JP2008511057A - エンドユーザの情報要求に応答するための方法及び装置 - Google Patents

Abstract

本発明は高度検索エンジンに関する。高度検索エンジンは、エンドユーザのブラウジング活動を監視するためのクライアント構成要素、クライアント構成要素から受け取ったデータを格納し処理するためのリモートサーバ（１つ又はそれ以上のコンピュータを含むことができる）、及びウェブページを処理してエンドユーザに検索結果を提供するモジュールを含むことができる。高度検索エンジンは、１つ又はそれ以上のキーワードに関する情報を求めるエンドユーザの検索要求に応答して、所定の関心対象キーワードに関するウェブページを収集し、エンドユーザによって要求されたウェブページをフェッチし、ウェブページの抜粋又は要約を生成し、重複ウェブページを排除し、ウェブページの重要度をランク付けし、更に関連性のあるウェブページ又はウェブページへのリンクを提供することができる。本発明の特定の態様は請求項、明細書、及び図面内に説明されている。
【選択図】図２

Description

（関連の出願）
本出願は、２００４年８月１９日に出願されたＷｅｓｔｏｖｅｒ他による名称「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｒｅｓｐｏｎｄｉｎｇ ｔｏ Ｅｎｄ−Ｕｓｅｒ Ｒｅｑｕｅｓｔ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ(エンドユーザの情報要求に応答するための方法及び装置)」の米国仮特許出願第６０／６０３，１４０号、２００４年１２月２０日に出願されたＷｏｈｌｅｒｓ他による名称「Ｍｅｔｈｏｄ ａｎｄ Ｄｅｖｉｃｅ Ｐｕｂｌｉｓｈｉｎｇ Ｃｒｏｓｓ−Ｎｅｔｗｏｒｋ Ｕｓｅｒ Ｂｅｈａｖｉｏｒａｌ Ｄａｔａ（クロスネットワークユーザの行動データを公開するための方法及びデバイス）」の米国仮特許出願第６０／６３７，６８４号、２００５年３月１７日に出願されたＥａｇｌｅ他による名称「Ｍｅｔｈｏｄ ａｎｄ Ｄｅｖｉｃｅ ｆｏｒ Ｐｕｂｌｉｓｈｉｎｇ Ｂｅｈａｖｉｏｒａｌ Ｏｂｓｅｒｖａｔｉｏｎｓ ｔｏ Ｃｕｓｔｏｍｅｒｓ（顧客に対して行動観測を公開するための方法及びデバイス）」の米国仮特許出願第６０／６６２，６８０号、及び２００５年３月１１日に出願されたＷｅｓｔｏｖｅｒ他による名称「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｒｅｓｐｏｎｄｉｎｇ ｔｏ Ｅｎｄ−Ｕｓｅｒ Ｒｅｑｕｅｓｔｓ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ（エンドユーザの情報要求に応答するための方法及び装置）」の米国仮特許出願第６０／６６０，７９８号の恩恵を主張する。本出願は、２００４年１２月１７日に出願されたＡｎｔｈｏｎｙ Ｇ．Ｍａｒｔｉｎによる名称「Ｓｅａｒｃｈ Ｅｎｇｉｎｅ ｆｏｒ ａ Ｃｏｍｐｕｔｅｒ Ｎｅｔｗｏｒｋ（コンピュータネットワークのための検索エンジン）」の米国特許出願第１１／０１５，５８３号の一部継続出願である。これらに示した出願は、あらゆる目的のために引用により組み込まれる。

本発明は、高度検索エンジンに関する。高度検索エンジンは、エンドユーザのブラウジング動作を監視するためのクライアント構成要素、クライアント構成要素から受け取ったデータを格納し処理するためのリモートサーバ（１つ又はそれ以上のコンピュータを含むことができる）、及びウェブページを処理してエンドユーザに検索結果を提供するモジュールを含むことができる。高度検索エンジンは、例えば１つ又はそれ以上のキーワードに関する情報を求めるエンドユーザ検索要求に応答して、所定の関心のあるキーワードについてのウェブページを収集し、エンドユーザによって要求されたウェブページをフェッチし、ウェブページの抜粋又は要約を生成し、重複ウェブページを排除し、ウェブページの重要度をランク付けし、更に関連性のあるウェブページ又はウェブページへのリンクを提供することができる。解決される技術的問題、用いた手法、及び得られた結果を以下に説明する。

Ｇｏｏｇｌｅによってとられた検索エンジンに対する１つの手法は、世界中の情報を編成して、これを広くアクセス可能で有用なものにすることである。かつてＤｏｇｐｉｌｅによってとられた別の手法は、メタ検索エンジンに他の検索エンジンの結果を集約させることである。これらの手法は、膨大な結果をもたらす。例えば「ｃｈｅａｐ ｔｒａｖｅｌ」というキーワードは、２００５年夏現在で、Ｇｏｏｇｌｅから約１８，０００，０００件、Ｙａｈｏｏからは約８５，８００，０００件、ＭＳＮからは６８，３７７，６１９件の結果を返している。

膨大な結果の最上位に「針」を浮上させ、クエリに応答して返ってきたリンクをランク付けする方法を考案するために多くの研究がなされてきた。Ｇｏｏｇｌｅの公開特許出願では、その名称において、ローカルな相互接続性、記事情報、ロケーション認識、及び他の因子を用いて、結果の位置付けを決定することを提案している。Ｙａｈｏｏ、Ｏｖｅｒｔｕｒｅ、及びＭｉｃｒｏｓｏｆｔも同様に、これらの結果の提示を改良するよう研究をおこなってきた。

どのような情報セットにおいても、検索用語は、どのような結果が求められているのかを判断するのには十分ではないことがある。２００５年６月１６日に公開されたＢｈａｒａｔ他の「Ｇｅｎｅｒａｔｉｎｇ Ｕｓｅｒ Ｉｎｆｏｒｍａｔｉｏｎ ｆｏｒ Ｕｓｅ ｉｎ Ｔａｒｇｅｔｅｄ Ａｄｖｅｒｔｉｓｉｎｇ（ターゲット広告において用いるためのユーザ情報の生成）」のＵＳ２００５／０１３１７６２Ａ１、２００５年１月２０日に公開されたＣａｒｒａｓｃｏ他の「Ｄｉｓａｍｂｉｇｕａｔｉｏｎ ｏｆ Ｓｅａｒｃｈ Ｐｈｒａｓｅｓ Ｕｓｉｎｇ Ｉｎｔｅｒｐｒｅａｔｉｏｎ Ｃｌｕｓｔｅｒｓ（解釈クラスタを用いた検索フレーズの曖昧性の除去）」のＵＳ２００５／００１５３６６Ａ１において広範囲に説明されているように、ある意味では検索用語は曖昧であってもよい。用語「ｊａｇｕａｒ」は、自動車、動物、フットボールチーム、又はオペレーティングシステムを意味している可能性がある。用語が曖昧でない場合でも、様々なユーザは、異なる情報にアクセスすることを望んでいる可能性がある。例えば、十代の旅行者、ビジネス旅行者、及び豪華旅行者は、異なる旅行手配及び宿泊設備を探しているが、場合によっては同様の検索用語を用いる。

検索に対する応答又はより一般的には情報フィードに関係するか否かにかかわらず、最も関連する結果を返すことが望ましい。ウェブサイト上で公開されるドキュメント数（及び個人のサーバ上でアクセス可能なドキュメント数）の増加は、ユーザのクエリに応答する関連結果を迅速に返すための代替技術又は改善技術の発展を生じさせる。実際には、キーワードが「ｃｈｅａｐ ｔｒａｖｅｌ」である特定のユーザに最も関連する５０件又は１００件のウェブサイトを見つけ、これらをユーザに対して効果的に要約する。これによって、コンテンツ、スポンサー付きコンテンツ、又は広告であるか否かにかかわらず、返された情報をユーザの関心に基づいてパーソナライズする技術の発展が更に起こる。

米国仮特許出願第６０／６０３，１４０号公報 米国仮特許出願第６０／６３７，６８４号公報 米国仮特許出願第６０／６６２，６８０号公報 米国仮特許出願第６０／６６０，７９８号公報 米国特許出願第１１／０１５，５８３号公報 ＵＳ公開２００５／０１３１７６２Ａ１公報 ＵＳ公開２００５／００１５３６６Ａ１公報 米国特許出願第１０／１５２，２０４号公報 米国特許出願第１０／４６４，４１９号公報

以下の詳細な説明は図面を参照しながら行われる。好ましい実施形態は、請求項を限定するためではなく、例証のために説明される。当業者であれば、以下の説明に対する様々な均等な変形形態を認識するであろう。しかしながら、説明される本実施形態はこの特定の詳細のうちの１つ又はそれ以上がなくとも実施することができる点も当業者であれば理解されるであろう。場合によっては、本実施形態の態様を曖昧にするのを避けるため、公知の詳細部分は図示又は説明されていない。

コンピュータ関連では、本明細書で開示される構成要素は、ハードウェア、ソフトウェア、又はハードウェアとソフトウェアとの組み合せ（例えばファームウェア）内に実装することができることは理解することができる。ソフトウェア構成要素は、メモリ、大容量記憶装置、又はリムーバブル記憶装置などのコンピュータ読取り可能記憶媒体内に格納されたコンピュータ読取り可能プログラムコードの形態とすることができる。例えばコンピュータ読取り可能媒体は、特定の構成要素の機能を実行するためのコンピュータ読取り可能プログラムコードを含むことができる。同様にコンピュータメモリは、後でプロセッサが実行することができる１つ又はそれ以上の構成要素を含むように構成することができる。構成要素は、複数のモジュール内に別個に、又は単一のモジュール内に共に実装することができる。

以下で説明する実施形態及び実施形態の態様は、様々な技術上の問題を解決するために適用することができる。１つの問題は、大規模ネットワークに該当し、すなわち、ユーザ、検索エンジン、及びアクセスされるドキュメント間の通信パターンを監視し、有効に集約する方法である。１つの事象では、ユーザは広範に分配されたパーソナルコンピュータにおいてインターネットを利用しており、検索エンジンは、Ｂａｉｄｕ、Ｇｏｏｇｌｅ、Ｙａｈｏｏ！、及びＭＳＮを含み、ドキュメントは、世界中でウェブサイトに掲載されたページである。別の事象では、雇用者が、ワークグループサーバ上に公表された参照ドキュメントを特定するために企業内検索エンジンを有する企業イントラネットを利用する。これらの問題への取り組みは、好ましくはユーザの通常業務を妨害することなく使用中の通信チャンネルを監視しサーバに観測結果を報告することができる行動観測モジュールを配置する段階を含むことができる。１つの実施形態では、行動観測モジュールは、ユーザのパーソナルコンピュータ（デスクトップ、ラップトップ、又はハンドヘルドコンピュータ、或いはメディアセンターデバイスなど）上で実行することができる。このモジュールは、通信を行う際にユーザマシンの通信とステータスの両方を観測することができる。例えば、ユーザはどのような検索用語及び結果で特定のウェブサイトまで辿ったのであろうか。このモジュールは、報告をフィルタリングし、活動をカテゴリー別にコード化することによって処理の分散を達成し、通信行動を集約するのに必要なリソースをかなり低減することができる。このモジュールは、リソースが利用可能であるとき、又はユーザが所属ドメインをブラウズするときに観測結果をサーバに報告することができる。観測結果のクッキーは、アクセスするドメインへの通常のクッキーのアップロードの一部としてサーバに送信することができる。サーバは、報告された通信パターンを集約することができる。１つの技術的な成果は、大規模ネットワークにわたって位置付けられた通信モニタから報告を受信し、通信が行われたときに個々のコンピュータのステータス又は状態を含むパターンを集約することである。結果として、集約された通信パターンを用いて、クエリ又はコンタクトに備えて、検索又は公開のための情報を事前に編成することができる。

関連する技術上の問題は、ユーザに提示される最初のレコードの関連性を高めるために、ネットワークに接続された特定の端末の最新ステータス及び最近のステータスに基づいて過剰な電子レコードを編成する方法である。過剰な電子レコードは、「ｊａｇｕａｒ」についてのウェブサイトのように世界中のウェブサイトに由来することができる。或いはこれらは、ワークグループサーバ上に格納されたドキュメントとすることができる。これらは、繰返し「ページダウン」などを押下することなしにユーザの画面上に表示するのがあまりにも多いという意味で過剰である。好ましくは特定ユーザと関連付けられた端末の現在及び最近のステータスは、検索クエリが実行依頼された直前の２４時間（又は他のなんらかの期間）以内に訪れたウェブサイトを含むことができる。或いはステータスは、ワークグループサーバから検索されたドキュメントの履歴を含むことができる。いずれの種類の活動も事前処理して、カテゴリー別に分類することができる。端末ステータスの報告期間は、端末の現在及び最近のステータスに基づいて情報を選択及びフィルタリングするパーソナライズド電子ジャーナルに対するクエリ又はリクエストに先行することができる。技術的な方法はやはり、ユーザのコンピュータ上で実行される行動監視モジュールを含む。この実施形態では、モジュールは端末ステータスを要約し、この要約を電子レコード（例えばクッキー）に公開して、該レコードをユーザがコンタクトする検索エンジン又は他のサイトに通信する。ステータス又は活動のカテゴリー上の要約を報告することにより、処理が分散され、サーバベースのリソースに対する必要性が軽減される。検索エンジンは、例えばどの意味の「ｊａｇｕａｒ」が関心対象であるかを判定するためにこの情報を用いる。「ｊａｇｕａｒ」について検索を行う自動車カテゴリーに高度に関心のあるユーザは、Ｊａｇｕａｒ自動車に関連するリンクを得ることになるが、関連カテゴリーへの関心のない人は、自動車、動物等の混合リンクを得ることになる。カテゴリープロファイルは、ユーザの関心対象を更にカテゴリー化するように発展させることができる。郊外に住む新しく親になった者は、アクセスしたコンテンツから認識され、独身のＸ世代の２０代の人とは異なるホームアクセサリ又は車のカテゴリーに割り当てることができる。結婚や住宅購入、又は出産といった人生を変える出来事も同様に認識することができる。「ｊａｇｕａｒ」の例と同様に、「ｔｒａｖｅｌ Ｉｔａｌｙ」という問い合わせに対して、検索エンジンは、ユーザが関心を持つ旅行スタイルを判断し、これに応じて過剰な電子レコードを編成する。技術的結果は、端末のステータス又は最近の活動の電子報告に基づくクエリ又はコンタクト、並びに過剰な電子レコードから現在及び最近の端末ステータスに最も関連性が高い可能性のある特定のレコードのセットの選択に応答する。

ウェブワイドの行動ターゲティングは、サイト側の行動ターゲティングとは実質的に異なる。サイト側の行動ターゲティングを実施すると、提携サイトのグループは商業的行動を識別しようと試みる。ポータルサイト及びニュースサイトなどのサイトは通常広告を配信する。メッセージは、提携サイトへの訪問から識別される行動に応答して、提携サイト上に表示される。サイト側行動ターゲティングの結果は、行動ターゲティングなしのキャンペーンよりも良好であるが、図１２に例示しているようにユーザ行動の狭い部分から得ることができるインサイトに依存しており、これは以下に説明する。サイト側とは対照的にウェブワイドの行動ターゲティングは、広告を認めないサイトでも全てのサイトにわたる関心対象の商業的サーフィン行動及び任意的に非商業的ネットサーフィン行動を識別することができる。商業的ウェブ活動の９０％は広告を表示しないサイト又はページ上で行われているため、このことは大きな意味を持つ。従ってポータルは、ページビューによって測定されたユーザ全体の商業的活動の１０％未満を見ているわけである。非ポータルの発行元は、そのユーザ全体の商業的活動の３％未満を見ている。行動監視モジュールは、ウェブサイト運営者との関係を単純化することができ、サイト側行動ターゲティングに参加するよりも大きな発行元ネットワークにわたってメッセージを表示することを可能にする。ウェブワイドの行動ターゲティングは、サイト側行動ターゲティングよりも良好な結果をもたらす。

