DE102018004974A1

DE102018004974A1 - Globale Vektorempfehlungen auf der Basis von impliziten Interaktions- und Profildaten

Info

Publication number: DE102018004974A1
Application number: DE102018004974.5A
Authority: DE
Inventors: Balaji Krishnamurthy; Nikaash Puri
Original assignee: Adobe Inc
Current assignee: Adobe Inc
Priority date: 2017-10-17
Filing date: 2018-06-21
Publication date: 2019-04-18
Also published as: AU2018204372A1; GB2567712A; CN110020188A; US20190114687A1; GB201810574D0; US10699321B2

Abstract

Eine digitale Medienumgebung wird beschrieben, die Empfehlungen vereinfacht basierend auf Vektoren, die durch Merkmalsworteinbettungen generiert werden. Ein Empfehlungssystem empfängt Daten, die mindestens ein Attribut für ein Nutzerprofil, mindestens ein Element und eine Interaktion zwischen dem Nutzerprofil und dem mindestens einen Element beschreiben. Das Empfehlungssystem verknüpft jedes Nutzerprofilattribut, jedes Element und jede Interaktion zwischen einem Nutzerprofil und einem Element als ein Wort durch Verarbeitung natürlicher Sprache und kombiniert diese Wörter zu Sätzen. Die Sätze werden in ein Worteinbettungsmodell eingegeben, um Merkmalsvektordarstellungen zu bestimmen, die Beziehungen zwischen den Nutzerprofilattributen, Elementen und expliziten und impliziten Interaktionen beschreiben. Aus den Merkmalsvektordarstellungen ermittelt das Empfehlungssystem eine Ähnlichkeit zwischen verschiedenen Merkmalen. Folglich kann das Empfehlungssystem individuell angepasste Empfehlungen basierend auf impliziten Interaktionen selbst für ein Nutzerprofil bereitstellen, das nicht mit historischen Interaktionsdaten verknüpft ist.

Description

HINTERGRUND DER ERFINDUNG
Computervorrichtungen geben Empfehlungen aus, um Elemente offenzulegen, die für einen Nutzer wahrscheinlich von Interesse sind, selbst wenn sich der Nutzer der Existenz dieser Elemente nicht bewusst ist. Beispielsweise gibt ein Video-Streamingdienst Empfehlungen für Filme oder Fernsehserien aus, ein Onlineshop gibt Produktempfehlungen aus und so weiter. Viele Dienste haben herkömmliche Suchmaschinen mit automatischen Empfehlungen als primäre Methode zum Auffinden von Inhaltselementen ersetzt. Dementsprechend streben es Systeme an, Empfehlungen so auf individuelle Endnutzer zuzuschneiden, dass die empfohlenen Elemente tatsächlich von Interesse sind.
Herkömmliche Empfehlungssysteme machen sich historische Daten zunutze, die explizite Interaktionen zwischen Nutzerprofilen und Elementen beschreiben. Explizite Interaktionen enthalten View-View-Beziehungen von Elementen, die Elemente beschreiben, die zusammen in einer einzelnen Internetsitzung angesehen wurden. Andere explizite Interaktionen enthalten View-Bought-Beziehungen, die mindestens ein Element beschreiben, das nach dem Ansehen gekauft wurde. Alternativ oder zusätzlich enthalten explizite Interaktionen Bought-Bought-Beziehungen von Elementen, die Elemente beschreiben, die in einer einzelnen Internetsitzung zusammengekauft wurden. Bei der herkömmlichen Herangehensweise werden Modelle auf Basis dieser Interaktionsdaten erstellt und diese Modelle werden dazu verwendet, um eine Empfehlung für ein Nutzerprofil zu bestimmen.
Herkömmliche Empfehlungssysteme können allerdings keine Empfehlungen für Nutzerprofile generieren, die keine historisch expliziten Interaktionsdaten haben. Ebenso können herkömmliche Empfehlungssysteme keine impliziten Interaktionen zwischen Nutzerprofilen und Elementen erfassen. Implizite Interaktionen beziehen sich auf Interaktionen, die nicht explizit auf eine Affinität für bestimmte Elemente hinweisen. Beispielsweise können implizite Interaktionen enthalten, welche Anzahl von Malen ein Element angesehen wurde, welche Menge von Zeit darauf verwendet wurde, einen Nachrichtenartikel zu lesen, wie viel Prozent eines Videos angesehen wurden und so weiter. Folglich erfassen herkömmliche Herangehensweisen für digitale Empfehlungen keine signifikanten Interaktionsdaten, die ansonsten eine Empfehlungsentscheidung beeinflussen würden. Dementsprechend sind herkömmliche Herangehensweisen für automatische Elementempfehlungen darauf beschränkt, nur bestimmte Arten von Interaktionsdaten in Betracht zu ziehen, was oft dazu führt, dass irrelevante Empfehlungen ausgegeben werden.
Überblick
Ein digitales Medienumfeld wird beschrieben, das Empfehlungen basierend auf Vektoren vereinfacht, die durch die Verwendung von Merkmalsworteinbettungen generiert wurden. Eine Computervorrichtung, die ein Empfehlungssystem implementiert, empfängt in einem Beispiel Daten, die mindestens ein Attribut für ein Nutzerprofil, mindestens ein Element und eine Interaktion zwischen dem Nutzerprofil und dem mindestens einem Element beschreiben. Diesem Beispiel folgend, empfängt das Empfehlungssystem verschiedene Sitzungsdatensätze, die Nutzerprofilattribute, Elemente und Interaktionen zwischen den Nutzerprofilen und den Elementen über einen bestimmten Zeitraum, z. B. während einer einzelnen Internetsitzung, beschreiben. Nach dem Empfangen der Daten verknüpft das Empfehlungssystem jedes Nutzerprofilattribut, jedes Element und jede Interaktion zwischen einem Nutzerprofil und einem Element als ein Wort durch Nutzung natürlicher Sprachverarbeitung.
Aus diesen Wörtern kompiliert das Empfehlungssystem mit einer Sitzung verknüpft Wörter zu einem Satz, sodass der Satz Informationen enthält, die das Nutzerprofil, Elemente und Interaktionen zwischen dem Nutzerprofil und Elemente im Verlauf der Sitzung beschreiben. Folglich generiert das Empfehlungssystem einen Satz, der repräsentativ für eine individuelle Sitzung ist. Zusätzlich unterscheidet das Empfehlungssystem zwischen expliziten Interaktionen und impliziten Interaktionen zwischen Nutzerprofilen und Elementen, indem separate Sätze generiert werden, die explizite und implizite Interaktionen für eine einzelne Sitzung beschreiben. Beispielsweise bezieht sich eine explizite Interaktion auf eine ausdrückliche Affinität zwischen einem Nutzerprofil und einem Element, wie zum Beispiel eine Einstufung, die einem Element von dem Nutzerprofil zugewiesen wurde, ein Hinweis darauf, dass das Nutzerprofil das Element gekauft hat und so weiter. Umgekehrt bezieht sich eine implizite Interaktion auf Interaktionen, die nicht direkt mit einer ausdrücklichen Affinität zwischen einem Nutzerprofil und einem Element zusammenhängen, wie z. B. eine Anzahl von Malen, die ein Element angesehen wurde, eine Menge von Zeit, die mit dem Element interagiert wurde, ein Prozentsatz des Artikels, der vom Benutzerprofil verbraucht wurde, und so weiter.
Jeder von dem Empfehlungssystem generierte Satz wird anschließend in ein Worteinbettungsmodell eingegeben, um die Merkmalsvektordarstellungen bzw. die Darstellungen von Merkmalsvektoren zu bestimmen, die Ähnlichkeiten zwischen den Nutzerprofilattributen, den Elementen, expliziten Interaktionen und impliziten Interaktionen beschreiben, die in den empfangenen Daten beschrieben sind. Bei einigen Implementierungen verwendet das Worteinbettungsmodell eine Zielfunktion, die Datenfelder verwendet, die dafür entwickelt wurden, implizite Interaktionen zwischen Elementen und Nutzerprofilen zu erfassen. Folglich generiert das Empfehlungssystem Merkmalsvektordarstellungen, die Informationen enthalten, die Nutzerprofile, Elemente und Interaktionen in einem gemeinsamen Framework beschreiben. Aus den Merkmalsvektordarstellungen kann das Empfehlungssystem eine Ähnlichkeit zwischen verschiedenen Merkmalen bestimmen. Beispielsweise kann das Empfehlungssystem eine Ähnlichkeit zwischen einem Nutzerprofilattribut und einem Element basierend auf deren jeweiligen Merkmalsvektordarstellungen bestimmen. Bei einigen Implementierungen wird eine Merkmalsähnlichkeit basierend auf einem Skalarprodukt bzw. dot product der jeweiligen Merkmalsvektoren bestimmt.
Das Empfehlungssystem generiert eine Merkmalsähnlichkeitsmatrix durch Verwendung der Merkmalsvektordarstellungen und speichert sowohl die Merkmalsähnlichkeitsmatrix als auch die Merkmalsvektordarstellungen, um sie zum Generieren von Empfehlungen zu nutzen. Auf diese Weise können Informationen, die das Nutzerprofil beschreiben, mit den Darstellungen der Merkmalsvektoren und der Merkmalsähnlichkeitsmatrix verwendet werden, um ein Element mit einer Affinität zu dem Nutzerprofil zu empfehlen, wenn das Empfehlungssystem von einem Nutzerprofil eine Zugriffsanfrage zu einem Element erhält. Folglich kann das Empfehlungssystem individuell angepasste Empfehlungen selbst für ein kaltes Nutzerprofil rausgeben, das nicht mit historischen Interaktionsdaten verknüpft ist. Des Weiteren kann das Empfehlungssystem Affinitäten zwischen verschiedenen Merkmalen, die in der Merkmalsähnlichkeitsmatrix beschrieben werden, durch die Verwendung impliziter Interaktionsdaten im Vergleich zu herkömmlichen Verfahren mit höherer Präzision bestimmen.
Diese Zusammenfassung stellt eine Auswahl an Konzepten in vereinfachter Form dar, die nachfolgend in der Detaillierten Beschreibung näher beschrieben werden. Daher ist diese Zusammenfassung weder dafür vorgesehen, die essentiellen Merkmale des beanspruchten Gegenstands zu bestimmen, noch ist sie dafür vorgesehen, als Hilfestellung zu dienen, um den Schutzbereich des beanspruchten Gegenstands zu bestimmen.
Figurenliste
Die detaillierte Beschreibung wird mit Bezug auf die beigefügten Figuren beschrieben. In den Figuren dargestellte Einheiten können auf eine oder mehrere Einheiten hinweisen und daher wird in der Diskussion abwechselnd auf die Singular- oder Pluralform der Einheiten verwiesen.

1 ist eine Darstellung einer Umgebung in einer Beispielimplementierung, die ausführbar ist, um globale Vektorempfehlungen unter Verwendung der hier beschriebenen Verfahren einzusetzen.
2 ist eine Darstellung eines Systems in einer Beispielimplementierung, die den Betrieb eines Empfehlungssystems aus 1 ausführlicher zeigt.
3 ist eine Darstellung einer Beispielimplementierung, die das Generieren eines Merkmalsvektors durch Worteinbettung zeigt.
4 ist eine Darstellung einer Beispielimplementierung, die das Generieren eines Merkmalsvektors durch Worteinbettung zeigt.
5 ist ein Flussdiagramm, das ein Beispielverfahren gemäß einer oder mehrerer Ausführungsformen zeigt.
