DE112017006517T5 - Visuelle kategoriedarstellung mit vielfältiger einstufung - Google Patents

Visuelle kategoriedarstellung mit vielfältiger einstufung Download PDF

Info

Publication number
DE112017006517T5
DE112017006517T5 DE112017006517.8T DE112017006517T DE112017006517T5 DE 112017006517 T5 DE112017006517 T5 DE 112017006517T5 DE 112017006517 T DE112017006517 T DE 112017006517T DE 112017006517 T5 DE112017006517 T5 DE 112017006517T5
Authority
DE
Germany
Prior art keywords
articles
categories
mapping
visually
images
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
DE112017006517.8T
Other languages
English (en)
Inventor
Alexis Bogie Jarr
Sean Michael Bell
Erick Cantu-Paz
Apurva Charudatta Garware
Francois Hueft
Tracy Holloway King
Keiichiro Suzuki
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.)
A9 com Inc
Original Assignee
A9 com Inc
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 A9 com Inc filed Critical A9 com Inc
Publication of DE112017006517T5 publication Critical patent/DE112017006517T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0603—Catalogue ordering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship

Abstract

Hierin beschriebene Ausführungsformen stellen Abbildungen bereit, die einen Satz von Suchergebnissen auf Grundlage einer Vielfältigkeit zwischen Ergebnissen der Suchabfrage darstellen. Es können Abbildungen, die einem Satz von visuell vielfältigen Artikeln zugeordnet sind, bereitgestellt werden, um eine Stichprobe von Artikeln bereitzustellen, die der Suchabfrage über mehrere Arten von Kategorien hinweg entsprechen. Beispielsweise können Suchergebnisse in Arten von Kategorien gruppiert werden und können Abbildung aus jeder der Arten von Kategorien in Teilsätzen von visuell miteinander in Bezug stehenden Abbildungen (über ein oder mehrere verschiedene visuelle Attribute hinweg) gruppiert werden. Ein Satz von vielfältigen repräsentativen Abbildungen kann durch Heranziehen von zumindest einer Abbildung aus jeder der Gruppen von visuell miteinander in Bezug stehenden Abbildungen ausgewählt werden. Der Satz von repräsentativen und vielfältigen Abbildungen kann angezeigt werden, um einem Benutzer einen interessanten, visuell vielfältigen und ästhetisch ansprechenden Abbildungssatz bereitzustellen.