ここで図１を参照すると、種々の実施形態で用いることができる例示的なコンピュータの概略図が示されている。図１の実施例で示されるコンピュータは、その構成に応じて、クライアントコンピュータ、サーバコンピュータ、又は他のデータ処理デバイスとして利用することができる。図１のコンピュータは、特定のアプリケーションの要求を満たす多少の構成要素を有することができる。図１に示されるように、コンピュータは、例えばＩｎｔｅｌ Ｃｏｒｐｏｒａｔｉｏｎ、Ａｄｖａｎｃｅｄ Ｍｉｃｒｏ Ｄｅｖｉｃｅｓ、又はＩＢＭから提供されるプロセッサ１０１を含むことができる。コンピュータは、その様々な構成要素を結合する１つ又はそれ以上のバス１０３を有することができる。コンピュータは、１つ又はそれ以上の入力デバイス１０２（例えばキーボード、マウス）、コンピュータ読取り可能記憶媒体（ＣＲＳＭ）１０５（例えばフロッピーディスク、ＣＤ−ＲＯＭ）、ＣＲＳＭリーダ１０４（例えばフロッピードライブ、ＣＤ−ＲＯＭドライブ）、ディスプレイモニタ１０９（例えば陰極線管、フラットパネルディスプレイ）、ネットワークに結合するための通信インターフェース１０６（例えばネットワークアダプタ、モデム）、１つ又はそれ以上のデータ記憶装置１０７（例えばハードディスクドライブ、光学ドライブ、ＦＬＡＳＨメモリ）、及びメインメモリ１０８（例えばＲＡＭ）を含むことができる。ソフトウェアの実施形態は、コンピュータ読取り可能記憶媒体１０５内に格納することができ、データ記憶装置１０７又はメインメモリ１０８に転送される。メインメモリ１０８内のソフトウェア実施形態は、プロセッサ１０１によって実行することができる。図１の実施例において、メインメモリ１０８は、行動監視及びメッセージ配信プログラム１２０を有するように示されており、これは以下に詳細に説明する。メインメモリ１０８内の行動監視及びメッセージ配信プログラム１２０、並びに他のプログラムは、例えばコンピュータ読取り可能記憶媒体１０５、データ記憶装置１０７、又は通信インターフェース１０６を用いてインターネットからロードすることができる。メインメモリ１０８内の行動監視及びメッセージ配信プログラム１２０、並びに他のプログラムは、プロセッサ１０１によって実行することができる。

図２は、この技術が動作するコンピューティング環境の概略図を示している。図２の実施例ではコンピューティング環境は、１つ又はそれ以上のウェブサーバコンピュータ１６０（すなわち１６０−１、１６０−２、・・・）、１つ又はそれ以上のクライアントコンピュータ１１０、１つ又はそれ以上のメッセージサーバコンピュータ１４０、及び具体的には図示されていない他のコンピュータを含む。図２の実施例では、クライアントコンピュータ１１０は、インターネットを介してサーバコンピュータ（例えばウェブサーバコンピュータ又はメッセージサーバコンピュータ）と通信する。従って、矢印２０１は、この実施例におけるインターネット接続を示している。ゲートウェイ、ルータ、ブリッジ、インターネットサービスプロバイダーネットワーク、公衆交換電話網、プロキシサーバ、ファイアウォール及び他のネットワークコンピュータ等の中間ノードは、明確にするために図示されていない。

クライアントコンピュータ１１０は通常、必須ではないが、例えばＭｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（商標）オペレーティングシステムを動作させるようなパーソナルコンピュータである。消費者は、インターネットに乗り、そこに結合されたコンピュータにアクセスするのに適切に装備されたクライアントコンピュータ１１０を利用することができる。例えばクライアントコンピュータ１１０は、ウェブサーバコンピュータ１６０からのウェブページにアクセスするために用いることができる。

ウェブサーバコンピュータ１６０は、ウェブサイトをホストするサーバコンピュータとすることができ、ウェブサイトはインターネット上をサーフィンする消費者を引き付けるように設計されたウェブページを含む。ウェブサーバコンピュータ１６０は、広告、ダウンロード可能コンピュータプログラム、オンライン購入で入手可能な製品等をサポートするウェブページを含むことができる。理解できるように、ウェブサイトは１つ又はそれ以上のサーバコンピュータ上に存在することができる。

メッセージサーバコンピュータ１４０は、ウェブサーバコンピュータ１６０の機能を含むことができる。１つの実施形態では、メッセージサーバコンピュータ１４０は更に、データベース１７１を含む。データベース１７１は、Ｏｒａｃｌｅ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なような市販のデータベースとすることができる。データベース１７１は、クライアントコンピュータ１１０内で動作する行動監視及びメッセージ配信プログラム１２０から受け取られたクライアントデータを格納することができる。クライアントデータは、クライアントコンピュータ１１０からメッセージサーバコンピュータ１４０にデータパケット１２１で送信することができる。クライアントデータは、行動監視及びメッセージ配信プログラム１２０で消費者のオンライン活動を監視することによって得られたナビゲーション及び行動データを含むことができる。図２の実施例では、説明を簡単にするために、メッセージサーバコンピュータ１４０は１つのクライアントコンピュータ１１０と通信するように図示されている。実際にはメッセージサーバコンピュータ１４０は、各々が行動監視及びメッセージ配信プログラム１２０を有する複数のクライアントコンピュータ１１０からクライアントデータを含むデータパケット１２１を受け取る。メッセージサーバコンピュータ１４０はまた、クライアントコンピュータ１１０上のソフトウェア構成要素をサポート、更新、及び維持するためのダウンロード可能コンピュータプログラム及びファイルを含むことができる。メッセージサーバコンピュータ１４０は、検索エンジン６５０を含むか、或いは検索エンジンに接続することができる。

ウェブサーバコンピュータ１６０及びメッセージサーバコンピュータ１４０は通常、必須ではないが、Ｓｕｎ Ｍｉｃｒｏｓｙｓｔｅｍｓ、Ｈｅｗｌｅｔｔ−Ｐａｃｋａｒｄ、又はＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓから入手可能なようなサーバコンピュータである。クライアントコンピュータ１１０は、クライアント−サーバプロトコルを用いてウェブサーバコンピュータ１６０又はメッセージサーバコンピュータ１４０と通信することができる。クライアント−サーバ間コンピューティングは当該技術分野で公知であり、本明細書では詳細には説明しない点に留意されたい。

図２に示されるように、クライアントコンピュータ１１０は、ウェブブラウザ１１２及び行動監視及びメッセージ配信プログラム１２０を含むことができる。ウェブブラウザ１１２は、市販のウェブブラウザ又はウェブクライアントとすることができる。１つの実施形態では、ウェブブラウザ１１２は、Ｍｉｃｒｏｓｏｆｔ Ｉｎｔｅｒｎｅｔ Ｅｘｐｌｏｒｅｒ（商標）ウェブブラウザを含む。ウェブブラウザは、クライアントコンピュータ上の消費者がウェブページにアクセスすることを可能にする。図２の実施例では、ウェブブラウザ１１２は、ウェブサーバコンピュータ１６０からのウェブページ１１３をディスプレイするように図示されており、ウェブページ１１３のようなウェブページは、「ＵＲＬ」（ユニフォームリソースロケータ）と呼ばれる対応アドレスを有しており、ウェブブラウザ１１２は、クライアントコンピュータ１１０において当該ウェブページを受け取るために、そのウェブページのＵＲＬに向けられる。ウェブブラウザ１１２は、例えばウェブブラウザ１１２のアドレスウィンドウにＵＲＬを入力すること、又はそのＵＲＬに向けられたリンクをクリックすることによりそのＵＲＬに向けることができる。

１つの実施形態では、行動監視及びメッセージ配信プログラム１２０は、メッセージサーバコンピュータ１４０又はウェブサーバコンピュータ１６０からダウンロード可能である。行動監視及びメッセージ配信プログラム１２０は、別のコンピュータプログラムのダウンロードと共にクライアントコンピュータ１１０にダウンロードすることができる。例えば、行動監視及びメッセージ配信プログラム１２０は、無料又は低コストで提供されるユーティリティプログラム１８１と共にクライアントコンピュータ１１０にダウンロードすることができる。ユーティリティプログラム１８１は、例えばウォレット又はカレンダープログラムとすることができる。ユーティリティプログラム１８１は、行動監視及びメッセージ配信プログラム１２０を介して消費者のクライアントコンピュータ１１０に広告を配信する権利と引き換えにその消費者に提供することができる。本質的に、消費者に配信される広告からの収入は、ユーティリティプログラムの作成及び維持のコストの支払に役立つ。行動監視及びメッセージ配信プログラム１２０はまた、例えば無料又は低コストでのオンラインサービスへのアクセスと共に消費者に提供することができる。

行動監視及びメッセージ配信プログラム１２０は、クライアントコンピュータ１１０内で格納及び実行される点でクライアント側プログラムである。行動監視及びメッセージ配信プログラム１２０は、クライアントコンピュータ１１０において広告を表示し、クライアントコンピュータ１１０上で消費者のオンライン活動を監視するためのコンピュータ読取り可能プログラムコードを含むことができる。消費者がクライアントコンピュータ１１０において受け取られるウェブページのＵＲＬにナビゲートしている場所、消費者によって訪問されたウェブサイトのドメイン名、消費者がウェブページ上でタイプしている内容、消費者が検索エンジンに与えたキーワード、消費者がリンク又は広告をクリックしたか否か、消費者がマウス又はキーボードを作動させた時間、及び同様のものを判断するような消費者のオンライン活動の監視の仕組みは、一般に当該技術分野において公知であり、本明細書では詳細には説明されない点に留意されたい。例えば、行動監視及びメッセージ配信プログラム１２０は、ウェブブラウザ１１２から事象通知を受け取ることによって消費者のオンライン活動を知ることができる。

行動監視及びメッセージ配信プログラム１２０は、メッセージサーバコンピュータ１４０に報告するために消費者のオンライン活動を記録することができる。記録された消費者のオンライン活動はまた、「クライアントデータ」とも呼ばれ、データパケット１２１を用いてメッセージサーバコンピュータ１４０に供給される。メッセージサーバコンピュータ１４０は、クライアントデータを用いて、消費者にターゲット広告を提供することができる。メッセージサーバコンピュータ１４０は、メッセージユニット１４１内に広告を表示するための広告又はデータを含むことができる。図２の実施例では、ターゲット広告は広告１１６として表記され、表示媒体内に表示される。提示媒体１１５は、ポップアンダー、ポップアップ、別ブラウザウィンドウ、又はコンピュータ画面上に広告を表示するための他の手段とすることができる。クライアント側プログラムを用いてクライアントコンピュータに広告を配信する技術はまた、Ｓｃｏｔｔ Ｇ．Ｅａｇｌｅ、Ｄａｖｉｄ Ｌ．Ｇｏｕｌｄｅｎ、 Ａｎｔｈｏｎｙ Ｇ．Ｍａｒｔｉｎ、及びＥｕｇｅｎｅ Ａ．Ｖｅｔｅｓｋａによって２００２年５月２１日に出願された「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｄｉｓｐｌａｙｉｎｇ Ｍｅｓｓａｇｅｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ（コンピュータシステムにおいてメッセージを表示するための方法及び装置）」という名称の同一出願人の米国特許出願第１０／１５２，２０４号にも開示されており、引用により全体が本明細書に組み込まれる。

以下でより明らかになるように、行動監視及びメッセージ配信プログラムは、主に検索エンジンインデックスを構成するためのクライアントデータを入手するのに用いられ、必ずしもクライアントコンピュータ１１０において提示媒体を表示するとは限らず、すなわち行動監視及びメッセージ配信プログラムは、必ずしもクライアントコンピュータ１１０において広告を表示する必要はない。このことは、消費者がユーティリティプログラムのプロバイダー又はスポンサーからの広告を見ることを必要とせずに、無料又は低コストのユーティリティプログラム１８１（又は他の恩恵）を得ることができる点で有利である。

図３は、コンバージョンプロセスの追跡を概略的に示している。「コンバージョン」は、消費者に提示された広告に応答して、消費者がオンライン購入又は登録を行う際に発生する。以下により明らかとなるように、この実施形態は、キーワード−リンクの組み合せをランク付けする際の因子としてコンバージョンを用いることができる。図３の実施例では、ウェブページ２０２（すなわち２０２−１、２０２−２、・・・）は、ウェブブラウザ１１２の同じウィンドウ又は別ウィンドウで順次表示することができる。各ウェブページ２０２はページ識別子２１ １３（すなわち２１０−１、２１０−２、・・・）を含み、これらはＵＲＬであってもよい。行動監視及びメッセージ配信プログラム１２０は、消費者が閲覧したウェブページ２０２の２０箇所のＵＲＬを記録し、同様に消費者が各ウェブページに消費した時間量をナビゲーションデータとして記録する。本開示の目的においては、消費者によって「閲覧された」ウェブページは、クライアントコンピュータにおいて受け取られたウェブページである。図３の実施例では、ナビゲーションデータ６２７は、ログエントリ１１７（すなわち１１７−１、１１７−２、・・・）を含む。各ログエントリ１１７は、クライアントコンピュータ１１０（又は消費者）を匿名で識別するマシンＩＤ、ページ識別子、及びログエントリ４１７がいつ形成されたかを示すタイムスタンプを含む。ログエントリ１１７間のタイムスタンプは、消費者が表示されたウェブページを閲覧するのに消費した時間量の推定値を提供する。ログエントリ１１７は、消費者によって閲覧された各ウェブページ２０２毎に作成することができる。例えばログエントリ１１７−１は、消費者がリンク５０１をクリックしてウェブページ２０２−２を受信した時に作成することができる。クライアントコンピュータ１１０では、ログエントリ１１７−２は、消費者がクライアントコンピュータ１１０においてウェブページ２０２−３を受信した時などに作成することができる。

図３の実施例では、ウェブページ２０２−２はまた、ウェブページ２０２−１においてリンクを有する広告によって直接向けられるウェブページであるので、「待ち受けページ」とも呼ばれる。オンライン上で製品を販売するウェブサイトはまた、「確認ページ」２０２−５を有することができる。確認ページは、直前に完了したオンライン購入を確認するために消費者に対して提供されるウェブページである。或いは確認ページは、登録情報の確認送信を含むことができる。ウェブサイトは、待ち受けページ２０２−２と確認ページ２０２−５との間に「中間ページ」２０２−３、２０２−４などを有することができる。中間ページは、オンライン製品カタログ、ショッピングカート、及び他の種類のウェブページとすることができる。人気の高い又は提携ウェブサイトの待ち受けページ及び確認ページのページ識別子は、メッセージサーバコンピュータ１４０のデータベース１７１内に格納することができ、待ち受けページ及び確認ページのページ識別子は、クライアントコンピュータ１１０のナビゲーションデータ６２７内のものと比較して、特定のウェブページからオンライン購入を行う消費者の番号を求めることができる。理解されるように、消費者が購入を行うウェブページは、関連性が高い可能性があり、従って消費者の好みのページであると考えることができる。消費者の購入行動を監視するための技術はまた、Ｄａｖｉｄ Ｌ．Ｇｏｕｌｄｅｎ及びＤｏｍｉｎｉｃ Ｂｅｎｎｅｔｔによって２００３年６月１７日に出願された「Ｇｅｎｅｒａｔｉｏｎ ｏｆ Ｓｔａｔｉｓｔｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ ｉｎ ａ Ｃｏｍｐｕｔｅｒ Ｎｅｔｗｏｒｋ（コンピュータネットワークにおける統計情報の生成）」という名称の同一出願人の米国特許出願第１０／４６４，４１９号にも開示されており、これは引用により全体が本明細書に組み込まれる。

（プロセスの流れ）
図４は、スポンサー付き及びスポンサーなしの情報配信をパーソナライズする検索エンジンを提供するために互いに機能することができる構成要素の高レベルブロック図である。背景として、行動監視モジュールは現在、米国及び米国外において４千万台を上回るマシン上の行動ウェブナビゲーション情報を取り込んでいる。収集される情報は拡大しており、必要に応じて適合される。現在このナビゲーション行動情報は、ウェブワイドＧＭＴ広告媒体（例えばポップアップ及びスライドアンダー）を強化するだけでなく、ウェブ全体にわたって消費者の行動に固有のインサイトを与える数多くのデータリッチアプリケーションを強化するのに用いられている。行動監視モジュールは、最初に入力されたキーワードの観測から結果として表示されたリンクまで、更に滞留時間、閲覧ページ、反復訪問数、及びクリック後の購入又は登録を含むクリック後のメトリックに至るまでの全体の検索ライフサイクルを調べる能力を有する。ユーザ行動を集約することによって、カテゴリープロファイル及び人生を変える事象を判定することができる。検索エンジンの使用及びカテゴリー関心度による高度なユーザ情報は、経時的に求めることができる。この情報を用いて、ロボットではなく検索を要求した人間によってフィルタリングされた検索結果を選択し再ランク付けすることができる。

