CN1890682A - 用于建议的增强型协作筛选技术 - Google Patents

用于建议的增强型协作筛选技术 Download PDF

Info

Publication number
CN1890682A
CN1890682A CNA2004800359428A CN200480035942A CN1890682A CN 1890682 A CN1890682 A CN 1890682A CN A2004800359428 A CNA2004800359428 A CN A2004800359428A CN 200480035942 A CN200480035942 A CN 200480035942A CN 1890682 A CN1890682 A CN 1890682A
Authority
CN
China
Prior art keywords
user
group
suggestion
people
weight
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
CNA2004800359428A
Other languages
English (en)
Inventor
S·古塔
P·G·莫伊勒曼
W·F·J·维尔哈
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN1890682A publication Critical patent/CN1890682A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45Management 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
    • H04N21/466Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/10Office automation; Time management
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q99/00Subject matter not provided for in other groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提供了一种生成用户建议的方法。本发明包括:识别第一组其它用户,第一组具有多个被看作是与生成一项建议的正面影响的用户喜好和/或用户简档相关的第一个人;以及根据第一个人的用户喜好和/或用户简档,生成用户建议。本方法还可以包括:识别第二组其它用户,第二组具有多个被看作是与生成一项建议的负面影响的用户喜好和/或用户简档相关的第二个人;这里,生成该建议还基于第二个人的用户喜好和/或用户简档。