Description

  • ALLGEMEINER STAND DER TECHNIK
  • Benutzer verwenden Rechenvorrichtungen immer mehr dazu, auf verschiedene Arten von Inhalten zuzugreifen. Beispielsweise können Benutzer eine Suchmaschine verwenden, um Informationen über verschiedene Artikel zu lokalisieren. Herkömmliche Ansätze zum Lokalisieren von Artikeln schließen Verwenden einer Abfrage, um Ergebnisse zu erhalten, die einem oder mehreren Begriffen der Abfrage entsprechen, durch Navigieren nach Seite oder Kategorie oder andere solche Ansätze ein, die sich vorwiegend auf ein Wort oder eine Kategorie stützen, das bzw. die verwendet wird, um ein Artikel zu beschreiben. Einige Abfragen können jedoch Artikel in mehreren Kategorien abdecken, sodass ein Benutzer wahrscheinlich kein Interesse an einem Großteil von Suchergebnissen hat und paginieren und/oder eine große Anzahl an Suchergebnissen durchsuchen muss, um die Artikel zu finden, die den Benutzer interessieren.
  • Figurenliste
  • Verschiedene Ausführungsformen gemäß der vorliegenden Offenbarung werden unter Bezugnahme auf die Zeichnungen beschrieben, in denen Folgendes gilt:
    • 1A veranschaulicht eine beispielhafte Umgebung eines Benutzers, der eine Suchabfrage übermittelt, gemäß verschiedenen Ausführungsformen;
    • 1B veranschaulicht eine beispielhafte Kategorienhierarchie von Artikeln, die sich auf eine Suchabfrage beziehen, gemäß verschiedenen Ausführungsformen;
    • 1C veranschaulicht eine beispielhafte Anzeige eines Ergebnissatzes, der einer Suchabfrage zugeordnet ist, gemäß verschiedenen Ausführungsformen;
    • 2A, 2B und 2C veranschaulichen einen beispielhaften Ansatz zum Bestimmen von visuell vielfältigen Abbildungen, die in Bezug auf eine Suchabfrage anzuzeigen sind, gemäß verschiedenen Ausführungsformen;
    • 3 veranschaulicht eine beispielhafte Schnittstelle, die visuelle vielfältige Kategoriedarstellungen von Artikeln beinhaltet, die sich auf eine Suchabfrage beziehen, gemäß verschiedenen Ausführungsformen;
    • 4 veranschaulicht eine beispielhafte Umgebung zum Bestimmen von visuell vielfältigen Artikeln, die sich auf eine Suchabfrage beziehen und die gemäß verschiedenen Ausführungsformen verwendet werden können;
    • 5 veranschaulicht einen beispielhaften Prozess zum Bestimmen und Darstellen von visuell vielfältigen Artikeln über Kategorien hinweg, die sich auf eine Suchabfrage beziehen und die gemäß verschiedenen Ausführungsformen verwendet werden können;
    • 6 veranschaulicht einen beispielhaften Prozess zum Bestimmen von Gruppierungen von visuell miteinander in Bezug stehenden Artikeln und Verwenden der Gruppierungen von visuell miteinander in Bezug stehenden Artikeln zum Auswählen von visuell vielfältigen Artikeln über Kategorien hinweg, die sich auf einen Ergebnissatz beziehen und die gemäß verschiedenen Ausführungsformen verwendet werden können;
    • 7 veranschaulicht eine beispielhafte Rechenvorrichtung, die verwendet werden kann, um Aspekte der verschiedenen Ausführungsformen umzusetzen;
    • 8 veranschaulicht beispielhafte Komponenten einer Rechenvorrichtung, wie etwa die in 7 veranschaulichte; und
    • 9 veranschaulicht eine Umgebung, in der verschiedene Ausführungsformen gemäß den verschiedenen Ausführungsformen umgesetzt werden können.
  • DETAILLIERTE BESCHREIBUNG
  • Systeme und Verfahren gemäß verschiedenen Ausführungsformen der vorliegenden Offenbarung beheben eine oder mehrere der Schwachstellen, auf die vorangehend Bezug genommen wurde, und andere Schwachstellen von herkömmlichen Ansätzen zum Bestimmen von Inhalten, die einem Benutzer in einer elektronischen Umgebung bereitgestellt werden sollen. Insbesondere analysieren verschiedene Ausführungsformen Abbildungen in einem Suchergebnissatz (z. B. einem Artikelkatalog, der Produkte, Szenen, Dienste, Medien usw. beinhalten kann), um visuell vielfältige Artikel über Kategorien der Suchergebnisse hinweg zu identifizieren. Dies ermöglicht es einem Benutzer, einen repräsentativen Abbildungssatz aus einem großen und vielfältigen Ergebnissatz zu erhalten, und ermöglicht es dem Benutzer, den Umfang eines Ergebnissatzes in einer geringen Menge an Informationen zu identifizieren. Beispielsweise können visuell vielfältige Artikel angezeigt werden, die den Umfang von einer oder mehreren Kategorien zeigen, die sich auf eine Suchabfrage beziehen und die unter Umständen einem Benutzer aufgrund der großen Anzahl von Ergebnissen und einer beschränkten Aufmerksamkeitsspanne des Benutzers nicht beim manuellen Suchen gezeigt werden. Ferner wird durch das Darstellen von visuell vielfältigen Abbildungen sichergestellt, dass visuell identische oder ähnliche Artikel einem Benutzer nicht dargestellt werden, was zu einer effizienteren Darstellung der Suchergebnisse und einem besseren Verständnis eines großen Satzes von Suchergebnissen durch einen Benutzer führt.
  • Gemäß verschiedenen Ausführungsformen kann ein Benutzer visuell vielfältige Abbildungen in Bezug auf eine Suchabfrage über einen Artikelkatalog (z. B. Produkte, Medien, Dienste usw.) hinweg auf Grundlage von visuellen Attributen erhalten, die den Ergebnissen der Suchabfrage zugeordnet sind. Die visuell vielfältigen Abbildungen stellen Benutzern eine Stichprobe von Artikeln, die der Suchabfrage entsprechen, über mehrere Arten von Kategorien hinweg durch eine geringe Anzahl von visuell vielfältigen Abbildungen bereit, welche die Artikel abdecken, die in den Suchergebnissen enthalten sind. Beispielsweise können die Suchergebnisse auf Grundlage von einem oder mehreren visuellen Attributen in ähnliche Abbildungsgruppen gruppiert werden und kann eine Abbildung aus jeder Abbildungsgruppe zur Anzeige ausgewählt werden, um einem Benutzer eine visuelle Vielfältigkeit des Sucherergebnissatzes bereitzustellen. Somit können Suchergebnisse in Kategorien gruppiert werden und können Abbildung aus jeder der Kategorien in Teilsätzen von visuell miteinander in Bezug stehenden Abbildungen (über ein visuelles Attribut oder mehrere verschiedene visuelle Attribute hinweg) gruppiert werden. Ein Satz von repräsentativen und vielfältigen Abbildungen kann aus jeder der Gruppen von visuell miteinander in Bezug stehenden Artikeln ausgewählt und angezeigt werden, um sicherzustellen, dass einem Benutzer ein interessanter, visuell vielfältiger und ästhetisch ansprechender Abbildungssatz bereitgestellt wird. Somit kann ein kleiner Ergebnissatz von repräsentativen, vielfältigen Artikeln zur Anzeige bereitgestellt werden, der auf eine oder mehrere Kategorien über den Ergebnissatz hinweg angepasst ist, um dem Benutzer eine vielfältige Stichprobe der Ergebnisse bereitzustellen. Dementsprechend kann ein Benutzer schnell und einfach den Katalogumfang für breite Kategoriesuchen und/oder mehrdeutige Suchbegriffe nachvollziehen.
  • Beispielsweise kann ein mehrdeutiger oder breiter Suchbegriff, der mehrere verschiedene Arten von Kategorien beinhaltet, einen repräsentativen Artikelsatz aufweisen, der für den Benutzer für eine schnelle und einfache Übersicht dargestellt wird, damit dieser den Umfang der Suchergebnisse nachvollziehen kann. Zum Beispiel kann eine Suchabfrage für eine Film-Franchise Produkte aufweisen, die dieser über viele Kategorien hinweg zugeordnet sind, darunter Filme, Fernsehsendungen, Kleidung, Novelty-Artikel usw. Unter Umständen ist nicht eindeutig, an welcher Art von Produkt ein Benutzer interessiert ist, wenn er nach einer breiten Kategorie wie einer Film-Franchise sucht. Somit können Ausführungsformen Kategorien in dem Ergebnissatz identifizieren und einen kleineren Satz eines repräsentativen, vielfältigen und ästhetisch ansprechenden Abbildungssatzes bereitstellen, der den Umfang der Ergebnisse abdeckt, ohne erforderlich zu machen, dass der Benutzer den gesamten Katalog durchsuchen muss, um einen Eindruck von den verschiedenen Produkten in dem entsprechenden Ergebnissatz zu gewinnen. Beispielsweise können Ausführungsformen Kategorien sowie Artikel in den entsprechenden Kategorien auf Grundlage einer Vielfältigkeit der Artikel einstufen, um einen Querschnitt oder eine Stichprobe von verschiedenen Arten von darin enthaltenen Artikeln bereitzustellen. Beispielsweise können Ausführungsformen eine visuelle Vielfältigkeit der Abbildungen verwenden, die dem resultierenden Artikelsatz zugeordnet sind, um eine Vielfältigkeit über eine oder mehrere Kategorien in dem Ergebnissatz hinweg bereitzustellen. Ausführungsformen können visuelle Ähnlichkeitsbewertungen, Einstufungen von visuell miteinander in Bezug stehenden und/oder ähnlichen Artikeln, visuelle Attribute/Kategorien usw. und andere visuell-bezogene Maßgaben verwenden, um vielfältige Artikel in einem Teilsatz zu identifizieren, der einen interessanten, vielfältigen und relevanten Querschnitt der Artikel in den Suchergebnissen bereitstellt.
  • Dieser Ansatz ermöglicht es Benutzern, schnell und einfach einen Querschnitt der verschiedenen Artikel in einem Ergebnissatz zu erhalten, ohne jede der Ergebnisseiten durchsuchen zu müssen. Des Weiteren ermöglichen solche Ansätze, dass Artikel angezeigt werden, von denen es wahrscheinlicher ist, dass sie ein Benutzer ansieht und/oder erwirbt, um die Benutzererfahrung zu verbessern und den Benutzer darin zu unterstützen, interessierende Artikel schneller zu lokalisieren. Zusätzlich zum Verbessern der Benutzererfahrung kann das Zeigen von Artikeln, von denen es wahrscheinlicher ist, dass diese zu Ansichten und/oder Transaktionen führen, den Umsatz für den Anbieter der Artikel oder eine andere solche Partei oder Einheit erhöhen.
  • Verschiedene andere Anwendungen, Prozesse und Verwendungen sind nachfolgend in Bezug auf verschiedene Ausführungsformen beschrieben, die jeweils den Betrieb und die Leistung der Rechenvorrichtungen verbessern, auf der diese umgesetzt werden, zum Beispiel durch Bereitstellen von visuell äußerst vielfältigen Abbildungen zur Anzeige auf organisierte, platzsparende Weise, sowie die Technologie der Abbildungsähnlichkeit und Abbildungsvielfältigkeit verbessern.
  • 1A veranschaulicht eine beispielhafte Situation 100, in der eine Schnittstelle auf einem Anzeigebildschirm 104 einer Rechenvorrichtung 102 verwendet werden kann, um nach Artikeln zu suchen, die über einen elektronischen Marktplatz oder einen anderen solchen Dienst bereitgestellt werden. Wenngleich eine tragbare Rechenvorrichtung (z. B. ein Smartphone, ein E-Book-Reader oder Tablet-Computer) gezeigt ist, versteht es sich, dass jede beliebige Vorrichtung, die zum Empfangen und Verarbeiten von Eingaben in der Lage ist, gemäß verschiedenen hierin erörterten Ausführungsformen verwendet werden kann. Zu den Vorrichtungen können unter anderem zum Beispiel Desktop-Computer, Notebook-Computer, E-Book-Reader, Personal Data Assistants, Mobiltelefone, Videospielkonsolen oder -controller, Wearable Computers (z. B. Smart Watches oder Glasses), Set-Top-Boxen für Fernsehgeräte und tragbare Medienabspielgeräte gehören. In diesem Beispiel hat ein Benutzer 108 eine Suchabfrage 106 eingegeben, die veranlasst, dass ein Satz von Suchergebnissen auf der Bildschirmanzeige 104 angezeigt wird, wie in 1C gezeigt.
  • In diesem Beispiel übermittelt der Benutzer jedoch eine Suchabfrage, die Artikeln über eine große Anzahl von Kategorien, Unterkategorien und/oder anderen Klassifizierungen hinweg zugeordnet ist. Beispielsweise kann der Benutzer eine Suchabfrage des Namens einer Film-Franchise (z. B. „Franchise A“) eingeben, die Tausende von Artikeln über eine breite Vielfalt von Marken, Untermarken, Kategorien und/oder Unterkategorien aufweist. Zum Beispiel entspricht die Suchabfrage „Franchise A“ wie in 1B gezeigt Artikeln, die einer Vielfalt von Marken 124(a), Untermarken 124(b), markenübergreifenden Elementen 124(c) und einer Vielfalt von Kategorien 140C und Unterkategorien 140D in einem hierarchischen Produktbaum 100B zugeordnet sind, der tausende von Artikeln umfassen kann. Dementsprechend kann durch die Suchabfrage eine breite Vielfalt von Artikeln ausgegeben werden, für die der Benutzer keinen oder kaum einen Kaufwunsch verspürt.
  • 1B veranschaulicht eine abbildungszuordnende hierarchische Datenkarte, die eine Vielfalt von verschiedenen Ebenen von Kategorien 140B und Unterkategorien 140C-140D einer hierarchischen Organisation eines Ergebnissatzes zeigt, der einer Suchabfrage 140A zugeordnet ist. Der erste Satz von Kategorien 140B, der die Segmentierung des Ergebnissatzes in dem in 1B gezeigten Beispiel definiert, beinhaltet Marken 124(a), Untermarken 124(b) und markenübergreifende Elemente 124(c). Des Weiteren beinhaltet die hierarchische Datenkarte Kategorien 140C, Unterkategorien 140D und Artikel 140E, die der Suchabfrage 140A (z. B. „Franchise A“) entsprechen oder für diese relevant sind. Wie vorangehend erwähnt, können einige Abfragen 140A eine große Anzahl an Produkten aufweisen, die einer Suchabfrage zugeordnet sind. Beispielsweise kann eine auf eine Film-Franchise bezogene Suchabfrage (z. B. „Franchise A“) verschiedenen Marken 124(a)-124(c) (z. B. Marke A, Untermarke B, markenübergreifendes Element C usw.) zugeordnet sein, die jeweils einen Bezug auf die Film-Franchise oder auf Charaktere, Artikel, Orte usw. aufweisen, die der Film-Franchise zugeordnet sind (z. B. eine Charaktere, ein Logo, Filmmusik, ein Titel usw.). Jede dieser Bezugnahmen kann in vielen verschiedenen Arten von Produkten eingeschlossen sein und diese Produkte können in einer Suchabfrage abgedeckt sein. Zum Beispiel können wie in 1B gezeigt durch die Suchabfrage „Franchise A“ Markenprodukte ausgegeben werden und diese kann in Produkten für Untermarken, markenübergreifende Elemente usw. eingeschlossen sein. Dementsprechend kann eine Suchabfrage zu vielen verschiedenen Arten von Produkten führen, die vielen verschiedenen Arten von Marken, Untermarken usw. zugeordnet sind, für die sich ein Benutzer unter Umständen nicht interessiert.
  • Ferner kann jede der Marken 124(a)-124(c) eine Vielfalt von verschiedenen Produkten 410(a)-410(d) über mehrere verschiedene Arten von Produktkategorien 126(a)-126(c) hinweg und Unterkategorien 128(a)-128(e) beinhalten. Zum Beispiel kann die Untermarke 124(b), die zumindest einen Bezug auf die Suchabfrage in zumindest einigen der dieser zugeordneten Artikeln beinhaltet, Produkte in den Produktkategorien 126 126(a), Kleidung 126(b) und Unterhaltung 126(c) abdecken, um lediglich ein paar zu nennen (es können viele weitere vorhanden sein). Ferner können die Produkte 410 mehrere verschiedene Unterkategorien 128 für jede Kategorie 126 beinhalten. Zum Beispiel können für die Kategorie 126(a) entsprechende Produkte die Produktunterkategorien Charaktere 128(a), Fahrzeuge 128(b) und Orte/Sets 128(c) beinhalten. Wenngleich dies nicht gezeigt ist, kann jede der Unterkategorien 128 zusätzliche Unterkategorien und zahlreiche Produkte 410 aufweisen, die zumindest einen Bezug auf die Suchabfrage 122 beinhalten. Beispielsweise beinhaltet die Kategorie Kleidung 126(b) Artikel 140E, welche die Unterkategorien Hemden 128(d), Schuhe 128(e) und Hosen 128(f) (sowie weitere) aufweisen. Jede der Unterkategorien kann einen oder mehrere Artikel 140E aufweisen. Zum Beispiel könnten verschiedene Schuhe im zwei- oder dreistelligen Bereich vorhanden sein, welche die Marke der Film-Franchise „Franchise A“ aufweisen oder sich auf diese beziehen, wie durch „Artikel A“ 130(a), „Artikel B“ 130(b), „Artikel C“ 130(c) bis „Artikel N“ 130(n) gezeigt.
  • Es liegen jedoch viele verschiedene Arten von Kategorien vor, die ausgewählt werden könnten, um den Ergebnissatz in viele verschiedene hierarchische Artikelbäume oder Datenkarten zu segmentieren oder aufzuteilen. Somit könnten viele verschiedene Arten von Kategorien der 1. Ebene 140B ausgewählt werden, darunter zum Beispiel Produktarten (z. B. Figuren), Produktkategorien (z. B. Unterhaltungsmedien, Spielzeug usw.). Abhängig von der ersten identifizierten und ausgewählten Kategorie könnte die hierarchische Datenkarte, durch die der Ergebnissatz organisiert wird, ganz anders aussehen und zu anderen Sätzen von interessanten und/oder vielfältigen Artikeln in den entsprechenden Unterkategorien führen.
  • 1C veranschaulicht eine beispielhafte Anzeige 104 eines Ergebnissatzes 152-156, der einer Suchabfrage 106 zugeordnet ist, gemäß verschiedenen Ausführungsformen. Wie in 1C gezeigt, beinhalten die Suchabfrage 106 und die Suchergebnisse eine angezeigte Ergebnisliste 152-156, die eine Vielfalt von Inhaltsartikeln (z. B. die Produkte 152-156) beinhaltet, die relevante Ergebnisse der Suchabfrage einschließen. Die Ergebnisliste 152-156 beinhaltet jedoch unter Umständen lediglich einen kleinen Teilsatz der großen Anzahl von Inhaltsartikeln, die durch die Suchabfrage 106 abgedeckt sind. Dementsprechend kann eine breite Vielfalt von Produkten als der Suchabfrage entsprechend identifiziert werden, die relevant für den Benutzer sein könnte. Wie durch den Suchergebnisidentifikator 112 gezeigt, kann die Suchabfrage zum Beispiel 1352 Artikeln entsprechen oder diesen zugeordnet sein, die eine große Anzahl von verschiedenen Arten von Produkten, Marken, Untermarken, markenübergreifenden Elementen usw. abdecken, wie vorangehend erörtert. Das Durchsuchen der großen Anzahl von Ergebnissen kann beschwerlich und verwirrend für einen Benutzer sein, da die Suchergebnisse so viele verschiedene Produkte, Marken usw. abdecken. In der in 1C gezeigten Suche sind zum Beispiel 1352 Suchergebnisse in der Ergebnisliste über mehrere verschiedene Seiten 110 (z. B. 136 verschiedene Seiten mit jeweils 10 Artikelergebnissen) mit Suchergebnissen eingeschlossen. Während die Vielfalt von Produkten für eine breite Suchabfrage („Franchise A“) relevant sein kann, ist der Benutzer unter Umständen nicht an jedem der Produkte interessiert. Somit muss der Benutzer unter Umständen eine große Anzahl von verschiedenen Produktseiten auswählen, um die großen Anzahl von Produkten zu durchsuchen, um das entsprechende Produkt zu finden, nach dem er sucht. Dies kann zeitaufwändig, lästig und beschwerlich für den Benutzer sein.
  • Der Benutzer kann bei einem Versuch, den Artikel zu finden, den der Benutzer wünscht, versuchen, die Suchergebnisse weiter einzuschränken. Beispielsweise kann der Benutzer eine weitere Abfrage übermitteln, die Suchergebnisse navigieren, Verfeinerungen anwenden, um die angezeigten Artikel zu verringern, oder andere solche Ansätze anwenden, die sich vorwiegend auf ein Wort oder eine Kategorie beziehen, das bzw. die verwendet wird, um einen Artikel zu beschreiben. Solche Ansätze können es jedoch schwierig gestalten, Artikel auf Grundlage eines Erscheinungsbildes oder ästhetischen Kriteriums zu lokalisieren, wie etwa einem Stil oder dargestellten Objekten. Ferner machen solche Ansätze durchgehende Rückmeldungen von dem Benutzer erforderlich und stützen sich auf die Fähigkeit des Benutzers, die spezifischen Merkmale und/oder Kategorien zu beschreiben, nach denen er sucht. Beispielsweise können die spezifischen Merkmale eines Artikels, wie etwa von Schmuck, eines Kunstwerks, von Kleidung usw. Muster, Farben, Formen usw. einschließen, die erwünscht, jedoch unter Umständen schwierig textuell zu beschreiben sind. Durch verschiedene Ansätze können ein ähnlicher Ergebnissatz oder eine ähnliche Anzeige von Artikeln erhalten werden, wie etwa, wenn der Benutzer zu einer Seite navigiert, die dieser Art von Inhalten entspricht. Während solche Ansätze in vielen Fällen sehr nützlich und vorteilhaft für Benutzer sein können, sind jedoch Möglichkeiten vorhanden, mit denen die Exposition des Benutzers gegenüber interessierenden Artikeln verbessert werden kann. Die Fähigkeit, Artikel anzuzeigen, die ein Benutzer wünscht, kann den Anbieter der Artikel unterstützen, da der Gewinn und/oder Umsatz des Anbieters zunimmt, wenn Artikel von größerem Interesse für den Benutzer bereitgestellt werden.
  • Dementsprechend versuchen Ausführungsformen, Artikel aus dem Ergebnissatz zu bestimmen, die eine breite und vielfältige Stichprobe der verschiedenen Artikel und Abbildungen, die in den Suchergebnissen enthalten sind, über mehrere Kategorien hinweg bereitstellen, ohne es erforderlich zu machen, dass der Benutzer eine spezifische Rückmeldung gibt und/oder jedes Suchergebnis durchsucht. Den Suchergebnissen zugeordnete Abbildungsdaten können analysiert werden, um Artikel zu organisieren, die zumindest visuell miteinander in Bezug stehen, wie hierin in Bezug auf visuelle Ähnlichkeitsbewertungen, Einstufungen von visuell miteinander in Bezug stehenden und/oder ähnlichen Artikeln, visuelle Attribute/Kategorien, Benutzerdaten und weitere Daten usw. beschrieben. Beispielsweise kann der Artikelergebnissatz in Artikelsätzen oder -gruppierungen organisiert sein, die ein oder mehrere Attribute gemeinsam haben. Somit können visuell miteinander in Bezug stehende Artikel zusammen gruppiert werden, um es dem System zu ermöglichen, sicherzustellen, dass dem Benutzer ein vielfältiger Satz von Abbildungen aus den Suchergebnissen angezeigt wird. Dies ermöglicht es Benutzern, vielfältige Artikel in einer visuell platzsparenden Anzeige einzusehen. Solche Ansätze können die Wahrscheinlichkeit von Klicks, Käufen und Umsatz für den Anbieter dieser Artikel erhöhen, indem das Verständnis des Ergebnissatzes durch den Benutzer erweitert und dem Benutzer eine ästhetisch ansprechende und verlockende Zusammenfassung von entsprechenden Artikeln bereitgestellt wird.
  • Die Artikel können Produkte, Medieninhalte, Dienste und/oder beliebige andere Inhalte einschließen, die durch einen elektronischen Marktplatz bereitgestellt werden. Ein elektronischer Marktplatz kann einen Artikelkatalog bereitstellen, der in verschiedenen Artikelkategorien organisiert ist, wobei jede Artikelkategorie Unterkategorien aufweisen kann. Gemäß verschiedenen Ausführungsformen kann ein Benutzer eine visuell vielfältige Stichprobe eines Satzes von Suchergebnissen über Kategorien hinweg erhalten, die dem Benutzer ein tieferes Verständnis des Umfangs und der Vielfältigkeit von Ergebnissen bereitstellen kann, die einer Suchabfrage zugeordnet sind. Somit kann eine Stichprobe von Suchergebnissen auf Grundlage einer Vielfältigkeit von visuellen Eigenschaften des Artikelsatzes auf einer effizienten Schnittstelle bereitgestellt werden, die einfach zu durchsuchen ist. Wenngleich Beispiele in Bezug auf eine Film-Franchise, wie etwa Filme, Charaktere, Figuren usw., in der gesamten vorliegenden Offenbarung verwendet werden, versteht es sich, dass die vorliegenden Techniken nicht hierauf beschränkt sind, da die vorliegenden Techniken verwendet werden können, um in zahlreichen Arten von Kontexten (z. B. digitale Bilder, Kunst, physische Produkte, Medieninhalte usw.) eine visuelle Ähnlichkeit zu bestimmen und einen Satz von visuell vielfältigen Artikeln darzustellen, wie der Fachmann nachvollziehen kann.