（データ収集）
ウェブ使用統計値は、インターネット又は企業イントラネットにわたって選択された検索エンジン上で検索を行うユーザについて行動監視モジュール（１２０）を用いて収集される（４０１）。このモジュールは、ユーザの検索に関連付けられた情報、及び各特定のキーワードについてユーザの検索が各特定の検索エンジン上でどのように有効であったかを送り返す。この情報はデータベース内に取り込まれ、このデータベースは毎日又は他のなんらかの同時発生の頻度でロードされる。入手可能な情報は、ユーザが見たもの及びその反応がどのようであったかを含む。ユーザが調べたＵＲＬは、この結果をアルゴリズム的又は自然なセクション内に表示することができる。単一の検索用語で入手可能な関連情報は、マシンｉｄ、キーワード、検索が実行された検索エンジン、結果として得られたＵＲＬ、アルゴリズム的ＵＲＬ、入札ＵＲＬ、ペイドインクルージョンＵＲＬ、ＵＲＬがクリックされたか否か、閲覧されたページ数、滞留時間、反復訪問数、並びにカテゴリーの関心度及び検索エンジンの高度化などのユーザのメトリックを含む。

米国ユーザからのある統計値は、データ収集及びランク付けの分析範囲を有効なものにすることができる。現時点で百万個の最も頻繁に検索されたキーワードは、主な検索エンジン上で行われた検索の半分を上回り、検索の５３％を占める。４５，０００個の最も頻繁に検索されたキーワードは３８％を占める。検索として入力されたキーワードの分布は、Ｚｉｐｆ分布で表すことができ、これは、両軸に対数目盛を有するグラフ上で直線としてプロットされる。例えば、２００５年８月１３日にｈｔｔｐ：／／ｗｗｗ．ｕｓｅｉｔ．ｃｏｍ／ａｌｅｒｔｂｏｘ／２００３０６１６．ｈｔｍｌにアクセスしたＡｌｅｒｔｂｏｘ（２００３年６月１６日）のＪａｃｏｂ Ｎｉｅｌｓｏｎによる「Ｄｉｖｅｒｓｉｔｙ ｉｓ Ｐｏｗｅｒ ｆｏｒ Ｓｐｅｃｉａｌｉｚｅｄ Ｓｉｔｅｓ（特殊なサイトにとって多様性は力である）」を参照されたい。２，０００個の行動監視モジュールは、１０，０００件の最も頻繁な検索をランク付けするのに十分なデータを生成することになると予測される。２０，０００個の行動監視モジュールのより大きなグループは、４５，０００個の最も頻繁に検索されるキーワードをカバーすることになる。４，０００万個を基準とする行動監視モジュールは、観測された１，５００億件のページビューからフィルタリングされた３００億件のデータ列を毎月取り込むことができる。観測されたページビューの中で毎月８０億件のオーダーの商業的事象が記録され、これらは２５０万件を上回る購入を含む。これらの数字は、たとえ統計学への精通が一時的なものであっても、極めて大多数のサーチャーの情報及び行動を集約すること、及び大衆の高い評価によって検索エンジンからの結果の第１ページ上に最も重要なウェブサイトを提示することに対してリーダを刺激するに違いない。集約された消費者行動を用いる検索エンジンは、検索要求に迅速に応答するようにページ／ドキュメントの権威及び人気をランク付けするにはよい状況にある。

図５〜１１は、行動監視モジュールからの情報をランク付け及びリンク追従サーバ並びにパーソナライズされた結果をもたらす検索エンジンに伝達することができるデータレコード又はクッキーの実施例である。図５は、クリックされたＵＲＬを報告するクッキー又はデータレコードの実施例である。キーワード５０１、タイムスタンプ５０２、及びユーザによって選択された１つ又はそれ以上のＵＲＬ５０３は、例えば、ユーザがサーバのうちの１つと提携しているウェブサイトに到達した時のクッキー内において、又は行動監視モジュールが活動を報告する時のデータレコード内においてインターネットサーフィン行動とは無関係に伝送される。コンバージョンステータスに関する追加データ、リターンコンバージョンステータス、ユーザが見たリストのランク等々は、こうしたクッキー又はデータレコード内に含めることができる。

図６は、最新の商業的な関心対象キーワードを格納するクッキーの実施例である。これは、検索からの最新の商業的関心対象キーワード或いはＵＲＬ又はクリックスルーに関連付けられたキーワードとすることができる。図６の実施例に従って１つより多い最近の商業的関心対象キーワードを１つ又はそれ以上のクッキー内に格納することができる。このクッキーの１つの属性又はフィールドは、クラム６０２のバージョンである。別のものは書き込み時間６０４であり、これは１９７０年からクッキーが書き込まれた時間まで秒単位で表すことができる。商業的フラグ６０６は、キーワードの種類、例えば現在の商業的関心対象であるキーワードと売り物のキーワードとの間をカテゴリー化するのに用いることができる。キーワードは、テキスト又は省略コードとして含めることができる６０８。ＵＦＴ−８のような文字コード６１０は、キーワード６０８のデコードを助けるために含めることができる。これは国際環境では重要となる可能性がある。

図７は、パーシスタントメモリに書き込むことができる行動ウォッチャー１２０によって維持される要約データの実施例である。この実施例では、カテゴリーＩＤ８０２は特定のカテゴリーについての省略形である。ビン（ｂｉｎ）は、１日のような現在の期間７０２に対して割り当てられる。期間は、様々な時間期間に対して等しい時間の長さのものとすることができる。１つの実施形態では、ビットストリング（列）がビンを実装する。６０日の履歴は、６０ビットに加えてカテゴリーＩＤの記憶領域によって実装することができる。各ビンは、特定の時間セグメントに対応する。ビットフラグは、特定の時間セグメントの間にカテゴリーに関連する活動があったかどうかを示す。いずれかのビンによって表される最短期間に対応する一定時間において、ビットストリングが更新される。データは古いビンに移動され、最新のビンを空にする。最近の活動に関するデータは、数字のゼロで表記された最新のビン内にまとめられる。ビンが、不均一な時間量を表している場合には、短時間のビンと長時間のビンとの間の境界においてアルゴリズム的に、又は追加の記憶領域を割り当てることのいずれかによって特別な対応が行われる。例えば、前日中のいずれかの１時間セグメントの間の活動は、丸一日の時間セグメント内にビットフラグを立てることになる場合がある。真夜の更新が生じる場合には、真夜中の時間セグメントフラグが「０」である場合に限り、丸一日の時間セグメントはフラグ「０」である。これは、１時間セグメントと丸一日セグメントとの間の境界におけるアルゴリズム上の対応の実施例である。或いは記憶領域は、特定の時間セグメント内の訪問回数を記録するためにビンに割り当てることができる。このことは、報告される行動を認識するサーバ１３２がどのように応答するかを変更する必要もなく、必要とされる記憶領域の量を有意に増大させる可能性がある。何百ものカテゴリーが存在し、クッキーサイズに対する実用的な制限値が２Ｋから４Ｋバイトである場合には、コンパクトな記憶装置が好ましい。クッキーは、ユーザ活動データをアーカイブするサーバに送信することができる。ユーザ活動データは、分析又は広告のターゲティングのために用いることができる。ビットストリングは、カテゴリーによって更にまとめることができ、これは図８〜１０に示されている。

図９は、検索ワードの使用、クリックスルー、ＵＲＬ宛先の入力、又はユーザ関心対象の他の指標の新しさに対して適用することができるバケットを示している。最新の訪問は特定のバケット内のメンバーシップによって記録される。１５又は１６個のバケットのうちの１つは４ビットで識別することができる。その数字においてバケットは不均一な長さのものである。図６によって例示されているような単一の最新の訪問レコード、又はメモリ内に保持されているエントリを用いて、特定のバケットにカテゴリーを割り当てることができる。

図１９は、バナー広告に応答した最近の行動の重要度を示しており、これはクリックスルー率によって測定されている。広告カテゴリーにおいて直前の１時間以内に行動をとったユーザは、そのカテゴリーにおいて直前の７日間に行動のないユーザに較べてバナー広告に応答する可能性は３０倍であった。直前の１時間、２時間、又は３時間における行動は、バナー広告への応答性において大幅な増加を生じさせることが観測された。直前の７日以内の行動でさえも、ユーザの関心対象と強い相関性がある。好ましくは新しさのバケットサイズの選択は、数字によって示されている最近の行動の観測された累乗を反映する。

図１０は訪問の頻度に適用することができるバケットを示している。図７のビットストリングが日数で編成される場合には、カテゴリーにおける活動は、ユーザが興味を示した直前の６０日の中から０、１、２、３、４又は５、６から１０、１１から３０、或いは３１から６０日といった異なる訪問頻度のバケットに割り当てることができる。ビットストリング内に設定されたビット数は、このカテゴリーを用いてカウントされてまとめられる。

新しさ及び頻度のカテゴリーコーディングを考慮して図８を参照する。単一のクッキーは多くのカテゴリーＩＤ８０２のデータを記録することができる。各カテゴリーＩＤに対して３つ又はそれ以上のユーザの関心対象のメトリックを記録することができる。１つ又はそれ以上の新しさのカテゴリー８０４を記録することができる。新しさの記録は、上述の検索エンジンに実行依頼されたキーワード又は他の種類のユーザ行動に適用することができる。１つ又はそれ以上の頻度カテゴリー８０６を記録し、実行依頼されたキーワード、又は他の種類のユーザ行動に適用することができる。バナークリック８０８は、新しさ、頻度、又はその両方で別個にカテゴリー化することができる。データ列８１０のコメントは、テーブル内のデータを説明する編集コメントであり、データの一部ではない。カテゴリーＩＤ９８４０９は最近のヘビーユーザの関心が認められる。カテゴリーＩＤ６５６２５は前月にヘビーユーザの関心が認められる。カテゴリーＩＤ６８５３０は、最近の軽度のユーザ関心が認められる。カテゴリー１４７３７４は、前月に軽度の活動が認められ、恐らくは頻度８０６で非ゼロ値によっても反映されるはずである。

行動監視モジュール１２０は、最も重要なカテゴリーが最初にリストされるように図８のカテゴリー履歴情報をソートするのが好ましい。或いは、システムは、カテゴリーのソートを報告される行動に応答するサーバにまかせることができる。図１１に示されているように、カテゴリーＩＤ１１０２は、カテゴリー名１１０４及び収入優先度１１０６の両方に関連付けることができる。特にクライアント側のユーザ行動データの一部のみが、報告される行動に応答するサーバに送信される場合には、カテゴリー履歴情報を収入優先度によってソートすることは有益とすることができる。

ウェブ使用に関して返された統計値は、商業的キーワード検索と非商業的キーワード検索とを区別する場合があり、或いは区別しない場合もある。この区別は、Ｏｖｅｒｔｕｒｅが入札を行う用語のような常に変わる商業的用語のリストに対してキーワードがチェックされる場合のデータベース中へのロード時に行われる。キーワードが商業的であると判断される場合には、このキーワードにはキーワードｉｄが割り当てられ、これはＯｖｅｒｔｕｒｅキーワードｉｄリストと互換性を有することができる。キーワードが商業的ではないとみなされる場合には、別のｉｄがデータロードプロセスにおいて割り当てられる。

これらの２つの種類のデータ（商業的及び非商業的）は、データ倉庫の別個のセクションにロードされる。新しい検索エンジンのロード実行時には、キーワードデータは商業的及び非商業的テーブルの両方から抽出される。この結果は統合され、一意のキーワードｉｄがマスターテーブルから割り当てられる。キーワードは商業的及び非商業的コンテキストの両方で見つけられる場合もある。例えばキーワードの商業的性質が、キーワードが入札されているか否かに関係している場合には、本日に商業的でなかったキーワードが入札を受けると翌日には商業的なものになることができる。同一のキーワードは入札プロセスによって生成されるキーワードｉｄとロードプロセスを通じて生成される第２のキーワードの両方を有することができるので、このキーワードの二重性は一意でないキーワードｉｄを生成する。このことを排除するためには、全てのキーワードに対して単一の一意のキーワードを生成し維持することが好ましい。このリストは、新しいキーワードが発見されると更新され、既存のｉｄを既にシステム内に存在するキーワードに割り当てる。

報告されるＵＲＬを簡単にするために、行動監視モジュールによってなんらかの事前処理を行うことができる。ＵＲＬはアンラップされ、別個のプロセスで取り除かれる。用いている検索エンジンが提供されるＵＲＬ上のクリックを追跡することができるように、ＵＲＬは検索エンジンによってラップされる場合が多い。多くの異なる形式のＵＲＬラッピングが存在する。例えば、ｙａｈｏｏ．ｃｏｍによってラップされたＵＲＬは、ｈｔｔｐ：／／ｒｄｓ．ｙａｈｏｏ．ｃｏｍ／Ｓ＝２７６６６７９／Ｋ＝ｂｍｗ／ｖ＝２／ＳＩＤ＝ｗ／ｌ＝ＷＳｌ／Ｒ＝２／ＳＳ＝１０００４０７３６／Ｈ＝ｌ／ＳＨＥ＝０／＊−ｈｔｔｐ：／／ｗｗ．ｂｍｗｍｏｔｏｒｃｙｃｌｅｓ．ｃｏｍ／とすることができる。このＵＲＬをアンラップすると、ｈｔｔｐ：／／ｗｗｗ．ｂｍｗｍｏｔｏｒｃｙｃｌｅｓ．ｃｏｍが得られる。

サーバの観点からすれば、プロセスは行動情報の受け取り（４０２）で始まる。サーバは、受け取った情報はどのようなものでも利用する。ユーザの観点からすると、行動監視モジュールはその観測結果を報告し、ユーザは他の情報とユーザの情報とを集約したものを順序付けた検索結果を受け取ることになり、及び／又はユーザの最近の行動にパーソナライズされたものを受け取ることになる。

重複除去もまたＵＲＬレベルで行うことができる。２つの同一のＵＲＬについての情報は単一のＵＲＬに集約される。しかしながら、２つのＵＲＬが僅かでも異なる場合（例えばスラッシュだけ）には、２つの異なる形態は保持され、例えばタイトルと生成された抜粋との組み合せを用いて、以下に示すような重複除去において別の試みが行われる。

コンバージョンデータは、予め設定されたウィンドウ内で起こる特定のコンバージョン事象に検索ＵＲＬクリックを結びつけるアルゴリズムによって特定の検索に関連付けることができる。利用及びコンバージョンデータは、マシンｉｄ、クエリ時間、広告主ドメインレベルにおいてクリックを有する広告主ドメイン（ＵＲＬ）に対して整合される。特定の広告主ドメイン上にクリックを有する特定のマシンにおいて、コンバージョン統計値が予め設定されたウィンドウ内で観測された場合には、コンバージョンはその検索クリックに帰属する。コンバージョンが予め設定されたウィンドウの外側にある場合には、検索クリックは帰属されない。

帰属されたコンバージョン統計値を有するマシンｉｄ−広告主ドメインのペアにおいて、これに続く以後のコンバージョンは反復コンバージョンとして帰属される。またこれらの属性は保持することができ、ランク付けアルゴリズム（４０４）により利用可能である。検索データに含まれるメトリックは、訪問回数、消費時間（滞留時間）、及び閲覧ページ数を含む。

ｇｏｏｇｌｅ．ｃｏｍ、ｍｓｎ．ｃｏｍ及びｙａｈｏｏ．ｃｏｍにおいて米国マシンの検索行動を組み合せるために、ドメイン事象データは、ソース全体にわたってマシンｉｄ−広告主ドメインレベルでユーザデータ（コンバージョンメトリックを伴う）と統合される。これらの結果は、マシンｉｄ及び広告主ドメイン内に時間系列順に入れられる。検索クリックに続く予め設定された時間期間内に発生するドメイン事象は、その特定の広告主ドメイン上のその検索クリックについてのクリック後メトリックとして割り当てられる。クリック後メトリックを特定の検索クリックに割り当てることができない場合には、レコードは破棄される。

ドメインの事象データ要素の幾つかは、クライアントが送信したス統計値内に現れる不正確さの影響を受けやすい。消費時間及び閲覧ページ数の両方は、誤って報告される場合もあり、またある時には正確に報告されるが、論理主導の制限が課される必要がある。

消費時間は、不良又は不正確な時計を有するマシンによって誤って伝えられる可能性がある。これは正確に表すことは可能であるが、マシンが特定のドメインに長期間放置されているような場合には上限を設ける必要がある。異常値に上限を設け、クリック掲載のサイト上で消費される時間に対して妥当な閾値を維持する（４０３）ため、３０分の時間制限が利用されている。閲覧ページ数に対する上限も実装されており、５ページに設定されている。他の時間及び閲覧ページ数の制限を代用してもよい。これらの上限は、行動監視クライアント側、又はホストでデータが受け取られた後に実装することができる。加えて、ユーザの活動は、長期間の静止状態は滞留時間としてカウントしないように行動監視モジュールによって監視することができる。