6 ist ein Flussdiagramm, das ein Beispielverfahren gemäß einer oder mehrerer Ausführungsformen zeigt.
7 ist die Darstellung eines Beispielsystems, das mehrere Komponenten einer Beispielvorrichtung enthält, die als eine beliebige Art Computervorrichtung implementiert werden kann, wie mit Bezug auf 1-6 beschrieben und/oder angewandt, um Ausführungsformen der hier beschriebenen Verfahren zu implementieren.

DETAILLIERTE BESCHREIBUNG
Überblick
Hier werden Techniken und Verfahren beschrieben, die Worteinbettungsmodelle durch mindestens eine Computervorrichtung implementieren, um Vektordarstellungen verschiedener Merkmale zu bestimmen, wie z. B. Nutzerprofilbezeichner, Nutzerprofilattribute, Elementbezeichner und Interaktionen zwischen Nutzerprofilen und Elementen. Durch das Generieren von Vektordarstellungen, die Informationen enthalten, die diese verschiedenen Merkmale in einem gemeinsamen Framework beschreiben, identifizieren die hier beschriebenen Techniken Ähnlichkeiten zwischen verschiedenen Merkmalen als eine Funktion von jeweiligen Vektordarstellungen präzise.
Die hier beschriebenen Techniken haben dahingehend Vorteile gegenüber herkömmlichen Ansätzen zum Generieren von Empfehlungen, dass sie Informationen zum Beschreiben von Nutzerprofilen und sowohl implizite als auch explizite Interaktionen zwischen Nutzerprofilen und Elementen erfassen. Im Gegensatz dazu generieren herkömmliche Verfahren lediglich Empfehlungen basierend auf Elementkookkurrenzmodellen und können nicht unterschiedliche Nutzerprofilattribute oder Interaktionsdaten erfassen, um Empfehlungen individuell anzupassen. Folglich stellen die hier beschriebenen Verfahren Empfehlungen selbst für ein kaltes Nutzerprofil bereit, das nicht mit beliebigen Interaktionsdaten verknüpft ist.
Um sicherzustellen, dass Empfehlungen für ein bestimmtes Merkmal entsprechend individuell angepasst werden, bildet ein Empfehlungssystem das Verhalten von Nutzerprofilen auf einer Webseite als fortlaufende Konversation unter Verwendung von Sprachverarbeitungsverfahren für natürliche Sprachen ab. Daher klassifiziert das Empfehlungssystem Daten zur Beschreibung von Nutzerprofilen, ein Element und Interaktionen zwischen dem Nutzerprofil und dem Element als Wörter. Diese Wörter werden dann zu Sätzen zusammengefasst, wovon jeder eine individuelle Sitzung, z. B. eine Internetsitzung, darstellt. Aus mehreren Sätzen wird dann ein einheitlicher Verhaltenskorpus für Nutzerprofilinteraktionen gebildet, der zum Generieren von Vektordarstellungen für verschiedene Merkmale verwendet wird, darunter Nutzerprofile, Elemente, Nutzerprofilattribute und Interaktionsdaten.
Merkmalsvektordarstellungen werden dann von dem Empfehlungssystem verwendet, um eine Merkmalsähnlichkeitsmatrix zu generieren, die dafür verwendet werden kann, um Beziehungen zwischen Merkmalen zu definieren. Zum Beispiel kann das Empfehlungssystem die Merkmalsähnlichkeitsmatrix basierend auf Skalarprodukten der jeweiligen Darstellungen der Merkmalsvektoren generieren. In diesem Beispiel entspricht ein hoher ermittelter Wert aus dem Skalarprodukt einer hohen Affinität zwischen Merkmalen und umgekehrt. Daher sind die hier beschriebenen Techniken so konfiguriert, dass sie die Merkmalsähnlichkeitsmatrix nutzen, um Merkmalsempfehlungen wie z. B. Empfehlungen eines Elements mit einer hohen Affinität zu einem Nutzerprofilattribut zu generieren.
In der nachfolgenden Diskussion wird eine Beispielumgebung beschrieben, welche die hier beschriebenen Verfahren anwenden kann. Beispielvorgehensweisen sind dann beschrieben, die sowohl in der Beispielumgebung als auch in anderen Umgebungen durchgeführt werden können. Infolgedessen ist die Leistung der Beispielverfahren nicht auf die Beispielumgebung beschränkt und die Beispielumgebung ist nicht auf die Leistung der Beispielverfahren beschränkt.
Begriffe
Der Begriff „Sitzung“ bezieht sich auf einen einzelnen Zeitabschnitt, während dessen ein Nutzerprofil mit einem oder mehreren Elementen interagiert. Zum Beispiel kann sich eine Sitzung auf eine Internetsitzung einer Webseite beziehen, die beginnt, wenn ein Nutzerprofil auf die Webseite zugreift und endet, wenn das Nutzerprofil weg von der Webseite navigiert. Alternativ oder zusätzlich kann eine Sitzung ein Zeitabschnitt ohne 30 Minuten Inaktivität in einer Einkaufsumgebung sein, ein Zeitabschnitt ohne 12 Stunden Inaktivität für eine Streamingumgebung und so weiter.
Die Begriffe „explizite Interaktion“ beziehen sich auf eine ausdrückliche Affinität zwischen einem Nutzerprofil und einem Element. Zum Beispiel kann eine explizite Interaktion eine Einstufung bzw. Bewertung beschreiben, die durch ein Nutzerprofil mit einem Element verknüpft wurde, ein Indikator dafür, dass das Nutzerprofil das Element gekauft hat und so weiter.
Die Begriffe „implizite Interaktion“ beziehen sich auf eine Interaktion, die nicht direkt in Zusammenhang mit einer ausdrücklichen Affinität zwischen einem Nutzerprofil und einem Element steht. Eine implizite Interaktion kann z. B. eine Anzahl von Malen beschreiben, die ein Element angesehen wurde, eine Menge von Zeit, die damit verbracht wurde, mit einem Element zu interagieren, wie viel Prozent des Elements durch das Nutzerprofil konsumiert wurden und so weiter.
Der Begriff „Worteinbettungsmodell“ bezieht sich auf ein mathematisches Modell, das von einer Computervorrichtung verwendet werden kann, um Vektordarstellungen von Merkmalen basierend auf den eingegebenen Sätzen zu bestimmen, die Informationen beinhalten, welche die während einer Sitzung auftretenden Aktivitäten beschreiben. Wie hier beschrieben, beinhaltet ein Worteinbettungsmodell eine Zielfunktion, die Datenfelder enthält, um implizite Interaktionen zwischen Nutzerprofilen und Elementen zu erfassen.
Der Begriff „Merkmalsvektordarstellung“ oder „Merkmalsvektor“ bezieht sich auf eine Darstellung im Vektorraum, die Informationen enthält, die eine oder mehrere Nutzerprofilbezeichner, ein Nutzerprofilattribut, einen Elementbezeichner, Daten, die eine explizite Interaktion zwischen Nutzerprofil und einem Element, Daten, die eine implizite Interaktion zwischen einem Nutzerprofil und einem Element oder Kombinationen daraus beschreiben. Wie hier beschrieben, beschreiben Merkmalsvektordarstellungen diese verschiedenen Merkmale in einem gemeinsamen Framework, wodurch es möglich wird, Merkmalsbeziehungen basierend auf einer Funktion des jeweiligen Merkmalsvektors zu vergleichen.
Der Begriff „Merkmalsähnlichkeitsmatrix“ bezieht sich auf eine Datenbankstruktur, die Beziehungen zwischen verschiedenen Merkmalen mathematisch beschreibt. Die Merkmalsähnlichkeitsmatrix beschreibt vorteilhaft verschiedene Merkmale in einem gemeinsamen Framework, um Ähnlichkeiten unter verschiedenen Merkmalen zu erfassen.
Der Begriff „kaltes Nutzerprofil“ bezieht sich auf ein Nutzerprofil, für das das Empfehlungssystem keine Daten kennt, die vorherige Interaktionen für das Nutzerprofil beschreiben. Zum Beispiel wird ein kaltes Nutzerprofil mit einem warmen Nutzerprofil verglichen, für das das Empfehlungssystem Daten kennt, die historische Interaktionen zwischen dem warmen Nutzerprofil und Elementen beschreiben.
Beispielumgebung
1 ist eine Darstellung einer Umgebung 100 in einer Beispielimplementierung, die eingesetzt werden kann, um durch Verwendung der hier beschriebenen Verfahren eine Merkmalsworteinbettung für globale Vektorempfehlungen anzuwenden. Die dargestellte Umgebung 100 enthält ein Servicemanagersystem 102, ein Empfehlungssystem 104 und Nutzerinteraktion mit entsprechenden Computervorrichtungen 106, hier auch als Nutzer bezeichnet, als eine Quelle der Sitzungsdaten 108, die durch das Kommunikationssystem 110 kommuniziert werden. Wie hier beschrieben kann jede einzelne Computervorrichtung 106 mit mehreren Nutzerprofilen verknüpft werden. Zum Beispiel kann eine Computervorrichtung von einer Familie gemeinsam genutzt werden, wobei jedes Familienmitglied jeweils ein Nutzerprofil hat. Außerdem kann eine Person verschiedene Nutzerprofile für private und professionelle Interaktionen mit der Computervorrichtung nutzen. Daher bezieht sich ein Nutzer, wie hier beschrieben, auf einen einzelnen Nutzer oder ein Profil für einen einzelnen Nutzer.
Das Servicemanagersystem 102, das Empfehlungssystem 104 und das Kommunikationssystem 110 sind zumindest teilweise in die Hardware von einer oder mehreren Computervorrichtungen implementiert. Zum Beispiel kann jedes System 102, 104 und 110 in computerlesbare Speichermedien implementiert werden, um von dem Verarbeitungssystem einer Computervorrichtung ausgeführt zu werden. Beispiele für Verarbeitungssysteme und computerlesbare Speichermedien werden nachfolgend hinsichtlich 7 ausführlicher beschrieben. Bei einigen Implementierungen werden das Servicemanagersystem 102, Empfehlungssystem 104 und Kommunikationssystem 110 in einer einzelnen Computervorrichtung implementiert. Alternativ oder zusätzlich werden das Servicemanagersystem 102, das Empfehlungssystem 104 und das Kommunikationssystem 110 auf mehreren Computervorrichtungen implementiert, die zur Verständigung über das Netzwerk 112 miteinander verbunden sind.
Eine Computervorrichtung, die eines oder mehrere der hier beschriebenen Systeme implementiert, kann z. B. als Desktopcomputer, als Laptop oder als mobiles Gerät (z. B. ausgehend von einer Handheldkonfiguration wie einem Tablet oder einem Mobiltelefon, wie gezeigt) und so weiter konfiguriert werden. Deshalb kann eine Computervorrichtung, wie hier beschrieben, von einer Hochleistungsvorrichtung mit beträchtlichem Speicher und Prozessorressourcen (z. B. PC, Spielekonsolen) bis zu einer Vorrichtung mit geringer Leistung, also eingeschränkten Speicher- und/oder Prozessorressourcen (z. B. mobile Geräte) reichen. Alternativ oder zusätzlich kann eine Computervorrichtung sich auf mehrere unterschiedliche Vorrichtungen wie z. B. mehrere Server beziehen, die von einem Unternehmen verwendet werden, um Arbeiten „über die Cloud“ durchzuführen, wie in Bezug auf 7 näher beschrieben ist.