Description

用于建议的增强型协作筛选技术
本发明总的涉及建议系统,尤其涉及用于建议的增强型协作筛选技术。
建议系统在本领域中是众所周知的。这些建议系统通常根据用户的收视历史的内容来建立系统的一个或多个用户的用户简档。基于内容的建议方法的问题在于,要花费很大的精力来开发案例表述和相似性模型。同时,由于基于内容的方法是根据项目的相似性来提出建议的,因而新建议的项目趋向于与过去的项目非常相似,从而导致建议中多样性的减少。
另一方面,协作建议方法是另一种基于内容的技术。协作建议方法根据相似用户过去有哪些相似点来建议所感兴趣的项目。此目的是通过一种相似性度量来实现的,这种度量计算目标用户与其它用户之间相似性之差。这一计算过程由于需要系统对所有已有用户的等级进行排列并找到具有类似口味的用户而很费钱。另外,当前协作方法的问题在于,通过建议给出,哪些与大多数具有类似口味的用户相同,并不一定意味着他们与目标用户相似。由于口味带有主观性,因此,建议系统使得目标用户能够识别一组他/她相信其口味的用户以及具有相反口味的用户很重要。
因此,本发明的目的是提供一种克服与现有技术相关的种种缺陷的方法和系统。
与此相应,本发明提供了一种生成用户建议的方法。本方法包含:识别第一组其它用户,该第一组其它用户具有多个第一个人,每一第一个人与至少一个被看作是生成用户建议的正面影响的用户喜好和用户简档相关,以及根据所述第一组中的多个第一个人中的一个或多个的至少一个用户喜好和用户简档来生成用户建议。
如果该生成是基于该第一组中的多个第一个人的一个或多个的用户简档的,那么该方法还包含:从用来产生建议的相应于每一用户简档的每一第一个人处获取准许,并存储每一用户简档。
该方法还可以包含:识别第二组其它用户,该第二组其它用户具有多个第二个人,每一第二个人与被看作是生成用户建议的负面影响的至少一个用户喜好以及用户简档相关,并且其中,生成用户建议还基于所述第二组中多个第二个人中的一个或多个的至少一个用户喜好和用户简档的。该生成包含:根据该第一组中多个第一个人中的一个或多个的至少一个用户喜好和用户简档来生成建议;并针对第二组中多个第二个人中的一个或多个的用户喜好和用户简档来过滤该建议。
本方法还包含:向第一组中的多个第一个人中一个或多个分配权重,该权重是在生成建议时考虑该多个第一组中的每一个的因素。分配可以包含用户向第一组中的多个第一个人中的一个或多个分配权重。
第一组可以包含两个或多个第一组,这时该方法可以还包含向两个或多个第一组中的每一个分配权重,该权重是在生成建议时考虑该两个或多个第一组中的每一个的因素。分配可以包含用户向两个或多个第一组中的每一个分配权重。
如果相应于第一组中的多个第一个人中的一个或多个的用户喜好和用户简档具有一个或多个特征,那么本方法还包含向一个或多个特征中的每一个分配权重,该权重是在生成该建议时考虑了一个或多个特征中的每一个的因素。分配可以包含用户向一个或多个特征中的每一个分配权重。
本方法可以还包含向第二组中的多个第二个人中的一个或多个分配权重,该权重在生成该建议时考虑了多个第二个人中的每一个的因素。分配可以包含用户向第二组中的多个第二个人中的一个或多个分配权重。
第二组可以包含两组或多个第二组,这时,本方法可以还包含向两个或多个第二组中的每一个分配权重,该权重是在生成该建议时考虑了两个或多个第二组中的每一个的因素。该分配包含用户向两个或多个第二组中的每一个分配权重。
如果相应于第二组中的多个第二个人中的一个或多个的至少一个用户喜好和用户简档具有一个或多个特征,那么本方法还包含向一个或多个特征中的每一个分配权重,该权重在生成该建议时考虑了一个或多个特征中的每一个的因素。分配可以包含用户向一个或多个特征中的每一个分配权重。
识别可以包含用户识别第一组中的多个第一个人。识别可以包含用户识别第二组中多个第二个人。
识别可以包含在第一组中自动生成多个第一个人。自动生成可以包含:确定已有一组其它用户中的其它用户在生成建议时是有用的到了何种程度;并把那些其它用户选择为其程度大于预定阈值的第一组的候选者。这时,本方法可以还包含向该用户呈现所选择的其它用户,用于在第一组中选择第一个人。
该识别可以包含在第二组中自动生成多个第二个人。该自动生成可以包含:确定已有一组其它用户中的其它用户对生成某一建议是有用的到了何种程度;并选择那些其它用户作为其程度小于预定阈值的第二组的候选者。这时,本方法可以还包含向该用户呈现所选择的其它用户,用于在第二组中选择第二个人。
该建议可以是电视节目建议。