データがマシンｉｄ、キーワード、及びＵＲＬレベルにおいて統合及び集約される場合、結果として得られるデータ構造は、マシンｉｄ、キーワード、キーワードｉｄ、ＵＲＬ、ＵＲＬ ＩＤ、ドメインｉｄ（ＵＲＬのドメインに対応する）、クリック、クリック当たりの滞留、クリック当たりのページ数、クリック当たりのコンバージョン、ランク位置（ユーザによって閲覧される検索結果リストからのもの）を含むことができる。任意的に、予め設定された関心対象のキーワード（４０２）のみを処理することができる。例えば、入札キーワード等の商業的関心を有するキーワードを処理することができる。

異常を記録することを回避するために異常値を任意選択的に除去することができる（４０３）。異常値の一例は、検索エンジンによって一度だけ返され、返された時にユーザによって熱心に辿られたリンクである。単一の強いサンプル点は、強力な平均スコアをリンクに与える可能性がある。キーワードが再記録される直前に出現したリンクは、場合によっては、単一のサンプルに基づいてそのキーワードの最上位の位置にランクされる可能性がある。これに応じて任意選択的に異常値を除去する一例は、リンクが予め設定された回数を辿るまではリンクをランク付けしないものである。例えば、リンクがユーザによって選択されておらず、少なくとも１０又は１００回辿られている場合には、その活動レベルが予め設定されたレベル又は閾値に到達しない限りランク付けせずに保持することができる。

（ランク付けアルゴリズム）
ＵＲＬのランク付けアルゴリズム（４０４）は、あらゆる所与のキーワードについてリンクを識別しランク付けするように開発されてきた。集約された観測結果のセットみ合せに関する多くの変形形態は、以下で説明するように価値がある。１つの組み合せでは、ＵＲＬを選択し、ランク付けするためにＵＲＬクリック率及び滞留時間メトリック（ドメインにおける消費時間、及び／又は閲覧ページ数）が用いられる。

任意選択的に、ユーザ応答は検索結果セット内でＵＲＬ位置について正規化することができる。位置は、検索結果に対するＵＲＬクリックデータにおける本質的な偏りを生じ、これは望ましい場合もあれば、望ましくない場合もある。高ランクを占めるＵＲＬは、より多くのクリックを獲得する。この偏りを考慮に入れるために、同じ基盤上の異なる位置にリンク上のクリックを置くように正規化アルゴリズムが開発された。

データは、各位置について集約され、平均クリックスルー率、平均消費時間、及び平均閲覧ページ数が計算される。各ランク位置（１〜ｎ）について、その位置の重要度の少なくとも３つの平均集約基準値が存在し、クリックスルー率、消費時間、及び閲覧ページ数である。これらの基準値の正規化は次式で表すことができる。

この実施形態では、観測されたユーザメトリックに基づいてあらゆるキーワード（４０４）についての上位ＵＲＬが計算及びランク付けされる。

この実施形態では、個々のマシンのパーセンテージ票に対応する時間シェアメトリックに基づいて結果を再ランク付けすることができる。このアルゴリズムは、ユーザのウェブサーフィンパターンを考慮し、関連するリンクに対して平等な投票にユーザを効果的に参加させる。ユーザが、検索クリック掲載のサイト上で消費する一定時間量を有することが前提となる。これらの時間は合計され、検索クリックを掲載するサイトを閲覧するのに消費されたユーザの合計時間値を形成する。次いで、合計時間のパーセンテージは、その特定のユーザによってクリックされた各ＵＲＬについて計算され、結果として時間比率の票が得られる。

この方法論を用いる際に、一般にウェブをサーフィンするのに少ない時間を消費するユーザは、長い時間量を消費する傾向にあるユーザと同じ投票権を有する。これにより全カテゴリーにわたる活動の場が等しくなる。或いは他の実施形態では、個々のユーザプロファイルを構成する他の因子を考慮することができる。カテゴリーを熟知している者として知られているユーザは、より大きな票を有することができる。例えば電子機器カテゴリーに関心の高いユーザは、このカテゴリーが初めてのユーザよりもクリックしたリンクに対してより多くの票数を有することができる。投票ブロックは、全体として全てのカテゴリーにわたるのではなく、特定のカテゴリー内で行われる。

以下の詳細な計算例は、集約及び除去プロセスを通じて特定のキーワード−ＵＲＬペアに適合する。

高い位置にあるリンクは、高いクリック数を獲得し、よって高いクリックスルー率を有する。同様にユーザはこれらの高いランクを占有するＵＲＬのページにより長い時間量を消費し、より多くを閲覧する傾向にある。この偏りに対処するために、正規化プロセスが適用される。

平均クリック数、平均滞留時間、及び平均閲覧ページ数は、キーワード又はＵＲＬの組み合せに関係なく各位置について計算される。これらの数値は、位置平均値として以下に示されている。平均比率クリック数、滞留時間、及びページビューもまた、このキーワード、ＵＲＬの組み合せに対し示されている。これらの平均比率は、全マシンによって各キーワード、ＵＲＬ、及び位置グループ化に充てられる各メトリックのパーセンテージに対応する。

上昇係数を各位置について計算して適切な観測メトリックに適用し、これらを位置について正規化する。正規化方程式は次式である。

低い位置におけるクリック数、滞留時間、及びページビューは、その特定の位置において観測される適切な上昇係数によって係数倍される。以下の実施例では、位置７の事前正規化における平均比率滞留時間は０．３２であった。上昇係数の適用後は、平均比率滞留時間は０．５３であった。この数値は正規化された滞留時間である。

加重平均は各位置における各メトリックについて計算され、合計はクリックについての位置、及び加重平均比率測定値の全て、すなわちクリック数、時間、及びページビューにわたって計算される。

経時的に、行動監視モジュールからのウェブ使用の新しい報告を得て、特定のキーワードについてのＵＲＬは、それらの位置を調節することになる。今週に位置１にあるＵＲＬは、次の週には位置７にある可能性がある。従って、位置についての調節は、クリーンアップ及び調節プロセスである。

最終結果は、あらゆる位置におけるキーワード０１、ＵＲＬ１０１についての正規化合計の加重平均である。全てのキーワード、ＵＲＬの組み合せについて計算すると、単一のスコアが、ｖ１７．１のアルゴリズムに必要とされる各メトリックについて計算される。これらのメトリックは、ここで位置について正規化され、更に複数のランク発生ついて正規化される。

スコアリングのランクは、ドメイン上でユーザがページ閲覧するのに消費する時間に基づくことができる。行動監視モジュールから受け取られる情報は、あらゆる閲覧セッションに対して割り当てられることになる最大時間量を制限することができ、又は、行動監視モジュールは、プログラム、マウスクリック又はマウス移動の間のウィンドウナビゲーションなどのユーザ行動を追跡し、更に滞留時間の計算時に非活動状態の期間を無視することができる。

ランク付けは、予め設定された回数よりも少なくユーザが選択したリンクを無視することができ、この予め設定された回数は固定回数或いはキーワード又はカテゴリーについてのトラフィックの関数とすることができる。異常値のリンク（４０３）を無視することにより、検索エンジンによって稀にしか提示されず、１〜２度しか辿られなかったリンクに高いランク付けを与えるのを回避することができる。

スコアリングのためのランクはまた、クリックスルー率、滞留時間、及びリンクを辿った後に閲覧されたページ又はドキュメント数の組み合せに基づくことができる。これらの係数を組み合せると、幾つかの例では係数のうちの１つが優位を占めることになり、すなわち、ランク重み付けの全て又は３分の２よりも多くは、クリックスルー率、滞留時間、又は閲覧されるページ又はドキュメント数のうちの１つだけに割り当てることができる。或いは、これらは、均等値±１０％に重み付けすることができ、又は１つの係数に全重み付けのほぼ半分が与えられるように、係数は、ほぼ２：１：１±１０％の重み付け率を割り当てることができる。

ランク付けにおいて用いることができる別の因子は再訪問である。ユーザがドメインを離れた後に予め設定された時間内、又はナビゲーション事象の予め設定された回数内にそのドメインに戻った場合には、そのサイトへのユーザの帰還には有意性を割り当てることができる。サイトへの帰還は、他のサイトを考慮した後の好意的な印象を反映している可能性がある。

閲覧者から購入者又は登録先導者へのコンバージョンは、因子として特に価値があるとみなすことができる。この場合もコンバージョンは、ドメインにおける購入及び登録の両方を含むことができる。自動車又は住宅購入等の幾つかの場合では、購入はウェブサイトでは実現性がなく、又は稀にしか達成されない可能性があるので、登録はより現実的な手段である。帰還コンバージョンもまた考慮に入れることができる。

結果は、分析のために検索エンジン及びスコアリングされたランク毎に分離することができる。次いで、別個のランクスコアは、総合的ランク付けに組み合せることができる。

統計的分析又は他の分析をカテゴリー又はキーワード内に適用し、ランク付け因子のどの組み合せが検索に対して応答してリンクを辿るようにユーザを最も惹きつけるかを判断することができる。ランク付け情報は、キーワードカテゴリーの間で異なって使用されることが予想される。消費時間は自動車カテゴリーでは重要となる。コンバージョンは、音楽ダウンロードカテゴリーではより一層重要となる。

任意選択的に、クリックセグメントバンドを適用することができる。これらのバンドは高いクリック数を有するＵＲＬに優先順位を与える。これらのバンドを利用することにより、選択されたアルゴリズム上で結果として得られるリンクを改善することができる。

セグメントバンドは、特定のＵＲＬによって受け取られた合計のクリック数に基づいて識別される。例えば以下の通りである。

階級１：１００＋回のクリック数を有するＵＲＬ
階級２：５０回から９９回の間のクリック数を有するＵＲＬ
階級３：１０回から４９回の間のクリック数を有するＵＲＬ
階級４：１０回未満のクリック数を有するＵＲＬ

特定のキーワードについてのＵＲＬは、最初に適切なセグメントバンドに入れられる。バンドが識別されると、これらのＵＲＬはランクスコアによって降順に設定される。

上位１５リンク（４０５）といった予め設定されたリンク数をデータ収集のために選択することができ、これらはスパイダエンジン（４０６）によって辿られることになる。

出力として、次の３つのテーブルがランク付けプロセスから生成される。
キーワードテーブル（ＫＥＹＷＯＲＤＩＤ、ＫＥＹＷＯＲＤ）、
ＵＲＬテーブル（ＤＯＭＡＩＮＩＤ、ＵＲＬ＿ＩＤ、ＵＲＬ）、
ランクテーブル（キーワード、ＵＲＬ、ランク）

（追従リンク）
他の検索エンジンにおける慣習的な巡回プログラム（例えばＹａｈｏｏ！におけるＳｌｕｒｐ、ＧｏｏｇｌｅにおけるＧｏｏｇｌｅｂｏｔ、ＭＳＮにおけるＭＳＮＢｏｔ）は、所与のキーワードについて表示するために、リンクのランク順の決定において用いられるインデックスに関連するページを探してウェブ全体を巡回する。対照的に、本明細書で開示される実施形態では、巡回するＵＲＬの簡潔な数字が与えられ、これは行動監視モジュール（４０１）によって報告されるリンクから任意的に選択することができる（４０５）。これらのリンクは事前にランク付けされ、従って、この情報検索プロセスは、所与のＵＲＬの相対重要度をそのＵＲＬの他への接続から判断する必要はなく、むしろＵＲＬからの可能な最良の説明情報を得る必要がある。

この実施形態では、ＵＲＬの特定のセットがとられ、幾つかの特定のタスクが次のように実行される。すなわち、全てのＨＴＭＬタグが除去され、最初の１，０００ｋ又は別の予め設定されたページ上のテキストチャンクがファイルに返される。テキストオブジェクトの値から、テキストシグネチャ又はテキスト指紋として用いられる均一スカラー空間へのマッピングを取得して格納される。ＭＤ５又は他のドキュメント（ｈｔｍｌタグを有するものもあれば、有さないものもある）の指紋が計算される。ドキュメントから抽出されたテキスト内の文字の要約カウントが計算される。

この方法は、図１８によって示されているようにＬｉｎｕｘ環境で動作するＪａｖａアプリケーションによって実装することができる。このアプリケーション（１８１１）は、ブローカアプリケーションであり、多数且つ拡張性のある数のスレッドが複数のＬｉｎｕｘサーバにわたって同時に実行することが可能となる。現行の構成では、各Ｌｉｎｕｘサーバ（１８２１、１８２２）は、最大１０個のスパイダインスタンス（１８３１−３３、１８３４−３６）までを処理することができる。その結果、各スパイダは、２００個ワーカスレッド（１８４１−４３、１８４４−４６）を実行する。全能力では、この構成は１秒間に８００リンクを張ることができる。

単一のブローカにおいて作動している合計スレッド数は、次式で得ることができる。
スパイダ数ｉで各々がワーカ数ｊ（スレッド数）を有するとすると：

二重ブローカモデル（１８２１、１８２２）は、キーワード速度によってキーワードを分離することができる。一般的なキーワードは、ランク付けアルゴリズムの堅牢でヘビーデューティな形態を通じて送られる。動きの速いキーワード（例えば、ニュース、最新事象）は、履歴をあまり利用しない高速形態のランク付けアルゴリズムを通じて処理することができる。キーワード速度は、キーワードの人気がどのように迅速に変化するかに関する尺度である。最も高速なキーワードは、直前の２４時間（０日目）内のキーワード検索数をその前の２４時間（−１日目）と比較することによって選択することができる。勿論、４又は８時間といった異なる時間を用いてもよい。０日目／−１日目の比率が「１」からどこまで大きく変化するかがキーワード速度である。比率が１よりも小さければキーワードは人気が低く、「古いニュース」となる。比率が１よりも遥かに大きければキーワードは新しい話題に関係する可能性がある。一般に、予め設定された数値の比較的高速のキーワードは、予め設定された間隔又はリソースに応じてインデックスが再作成される。１つの実施形態では、上位１０，０００個のキーワードは毎日インデックスが再作成される。キーワード速度又は揮発性の１つのメトリックを説明してきたが、変形形態も予期される。

ヘビーデューティな形態は、ランク付けキーワードＵＲＬペアを処理する。これらのランク付けキーワードＵＲＬペアは、Ｏｒａｃｌｅのデータベース上のテーブルを通じて利用可能となる。ＵＲＬ＿ＴＡＢＬＥは、ＤＯＭＡＩＮＩＤ，ＵＲＬＩＤ、ＵＲＬ、ＬＥＮＧＴＨ、ＳＩＧＮＡＴＵＲＥ＿Ｈ、ＳＩＧＮＡＴＵＲＥ＿Ｔ、ＳＰＩＤＥＲ＿ＤＡＴＥ、及びＨＯＳＴを含む。

ＤＯＭＡＩＮＩＤ、ＵＲＬＩＤ、及びＵＲＬのフィールドは、リンクを辿る前に参照データベースからデータが読み込まれる。特定のＵＲＬについてのリンク追従プロセスの後、ＬＥＮＧＴＨ、ＳＩＧＮＡＴＵＲＥ＿Ｈ、ＳＩＧＮＡＴＵＲＥ＿Ｔ、ＳＰＩＤＥＲ＿ＤＡＴＥ、及びＨＯＳＴのフィールドは、データベースに書き戻される。

ブローカは、Ｏｒａｃｌｅデータベースに接続するためにＪＤＢＣ（Ｊａｖａ Ｄａｔａｂａｓｅ Ｃｏｎｎｅｃｔｉｖｉｔｙ）を用いる。ブローカは、ランク付けプロセスからＵＲＬ＿ＴＡＢＬＥにアクセスする。ブローカは、ＵＲＬテーブルにおいて利用可能な合計ドメイン数の１／１００について要求し、このＵＲＬテーブルに対してＳＰＩＤＥＲ＿ＤＡＴＥはヌルである。これらのドメインに関連付けられた全てのＵＲＬは、ブローカによって抽出され、ここでＵＲＬはドメインによってグループ化される。個々のスパイダボックスは、遠隔メソッド呼び出し（ＲＭＩ）を介してブローカと通信し、ドメインに向けて一度に１，０００個のドメインにＵＲＬを要求する。次いでドメインは、スパイダから、ドメインに関連付けられたＵＲＬの全てを取得してこれらのＵＲＬ上で動作するワーカに渡される。

一般的に受け入れられる巡回又はリンク追従の手法に対応するために、ＵＲＬはドメインによってグループ化されたワーカへと渡され、何千もの同時要求によってドメインに殺到しないようにする。一度に１つを上回る要求で単一のドメインにアクセスしないことは、一般に受け入れられる手法である。リンク追従プロセス（４０６）は、所与のドメインに関連付けられた全てのＵＲＬを各ワーカに割り当てることで、この一般的に受け入れられる原理を順守する。