Das Servicemanagersystem 102 stellt eine Funktionalität dar, die zumindest teilweise auf Hardware einer Computervorrichtung implementiert wurde, um den Nutzern 106 über die jeweilige Computervorrichtung Leistungen zur Verfügung zu stellen, die über das Netzwerk 112 verfügbar sind. Z.B. kann das Servicemanagementsystem 102 eine Webseite 114 oder eine andere Funktonalität anzeigen, auf die via Netzwerk 112 zugegriffen werden kann, um die Elemente 116 anzuzeigen. Dementsprechend ist das Servicemanagementsystem 102 so konfiguriert, dass es die Elemente 116 für Nutzerinteraktion anzeigt.
Das Kommunikationssystem 110 stellt eine Funktionalität dar, die zumindest teilweise auf Hardware einer Computervorrichtung implementiert wurde, um Zugriff auf durch das Servicemanagersystem 102 angezeigte Elemente 116 zu ermöglichen. Z.B. ermöglicht das Kommunikationssystem 110 Zugriff auf das Servicemanagersystem 102 durch den Webbrowser, eine Anwendung und so weiter. Auf diese Weise macht es das Kommunikationssystem 110 möglich, dass eine Computervorrichtung von dem Servicemanagersystem 102 Daten via Netzwerk 112 erhält. Bei einigen Implementierungen nutzt das Kommunikationssystem 110 das Empfehlungssystem 104, um den Nutzern 106 aus dem Servicemanagersystem 102 bezogene Daten bereitzustellen. Alternativ oder zusätzlich nutzt das Servicemanagementsystem 102 das Empfehlungssystem 104, um den Nutzern 106 Daten via Kommunikationssystem 110 bereitzustellen.
Das Empfehlungssystem 104 stellt eine Funktionalität dar, die zumindest teilweise auf Hardware einer Computervorrichtung implementiert wurde, um Empfehlungen für Nutzer 106 via Kommunikationssystem 110 zu generieren. Um Empfehlungen zu generieren, nutzt das Empfehlungssystem 104 eine Merkmalsähnlichkeitsmatrix 118, die im Speicher 120 einer Computervorrichtung gespeichert werden kann, z. B. auf einem computerlesbaren Speichermedium, wie näher beschrieben in Bezug auf 7. Die Merkmalsähnlichkeitsmatrix 118 ist eine Datenstruktur, die von dem Empfehlungssystem 104 verwendet werden kann, um Empfehlungen zu generieren, was nachfolgend ausführlicher beschrieben wird.
Folglich sind das Servicemanagersystem 102, das Empfehlungssystem 104 und das Kommunikationssystem 110, Nutzerprofilinteraktionen mit entsprechenden Computervorrichtungen 106 und der Speicher 120 zumindest teilweise auf Hardware einer oder mehrerer Computervorrichtungen implementiert und können sich auf computerlesbaren Speichermedien befinden, um von jeweiligen Verarbeitungssystemen ausgeführt zu werden. Beispiele für Verarbeitungssysteme und computerlesbare Medien können in der Diskussion bezüglich des Beispielcomputersystems in 7 gefunden werden.
2 stellt ein System 200 in einer Beispielimplementierung dar, und zeigt detaillierter einen Vorgang des Empfehlungssystems 104 aus 1. Gemäß der Darstellung generiert das Empfehlungssystem 104 die Merkmalsähnlichkeitsmatrix 118 basierend auf Sitzungsdaten 108. Durch Verwendung der Merkmalsähnlichkeitsmatrix 118 stellt das Empfehlungssystem 104 den Nutzern 106 Merkmalsempfehlungen 232 bereit. Das Empfehlungssystem 104 empfängt Sitzungsdaten 108 von den jeweiligen Computervorrichtungen, die Nutzerprofile für die Nutzer 106 implementieren. Wie hier beschrieben, stellen die Sitzungsdaten 108 Daten dar, die zumindest einen der Nutzerprofilbezeichner, eines der Nutzerprofilattribute, einen der Elementbezeichner oder eine Interaktion zwischen einem Nutzerprofil und einem Element beschreiben. Bei einigen Implementierungen, in welchen die hier beschriebenen Techniken genutzt werden, kann es sich bei der durch die Sitzungsdaten 108 beschriebenen Interaktion um eine explizite Interaktion, eine implizite Interaktion oder Kombinationen daraus handeln.
In dem dargestellten Beispiel werden Sitzungsdaten 108 von der Sitzung 204 für ein Nutzerprofil 206 empfangen und von der Sitzung 216 für ein Nutzerprofil 218. Bei einigen Implementierungen identifiziert das Nutzerprofil 206 einen anderen einzelnen Nutzer als ein Nutzerprofil 218. Andernfalls können das Nutzerprofil 206 und 218 einen gemeinsamen einzelnen Nutzer identifizieren. Zum Beispiel kann das Nutzerprofil 206 zu einem Profil zur Nutzung auf dem mobilen Gerät einer Einzelperson gehören, während das Nutzerprofil 218 zu einem Profil zur Nutzung auf dem Laptop einer Einzelperson gehören kann. Folglich ist das Empfehlungssystem 104 so konfiguriert, dass es Sitzungsdaten 108 empfängt, die mehrere Sitzungen für ein oder mehrere Nutzerprofile beschreiben. Die empfangenen Sitzungsdaten 108 können von dem Empfehlungssystem 104 für weiteren Gebrauch gespeichert werden, z. B. im Speicher 120 wie in 1 gezeigt.
Die Sitzungsdaten 108 enthalten für jede Sitzung Informationen, die mindestens einen Nutzerprofilbezeichner, ein Profilattribut und entsprechende Attributwerte, explizite Interaktionsdaten für ein Element, implizite Interaktionsdaten für ein Element oder Kombinationen davon beschreiben. Die Sitzung 204 beinhaltet beispielsweise Informationen, die einen Nutzerbezeichner 208 für das Nutzerprofil 206 beschreiben. Der Nutzerbezeichner 208 kann jede geeignete Art von Information sein, um ein Nutzerprofil, wie z. B. einen Nutzemamen, eine Mitarbeiteridentifikationsnummer und so weiter eindeutig zu identifizieren.
Die Sitzung 204 enthält zusätzlich Informationen, die mindestens ein Profilattribut 210 und einen entsprechenden Attributwert 212 für das Nutzerprofil 206 enthalten. Ein Beispiel für ein Profilattribut 210 ist etwa „Stadt“, wozu der entsprechende Attributwert 212 „New York“ bestimmt werden kann. Alternativ oder zusätzlich kann das Profilattribut 210 „Geschlecht“ lauten, wozu der entsprechende Attributwert 212 „weiblich“ bestimmt werden kann. Folglich enthalten das Profilattribut 210 und der Attributwert 212 aus den Sitzungsdaten 108 geeignete Informationen, um verschiedene beschreibende Merkmale des Nutzerprofils 206 zu identifizieren. Durch Anwendung der hier beschriebenen Verfahren kann das Profilattribut 210 beliebige Informationen enthalten, die dazu geeignet sind, das Nutzerprofil 206 zu beschreiben, wie z. B. Beruf, Fachrichtung, Branche, Land, Region, Erfahrung, Bildungsabschluss und so weiter.
Die Sitzung 204 enthält außerdem einen Elementbezeichner 214, der ein Element beschreibt, mit dem das Nutzerprofil 206 interagiert hat. Wie mit Bezug auf die 3 und 4 ausführlicher beschrieben wurde, enthält der Elementbezeichner 214 zusätzlich Informationen, die explizite Interaktionsdaten, implizite Interaktionsdaten oder Kombinationen davon über das identifizierte Element beschreiben. Der Elementbezeichner 214 kann beispielsweise eine Elementbeschreibung, einen Elementtitel, einen Elementmetadatentag, Suchbegriffe mit Bezug auf das Element und so weiter enthalten.
Zusätzlich kann der Elementbezeichner 214 Informationen enthalten, die explizite und implizite Interaktionen zwischen dem Nutzerprofil 206 und einem zugehörigen Element beschreiben. Beispielsweise kann der Elementbezeichner 214 Informationen enthalten, die einen Interaktionstypen beschreiben, wie z. B. einen Aufruf, einen Kauf, einen Zeitstempel für die Interaktion, auf wie viel Prozent eines Elements zugegriffen wurde, eine Menge von Zeit, die damit verbracht wurde, mit dem Element zu interagieren und so weiter. Folglich identifiziert der Elementbezeichner 214 nicht nur ein bestimmtes Element, mit dem das Nutzerprofil 206 interagiert hat, sondern enthält auch Informationen, die genau beschreiben, wie das Nutzerprofil 206 mit dem jeweiligen Element interagiert hat.
Genauso enthält die Sitzung 216 einen Nutzerbezeichner 220 für das Nutzerprofil 218. Der Nutzerbezeichner 220 kann eine beliebige geeignete Art von Information sein, um ein Nutzerprofil wie einen Nutzernamen, eine Mitarbeiteridentifikationsnummer und so weiter eindeutig zu identifizieren. Sitzung 216 enthält außerdem Informationen, die mindestens ein Profilattribut 222 und einen zugehörigen Attributwert 224 für das Nutzerprofil 218 beschreiben. Ein Beispielprofilattribut 222 ist etwa „Land“, wozu der zugehörige Attributwert 224 „Indien“ lautet.
Alternativ oder zusätzlich kann das Profilattribut 222 „Geschlecht“ lauten, wozu der zugehörige Attributwert 224 „männlich“ lautet. Folglich beschreiben das in den Sitzungsdaten 108 enthaltenen Profilattribut 222 und der Attributwert 224 Informationen, die dazu verwendet werden können, verschiedene Merkmale des Nutzerprofils 218 zu identifizieren. Durch Anwendung der hier beschriebenen Verfahren kann das Profilattribut 222 beliebige geeignete Informationen enthalten, um das Nutzerprofil 224 zu beschreiben, wie z. B. Beruf, Fachrichtung, Branche, Land, Region, Erfahrung, Bildungsabschluss und so weiter.
Die Sitzung 216 enthält zusätzlich mindestens einen Elementbezeichner 226, der ein Element beschreibt, mit dem das Nutzerprofil 218 interagiert hat. Wie ausführlicher mit Hinblick auf 3 und 4 beschrieben wurde, beinhaltet der Elementbezeichner 226 zusätzlich Informationen, die explizite Interaktionsdaten, implizite Interaktionsdaten oder Kombinationen daraus für das identifizierte Element beschreiben. Der Elementbezeichner 226 kann zum Beispiel eine Elementbeschreibung, einen Elementtitel, einen Elementmetadatentag, zu dem Element zugehörige Suchbegriffe und so weiter enthalten.
Zusätzlich kann der Elementbezeichner 226 Informationen enthalten, die explizite und implizite Interaktionen zwischen dem Nutzerprofil 218 und einem entsprechenden Element beschreiben. Der Elementbezeichner 226 kann beispielsweise Informationen enthalten, die einen Interaktionstypen beschreiben, wie z. B. einen Aufruf, einen Kauf, einen Zeitstempel für die Interaktion, auf wie viel Prozent des Elements zugegriffen wurde, eine Menge von Zeit, die damit verbracht wurde, mit dem Element zu interagieren und so weiter. Folglich identifiziert der Elementbezeichner 226 nicht nur ein bestimmtes Element, mit dem das Nutzerprofil 218 interagiert hat, sondern enthält auch Informationen, die genau beschreiben, wie das Nutzerprofil 218 mit dem jeweiligen Element interagiert hat.