本发明还提供了一种生成一项建议的装置。该装置包含:识别第一组其它用户的装置,第一组其它用户具有多个第一个人,每一个人与被看作是生成用户建议时的正面影响的至少一个用户喜好和用户简档相关;以及根据第一组用户中的多个第一个人中的一个或多个的至少一个用户喜好和用户简档而生成用户建议的建议器。
该装置可以还包含:识别第二组其它用户的装置,该第二组其它用户具有多个第二个人,每一第二个人与生成用户时被看作是负面影响的至少一个用户喜好和用户简档相关;并且其中,由建议器生成建议还基于第二组中多个第二用户中的一个或多个的用户喜好和用户简档。
本发明还提供了一种用来执行本发明的方法的计算机程序产品,和在其中存储计算机程序产品的程序存储装置。
读者在阅读了下文中的说明书、权利要求书和附图后将能够更好地理解本发明装置和方法的各个特征、方面和优点。其中,
图1示出本发明实施例的电视建议器。
图2示出本发明另一实施例的电视建议器。
尽管本发明可以用于各种诸多类型的建议器,但是人们已经发现特别有用于电视程序建议器的环境。所以,在并没有将电视的应用局限于在电视节目建议器的情况下的同时,本发明的描述将针对这种情况来进行。但是,本领域中的普通技术人员将能够理解,本发明的建议器可以用于其它环境,如无线程序建议器、广告建议器和物品和/或服务的建议器。
现在参照图1,图中示出向收视者生成视频内容建议的装置,该装置通常用标号100标示。该装置可以是机顶盒,如个人视频记录器(PVR),如本领域中所知道的那样如Replay TV和TiVo。这样一种PVR在本领域中是众所周知的。通常,由PRV根据存储器中所存储的收视者的用户简档来建议视频内容,如电视节目。用户简档根据收视者的收视历史和/或由收视者输入的指南而给出收视者的收视喜好。为了揭示本发明,“收视者”是指向其建议视频内容的那个人,而“用户”则是指相应于距收视者的远处的多个用户的那些人。远处的每一用户配备的装置与装置100相似的程度使得它们也可以提出视频内容建议,这些用户的装置用标号101来标示,并假定这种装置101包括与装置100的相似的特征。但是,本领域中的普通技术人员将会理解,装置101可以与装置100不同,并且仍然可以协作用于执行本发明的方法。例如,该用户的装置101可以被配备成构建并存储用户简档和/或该用户的用户喜好,但不能够生成建议。
装置100通常有一个从用户处接收用户喜好和/或用户简档的装置,如在电话网104上运作的调制解调器102,用来对其它用户装置101中的至少一个进行访问,且接收装置101中存储的用户喜好和/或用户简档。但是,从用户处接收用户喜好和/或用户简档的装置还可以包含在便携式存储装置如CD、DVD或软盘上存储这样的信息,并且装置100具有从该便携式存储装置上读取这些信息的装置。正如所描述的那样,可以将用户分成用户组。一个或多个第一组可以包含一个个被看作是在产生收视者建议的正面影响的用户。也可以将第一组称之为是“朋友”组。一个或多个第二组可以包括一个个被看作是用于产生收视者建议的负面影响的用户。也可以将第二组称之为是“非朋友”组。
装置100还具有处理器106。正如将在下文中所讨论的那样,除了执行装置100的典型功能以外,处理器的作用是根据朋友组中的一个或多个个人的至少一个用户喜好和用户简档并且还可以根据非朋友组中的一个或多个个人的至少一个用户喜好和用户简档来确定收视者的建议。处理器具有一个与之相连的存储装置108,以存储该收视者的用户简档以及视频内容和执行本发明的方法和装置100的典型功能的指令。尽管图中示出的是单个的存储装置108,但也可以提供一个以上的存储装置用来存储一个或多个上述信息。该装置还有一个建议器110(本领域中也称为建议引擎),用来根据用户简档而确定视频内容的建议。正如下文中将要讨论的那样,建议器110将根据朋友组中的一个或多个个人的正面影响来确定一则建议,并且可以根据非朋友组中的一个或多个个人的负面影响来确定该建议。
装置100还有一个与之相连的监视器112,用来通过信号线116,在显示器114上显示由装置100提供的视频内容。监视器112可以是接收广播、有线电视或卫星信号的电视机,或者是接收视频信号流的计算机监视器。监视器112也可以显示由装置100生成的用户界面,用来向装置100输入指令。具体说来,正如下文中所讨论的那样,收视者可以从监视器112上显示的合适用户界面中选择或指明形成第一、第二组的一个个用户。正如将在下文中所讨论的那样,收视者也可以用用户界面向二组、各组中的个人、和/或相应于各组中的个人的用户喜好和/或用户简档的特征分配权重。这样一个用户界面的结构是在本领域中的普通技术人员的知识范围内的,因此,为简便起见,其详细描述在此省略。装置100还有一个与用户界面相配接的装置,如远程控制器118。远程控制器可以是无线的,这是在本领域中所知晓的,并具有与接收器122进行无线通信的发射器120,而接收器122与处理器106在操作上相连。相应于其它用户的装置101最好同样配备有远程控制器119和与它们的装置101接口相连的用户接口,如提供向收视者传送用户界面的准许。