  • 2A veranschaulicht eine beispielhafte Darstellung einer hierarchischen Struktur 200, die gemäß verschiedenen Ausführungsformen verwendet werden kann. Wie beschrieben, kann eine Vielzahl von Abbildungen für einen Artikelkatalog in einem elektronischen Katalog analysiert werden, um visuell miteinander in Bezug stehende Artikel zu identifizieren. Das Analysieren der Abbildungen zum Identifizieren von visuell miteinander in Bezug stehenden Artikeln kann Bestimmen eines Merkmalsvektors für jede Abbildung und Organisieren von ähnlichen Merkmalsvektoren in einer hierarchischen Struktur beinhalten. Eine beispielhafte hierarchische Struktur beinhaltet einen Baum mit alternierenden nächstgelegenen Nachbarn (alternate nearest neighbor tree - ANNT). In verschiedenen Ausführungsformen beinhaltet ein Markmalsvektor einen oder mehrere Merkmalsdeskriptoren (oder visuelle Attribute). Es ist anzumerken, dass jeder Merkmalsvektor einer Abbildung zugeordnet ist und jeder Organisationsmerkmalsvektor zumindest in Bezug auf die hierarchische Struktur gleichbedeutend mit dem Organisieren der Vielzahl von Abbildungen ist. Die visuell miteinander in Bezug stehenden Artikel, die in einer hierarchischen Struktur organisiert sind, können ein Auswählen von visuell vielfältigen Artikeln über einen Satz von Suchergebnissen hinweg ermöglichen.
  • Vor dem rekursive Partitionieren der Vielzahl von Abbildungen in Cluster/Gruppen werden die Abbildungen analysiert, um Merkmalsvektoren für jede Abbildung zu bestimmen. Die Merkmalsvektoren werden dann auf Grundlage der Ähnlichkeit zwischen den Markmalsvektoren geclustert. Das Clustern kann hinsichtlich einer von einer Anzahl von Dimensionen erfolgen. Beispielsweise können die Abbildungen in einer Formdimension geclustert werden, in der Artikel auf Grundlage von deren visueller Ähnlichkeit hinsichtlich dessen geclustert werden, dass sich diese auf die Form bezieht. Andere Dimensionen schließen zum Beispiel und neben anderen solchen Dimensionen eine Farbdimension, eine Größendimension und eine Musterdimension ein. Die geclusterten Merkmalsvektoren bilden die Knoten der hierarchischen Struktur 200. In einigen Ausführungsformen können die Markmalsvektoren durch Verwendung einer herkömmlichen hierarchischen k-Means-Clustering-Technik geclustert werden, wie etwa der in Nister et al., „Scalable Recognition with a Vocabulary Tree“, Protokoll des Institute of Electrical and Electronics Engineers (IEEE) auf der „Conference on Computer Vision and Pattern Recognition“ (CVPR), 2006, beschriebenen.
  • Wie in 2A gezeigt, können die Cluster auf mehreren Ebenen bestehen. Beispielsweise beinhaltet die hierarchische Struktur 300 eine erste Ebene 202, eine zweite Ebene 204 und bis zu einer Nten Ebene 206. Das Stammcluster der hierarchischen Struktur 200 ist Cluster 208. Das Cluster 208 beinhaltet den Artikelkatalog 210. Auf der zweiten Ebene 204 sind N Cluster vorhanden, wobei jedes Cluster etwa 1/n der Artikel des Artikelkatalogs darstellt. Auf der dritten Ebene 206 sind etwa n^2 Cluster vorhanden, wobei jedes etwa 1/(n^2) der Artikel des Artikelkatalogs darstellt. Wenngleich 2A die Cluster hierarchisch angeordnet zeigt, können nicht hierarchische Cluster ebenfalls verwendet werden. Des Weiteren können abhängig von der Art und Vielfältigkeit der analysierten Abbildungen mehr oder weniger Cluster erzeugt werden.
  • Gemäß verschiedenen Ausführungsformen besteht eine Anzahl von Möglichkeiten, die Merkmalsvektoren zu bestimmen. Bei einem solchen Ansatz können Ausführungsformen der vorliegenden Erfindung die vorletzte Schicht eines neuronalen Faltungsnetzwerks (convolutional neural network - CNN) als den Merkmalsvektor verwenden. Beispielsweise können Klassifizierer trainiert werden, um Merkmalsdeskriptoren (hierin auch als visuelle Attribute bezeichnet) zu identifizieren, die visuellen Aspekten einer entsprechenden Abbildung der Vielzahl von Abbildungen entsprechen. Die Merkmalsdeskriptoren können in einen Merkmalsvektor der Merkmalsdeskriptoren kombiniert werden. Visuelle Aspekte eines Artikels, die in einer Abbildung dargestellt werden, können zum Beispiel eine Form des Artikels, eine Farbe/Farben des Artikels, Muster auf dem Artikel usw. einschließen. Bei visuellen Attribute handelt es sich um Merkmale, welche die visuellen Aspekte des Artikels ausmachen. Der Klassifizierer kann unter Verwendung des CNN trainiert werden.
  • Gemäß verschiedenen Ausführungsformen handelt es sich bei CNNs um eine Familie von statistischen Lernmodellen, die bei Anwendungen des maschinellen Lernens verwendet wird, um Funktionen zu schätzen oder anzunähern, die von einer großen Anzahl von Eingängen abhängig sind. Die verschiedenen Eingänge sind miteinander verbunden, wobei die Verbindungen numerische Gewichtungen aufweist, die im Laufe der Zeit angepasst werden können, wodurch es den Netzwerken ermöglicht wird, in der Lage zu sein, auf Grundlage von zusätzlichen Informationen zu „lernen“. Die adaptiven numerischen Gewichtungen kann man sich als Verbindungsstärken zwischen verschiedenen Eingängen des Netzwerks vorstellen, wenngleich die Netzwerke sowohl adaptive als auch nicht adaptive Komponenten beinhalten können. CNNs nutzen räumlich-lokale Korrelation durch Umsetzen eines lokalen Verbindungsmusters zwischen Knoten benachbarter Schichten des Netzwerks. Verschiedene Schichten des Netzwerks können für verschiedene Zwecke aufgebaut sein, wie etwa Faltung und Unterabtastung. Es ist eine Eingangsschicht vorhanden, die zusammen mit einem Satz von benachbarten Schichten den Faltungsabschnitt des Netzwerks bildet. Die unterste Schichte der Faltungsschicht macht zusammen mit einer unteren Schicht und einer Ausgangsschicht den vollständig verbundenen Abschnitt des Netzwerks aus. Von der Eingangsschicht kann eine Anzahl von Ausgabewerten von der Ausgangsschicht bestimmt werden, die neben anderen solchen Optionen mehrere Artikel beinhalten kann, von denen bestimmt wurde, dass sie sich auf einen Eingabeartikel beziehen. Das CNN wird an einem ähnlichen Datensatz trainiert (der Produkte in Bezug auf eine Franchise, Schmuck, Kleidung, Automobile, Bücher, Lebensmittel, Menschen, Medieninhalte usw. beinhaltet), sodass es die beste Merkmalsdarstellung eines erwünschten Objekts lernt, die für diese Art von Abbildung dargestellt wird. Das trainierte CNN wird als ein Merkmalsextraktor verwendet: Eine Eingabeabbildung wird durch das Netzwerk geleitet und Zwischenausgaben von Schichten können als Merkmalsdeskriptoren der Eingabeabbildung verwendet werden. Ähnlichkeitsbewertungen können auf Grundlage des Abstands zwischen dem einen oder den mehreren Merkmalsdeskriptoren und dem einen oder den mehreren Kandidateninhaltsmerkmalsdeskriptoren berechnet und zum Aufbauen eines Beziehungsgraphen verwendet werden.
  • Ein Inhaltsanbieter kann somit einen Abbildungssatz analysieren und Artikel bestimmen, die auf eine gewisse Weise zugeordnet werden können, wie etwa durch Einschließen einer Charaktere von einer Franchise, Produkten, die einen ähnlichen Stil aufweisen, oder durch andere visuelle Merkmale. Neue Abbildungen können im Laufe der Zeit empfangen und analysiert werden, wobei Abbildungen einen Ablauffaktor aufweisen oder ein anderer Mechanismus angewendet wird, um die Gewichtung im Laufe der Zeit zu verringern, sodass neuere Trends durch die Beziehungen in dem Klassifizierer dargestellt werden. Ein Klassifizierer kann dann unter Verwendung dieser Beziehungen erzeugt werden, wobei der Klassifizierer für einen beliebigen interessierenden Artikel herangezogen werden kann, um Artikel zu bestimmen, die visuell mit diesem Artikel in Bezug stehen.
  • In verschiedenen Ausführungsformen kann es in zumindest einigen Ausführungsformen wünschenswert sein, eine robuste Repräsentation von Artikeln in dem Artikelkatalog zu erzeugen, um Artikel zu clustern, die visuell miteinander in Bezug stehen, jedoch verschieden sind. Eine robuste Repräsentation ist in zumindest einigen Ausführungsformen wünschenswert, um Artikel gemäß einem oder mehreren visuellen Aspekten zu clustern, die in den Abbildungen dargestellt sind. Ein CNN kann verwendet werden, um einen Deskriptor zu lernen, der z. B. einer Größe, einer Form, Mustern usw. des Artikels usw. entspricht und der dann verwendet werden kann, um relevante Inhalte zu clustern.
  • Zusätzlich zum Bereitstellen eines Cluster-Deskriptors für jedes Cluster wird für jedes Cluster ein visuelles Wort bereitgestellt. Gemäß einigen Ausführungsformen handelt es sich bei den visuellen Wörtern um Markierungen, welche die Cluster repräsentieren. Dementsprechend können die visuellen Wörter durch Ausführen von Lokalisierungsinformationen der visuellen Wörter relativ schnell kategorisiert, durchsucht oder anderweitig bearbeitet werden.
  • 2B veranschaulicht ein Beispiel 220 zum Verwenden der visuellen Ähnlichkeitsbewertungen und Gruppierungen zum Auswählen von visuell vielfältigen Artikeln aus einem Artikelsatz. Wie beschrieben, kann eine visuelle Vielfältigkeit eines Artikelsatzes durch Gruppieren der Artikel auf Grundlage einer Ähnlichkeit über ein oder mehrere visuelle Attribute hinweg und Auswählen einer einzelnen Abbildung aus der Gruppierung von ähnlichen Artikeln bestimmt werden. Durch Gruppieren von ähnlichen Artikeln über eine oder mehrere visuelle Attribute hinweg und durch Auswählen von lediglich einer beschränken Anzahl von Ergebnissen (z. B. eines Artikels) aus jeder der Gruppierungen, können Ausführungsformen eine visuelle Vielfältigkeit sicherstellen und wird ein breiter Satz von vielfältigen Artikeln in einem Ergebnissatz ausgewählt. Dementsprechend können Ausführungsformen eine Zusammenfassung des Umfangs der visuellen Vielfalt bereitstellen, die in einer Gruppierung von Artikeln über eine oder mehrere Kategorien oder Unterkategorien hinweg vorhanden ist. Die visuellen Attribute können eine oder mehrere von einer Vielfalt von Dimensionen (Farbe, Größe, Form, Beschaffenheit, Muster, Merkmalsdeskriptoren usw.) einschließen.
  • Der spezifische Artikel, der aus den Ähnlichkeitsgruppierungen ausgewählt wird, kann durch ein beliebiges geeignetes Verfahren bestimmt werden. Beispielsweise kann ein Einstufungsalgorithmus auf jeden der Artikel angewendet werden und kann der am höchsten eingestufte Artikel in der Ähnlichkeitsgruppierung ausgewählt werden, um die Gruppierung zu repräsentieren. Der Einstufungsalgorithmus kann eine Gewichtung verschiedener Faktoren verwenden, die einen Kontext für die Suchabfrage und den Benutzer bereitstellt, um die vielfältigste und angemessenste Stichprobe aus den Kategorien und Abbildungen bereitzustellen. Beispielweise kann der Einstufungsalgorithmus eine Gewichtung auf Grundlage einer Vielzahl von Faktoren beinhalten, darunter Kaufverlauf, Erfolg von vorangehend dargestellten Abbildungen auf Grundlage ähnlicher Benutzer- und Suchabfragen, Sitzungsdaten, einschließlich anderen Suchabfragen, erworbene oder angesehene Produkte, eine Internetseite von Dritten, von denen der Benutzer stammt, usw. sowie jegliche weitere relevante Informationen zum Bestimmen des ästhetisch ansprechendsten und verlockendsten Produkts zur Darstellung für einen spezifischen Benutzer. Des Weiteren kann die Reihenfolge, in der die ausgewählten Abbildungen angezeigt werden, auf einer Einstufung und/oder RelevanzBewertung basieren, einschließlich der Einstufung für den Benutzer.
  • Des Weiteren kann in einigen Ausführungsformen ein Abbildungsverarbeitungsalgorithmus angewendet werden, um den repräsentativen Artikel aus der Ähnlichkeitsgruppierung auszuwählen. Beispielsweise besteht ein beispielhafter Ansatz zum Auswählen eines repräsentativen Artikels darin, einen Cluster-Deskriptor eines Clusters/einer Gruppe von Artikeln zu bestimmen. Wie beschrieben, beinhaltet ein Cluster eine Vielzahl von visuell miteinander in Bezug stehenden Artikeln. Die Vielzahl von visuell miteinander in Bezug stehenden Artikeln in dem Cluster kann in Untergruppen gruppiert werden, wobei jede Untergruppe durch einen bestimmten visuellen Aspekt in Bezug gesetzt werden kann. Wie in 2B gezeigt, beinhaltet das Cluster 208 eine Vielzahl von Artikeln. Die Artikel sind in Untergruppen 224-227 gruppiert. Wie bei den Merkmalsvektoren können die Cluster-Deskriptoren als Vektoren in einem Vektorraum eingesehen werden. Ferner können die Cluster-Deskriptoren zumindest teilweise auf den Merkmalsvektoren der Cluster und/oder Untergruppen in dem Cluster basieren, die sie kennzeichnen. Beispielsweise kann ein Cluster-Deskriptor für ein Cluster und/oder eine Untergruppe berechnet werden, wobei der Cluster-Deskriptor einem Punkt in dem Deskriptor-Raum entspricht, bei dem es sich um einen Mittelwert und/oder ein Zentrum (z. B. ein geometrisches Zentrum) der Merkmalsvektoren in dem Cluster und/oder der Untergruppe handelt. Dementsprechend kann der Artikel, der sich am nächsten an dem Mittelwert und/oder Zentrum des Merkmalsvektors befindet, als der repräsentative Artikel für die Ähnlichkeitsgruppe von Artikeln ausgewählt werden.
  • Ferner können in einigen Ausführungsformen eine Anzahl von Ähnlichkeitsgruppierungen sowie eine Anzahl von Artikeln in jeder Ähnlichkeitsgruppierung durch die Anzahl von Artikeln in dem Artikelteilsatz, den Anzeigepräferenzen des Systems und/oder der Größe und den Dimensionen des Anzeigebildschirms bestimmt werden. Beispielsweise kann das System konfiguriert sein, um vier visuell vielfältige Artikel zu identifizieren, die viert visuell vielfältigen Abbildungen aus dem Ergebnissatz entsprechen. Dementsprechend kann der Ergebnissatz in vier getrennte Ähnlichkeitsgruppierungen aufgeteilt werden und kann ein einziger Artikel aus jeder der Ähnlichkeitsgruppierungen ausgewählt werden. Alternativ und/oder zusätzlich können in einigen Ausführungsformen acht visuell vielfältige Abbildungen identifiziert werden und kann die entsprechende Anzahl von Ähnlichkeitsgruppierungen auf acht verdoppelt werden oder können zwei verschiedene Artikel aus jeder Ähnlichkeitsgruppierung ausgewählt werden. In jedem Fall können die Abbildungen in dem Artikelsatz unter Verwendung von einer oder mehreren Ähnlichkeitsbewertungen zugeordnet werden, die für jede Abbildung erhalten werden, und kann die resultierende Ähnlichkeitszuordnung von Abbildungen für den Ergebnissatz in getrennte Gruppierungen segmentiert werden. Dementsprechend kann die dem Abbildungssatz inhärente Vielfältigkeit in einigen Ausführungsformen entscheidend für die Größe der Gruppierungen der Abbildungen in dem Abbildungssatz sein.
  • Wenn zum Beispiel 100 Artikel in einem Ergebnissatz vorhanden sind, können Ähnlichkeitsbewertungen für jede der Abbildungen unter Verwendung der vorangehend beschriebenen Techniken bestimmt und einer Ähnlichkeitszuordnung zugeordnet werden. Der resultierende Ergebnissatz kann dann auf Grundlage der Anzahl von bestimmten Ähnlichkeitsgruppierungen in Gruppierungen segmentiert werden. Somit kann ein Ergebnissatz von Abbildungen, die sehr ähnlich sind, Ähnlichkeitsgruppierungen aufweisen, die wesentlich enger aneinander liegen als bei einem Ergebnissatz von Abbildungen, die weniger ähnlich sind. Dementsprechend kann die Vielfältigkeit unabhängig von der objektiven Ähnlichkeit der Abbildungen in dem Ergebnissatz bestimmt werden.
  • Gemäß verschiedenen Ausführungsformen kann die Anzahl von ausgewählten repräsentativen und vielfältigen Artikeln und/oder Abbildungen auf Grundlage des sichtbaren Bereichs eines Bildschirmanzeige aktualisiert werden. Beispielsweise kann sich die Größe einer Bildschirmanzeige einer tragbaren Rechenvorrichtung sich von der einer Bildschirmanzeige einer Desktop-Rechenvorrichtung unterscheiden und somit eine andere Anzahl von repräsentativen Abbildungen als diese beinhalten. In der Situation, in der sich die Größe der Bildschirmanzeige ändert (z. B. aufgrund einer Änderung der Ausrichtung einer Bildschirmanzeige), kann die Anzahl von angezeigten repräsentativen Artikeln ebenfalls aktualisiert werden.
  • Gemäß verschiedenen Ausführungsformen versteht es sich, dass die vorliegenden Techniken nicht auf bestimmte Arten von Suchabfragen und/oder Arten von Produkten beschränkt sind, da die vorliegenden Techniken verwendet werden können, um in zahlreichen Arten von Kontexten (z. B. Videoinhalte, Audioinhalte, Szenen, Schauspieler, in Medien dargestellte Action-Szenen, in Medien dargestellte dramatische Szenen sowie beliebige andere Medien, die auf einen Merkmalsvektor reduziert werden können) eine visuelle Ähnlichkeit zu bestimmen und einen vielfältigen Artikelsatz darzustellen, wie der Fachmann nachvollziehen kann.
  • 2C veranschaulicht eine beispielhafte Darstellung 240 eines vielfältigen Satzes von Artikeln 212A-212C, der angezeigt wird, um einen Ergebnissatz von Artikeln 208 darzustellen, der einer Suchabfrage zugeordnet ist und gemäß verschiedenen Ausführungsformen verwendet werden kann. Gemäß verschiedenen Ausführungsformen kann es das Verwenden des Ansatzes des Ähnlichkeits-Clusterings einem Benutzer ermöglichen, einen Querschnitt eines Ergebnissatzes von Artikeln (z. B. Produkten, Medien, Diensten usw.) auf Grundlage von Kategorien und visuell vielfältigen Eigenschaften zu erhalten, die den Artikeln in dem Ergebnissatz zugeordnet sind. Durch das Einsehen eines Querschnitts solcher Ergebnisse auf diese Weise wird Benutzern eine Übersicht über die in einem Ergebnissatz verfügbaren Artikel gegeben, indem eine geringe Anzahl von visuelle vielfältigen Artikelteilsätzen angezeigt wird, wobei jeder exemplarisch durch einen repräsentativen Artikel dargestellt wird (auch als ein Exemplar bezeichnet).
  • Wie beschrieben, kann die Ähnlichkeits-Clustering-Technik verwendet werden, um Ähnlichkeiten von Artikeln zu identifizieren und die Artikel in Ähnlichkeits-Clustern/-gruppen zu organisieren. Es kann jedoch vorteilhaft sein, den Artikelsatz auf Grundlage von Kategorien und Unterkategorien in Teilsätze zu segmentieren 250, um die Vielfältigkeit zwischen Kategorien zu zeigen und einen Fokus der Ergebnisse auf besonders wichtige Kategorien innerhalb des Ergebnissatzes zu legen. Dementsprechend kann der Ergebnissatz 208, welcher der Suchabfrage zugeordnet ist, wie in Schritt 250 gezeigt in eine oder mehrere Kategorien oder Unterkategorien segmentiert werden. Eine beliebige Anzahl von Kategorien oder Unterkategorien kann identifiziert und verwendet werden, um den Suchergebnissatz zu segmentieren, um eine interessante und vielfältige Stichprobe der Suchergebnisse bereitzustellen. Des Weiteren können die Kategorien auf verschiedenen Ebenen der Produktsuchergebnishierarche bereitgestellt werden, sodass einige Artikel in Unterkategorien unterteilt werden können, während andere Artikel gemäß Kategorien gruppiert werden können (z. B. Spielzeug und Spiele (Kategorie) im Vergleich zu Figuren (Unterkategorie)). Die Kategorien können zum Beispiel ein beliebiges mögliches Attribut oder eine beliebige mögliche Eigenschaft beinhalten, die zwei oder mehr der Artikel in dem Ergebnissatz gemeinsam ist. Somit können die Kategorien oder Arten von Kategorien eine beliebige Dimension des Ergebnissatzes beinhalten, die sich bei Artikeln in dem Ergebnissatz unterscheiden kann. Beispielsweise können die Kategorien Folgendes beinhalten: verschiedene Produktmerkmale (z. B. Größe, Abmessungen, Länge usw.), visuelle Aspekte (z. B. Farbe, Muster, Marke usw.), Metadaten (Produktsegment, Zieldemographie des Produkts usw.) und/oder beliebige andere Informationen, die den Artikeln innerhalb des Ergebnissatzes zugeordnet sind und die verwendet werden können, um über den Ergebnissatz hinweg Unterscheidungen vorzunehmen. Verschiedene Ergebnissätze können verschiedene Kategorien und Arten von Kategorien auf Grundlage des Gegenstands des Ergebnissatzes beinhalten und die interessierenden Kategorien können sich auch abhängig von den Artikeln innerhalb des Ergebnissatzes ändern.
  • Des Weiteren können in einigen Ausführungsformen verschiedene hierarchische Datenkarten des Ergebnissatzes erzeugt und Kategorien oder Arten von Kategorien aus einer oder mehrere der verschiedenen hierarchischen Datenkarten ausgewählt werden, um den vielfältigsten Artikelsatz über Kategorien hinweg zu erhalten. Wie vorangehend in Bezug auf 1B erörtert, können die verschiedenen Dimensionen, die verwendet werden, um den Ergebnissatz in einer Hierarchie zu organisieren, die Organisation der Artikel in verschiedenen Kategorien und Arten von Kategorien drastisch verändern. Dementsprechend kann ein Ergebnissatz durch Ermöglichen einer Auswahl von verschiedenen Kategorien aus verschiedenen hierarchischen Datenzuordnungen eines Ergebnissatzes in verschiedenartige und interessante Querschnitte von Artikeln aufgeteilt werden. In einigen Ausführungsformen können die Artikel auf eine Kategorieauswahl beschränkt und dann aus anderen hierarchischen Gruppierungen entfernt werden, wenn sie aus einer der hierarchischen Datenzuordnungen als eine Kategorieauswahl ausgewählt werden. In anderen Ausführungsformen können die doppelten Artikel verbleiben und können möglicherweise in zwei verschiedene visuelle Ähnlichkeitsgruppierungen zur Auswahl eingeschlossen werden. In solchen Ausführungsformen kann die allgemeine Vielfältigkeit von ausgewählten Abbildungen verwendet werden, um eine Vielfältigkeit der abschließend ausgewählten Abbildungen sicherzustellen, die zur Anzeige dargestellt werden. Dementsprechend kann der Ergebnissatz in einigen Ausführungsformen in identifizierte, eingestufte und ausgewählte Kategorien segmentiert werden, um eine Vielzahl von relevanten, interessanten und vielfältigen Gruppierungen der Suchergebnisse innerhalb der Suchergebnisse zu erhalten. Die Kategorien können auf Grundlage der Anzahl von Ergebnissen innerhalb jeder Kategorie, der Vielfältigkeit innerhalb dieser Kategorien, von Benutzerdaten und/oder aggregierten Benutzerverhaltensdaten in Bezug auf den Trend in jeder Kategorie/Erfolg jeder Kategorie eingestuft und ausgewählt werden. Somit kann der Artikelsatz in den Suchergebnissen auf Grundlage der identifizierten und eingestuften Kategorien in verschiedene Artikelteilsätze 208A-208C segmentiert werden, wobei jeder der Artikelteilsätze 208A-208C verschiedenen Kategorien zugeordnet ist. Diese Kategorien können aus verschiedenen hierarchischen Datenzuordnungen der Suchergebnisse oder aus verschiedenen Kategorien innerhalb derselben hierarchischen Datenzuordnung ausgewählt werden, um die Vielfältigkeit und interessante Darstellungen des Ergebnissatzes sicherzustellen.