リンク追従プロセス（４０６）は、コンテンツをフェッチして特定のＵＲＬから統計値を計算するロバストで拡張性のあるアプリケーションである。ワーカがドメイン及びその関連付けられたＵＲＬを受け取ると、ワーカはＨＴＴＰプロトコルを用いてそのＵＲＬにアクセスする。良好な応答コードを受け取ると、リンク追従ワーカはそのページで作業を開始する。ワーカは、その時の９８％を上回る応答コード２００（ＯＫステータス）を受け取る。ページがリダイレクト（コード３０１、３０２、３０３、及び３０７）を示すＨＴＴＰコードを返す場合は、そのＵＲＬについての情報を取得するために、ワーカ又はシステムは追加の措置をとる必要がある。ワーカは、断念する前に最初のＵＲＬから５回までのリダイレクトを辿ることになる。ワーカがエンドポイントに到達すると、次のタスクが生じ、すなわちＵＲＬからＨＴＴＰ戻りコードを取得する。良好な応答コードが得られると、次のタスクが生じ、すなわち利用可能であればタイトルのメタタグを識別し、全体のドキュメント（ＨＴＭＬとテキストとの両方）のＭＤ５指紋を計算し、ページからＨＴＭＬを構文解析して、テキストの最初の１，０００ｋをディスクに書き戻す。

コンテンツが構文解析され、ディスクに書き戻されると、後続のオペレータが引き継ぐ。このオペレータは、ドキュメント指紋に用いられる幾つかの計算を行い、Ｏｒａｃｌｅデータベースにこれら及び他の統計値を書き戻す。システムは、次のフィールドをＯｒａｃｌｅに書き戻す：ＵＲＬ＿ＴＡＢＬＥ、ＤＯＭＡＩＮＩＤ，ＵＲＬＩＤ、ＵＲＬ、ＬＥＮＧＴＨ、ＳＩＧＮＡＴＵＲＥ＿Ｈ、ＳＩＧＮＡＴＵＲＥ＿Ｔ、ＳＰＩＤＥＲ＿ＤＡＴＥ、及びＨＯＳＴ。

ＬＥＮＧＴＨは、ドキュメントのテキスト（最初の１，０００ｋ）内の文字数である。この特徴は、後にプロセス（４０８）でＵＲＬの重複除去を行うのに用いることができる。ＳＩＧＮＡＴＵＲＥ＿Ｈは、ＭＤ５ハッシュコードシグネチャである。ＳＩＧＮＡＴＵＲＥ＿Ｔは、テキスト（最初の１，０００ｋ）のＣＲＣ３２チェックサムコードである。ＳＰＩＤＥＲ＿ＤＡＴＥは、特定のＵＲＬがアクセスされた日付と時間を示す。ＨＯＳＴは、どのスパイダマシンがＵＲＬのテキストを格納したかに関係する。

次のシステムは、ドキュメント重複除去（４０９）を支援するように設計された３つの異なる手法を作成することができる。この重複除去プロセスは、所与のキーワードの結果セット内で同一の又は極めて類似したドキュメントを識別することを目的とする。別個には示されていない先行する段階において、ＵＲＬは、ＵＲＬレベルで重複除去される。２つの全く同一のＵＲＬの発生のような容易に識別される重複が排除される。システムは、同一のページを指し示すようには見えないが、実際には指し示しているＵＲＬを排除しようとする。１つの実施形態では、各ＵＲＬについて数学的なシグネチャ（指紋）がとられ、所与のキーワード結果セット内で他のＵＲＬと比較される。３つの例示的なシグネチャは、長さシグネチャ、ＭＤ５シグネチャ、及びＣＲＣ３２チェックサムである。他のシグネチャを代用してもよい。

長さシグネチャでは、テキストドキュメントの文字長が計算される。この手法は、重複として識別されたページにコンテキストを与えるのを助ける点で重複除去処理の一助となる。例えば、２つのサイトが同一のＭＤ５及びＣＲＣ３２シグネチャを示しているが、本質的に異なるＵＲＬを有する場合には、このシグネチャが分析される。長さシグネチャが小さい、つまりページが小さいと、これら２つのＵＲＬは、例えばアダルトコンテンツサイトに入る前に見られるような標準警告画面を共有している可能性が高い。

ＭＤ５シグネチャは通常、データの完全性を検証するための手段である。ＭＤ５アルゴリズムは、任意長のメッセージを入力としてとり、出力として入力の１２８ビット「指紋」又は「メッセージダイジェスト」を生成する。ＭＤ５アルゴリズムは、大きなファイルが安全な方法で「圧縮」される必要がある場合のデジタルシグネチャアプリケーションを対象としている。システムは、全体のドキュメントについてＭＤ５シグネチャを計算し、例えば同値比較プロセスを１２８ビット比較にまで軽減させる。

ＣＲＣ３２チェックサムは、３２ビット長の巡回冗長チェックサム多項式を生成する。通常これは送信されているデータの完全性を確認するために用いられる。ＣＲＣはファイルの「デジタル指紋」である。ＣＲＣ３２を用いると、巨大な２０ＭＢ（又は更に大きな）ファイルを「解凍し」、ファイルへの小さく扱いやすい参照符号である有する７ｄ９ｃ４２ｆｂ（１６進法表記）のような単一の３２ビットの数字が得られ、これはこの巨大なファイルのコンテンツ全体を反映している。システムは、ドキュメントのテキストのＣＲＣ３２シグネチャを計算し、ページのテキストコンテンツへのインサイトを得る。

計算及び使用可能な別のシグネチャは、Ｒａｂｉｎの指紋生成アルゴリズム、例えばコンパクトなチェックサムを生成するＢｒｏｅｄｅｒの実装である。

チェックサム又は指紋のいずれかは、全ドキュメント、取り除かれたＨＴＭＬタグが少ない全ドキュメント、キャッシュされるドキュメントの選択されたチャンク、タイトル及び抜粋、或いはドキュメントからの他のなんらかの予め設定された抜粋に対して適用することができる。１，０００ｋ前後のドキュメントを用いることができる。

プロセスは、特定のＵＲＬについての実行を完了し、データはＯｒａｃｌｅデータベース及びスパイダボックスに書き込まれる。Ｏｒａｃｌｅデータベースは、ＵＲＬ＿ＴＡＢＬＥに書き込まれた指紋情報（長さ、ＭＤ５、ｃｒｃ３２）、及びスパイダの日付／時間、ホストのロケーション情報、並びにＫＥＹＷＯＲＤテーブルに書き込まれたスパイダの日付／時間スタンプを受け取る。スパイダボックスは、該スパイダボックスが辿ったデータリンクについてのファイルを受け取り、すなわち、ＵＲＬ、タイトル（そのＵＲＬからの最初のフェッチ中に得られる場合）、及び抜粋生成に用いられることになるドキュメントのテキスト（最初の１，０００ｋ）である。このテキストは、メタ記述の要素及びドキュメントの本文を含む。

（抜粋生成）
抜粋生成プロセスは、表示（４０７）用にタイトル及び抜粋を生成する。抜粋プロセスは、キーワードフレーズとＵＲＬとの組み合せを取り、そのＵＲＬを説明する最良のタイトルを創出し、そのＵＲＬ内に含まれており且つそのキーワードに関係する情報を２００文字スペース内で概説するそのＵＲＬについての抜粋を生成する。抜粋生成はリンク追従プロセスに続く。抜粋は、選ばれたＵＲＬから検索されたドキュメントのテキストから生成される。

キーワード「ｓｏｍｅｃ ｂｉｃｙｃｌｅｓ」は、表示のために以下の例示的なテキストを作成する。

この実施例では、タイトルは「Ｕｐｌａｎｄ Ｓｐｏｒｔｓ．．．Ｆｒａｍｅｓ」である。この抜粋はタイトルに続いて２つの行がある。ＵＲＬは最終行にある。

タイトルは通常、リンクが辿られた時に検索されたページのタイトルから生成される。ほとんどのサイトでは、検索エンジンのためにＨＴＭＬメタタグを利用することによりページタイトルに注釈を付けている。タイトルを識別するタグは全体の９７％を超えるＵＲＬに存在している。

ＨＴＭＬタグがタイトルを供給しないこの３％のＵＲＬでは、本プロセスがタイトルを作成する。ＵＲＬに利用可能なテキストがある場合、プロセスはテキストの最初のおよそ７０文字をとり（ワードの境界を尊重しながら）、タイトルを作成する。ＵＲＬから生成されたテキストがない場合には、そのＵＲＬからドメイン名（ｗｗｗから．ｃｏｍまでの間の全情報）が剥され、タイトルとして表示される。

抜粋生成は芸術と科学の組み合わせである。このプロセスは、数式と言語科学とを利用して抜粋を作成する。１つの実施形態では、抜粋は１つの単一のサブ抜粋、又は省略記号（．．．）で分離された最大３つまでのサブ抜粋からなることができる。スコアリングアルゴリズムは、組み合せ（単一のサブ抜粋の場合ではそうではないが）時にどのサブ抜粋が最良のスコアをもたらすかを決定する。

抜粋スコアリングアルゴリズムは、ドキュメントのテキストの様々な部分をスコアリングするマルチステッププロセスである。このアルゴリズムは、４つの部分にキーワードトークン化、ウィンドウスコアリング、ウィンドウトレーディング、及び最終決定を含む。

キーワードトークン化が適用されるのは、キーワードが常に単一ワードとは限らないためである。キーワードは、複数ワードのフレーズである。プロセスはトークン化を行うか、又はフレーズ内の個々のワードを選び出す。個々のワードトークンの識別は通常、スペース、ピリオド、コンマ、又はコロン／セミコロンなどのワード区切り記号の検索を含む。キーワードフレーズのトークン化が完了すると、ウィンドウスコアリングルーチンが開始することができる。

ウィンドウスコアリングの１つのバージョンにおいて、例えば、２００文字、１００文字、及び６６文字の長さのサブ抜粋に対して、３つの異なるサイズのウィンドウがドキュメントのテキスト内で計算される。様々な表示フォーマット及びユーザプリファレンスに対し、５０、１００、２００、５００、又は１，０００文字の合計抜粋長が最も良好に働くことができる。ここでの実施例は２００文字である。図２０は、ウィンドウスコアリングルーチンがどのようにドキュメント（２００１）内のテキスト（２００３）の第１のワードで開始するかを示している。第１の事例では、ウィンドウは２００文字の範囲である。このウィンドウは、幾つかのメトリックに基づくスコアを受け取る。スコアが計算されると、ウィンドウは右に１文字移動し、次のウィンドウについて別のスコアを計算する。或いはウィンドウは、ウィンドウ開始又はウィンドウエンドのどちらかをワードの境界と整合させながら右に１ワード移動することができる。このプロセスは、最終ウィンドウについてのスコアが得られるまで繰り返す（２００４、２００５）。アルゴリズムに知能を組み込み、各ウィンドウ全体についてスコアを計算する必要性を排除することができるが、それよりもむしろ先行ウィンドウのスコアに追加情報を付加し、移動で失われた情報を差し引くことができる。上述のようにしてタイトル（２００２）も同様に取り込むことができる。

プロセスが完了すると、以下が存在することができる。すなわち、
長さ２００のｉウィンドウ（ここでｉ＝ドキュメント長−２００）
長さ１００のｊウィンドウ（ここでｊ＝ドキュメント長−１００）
長さ２００のｋウィンドウ（ここでｋ＝ドキュメント長−６６）

ウィンドウスコアリングは、ウィンドウ内で見つかった固有のトークン数、ウィンドウ内で見つかったトークンの合計数、及び／又はウィンドウ内で見つかったトークンの最長ストリングなどの１つ又はそれ以上のメトリックに基づくことができる。各ウィンドウについての式は、これらのメトリックの組み合せから計算され、当該ウィンドウに割り当てられる。

１つの２００文字の抜粋がある場合には、最も高いスコアを有するウィンドウが選ばれる。２つの最も高いスコアの長さ１００のウィンドウは、２つのサブ抜粋モデルに対して選ばれる。３つの最も高いスコアの長さ６６のウィンドウは、３つのサブ抜粋モデルに対して選ばれる。

最良のスコアは、各モデル（１、２、又は３サブ抜粋）について計算される。最終アルゴリズムは、２又は３つのウィンドウが抜粋に対して適確である場合に適用することができる。１つのウィンドウが別のウィンドウに文字を引き渡すことにより全体的なウィンドウスコアを高めることができる場合には、この動作は利得と判断され実行される。この仕方で全体のウィンドウスコアを引き上げることができない場合には、抜粋はトレード無しに用いられる。

抜粋生成からの出力は、５つの異なるスコアを含むことができ、すなわち、：単一のサブ抜粋モデルのスコア、トレード無しの２つのサブ抜粋モデルのスコア、トレードされた２つのサブ抜粋モデルのスコア、トレード無しの３つのサブ抜粋モデルのスコア、及び／又はトレードされた３つのサブ抜粋モデルのスコアである。これらのうちで単一の最も高いスコアが選ばれ、そのサブ抜粋モデルは、そのキーワード、ＵＲＬの組み合せに適用される。

サンプルキーワード＝「ｒｅｄ ｄｏｇ ｒｕｎ」では、以下の段階に従うことができる。

段階１：キーワードを３つのトークンにトークン化する。
トークン１＝ｒｅｄ
トークン２＝ｄｏｇ
トークン３＝ｒｕｎ

段階２ａ：テキストドキュメント内でトークンのインスタンスを特定する。

段階２ｂ：ウィンドウをスコアリングし上位のものを識別する。この実施例、すなわち３つのサブ抜粋モデルでは、最良の３つのウィンドウが計算された。

段階３：トレードの実施を許可する。この例ではウィンドウ１が、左縁内にあるトークンを含まない文字の幾つかをウィンドウ３に引き渡すことができる場合である。これによりウィンドウ３は拡張し、最後のトークン「ｒｕｎ」を含むことが可能になり、抜粋の全体的なスコアが上昇する。

別の実施形態では、抜粋生成プロセスは、関連するリンクに対しての記述子として用いられるおよそ２００バイトのフィールドの作成を含むことができる。抜粋生成はスパイダリング後に行われ、選ばれたＵＲＬに関連付けられたドキュメントの完全なテキスト又は格納されたドキュメントの少なくとも一部から生成される。

（パーソナライゼーション及びランク付け）
ランク付けアルゴリズムでは、ユーザの行動プロファイルに基づいて、リンクカウントの特定のカテゴリーに対する票が他のユーザよりも多く有する匿名のユーザを選択する能力がある。

ヘビーサーチャーであるユーザ（ユーザの観測された検索行動に基づく）は、クリックするリンク上に、同じリンク上の新参のサーチャーの票に比べてより多くの票カウントを有することになる。このようにして、検索熟練者は、より関連性の高いランク付け結果を生成するのを助けることになる。

同様に、特定のカテゴリーに高度に関心のあるユーザは、そのカテゴリーにおいて関心のないユーザに較べてより多くの票カウントを有することになる。行動監視モジュールを用いると、デジタルカメラ、ファンタジースポーツ、又は自動車などの様々なカテゴリーに高度に関心のあるユーザを識別することができる。例えば、デジタルカメラカテゴリーに高度に関心があると識別されたユーザは、同一のキーワードで検索しているそのカテゴリーに対し新規のユーザに較べ「Ｃａｎｎｏｎ Ｇ３」についての検索後にユーザがクリックしたリンクにおいてより多くの票カウントを有することになる。

ユーザのカテゴリー関心ステータスの識別はまた、パーソナライゼーションを生じる。特定のカテゴリーにおいて高度の関心を有するユーザは、関心が少ないと識別されたユーザとは異なる結果が得られることになる。サービス中のこのパーソナライズ結果は、特定のマシン上で利用可能なクッキーのようなオブジェクトを必要とする。このライフスタイルのクッキーは、ユーザのカテゴリーナビゲーションパターンから得られたユーザの行動プロファイルを検索エンジンに提供することになる。これらのカテゴリーに特有のナビゲーションパターンは、ターゲット広告に同様に用いることができるカテゴリー化構造内に含まれる情報から得られる。商業的目的のために、予算カテゴリー又は見込み予算を訪問サイトから推測することができる。ＩＫＥＡ ａｎｄ Ｔａｒｇｅｔへの訪問者は、Ｓａｃｈｓ Ｆｉｆｔｈ Ａｖｅｎｕｅ又はＢｌｏｏｍｉｎｇｄａｌｅ’ｓへの訪問者とは異なる衣服に対する予算を有する可能性が高い。同様にＨｙａｔｔホテルはユースホステルとは異なる予算カテゴリーにある。