图2示出建议器的另一种实施例,其中,相同的技术特征用相同的标号来标示。在图2所示的系统中,建议器与用标号200标示的监视器组合在一起。监视器200可以是接收广播、有线电视或卫星信号的电视机,或接收视频信号流的计算机监视器。
下面参照图1和图2讨论生成建议的方法。本发明的方法不是采用对介于收视者和已经具有喜好信息的数据库中所有已有用户之间的相似性进行计算(采用的现有技术)的方法,而是允许收视者向装置100、200提建议,并且这些用户依赖于生成建议。具体说来,朋友组(“正面影响”)或扩展的朋友列表可以由收视者来创建。可以根据朋友组中一个或多个个人的至少一个用户喜好和用户简档来生成用户建议。朋友组中每一个个人与被看作是生成用户建议的正面影响的用户喜好和/或用户简档相关联。这种方法的优点是,该装置不再必须在所有用户之间进行检查,以找寻具有相似口味的用户。如果建议的生成是基于该朋友组中一个或多个个人的用户简档来进行的,那么应当从这些个人处获得准许。这些个人可以通过装置101处合适的用户接口来获准这样的准许。另外,可以将获准这样的准许的那些个人用户简档存储在存储装置108处。如果在生成建议时采用的是从非朋友列表处得到的个人用户简档,则可以采用类似的技术方案。
收视者还可以汇总地向该列表或者向这些列表中的个人提供权重。还可以根据用户喜好和/或用户简档的特征来给出权重。因此,如果权重是一个在生成建议时考虑了多个个人中的每一个个人的因素,那么收视者可以向朋友组中的一个或多个个人分配权重。如果提供了一个以上的朋友组,那么当权重是生成该建议时考虑了每一朋友组的因素的时候,收视者也可以向每一朋友组分配一个权重。另外,如果相应于朋友组中的一个或多个个人的至少一个用户喜好和用户简档具有一个或多个特征(例如一天中的某一时间、一周的某一天),那么当权重是生成该建议时考虑的每一特征的因素时,收视者也可以向每一特征分配一个权重。用户可以如上所述分配任一权重,如通过合适的用户接口。
另外,装置100、200也可以向收视者提供一种选择,用于收视者指定其口味是收视者一点都不喜欢(“负面影响”)的个人的非朋友组。非朋友组中的每一个个人与看作是生成用户建议时的负面影响的用户喜好和/或用户简档相关。如果朋友组和非朋友组都是用来生成收视者的建议的,那么该建议也是基于非朋友组中一个或多个个人的至少一个用户喜好和用户简档的。当朋友组和非朋友组二者都是用来生成建议的,那么该装置首先找到先前已被朋友组中的朋友所喜欢的电视节目(或其它被建议的主题)。接着,它对这些电视节目进行筛选,使得非朋友组中的个人不曾喜欢这些电视节目。这种筛选方法还可以依赖于与该朋友组相关的上述任一权重。另外,如同上述关于朋友组所讨论的那样,可以由收视者来提供这些权重。
收视者还可以识别朋友组和/或非朋友组中的个人。收视者可以通过合适的用户接口或诸如远程控制器118的数据输入装置或键盘(图中未示出)来识别这些个人。另外,通过根据有多少其个人过去喜好历史用于建议而将已有的用户组分割成朋友组和非朋友组,处理器106可以自动生成这些朋友组和非朋友组,而不是由收视者来向装置提供朋友组和非朋友组。其次,也可以将该组提供给收视者,并使得由该收视者来决定要保留哪些用户而要去掉哪些用户,或者通过将它们按等级排队而由系统进一步对这些用户进行量身定做(tailor)。这样,收视者可以对要选择和保留的影响作进一步的控制和作进一步的了解。再有,收视者可以识别要通过合适的用户接口来保留哪些个人和去掉哪些个人。
本发明的方法可以由计算机软件程序来执行,这种计算机软件程序可以含有相应于这些方法的各个步骤的模块。这种软件当然可以由计算机可读介质(如集成电路芯片或外围装置)来实现。
尽管本文中已经示出并描述了本发明的实施例,但应当理解,在不偏离本发明的精神的情况下,可以有各种修改形式,并且在形式和细节上可以有变化。因此,本发明并非仅限于本文中所描述的形式,而应当把本说明书中的描述理解成落在权利要求书范围内的所有修改形式。

