewed media asset
US11176486B2 (en) * 2017-12-28 2021-11-16 International Business Machines Corporation Building and matching electronic standards profiles using machine learning
US11157980B2 (en) * 2017-12-28 2021-10-26 International Business Machines Corporation Building and matching electronic user profiles using machine learning
US11170006B2 (en) * 2018-01-03 2021-11-09 Facebook, Inc. Machine-learning model for ranking diverse content

Also Published As

Publication number Publication date
US20230412888A1 (en) 2023-12-21
US11838591B2 (en) 2023-12-05
JP2023514653A (ja) 2023-04-06
KR20220140598A (ko) 2022-10-18
CA3170357A1 (en) 2021-08-19
EP4104452A4 (en) 2024-03-20
AU2021218679A1 (en) 2022-08-18
US20230040678A1 (en) 2023-02-09
EP4104452A1 (en) 2022-12-21
WO2021163206A1 (en) 2021-08-19

Similar Documents

Publication Publication Date Title
US8635169B2 (en) System and methods for providing user generated video reviews
Lytvyn et al. Design of a recommendation system based on Collaborative Filtering and machine learning considering personal needs of the user
US8615474B2 (en) System and methods for providing user generated video reviews
JP6523498B1 (ja) 学習装置、学習方法および学習プログラム
US11838591B2 (en) Methods and systems for recommendations based on user-supplied criteria
US9420213B2 (en) Video creation marketplace
JP2010536102A (ja) コンテキストに基づくコンテンツレコメンデーションの方法及び装置
US20180285474A1 (en) Third-party-site interoperability using publication and interactive discussion engine
CN113888207A (zh) 跨屏广告投放的收益优化
US11657219B2 (en) Systems and methods for using machine learning models to organize and select modular components for user interface templates
Ha et al. Personalized advertisement system using social relationship based user modeling
TW202335511A (zh) 用於推薦串流資料的系統、方法及電腦可讀取媒體
US11514123B2 (en) Information retrieval system, method and computer program product
KR102362836B1 (ko) 웹진 제작과 관리 시스템 및 그 방법
Xiao et al. An inside look into the complexity of box-office revenue prediction in China
Xu et al. How Does the System Perceive Me?—A Transparent and Tunable Recommender System
Mitsis et al. Social media analytics in support of documentary production
Khalique et al. A deterministic model for determining degree of friendship based on Mutual Likings and recommendations on OTT platforms
US20230325897A1 (en) Method and process for verifying veracity in a content licensing repository and exchange platform
US20220335507A1 (en) Systems and methods for an integrated video content discovery, selling, and buying platform
US20240232249A9 (en) Machine Learning System and Method for Media Tagging
Haq Hybrid recommender system towards user satisfaction
Gajjar et al. Popularity-Based BERT for Product Recommendation
Li et al. Overview of Recommender Systems
Chawade et al. The Book Forum: Recommendation Application System using Collaborative Filtering and Autoencoders

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