  • Wie in 2C gezeigt, kann jeder der Artikelteilsätze 208A-208C innerhalb jeder der Kategorien auf Grundlage einer Ähnlichkeit über eine große Vielfalt von visuellen Attributen hinweg in Untergruppen 210A-210L gruppiert werden. Die Artikel können für jedes Cluster analysiert werden, um den Artikel zu identifizieren, der ausgewählt werden soll, um die Gruppe von visuell ähnlichen Artikel zu repräsentieren. Beispielsweise können für den ersten segmentierten Artikelteilsatz 208A die vier Artikeluntergruppen 210A-210D durch einen Artikel aus jeder der Untergruppen 210A-210D dargestellt werden. Wie vorangehend beschrieben, kann jeder der Artikel innerhalb der Untergruppen gemäß Benutzerdaten, Artikelbeliebtheit, der Vielfältigkeit bezüglich verschiedener Artikel und/oder durch beliebige andere geeignete Attribute eingestuft werden. Somit kann für jede Gruppierung von ähnlichen Artikeln innerhalb jeder Untergruppe ein Artikel auf Grundlage der Einstufung und/oder Relevanz des Artikels für den Benutzer ausgewählt werden. Dementsprechend kann jede Untergruppe von visuell ähnlichen Artikeln einen ausgewählten Artikel aufweisen, der in einen visuell vielfältigen Artikelteilsatz 212A eingeschlossen ist. Der Prozess kann für jede der segmentierten Kategorien wiederholt werden, um einen vielfältigen Artikelsatz, der den verschiedenen segmentierten Kategorien entspricht, zur Anzeige zu erzeugen. Dementsprechend kann der visuell vielfältige Satz von ausgewählten Artikeln als eine visuell vielfältige Stichprobe der Artikel innerhalb des Ergebnissatzes, welcher der Suchabfrage zugeordnet ist, bereitgestellt und angezeigt werden.
  • 3 veranschaulicht eine beispielhafte Schnittstelle einer Anzeige 104, die visuelle vielfältige Kategoriedarstellungen von Artikeln 212A-212C über eine Vielfalt von Kategorien 250A-250C beinhaltet, die sich auf eine Suchabfrage 106 beziehen, gemäß verschiedenen Ausführungsformen. Wie in 3 gezeigt, zeigt die Schnittstelle Folgendes an: die Suchabfrage 106, Produktinformationen bezogen auf die Suchabfrage (z. B. eine Zusammenfassung der Film-Franchise oder eine Übersicht über die Arten von darin enthaltenen Inhalten) 310 und eine Zusammenfassung der Suchergebnisse durch eine vielfältige Zusammenfassung von visuell vielfältigen Artikeln 212A-212C über Kategorien hinweg. Die Anzahl von Kategorien und die Anzahl von Artikeln in den Kategorien kann durch die Größe und Form der Anzeige 104 der Rechenvorrichtung 102 bestimmt werden, sodass in unterschiedlichen Ausführungsformen eine unterschiedliche Anzahl von Artikeln und/oder Kategorien angezeigt werden kann. Des Weiteren ist jeder der visuell vielfältigen Artikel durch eine Abbildung dargestellt, die jedem Artikel zugeordnet ist, und kann eine Beschreibung des entsprechenden Artikels bereitgestellt werden oder nicht, bei der es sich nicht um den Kategorieindikator 205A-250B handelt. Die Kategorien und deren Platzierung auf dem Anzeigebildschirm können auf Grundlage des Ergebnissatzes in dem Ergebnissatz wie vorangehend erörtert ausgewählt werden und die Platzierung der Kategorien und deren Reihenfolge können auf Grundlage einer Einstufung der Kategorien und/oder durch die Vielfältigkeit oder Einstufungen der darin enthaltenen Artikel bestimmt werden. Des Weiteren kann die Reihenfolge der dargestellten Artikel (Artikel 1-12), die von links nach rechts (oder in einigen Ausführungsformen von oben nach unten, unten nach oben, rechts nach links usw.) organisiert sind, auf Grundlage der Einstufung von jedem der ausgewählten Artikel bestimmt werden. Wenngleich die Artikel aus verschiedenen Ähnlichkeitsgruppierungen von den verschiedenen Artikelkategorien erhalten werden, kann die dargestellte Reihenfolge somit auf Artikeleinstufungen zwischen den Kategorien, der Abbildungsähnlichkeit (oder -vielfältigkeit) zwischen den Kategorien und/oder durch ein beliebiges anderes geeignetes Verfahren basieren.
  • Wie vorangehend in Bezug auf 2C beschrieben, beinhalten die visuell vielfältigen Kategoriedarstellungen der Artikel eine Abbildung aus jeder der Ähnlichkeitsgruppierungen der Artikel, um sicherzustellen, dass die angezeigten Artikel über eine oder mehrere Attribute hinweg visuell vielfältig sind. Dementsprechend stellen Ausführungsformen eine visuelle Zusammenfassung einer Vielfalt von Kategorien bereit und stellen visuell vielfältige Beispiele der Artikel innerhalb dieser Kategorien bereit. Ferner werden die Kategorien und darin enthaltenen Artikel wie vorangehend beschrieben auf Grundlage von Einstufungen und Relevanzbestimmungen ausgewählt, die Benutzerverhaltensdaten, darunter Durchklickraten, die den Artikeln zugeordnet sind, sowie eine Vielfältigkeit von visuellen Eigenschaften und Relevanzen für den Benutzer einschließen. Somit stellen Ausführungsformen eine effiziente und intuitive Schnittstelle zum Anzeigen des Umfangs und der Vielfältigkeit von Artikeln innerhalb eines Satzes von Suchergebnissen bereit. Da die Artikel über Kategorien hinweg ausgewählt werden und die Vielfältigkeit der ausgewählten Artikel auf der Ähnlichkeit verschiedener Artikel über eine oder mehrere Attribute hinweg basiert, können Ausführungsformen ferner sicherstellen, dass unterschiedliche Artikel über die verschiedenen Kategorien und Abbildungen hinweg angezeigt werden. Dementsprechend werden doppelte und/oder ähnliche Abbildungen nicht ausgewählt und angezeigt, wie dies der Fall sein könnte, wenn die Vielfältigkeit zwischen darzustellenden ausgewählten Abbildungen nicht gewahrt wird.
  • Es ist anzumerken, dass die hierin beschriebenen Techniken nicht auf Produktinformationsseiten beschränkt sind, die sich auf bestimmte Arten von Suchabfragen beziehen, und die hierin offenbarten Techniken verwendet werden können, um eine Stichprobe oder einen Querschnitt von vielfältigen Artikeln in einem beliebigen Ergebnissatz über Kategorien hinweg anzuzeigen. Beispielsweise können Ausführungsformen verwendet werden, um eine Vorschau von Ergebnissätzen zu erstellen, bevor ein Benutzer einen Datensatz einsieht, und/oder können zu jeder Zeit verwendet werden, zu der ein Benutzer eine Stichprobe der Vielfältigkeit eines Ergebnissatzes einsehen möchte, ohne jeden des größeren Satzes von Inhalten zu durchsuchen und/oder sich durch diesen zu klicken.
  • 4 veranschaulicht eine beispielhafte Umgebung 400 zum Bestimmen von visuell vielfältigen Artikeln, die sich auf eine Suchabfrage beziehen und die gemäß verschiedenen Ausführungsformen verwendet werden können. Um visuell vielfältige Artikel zu bestimmen, wird in zumindest einigen Ausführungsformen eine Analyse von Artikeln in einem Ergebnissatz in Bezug auf eine Suchabfrage durchgeführt, um Informationen über die visuellen Eigenschaften der Artikel zu bestimmen, um die Artikel nach visueller Ähnlichkeit zu gruppieren. Wie in dem Beispiel aus 4 gezeigt, ist ein Benutzer in der Lage, eine Client-Vorrichtung 402 zu verwenden, um eine Anforderung, die eine Suchabfrage beinhaltet, die sich auf Artikel bezieht, die in einem oder mehreren Datenspeichern in der Umgebung gespeichert sind, über zumindest ein Netzwerk 404 zu übermitteln. Die Anforderung kann empfangen werden, wenn ein Benutzer eine Suchabfrage von einem Drittpartei-Anbieter 406 oder einer Inhaltsanbieterumgebung 408 übermittelt. Eine Suchabfrage kann durch ein beliebiges geeignetes Verfahren (z. B. eine Text-Abfrage, eine Sprachanforderung usw.) übermittelt werden. Wenngleich eine tragbare Rechenvorrichtung (z. B. ein E-Book-Reader, Smartphone oder Tablet-Computer) als die Client-Vorrichtung gezeigt ist, versteht es sich, dass eine beliebige elektronische Vorrichtung, die in der Lage ist, eine Eingabe zu empfangen, zu bestimmen und/oder zu verarbeiten, gemäß den hierin erörterten verschiedenen Ausführungsformen verwendet werden kann, wobei die Vorrichtungen unter anderem zum Beispiel Folgendes einschließen kann: Desktop-Computer, Notebook-Computer, Personal Data Assistants, Videospielkonsolen, Set-Top-Boxen für Fernsehgeräte, Wearable Computers (d. h. Smart Watches und Glasses) und tragbare Medienabspielgeräte.
  • Das zumindest eine Netzwerk 404 kann ein beliebiges angemessenes Netzwerk einschließen; dieses kann zum Beispiel das Internet, ein Intranet, ein lokales Netzwerk (local area network - LAN), ein Mobilfunknetzwerk, ein WLAN-Netzwerk und dergleichen einschließen. Die Anforderung kann zu einer angemessenen Inhaltsanbieterumgebung 408 gesendet werden, die einen/ein/eine oder mehrere Dienste, Systeme oder Anwendungen zum Verarbeiten solcher Anforderungen bereitstellen kann. Bei dem Inhaltsanbieter kann es sich um eine beliebige Quelle von digitalen oder elektronischen Inhalten handeln, was einen Internetseitenanbieter, einen Online-Händler, einen Vertreiber von Video- oder Audioinhalten, einen E-Book-Herausgeber und dergleichen einschließen kann.
  • In diesem Beispiel wird die Anforderung an einer Netzwerkschnittstellenschicht 410 der Inhaltsanbieterumgebung 408 empfangen. Die Netzwerkschnittstellenschicht kann beliebige angemessene Komponenten beinhalten, die als solche bekannt sind oder verwendet werden, um Anforderungen über ein Netzwerk zu empfangen; diese können zum Beispiel eine oder mehrere Anwendungsprogrammierschnittstellen (Application Programming Interfaces - APIs) oder andere derartige Schnittstellen zum Empfangen solcher Anforderungen einschließen. Die Netzwerkschnittstellenschicht 410 kann Eigentum des Anbieters sein und von diesem betrieben werden oder durch den Anbieter als Teil eines Angebots einer geteilten Ressource oder „Cloud“ genutzt werden. Die Netzwerkschnittstellenschicht kann die Anforderung von der Client-Vorrichtung 402 empfangen und analysieren und veranlassen, dass zumindest ein Teil der Informationen in der Anforderung zu einem angemessenen System oder Dienst geleitet wird, wie etwa neben anderen solchen Optionen zu einem Inhaltsserver 412 (z. B. einem Internet-Server oder Anwendungsserver). In dem Fall von Internetseiten kann zum Beispiel zumindest ein Server 412 verwendet werden, um Code zu erzeugen und Inhalte zur Darstellung der angeforderten Internetseite zu senden. In Fällen, in denen ein Verarbeiten durchgeführt wird, wie etwa zum Erzeugen von Suchergebnissen, Durchführen eines Vorgangs an einer Benutzereingabe, Verifizieren von Informationen für die Anforderung usw., könnten Informationen zum Verarbeiten auch zu zumindest einem anderen Server geleitet werden, zum Beispiel zu einer Suchmaschine 418. Die Server oder anderen Komponenten der Umgebung könnten auf einen oder mehrere Datenspeicher, wie etwa einen Benutzerdatenspeicher 416, der Informationen über die verschiedenen Benutzer enthält, und ein oder mehrere Inhaltsrepositories 414 zugreifen, die Inhalte speichern, die diesem Benutzer dargeboten werden können.
  • Die Suchmaschine 418 kann die Anforderung von dem Inhaltsserver empfangen und kann einen Suchergebnissatz der Inhaltsartikel bestimmen, der mehrere Artikelkategorien beinhaltet. Die Suchmaschine 418 kann den Suchergebnissatz der Inhalte von dem Inhaltsserver empfangen oder kann den Inhaltsdatenspeicher 414 oder den Datenspeicher 420 nach mit einer empfangenen Suchabfrage übereinstimmenden Inhaltsartikeln durchsuchen. Da der Suchergebnissatz mehreren verschiedenen Kategorien von Informationen zugeordnet ist, kann die Suchmaschine 418 bestimmen, dass hierin beschriebene Techniken angewendet werden sollen, um sicherzustellen, dass dem Benutzer ein visuell vielfältiger repräsentativer Abbildungssatz für den Satz von Suchergebnissen dargestellt wird. Dementsprechend kann die Suchmaschine 418 den Ergebnissatz zur Identifizierung und Auswahl einer Vielzahl von Kategorien, in die der Ergebnissatz segmentiert werden soll, an einer Kategorieauswahlkomponente 422 bereitstellen. Die Suchmaschine kann durch eine beliebige geeignete Weise eine Schnittstelle mit der Kategorieauswahlkomponente 422 bilden, um die hierin beschriebene Funktionalität durchzuführen.
  • Die Kategorieauswahlkomponente 422 kann verwendet werden, um Arten von Kategorien zu identifizieren, die einem Ergebnis zugeordnet sind, eine Einstufung der Arten von Kategorien zu bestimmen und die Kategorien zur Segmentierung des Ergebnissatzes auszuwählen, wie hierin in Bezug auf 2C beschrieben. Beispielsweise kann die Kategorieauswahlkomponente 422 den Ergebnissatz der Artikel analysieren, die der Suchabfrage zugeordnet sind, und sinnvolle hierarchische Querschnitte des Artikelergebnissatzes bestimmen und/oder sinnvolle Kategorien und Unterkategorien des Ergebnissatzes auswählen, um Kategorien zu identifizieren, die für den Suchergebnissatz ausgewählt und angezeigt werden sollen. Die Kategorieauswahlkomponente 422 kann Folgendes einschließen: gesammelte Benutzerdaten von anderen Benutzern, Sitzungsdaten des Benutzers, Benutzerprofildaten, Querschnitte von Benutzern mit ähnlichen Interessen oder ähnlichem Verhalten wie der Benutzer und/oder einem beliebigen anderen geeigneten Produkt, Browsen und/oder Informationen, die dem Anbieter bei dem Bestimmen, welche Arten von Kategorien ausgewählt werden sollen und in welche Arten von Kategorien der Ergebnissatz segmentiert werden soll, zur Verfügung stehen. Des Weiteren kann die Kategorieauswahlkomponente 422 die Reihenfolge bestimmen, in der die Kategorien angezeigt werden, sowie die Reihenfolge, in der die Abbildungen und/oder Artikel in Bezug auf jede Kategorie angezeigt werden. Beispielsweise können die Abbildungen und Kategorien gemäß einer Einstufungsbewertung, die durch die Kategorieauswahlkomponente bestimmt wird, von oben nach unten (für Kategorien) und links nach rechts (für Artikel innerhalb dieser Kategorien) dargestellt werden. Dementsprechend kann die Kategorieauswahlkomponente 422 jede der identifizierten Kategorien auf Grundlage des Artikelsatzes, der innerhalb jeder Ähnlichkeitsgruppierung ausgewählt wurde, und unter Verwendung von Folgendem einstufen: einer visuellen Ästhetik (z. B. auf Grundlage von gesammeltem vorangehenden Benutzerverhalten als Reaktion auf die Abbildungen), einer Anzahl von Artikeln innerhalb jeder der identifizierten Kategorien, einer Relevanz für die Suchabfrage und von Informationen über den oder über Benutzer mit ähnlichen Verhaltensmustern wie der Benutzer. Des Weiteren können in einigen Ausführungsformen Artikel, die anderweitig eine geringere Sichtbarkeit in dem Katalog aufweisen, jedoch erfolgreich waren, besonders verstärkt werden, um eine breitere Stichprobe des Ergebnissatzes bereitzustellen, als die, die Benutzer üblicherweise erfahren.
  • Dementsprechend kann die Kategorieauswahlkomponente 422 Folgendes an der Suchmaschine 418 ausgeben: einen Satz von Kategorien oder Arten von Kategorien, einen Satz von Artikeln aus dem Suchergebnissatz, die jedem Satz von Kategorien zugeordnet sind, eine Einstufung jede der Kategorien und/oder beliebige andere geeignete Informationen, um dies an einer visuellen Ähnlichkeitskomponente 424 bereitzustellen, um die visuelle Ähnlichkeit von Abbildungen innerhalb jeder ausgewählten Kategorie zu identifizieren, die durch die Kategorieauswahlkomponente 422 identifiziert wurde. Zusätzlich und/oder alternativ können/kann in einigen Ausführungsformen die Kategorien und/oder der Ergebnissatz, der jeder ausgewählten Kategorie zugeordnet ist, direkt an einer visuellen Ähnlichkeitskomponente 424 bereitgestellt werden, die konfiguriert ist, um die visuelle Ähnlichkeit der Artikel innerhalb jeder ausgewählten Kategorie zu identifizieren.
  • Die visuelle Ähnlichkeitskomponente 424 kann verwendet werden, um die visuelle Ähnlichkeit zwischen einem Artikelsatz innerhalb einer oder mehrere der ausgewählten Kategorien zu bestimmen. Die visuelle Ähnlichkeitskomponente 424 kann beliebige geeignete Abbildungsvergleichstechniken zum Identifizieren einer visuellen Ähnlichkeit zwischen einem Ergebnissatz innerhalb einer oder mehrerer ausgewählten Kategorien verwenden. Beispielsweise kann die visuelle Ähnlichkeitskomponente einen Datenspeicher 420 verwenden, der eingerichtet wurde, um einen oder mehrere Merkmalsdeskriptoren einzuschließen, um Merkmale einer Abbildung zu beschreiben (wie etwa eine Farbe, einen Inhalt, eine Charaktere, ein Muster, einen Stil usw.). In einem Beispiel können die Merkmalsdeskriptoren durch ein neuronales Faltungsnetzwerk (convolutional neural network - CNN) erzeugt werden, das unter Verwendung von Abbildungen von Artikeln trainiert werden kann, die Metadaten beinhalten. Beispielsweise kann das CNN unter Verwendung von Folgendem trainiert werden, um eine Objekterkennung durchzuführen: Abbildungen von Artikeln, Medieninhalten, Leuten, Charakteren, Gesichtern, Automobilen, Booten, Flugzeugen, Gebäuden, Obst, Vasen, Vögeln, Tieren, Möbeln, Kleidung usw. In bestimmten Ausführungsformen kann das Trainieren eines CNN eine erhebliche Verwendung von Rechenressourcen und Zeit beinhalten, sodass dies einem Vorbereitungsschritt zum Bedienen von Suchabfragen entsprechen kann, und/oder in Bezug auf das Bedienen von Suchabfragen relativ unregelmäßig und/oder gemäß einem Zeitplan durchgeführt werden. Ein beispielhafter Prozess zum Trainieren eines CNN zum Erzeugen von Deskriptoren, die visuelle Merkmale einer Abbildung in einer Sammlung von Abbildungen beschreiben, beginnt mit dem Aufbauen eines Satzes von Trainingsabbildungen. Gemäß verschiedener Ausführungsformen kann jede Abbildung in dem Satz von Trainingsabbildungen einer Objektmarkierung zugeordnet sein, die ein Objekt, das in der Abbildung abgebildet ist, oder ein Thema beschreibt, das in der Abbildung dargestellt ist. Gemäß einigen Ausführungsformen können sich Trainingsabbildungen und entsprechende Trainingsobjektmarkierungen in einem Datenspeicher 420 befinden, der Abbildungen einer Anzahl von verschiedenen Objekten beinhaltet, wobei jede Abbildung Metadaten beinhalten kann. Die Metadaten können zum Beispiel den Titel und eine Beschreibung beinhalten, die den Objekten zugeordnet sind. Die Metadaten können verwendet werden, um Objektmarkierungen zu erzeugen, die verwendet werden können, um ein oder mehrere Objekte oder Themen zu markieren, die in der Abbildung dargestellt sind.
  • Die visuelle Ähnlichkeitskomponente 424 kann eine Trainingskomponente beinhalten, die den Trainingsdatensatz (d. h. die Abbildungen und zugeordneten Markierungen) verwendet kann, um das CNN zu trainieren. Gemäß verschiedenen Ausführungsformen kann das CNN verwendet werden, um Artikel (z. B. Produkte, Szenen, Charaktere usw.) in einer Abbildung zu bestimmen. Wie nachfolgend beschrieben, beinhalten die CNNs verschiedene Lernschichten in deren Architektur. Eine Anforderungsabbildung aus dem Trainingsdatensatz wird unter Verwendung des CNN analysiert, um einen Merkmalsvektor aus dem Netzwerk vor der Klassifizierungsschicht zu extrahieren. Dieser Merkmalsvektor beschreibt Artikel, die in der Abbildung gezeigt sind. Dieser Prozess kann für jede der Abbildungen in dem Datensatz umgesetzt werden und die resultierenden Merkmalsvektoren können in einem Datenspeicher 420 gespeichert und durch die visuelle Ähnlichkeitskomponente 424 verwendet werden, um visuell ähnliche Abbildungen innerhalb eines Ergebnissatzes zu identifizieren.
  • Wenn zusätzliche Artikel in Bezug auf den Datenspeicher 420 hinzugefügt werden, können die Abbildungen, die diesen Artikeln zugeordnet sind, analysiert werden und können Objektdeskriptoren und/oder Merkmalsdeskriptoren, die den Abbildungen zugeordnet sind, bestimmt werden. Beispielsweise kann ein Satz von Objektdeskriptoren für die Abbildung erhalten oder bestimmt werden, wenn die Abbildung empfangen wird. Wenn die Abbildung nicht Teil eines elektronischen Katalogs ist und nicht bereits zugeordnete Merkmalsdeskriptoren aufweist, kann das System zum Beispiel auf dieselbe und/oder eine ähnliche Weise Merkmalsdeskriptoren für die Abbildung erzeugen, wie die Merkmalsdeskriptoren für die Sammlung von Abbildungen erzeugt werden, wie beschrieben. Wenn die Abbildung bereits Teil der Sammlung ist, können die Merkmalsdeskriptoren für die Abbildung außerdem zum Beispiel aus dem angemessenen Datenspeicher erhalten werden. Unter Verwendung der geclusterten Merkmalsvektoren und entsprechenden visuellen Wörter, die für die Trainingsabbildungen bestimmt wurden, kann der Markmalsvektor der Abbildung bestimmt und zur späteren Verwendung als der Abbildung zugeordnet gespeichert werden. Die Abbildung kann außerdem unter Verwendung des CNN analysiert werden, um einen Merkmalsvektor aus dem Netzwerk zu extrahieren, wobei der Merkmalsvektor den Artikel beschreibt, der in der Abbildung dargestellt wird.
  • Dementsprechend kann die visuelle Ähnlichkeitskomponente 424 die Merkmalsvektoren verwenden, die in dem Datenspeicher 420 gespeichert und jeder Abbildung zugeordnet sind, um eine visuelle Ähnlichkeit der Abbildungen in dem Ergebnissatz zu bestimmen. Da Merkmalsvektoren bestimmt wurden, kann das Vergleichen der Abbildungen zum Beispiel durch Vergleichen der Merkmalsvektoren der Abbildungen eines Ergebnissatzes erzielt werden. Gemäß einigen Ausführungsformen werden Skalaproduktvergleiche der Merkmalsvektoren der Abbildungen des Ergebnissatzes durchgeführt. Die Skalaproduktvergleiche werden dann auf Ähnlichkeitsbewertungen normiert. Wie beschrieben, beinhaltet ein Merkmalsvektor einen oder mehrere Merkmalsdeskriptoren. Nachdem die Ähnlichkeitsbewertungen zwischen den verschiedenen Arten von Merkmalsvektoren der Abbildungen berechnet wurden, können die Ähnlichkeitsbewertungen kombiniert werden. Beispielweise können die Ähnlichkeitsbewertungen durch eine Linearkombination oder durch einen baumbasierten Vergleich kombiniert werden, der die Kombinationen lernt. Es versteht sich, dass anstelle eines Skalaproduktvergleichs eine beliebige Abstandsmetrik verwendet werden könnte, um einen Abstand zwischen den verschiedenen Arten von Merkmalsdeskriptoren zu bestimmen, wie etwa durch Bestimmen des euklidischen Abstands zwischen den Merkmalsdeskriptoren.
  • In einigen Ausführungsformen kann die visuelle Ähnlichkeitskomponente 424 eine Gewichtungskomponente beinhalten, die konfiguriert ist, um Gewichtungen für die verschiedenen Arten von Ähnlichkeitsbewertungen zu berechnen. Beispielsweise kann eine Gewichtung für jede Dimension (Farbe, Größe, Form, Beschaffenheit, Muster, Merkmalsdeskriptoren usw.) in einem Bereich zwischen 0 und 1 liegen. Durch eine Gewichtung von null wird verhindert, dass diese Dimension verwendet wird, um visuell miteinander in Bezug stehende Inhaltsartikel zu identifizieren, und durch eine Gewichtung von eins wird die Beeinflussung durch diese Dimension maximiert. Wie vorangehend beschrieben, identifiziert jedoch keine Dimension alleine angemessen visuell miteinander in Bezug stehende Artikel. Dementsprechend kann eine minimale Gewichtung für jede Dimension definiert werden. In einigen Ausführungsformen kann die minimale Gewichtung durch Analysieren von empfohlenen visuell miteinander in Bezug stehenden Artikeln, eine Benutzerrückmeldung oder anderen Rückmeldungsquellen heuristisch bestimmt werden. Nachdem die kombinierten Ähnlichkeitsbewertungen bestimmt wurden, kann ein Satz von nächsten Merkmalsvektoren ausgewählt werden, um jede der Ähnlichkeitsgruppen für jeden Teilsatz von Artikeln zu erhalten.