Claims (29)

1.一种生成用户建议的方法,其特征在于,包括:
识别第一组其它用户,所述第一组其它用户具有多个第一个人,每一第一个人与被看作是生成用户建议的正面影响的至少一个用户喜好和用户简档相关;以及
根据所述第一组中多个第一个人中的一个或多个的至少一个用户喜好和用户简档,生成用户建议。
2.如权利要求1所述的方法,其特征在于,所述生成是基于所述第一组中的多个第一个人中的一个或多个的用户简档来进行的,所述方法还包含:
从相应于用于生成所述建议的每一用户简档的每一第一个人处获取准许;以及
存储每一用户简档。
3.如权利要求1所述的方法,其特征在于,还包括:
识别第二组其它用户,所述第二组其它用户具有多个第二个人,每一第二个人与被看作是生成用户建议的负面影响的至少一个用户喜好和用户简档相关;并且
其中,生成用户建议还是基于所述第二组中多个第二个人中的一个或多个的至少一个用户喜好和用户简档而进行的。
4.如权利要求3所述的方法,其特征在于,所述生成包括:
根据所述第一组中多个第一个人中的一个或多个的至少一个用户喜好和用户简档,生成所述建议;以及
针对所述第二组中的多个第二个人中的一个或多个的至少一个用户喜好和用户简档,筛选所述建议。
5.如权利要求1所述的方法,其特征在于,还包括向所述第一组中的多个第一个人中的一个或多个分配权重,所述权重是将所述多个第一个人中的每一个看作是生成所述建议的因素。
6.如权利要求5所述的方法,其特征在于,所述分配包括用户向所述第一组中的所述多个第一个人中的一个或多个分配权重。
7.如权利要求1所述的方法,其特征在于,所述第一组包括两个或多个第一组,所述方法还包括向所述两个或多个第一组中的每一个分配权重,所述权重是将所述两个或多个第一组中的每一组看作是生成所述建议的因素。
8.如权利要求7所述的方法,其特征在于,所述分配包括用户向两个或多个第一组中的每一个分配权重。
9.如权利要求1所述的方法,其特征在于,相应于所述第一组中的多个第一个人中的一个或多个的至少一个用户喜好和用户简档具有一个或多个特征,并且本方法还包括向一个或多个特征中的每一个分配权重,并且所述权重是把所述一个或多个特征中的每一个看作是生成所述建议的因素。
10.如权利要求9所述的方法,其特征在于,所述分配包括用户向所述一个或多个特征中的每一个分配权重。
11.如权利要求3所述的方法,其特征在于,还包括向所述第二组中的多个第二个人中的一个或多个分配权重,所述权重是把所述多个第二个人中的每一个看作是生成所述建议的因素。
12.如权利要求11所述的方法,其特征在于,所述分配包括用户向所述第二组中的多个第二个人中的一个或多个分配所述权重。
13.如权利要求3所述的方法,其特征在于,所述第二组包括两个或多个第二组,所述方法还包括向所述两个或多个第二组中的每一个分配一个权重,所述权重是把所述两个或多个第二组中的每一个看作是生成所述建议的因素。
14.如权利要求13所述的方法,其特征在于,所述分配包括用户向所述两个或多个第二组中的每一个分配权重。
15.如权利要求3所述的方法,其特征在于,相应于所述第二组中的多个第二个人中的一个或多个的至少一个用户喜好和用户简档具有一个或多个特征,并且本方法还包括向一个或多个特征中的每一个分配权重,并且所述权重是把所述一个或多个特征中的每一个看作是生成所述建议的因素。