Obwohl die Elementbezeichner 214 und 226 als in den Sitzungsdaten 108 enthalten dargestellt werden, ist das Empfehlungssystem 104 in einigen Implementierungen nicht über Elementbezeichner oder Elementinteraktionsdaten für ein bestimmtes Nutzerprofil informiert. Etwa bei einem Beispiel, in dem das Nutzerprofil 206 ein kaltes Nutzerprofil ist, können die Sitzungsdaten 108 für die Sitzung 204 nur den Nutzerbezeichner, das Profilattribut 210 und den Attributwert 212 oder Kombinationen daraus enthalten. Das Empfehlungssystem kann allerdings immer noch eine Merkmalsempfehlung 232 für das Nutzerprofil 206 generieren, indem es die Merkmalsähnlichkeitsmatrix 118 nutzt, selbst wenn es keine Information bezüglich der Elementbezeichner 214 erhält.
Um die Merkmalsähnlichkeitsmatrix 118 zu generieren, wendet das Empfehlungssystem 104 ein Worteinbettungsmodell 228 auf die Sitzungsdaten 108 an. Das Worteinbettungsmodell 228 ist so konfiguriert, dass es Sprachverarbeitung für natürliche Sprachen implementiert, um für die verschiedenen, in den Sitzungsdaten 108 enthaltenen Informationen erstellt. Das Worteinbettungsmodell 228 kann auf verschiedene Arten konfiguriert werden, z. B. als modifiziertes Global-Vectors-Modell zur Darstellung von Wörtern, das nachstehend mit Hinblick auf 3 und 4 ausführlicher besprochen wird. Aus den Merkmalsvektordarstellungen generiert das Empfehlungssystem die Merkmalsähnlichkeitsmatrix 118. In Implementierungen wird das Generieren der Merkmalsähnlichkeitsmatrix 118 durch Verwenden eines Merkmalsvektordarstellungsskalarproduktvergleichs, durch Merkmalsvektordarstellungarithmetik und so weiter durchgeführt.
Das Empfehlungssystem 104 ist so konfiguriert, dass es Merkmalsempfehlungen 232 basierend auf neuen Sitzungsdaten 230 bereitstellt. Neue Sitzungsdaten 230 stellen Informationen dar, die eine Sitzung für ein Nutzerprofil beschreiben, das zuvor nicht in den Sitzungsdaten 108 beschrieben wurde, die verwendet wurden, um die Merkmalsähnlichkeitsmatrix 118 zu generieren. Neue Sitzungsdaten 230 können zum Beispiel Informationen enthalten, die einen Nutzerbezeichner für ein Nutzerprofil beschreiben. Alternativ oder zusätzlich können diese neuen Sitzungsdaten 230 Informationen enthalten, die ein Profilattribut für das Nutzerprofil und einen zugehörigen Attributwert für das Profilattribut beschreiben. Alternativ oder zusätzlich können die neuen Sitzungsdaten 230 Informationen enthalten, die ein Element und eine Interaktion zwischen dem Element und dem Nutzerprofil während einer Sitzung beschreiben.
Wenn beispielsweise neue Sitzungsdaten 230 beschreiben, dass ein Nutzerprofil aktuell ein Element „A“ ansieht, ist das Empfehlungssystem 104 so konfiguriert, dass es die Merkmalsähnlichkeitsmatrix 118 anwendet, um basierend auf den Eigenschaften des Elements ein ähnliches Element zu ermitteln, um eine Merkmalsempfehlung 232 für das ähnliche Element auszugeben. Das Empfehlungssystem 104 ist gleichermaßen so konfiguriert, dass es die Merkmalsähnlichkeitsmatrix 118 anwendet, um basierend auf einem Nutzerprofilbezeichner oder einem Nutzerprofilattributwert Elemente mit einer Affinität zu einem Nutzerprofil zu ermitteln.
Da die Merkmalsähnlichkeitsmatrix 118 Informationen enthält, die Nutzerprofilbezeichner, Nutzerprofilattributwerte, Elementbezeichner und Elementinteraktionsdaten beschreiben, können Affinitäten für Elemente von Nutzerprofilen bestimmt werden, indem ein beliebiges geeignetes Merkmal verwendet wird, um Merkmalsempfehlungen 232 zu generieren. Dadurch ist es dem Empfehlungssystem 104 möglich, individuell angepasste Merkmalsempfehlungen 232 sogar für ein kaltes Nutzerprofil zu erstellen, das mit keinerlei Informationen zu Elementinteraktionen verknüpft ist, die vorherige Sitzungen für das kalte Nutzerprofil beschreiben. Das Empfehlungssystem 104 kann ermitteln, dass das Nutzerprofil Las Vegas entspricht und Elemente identifizieren, die eine Affinität zu Nutzerprofilen aufweisen, die zu Las Vegas gehören, indem es die Merkmalsähnlichkeitsmatrix 118 verwendet, damit diese in der Merkmalsempfehlung 232 enthalten sind.
In Implementierungen, in denen die Merkmalsähnlichkeitsmatrix 118 kein ähnliches Element identifiziert, damit es in der Merkmalsempfehlung 232 für neue Sitzungsdaten 230 enthalten ist, kann das Empfehlungssystem 104 eine allgemeine Merkmalsempfehlung 232 bereitstellen oder auf eine Bereitstellung einer Merkmalsempfehlung 232 verzichten.
Identifiziert das Empfehlungssystem 104 im umgekehrten Fall mehrere ähnliche Elemente, wendet das Empfehlungssystem 104 eine Gewichtungsfunktion an, um Elemente aus der Merkmalsähnlichkeitsmatrix 118 für die Merkmalsempfehlungen 232 zu identifizieren, die den neuen Sitzungsdaten 230 am ähnlichsten sind. Zusätzliche Faktoren wie z. B. Elementeinstufung, Elementtags und so weiter kann das Empfehlungssystem 104 außerdem verwenden, um eine Zustellreihenfolge der Merkmalsempfehlungen 232 an ein Nutzerprofil zu bestimmen.
3 stellt eine Beispielimplementierung 300 dar, die Merkmalsvektoren 314 zeigt, die basierend auf der Anwendung des Worteinbettungsmodells 228 aus 2 auf Sitzungsdaten von dem Empfehlungssystem 104 generiert werden. In dem abgebildeten Beispiel werden Sitzungsdaten gezeigt, die Sitzungen 204 und 216 beschreiben, wie dargestellt in 2. Im vorliegenden Beispiel enthält die Sitzung 204 Informationen, die einen Nutzerprofilbezeichner 208 beschreiben, der angibt, dass die Sitzung 204 dem „Nutzer1“ entspricht. Ebenso enthält die Sitzung 204 Informationen, die das Profilattribut Geschlecht 210 bezeichnen, das angibt, dass das Profil für die Sitzung 204 einem Geschlecht „männlich“ entspricht. Die Sitzung 204 enthält außerdem das Profilattribut Stadt 302, das angibt, dass das Profil für die Sitzung 204 der Stadt „New York“ entspricht. Schließlich beinhaltet die Sitzung 204 Elementbezeichner 214, die angeben, dass das Nutzerprofil während der Sitzung mit den Elementen „I1, I3, I5 und I7“ interagiert hat.
Obwohl es nicht dargestellt ist, können die Elementbezeichner 214 zusätzlich Informationen enthalten, die Interaktionen zwischen dem Nutzerprofil und den einzelnen der Elemente I1, I3, I5 und I7 für die Sitzung 204 bezeichnen. Zum Beispiel können Informationen, die von den Elementbezeichnern 214 angegeben wurden, angeben, dass das Element I3 mehrmals angesehen wurde, dass das Element I5 gekauft wurde, dass nur 15% des Elements I7 von einer Computervorrichtung für das Nutzerprofil angezeigt wurden und so weiter. Daher können von den Elementbezeichnern 214 angegebene Informationen genau beschreiben, wie ein Nutzerprofil mit verschiedenen Elementen während der Sitzung 204 sowohl implizit als auch explizit interagiert hat. Eine zusätzliche Diskussion der Interaktionsinformationen, die von den Sitzungsdaten angegeben werden, wird nachstehend hinsichtlich 4 eingefügt.
In dem dargestellten Beispiel enthält die Sitzung 216 Informationen, die einen Nutzerprofilbezeichner 220 bezeichnen, der angibt, dass die Sitzung 216 dem „Nutzer2“ entspricht. Gleichermaßen enthält die Sitzung 216 Informationen, die das Profilattribut Gender 222 bezeichnen, das angibt, dass das Nutzerprofil für die Sitzung 216 einem Geschlecht „weiblich“ entspricht. Die Sitzung 216 enthält außerdem das Profilattribut Stadt 306, das angibt, dass das Nutzerprofil für die Sitzung 216 der Stadt „New York“ entspricht. Schließlich enthält die Sitzung 216 Elementbezeichner 226, die angeben, dass das Nutzerprofil für die Sitzung 216 Elementbezeichner 226 enthält, die angeben, dass das Nutzerprofil mit den Elementen „I1, I2, I3, I5, I7 und I8“ währen der Sitzung interagiert hat.
Obwohl es nicht dargestellt ist, können die Elementbezeichner 226 außerdem Informationen enthalten, die Interaktionsinformationen zwischen dem Nutzerprofil und den einzelnen der Elementen I1, I2, I3, I5, I7 und I8 für die Sitzung 216 bezeichnen. Zum Beispiel können von den Elementbezeichnern 226 angegebenen Informationen anzeigen, dass das Element I2 mehrmals angesehen wurde, dass das Element I1 gekauft wurde, dass 100% des Elements I7 von einer Computervorrichtung für das Nutzerprofil angezeigt wurden und so weiter. Folglich können die von den Elementbezeichnern 226 angegebenen Informationen genau beschreiben, wie ein Nutzerprofil mit verschiedenen Elementen sowohl implizit als auch explizit während der Sitzung 216 interagiert hat.
Die Sitzungsdaten aus den Sitzungen 204 und 216 werden dann in das Worteinbettungsmodell 228 eingegeben, um die Merkmalsvektoren 314 zu generieren. Wie hier beschrieben, kennzeichnet das Worteinbettungsmodell 228 einzelne Aspekte von Sitzungsdaten als Wörter und kombiniert die verschiedenen Wörter, um einen Satz zu bilden, der die jeweiligen Sitzungen 204 und 216 beschreibt. Zum Beispiel generiert das Worteinbettungsmodell 228 die Sätze 310 aus der Sitzung 204. In dem dargestellten Beispiel enthält der Satz 310 die einzelnen Wörter „I1“, „I3“, „I5“, „I7“, „geschlecht_männlich“, „stadt_new_york“ und „nutzer1“, die prägnant Sitzungsdaten für die Sitzung 204 beschreiben. Gleichermaßen enthält der Satz 312 die einzelnen Wörter „I1“, „I2, „I3“, „I5“, „I7“, „I8“, „geschlecht_weiblich“, „stadt_new_york“ und „nutzer2“, die prägnant Sitzungsdaten für die Sitzung 216 beschreiben.
Aus diesen Sätzen können Merkmalsvektoren 314 für jedes unterschiedliche Wort, das in einem von dem Worteinbettungsmodell 228 generierten Satz enthalten ist, generiert werden. Zum Beispiel kann ein Merkmalsvektor für „stadt_new_york“ generiert werden, um Elemente zu bezeichnen, die eine Affinität zu mit der Stadt New York verknüpften Profilen haben. Auf diese Weise können die Merkmalsvektoren 314 dazu verwendet werden, Affinitäten von Elementen für Nutzerprofile zu identifizieren, die nicht mit vorherigen expliziten oder impliziten Interaktionsdaten verknüpft sind. Das Empfehlungssystem 104 ist so konfiguriert, dass es mehrere Sätze für eine einzelne Sitzung generiert, um implizite Interaktionsdaten zu erfassen.