  • Dementsprechend kann die visuelle Ähnlichkeitskomponente 424 Gruppierungen visuell ähnlicher Artikel innerhalb jedes Satzes von ausgewählten Kategorien an der Suchmaschine 418 ausgeben, um diese an einer Abbildungsauswahlkomponente 426 bereitzustellen, um die Abbildungen zu identifizieren, die aus jeder Ähnlichkeitsgruppierung ausgewählt werden sollen. Zusätzlich und/oder alternativ können die Ähnlichkeitsgruppierungen von Artikeln innerhalb jeder Teilmenge, die jeder ausgewählten Kategorie zugeordnet sind, in einigen Ausführungsformen direkt an der Abbildungsauswahlkomponente 426 bereitgestellt werden, die konfiguriert ist, um die visuell vielfältigen Abbildungen zur Anzeige einzustufen, auszuwählen und zu organisieren.
  • Die Abbildungsauswahlkomponente 426 kann die Ähnlichkeitsgruppierungen von visuell ähnlichen Artikeln verwenden, um einen oder mehrere der Artikel aus jeder der Gruppierungen auszuwählen. Die Abbildungsauswahlkomponente kann einen beliebigen geeigneten Prozess zum Identifizieren und Auswählen einer Abbildung aus jeder der Gruppierungen verwenden. Beispielsweise kann die Abbildungsauswahlkomponente 426 jede der Abbildungen innerhalb jeder Ähnlichkeitsgruppe einstufen und die am höchsten eingestufte Abbildung aus jeder der Gruppierungen auswählen. Bei der Einstufung kann Folgendes berücksichtigt werden: eine Relevanz für die Suchabfrage, eine Relevanz für den Benutzer auf Grundlage von dem Benutzer zugeordneten Verhaltensdaten, Verhaltensdaten, die einer gesammelten Benutzeraktivität über den Anbieter im Zeitverlauf zugeordnet sind, und/oder beliebige andere relevante Informationen. Des Weiteren kann die Abbildung auf Grundlage der Platzierung innerhalb der Ähnlichkeitsgruppierungen ausgewählt werden, die durch die visuelle Ähnlichkeitskomponente 424 bereitgestellt werden. Beispielsweise kann die Abbildungsauswahlkomponente in einigen Ausführungsformen für jede Gruppierung den Artikel auswählen, der am nächsten an der Mitte der Abbildungsähnlichkeitsgruppierung liegt. Des Weiteren kann die Abbildungsauswahlkomponente verschiedene Auswahltechniken auf Grundlage der Anzahl von Abbildungen umsetzen, die aus jeder Gruppierung ausgewählt werden sollen. Beispielsweise können in einigen Ausführungsformen mehrere Artikel aus jeder Gruppierung ausgewählt werden, um weiterhin visuell vielfältige Artikel bereitzustellen, jedoch mehr Beispiele aus den Querschnitten der Daten bereitzustellen. Dementsprechend können in einigen Ausführungsformen zwei oder mehr Artikel aus jeder Gruppierung ausgewählt werden und können diese Artikel durch Heranziehen von zwei Artikeln ausgewählt werden, die den Abbildungen zugeordnet sind, die am wenigsten Ähnlichkeit aufweisen (d. h. innerhalb der Gruppierung am weitesten voneinander weg sind), oder können auf Grundlage einer Einstufung ausgewählt werden, ohne die Ähnlichkeit zwischen Artikeln innerhalb der Ähnlichkeitsgruppierungen zu berücksichtigen.
  • Des Weiteren kann die Abbildungsauswahlkomponente 426 in einigen Ausführungsformen die Vielfältigkeit und/oder Ähnlichkeit von Abbildungen in diesen ausgewählten Abbildungen aus jeder der Kategorieähnlichkeitsuntergruppierungen vergleichen, bevor die ausgewählten Abbildungen zur Anzeige bereitgestellt werden. Beispielsweise kann in einigen Ausführungsformen der vielfältige Satz von Artikeln, die aus jeder Ähnlichkeitsuntergruppierung ausgewählt wurden, die jeder der Kategorien zugeordnet ist, miteinander innerhalb derselben Kategorie oder innerhalb von mehreren Kategorien verglichen werden, bevor die Abbildungen dargestellt werden. Somit kann die Abbildungsauswahlkomponente die ausgewählten Abbildungen zwischen repräsentativen Sätzen von visuell vielfältigen Artikeln vergleichen, um sicherzustellen, dass keine doppelten Abbildungen zwischen zwei oder mehr repräsentativen Sätzen vorhanden sind, die dem Ergebnissatz zugeordnet sind. Zum Beispiel können die Ähnlichkeitsbewertungen verglichen oder ein neuer Ähnlichkeitsvergleich mit verschiedenen hervorgehobenen Dimensionen und/oder Merkmalen erzielt werden, um sicherzustellen, dass die Abbildungen über den endgültigen Ergebnissatz hinweg aus zur Anzeige ausgewählten visuell vielfältigen Abbildungen ausreichend vielfältig sind. Ferner können die Produktidentifikatoren (z. B. Produktanzahlen, Namen usw.) in einigen Ausführungsformen verglichen werden, um sicherzustellen, dass nicht dasselbe Produkt angezeigt wird und/oder nicht zwei Abbildungen angezeigt werden, die demselben Produkt zugeordnet sind. Wenn die Objekte dieselben sind oder wenn die Abbildungen über ausgewählte Abbildungen hinweg zu ähnlich sind, kann die Abbildungsauswahlkomponente 426 einen Ersatzartikel aus der Ähnlichkeitsgruppierung zum Repräsentieren der Ähnlichkeitsgruppe erhalten. Sobald die visuell vielfältigen Artikel ausgewählt wurden, können die Artikel und/oder Abbildungen, die den Artikeln zugeordnet sind, an der Suchmaschine 418 ausgegeben werden, um diese an der Rechenvorrichtung bereitzustellen.
  • Dementsprechend kann die Suchmaschine 418 den Satz von visuell vielfältigen Artikeln und/oder Abbildungen, die diesen Artikeln zugeordnet sind, dem Benutzer durch eine Antwort an der Rechenvorrichtung 402 ausgeben. Somit kann der Benutzer als Reaktion auf die Suchabfrage einen Ergebnissatz aus dem Katalog von Artikeln (z. B. Produkten, Medien, Diensten usw.) empfangen, welcher der Suchabfrage zugeordnet ist und einen repräsentativen, vielfältigen und interessanten Querschnitt der Suchergebnisse zur Ansicht darstellt.
  • 5 veranschaulicht einen beispielhaften Prozess 500 zum Auswählen eines vielfältigen Satzes von repräsentativen Abbildungen, die einem Ergebnissatz einer Suchabfrage zugeordnet sind, der gemäß verschiedenen Ausführungsformen verwendet werden kann. Wie in 5 gezeigt, kann eine Suchabfrage empfangen 502 werden. Wie erörtert, kann die Suchabfrage z. B. durch Übermitteln eines Text-Suchzeichenfolge usw. von einer Benutzervorrichtung empfangen werden. Die Suchabfrage ist einem Artikelsatz eines Artikelkatalogs zugeordnet, der durch einen elektronischen Marktplatz bereitgestellt ist. Beispielsweise kann die Suchabfrage für eine Film-Franchise sein und kann der Artikelsatz der Film-Franchise zugeordnet sein. Als Reaktion auf Empfangen der Suchabfrage kann der Artikelsatz bestimmt 504 werden. Der Artikelsatz kann einer Vielzahl von Kategorien zugeordnet sein (z. B. Filmen, Fernsehsendungen, Kleidung, Novelty-Geschenken, Spielzeug usw.). Es kann bestimmt 506 werden, ob der Ergebnissatz eine Schwellenanzahl von Kategorien (z. B. mehrere Kategorien) beinhaltet. Wenn der Ergebnissatz nicht mehrere Kategorien oder eine Schwellenanzahl von Kategorien beinhaltet, kann der Ergebnissatz angezeigt 508 werden. Wenn der Ergebnissatz jedoch mehreren Kategorien oder einer Schwellenanzahl von Kategorien zugeordnet ist, können die Kategorien des Ergebnissatzes identifiziert 510 werden. Zumindest eine Kategorie oder Unterkategorie des Ergebnissatzes kann auf Grundlage einer Einstufung der Kategorien ausgewählt 512 werden, die dem Ergebnissatz zugeordnet sind. Die Anzahl von Kategorien, die ausgewählt werden, kann auf der Größe und/oder den Dimensionen der Benutzervorrichtung basieren. Es können visuell miteinander in Bezug stehende Abbildungsteilsätze für jede ausgewählte Kategorie identifiziert 514 werden. Die Abbildungen in jedem der Teilsätze von visuell miteinander in Bezug stehenden Abbildungen können eingestuft 516 werden. Sobald die visuell miteinander in Bezug stehenden Teilsätzen eingestuft wurden, kann eine Abbildung aus jedem visuell miteinander in Bezug stehenden Abbildungsteilsatz für jede ausgewählte Kategorie auf Grundlage der Abbildungseinstufung ausgewählt 518 werden. Die Anzahl von aus jedem Teilsatz von visuell in Bezug stehenden Abbildungen kann auf Grundlage der Größe und Dimensionen der Benutzervorrichtung bestimmt werden. Sobald ein visuell vielfältiger Abbildungsteilsatz ausgewählt wurde, kann der visuell vielfältige Abbildungsteilsatz für jede ausgewählte Kategorie angezeigt 520 werden.
  • 6 veranschaulicht einen beispielhaften Prozess 600 zum Bestimmen von Gruppierungen von visuell miteinander in Bezug stehenden Artikeln und Verwenden der Gruppierungen von visuell miteinander in Bezug stehenden Artikeln zum Auswählen von visuell vielfältigen Artikeln über Kategorien hinweg, die sich auf einen Satz von Ergebnissen beziehen und die gemäß verschiedenen Ausführungsformen verwendet werden können. Wie in 6 gezeigt, kann ein Ergebnissatz erhalten 602 werden, der einer Suchabfrage zugeordnet ist. Der Ergebnissatz kann analysiert 604 werden, um Ergebniskategorien zu bestimmen, die dem Ergebnissatz zugeordnet sind. Sobald die Ergebniskategorien bestimmt wurden, können die Kategorien eingestuft 606 werden. Beispielsweise die Einstufung jeder der Vielzahl von Kategorien zumindest teilweise auf Grundlage von zumindest einem von einer Anzahl von Artikeln in jeder der Vielzahl von Kategorien, einer Relevanzbewertung für die Artikel in jeder der Vielzahl von Kategorien und von Verhaltensmustern von Benutzern mit den Artikeln in jeder der Vielzahl von Kategorien. Sobald die Kategorien eingestuft wurden, kann eine vorbestimmte Anzahl von am höchsten eingestuften Kategorien zur Anzeige ausgewählt 608 werden. In einigen Ausführungsformen kann die vorbestimmte Anzahl von am höchsten eingestuften Kategorien zumindest teilweise auf einem von einer Art oder einer Größe des Anzeigeelements der Rechenvorrichtung basieren. Abbildungen, die jeder ausgewählten Kategorie zugeordnet sind, können erhalten 610 werden. Beispielsweise kann in einigen Ausführungsformen zumindest ein Artikelteilsatz, der zumindest einer der Vielzahl von Kategorien zugeordnet ist, ausgewählt und zumindest ein Abbildungssatz erhalten werden, welcher dem zumindest einen Artikelteilsatz entspricht, der den entsprechenden ausgewählten Artikelkategorien zugeordnet ist. In einigen Ausführungsformen kann jede Abbildung des zumindest einen Abbildungssatzes analysiert werden, um entsprechende visuelle Attribute zu bestimmen, wobei die entsprechenden visuellen Attribute einem oder mehreren visuellen Aspekten einer entsprechenden Abbildung entsprechen. Beispielweise können eine oder mehrere der Vielzahl von Abbildungen auf Grundlage davon, dass eine visuelle Qualitätsbewertung der entsprechenden Abbildung unter einer Qualitätsschwelle liegt, entfernt 612 werden. Die visuelle Qualitätsbewertung kann auf Grundlage der Anzahl von Pixeln in der Abbildung, den Dimensionen und/oder der Größe der Abbildung, des Dateiformats und/oder des Komprimierungsformats, das für eine Datei verwendet wird, die der Abbildung zugeordnet ist, und/oder durch ein beliebiges anderes Verfahren bestimmt werden. Beispielsweise kann die visuelle Ähnlichkeitskomponente konfiguriert sein, um jede Abbildung in dem Abbildungsergebnissatz, um eine visuelle Qualitätsbewertung für jede Abbildung auf Grundlage von Eigenschaften der Abbildung selbst (z. B. Schärfe, Rauschen in den Abbildungen (z. B. Pixelebenenabweichungen in den digitalen Abbildungen) usw.) zu bestimmen. Zusätzlich und/oder alternativ kann die visuelle Ähnlichkeitskomponente eine visuelle Qualitätsbewertung für jede Abbildung auf Grundlage von Eigenschaften der gespeicherten Bilddatei (z. B. den Dimensionen der Abbildung, der Menge an Informationen in der Abbildung, der Komprimierungstechnik für die Datei usw.) bestimmen.
  • Ferner können die Abbildungen in einigen Ausführungsformen analysiert werden, um entsprechende visuelle Ähnlichkeitsbewertungen für jede Abbildung jeder ausgewählten Kategorie zu bestimmen 614. In einigen Ausführungsformen kann ein Satz von Ähnlichkeitsbewertungen für jede Abbildung zumindest teilweise auf Grundlage der entsprechenden visuellen Attribute bestimmt werden, wobei die visuelle Ähnlichkeitsbewertung eine visuelle Ähnlichkeit einer Abbildung aus dem entsprechenden Abbildungssatz zu einer anderen Abbildung des entsprechenden Abbildungssatzes anzeigen kann. In einigen Ausführungsformen kann eine Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln für den entsprechenden Abbildungssatz zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung erzeugt oder identifiziert 616 werden. In einigen Ausführungsformen kann die Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln durch Folgendes erzeugt werden: Identifizieren einer vorbestimmten Anzahl von visuell vielfältigen Abbildungen, die für jede entsprechende Kategorie ausgewählt werden sollen, und Segmentieren des entsprechenden Abbildungssatzes in eine vorbestimmte Anzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln, wobei die vorbestimmte Anzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln der vorbestimmten Anzahl von visuell vielfältigen Abbildungen entspricht, die für jede entsprechende Kategorie ausgewählt werden sollen. Eine Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln kann auf Grundlage eines Abbildungseinstufungsalgorithmus ausgewählt 618 werden. In einigen Ausführungsformen kann der Abbildungseinstufungsalgorithmus jede Abbildung des Abbildungsteilsatzes zumindest teilweise auf Grundlage von zumindest einem von Folgendem einstufen: einem Benutzer zugeordneten Sitzungsdaten, einer Relevanzbewertung für den der entsprechenden Abbildung zugeordneten Inhaltsartikel und von Verhaltensmustern von Benutzern mit dem Inhaltsartikel, welcher der entsprechenden Abbildung zugeordnet ist. Sobald die ausgewählten visuell vielfältigen Abbildungen ausgewählt wurden, können die visuell vielfältigen Abbildungen für jede der Kategorien angezeigt 620 werden. In einigen Ausführungsformen kann der Satz von visuell vielfältigen Artikeln zum Beispiel auf einem Anzeigeelement einer Rechenvorrichtung angezeigt werden.
  • 7 veranschaulicht eine beispielhafte Rechenvorrichtung 700, die gemäß verschiedenen Ausführungsformen verwendet werden kann. Wenngleich eine tragbare Rechenvorrichtung (z. B. ein Smartphone, ein E-Book-Reader oder Tablet-Computer) gezeigt ist, versteht es sich, dass jede beliebige Vorrichtung, die zum Empfangen und Verarbeiten von Eingaben in der Lage ist, gemäß verschiedenen hierin erörterten Ausführungsformen verwendet werden kann. Zu den Vorrichtungen können unter anderem zum Beispiel Desktop-Computer, Notebook-Computer, E-Book-Reader, Personal Data Assistants, Mobiltelefone, Videospielkonsolen oder -controller, Wearable Computers (z. B. Smart Watches oder Glasses), Set-Top-Boxen für Fernsehgeräte und tragbare Medienabspielgeräte gehören.
  • In diesem Beispiel weist die Rechenvorrichtung 700 einen Anzeigebildschirm 704 und ein Außengehäuse 702 auf. Während des Normalbetriebs zeigt der Anzeigebildschirm einem Benutzer (oder Betrachter), der dem Anzeigebildschirm zugewandt ist (sich z. B. auf derselben Seite der Rechenvorrichtung befindet wie der Anzeigebildschirm) Informationen an. Wie hierin erörtert, kann die Vorrichtung eine oder mehrere Kommunikationskomponenten 706 beinhalten; diese kann zum Beispiel ein Mobilfunkkommunikationsteilsystem, WLAN-Kommunikationssubsystem, BLUETOOTH®-Kommunikationssubsystem und dergleichen beinhalten. 8 veranschaulicht einen Satz von grundlegenden Komponenten einer Rechenvorrichtung 800, wie etwa der in Bezug auf 7 beschriebenen Vorrichtung 700. In diesem Beispiel beinhaltet die Vorrichtung zumindest einen Prozessor 802 zum Ausführen von Anweisungen, die in einer Speichervorrichtung oder einem Speicherelement 804 gespeichert sein können. Wie es für den Durchschnittsfachmann ersichtlich ist, kann die Vorrichtung viele Arten von Speicher, Datenspeicher oder computerlesbaren Medien beinhalten, wie etwa einen ersten Datenspeicher für Programmanweisungen zur Ausführung durch den zumindest einen Prozessor 802, kann für Bilder oder Daten der gleiche oder ein gesonderter Speicher verwendet werden, kann ein Wechselspeicher zum Teilen von Informationen mit anderen Vorrichtungen verfügbar sein und kann eine beliebige Anzahl von Kommunikationsansätzen zum Teilen mit anderen Vorrichtungen verfügbar sein. Die Vorrichtung beinhaltet üblicherweise zumindest eine Art von Anzeigeelement 806, wie etwa einen Touchscreen, elektronische Tinte (e-ink), eine organische Leuchtdiode (organic light emitting diode - OLED) oder Flüssigkristallanzeige (liquid crystal display - LCD), wenngleich Vorrichtungen wie etwa tragbare Medienabspielgeräte Informationen über andere Mittel übertragen können, wie etwa durch Audiolautsprecher. Die Vorrichtung kann zumindest eine Kommunikationskomponente 808, wie sie aktiviert sein kann, drahtgebundene und/oder drahtlose Kommunikation von Sprach- und/oder Datensignalen, zum Beispiel über ein Netzwerk, wie etwa das Internet, ein Mobilfunknetzwerk, ein WLAN-Netzwerk, BLUETOOTH®, und dergleichen beinhalten. Die Vorrichtung kann zumindest eine zusätzliche Eingabevorrichtung 810 beinhalten, die dazu in der Lage ist, herkömmliche Eingaben von einem Benutzer zu empfangen. Diese herkömmlichen Eingaben können zum Beispiel eine Drucktaste, ein Touchpad, einen Touchscreen, ein Rad, einen Joystick, eine Tastatur, eine Maus, ein Trackball, eine Kamera, ein Mikrofon, ein Tastenfeld oder eine beliebige andere derartige Vorrichtung oder ein beliebiges anderes derartiges Element einschließen, wodurch ein Benutzer einen Befehl an die Vorrichtung eingeben kann. Diese E/A-Vorrichtungen könnten zudem in einigen Ausführungsformen auch durch eine drahtlose Infrarot- oder Bluetooth- oder andere Verknüpfung verbunden sein. In einigen Ausführungsformen beinhaltet eine solche Vorrichtung jedoch unter Umständen keinerlei Tasten und wird lediglich durch eine Kombination aus visuellen Befehlen und Audiobefehlen gesteuert, sodass ein Benutzer die Vorrichtung steuern kann, ohne die Vorrichtung berühren zu müssen.
  • Wie erörtert, können unterschiedliche Ansätze in verschiedenen Umgebungen gemäß den beschriebenen Ausführungsformen umgesetzt werden. 9 veranschaulicht zum Beispiel ein Beispiel für eine Umgebung 900 zum Umsetzen von Aspekten gemäß verschiedenen Ausführungsformen. Obwohl zu Zwecken der Erläuterung eine webbasierte Umgebung verwendet wird, versteht es sich, dass gegebenenfalls andere Umgebungen verwendet werden können, um verschiedene Ausführungsformen umzusetzen. Das System beinhaltet eine elektronische Client-Vorrichtung 902, die eine beliebige angemessene Vorrichtung beinhalten kann, die dazu betrieben werden kann, Aufforderungen, Benachrichtigungen oder Informationen über ein angemessenes Netzwerk 904 zu senden und zu empfangen und Informationen zurück an einen Benutzer der Vorrichtung zu übertragen. Zu Beispielen für derartige Client-Vorrichtungen gehören Personal Computer, Mobiltelefone, tragbare Messaging-Vorrichtungen, Laptop-Computer, Set-Top-Boxen, Personal Data Assistants, E-Book-Reader und dergleichen. Das Netzwerk kann ein beliebiges angemessenes Netzwerk beinhalten, darunter ein Intranet, das Internet, ein Mobilfunknetz, ein lokales Netzwerk oder ein beliebiges anderes derartiges Netzwerk oder eine Kombination davon. Komponenten, die für ein derartiges System verwendet werden, können zumindest teilweise von der Art des ausgewählten Netzwerks und/oder der ausgewählten Umgebung abhängig sein. Protokolle und Komponenten zum Kommunizieren über ein derartiges Netzwerk sind hinlänglich bekannt und werden hier nicht ausführlich erörtert. Kommunikation über das Netzwerk kann über drahtgebundene oder drahtlose Verbindungen und Kombinationen davon ermöglicht werden. In diesem Beispiel beinhaltet das Netzwerk das Internet, da die Umgebung einen Internetserver 906 zum Empfangen von Aufforderungen und Darbieten von Inhalt als Antwort darauf beinhaltet, wobei für andere Netzwerke eine alternative Vorrichtung, die einen ähnlichen Zweck erfüllt, verwendet werden könnte, wie es für den Durchschnittsfachmann ersichtlich ist.
  • Die veranschaulichte Umgebung beinhaltet zumindest einen Anwendungsserver 908 und einen Datenspeicher 910. Es versteht sich, dass mehrere Anwendungsserver, Schichten oder andere Elemente, Prozesse oder Komponenten vorliegen können, die verkettet oder anderweitig konfiguriert sein können und die interagieren können, um Aufgaben durchzuführen, wie etwa Erhalten von Daten von einem angemessenen Datenspeicher. Im hier verwendeten Sinne bezieht sich der Ausdruck „Datenspeicher“ auf eine beliebige Vorrichtung oder Kombination aus Vorrichtungen, die dazu in der Lage ist, Daten zu speichern, darauf zuzugreifen und diese abzurufen, was eine beliebige Kombination und Anzahl von Datenservern, Datenbanken, Datenspeichervorrichtungen und Datenspeichermedien in einer beliebigen standardmäßigen, verteilten oder geclusterten Umgebung einschießen kann. Der Anwendungsserver 908 kann eine beliebige angemessene Hardware und Software zum Integrieren mit dem Datenspeicher 910 beinhalten, wie es notwendig ist, um Aspekte von einer oder mehreren Anwendungen für die Client-Vorrichtung auszuführen und einen Großteil des Datenzugriffs und der Geschäftslogik für eine Anwendung zu handhaben. Der Anwendungsserver stellt Zugriffssteuerungsdienste in Zusammenwirkung mit dem Datenspeicher bereit und ist dazu in der Lage, Inhalte, wie etwa Text, Grafiken, Audio und/oder Video, zu erzeugen, die an den Benutzer übertragen werden und dem Benutzer durch den Internetserver 906 in diesem Beispiel in Form von HTML, XML oder einer anderen angemessenen strukturierten Sprache dargeboten werden können. Die Handhabung aller Anforderungen und Antworten sowie die Lieferung von Inhalten zwischen der Client-Vorrichtung 902 und dem Anwendungsserver 908 können durch den Internetserver 906 gehandhabt werden. Es versteht sich, dass der Internet- und Anwendungsserver nicht erforderlich sind und lediglich beispielhafte Komponenten sind, da hierin erörterter strukturierter Code auf jeder beliebigen angemessenen Vorrichtung oder Host-Maschine ausgeführt werden kann, wie es hierin an anderer Stelle erörtert ist.