調査では、ユーザのコンテンツを手作業でパーソナライズしているのはユーザの８〜１４パーセントに過ぎないことが示されていることから、観測された通信に基づくパーソナライゼーションは、ユーザ入力のカスタマイズよりも遙かに強力である。パーソナライゼーションはドメインにおいて閲覧されるページと高い相関性があり、すなわちパーソナライズを行うユーザは、パーソナライズを行わないユーザよりもドメインにおいて１３０％多くのページを閲覧していると報告されている。

場合によっては、検索結果に違いが生じるように異なる行動プロファイルを利用することができる。他の場合では、２人のユーザの行動プロファイル間の相違は、特定の検索キーワードのコンテキストにおいて役立たない。

有用な幾つかの実施例がある。最初に、曖昧な検索用語の例として、識別可能なカテゴリーへの関心の無い人に対する自動車及び動物関連リンクの通常の混在と比べると、「ｊａｇｕａｒ」について検索を行う自動車カテゴリーに高い関心があるユーザは、動物のｊａｇｕａｒに関連するリンクよりも自動車のＪａｇｕａｒに関連するリンクをより多く得ることになる。これらの行動プロファイルの識別及び使用は、結果を完全に差し替えずに結果を偏向させることができる。上述の実施例では、自動車カテゴリーに関心があるユーザは、１００％自動車の結果を得ることができ、又は人気のウェブサイトの中から見つけられるものよりも僅かに大きなパーセンテージの自動車の結果を得ることができる。

次に、サブカテゴリー識別の例として、３人のユーザがキーワード「ｒｅｎｔａｌ ｃａｒ」について検索を行う。３つの別々の結果のセットが現れ、各々は各ユーザに対してパーソナライズされる。各ユーザは、旅行カテゴリー内で観測されたユーザの過去のナビゲーションパターンから得られる特定の行動プロファイルを有する。これらの行動は、観測される通信から容易に識別可能である。

ユーザ１：頻繁に出張する人−このユーザのレンタカーの結果は、によっては頻繁に利用するレンタルポイントがより多い、出張者用の車両レンタル結果に偏ることになる。

ユーザ２：限られた予算内の旅行者−このユーザのレンタカーの結果は、すなわちＲｅｎｔ−ａ−ｗｒｅｃｋタイプの結果、サブコンパクトカーの特別割引など、限られた予算内の旅行者向けに偏っていることになる。

ユーザ３：豪華旅行者−このユーザのレンタカーの結果は、スポーツカーレンタル、クラッシックカーレンタルなど最高級の豪華旅行者向けに偏っていることになる。

図１２は、ユーザのマシン上の行動監視モジュールがウェブサーフィンに関してもたらすインサイトをサーバが達成可能な制限付きビューと比較している。これらの統計値は、行動監視モジュールが見ることと対比させて、Ｙａｈｏｏ！サーバがユーザ行動について把握していることを比較するために生成された。ｘ軸１２０２はウェブサイトのカテゴリーを示している。ｙ軸は、Ｙａｈｏｏ！サーバの観測結果のスケールを「１」とした相対スケールである。各スタックにおいてＹａｈｏｏ！１２０３は１の可視性を有する。行動監視モジュールは、カテゴリー間で高く強く変化する相対スコア１２０４を有する。この驚くべき程度の相違は、マシン上の行動監視モジュールを、多くの提携サイトにおいて幅広く用いられている検索エンジンが達成できる可視性とは強力に区別する。

図１３は、キーワード「ｃａｒｓ」に関連性が高いウェブページを示している。ランク付けアルゴリズムを適用すると、ＣａｒｓＤｉｒｅｃｔのホームページが、１００のうち９７のスコアを示す。このスコアを計算するために用いられる因子は、初回訪問のメトリック、後続の訪問のメトリック、及びユーザレベルのメトリックを含むことができる。キーワード「ｃａｒｓ」に応答する検索エンジンにわたって特定のサイトに対するユーザの応答を観測すると、行動監視モジュールは１２パーセントのクリックスルーレートを観測した。平均ユーザは、このウェブサイトにおいてサイトを離れる前に初期リンクに続いて５つのページを閲覧した。平均ユーザは、ページを見るのに５５秒を消費し、ここでは購入よりも可能性が高い登録のコンバージョン率は８０パーセントであった。次の場合、検索又は初回訪問の後の予め設定された時間内の平均帰還者は、このサイトで１５ページを閲覧し、３００秒を消費した。帰還者は、１５パーセントのコンバージョン率で登録を行った。このキーワードについてこのリンクを辿るユーザの間では、カテゴリー（例えば自動車カテゴリー）関心は高く、「熟練者」にランク付けされた。検索エンジン使用は、一般的なユーザがコンピュータ熟練者に比べてより頻繁であったことを示す「専門家」であった。このカテゴリーにおいて、米国のユーザの間ではウェブサイトの地理的場所は重要であった。米国内のウェブサイトは、米国外のウェブサイトよりもユーザ（例えば自動車の購入者）にとってより興味深いものであった。

図１４は、「ｃａｒｓ」に関連性が弱いページの反例である。この記事のタイトルは、キーワードと一致しているが、クリックスルー率及び他のメトリックは、ＣａｒｓＤｉｒｅｃｔホームページよりもこのページが「ｃａｒｓ」についての検索に関連性が極めて低いとユーザが考えていることを示している。このページについて計算された関連性スコアは僅か１１であった。

図１５は、本明細書で説明された検索エンジンの実施形態を伴う、Ｙａｈｏｏ！、ＭＳＮ Ｓｅａｒｃｈ、及びＧｏｏｇｌｅからの「ｃａｒｓ」についての結果を並べたものである。関連性インデックスを用いると、この実施形態はより関連が高い検索結果をもたらす。関連性インデックスはランク付けスコアであり、これは検索結果リスト内のリンクに対するユーザの応答を反映している。サンプルスコアは：ＭＳＮ５９８、Ｇｏｏｇｌｅ５２４、及びＹａｈｏｏ！４８７である。この実施形態についての有意な改善スコアは、マシン上の行動監視モジュールの使用と、主要な検索エンジンのランク付けアルゴリズムからの複数のユーザの行動の集約とを強力に区別する。

図１６は、行動監視モジュールからの結果を用いたユーザの区別化を例示している。ユーザ行動の大規模サンプル、具体的には衣服カテゴリーにおけるショッピングが、この図に報告されている。ユーザは、このカテゴリー（１６０１）における閲覧の量、及び特定のウェブドメインへの（或いはベンダー、ブランド、又は他のカテゴリーへの）忠実度の程度に沿って９つのボックス内に分類された。閲覧量は、ライト、ミディアム、又はヘビーに分類された。ユーザの４分の１はヘビー及びミディアム使用カテゴリーの各々にあり、残りの半分はライト使用カテゴリーであった。忠実度は、忠実、ソース間スイッチャ、又は競合相手に忠実として分類されている。３×３の属性配列は、９つのボックスを生成する。忠実な購入予定者の間で約百万件のユニークユーザ観測がなされた。検索に応答して特定の結果が表示された時に、ヘビーユーザは高いクリックスルー率を有し、ミディアムユーザにおける５．４０％、ライトユーザにおける僅か３．９９％と比較して、７．９０％であった。クリックスルー事象の後に、ヘビーユーザの購入又は登録へのコンバートは、ミディアムユーザにおける７．２０％、ライトユーザにおける６．５０％と比較して、８．００％の率であった。予想通り、観測される特定のドメインにおけるよりも、より多くのスイッチャ及び競合者に忠実なユーザの固有の観測結果が存在する。広告等のコンテンツのパーソナライゼーションは、ユーザが９つのボックスのどれに当てはまるかに依存することができる。例えば忠実なヘビーユーザは、ミディアムからライトのスイッチャとは異なるメッセージ（マイレージサービス様式のプログラム）を得ることになる。競合者に忠実なヘビーユーザは、忠実なユーザに対しては完全に見当違いとなるはずの試用提案を得ることがある。ヘビーで忠実なユーザに対して訴えかけるための戦略は、これらのユーザを競合者から隔離することである。ミディアムからライトの忠実なユーザに対しては、戦略はアップセリング及びクロスセリングを狙うことができる。ヘビーからミディアムのスイッチャに対しては、目的はシェアを増大させることである。ヘビーからミディアムの競合者に忠実なユーザは、獲得することを目標とされる。ライトのスイッチャ及びライトの競合者に忠実なユーザは、広告リソースに集中させるために無視することができる。

行動監視モジュールからの再訪問データは、特定の広告の有効性の評価において広告主を支援することができる。ボックスによるユーザの区別化は、広告の選択及び広告の有効性の評価と更に関連付けることができる。

ユーザのクロスブラウジングもまた報告することができる。ユーザは、フォロースルーによって例えば全てのクリックスルー又は全てのコンバージョンユーザを選択することができる。特定のドメイン（又は例えばベンダー或いはブランド）においてコンバージョンを伴うユーザは、競合者のドメイン（又はベンダー或いはブランド）へのユーザの訪問頻度によって評価することができる。

図１７は、キーワードによる特定の検索エンジンから特定のドメインへのトラフィックを示している。この情報は、広告を考案する会社にとって有益であり、また検索エンジンの結果ページ上に位置付けられるスポンサー付きコンテンツに向けたキーワードを入札する際に有用とすることができる。行動監視モジュールからのデータは、検索エンジンの結果ページ上のインプレッション数、クリック、クリックスルー率、コンバージョン率、及び位置を与えることができる。

（幾つかの特定の実施形態）
本発明は、方法又は本方法を実施するように適合された装置として実施することができる。幾つかの方法は、ユーザの端末又はパーソナルコンピュータにおけるそのユーザの観点から、或いはユーザから情報を収集するサーバ側で見ることができる。本発明は、コンピュータ支援による方法を実行するためのロジックが焼き付けられた媒体等の製造者の商品とすることができる。

ユーザの観点からすると、デバイスの実施形態は、ユーザのコンピュータ上で実行し、動作観測結果を収集するモジュール内で具現化することができ、このモジュールは、行動観測結果に対してユーザにパーソナライズされた情報で応答するサーバに結合されている。

本発明は、好ましい実施形態及び上述の詳細な実施例を参照することよって開示されたが、これらの実施例は限定の意味ではなく例証のものである点を理解されたい。コンピュータ支援による処理が説明された実施形態において関係している。従って、本発明は、通信パターンを集約し、キーワード検索に応答してリンクを事前処理し、該応答リンクをランク付けするために集約された通信パターンを用いてキーワード検索に対して応答し、更に曖昧性を解消し及び／又はユーザ特性に基づいて応答をパーソナライズするために最近及び最新のナビゲーション情報システムを用いてキーワード検索に応答する方法において具現化することができる。デバイスとしての他の実施形態は、本方法を実施するためのロジック及びリソースを含む。システムとしての他の実施形態は更に、端末上の行動監視モジュール、行動データの処理又はこれに応答するサーバ、又はこの両方を含む。他の実施形態は、本方法を実施するためのロジックが焼き付けられた媒体、本方法を実施するためのロジックが焼き付けられたデータストリーム、又は本方法を実施するコンピュータアクセス可能なサービスを含む。当業者であれば修正及び組み合せが容易に想起されることは企図されており、これらの修正及び組み合せは本発明の精神及び以下の請求項の範囲内にあることになる。

開示される実施形態は、方法又は該方法を実施するように適合された装置として実施することができる。これらは、システムとして実施することができる。本方法は、データを収集するサーバ、又はデータを生成する行動監視モジュールの観点から見ることができる。本発明は、本方法を実施する命令を含む機械読取り可能メモリ、又は本方法を実施する命令を含むデータストリームなどの製造者の製品を含むことができる。

１つの実施形態は、検索要求に応答してユーザに返すことができるウェブページを選択的に収集する方法である。この方法は、複数のユーザのコンピュータ上で動作する行動監視モジュールから１つ又はそれ以上の検索エンジンにわたるユーザの検索エンジン使用に関する情報を受け取る段階を含む。この情報は、特定のユーザによって検索エンジンに実行依頼される少なくともキーワード（フレーズを含む）、検索エンジンによって返される結果から特定のユーザによって選択されるリンク、及び選択されたリンクを辿る時の滞留時間又は特定のユーザによって閲覧されるドキュメント数の少なくとも一方を含む。この方法は更に、検索エンジン使用情報を用いて関心対象キーワードを選び、関心対象キーワードに対応してユーザによって選択されたリンクを選ぶ段階を含む。

この実施形態における複数のユーザは、実行依頼される頻度が多い検索用語の望ましい適用範囲に応じて、２，０００又は１００，０００ユーザを超えることができる。行動監視モジュールから受け取る情報は、複数の非提携検索エンジンに及ぶことができ、単一の検索エンジンが収集することができないデータを提供する。

この実施形態は、選ばれたキーワードについて、検索エンジン使用情報並びに滞留時間又は閲覧ページ数の少なくとも一方から計算されるユーザアクセス率に基づいて対応するリンクをランク付けする段階を更に含むことができる。本方法は、特定のキーワードについて上位１０又は上位１５リンクのみを辿るといった予め設定されたランク付けの適用に基づいてコンテンツの収集を制限する段階を更に含むことができる。

幾つかの実施形態では、特定のユーザが注目をしていなかった可能性が高い期間中の滞留時間を無視するように受信するまでは、前記検索エンジン使用情報は適格であると認識される。

この実施形態は、選ばれたリンクの１つを辿ることによって到達するドキュメントのコンテンツから抜粋を選択する段階を更に含むことができる。この抜粋選択段階は、ドキュメントに予め設定された長さのウィンドウを適用し、ドキュメントを通してウィンドウを繰返し移動させる段階を含むことができる。関心対象キーワードは、これがフレーズである場合にはワードに分割される。本方法は、ウィンドウ内のワードのインスタンスのカウント及びウィンドウ内のワードの近接度の測定値を含む、ウィンドウ内のワードについて１つ又はそれ以上のウィンドウスコアを繰返し計算する段階を更に含む。ウィンドウスコアを用いて複数の非オーバーラップウィンドウ位置が抜粋として選ばれる。抜粋又は抜粋に対する参照は、機械読取り可能メモリ内に格納される。この方法は、多くの手法で改良することができる。ウィンドウの繰返し移動は、ウィンドウの開始点又はエンドポイントがワードの境界に一致するようにウィンドウを整合させる。ウィンドウは繰返し移動されるので、ウィンドウ内のスコアは、ウィンドウから取り除かれる文字についてスコアを低減させ、ウィンドウに追加される文字についてスコアを増大させるによって計算することができる。

抜粋生成は、全抜粋の組み合せの長さをほぼ維持しながら抜粋長をトレードすることにより改良することができる。抜粋長がトレードオフされるため、１つ又はそれ以上のウィンドウスコアが再計算される。本方法は、再計算されたウィンドウスコアを用いて抜粋リンクの特定のトレードを選ぶ段階、任意的に抜粋をマージする段階、及び選ばれた抜粋又は選ばれた抜粋に対する参照を機械読取り可能メモリ内に格納する段階を更に含む。

行動監視モジュールのネットワークの観点から見ると、本方法は複数のユーザのコンピュータ上で動作する複数の行動監視モジュールを用いる段階を含み、これらの行動監視モジュールは、１つ又はそれ以上の検索エンジンにわたるユーザの検索エンジン使用に関する情報を収集する。収集された情報は、特定のユーザによって検索エンジンに実行依頼された少なくともキーワード（フレーズを含む）、検索エンジンによって返された結果から特定のユーザによって選択されるリンク、及び選択されたリンクを辿る時に滞留時間又は特定のユーザによって閲覧されるドキュメント数のうちの少なくとも一方を含む。本方法は、検索エンジン使用情報を１つ又はそれ以上の提携サーバに電子的に報告する行動監視モジュールを更に含む。上述と同様に、この実施形態における複数のユーザは、実行依頼される頻度が多い検索用語の望ましい適用範囲に応じて２，０００又は１００，０００ユーザを超えることができる。行動監視モジュールから受け取る情報は、複数の非提携検索エンジンに及ぶことができ、単一の検索エンジンが収集することができないデータを提供する。

行動監視モジュールは、特定のユーザが注目をしていなかった可能性が高い期間中の滞留時間を無視することを報告するまでは、検索エンジン使用情報を適格であるとすることができる。

行動監視モジュールの実施形態は、特定のユーザがキーワードによって検索エンジンを呼び出し、報告された検索エンジン情報を反映するように編成された検索エンジンから結果を受け取ることを更に含む。