4 stellt eine Beispielimplementierung 400 dar, die Merkmalsvektoren 422 zeigt, die das Empfehlungssystem basierend auf der Anwendung des Worteinbettungsmodells 228 aus 2 auf Sitzungsdaten generiert hat. In dem dargestellten Beispiel werden Sitzungsdaten gezeigt, die die Sitzung 402 bezeichnen. Die Sitzung 402 enthält Informationen, die einen Nutzerprofilbezeichner 404 bezeichnen, der angibt, dass die Sitzung 402 dem „Nutzer3“ entspricht. Gleichermaßen enthält die Sitzung 402 Informationen, die das Profilattribut Geschlecht 406 bezeichnen, das angibt, dass das Nutzerprofil für die Sitzung 402 dem Geschlecht „weiblich“ entspricht. Die Sitzung 402 enthält außerdem das Profilattribut Stadt 410, das angibt, dass das Nutzerprofil für die Sitzung 402 der Stadt „Las Vegas“ entspricht. Schließlich enthält die Sitzung 402 Elementbezeichner 414, die angeben, dass das Nutzerprofil mit den Elementen „I1, I4, I7 und I3“ interagiert hat.
Die von den Elementbezeichnern 414 angegebenen Informationen enthalten gemäß der Darstellung Interaktionsinformationen, die Interaktionen zwischen den jeweiligen Elementen und den Nutzerprofilen für die Sitzung 402 bezeichnen. Elementbezeichner enthalten zum Beispiel drei separate Listen für das Element „I4“. Bei einigen Implementierungen kann das anzeigen, dass das Nutzerprofil das Element I4 während der Sitzung 402 dreimal separat angesehen hat, während die Elemente I1, I3 und I7 jeweils nur einmal während der Sitzung 402 angesehen wurden. Obwohl hier von einer Anzahl von Aufrufen gesprochen wird, können Interaktionsinformationen, die in den Elementbezeichnern 414 enthalten sind, jede Art von Information enthalten, die explizite oder implizite Interaktionen zwischen einem Nutzerprofil und einem Element bezeichnen. Zum Beispiel können die Elementbezeichner 414 eine Anzahl von Elementsegmenten angeben, die von einer Computervorrichtung konsumiert wurden, eine Menge von Zeit, die mit der Interaktion mit einem bestimmten Element verbracht wurde so weiter. Folglich beschreiben in den Elementbezeichnern 414 enthaltene Informationen genau, wie ein Nutzerprofil währen der Sitzung 404 mit verschiedenen Elementen interagiert hat.
Das Empfehlungssystem 104 wendet dann das Worteinbettungsmodell 228 auf Sitzungsdaten aus der Sitzung 402 an, um die Merkmalsvektoren 422 zu generieren. Wie hier beschrieben wird, kennzeichnet das Worteinbettungsmodell 228 einzelne Aspekte von Sitzungsdaten als Wörter und kombiniert die verschiedenen Wörter, um Sätze zu bilden, die die Sitzung 402 beschreiben. Das Empfehlungssystem 104 kann zum Beispiel separate Sätze für explizite Interaktionsdaten und implizite Interaktionsdaten generieren. In dem dargestellten Beispiel werden die Sätze 416, 418 und 420 aus einer einzelnen Sitzung generiert, um implizite Interaktionsdaten zu erfassen, die zu dem Element I4 gehören. Der Satz 416 enthält die einzelnen Wörter „I1“, „I4“, „I7“, „I3“, „geschlecht_weiblich“, „stadt_las_vegas“ und „nutzer3“, die explizite Interaktionen zwischen Elementen und Nutzerprofilen bezeichnen, die nutzer3 entsprechen. Umgekehrt enthalten die Sätze 418 und 420 die einzelnen Wörter „I4“, „geschlecht_weiblich“, „stadt_las_vegas“ und „nutzer3“.
Folglich stellen die Sätze 418 und 420 implizite Interaktionsdaten dar, wie z. B. dass das Element I4 häufiger angesehen wird als die Elemente I1, I3 und I7 während der Sitzung 402. Auf diese Weise wird das Empfehlungssystem 104 so konfiguriert, dass es implizite Interaktionsdaten erfasst, die andernfalls nicht durch das Generieren eines einzelnen Satzes für eine Sitzung kommuniziert würden. Aus von dem Empfehlungssystem 104 generierten Sätzen kann eine Affinität zwischen verschiedenen Merkmalen, wie z. B. einem Element und einem Nutzerprofilattribut, als eine Funktion von deren jeweiligen Merkmalsvektoren 422 bestimmt werden. Um diese impliziten Interaktionsdaten zu erfassen, implementiert das Worteinbettungsmodell 228 eine modifizierte Zielfunktion.
Das Worteinbettungsmodell 228 stellt ein modifiziertes Global-Vectors-Modell (GloVe) dar, bei dem es sich um ein globales log-bilineares Regressionsmodell handelt, das so konfiguriert ist, dass es eine Wort-zu-Wort-Kookkurrenzmatrix zusammen mit lokalen Kontextfenstern nutzt, um Worteinbettungen im niedrigdimensionalen Raum zu generieren. Diese Worteinbettungen sind dann für eine Computervorrichtung verwendbar, die das Empfehlungssystem 104 implementiert, um Merkmalsvektordarstellungen von verknüpften Elementen, Profilattributwerten, Interaktionsdaten und so weiter herzustellen. Obwohl hier eine Wort-zu-Wort-Kookkurrenzmatrix, in der Sitzungsdaten als Wörter oder Sätze dargestellt werden, bezüglich der Verwendung beschrieben wird, kann auch eine Element-Element-Kookkurrenzmatrix verwendet werden, um Elementeinbettung im niedrigdimensionalen Raum sofort zu generieren.
Das Worteinbettungsmodell 228 ist folglich konfiguriert, um ein modifiziertes GloVe-Modell zu implementieren und statistische Informationen zu nutzen, indem es sich nur auf Nicht-Null-Elemente der Wort-zu-Wort-Kookkurrenzmatrix konzentriert. Indem sich das Worteinbettungsmodell 228 nur auf Nicht-Null-Elemente anstatt auf eine komplette dünnbesetzte Matrix aus individuellen Kontextfenstern in einem großen Korpus konzentriert, ist es konfiguriert, um schnell Merkmalsvektoren 314 zu generieren, die dazu verwendet werden, um Empfehlungen in Echtzeit für einen Ist-Zustand eines Nutzerprofils zu erstellen. Der Ableitungsvorgang bei der Darstellung, den das Worteinbettungsmodell 228 anwendet, betrachtet die Distanz zwischen Wörtern als repräsentativ für Ähnlichkeit oder eine Affinität zwischen Wörtern. Beispielsweise ist es wahrscheinlich, dass sich Elemente, mit welchen in einer einzelnen Sitzung fortlaufend interagiert wurde, ähnlicher sind als Elemente, mit welchen in verschiedenen, unzusammenhängenden Sitzungen interagiert wurde. Zusätzlich zur Erfassung der Ähnlichkeit der Elementsitzungen ist das Worteinbettungsmodell 228 konfiguriert, um implizite Interaktionen zwischen einem Element und einem Nutzerprofil durch eine modifizierte Zielfunktion für das GloVe-Modell, dargestellt in Gleichung 1, zu erfassen. $J = \sum_{i = 1}^{V} \sum_{j = 1}^{V} f (X_{i j} + α C_{i j}) {({\overset{⇀}{w}}_{i}^{T} {\overset{⇀}{w}}_{j} + b_{i} + b_{j} - log (X_{i j} + α C_{i j}))}^{2}$
In der Gleichung 1 stellt C_ij die Merkmalsähnlichkeitsmatrix 118 dar, die die Sitzungsdaten 108 enthält, wobei jede Reihe einem Nutzerprofilattribut entsprechen kann und jede Spalte einem Element. Alternativ oder zusätzlich können Reihen Elementen und Spalten Nutzerprofilen oder Kombinationen daraus entsprechen. Auf diese Weise ist die modifizierte Zielfunktion der Gleichung 1 in der Lage, implizite Interaktionsdaten zu erfassen, die implizite Affinitäten zwischen Elementen und Nutzerprofilen bezeichnen. Die Gleichung 1 enthält außerdem einen Vertrauensfaktor α, der das Maß an Vertrauen in den Wert eines impliziten Nutzerprofils und Elementaffinitäten darstellt. Je höher beispielsweise der Wert von α ist, umso stärker werden implizite Nutzerprofilaffinitäten gewichtet. Bei einigen Implementierungen stellt α den Wert 0,1 dar. Allerdings kann jeder geeignete Wert zwischen 0 und 1 in der Gleichung 1 verwendet werden.
Folglich generiert das Empfehlungssystem 104 die Merkmalsvektoren 314, die Informationen enthalten, die einen Nutzerprofilbezeichner, einen Wert eines Nutzerprofilattributs bzw. einen Nutzerprofilattributwert, einen Elementbezeichner, explizite Interaktionen zwischen dem Nutzerprofil und dem Element, implizite Interaktionen zwischen dem Nutzerprofil und dem Element oder Kombinationen davon bezeichnen. Auf diese Weise können die Merkmalsvektoren 314 verwendet werden, um Elemente zu identifizieren, die einem Nutzerprofil ähnlich sind, selbst wenn für dieses Nutzerprofil zuvor keine Interaktionsdaten gespeichert sind, wodurch es dem Empfehlungssystem 104 möglich ist, personalisierte Merkmalsempfehlungen selbst für kalte Nutzer zu generieren. Obwohl beschrieben wird, dass die Verfahren Elemente identifizieren, die für ein Nutzerprofil wahrscheinlich interessant sind, sind die hier beschriebenen Verfahren gleichermaßen dafür anwendbar, Nutzerprofile zu identifizieren, die wahrscheinlich eine Affinität für ein bestimmtes Element haben, basierend auf Informationen, die das bestimmte Element beschreiben. Da das Empfehlungssystem ferner Nutzerprofile, Elemente und Nutzerprofilattribute in einen einzelnen Vektorraum einbettet, kann es übergreifend in verschiedenen Domains angewendet werden, um in Echtzeit personalisierte Empfehlungen bereitzustellen.
Beispielverfahren
Die nachfolgende Diskussion beschreibt Verfahren bzw. Techniken, die unter Verwendung der vorstehend beschriebenen Systeme und Vorrichtungen implementiert werden können. Aspekte aus jedem dieser Vorgänge können in Hardware, Firmware, Software oder Kombinationen davon implementiert werden. Die Vorgänge werden als eine Reihe von Blöcken dargestellt, die von einer oder mehreren Vorrichtungen durchgeführte Operationen angeben und sind nicht notwendigerweise beschränkt auf die gezeigten Befehle zur Durchführung der Operationen durch die entsprechenden Blöcke. Teilweise wird in der nachfolgenden Diskussion auf die 1-4 verwiesen werden.