  • Der Datenspeicher 910 kann mehrere getrennte Datentabellen, Datenbanken und andere Datenspeichermechanismen und Medien zum Speichern von Daten in Bezug auf einen speziellen Aspekt beinhalten. Beispielsweise beinhaltet der veranschaulichte Datenspeicher Mechanismen zum Speichern von Inhalten (z. B. Produktionsdaten) 912 und Benutzerinformationen 916, die dazu verwendet werden können, Inhalt für die Produktionsseite darzubieten. Es ist zudem gezeigt, dass der Datenspeicher einen Mechanismus zum Speichern von Protokoll- oder Sitzungsdaten 914 beinhaltet. Es versteht sich, dass viele andere Aspekte vorhanden sein können, die in dem Datenspeicher gespeichert werden müssen, wie etwa Seitenabbildungsinformationen und Zugangsrechteinformationen, die gegebenenfalls in einem beliebigen der vorangehend aufgelisteten Mechanismen oder in zusätzlichen Mechanismen in dem Datenspeicher 910 gespeichert werden können. Der Datenspeicher 910 kann durch diesem zugeordnete Logik betrieben werden, um Anweisungen von dem Anwendungsserver 908 zu empfangen und Daten als Reaktion darauf zu erhalten, zu aktualisieren oder anderweitig zu verarbeiten. In einem Beispiel kann ein Benutzer womöglich eine Suchanfrage nach einer gewissen Art von Artikel übermitteln. In diesem Fall kann der Datenspeicher auf die Benutzerinformationen zugreifen, um die Identität des Benutzers zu verifizieren, und kann auf die Katalogdetailinformationen zugreifen, um Informationen über Artikel dieser Art zu erhalten. Die Informationen können dann an den Benutzer ausgegeben werden, wie etwa in einer Ergebnisauflistung auf einer Internetseite, die der Benutzer über einen Browser auf der Benutzervorrichtung 902 einsehen kann. Informationen für einen speziellen Artikel von Interesse können auf einer dedizierten Seite oder in einem dedizierten Fenster des Browsers eingesehen werden.
  • Jeder Server beinhaltet üblicherweise ein Betriebssystem, das ausführbare Programmanweisungen für die allgemeine Verwaltung und den allgemeinen Betrieb dieses Servers bereitstellt, und beinhaltet üblicherweise ein computerlesbares Medium, auf dem Anweisungen gespeichert sind, die bei Ausführung durch einen Prozessor des Servers ermöglichen, dass der Server seine beabsichtigten Funktionen durchführt. Geeignete Umsetzungen für das Betriebssystem und die allgemeine Funktionalität der Server sind bekannt oder im Handel erhältlich und werden durch den Durchschnittsfachmann ohne Weiteres umgesetzt, insbesondere in Anbetracht der Offenbarung in dieser Schrift.
  • Die Umgebung ist in einer Ausführungsform eine verteilte Datenverarbeitungsumgebung unter Nutzung von mehreren Computersystemen und Komponenten, die über Kommunikationsverknüpfungen unter Verwendung von einem bzw. einer oder mehreren Computernetzwerken oder Direktverbindungen miteinander verbunden sind. Für den Durchschnittsfachmann ist jedoch ersichtlich, dass ein derartiges System in einem System mit einer geringeren oder größeren Anzahl von Komponenten als in 9 veranschaulicht gleichermaßen gut betrieben werden könnte. Somit sollte die Darstellung des Systems 900 in 9 als veranschaulichend und nicht einschränkend in Bezug auf den Umfang der Offenbarung erachtet werden.
  • Die verschiedenen Ausführungsformen können ferner in einer breiten Vielfalt von Betriebsumgebungen umgesetzt sein, zu denen in einigen Fällen ein oder mehrere Benutzercomputer oder Rechenvorrichtungen gehören können, die dazu verwendet werden können, eine beliebige Anzahl von Anwendungen zu betreiben. Benutzer- oder Client-Vorrichtungen können eine beliebige Anzahl von Universalcomputern beinhalten, wie etwa Desktop- oder Tablet-Computer, auf denen ein standardmäßiges Betriebssystem ausgeführt wird, sowie Mobilfunk-, drahtlose und tragbare Vorrichtungen, auf denen mobile Software ausgeführt wird und die dazu in der Lage sind, eine Reihe von Networking- und Messaging-Protokollen zu unterstützen. Ein derartiges System kann zudem eine Reihe von Workstations beinhalten, auf denen ein beliebiges aus einer Vielfalt von handelsüblichen Betriebssystemen und sonstige bekannte Anwendungen für Zwecke wie etwa Entwicklung und Datenbankverwaltung ausgeführt werden. Diese Vorrichtungen können zudem andere elektronische Vorrichtungen beinhalten, wie etwa Dummy Terminals, Thin Clients, Spielesysteme und andere Vorrichtungen, die dazu in der Lage sind, über ein Netzwerk zu kommunizieren.
  • Die meisten Ausführungsformen verwenden zumindest ein Netzwerk, das dem Fachmann bekannt ist, um Kommunikation unter Verwendung eines beliebigen aus einer Vielfalt von handelsüblichen Protokollen zu unterstützen, wie etwa TCP/IP, FTP, UPnP, NFS und CIFS. Das Netzwerk kann zum Beispiel ein lokales Netzwerk, ein Weitbereichsnetzwerk, ein virtuelles privates Netzwerk, das Internet, ein Intranet, ein Extranet, ein öffentliches Fernsprechwählnetz, ein Infrarot-Netzwerk, ein Drahtlosnetzwerk und eine beliebige Kombination davon sein.
  • In Ausführungsformen, die einen Internet-Server verwenden, kann der Internetserver beliebige aus einer Vielfalt von Server- oder Mid-Tier-Anwendungen ausführen, darunter HTTP-Server, FTP-Server, CGI-Server, Datenserver, Java-Server und Geschäftsanwendungsserver. Der bzw. die Server kann bzw. können zudem dazu in der Lage sein, Programme oder Skripte als Reaktion auf Anforderungen von Benutzervorrichtungen auszuführen, wie etwa durch Ausführen von einer oder mehreren Internetanwendungen, die als ein oder mehrere Skripte oder Programme umgesetzt sein können, die in einer beliebigen Programmiersprache geschrieben sind, wie etwa Java®, C, C# oder C++ oder einer beliebigen Skriptsprache wie etwa Perl, Python oder TCL sowie Kombinationen davon. Der bzw. die Server kann bzw. können zudem Datenbankserver beinhalten, zu denen unter anderem diejenigen gehören, die von Oracle®, Microsoft®, Sybase® und IBM® im Handel erhältlich sind.
  • Die Umgebung kann eine Vielfalt von Datenspeichern und anderem Speicher und anderen Speichermedien, wie vorangehend erörtert, beinhalten. Diese können an einer Vielfalt von Stellen angeordnet sein, wie etwa auf einem Speichermedium, das zu einem oder mehreren der Computer lokal (und/oder darin angeordnet) ist oder von beliebigen oder allen der Computer über das Netzwerk hinweg entfernt ist. In einem speziellen Satz von Ausführungsformen können die Informationen in einem Storage Area Network (SAN), das dem Fachmann bekannt ist, angeordnet sein. Gleichmaßen können beliebige erforderliche Dateien zum Durchführen der Funktionen, die den Computern, Servern oder anderen Netzwerkvorrichtungen zugeschrieben sind, gegebenenfalls lokal und/oder entfernt gespeichert werden. Wenn ein System computergestützte Vorrichtungen beinhaltet, kann jede derartige Vorrichtung Hardware-Element beinhalten, die über einen Bus elektrisch gekoppelt sein können, wobei die Elemente zum Beispiel zumindest eine zentrale Verarbeitungseinheit (central processing unit - CPU), zumindest eine Eingabevorrichtung (z. B. eine Maus, eine Tastatur, einen Controller, einen berührungsempfindlichen Bildschirm oder ein Tastenfeld) und zumindest eine Ausgabevorrichtung (z. B. eine Anzeigevorrichtung, einen Drucker oder einen Lautsprecher) beinhalten. Ein derartiges System kann zudem eine oder mehrere Speichervorrichtungen umfassen, wie etwa Plattenlaufwerke, optische Speichervorrichtungen und Solid-State-Speichervorrichtungen wie etwa Direktzugriffsspeicher (random access memory - RAM) oder Festwertspeicher (read-only memory - ROM) sowie entfernbare Medienvorrichtungen, Speicherkarten, Flash-Karten usw.
  • Derartige Vorrichtungen können zudem ein computerlesbares Speichermedien-Lesegerät, eine Kommunikationsvorrichtung (z. B. ein Modem, eine Netzwerkkarte (drahtlos oder drahtgebunden), eine Infrarot-Kommunikationsvorrichtung) und Arbeitsspeicher beinhalten, wie vorangehend beschrieben. Das computerlesbare Speichermedien-Lesegerät kann mit einem computerlesbaren Speichermedium, das entfernte, lokale, feste und/oder entfernbare Speichervorrichtungen sowie Speichermedien für vorübergehendes und/oder dauerhaftes Enthalten, Speichern, Übertragen und Abrufen von computerlesbaren Information darstellt, verbunden sein oder konfiguriert sein, um dieses aufzunehmen. Das System und die verschiedenen Vorrichtungen beinhalten zudem üblicherweise eine Anzahl von Softwareanwendungen, Modulen, Diensten oder anderen Artikeln, die innerhalb zumindest einer Arbeitsspeichervorrichtung angeordnet sind, einschließlich eines Betriebssystems und Anwendungsprogrammen, wie etwa einer Client-Anwendung oder eines Internetbrowsers. Es versteht sich, dass alternative Ausführungsformen zahlreiche Abwandlungen von der vorangehend beschriebenen aufweisen können. Beispielsweise kann zudem angepasste Hardware verwendet werden und/oder spezielle Elemente können in Hardware, Software (einschließlich portabler Software, wie etwa Applets) oder beiden umgesetzt sein. Ferner kann eine Verbindung zu anderen Rechenvorrichtungen, wie etwa Netzwerk-Eingabe/Ausgabe-Vorrichtungen, umgesetzt sein.
  • Speichermedien und andere nicht transitorische computerlesbare Medien, die Code oder Teile von Code enthalten, können beliebige angemessene Medien beinhalten, die auf dem Fachgebiet bekannt sind oder verwendet werden, wie etwa unter anderem flüchtige und nichtflüchtige, entfernbare und nicht entfernbare Medien, die in einem beliebigen Verfahren oder einer beliebigen Technik zur Speicherung von Informationen umgesetzt sind, wie etwa computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen oder anderen Daten, darunter RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnik, CD-ROM, Digital Versatile Disk (DVD) oder anderer optischer Speicher, Magnetkassetten, Magnetband, Magnetplattenspeicher oder andere Magnetspeichervorrichtungen oder ein beliebiges anderes Medium, das dazu verwendet werden kann, die gewünschten Information zu speichern, und auf das durch eine Systemvorrichtung zugegriffen werden kann. Auf Grundlage der Offenbarung und der hierin bereitgestellten Lehren versteht der Durchschnittsfachmann, dass andere Möglichkeiten und/oder Verfahren vorhanden sind, um die verschiedenen Ausführungsformen umzusetzen.
  • Die Beschreibung und die Zeichnungen sind dementsprechend in einem veranschaulichenden und nicht einschränkenden Sinne zu verstehen. Es versteht sich jedoch, dass verschiedene Modifikationen und Änderungen daran vorgenommen werden können, ohne vom weiteren Geist und Umfang der Erfindung abzuweichen, die in den Patentansprüchen dargelegt sind.
  • Beispiele für die Ausführungsformen der vorliegenden Offenbarung lassen sich in Anbetracht der folgenden Abschnitte beschreiben:
    • [0080] 1. Ein Verfahren, umfassend: Empfangen einer Suchabfrage, wobei die Suchabfrage einem Artikelsatz eines Artikelkatalogs zugeordnet ist, der durch einen elektronischen Marktplatz bereitgestellt ist; Bestimmen einer Vielzahl von Kategorien, die dem Artikelsatz zugeordnet sind; Auswählen von zumindest einem Artikelteilsatz, der zumindest einer der Vielzahl von Kategorien zugeordnet ist; Erhalten von zumindest einem Abbildungssatz, der dem zumindest einen Artikelteilsatz entspricht, der den entsprechenden ausgewählten Artikelkategorien zugeordnet ist; Analysieren von jeder Abbildung des zumindest einen Abbildungssatzes, um entsprechende visuelle Attribute zu bestimmen, wobei die entsprechenden visuellen Attribute einem oder mehreren visuellen Aspekten einer entsprechenden Abbildung entsprechen; Bestimmen eines Satzes von Ähnlichkeitsbewertungen für jede Abbildung des zumindest einen Abbildungssatzes zumindest teilweise auf Grundlage der entsprechenden visuellen Attribute, wobei eine visuelle Ähnlichkeitsbewertung eine visuelle Ähnlichkeit einer Abbildung aus dem entsprechenden Abbildungssatz zu einer anderen Abbildung des entsprechenden Abbildungssatzes anzeigt; Erzeugen einer Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln für den entsprechenden Abbildungssatz zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung; Auswählen eines Satzes von visuell vielfältigen Artikeln für jeden Abbildungssatz in jeder entsprechenden Kategorie, wobei der Satz von visuell vielfältigen Artikeln eine Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln beinhaltet; und Veranlassen, dass der Satz von visuell vielfältigen Artikeln auf einem Anzeigeelement einer Rechenvorrichtung angezeigt wird.
    • 2. Das Verfahren nach Absatz 1, ferner umfassend: Einstufen jeder der Vielzahl von Kategorien zumindest teilweise auf Grundlage von zumindest einem von einer Anzahl von Artikeln in jeder der Vielzahl von Kategorien, einer Relevanzbewertung für die Artikel in jeder der Vielzahl von Kategorien und von Verhaltensmustern von Benutzern mit den Artikeln in jeder der Vielzahl von Kategorien; und Auswählen der zumindest einen der Vielzahl von Kategorien zumindest teilweise auf Grundlage der Einstufung von jeder der Vielzahl von Kategorien.
    • 3. Das Verfahren nach Absatz 1, ferner umfassend: Entfernen von einer oder mehreren der Vielzahl von Abbildungen auf Grundlage davon, dass eine visuelle Qualitätsbewertung der entsprechenden Abbildung unter einer Qualitätsschwelle liegt.
    • 4. Das Verfahren nach Absatz 1, wobei das Erzeugen einer Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung ferner Folgendes umfasst: Identifizieren einer vorbestimmten Anzahl von visuell vielfältigen Artikeln, die für jede entsprechende Kategorie ausgewählt werden sollen; und Segmentieren des entsprechenden Abbildungssatzes in eine vorbestimmte Anzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln, wobei die vorbestimmte Anzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln der vorbestimmten Anzahl von visuell vielfältigen Artikeln entspricht, die für jede entsprechende Kategorie ausgewählt werden sollen, und der Abbildungssatz zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung segmentiert wird.
    • 5. Verfahren nach Absatz 2, wobei das Auswählen von zumindest einer der Kategorien zumindest teilweise auf Grundlage der Einstufung von jeder Kategorie ferner Folgendes umfasst: Auswählen einer vorbestimmten Anzahl von am höchsten eingestuften Kategorien, wobei die vorbestimmte Anzahl zumindest teilweise auf einem von einer Art oder einer Größe des Anzeigeelements der Rechenvorrichtung basiert.
    • 6. Eine Server-Rechenvorrichtung, umfassend: einen Server-Rechenvorrichtungsprozessor; eine Speichervorrichtung, die Anweisungen beinhaltet, die, wenn sie durch den Server-Rechenvorrichtungsprozessor ausgeführt werden, die Server-Rechenvorrichtung zu Folgendem veranlassen: Empfangen einer Suchabfrage, wobei die Suchabfrage einem Satz von Inhaltsartikeln zugeordnet ist; Identifizieren eines Teilsatzes des Satzes von Inhaltsartikeln; Erhalten eines Abbildungsteilsatzes, der dem Teilsatz von Inhaltsartikeln entspricht, wobei jede Abbildung des Abbildungsteilsatzes eine Darstellung eines Inhaltsartikels aus dem Teilsatz von Inhaltsartikeln beinhaltet; Analysieren von jeder Abbildung des Abbildungsteilsatzes, um entsprechende visuelle Attribute zu bestimmen, wobei die entsprechenden visuellen Attribute einem oder mehreren visuellen Aspekten einer entsprechenden Abbildung entsprechen; Auswählen eines repräsentativen Satzes von visuell vielfältigen Artikeln für den Abbildungsteilsatz, wobei der repräsentative Satz von visuell vielfältigen Artikeln zumindest teilweise auf Grundlage der entsprechenden visuellen Attribute jeder entsprechenden Abbildung ausgewählt wird; und Veranlassen, dass der repräsentative Satz von visuell vielfältigen Artikeln auf einem Anzeigeelement einer Rechenvorrichtung angezeigt wird.
    • 7. Die Rechenvorrichtung nach Absatz 6, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Bestimmen eines Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung des Abbildungssatzes zumindest teilweise auf Grundlage der entsprechenden visuellen Attribute, wobei eine visuelle Ähnlichkeitsbewertung eine visuelle Ähnlichkeit einer Abbildung aus dem Abbildungssatz zu einer anderen Abbildung des Abbildungssatzes anzeigt, wobei der repräsentative Satz von visuell vielfältigen Artikeln zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung des Abbildungssatzes basiert.
    • 8. Die Rechenvorrichtung nach Absatz 7, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Erzeugen einer Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung, wobei der Satz von repräsentativen visuell vielfältigen Artikeln durch Einschließen einer Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln ausgewählt wird.
    • 9. Die Rechenvorrichtung nach Absatz 8, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Einstufen jeder Abbildung des Abbildungsteilsatzes zumindest teilweise auf Grundlage von zumindest einem von einem Benutzer zugeordneten Sitzungsdaten, einer der entsprechenden Abbildung zugeordneten Relevanzbewertung für den Inhaltsartikel und von der entsprechenden Abbildung zugeordneten Verhaltensmustern von Benutzern mit dem Inhaltsartikel, wobei die Auswahl der einen Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln zumindest teilweise auf der Einstufung jeder entsprechenden Abbildung basiert.
    • 10. Die Rechenvorrichtung nach Absatz 6, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Entfernen von einem oder mehreren der Abbildungsteilsätze auf Grundlage davon, dass eine visuelle Qualitätsbewertung der entsprechenden Abbildung unter einer Qualitätsschwelle liegt.
    • 11. Die Rechenvorrichtung nach Absatz 6, wobei das Identifizieren eines Teilsatzes aus dem Satz von Inhaltsartikeln ferner Folgendes umfasst: Bestimmen einer Vielzahl von Kategorien, die dem Satz von Inhaltsartikeln zugeordnet sind; Einstufen jeder der Vielzahl von Kategorien zumindest teilweise auf Grundlage von zumindest einem von einer Anzahl von Inhaltsartikeln in jeder der Vielzahl von Kategorien, einer Relevanzbewertung für die Inhaltsartikel in jeder der Vielzahl von Kategorien und Verhaltensmustern von Benutzern mit den Inhaltsartikeln in jeder der Vielzahl von Kategorien; und Auswählen zumindest einer der Vielzahl von Kategorien auf Grundlage der Einstufung von jeder der Vielzahl von Kategorien.
    • 12. Die Rechenvorrichtung nach Absatz 8, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Aktualisieren des repräsentativen Satzes von visuell vielfältigen Artikeln zum Einschließen einer verschiedenen Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln.
    • 13. Die Rechenvorrichtung nach Absatz 6, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Vergleichen von Abbildungen, die dem repräsentativen Satz von visuell vielfältigen Artikeln zugeordnet sind, mit Abbildungen, die einem zweiten repräsentativen Satz von visuell vielfältigen Artikeln zugeordnet sind, der einem zweiten Teilsatz des Satzes von Inhaltsartikeln zugeordnet ist, um sicherzustellen, dass keine doppelten Abbildungen zwischen dem repräsentativen Satz von visuell vielfältigen Artikeln und dem zweiten repräsentativen Satz von visuell vielfältigen Artikeln vorhanden sind.
    • 14. Die Rechenvorrichtung nach Absatz 6, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Bestimmen von Dimensionen eines sichtbaren Bereichs des Anzeigebildschirms; und Bestimmen einer Anzahl von Inhaltsartikeln in dem repräsentativen Satz von visuell vielfältigen Artikeln, der angezeigt werden soll, zumindest teilweise auf Grundlage der Dimensionen des sichtbaren Bereichs.
    • 15. Die Rechenvorrichtung nach Absatz 14, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Bestimmen einer Änderung der Dimensionen des sichtbaren Bereichs des Anzeigebildschirms; und Aktualisieren der Anzahl von Inhaltsartikeln in dem repräsentativen Satz von visuell vielfältigen Artikeln zumindest teilweise auf Grundlage der Änderung der Dimensionen.
    • 16. Ein Verfahren, umfassend: Empfangen einer Suchabfrage, wobei die Suchabfrage einem Satz von Inhaltsartikeln zugeordnet ist; Identifizieren eines Teilsatzes des Satzes von Inhaltsartikeln; Erhalten eines Abbildungsteilsatzes, der dem Teilsatz von Inhaltsartikeln entspricht, wobei jede Abbildung des Abbildungsteilsatzes eine Darstellung eines Inhaltsartikels aus dem Teilsatz von Inhaltsartikeln beinhaltet; Analysieren von jeder Abbildung des Abbildungsteilsatzes, um entsprechende visuelle Attribute zu bestimmen, wobei die entsprechenden visuellen Attribute einem oder mehreren visuellen Aspekten einer entsprechenden Abbildung entsprechen; Auswählen eines repräsentativen Satzes von visuell vielfältigen Artikeln für den Abbildungsteilsatz, wobei der repräsentative Satz von visuell vielfältigen Artikeln zumindest teilweise auf Grundlage der entsprechenden visuellen Attribute jeder entsprechenden Abbildung ausgewählt wird; und Veranlassen, dass der repräsentative Satz von visuell vielfältigen Artikeln auf einem Anzeigeelement einer Rechenvorrichtung angezeigt wird.
    • 17. Das Verfahren nach Absatz 16, ferner umfassend: Bestimmen eines Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung des Abbildungssatzes zumindest teilweise auf Grundlage der entsprechenden visuellen Attribute, wobei eine visuelle Ähnlichkeitsbewertung eine visuelle Ähnlichkeit einer Abbildung aus dem Abbildungssatz zu einer anderen Abbildung des entsprechenden Abbildungssatzes anzeigt, wobei der repräsentative Satz von visuell vielfältigen Artikeln zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung des Abbildungssatzes basiert.
    • 18. Das Verfahren nach Absatz 17, ferner umfassend: Erzeugen einer Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung, wobei der Satz von repräsentativen visuell vielfältigen Artikeln durch Einschließen einer Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln ausgewählt wird.
    • 19. Das Verfahren nach Absatz 18, ferner umfassend: Einstufen jeder Abbildung des Abbildungsteilsatzes zumindest teilweise auf Grundlage von zumindest einem von einem Benutzer zugeordneten Sitzungsdaten, einer der entsprechenden Abbildung zugeordneten Relevanzbewertung für den Inhaltsartikel und von der entsprechenden Abbildung zugeordneten Verhaltensmustern von Benutzern mit dem Inhaltsartikel, wobei die Auswahl der einen Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln zumindest teilweise auf der Einstufung jeder entsprechenden Abbildung basiert.
    • 20. Das Verfahren nach Absatz 16, ferner umfassend: Bestimmen einer Vielzahl von Kategorien, die dem Satz von Inhaltsartikeln zugeordnet sind; Einstufen jeder der Vielzahl von Kategorien zumindest teilweise auf Grundlage von zumindest einem von einer Anzahl von Inhaltsartikeln in jeder der Vielzahl von Kategorien, einer Relevanzbewertung für die Inhaltsartikel in jeder der Vielzahl von Kategorien und von Verhaltensmustern von Benutzern mit den Inhaltsartikeln in jeder der Vielzahl von Kategorien; und Auswählen von zumindest einer der Vielzahl von Kategorien auf Grundlage der Einstufung von jeder der Vielzahl von Kategorien.