16.如权利要求15所述的方法,其特征在于,所述分配包括用户向所述一个或多个特征中的每一个分配权重。
17.如权利要求1所述的方法,其特征在于,所述识别包括用户识别所述第一组中的多个第一个人。
18.如权利要求3所述的方法,其特征在于,所述识别包括用户识别所述第二组中的多个第二个人。
19.如权利要求1所述的方法,其特征在于,所述识别包括自动生成所述第一组中的多个第一个人。
20.如权利要求19所述的方法,其特征在于,所述自动生成包括:
确定来自已有一组其它用户的其它用户对生成一项建议有用的程度;以及
选择一些其它用户,作为其程度大于预定阈值的所述第一组的候选者。
21.如权利要求20所述的方法,其特征在于,还包括向所述用户呈现所选择的其它用户,用于所述第一组中所述第一个人的选择。
22.如权利要求3所述的方法,其特征在于,所述识别包括自动生成所述第二组中多个第二个人。
23.如权利要求22所述的方法,其特征在于,所述自动生成包括:
确定来自已有一组其它用户的其它用户对生成一项建议有用的程度;以及
选择一些其它用户,作为其程度大于预定阈值的所述第二组的候选者。
24.如权利要求23所述的方法,其特征在于,还包括向所述用户呈现所选择的其它用户,用于所述第二组中所述第二个人的选择。
25.如权利要求1所述的方法,其特征在于,所述建议是电视节目建议。
26.一种生成建议的装置,其特征在于,所述装置包括:
识别第一组其它用户的装置(106,118),所述第一组其它用户具有多个第一个人,每一第一个人与被看作是生成用户建议时的正面影响的至少一个用户喜好和用户简档相关;以及
建议器(110),用来根据所述第一组中所述多个第一个人中的一个或多个的至少一个用户喜好和用户筒档来生成所述用户建议。
27.如权利要求26所述的装置,其特征在于,还包括:
用于识别第二组其它用户的装置(106,118),所述第二组其它用户具有多个第二个人,每一第二个人与被看作是生成用户建议时的正面影响的至少一个用户喜好和用户简档相关;以及
其中,由所述建议器生成所述建议还基于所述第二组中多个第二个人中的一个或多个的至少一个用户喜好和用户简档。
28.一种用生成用户建议的计算机可读介质来实现的计算机程序产品,其特征在于,所述计算机程序产品中包括:
计算机可读程序码装置,用来识别第一组其它用户,所述第一组其它用户具有多个第一个人,其每一个与被看作是生成用户建议的正面影响的至少一个用户喜好和用户简档相关;以及
计算机可读程序码装置,用于根据所述第一组中多个第一个人中的一个或多个的至少一个用户喜好和用户简档来生成用户建议。
29.一种由机器可读的程序存储装置,用于实现可以由机器执行的程序指令以执行用于生成用户建议的方法步骤,其特征在于,所述方法包括:
识别第一组其它用户,所述第一组其它用户具有多个第一个人,每一第一个人与被看作是生成用户建议的正面影响的至少一个用户喜好和用户简档相关;以及
根据所述第一组中多个第一个人中的一个或多个的至少一个用户喜好和用户简档,生成用户建议。
CNA2004800359428A 2003-12-03 2004-11-30 用于建议的增强型协作筛选技术 Pending CN1890682A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US52675503P 2003-12-03 2003-12-03
US60/526,755 2003-12-03