5 zeigt einen Vorgang 500 in einer Beispielimplementierung einer Merkmalsworteinbettung für globale Vektorempfehlungen. Daten, die ein Nutzerprofil, ein Attribut des Nutzerprofils, ein Element und Interaktionen zwischen dem Nutzerprofil und dem Element beschreiben, werden empfangen (Block 502). Die Computervorrichtung, die das Empfehlungssystem 104 implementiert, empfängt beispielsweise die Sitzungsdaten 108 von dem Kommunikationssystem 110. Das Empfehlungssystem ordnet die empfangenen Daten in einzelne Sitzungen für die jeweiligen Nutzerprofile, wie hier beschrieben und in 2-4 dargestellt. Bei einigen Implementierungen können die Sitzungsdaten Informationen enthalten, die das Nutzerprofil, das Nutzerprofilattribut, das Element oder die Interaktionen zwischen dem Nutzerprofil und dem Element oder Kombinationen davon bezeichnen. Zum Beispiel können die empfangenen Sitzungsdaten beschreiben, dass das Nutzerprofil mit dem „nutzer3“ übereinstimmt, dass ein Geschlechtsattribut für das Nutzerprofil „weiblich“ ist, dass ein Stadtattribut für das Nutzerprofil „Las Vegas“ ist und dass das Nutzerprofil mit den Elementen „I1, I4, I7 und I3“ interagiert hat.
Als Reaktion auf die empfangenen Sitzungsdaten wird mindestens ein Satz generiert, der Wörter enthält, die das Nutzerprofil identifizieren, das Nutzerprofilattribut, das Element und die Interaktionen zwischen dem Nutzerprofil und dem Element (Block 504). Zum Beispiel kann ein erster Satz aus den empfangenen Beispielsitzungsdaten generiert werden, die „I1, I4, I7, I3, geschlecht_weiblich, city_las_vegas, nutzer3“ lauten. Bei einigen Implementierungen stellt dieser Satz eine eingebettete Beschreibung von expliziten Interaktionsdaten für eine bestimmte Sitzung dar. Außerdem können aus den empfangenen Beispieldaten, die „I4, geschlecht_weiblich, stadt_las_vegas, nutzer3“ lauten, zweite und dritte Sätze generiert werden. In diesem Beispiel stellen der dritte und vierte Satz implizite Interaktionsdaten dar, die andernfalls von herkömmlichen Verfahren, die schlicht Korrespondenz aus Element-Element-Sitzungen beschreiben, nicht quantifiziert würden. Außerdem enthält jeder generierte Satz Merkmale, die ein Nutzerprofil sowie Elemente und entsprechende Interaktionen für einen einzelnen Satz enthalten. Folglich können die von dem Empfehlungssystem 104 generierten Sätze dazu verwendet werden, Merkmalsähnlichkeit übergreifend in verschiedenen Merkmalskategorien zu identifizieren.
Folglich wird mindestens eine Merkmalsvektordarstellung basierend auf dem mindestens einen generierten Satz (Block 506) bestimmt. Bei Implementierungen wird die Darstellung eines Merkmalsvektors bzw. Merkmalsvektordarstellung durch ein Worteinbettungsmodell generiert, wie z. B. das Worteinbettungsmodell 228 des Empfehlungssystems 104. Beispielsweise kann das Worteinbettungsmodell 228 ein GloVe-Modell mit einer modifizierten Zielfunktion implementieren, wie vorstehend hinsichtlich Gleichung 1 beschrieben. Auf diese Weise enthalten die Merkmalsvektordarstellungen Informationen, die ein Nutzerprofil, ein Element und entsprechende explizite und implizite Interaktionen zwischen dem Nutzerprofil und dem Element enthalten.
Schließlich wird eine Merkmalsähnlichkeitsmatrix basierend auf der mindestens einen Merkmalsvektordarstellung (Block 508) ausgegeben. Bei Implementierungen wird die Merkmalsähnlichkeitsmatrix 118 von dem Empfehlungssystem 104 basierend auf einer Funktion der festgelegten Darstellungen des Merkmalsvektors ausgegeben, wie den Merkmalsvektoren 314 und 422, wie dargestellt in 3 und 4. Zum Beispiel können Skalarprodukte von Merkmalsvektoren berechnet werden, um die Merkmalsähnlichkeit unter mehreren, in der Merkmalsähnlichkeitsmatrix 118 beschriebenen Merkmalen zu bestimmen. Auf diese Weise werden Merkmale mit Höheren Skalarproduktwerten aus ihren jeweiligen Merkmalsvektoren mit einem höheren Grad an Ähnlichkeit eingestuft als solche mit niedrigeren Skalarproduktwerten.
Folglich können die Merkmalsähnlichkeitsmatrix und entsprechende Darstellungen des Merkmalsvektors für späteren Zugriff gespeichert werden, wie in einer Nachschlagtabelle für den Speicher 120 von 1. Alternativ oder zusätzlich können die Darstellungen des Merkmalsvektors und die Merkmalsähnlichkeitsmatrix für die Zustellung von individuell angepassten Empfehlungen in Echtzeit in einer verteilten Computerumgebung in eine Suchmaschine eingegeben werden, selbst für kalte Nutzerprofile.
6 stellt ein Verfahren 600 in einer Beispielimplementierung von Merkmalsworteinbettung für globale Vektorempfehlungen dar. Daten, die ein Nutzerprofil bezeichnen, werden empfangen (Block 602). Die Computervorrichtung implementiert beispielsweise das Empfehlungssystem 104, empfängt neue Sitzungsdaten 230 via Netzwerk 112, die ein Nutzerprofil für eine Sitzung bezeichnen. Zum Beispiel können die empfangenen Daten einen Bezeichner für das Nutzerprofil oder mindestens einen Nutzerprofilwert oder Kombinationen davon beschreiben. Bei einigen Implementierungen werden Daten, die das Nutzerprofil beschreiben, von dem Empfehlungssystem 104 via Netzwerk 112 als Teil einer Anfrage für eine Webseite 114 oder die Elemente 116 von dem Servicemanagersystem 102 empfangen, wie dargestellt in 1.
Daten, die eine Interaktion zwischen dem Nutzerprofil und einem Element beschreiben, werden ebenfalls empfangen (Block 604). Diese Daten, die die Interaktion zwischen dem Nutzerprofil und dem Element beschreiben, werden optional empfangen, wie durch den Pfeil angezeigt, der den Block 604 umläuft. Zum Beispiel im Fall eines kalten Nutzerprofils sind keine Daten verfügbar, die die Interaktionen zwischen dem kalten Nutzerprofil und dem Element beschreiben und werden folglich nicht von dem Empfehlungssystem 104 empfangen. Daten, die die Interaktion beschreiben, können z. B. als Teil von neuen Sitzungsdaten 230 von dem Empfehlungssystem 104 via Netzwerk 112 empfangen werden.
Alternativ oder zusätzlich können Daten, die die Interaktion beschreiben, aus dem Speicher 120 bezogen werden, wie in 1 dargestellt. Bei Implementierungen können sich Daten, die die Interaktion zwischen dem Nutzerprofil und dem Element beschreiben, auf historische Interaktionen aus vorherigen Sitzungen zwischen dem Nutzerprofil und dem Element beziehen. Zusätzlich oder alternativ können sich Daten, die die Interaktion zwischen dem Nutzerprofil und dem Element beschreiben, auf ein Element beziehen, auf das während einer laufenden Sitzung von einem Nutzerprofil zugegriffen wird. Folglich wird das Empfehlungssystem 104 konfiguriert, um Empfehlungen in Echtzeit bereitzustellen, die den Ist-Zustand eines Nutzerprofils wiedergeben.
Als Reaktion auf die empfangenen Daten, die das Nutzerprofil beschreiben und wahlweise empfangene Daten, die die Interaktion zwischen dem Nutzerprofil und dem Element beschreiben, wird mindestens eine Elementempfehlung für das Nutzerprofil basierend auf der Merkmalsähnlichkeitsmatrix bestimmt (Block 606). Zum Beispiel kann das Empfehlungssystem 104 die Merkmalsähnlichkeitsmatrix 118 anwenden, um die Merkmalsempfehlung 232 für ein Nutzerprofil basierend auf den Sitzungsdaten 230 zu generieren. Die Merkmalsähnlichkeitsmatrix 118 kann von dem Empfehlungssystem 104 durch Verwendung der hier beschriebenen Verfahren mit Hinblick auf 1-5 generiert werden.
Als Reaktion auf das Bestimmen mehrerer Elementempfehlungen für das Nutzerprofil basierend auf der Merkmalsähnlichkeitsmatrix, werden die Elementempfehlungen eingestuft (Block 608). Rangfolgen für mehrere Empfehlungen können durch das Empfehlungssystem 104 durch Verwendung einer geeigneten Metrik bestimmt werden. Beispielsweise können mehrere Merkmalsempfehlungen 232 basierend auf den Zeitstempeln eingestuft werden, die den Interaktionen zwischen den Nutzerprofilen und Elementen entsprechen, basierend auf expliziten Interaktionsdaten, wie Einstufung von Elementen oder basierend auf impliziten Interaktionsdaten, wie die Menge an Zeit, die verbracht wurde, um mit einem Element zu interagieren und so weiter. Bei einigen Implementierungen nimmt das Empfehlungssystem 104 diese Einstufung vor, indem es einen Alphawert anpasst, der in der modifizierten Zielfunktion verwendet wird, die hinsichtlich der Gleichung 1 beschrieben wird. In Situationen, in welchen nur eine einzelne Elementempfehlung von dem Empfehlungssystem 104 generiert wird, wird die einzelne Elementempfehlung als die führende Empfehlung behandelt.
Als Reaktion auf die Einstufung der Empfehlungen wird eine Elementempfehlung basierend auf der Rangfolge ausgegeben (Block 610). Zum Beispiel kann das Empfehlungssystem 104 eine oder mehrere Merkmalsempfehlungen 232 an das Kommunikationssystem 110 via Netzwerk 112 zur Ausgabe an die Computervorrichtung entsprechend einem der Nutzerprofile 106 kommunizieren. Auf diese Weise ist das Empfehlungssystem 104 konfiguriert, um Empfehlungen in Echtzeit basierend auf Vektordarstellungen zu generieren, die Nutzerprofile, Nutzerprofilattribute, Elemente, explizite Interaktionen und implizite Interaktionen in einem gemeinsamen Framework bezeichnen.
Folglich ist das Empfehlungssystem 104 konfiguriert, um Empfehlungen basierend auf einer Funktion von Vektordarstellungen auszugeben, die Merkmale bezeichnen, die Nutzerprofile, Elemente und entsprechende Interaktionen darstellen. Durch Beschreibung expliziter Interaktionen, impliziter Interaktionen und von Nutzerprofilattributen in einem allgemeinen Framework, kann das Empfehlungssystem 104 personalisierte Empfehlungen für ein kaltes Nutzerprofil ausgeben, das zuvor nicht mit dem Empfehlungssystem 104 verknüpft war, sodass verschiedene kalte Nutzerprofile verschiedene Empfehlungen erhalten. Des Weiteren erfasst das Empfehlungssystem 104 zusätzliche Merkmale, die andernfalls von herkömmlichen Empfehlungsverfahren ignoriert würden, wodurch Empfehlungen mit einem hohen Grad an Affinität für ein bestimmtes Nutzerprofil bereitgestellt werden.
Beispielsystem und -vorrichtung
7 zeigt ein Beispielsystem allgemein unter 700, das eine Beispielcomputervorrichtung 702 enthält, die eine oder mehrere Computersysteme und/oder -vorrichtungen darstellt, die die verschiedenen, hier beschriebenen Verfahren implementieren. Das ist durch Einbeziehung des Empfehlungssystems 104 dargestellt. Die Computervorrichtung 702 kann zum Beispiel ein Server eines Serviceproviders, eine Vorrichtung, die mit einem Client (z. B. ein Clientdevice) verknüpft ist, ein On-Chip-System und/oder eine beliebige andere geeignete Computervorrichtung oder Computersystem sein.