Claims (15)

  1. Verfahren, umfassend: Empfangen einer Suchabfrage, wobei die Suchabfrage einem Artikelsatz eines Artikelkatalogs zugeordnet ist, der durch einen elektronischen Marktplatz bereitgestellt ist; Bestimmen einer Vielzahl von Kategorien, die dem Artikelsatz zugeordnet sind; Auswählen von zumindest einem Artikelteilsatz, der zumindest einer der Vielzahl von Kategorien zugeordnet ist; Erhalten von zumindest einem Abbildungssatz, der dem zumindest einen Artikelteilsatz entspricht, der den entsprechenden ausgewählten Artikelkategorien zugeordnet ist; Analysieren von jeder Abbildung des zumindest einen Abbildungssatzes, um entsprechende visuelle Attribute zu bestimmen, wobei die entsprechenden visuellen Attribute einem oder mehreren visuellen Aspekten einer entsprechenden Abbildung entsprechen; Bestimmen eines Satzes von Ähnlichkeitsbewertungen für jede Abbildung des zumindest einen Abbildungssatzes zumindest teilweise auf Grundlage der entsprechenden visuellen Attribute, wobei eine visuelle Ähnlichkeitsbewertung eine visuelle Ähnlichkeit einer Abbildung aus dem entsprechenden Abbildungssatz zu einer anderen Abbildung des entsprechenden Abbildungssatzes anzeigt; Erzeugen einer Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln für den entsprechenden Abbildungssatz zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung; Auswählen eines Satzes von visuell vielfältigen Artikeln für jeden Abbildungssatz in jeder entsprechenden Kategorie, wobei der Satz von visuell vielfältigen Artikeln eine Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln beinhaltet; und Veranlassen, dass der Satz von visuell vielfältigen Artikeln auf einem Anzeigeelement einer Rechenvorrichtung angezeigt wird.
  2. Verfahren nach Anspruch 1, ferner umfassend: Einstufen jeder der Vielzahl von Kategorien zumindest teilweise auf Grundlage von zumindest einem von einer Anzahl von Artikeln in jeder der Vielzahl von Kategorien, einer Relevanzbewertung für die Artikel in jeder der Vielzahl von Kategorien und von Verhaltensmustern von Benutzern mit den Artikeln in jeder der Vielzahl von Kategorien; und Auswählen der zumindest einen der Vielzahl von Kategorien zumindest teilweise auf Grundlage der Einstufung von jeder der Vielzahl von Kategorien.
  3. Verfahren nach Anspruch 1, ferner umfassend: Entfernen von einer oder mehreren der Vielzahl von Abbildungen auf Grundlage davon, dass eine visuelle Qualitätsbewertung der entsprechenden Abbildung unter einer Qualitätsschwelle liegt.
  4. Verfahren nach Anspruch 1, wobei das Erzeugen einer Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung ferner Folgendes umfasst: Identifizieren einer vorbestimmten Anzahl von visuell vielfältigen Artikeln, die für jede entsprechende Kategorie ausgewählt werden sollen; und Segmentieren des entsprechenden Abbildungssatzes in eine vorbestimmte Anzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln, wobei die vorbestimmte Anzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln der vorbestimmten Anzahl von visuell vielfältigen Artikeln entspricht, die für jede entsprechende Kategorie ausgewählt werden sollen, und der Abbildungssatz zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung segmentiert wird.
  5. Verfahren nach Anspruch 2, wobei das Auswählen von zumindest einer der Kategorien zumindest teilweise auf Grundlage der Einstufung von jeder Kategorie ferner Folgendes umfasst: Auswählen einer vorbestimmten Anzahl von am höchsten eingestuften Kategorien, wobei die vorbestimmte Anzahl zumindest teilweise auf einem von einer Art oder einer Größe des Anzeigeelements der Rechenvorrichtung basiert.
  6. Server-Rechenvorrichtung, umfassend: einen Server-Rechenvorrichtungsprozessor; eine Speichervorrichtung, die Anweisungen beinhaltet, die, wenn sie durch den Server-Rechenvorrichtungsprozessor ausgeführt werden, die Server-Rechenvorrichtung zu Folgendem veranlassen: Empfangen einer Suchabfrage, wobei die Suchabfrage einem Satz von Inhaltsartikeln zugeordnet ist, Identifizieren eines Teilsatzes des Satzes von Inhaltsartikeln; Erhalten eines Abbildungsteilsatzes, der dem Teilsatz von Inhaltsartikeln entspricht, wobei jede Abbildung des Abbildungsteilsatzes eine Darstellung eines Inhaltsartikels aus dem Teilsatz von Inhaltsartikeln beinhaltet, Analysieren von jeder Abbildung des Abbildungsteilsatzes, um entsprechende visuelle Attribute zu bestimmen, wobei die entsprechenden visuellen Attribute einem oder mehreren visuellen Aspekten einer entsprechenden Abbildung entsprechen; Auswählen eines repräsentativen Satzes von visuell vielfältigen Artikeln für den Abbildungsteilsatz, wobei der repräsentative Satz von visuell vielfältigen Artikeln zumindest teilweise auf Grundlage der entsprechenden visuellen Attribute jeder entsprechenden Abbildung ausgewählt wird; und Veranlassen, dass der repräsentative Satz von visuell vielfältigen Artikeln auf einem Anzeigeelement einer Rechenvorrichtung angezeigt wird.
  7. Rechenvorrichtung nach Anspruch 6, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Bestimmen eines Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung des Abbildungssatzes zumindest teilweise auf Grundlage der entsprechenden visuellen Attribute, wobei eine visuelle Ähnlichkeitsbewertung eine visuelle Ähnlichkeit einer Abbildung aus dem Abbildungssatz zu einer anderen Abbildung des entsprechenden Abbildungssatzes anzeigt, wobei der repräsentative Satz von visuell vielfältigen Artikeln zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung des Abbildungssatzes basiert.
  8. Rechenvorrichtung nach Anspruch 7, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Erzeugen einer Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln zumindest teilweise auf Grundlage des Satzes von visuellen Ähnlichkeitsbewertungen für jede Abbildung, wobei der Satz von repräsentativen visuell vielfältigen Artikeln durch Einschließen einer Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln ausgewählt wird.
  9. Rechenvorrichtung nach Anspruch 8, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Einstufen jeder Abbildung des Abbildungsteilsatzes zumindest teilweise auf Grundlage von zumindest einem von einem Benutzer zugeordneten Sitzungsdaten, einer der entsprechenden Abbildung zugeordneten Relevanzbewertung für den Inhaltsartikel und von der entsprechenden Abbildung zugeordneten Verhaltensmustern von Benutzern mit dem Inhaltsartikel, wobei die Auswahl der einen Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln zumindest teilweise auf der Einstufung jedes entsprechenden Bildes basiert.
  10. Rechenvorrichtung nach Anspruch 6, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Entfernen von einem oder mehreren der Abbildungsteilsätze auf Grundlage davon, dass eine visuelle Qualitätsbewertung der entsprechenden Abbildung unter einer Qualitätsschwelle liegt.
  11. Rechenvorrichtung nach Anspruch 6, wobei das Identifizieren eines Teilsatzes aus dem Satz von Inhaltsartikeln ferner Folgendes umfasst: Bestimmen einer Vielzahl von Kategorien, die dem Satz von Inhaltsartikeln zugeordnet sind; Einstufen jeder der Vielzahl von Kategorien zumindest teilweise auf Grundlage von zumindest einem von einer Anzahl von Inhaltsartikeln in jeder der Vielzahl von Kategorien, einer Relevanzbewertung für die Inhaltsartikel in jeder der Vielzahl von Kategorien und von Verhaltensmustern von Benutzern mit den Inhaltsartikeln in jeder der Vielzahl von Kategorien; und Auswählen von zumindest einer der Vielzahl von Kategorien auf Grundlage der Einstufung von jeder der Vielzahl von Kategorien.
  12. Rechenvorrichtung nach Anspruch 8, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Aktualisieren des repräsentativen Satzes von visuell vielfältigen Artikeln zum Einschließen einer verschiedenen Abbildung aus jeder der Vielzahl von Gruppen von visuell miteinander in Bezug stehenden Artikeln.
  13. Rechenvorrichtung nach Anspruch 6, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Vergleichen von Abbildungen, die dem repräsentativen Satz von visuell vielfältigen Artikeln zugeordnet sind, mit Abbildungen, die einem zweiten repräsentativen Satz von visuell vielfältigen Artikeln zugeordnet sind, der einem zweiten Teilsatz des Satzes von Inhaltsartikeln zugeordnet ist, um sicherzustellen, dass keine doppelten Abbildungen zwischen dem repräsentativen Satz von visuell vielfältigen Artikeln und dem zweiten repräsentativen Satz von visuell vielfältigen Artikeln vorhanden sind.
  14. Rechenvorrichtung nach Anspruch 6, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Bestimmen von Dimensionen eines sichtbaren Bereichs des Anzeigebildschirms; und Bestimmen einer Anzahl von Inhaltsartikeln in dem repräsentativen Satz von visuell vielfältigen Artikeln, die angezeigt werden soll, zumindest teilweise auf Grundlage der Dimensionen des sichtbaren Bereichs.
  15. Rechenvorrichtung nach Anspruch 14, wobei die Anweisungen bei Ausführung die Rechenvorrichtung ferner zu Folgendem befähigen: Bestimmen einer Änderung der Dimensionen des sichtbaren Bereichs des Anzeigebildschirms; und Aktualisieren der Anzahl von Inhaltsartikeln in dem repräsentativen Satz von visuell vielfältigen Artikeln zumindest teilweise auf Grundlage der Änderung der Dimensionen.
DE112017006517.8T 2016-12-22 2017-12-18 Visuelle kategoriedarstellung mit vielfältiger einstufung Pending DE112017006517T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/389,251 2016-12-22
US15/389,251 US20180181569A1 (en) 2016-12-22 2016-12-22 Visual category representation with diverse ranking
PCT/US2017/067079 WO2018118803A1 (en) 2016-12-22 2017-12-18 Visual category representation with diverse ranking