システム実施形態は、少なくとも１つの受信モジュール、及びその受信モジュールと通信状態にある少なくとも１つのコンピュータ又はコンピュータクラスタを含む。受信モジュールは、ネットワークによって接続された複数のユーザのコンピュータ上で動作する行動監視モジュールから、１つ又はそれ以上の検索エンジンにわたるそのユーザの検索エンジン使用に関する情報を受け取るネットワークインターフェースを含む。この情報は、特定のユーザによって検索エンジンに実行依頼されたキーワード（フレーズを含む）、検索エンジンによって返された結果から特定のユーザによって選択されるリンク、及び選択されたリンクを辿る時に滞留時間又は特定のユーザによって閲覧されたキュメント数のうちの少なくとも一方を少なくとも含む。受信モジュールと通信状態にあるコンピュータ又はコンピュータクラスタは、検索エンジン使用情報を処理し、関心対象キーワードと、その関心対象キーワードに対応してユーザによって選択されたリンクとを選び、選ばれたリンクを辿って、該選ばれたリンクによってアドレスが指定されたドキュメントのコンテンツの少なくとも一部を収集し、更に収集されたコンテンツを対応する関心対象キーワードと関連付けるように適合されたロジック及びリソースを含む１つ又はそれ以上のモジュールを動作させる。

この実施形態における複数のユーザは、実行依頼される頻度が多い検索用語の望ましい適用範囲に応じて、２，０００又は１００，０００ユーザを超えることができる。行動監視モジュールから受け取る情報は、複数の非提携検索エンジンに及ぶことができ、単一の検索エンジンが収集することができないデータを提供する。

別の実施形態は、検索要求に応答してユーザに返すことができるドキュメントコンテンツから抜粋を選択する方法である。抜粋選択段階は、ドキュメントに予め設定された長さのウィンドウを適用し、ドキュメントを通してウィンドウを繰返し移動させる段階を含む。関心対象キーワードがフレーズの場合にはワードに分割される。ウィンドウ内のワードについて、ウィンドウ内のワードのインスタンスのカウントとウィンドウ内のワードの近接度の測定値とを含む１つ又はそれ以上のウィンドウスコアを繰返し計算する段階を更に含む。ウィンドウスコアを用いて複数の非オーバーラップウィンドウ位置が抜粋として選ばれる。抜粋又は抜粋に対する参照は機械読取り可能メモリ内に格納される。本方法は数多くの手法で改良することができる。ウィンドウの繰返し移動は、ウィンドウの開始点又はエンドポイントがワードの境界に一致するようにウィンドウを整合させる。ウィンドウは繰返し移動されるため、ウィンドウ内のスコアは、ウィンドウから取り除かれる文字についてスコアを低減させ、ウィンドウに追加される文字についてスコアを増大させることによって計算することができる。

抜粋生成は、全抜粋の組み合せの長さをほぼ維持しながら抜粋長をトレードすることにより改良することができる。抜粋長がトレードされると、１つ又はそれ以上のウィンドウスコアが再計算される。本方法は、再計算されたウィンドウスコアを用いて抜粋長の特定のトレードを選ぶ段階、任意的に抜粋をマージする段階、及び選ばれた抜粋又は選ばれた抜粋に対する参照を機械読取り可能メモリ内に格納する段階を更に含む。

抜粋生成は、重複除去と組み合せることができる。本方法は、タイトル及び計算された抜粋に基づいてより多くのドキュメントに対して評価する段階を更に含む。タイトル及び抜粋、或いはそのタイトル及び抜粋から計算された指紋又はチェックサムが一致するか、又は非常に類似している場合には、ドキュメントは重複していると断定し処理することができる。

抜粋生成では、ウィンドウ内のワードのインスタンスのカウントは、キーワード内のワードの幾つがウィンドウ内に出現したか、及びウィンドウ内に何度ワードが出現したかの両方をカウントする段階を含むことができる。

別の実施形態は、ランク付けの方法であって、複数のユーザのコンピュータ上で動作する行動監視モジュールから複数の検索エンジンにわたるユーザの検索エンジン使用に関する情報を受け取る段階を含む。受け取られる情報は、特定のユーザによって検索エンジンに実行依頼される少なくともキーワード（フレーズを含む）と、検索エンジンによって返された結果から特定のユーザによって選択されるリンクと、選択されたリンクを辿る時に滞留時間又は特定のユーザが閲覧するドキュメント数のうちの少なくとも一方とを含む。本方法は、前記検索エンジン使用情報からの（ユーザアクセス率）と（（滞留時間）又は（閲覧されたドキュメント数）の少なくとも一方）との両方を用いて特定のキーワードに対応するリンクをランク付けする段階を更に含む。更にランクは機械読取り可能メモリ内に格納され、特定のキーワードによる票における検索に応答して利用可能である。

ユーザアクセス率、滞留時間、及び閲覧ページ数の様々な重み付けを適用することができる。重み付けが適用されるデータの一態様は、特定のユーザが注目をしていなかった可能性が高い期間を無視するように受信するまでは、滞留時間が適格であると認識されるものとすることができる。別の態様は、検索エンジン使用の範囲外の観測結果を取り除くようにデータをフィルタリングし、予め設定された回数よりも少なく特定のユーザによって選択されたリンクを排除することができるものである。同様に、データが受け取られた後、予め設定された時間長を超える滞留時間を無視することができる。

ユーザアクセス率、滞留時間、及び閲覧ページ数を考慮に入れると、１つの変形形態は、係数のうちの１つが他の２つよりも優位を占めるものである。優位要因は、クリックスルー率、滞留時間、又はドメインにおいて閲覧されたページ数とすることができる。別の変形形態では、均衡のとれた重み付けが係数に与えられ、ほぼ均等値±１０％である。更に別の変形形態では、３つの係数のうちの１つに全重み付けのおよそ半分が与えられるように、ほぼ２：１：１±１０％の重み付け率が割り当てられる。

ランク付けにおいて考慮することができる２つの追加の要因は、リンクが選択されてからの予め設定された時間内での再訪問、及びコンバージョン事象である。上述のように、コンバージョン事象は購入又は登録とすることができる。コンバージョン及び反復コンバージョンは別個に重み付けを与えることができる。

ランク付けについては、単一のユーザからの組み合せデータは、検索に消費された時間量、又は辿られたリンク数を反映し、重み付け１、又は全重み付けを与えることができる。しかしならが単一のユーザは正規化重み付けが与えられ、行動による結果の偏りはロボット行動を単一の票まで低減させることで緩和される。

この実施形態の段階におけるランク付けは、上述のように同類のリンクをバンドにグループ化し、バンド内の選択されたリンクをランク付けする段階を更に含むことができる。ランク付け段階はまた、特定の検索エンジンのユーザによって選択されたリンクを別個にランク付けし、特定の検索エンジンからのランクを全体のランク付けに組み合せる段階を含むことができる。

別の実施形態は、ユーザによって検索エンジンに実行依頼されたキーワード検索用語における曖昧性を解消する方法である。本方法は、ユーザの最近のナビゲーション行動に関する情報を、ユーザのコンピュータ上で動作する行動監視モジュールから受け取る段階を含む。ナビゲーション行動は、特定のサーバ側行動データ収集ネットワークと全てが関連付けられている訳ではないドキュメントにアクセスすることを含み、マウスクリックスルー、入力キーストローク、又は他の選択動作のうちの少なくとも１つと、選択動作のコンテキストから得た少なくとも１つのキーワードとを更に含む。サーバは、検索用語が属する可能性が高い複数の関心カテゴリーを決定し、最近のナビゲーション情報を用いて複数の関心カテゴリーの中から選択する。

行動監視モジュールの動作の一態様は、関心対象のカテゴリー及び新しさによって行動をカテゴリー化することができるものである。アクセスされたドキュメントは、ウェブページとすることができ、サーバ側の行動データ収集ネットワークは広告ネットワークとすることができる。

行動監視モジュールのこの観点から、この実施形態は、ネットワークを介してアクセス可能なドキュメントの間でのユーザの最近のナビゲーション行動を反映する情報で検索要求を補足する方法として実施することができる。この方法は、ユーザの最近のナビゲーション行動に関する情報を収集する行動監視モジュールをユーザのコンピュータ上で動作させる段階を含む。最近のナビゲーション行動情報は、少なくともユーザによってアクセスされたドキュメントを電子的に識別し、アクセスドキュメントをカテゴリー化し、カテゴリー内のドキュメントがいつアクセスされたかを示す行動監視モジュールは、検索エンジンを含む１つ又はそれ以上のサーバへのクエリと共に最近のナビゲーション行動情報の少なくとも要約を実行依頼する。ユーザは、実行依頼された最近のナビゲーション行動情報に対応する関心対象のカテゴリーに偏った結果のセットを検索エンジンから受け取る。或いはユーザは、実行依頼された最近のナビゲーション行動情報に対応する予算カテゴリーに偏った結果のセットを検索エンジンから受け取ることができる。更に一般的に、最近のナビゲーション行動から識別することができるあらゆるカテゴリーは、クエリに応答して受け取った検索エンジンの結果の偏りに反映することができる。

別の実施形態は、ユーザによって検索エンジンに実行依頼されたキーワード検索用語に応答してコンテンツをパーソナライズする方法である。上述の曖昧解消法と同様に、本方法は、ユーザの最近のナビゲーション行動に関する情報をユーザのコンピュータ上で動作する行動監視モジュールから受け取る段階を含む。ナビゲーション行動は、特定のサーバ側行動データ収集ネットワークに全てが関連付けられている訳ではないドキュメントにアクセスする段階を含み、マウスクリックスルー、入力キーストローク、又は他の選択動作のうちの少なくとも１つと、選択動作のコンテキストから得た少なくとも１つのキーワードとを更に含む。サーバは、結果が属する複数の見込み予算カテゴリーを決定し、最近のナビゲーション情報を用いて見込み予算カテゴリーの中から選択を行う。

最近のナビゲーション行動を用いる実施形態において、ナビゲーション行動は、直前の１時間及び直前の１日内のナビゲーションを含む最近のナビゲーションを反映することができる。或いはナビゲーション行動は、情報へのユーザの応答性に相関付けられるように決定された期間内での最近のナビゲーションを含むことができる。ユーザナビゲーション情報は、受信時又は受信後に関心カテゴリー又は見込み予算カテゴリーにまとめることができる。更に一般的に、最近のナビゲーション行動から識別することができるあらゆるカテゴリーは、クエリに応答して受け取られた検索エンジンの結果の偏り内に反映することができる。

上述の実施形態及び実施形態の様々な態様は、説明された方法及び方法の態様を実施するための命令を含む機械読取り可能メモリ、又は機械読取り可能命令を含むデータストリームとして実施することができる。更に装置は、説明された方法及び方法の態様を実施するように適合されたロジック及びリソースを有する１つ又はそれ以上のサーバ、パーソナルコンピュータ、又は他のコンピュータ装置を含むことができる。

種々の実施形態において用いることができる例示的なコンピュータの概略図である。 本技術が動作することができるコンピューティング環境の概略図である。 コンバージョンプロセスの追跡を概略的に例示している図である。 スポンサー付き及びスポンサーなしの情報配信をパーソナライズする検索エンジンを生成するのに互いに機能することができる構成要素の高レベルのブロック図である。 クリックされたＵＲＬを報告するクッキー又はデータレコードの実施例を示す図である。 最新の商業的関心対象キーワードを格納するクッキーの実施例を示す図である。 パーシスタントメモリに書き込むことができる行動監視モジュールによって維持される要約データの実施例を示す図である。 カテゴリーによって更にまとめられたビットストリングを例示する図である。 検索ワードの使用、クリックスルー、ＵＲＬ宛先の入力、又はユーザ関心対象の他の指標の新しさに適用することができるバケットを例示している図である。 訪問頻度に適用することができるバケットを例示している図である。 カテゴリーＩＤをカテゴリー名及び収入優先度の両方に如何に関連付けすることができるかを例示している図である。 ウェブサーフィンに関してユーザのマシン上の行動監視モジュールが生み出すインサイトをサーバが達成可能な制限付きビューと比較している図である。 キーワード「ｃａｒｓ」に関連性が高いウェブページの図である。 「ｃａｒｓ」に関連が弱いページの反対の例である。 Ｙａｈｏｏ！、ＭＳＮ Ｓｅａｒｃｈ、及びＧｏｏｇｌｅからの「ｃａｒｓ」についての結果を本明細書で説明した検索エンジンの実施形態と共に並べたものである。 行動監視モジュールからの結果を用いたユーザの区別化を例示している図である。 特定の検索エンジンから特定のドメインへのキーワードによるトラフィックの図である。 リンクを辿り、コンテンツを検索するためのアーキテクチャの図である。 クリックスルー率によって評価されたバナー広告に応答した最近の行動の重要度を例示している図である。 ウィンドウスコアリングルーチンが、どのようにドキュメント内のテキストの第１のワードで始まるかを示す図である。

符号の説明

１６０−１ ウェブサーバコンピュータ
１１０ クライアントコンピュータ
１１２ ウェブブラウザ
１２０ 行動監視モジュール
１２１ データパケット
６５０ 検索エンジン

Claims (71)