Die Beispielcomputervorrichtung 702, wie dargestellt, enthält ein Verarbeitungssystem 704, ein oder mehrere computerlesbare Medien 706 und eine oder mehrere E/A-Schnittstellen 708, die zur Verständigung miteinander gekoppelt sind. Obwohl es nicht gezeigt wird, kann die Computervorrichtung 702 ferner einen Systembus oder andere Daten- und Befehlstransfersysteme enthalten, welche die verschiedenen Komponenten miteinander koppeln. Ein Systembus kann beliebige oder Kombinationen aus verschiedenen Busstrukturen enthalten, wie einen Memorybus oder Memorycontroller, einen Peripheriebus, einen universellen seriellen Bus und/oder einen Prozessor oder lokalen Bus, der eine beliebige aus den verschiedenen Busarchitekturen nutzt. Verschiedene anderer Beispiele werden ebenso in Betracht gezogen, wie Steuerungs- bzw. Regelungs- und Datenleitungen.
Das Verarbeitungssystem 704 stellt eine Funktionalität dar, eine oder mehrere Vorgänge unter Verwendung von Hardware durchzuführen. Dementsprechend ist das Verarbeitungssystem 704 so dargestellt, dass es die Hardware-Komponente 710 enthält, die als Prozessoren, Funktionsblöcke und so weiter konfiguriert werden kann. Das kann Implementierung in Hardware als ein anwendungsspezifischer integrierter Schaltkreis oder andere logische Schaltung enthalten, die durch die Verwendung eines oder mehrerer Halbleiter gebildet wird. Die Hardware-Komponenten 710 sind nicht durch die Werkstoffe, aus denen sie hergestellt werden oder die dabei angewandten Bearbeitungsmechanismen eingeschränkt. Zum Beispiel können Prozessoren aus einem/mehreren Halbleitern und/oder Transistoren (z. B. elektronische integrierte Schaltkreise (IC)) bestehen. In so einem Kontext können von einem Prozessor ausführbare Anweisungen elektronisch ausführbare Anweisungen sein.
Das computerlesbare Speichermedium 706 wird den Speicher/die Lagerung 712 enthaltend abgebildet. Der Speicher/Die Lagerung 712 stellt Speicher-/Lagerungskapazität in Verbindung mit einem oder mehreren computerlesbaren Medien dar. Die Speicher-/Lagerungskomponente 712 kann flüchtige Medien (wie Random Access Memory (RAM)) und/oder nicht flüchtige Medien (wie Read Only Memory (ROM), Flashspeicher, optische Datenträger, magnetische Datenträger und so weiter) enthalten. Die Speicher-/Lagerungskomponente 712 kann fest eingebaute Medien (z. B. RAM, ROM, eine fest eingebaute Festplatte und so weiter) ebenso wie Wechselmedien (z. B. Flashspeicher, eine Wechselfestplatte, einen optischen Datenträger und so weiter) enthalten. Die computerlesbaren Medien 706 können auf verschiedene andere Arten konfiguriert werden, wie nachstehend näher beschrieben.
E/A-Schnittstelle(n) 708 stellen eine Funktionalität dar, die es einem Nutzer möglich macht, Befehle und Informationen in eine Computervorrichtung 702 einzugeben und diese Information dem Nutzer und/oder Komponenten oder Vorrichtungen zu präsentieren, die verschiedene E/A-Vorrichtungen zu präsentieren. Beispiele für Eingabevorrichtungen enthalten eine Tastatur, eine Vorrichtung zur Steuerung bzw. Regelung eines Cursors (z. B. eine Maus), ein Mikrofon, einen Scanner, eine Touchfunktion (z. B. kapazitive oder andere Sensoren, die konfiguriert sind, um physische Berührungen zu erkennen), eine Kamera (die z. B. sichtbare oder nicht sichtbare Wellenlängen wie Infrarotfrequenzen einsetzt, um Bewegung als Gesten ohne Berührung zu erkennen) und so weiter. Beispiele für Ausgabevorrichtungen enthalten eine Displayvorrichtung (z. B. einen Monitor oder Projektor), Lautsprecher, einen Drucker, eine Netzwerkkarte, Vorrichtungen mit taktiler Rückmeldung und so weiter. Folglich kann die Computervorrichtung 702 auf verschiedene Arten zur Unterstützung der Nutzerinteraktion konfiguriert werden, wie nachstehend näher beschrieben ist.
Verschiedene Verfahren können hier in dem allgemeinen Kontext von Software, Hardwarekomponenten oder Programmmodulen beschrieben werden. Generell enthalten solche Module Routinen, Programme, Objekte, Elemente, Komponenten, Datenstrukturen und so weiter, die bestimmte Aufgaben ausführen oder bestimmte abstrakte Datentypen implementieren. Die Begriffe „Modul“, „Funktion“ und „Komponente“ wie hier verwendet, stellen allgemein Software, Firmware, Hardware oder eine Kombination davon dar. Die Merkmale der hier beschriebenen Verfahren sind unabhängig von der Plattform, was bedeutet, dass die Verfahren auf verschiedenen kommerziellen Computerplattformen mit verschiedenen Prozessoren implementiert werden können.
Eine Implementierung der beschriebenen Systeme, Module und Verfahren kann übergreifend auf einer Form von computerlesbaren Medien gespeichert oder darauf übertragen werden. Die computerlesbaren Medien können verschiedene Medien enthalten, auf die durch eine Computervorrichtung 702 zugegriffen werden kann. Zur Veranschaulichung und nicht zur Einschränkung können computerlesbare Medien „computerlesbare Speichermedien“ und „computerlesbare Signalmedien“ enthalten.
„Computerlesbare Speichermedien“ kann sich auf Medien und/oder Vorrichtungen beziehen, die persistentes und/oder nicht flüchtiges Speichern von Informationen im Gegensatz zur reinen Signalübertragung, Trägerwellen oder Signalen per se ermöglichen. Folglich beziehen sich computerlesbare Speichermedien auf kein Signal tragende Medien. Die computerlesbaren Speichermedien enthalten Hardware wie z. B. flüchtige und nicht flüchtige, Wechselmedien und feste Medien und/oder Speichervorrichtungen, die in ein Verfahren oder eine Technologie, die zum Speichern von Informationen wie computerlesbare Anweisungen, Datenstrukturen, Programmmodule, Logikelemente/-schaltungen oder andere Daten implementiert sind. Beispiele für computerlesbare Speichermedien können RAM, ROM, EEPROM, Flashspeicher oder andere Speicherverfahren, CD-ROM, digitale vielseitig verwendbare Disks (DVD) oder andere optische Speichermedien, Festplatten, Magnetbandkassetten, Magnetband, Magnetplattenspeicher oder andere magnetische Speichervorrichtungen oder Speichervorrichtungen, physische Medien oder Erzeugnisse, die zur Speicherung von gewünschten Informationen geeignet sind und worauf per Computer zugegriffen werden kann, enthalten, sind aber nicht darauf beschränkt.
„Computerlesbare Signalmedien“ können sich auf ein Signal tragendes Medium beziehen, das konfiguriert wurde, um Anweisungen an die Hardware der Computervorrichtung 802 zu übertragen, wie z. B. via Netzwerk. Signalmedien können normalerweise computerlesbare Anweisungen, Datenstrukturen, Programmmodule oder andere Daten in einem modulierten Datensignal, wie z. B. Trägerwellen, Datensignalen oder anderen Transportmechanismen enthalten. Signalmedien enthalten ebenfalls beliebige Medien zur Zustellung von Informationen. Der Begriff „moduliertes Datensignal“ beschreibt ein Signal, für das eine oder mehrere seiner Eigenschaften dahingehend festgelegt oder verändert wurden, um Informationen in dem Signal zu verschlüsseln. Beispiele für Kommunikationsmedien enthalten drahtgebundene Medien, wie z. B. ein drahtgebundenes Netzwerk oder eine direkt drahtgebundene Verbindung und drahtlose Medien wie z. B. Akustik, Radiofrequenz, infrarot und andere drahtlose Medien, sind aber nicht darauf beschränkt.
Wie vorstehend beschrieben, stellen die Hardware-Komponenten 810 und die computerlesbaren Medien 806 Module, programmierbare Vorrichtungslogik und/oder feste Vorrichtungslogik dar, die in einer Hardwareform implementiert ist und in einigen Ausführungsformen eingesetzt werden kann, um mindestens einige Aspekte der hier beschriebenen Verfahren zu implementieren, wie z. B. um eine oder mehrere Anweisungen auszuführen. Hardware kann Komponenten eines integrierten Schaltkreises oder ein On-Chip-System, eine anwendungsspezifische integrierte Schaltung (ASIC), ein Field Programmable Gate Array (FPGA), ein Complex Programmable Logic Device (CPLD) und andere Implementierungen in Silizium oder anderer Hardware enthalten. In diesem Kontext kann Hardware als Verarbeitungsvorrichtung arbeiten, die Programmaufgaben ausführt, die durch Anweisungen und/oder Logik definiert und von der Hardware enthalten sind, sowie als eine Hardware arbeiten, die verwendet wird, um Anweisungen zur Ausführung zu speichern, z. B. die vorstehend beschriebenen computerlesbaren Speichermedien.
Kombinationen aus dem Vorangegangenen können auch angewandt werden, um verschiedene, hier beschriebene Verfahren zu implementieren. Dementsprechend können Software, Hardware oder ausführbare Module als eine oder mehrere Anweisungen und/oder Logik, die auf einer Form von computerlesbarem Speichermedium enthalten ist und/oder durch eine oder mehrere Hardware-Komponenten 710, implementiert werden. Die Computervorrichtung 702 kann konfiguriert sein, um bestimmte Anweisungen und/oder Funktionen entsprechend der Software und/oder den Hardwaremodulen zu implementieren. Dementsprechend kann die Implementierung eines Moduls, das durch die Computervorrichtung 702 als Software ausführbar ist, zumindest teilweise mit Hardware erreicht werden, d. h. durch die Verwendung von computerlesbaren Speichermedien und/oder Hardware-Komponenten 710 des Verarbeitungssystems 704. Die Anweisungen und/oder Funktionen können durch ein oder mehrere Erzeugnisse (z. B. eine oder mehrere Computervorrichtungen 702 und/oder Verarbeitungssysteme 704) ausführbar/durchführbar sein, um Verfahren, Module und hier beschriebene Beispiele zu implementieren.
Die hier beschriebenen Verfahren können von verschiedenen Konfigurationen der Computervorrichtung 702 unterstützt werden und sind nicht auf die spezifischen Beispiele der hier beschriebenen Verfahren beschränkt. Diese Funktionalität kann auch komplett oder teilweise durch die Verwendung eines verteilten Systems, wie z.B. über eine „Cloud“ 714 via Plattform 716, wie nachfolgend beschrieben, implementiert werden.
Die Cloud 714 enthält und/oder stellt eine Plattform 716 für die Ressourcen 718 dar. Die Plattform 716 abstrahiert zugrundeliegende Funktionalität von Hardware- (z. B. Server) und Softwareressourcen der Cloud 714. Die Ressourcen 718 können Anwendungen und/oder Daten enthalten, die verwendet werden können, während Computerverarbeitung auf den Servern ausgeführt wird, die sich rechnerfern von der Computervorrichtung 702 befinden. Die Ressourcen 718 können auch über das Internet und/oder ein Teilnehmernetzwerk, wie z. B. ein Mobilfunk- oder Wi-Fi-Netzwerk, bereitgestellte Dienste enthalten.