Publications (1)

Publication Number Publication Date
DE112017006517T5 true DE112017006517T5 (de) 2020-04-23

Family

ID=61007796

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112017006517.8T Pending DE112017006517T5 (de) 2016-12-22 2017-12-18 Visuelle kategoriedarstellung mit vielfältiger einstufung

Country Status (4)

Country Link
US (1) US20180181569A1 (de)
JP (1) JP2020504378A (de)
DE (1) DE112017006517T5 (de)
WO (1) WO2018118803A1 (de)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102616924B1 (ko) * 2016-06-09 2023-12-27 엔에이치엔 주식회사 컨텐츠의 제공에 따른 효과 분석을 통해 다양한 랭킹 정보를 제공하기 위한 방법 및 시스템
US10628481B2 (en) * 2016-11-17 2020-04-21 Ebay Inc. Projecting visual aspects into a vector space
US10554779B2 (en) 2017-01-31 2020-02-04 Walmart Apollo, Llc Systems and methods for webpage personalization
US11010784B2 (en) 2017-01-31 2021-05-18 Walmart Apollo, Llc Systems and methods for search query refinement
US10592577B2 (en) 2017-01-31 2020-03-17 Walmart Apollo, Llc Systems and methods for updating a webpage
US11609964B2 (en) 2017-01-31 2023-03-21 Walmart Apollo, Llc Whole page personalization with cyclic dependencies
US10275820B2 (en) 2017-01-31 2019-04-30 Walmart Apollo, Llc Systems and methods for utilizing a convolutional neural network architecture for visual product recommendations
US10628458B2 (en) 2017-01-31 2020-04-21 Walmart Apollo, Llc Systems and methods for automated recommendations
US11004135B1 (en) * 2017-08-18 2021-05-11 Amazon Technologies, Inc. Artificial intelligence system for balancing relevance and diversity of network-accessible content
US10776417B1 (en) * 2018-01-09 2020-09-15 A9.Com, Inc. Parts-based visual similarity search
JP6989474B2 (ja) * 2018-10-18 2022-01-05 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
CN111382635B (zh) * 2018-12-29 2023-10-13 杭州海康威视数字技术股份有限公司 一种商品类别识别方法、装置及电子设备
US10949224B2 (en) 2019-01-29 2021-03-16 Walmart Apollo Llc Systems and methods for altering a GUI in response to in-session inferences
US11182642B2 (en) 2019-02-28 2021-11-23 Stats Llc System and method for generating player tracking data from broadcast video
EP3948569A1 (de) * 2019-03-23 2022-02-09 British Telecommunications public limited company Konfiguration von verteilten sequenziellen transaktionalen datenbanken
US11620342B2 (en) * 2019-03-28 2023-04-04 Verizon Patent And Licensing Inc. Relevance-based search and discovery for media content delivery
US11403285B2 (en) * 2019-09-04 2022-08-02 Ebay Inc. Item-specific search controls in a search system
US11386301B2 (en) * 2019-09-06 2022-07-12 The Yes Platform Cluster and image-based feedback system
US11373095B2 (en) * 2019-12-23 2022-06-28 Jens C. Jenkins Machine learning multiple features of depicted item
JP7127080B2 (ja) * 2020-03-19 2022-08-29 ヤフー株式会社 判定装置、判定方法及び判定プログラム
JP6948425B2 (ja) * 2020-03-19 2021-10-13 ヤフー株式会社 判定装置、判定方法及び判定プログラム
JP7445870B2 (ja) 2020-03-30 2024-03-08 パナソニックＩｐマネジメント株式会社 空間提案システム、及び、空間提案方法
CN111461967B (zh) * 2020-04-01 2023-06-27 抖音视界有限公司 图片处理方法、装置、设备和计算机可读介质
US11373403B2 (en) 2020-05-26 2022-06-28 Pinterest, Inc. Object-to-object visual graph
US20220253470A1 (en) * 2021-02-05 2022-08-11 SparkCognition, Inc. Model-based document search
KR102396323B1 (ko) * 2021-03-05 2022-05-10 쿠팡 주식회사 전자 장치 및 그의 정보 제공 방법
US11893792B2 (en) * 2021-03-25 2024-02-06 Adobe Inc. Integrating video content into online product listings to demonstrate product features
US20230214434A1 (en) * 2021-12-30 2023-07-06 Netflix, Inc. Dynamically generating a structured page based on user input

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6418430B1 (en) * 1999-06-10 2002-07-09 Oracle International Corporation System for efficient content-based retrieval of images
IL199762A0 (en) * 2008-07-08 2010-04-15 Dan Atsmon Object search navigation method and system
US8352465B1 (en) * 2009-09-03 2013-01-08 Google Inc. Grouping of image search results
US9025888B1 (en) * 2012-02-17 2015-05-05 Google Inc. Interface to facilitate browsing of items of visual content
US20140233811A1 (en) * 2012-05-15 2014-08-21 Google Inc. Summarizing a photo album
US20170286522A1 (en) * 2016-04-04 2017-10-05 Shutterstock, Inc. Data file grouping analysis

Also Published As

Publication number Publication date
JP2020504378A (ja) 2020-02-06
US20180181569A1 (en) 2018-06-28
WO2018118803A1 (en) 2018-06-28

Similar Documents

Publication Publication Date Title
DE112017006517T5 (de) Visuelle kategoriedarstellung mit vielfältiger einstufung
DE112015002286T9 (de) Visuelle interaktive suche
US10176198B1 (en) Techniques for identifying visually similar content
DE112019005489T5 (de) Bestimmung visueller attribute zur inhaltsauswahl
EP1866796B1 (de) Auswahl von bildern unter verwendung assoziierter schlüsselwörter
DE102016010868A1 (de) Suchen unter Verwendung von in Bildern gefundenen spezifischen Attributen
DE102019000675A1 (de) Nutzen eines modells auf der basis eines tiefen neuronalen netzwerks zum identifizieren von visuell ähnlichen digitalen bildern auf der basis von nutzer-ausgewählten visuellen eigenschaften
DE102016010744A1 (de) Modifizieren von zumindest einem Attribut von einem Bild mit zumindest einem Attribut, das von einem anderen Bild extrahiert wurde
DE102017011260A1 (de) Markieren großer Bilder unter Nutzung einer Bild-mit-Thema-Einbettung
DE102018007937A1 (de) Entfernen und Ersetzen von Objekten in Bildern entsprechend einem geführten Nutzerdialog
CN112119388A (zh) 训练图像嵌入模型和文本嵌入模型
DE102020002153A1 (de) Einsetzen von ein Objektattribut detektierenden Modellen zum automatischen Auswählen von Versionen detektierter Objekte in Bildern
US20230205813A1 (en) Training Image and Text Embedding Models
DE102016014798A1 (de) Genaues Vorhersagen einer Etikettrelevanz bei einer Bildabfrage
DE112016001453T5 (de) Navigieren von Ereignisinformation
DE112019000687T5 (de) Fotorealistische dreidimensionale texturierung unter verwendung kanonischer ansichten und eines zweistufigen ansatzes
DE112017006406T5 (de) Intelligentes automatisches zuschneiden von bildern
DE102016013632A1 (de) Visuelle Analyse von Clickstreams auf Grundlage von Maximalsequenzmustern
DE212011100024U1 (de) Suche mit gemeinsamen Bild-Audio-Abfragen
DE102018007167A1 (de) Bildsuche und -abfrage unter Verwendung von Objekteigenschaften
DE10323444A1 (de) Verfahren und Vorrichtung zum Kategorisieren und Darstellen von Dokumenten einer verteilten Datenbank
DE112021004894T5 (de) Dynamische sammlungsbasierte inhaltsdarstellung
DE112021006604T5 (de) Dynamisches in-rangordnung-bringen von facetten
DE112021000226T5 (de) Mensch-maschine-interaktion verfahren und vorrichtung, speichermedium undelektronisches gerät
Sikha et al. Dynamic Mode Decomposition based salient edge/region features for content based image retrieval.

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: G06F0017300000

Ipc: G06F0016954000