Publications (1)

Publication Number Publication Date
CN1890682A true CN1890682A (zh) 2007-01-03

Family

ID=34652466

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2004800359428A Pending CN1890682A (zh) 2003-12-03 2004-11-30 用于建议的增强型协作筛选技术

Country Status (6)

Country Link
US (1) US20070050192A1 (zh)
EP (1) EP1692647A1 (zh)
JP (1) JP2007515713A (zh)
KR (1) KR20060103909A (zh)
CN (1) CN1890682A (zh)
WO (1) WO2005055102A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103635926A (zh) * 2011-07-01 2014-03-12 微软公司 启用对个人元数据的控制或使用

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8554601B1 (en) 2003-08-22 2013-10-08 Amazon Technologies, Inc. Managing content based on reputation
US7822631B1 (en) * 2003-08-22 2010-10-26 Amazon Technologies, Inc. Assessing content based on assessed trust in users
US8381240B2 (en) * 2005-10-27 2013-02-19 Ronald Jacoby Framework for providing digital home services
US7519562B1 (en) * 2005-03-31 2009-04-14 Amazon Technologies, Inc. Automatic identification of unreliable user ratings
US20080005096A1 (en) * 2006-06-29 2008-01-03 Yahoo! Inc. Monetization of characteristic values predicted using network-based social ties
WO2008016611A2 (en) * 2006-07-31 2008-02-07 United Video Properties, Inc. Systems and methods for providing media guidance planners
US20080147500A1 (en) * 2006-12-15 2008-06-19 Malcolm Slaney Serving advertisements using entertainment ratings in a collaborative-filtering system
US20080189174A1 (en) * 2007-02-01 2008-08-07 Yahoo! Inc. Advertisement referral based on social ties
US20090077081A1 (en) * 2007-09-19 2009-03-19 Joydeep Sen Sarma Attribute-Based Item Similarity Using Collaborative Filtering Techniques
US20090077093A1 (en) * 2007-09-19 2009-03-19 Joydeep Sen Sarma Feature Discretization and Cardinality Reduction Using Collaborative Filtering Techniques
US11263543B2 (en) 2007-11-02 2022-03-01 Ebay Inc. Node bootstrapping in a social graph
US8914367B2 (en) 2007-11-29 2014-12-16 Cisco Technology, Inc. Socially collaborative filtering for providing recommended content to a website for presentation to an identified user
US8566884B2 (en) 2007-11-29 2013-10-22 Cisco Technology, Inc. Socially collaborative filtering
US20090150229A1 (en) * 2007-12-05 2009-06-11 Gary Stephen Shuster Anti-collusive vote weighting
US8752093B2 (en) 2008-01-21 2014-06-10 At&T Intellectual Property I, L.P. System and method of providing recommendations related to a service system
KR101167247B1 (ko) 2008-01-28 2012-07-23 삼성전자주식회사 유사 사용자 그룹의 적응적 갱신 방법 및 그 장치
US20090216626A1 (en) * 2008-02-22 2009-08-27 Microsoft Corporation Behavior recommending for groups
GB2459640A (en) * 2008-04-03 2009-11-04 Hewlett Packard Development Co Selecting content for delivery to a group of users comprising receiving a plurality of user identifier tags
US8380562B2 (en) 2008-04-25 2013-02-19 Cisco Technology, Inc. Advertisement campaign system using socially collaborative filtering
US9009082B1 (en) 2008-06-30 2015-04-14 Amazon Technologies, Inc. Assessing user-supplied evaluations
US8577753B1 (en) * 2008-10-22 2013-11-05 Amazon Technologies, Inc. Community-based shopping profiles
US20100306672A1 (en) * 2009-06-01 2010-12-02 Sony Computer Entertainment America Inc. Method and apparatus for matching users in multi-user computer simulations
US9396492B2 (en) 2010-10-15 2016-07-19 Opentable, Inc. Computer system and method for analyzing data sets and providing personalized recommendations
US20120095862A1 (en) * 2010-10-15 2012-04-19 Ness Computing, Inc. (a Delaware Corportaion) Computer system and method for analyzing data sets and generating personalized recommendations
US20130024464A1 (en) 2011-07-20 2013-01-24 Ness Computing, Inc. Recommendation engine that processes data including user data to provide recommendations and explanations for the recommendations to a user
US9195769B2 (en) 2011-07-20 2015-11-24 Opentable, Inc. Method and apparatus for quickly evaluating entities
US10186002B2 (en) 2012-03-21 2019-01-22 Sony Interactive Entertainment LLC Apparatus and method for matching users to groups for online communities and computer simulations
US10130872B2 (en) 2012-03-21 2018-11-20 Sony Interactive Entertainment LLC Apparatus and method for matching groups to users for online communities and computer simulations
WO2014138689A2 (en) 2013-03-08 2014-09-12 Ness Computing, Llc Context-based queryless presentation of recommendations
US9928623B2 (en) * 2014-09-12 2018-03-27 International Business Machines Corporation Socially generated and shared graphical representations
US10932004B2 (en) * 2017-01-24 2021-02-23 Adobe Inc. Recommending content based on group collaboration
KR101953802B1 (ko) * 2017-07-03 2019-03-07 한양대학교 산학협력단 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법 및 장치
CN108197219A (zh) * 2017-12-28 2018-06-22 北京奇虎科技有限公司 推送信息的方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6005597A (en) * 1997-10-27 1999-12-21 Disney Enterprises, Inc. Method and apparatus for program selection
GB9828594D0 (en) * 1998-12-23 1999-02-17 Ntl Group Limited User group identification system
US6727914B1 (en) * 1999-12-17 2004-04-27 Koninklijke Philips Electronics N.V. Method and apparatus for recommending television programming using decision trees
US7721310B2 (en) * 2000-12-05 2010-05-18 Koninklijke Philips Electronics N.V. Method and apparatus for selective updating of a user profile
US20030051240A1 (en) * 2001-09-10 2003-03-13 Koninklijke Philips Electronics N.V. Four-way recommendation method and system including collaborative filtering
US7571452B2 (en) * 2001-11-13 2009-08-04 Koninklijke Philips Electronics N.V. Method and apparatus for recommending items of interest to a user based on recommendations for one or more third parties
US20030093329A1 (en) * 2001-11-13 2003-05-15 Koninklijke Philips Electronics N.V. Method and apparatus for recommending items of interest based on preferences of a selected third party