1. 検索要求に応答してユーザに返すことができるウェブページを選択的に収集する方法であって、
   複数のユーザのコンピュータ上で動作する行動監視モジュールから１つ又はそれ以上の検索エンジンにわたる該ユーザの検索エンジン使用に関する情報を受け取る段階を含み、前記情報が、
   特定のユーザによって前記検索エンジンに実行依頼されるキーワード（フレーズを含む）と、
   前記検索エンジンによって返された結果から前記特定のユーザによって選択されるリンクと、
   前記選択されたリンクを辿る時に滞留時間又は前記特定のユーザが閲覧するドキュメント数のうちの少なくとも一方と、
   を少なくとも有し、
   前記方法が更に、
   前記検索エンジン使用情報を用いて、関心対象キーワードと該関心対象キーワードに対応して前記ユーザによって選択された前記リンクとを選ぶ段階と、
   前記選ばれたリンクを辿り、前記選ばれたリンクがアドレス指定するドキュメントのコンテンツの少なくとも一部を収集する段階と、
   前記収集されたコンテンツを前記対応する関心対象キーワードと関連付ける段階と、
   を含む方法。
2. 前記複数のユーザが２，０００ユーザを超え、前記受け取られた検索エンジン使用情報が複数の非提携検索エンジンの範囲に及ぶことを特徴とする請求項１に記載の方法。
3. 前記複数のユーザは２０，０００ユーザを超えることを特徴とする請求項１に記載の方法。
4. 前記選ばれたキーワードに対して、前記検索エンジン使用情報と、前記滞留時間又は前記閲覧ドキュメント数の少なくとも一方とから計算されるユーザアクセス率に基づいて前記対応するリンクをランク付けする段階と、
   を更に含む請求項１に記載の方法。
5. 予め設定された前記ランク付けの適用に基づいてコンテンツの収集を制限する段階を更に含む請求項４に記載の方法。
6. 特定のユーザが注目していなかった可能性が高い期間中の滞留時間を無視するように受信するまでは、前記検索エンジン使用情報は適格であると認識されることを特徴とする請求項１に記載の方法。
7. 前記選ばれたリンクの１つを辿ることによって到達したドキュメントのコンテンツから抜粋を選択する段階を更に含み、
   前記抜粋選択方法が、
   前記ドキュメントに予め設定された長さのウィンドウを適用し、該ドキュメントを通して該ウィンドウを繰返し移動させる段階と、
   前記関心対象キーワード（フレーズである場合）をワードに分割する段階と、
   前記ウィンドウ内の前記ワードについて、該ワードのインスタンスのカウントと前記ワードの近接度の測定値とを含む１つ又はそれ以上のウィンドウスコアを繰返し計算する段階と、
   前記ウィンドウスコアを用いて複数の非オーバーラップウィンドウ位置を抜粋として選ぶ段階と、
   機械読取り可能メモリ内に前記抜粋又は該抜粋に対する参照を格納する段階と、
   を含む請求項１に記載の方法。
8. 前記ウィンドウの繰返し移動は、該ウィンドウの開始点又は該ウィンドウのエンドポイントをワードの境界と整合させることを特徴とする請求項７に記載の方法。
9. 全抜粋の組み合せられた長さをほぼ維持しながら前記抜粋の長さをトレードオフする段階と、
   変更された長さの抜粋に対する１つ又はそれ以上のウィンドウスコアを再計算する段階と、
   前記再計算されたウィンドウスコアを用いて抜粋長の特定のトレードオフを選び、任意的に前記抜粋をマージする段階と、
   前記選ばれた抜粋又は該選ばれた抜粋に対する参照を機械読取り可能メモリ内に格納する段階と、
   を更に含む請求項７に記載の方法。
10. 請求項１に記載の方法を実施するための命令を含む機械読取り可能メモリ。
11. 請求項１に記載の方法を実施するための機械読取り可能命令を含むデータストリーム。
12. 請求項１に記載の方法を実施するように適合されたロジック及びリソースを有する１つ又はそれ以上のサーバを含む装置。
13. サーバの提携するシステムにデータを送信する行動監視モジュールのネットワークを用いてデータを生成する方法であって、
    前記方法が、
    複数のユーザのコンピュータ上で動作する複数の行動監視モジュールを用いて、該行動監視モジュールが、１つ又はそれ以上の検索エンジンにわたる前記ユーザの検索エンジン使用に関する情報を収集する段階を含み、
    前記情報が、
    特定のユーザによって前記検索エンジンに実行依頼されるキーワード（フレーズを含む）と、
    前記検索エンジンによって返された結果から前記特定のユーザによって選択されるリンクと、
    前記選択されたリンクを辿る時に滞留時間又は前記特定のユーザが閲覧するドキュメント数のうちの少なくとも一方と、
    を少なくとも有し、
    前記方法が更に、
    前記行動監視モジュールが、前記検索エンジン使用情報を１つ又はそれ以上の提携サーバに電子的に報告する段階と、
    を含む方法。
14. 前記複数の行動監視モジュールが２，０００ユーザを超え、該行動監視モジュールは複数の非提携検索エンジンにわたって検索エンジン使用情報を収集することを特徴とする請求項１３に記載の方法。
15. 前記複数の行動監視モジュールは２０，０００ユーザを超えることを特徴とする請求項１３に記載の方法。
16. 前記行動監視モジュールは、特定のユーザが注目をしていなかった可能性が高い期間中の滞留時間を無視するように報告するまでは、前記検索エンジン使用情報を適格とすることを特徴とする請求項１３に記載の方法。
17. 特定のユーザがキーワードによって検索エンジンを呼び出し、前記報告された検索エンジン情報を反映するように編成された前記検索エンジンからの結果を受け取る段階を更に含む請求項１３に記載の方法。
18. 請求項１３に記載の方法を実施するための命令を含む機械読取り可能メモリ。
19. 請求項１３に記載の方法を実施するための機械読取り可能命令を含むデータストリーム。
20. 請求項１３に記載の方法を実施するように適合されたロジック及びリソースを有するパーソナルコンピュータを含む装置。
21. 検索要求に応答してユーザに返すことができるウェブページを選択的に収集するコンピュータ実装システムであって、
    ネットワークによって接続された複数のユーザのコンピュータ上で動作する行動監視モジュールから、１つ又はそれ以上の検索エンジンにわたる前記ユーザの検索エンジン使用に関する情報を受け取るネットワークインターフェースを有する少なくとも１つの受信モジュールを備え、
    前記情報が、
    特定のユーザによって前記検索エンジンに実行依頼されたキーワード（フレーズを含む）と、
    前記検索エンジンによって返された結果から前記特定のユーザによって選択されるリンクと、
    前記選択されたリンクを辿る時に滞留時間又は前記特定のユーザが閲覧するドキュメント数のうちの少なくとも一方と、
    を少なくとも含み、
    前記システムが更に、
    前記受信モジュールと通信状態にある１つ又はそれ以上のモジュールを動作させる少なくとも１つのコンピュータ又はコンピュータクラスタと、
    を備え、
    前記少なくとも１つのコンピュータ又はコンピュータクラスタが、
    前記検索エンジン使用情報を処理し、関心対象のキーワードと、該関心対象のキーワードに対応して前記ユーザによって選択された前記リンクとを選び、
    前記選ばれたリンクを辿って、該選ばれたリンクによってアドレス指定されたドキュメントのコンテンツの少なくとも一部を収集し、
    前記収集されたコンテンツを前記対応する関心対象キーワードと関連付ける、
    ように適合されたロジック及びリソースを含むことを特徴とするシステム。
22. 前記受信モジュールと通信状態にある前記ユーザのコンピュータ上で動作する少なくとも２，０００個の行動監視モジュールを更に備える請求項２１に記載のシステム。
23. 検索要求に応答してユーザに返すことができるドキュメントコンテンツから抜粋を選択する方法であって、
    前記抜粋の選択が、
    前記ドキュメントに予め設定された長さのウィンドウを適用し、前記ドキュメントを通して前記ウィンドウを繰返し移動させる段階と、
    関心対象のキーワード（フレーズ）をワードに分割する段階と、
    前記ウィンドウ内のワードについて、該ワードのインスタンスのカウントと前記ワードの近接度の測定値（キーワードがフレーズの時）とを含む１つ又はそれ以上のウィンドウスコアを繰返し計算する段階と、
    前記ウィンドウスコアを用いて複数の非オーバーラップウィンドウ位置を抜粋として選ぶ段階と、
    機械読取り可能メモリ内に前記選ばれた抜粋又は該選ばれた抜粋に対する参照を格納する段階と、
    を含む方法。
24. 前記ウィンドウの繰返し移動は、該ウィンドウの開始点又は該ウィンドウのエンドポイントをワードの境界と整合させることを特徴とする請求項２３に記載の方法。
25. 前記ドキュメントからのタイトル及び前記抜粋に基づいて２つ又はそれ以上のドキュメントが完全に又はほとんど重複しているとみなすべきか否かを評価する段階を更に含む請求項２３に記載の方法。
26. 前記インスタンスのカウントは、前記ウィンドウ内に前記ワードの幾つが出現するか、及び該ウィンドウ内に該ワードが何回出現するかの両方をカウントする段階を含む請求項２３に記載の方法。
27. 請求項２３に記載の方法を実施するための命令を含む機械読取り可能メモリ。
28. 請求項２３に記載の方法を実施するための機械読取り可能命令を含むデータストリーム。
29. 請求項２３に記載の方法を実施するように適合されたロジック及びリソースを有する１つ又はそれ以上のサーバを含む装置。
30. ランク付け方法であって、
    複数のユーザのコンピュータ上で動作する行動監視モジュールから複数の検索エンジンにわたる前記ユーザの検索エンジン使用に関する情報を受け取る段階を含み、
    前記情報が、
    特定のユーザによって前記検索エンジンに実行依頼されるキーワード（フレーズを含む）と、
    前記検索エンジンによって返された結果から前記特定のユーザによって選択されるリンクと、
    前記選択されたリンクを辿る時に滞留時間又は前記特定のユーザが閲覧するドキュメント数のうちの少なくとも一方と、
    を少なくとも有し、
    前記方法が更に、
    前記検索エンジン使用情報からのユーザアクセス率と、前記滞留時間又は前記閲覧ドキュメント数の少なくとも一方との両方を用いて特定のキーワードに対応するリンクをランク付けする段階と、
    前記特定のキーワードによって呼び出される検索に応答して利用可能な前記ランクを機械読取り可能メモリ内に格納する段階と、
    を含む方法。
31. 特定のユーザが注目をしていなかった可能性が高い期間を無視するように受信するまでは前記検索エンジン使用情報は適格であると認識されることを特徴とする請求項３０に記載の方法。
32. 前記ランク付け段階は、前記リンクをランク付けする段階の前に、前記特定のユーザによって選択され、前記検索エンジンによって予め設定された回数よりも少ない回数返されたリンクを排除することによって、前記検索エンジン使用の範囲外の観測結果をフィルタリングする段階を更に含む請求項３０に記載の方法。
33. 前記ランク付け段階が更に、前記リンクをランク付けする段階の前に、予め設定された時間長を超える滞留時間を無視することによって、前記検索エンジン使用の範囲外の観測結果をフィルタリングする段階を含む請求項３０に記載の方法。
34. 前記ランク付け段階が更に、前記ユーザアクセス率及び前記閲覧されたドキュメント数情報よりも優位を占めるように前記滞留時間情報を重み付けする段階を含む請求項３０に記載の方法。
35. 前記ランク付け段階が更に、前記滞留時間及び前記閲覧されたドキュメント数情報よりも優位を占めるように前記ユーザアクセス率を重み付けする段階を含む請求項３０に記載の方法。
36. 前記ランク付け段階が更に、前記ユーザアクセス率及び前記滞留時間よりも優位を占めるように前記閲覧されたドキュメント数情報を重み付けする段階を含む請求項３０に記載の方法。
37. 前記ランク付け段階が更に、前記ユーザアクセス率、前記滞留時間、及び前記閲覧されたドキュメント数情報に対してほぼ等しい重み付け±１０％を割り当てる段階を含む請求項３０に記載の方法。
38. 前記ランク付け段階は更に、前記ユーザアクセス率、前記滞留時間、又は前記閲覧されたドキュメント数情報のうちの１つに全重み付けのおよそ半分が与えられるように、ほぼ２：１：１±１０パーセントの重み付け率を割り当てる段階を含む請求項３０に記載の方法。
39. 前記受信段階は更に、予め設定された時間内の選択されたリンクへの再訪問についての情報を含み、前記ランク付け段階が更に、前記再訪問情報を用いる段階を含む請求項３０に記載の方法。
40. 前記受信段階が更に、前記選択されたリンクへのアクセスの購入又は登録へのコンバージョンに関する情報を含み、前記ランク付け段階が更に、該コンバージョン情報を用いる段階を含む請求項３０に記載の方法。
41. 多少の検索エンジン使用を有する他のユーザとほぼ等しい正規化された重み付けを特定のユーザによる前記検索エンジン使用に与えるように前記検索エンジン使用を重み付けする段階を前記ランク付け段階内に更に含めることによって、結果を偏らせるロボット行動が軽減されることを特徴とする請求項３０に記載の方法。
42. 前記ランク付け段階が更に、選択されたリンクをバンドにグループ化し、該バンド内の該選択されたリンクをランク付けする段階を含む請求項３０に記載の方法。
43. 前記ランク付け段階が更に、リンクを返した前記特定の検索エンジンによって選択されたリンクを別個にランク付けし、次いで該別個のランク付けを全体のランク付け組み合わせる段階を含む請求項３０に記載の方法。
44. 請求項３０に記載の方法を実施するための命令を含む機械読取り可能メモリ。
45. 請求項３０に記載の方法を実施するための機械読取り可能命令を含むデータストリーム。
46. 請求項３０に記載の方法を実施するように適合されたロジック及びリソースを有する１つ又はそれ以上のサーバを含む装置。
47. ユーザによって検索エンジンに実行依頼されたキーワード検索用語における曖昧性を解消する方法であって、
    特定のサーバ側行動データ収集ネットワークに全てが関連付けられている訳ではないドキュメントにアクセスすることを含み、マウスクリックスルー、入力キーストローク、又は他の選択動作のうちの少なくとも１つと該選択動作のコンテキストから得た少なくとも１つのキーワードとを更に含むユーザの最近のナビゲーション行動に関する情報をユーザのコンピュータ上で動作する行動監視モジュールから受け取る段階と、
    前記検索用語が属する可能性が高い複数の関心カテゴリーを決定する段階と、
    前記最近のナビゲーション情報を用いて前記複数の関心カテゴリーの中から選択する段階と、
    を含む方法。
48. 前記最近のナビゲーション行動情報が、関心カテゴリーによって、更に行動の新しさによってカテゴリー化されることを特徴とする請求項４７に記載の方法。
49. 前記ドキュメントはウェブページであり、前記サーバ側行動データ収集ネットワークが広告ネットワークであることを特徴とする請求項４７に記載の方法。
50. 請求項４７に記載の方法を実施するための命令を含む機械読取り可能メモリ。
51. 請求項４７に記載の方法を実施するための機械読取り可能命令を含むデータストリーム。
52. 請求項４７に記載の方法を実施するように適合されたロジック及びリソースを有する１つ又はそれ以上のサーバを含む装置。
53. ネットワークを介してアクセス可能なドキュメント間のユーザの最近のナビゲーション行動を反映する情報で検索要求を補足する方法であって、
    前記ユーザによってアクセスされたドキュメントを電子的に識別し、
    前記アクセスされたドキュメントをカテゴリー化し、
    前記カテゴリー内のドキュメントがいつアクセスされたかを示す、
    ことを含む、前記ユーザの最近のナビゲーション行動に関する情報を収集する行動監視モジュールを前記ユーザのコンピュータ上で動作させる段階と、
    検索エンジンを含む１つ又はそれ以上のサーバにクエリと共に前記最近のナビゲーション行動情報の少なくとも要約を実行依頼する段階と、
    前記実行依頼された最近のナビゲーション行動情報に対応する関心カテゴリーに偏った結果のセットを前記検索エンジンから受け取る段階と、
    を含む方法。
54. 前記行動監視モジュールが前記アクセスされるドキュメントをフィルタリングし、前記カテゴリーがいつアクセスされたかに関する指標をカテゴリー化する段階を更に含む請求項５３に記載の方法。
55. 請求項５３に記載の方法を実施するための命令を含む機械読取り可能メモリ。
56. 請求項５３に記載の方法を実施するための機械読取り可能命令を含むデータストリーム。
57. 請求項５３に記載の方法を実施するように適合されたロジック及びリソースを有する１つ又はそれ以上のサーバを含む装置。
58. ユーザによって検索エンジンに実行依頼されたキーワード検索用語に応答して返されたコンテンツをパーソナライズする方法であって、
    特定のサーバ側行動データ収集ネットワークに全てが関連付けられている訳ではないドキュメントにアクセスすることを含み、マウスクリックスルー、入力キーストローク、又は他の選択動作のうちの少なくとも１つと該選択動作のコンテキストから得た少なくとも１つのキーワードとを更に含むユーザの最近のナビゲーション行動に関する情報をユーザのコンピュータ上で動作する行動監視モジュールから受け取る段階と、
    前記検索用語に応答するドキュメントが関心対象のものであろう複数の見込み予算カテゴリーを決定する段階と、
    前記ナビゲーション情報を用いて前記複数の見込み予算カテゴリーの中から少なくとも１つを選択する段階と、
    を含む方法。
59. 前記ユーザナビゲーション情報は、少なくとも直前の１時間及び直前の１日内のナビゲーションを含む最近のナビゲーションを反映していることを特徴とする請求項５８に記載の方法。
60. 前記ユーザナビゲーション情報は、受信時に前記見込み予算カテゴリーの１つ又はそれ以上にまとめられることを特徴とする請求項５８に記載の方法。
61. 前記ユーザナビゲーション情報は、受信後に前記見込み予算カテゴリーの１つ又はそれ以上にまとめられることを特徴とする請求項５８に記載の方法。
62. 前記選択された見込み予算カテゴリーにおいて少なくとも幾つかの結果を高くランク付けするように偏らせた結果で前記ユーザに応答する段階を更に含む請求項５８に記載の方法。
63. 前記選択された見込み予算カテゴリーにおいて、応答するドキュメントに好都合な結果をフィルタリングすることによって前記ユーザに応答する段階を更に含む請求項５８に記載の方法。
64. 請求項５８に記載の方法を実施するための命令を含む機械読取り可能メモリ。
65. 請求項５８に記載の方法を実施するための機械読取り可能命令を含むデータストリーム。
66. 請求項５８に記載の方法を実施するように適合されたロジック及びリソースを有する１つ又はそれ以上のサーバを含む装置。
67. ネットワークを介してアクセス可能なドキュメント間のユーザの最近のナビゲーション行動を反映する情報で検索要求を補足する方法であって、
    前記ユーザによってアクセスされたドキュメントを電子的に識別し、
    前記アクセスされたドキュメントをカテゴリー化し、
    前記カテゴリー内のドキュメントがいつアクセスされたかを示す、
    ことを含む、前記ユーザのナビゲーション行動に関する情報を収集する行動監視モジュールを前記ユーザのコンピュータ上で動作させる段階と、
    検索エンジンへの情報要求と共に前記ナビゲーション行動情報の少なくとも要約を実行依頼する段階と、
    前記実行依頼されたナビゲーション行動情報に対応する見込み予算に偏った結果のセットを前記検索エンジンから受け取る段階と、
    を含む方法。
68. 前記行動監視モジュールが前記アクセスされるドキュメントをフィルタリングし、前記カテゴリーがいつアクセスされたかに関する指標をカテゴリー化する段階を更に含む請求項６７に記載の方法。
69. 請求項６７に記載の方法を実施するための命令を含む機械読取り可能メモリ。
70. 請求項６７に記載の方法を実施するための機械読取り可能命令を含むデータストリーム。
71. 請求項６７に記載の方法を実施するように適合されたロジック及びリソースを有する１つ又はそれ以上のサーバを含む装置。

Images