Die Plattform 716 kann Ressourcen und Funktionen abstrahieren, um die Computervorrichtung 702 mit anderen Computervorrichtungen zu verbinden. Die Plattform 716 kann auch genutzt werden, um die Skalierung von Ressourcen zu abstrahieren, um vorliegender Nachfrage nach den Ressourcen 718, die via Plattform 718 implementiert werden, ein entsprechendes Skalierungsniveau bereitzustellen. Dementsprechend kann in einem vernetzten Vorrichtungsbeispiel eine Implementierung einer hier beschriebenen Funktionalität in dem ganzen System 700 verteilt werden. Die Funktionalität kann z. B. zum Teil auf der Computervorrichtung 702 implementiert werden sowie via Plattform 716, die die Funktionalität der Cloud 714 abstrahiert.
Fazit
Obwohl die Erfindung in einer Sprache beschrieben wurde, die spezifisch für strukturelle Merkmale und/oder methodische Maßnahmen ist, versteht es sich von selbst, dass die in den beigefügten Ansprüchen definierte Erfindung nicht notwendigerweise auf die beschriebenen spezifischen Merkmale oder Maßnahmen beschränkt ist. Vielmehr sind die spezifischen Merkmale als Beispielformen der Implementierung der beanspruchten Erfindung offengelegt.

Claims

Verfahren in einer digitalen Medienumgebung, um Empfehlungen basierend auf Merkmalsvektordarstellungen bereitzustellen, wobei das Verfahren von mindestens einer Computervorrichtung implementiert ist, umfassend: Empfangen von Sitzungsdaten für mehrere Sitzungen, wobei jede der mehreren Sitzungen Daten enthält, die mindestens ein Attribut für ein Nutzerprofil, mindestens ein Element und eine Interaktion zwischen dem Nutzerprofil und dem mindestens einen Element während der Sitzung beschreiben; Verknüpfen des mindestens einen Attributs für das Nutzerprofil, des mindestens einen Elements und der Interaktion zwischen dem Nutzerprofil und dem mindestens einen Element als Wörter; Verknüpfen von Zeichenfolgen der Wörter als mehrere Sätze, wobei jeder der mehreren Sätze jeweils einer der mehreren Sitzungen entspricht; Empfangen von Daten, die ein kaltes Nutzerprofil beschreiben, das Zugriff auf ein Element verlangt; Generieren mindestens einer Elementempfehlung für das kalte Nutzerprofil basierend auf den Sätzen und den Daten, die das kalte Nutzerprofil beschreiben; und Ausgeben der mindestens einen Elementempfehlung.
Verfahren wie beschrieben in Anspruch 1, ferner umfassend Bestimmen von Merkmalsvektordarstellungen für das mindestens eine Attribut für das Nutzerprofil, das mindestens eine Element und die Interaktion zwischen dem Nutzerprofil und dem mindestens einen Element basierend auf den Sätzen, wobei die mindestens eine Elementempfehlung ferner auf den Merkmalsvektordarstellungen basiert.
Verfahren wie beschrieben in Anspruch 2, ferner umfassend Generieren einer Merkmalsähnlichkeitsmatrix basierend auf den Merkmalsvektordarstellungen, wobei die mindestens eine Elementempfehlung ferner auf der Merkmalsähnlichkeitsmatrix basiert.
Verfahren wie beschrieben in Anspruch 2 oder 3, wobei die Merkmalsvektordarstellungen basierend auf einem Worteinbettungsmodell bestimmt werden, das ein globales log-bilineares Regressionsmodell enthält, welches konfiguriert ist, um eine Wort-zu-Wort-Kookkurrenzmatrix und lokale Kontextfenster zu nutzen, um Worteinbettungen zu generieren.
Verfahren wie beschrieben in Anspruch 4, wobei das Worteinbettungsmodell eine Zielfunktion enthält, die Felder für Daten enthält, die implizite Interaktionen zwischen einem Element und einem Nutzerprofil beschreiben.
Verfahren wie beschrieben in einem der Ansprüche 3 bis 5, wobei das Generieren der Merkmalsähnlichkeitsmatrix das Berechnen von Skalarprodukten bzw. dot products der Merkmalsvektordarstellungen enthält, die zur Bestimmung von Ähnlichkeiten zwischen verschiedenen Merkmalen verwendet werden können.
Verfahren wie beschrieben in Anspruch 6, wobei die verschiedenen Merkmale ein Merkmal enthalten, das ein Nutzerprofilattribut beschreibt und ein Merkmal, das ein Element beschreibt.
Verfahren wie in einem der vorangegangen Ansprüche beschrieben, wobei das mindestens eine Attribut für das Nutzerprofil einen Bezeichner für das Nutzerprofil, eine mit dem Nutzerprofil verknüpfte Stadt, ein mit dem Nutzerprofil verknüpftes Geschlecht, einen mit dem Nutzerprofil verknüpften Beruf, eine mit dem Nutzerprofil verknüpfte Branche, ein mit dem Nutzerprofil verknüpftes Land oder ein mit dem Nutzerprofil verknüpfter Bildungsabschluss beschreibt.
Verfahren wie in einem der vorangegangenen Ansprüche beschrieben, wobei das mindestens eine Attribut für das Nutzerprofil, das mindestens eine Element und die Interaktionen zwischen dem Nutzerprofil und dem mindestens einen Element als Wörter durch Verwendung von Verarbeitung natürlicher Sprache verknüpft werden.
Verfahren wie in einem beliebigen der vorangegangen Ansprüche beschrieben, ferner umfassend das Empfangen von Daten, die eine darauffolgende Interaktion zwischen dem kalten Nutzerprofil und einem Element beschreiben und das Generieren einer zusätzliche Elementempfehlung basierend auf den Sätzen, den Daten, die das kalte Nutzerprofil beschreiben und den Daten, die die darauffolgende Interaktion zwischen dem kalten Nutzerprofil und dem Element beschreiben.
Verfahren in einer digitalen Medienumgebung, um Empfehlungen basierend auf Merkmalsvektordarstellungen zu empfangen, wobei das Verfahren von mindestens einer Computervorrichtung implementiert wird, umfassend: Senden von Daten, die mindestens ein Nutzerprofilattribut mit einer Anfrage, dass mindestens ein Element an die Computervorrichtung zugestellt werden soll, beschreiben; Empfangen des mindestens einen Elements, wobei das mindestens eine Element basierend auf dem mindestens einen Nutzerprofilattribut bestimmt wird, Wörtern, die Nutzerprofilbezeichnern entsprechen, Nutzerprofilattributen, Elementen und Interaktionen zwischen Nutzerprofilen und mindestens einem der Elemente und mindestens einem Satz, der eine Untergruppe der Wörter enthält, die einer einzelnen Sitzung entsprechen; und Ausgeben des mindestens einen empfohlenen Elements an der Computervorrichtung.
Verfahren wie beschrieben in Anspruch 11, wobei der mindestens eine Satz, der verwendet wird, um das mindestens eine Element zu bestimmen, einen ersten Satz enthält, der explizite Interaktionen zwischen einem Nutzerprofil und dem mindestens einen der Elemente beschreibt und einen zweiten Satz, der implizite Interaktionen zwischen dem Nutzerprofil und dem mindestens einen der Elemente beschreibt.
Verfahren wie beschrieben in Anspruch 12, wobei die expliziten Interaktionen zwischen dem Nutzerprofil und dem mindestens einen der Elemente einen oder mehrere eines Kaufes des mindestens einen der Elemente oder eine dem mindestens einen der Elemente zugewiesene Bewertung beschreiben.
Verfahren wie beschrieben in Anspruch 12 oder 13, wobei die impliziten Interaktionen zwischen dem Nutzerprofil und dem mindestens einen der Elemente eine oder mehreren einer Anzahl von Aufrufen für das mindestens eine der Elemente während der einzelnen Sitzung, eine Menge von Interaktionszeit zwischen dem Nutzerprofil und dem mindestens einen der Elemente oder einen Prozentsatz des mindestens einen der Elemente, auf die das Nutzerprofil zugreift, beschreiben.
Verfahren wie beschrieben in einem der Ansprüche 11 bis 14, wobei das mindestens eine empfohlene Element ferner basierend auf einer Merkmalsähnlichkeitsmatrix bestimmt wird, die Merkmalsvektordarstellungen enthält, die die Nutzerprofilbezeichner, die Nutzerprofilattribute, die Elemente und die Interaktionen zwischen den Nutzerprofilen und dem mindestens einen der Elemente in einem gemeinsamen Framework beschreibt, wobei die Merkmalsvektordarstellungen basierend auf der Anwendung eines Worteinbettungsmodells auf die Sätze bestimmt werden.
Verfahren wie beschrieben in Anspruch 15, wobei das Worteinbettungsmodell eine Zielfunktion enthält, die Felder für Daten enthält, die implizite Interaktionen zwischen einem Element und einem Nutzerprofil beschreiben.
System in einer digitalen Medienumgebung, um Empfehlungen basierend auf Merkmalsvektordarstellungen zu erleichtern, umfassend: mindestens einen Prozessor; und mindestens ein Modul, das zumindest zum Teil in Hardware einer Computervorrichtung implementiert und betreibbar ist, um eine Empfehlung durch Ausführen von Vorgängen bereitzustellen, enthaltend: Empfangen von Daten, die Attribute für mehrere Nutzerprofile, mehrere Elemente und Interaktionen zwischen den verschiedenen Nutzerprofilen und den mehreren Elementen beschreiben; Bestimmen von Ähnlichkeiten zwischen den mehreren Nutzerprofilattributen, den mehreren Elementen und den Interaktionen zwischen den verschiedenen Nutzerprofilen und den mehreren Elementen durch Anwendung eines Worteinbettungsmodells auf die empfangenen Daten; Empfangen von Daten, die ein kaltes Nutzerprofil beschreiben, das sich von den mehreren Nutzerprofilen unterscheidet; Bestimmen mindestens einer Elementempfehlung für das kalte Nutzerprofil basierend auf den Ähnlichkeiten zwischen den mehreren Nutzerprofilattributen, den mehreren Elementen, den Interaktionen zwischen den verschiedenen Nutzerprofilen und den mehreren Elementen und den Daten, die das kalte Nutzerprofil beschreiben; und Ausgeben der mindestens einen Elementempfehlung an das kalte Nutzerprofil.
System wie beschrieben in Anspruch 17, wobei die Daten, die das kalte Nutzerprofil beschreiben, mindestens einen Bezeichner für das kalte Nutzerprofil oder ein Attribut, das Eigenschaften des kalten Nutzerprofils beschreibt, enthalten.
System wie beschrieben in Anspruch 17 oder 18, wobei die Daten, die das kalte Nutzerprofil beschreiben, unabhängig von Informationen, die eine Interaktion zwischen dem kalten Nutzerprofil und einem Element beschreiben, empfangen werden.
System wie beschrieben in einem der Anspüche 17 bis 19, wobei das Bestimmen der Ähnlichkeiten das Bestimmen von Merkmalsvektordarstellungen für die Attribute für mehrere Nutzerprofile, die mehreren Elemente und die Interaktionen zwischen den verschiedenen Nutzerprofilen und den mehreren Elementen enthält und das Einbetten der Merkmalsvektordarstellungen in einem gemeinsamen Framework enthält.