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103635926A (zh) * 2011-07-01 2014-03-12 微软公司 启用对个人元数据的控制或使用

Also Published As

Publication number Publication date
KR20060103909A (ko) 2006-10-04
US20070050192A1 (en) 2007-03-01
JP2007515713A (ja) 2007-06-14
EP1692647A1 (en) 2006-08-23
WO2005055102A1 (en) 2005-06-16

Similar Documents

Publication Publication Date Title
CN1890682A (zh) 用于建议的增强型协作筛选技术
CN101828199B (zh) 用于产生内容项目的推荐的方法和系统
EP2541963B1 (en) Method for identifying video segments and displaying contextually targeted content on a connected television
CN102523494B (zh) 用于交互式电视应用中的跨平台预测受欢迎度等级的方法及系统
CN1404687B (zh) 自动识别变化的观众偏好的电视节目推荐器
US9473730B1 (en) Method and system for personalized recommendation modeling
EP1047005B1 (en) Method et system for distributing information
RU2539585C2 (ru) Адаптивное размещение вспомогательных медиаданных в рекомендательных системах
JP4329436B2 (ja) コンテンツ視聴支援システム及びコンテンツ視聴支援方法、並びにコンピュータ・プログラム
CN1460373A (zh) 用于生成基于用户偏好和环境特点的推荐的方法和装置
CN103189889B (zh) 用于个人内容频道的协调式自动广告投放
CN112235614B (zh) 电视节目排行榜数据的个性化推荐方法及系统
KR20090086395A (ko) 평가된 콘텐츠 제공 방법 및 콘텐츠 평가 방법
US20090292612A1 (en) System and method for delivering advertising according to similarities with collected media content
JP2011155695A (ja) サーチ結果を提示するためのシステム及び方法
CN1366771A (zh) 电子节目指南观看历史生成器方法和系统
CN1301458A (zh) 用于确定用户人口统计类目值的交互式电视节目指南系统
CN102754096A (zh) 补充媒体递送
CN103778174A (zh) 用于基于场景变化检测触发音频指纹法分析的装置和方法
KR101875230B1 (ko) 시청 정보와 메타 데이터를 사용한 선호도 추론 장치 및 방법
CN1622076A (zh) 自动选择播放广告内容的装置和方法
KR20050043969A (ko) 미디어 시스템 상의 관심 프로파일을 적응시키는 방법 및시스템
CN103918277B (zh) 用于确定媒体项正被呈现的置信水平的系统和方法
JP2007094560A (ja) サービス提供方法、サービス提供システム、サービス提供装置、サービス提供端末及びサービス提供プログラム
CN1761968A (zh) 根据将在其间存储节目项的时间段来选择节目项

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20070103