JP6494801B2 - 情報推奨方法および装置、ならびにサーバ - Google Patents

情報推奨方法および装置、ならびにサーバ Download PDF

Info

Publication number
JP6494801B2
JP6494801B2 JP2017559541A JP2017559541A JP6494801B2 JP 6494801 B2 JP6494801 B2 JP 6494801B2 JP 2017559541 A JP2017559541 A JP 2017559541A JP 2017559541 A JP2017559541 A JP 2017559541A JP 6494801 B2 JP6494801 B2 JP 6494801B2
Authority
JP
Japan
Prior art keywords
target
information
friend
user
interaction
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.)
Active
Application number
JP2017559541A
Other languages
English (en)
Other versions
JP2018516404A (ja
Inventor
大鵬 ▲劉▼
大鵬 ▲劉▼
孝卿 曹
孝卿 曹
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Publication of JP2018516404A publication Critical patent/JP2018516404A/ja
Application granted granted Critical
Publication of JP6494801B2 publication Critical patent/JP6494801B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services

Description

本開示は、中国特許庁に2016年1月12日に出願された、発明の名称を「情報推奨方法および装置、ならびにサーバ」とする中国特許出願第201610019783.7号の優先権を主張し、その全体が参照によって本明細書に組み込まれる。
本開示は、情報処理の技術分野に関し、特に、情報推奨方法、情報推奨装置、およびサーバに関する。
ソーシャルアプリケーションの発展によって、広告および天候情報のような推奨情報を、ソーシャルアプリケーションを経由してプッシュすることは、情報サービスが推奨情報をユーザへ提供するための新たなアプローチとなった。ソーシャルアプリケーションにおける1人または複数の友人同士で、情報を共有することに類似して、ユーザは、ソーシャルアプリケーションによってプッシュされた広告および天候情報のような推奨情報と、コメントするまたは賛同を与えるように、相互作用し得る。推奨情報を効果的にプッシュするために、推奨情報がユーザへプッシュされた後、ユーザがコメントするまたは賛同を与えるように、推奨情報と相互作用する確率を推定することが重要である。ユーザが推奨情報と相互作用する確率がより高いのであれば、プッシュされた推奨情報に対する相互作用効果はより良い。
現在、推奨情報をプッシュする際、通常は、推奨情報におけるユーザの関心度は、ユーザと推奨情報との関連性度合に基づいて測定される。推奨情報に対するユーザの関心度がより高いのであれば、ユーザが推奨情報と相互作用する確率はより高い。したがって、推奨情報をユーザへプッシュするか否かは、推奨情報に対するユーザの関心度に基づいて決定される。
これを考慮して、情報推奨方法、情報推奨装置、およびサーバが、本開示の実施形態に従って提供される。
上記目的を達成するために、以下の技術的解決策が、本開示の実施形態に従って提供される。
情報推奨方法が提供される。これは、
ターゲットユーザの1人または複数の友人の中から、ターゲット推奨情報と相互作用したターゲット友人を決定するステップと、
ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータを決定するステップと、
ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータに基づいて、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の影響度合を決定するステップと、
ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の影響度合に基づいて、ターゲット影響度合を決定するステップと、
ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合を、ターゲット影響度合に基づいて決定するステップと、
確率度合が、事前設定された条件を満足する場合、ターゲット推奨情報をターゲットユーザへプッシュするステップとを含む。
本開示の実施形態に従って、情報推奨装置がさらに提供される。これは、1つまたは複数のプロセッサと、動作命令を記憶する記憶媒体とを含み、プロセッサは、記憶媒体に記憶された動作命令を実行して、以下のステップ、
ターゲットユーザの1人または複数の友人の中から、ターゲット推奨情報と相互作用したターゲット友人を決定するステップと、
ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータを決定するステップと、
ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータに基づいて、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の影響度合を決定するステップと、
ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の影響度合に基づいて、ターゲット影響度合を決定するステップと、
ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合を、ターゲット影響度合に基づいて決定するステップと、
確率度合が、事前設定された条件を満足する場合、ターゲット推奨情報をターゲットユーザへプッシュするステップとを実行するように構成される。
本開示の実施形態に従って、サーバがさらに提供される。これは、上記情報推奨装置を含む。
上記技術的解決策では、ユーザによってなされるべき、友人によって公表された共有された情報との相互作用の規則が、ユーザによってなされるべき、推奨情報との相互作用に対する友人の影響に関連するとの発見に基づいて、本開示の実施形態では、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータが、ターゲット推奨情報と相互作用したターゲットユーザの1人または複数の友人のうちのターゲット友人のために決定される。その後、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の影響度合が決定される。その後、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット推奨情報と相互作用した友人のターゲット影響度合を決定するために、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の各々の影響度合が統合される。ターゲット推奨情報をプッシュするために、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合が、ターゲット影響度合に基づいて決定される。本開示の実施形態において、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する友人の影響度合は、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合を決定する際に参照されるので、推奨情報をプッシュする有効性を向上するように、ユーザが推奨情報と相互作用する決定された確率の精度が高められる。
本開示の実施形態に従う情報推奨方法のフローチャートである。 本開示の実施形態に従って相互作用重みおよび事前設定された定数を決定するための方法のフローチャートである。 本開示の実施形態に従う別の情報推奨方法のフローチャートである。 本開示の実施形態に従うさらに別の情報推奨方法のフローチャートである。 友人のサークル内の関係の概略図である。 本開示の実施形態に従う情報推奨装置のブロック図である。 本開示の実施形態に従う影響度合決定モジュールのブロック図である。 本開示の実施形態に従う線形計算ユニットのブロック図である。 本開示の実施形態に従う別の情報推奨装置のブロック図である。 本開示の実施形態に従うターゲット影響度合決定モジュールのブロック図である。 本開示の実施形態に従うターゲット影響度合決定モジュールの別のブロック図である。 本開示の実施形態に従うさらに別の情報推奨装置のハードウェアブロック図である。
ユーザの友人が、推奨情報と相互作用した後、ユーザが推奨情報と相互作用する確率が高められる。(コメントするまたは賛同を与えるような)推奨情報とのあるタイプの相互作用が、ユーザの友人によってなされた場合、推奨情報との同じタイプの相互作用がユーザによってなされる確率が高められる。
上記に基づいて、本開示の実施形態に従う情報推奨方法では、ターゲットユーザによってなされるべき、推奨情報との相互作用が、ターゲットユーザの友人によって以前になされた、推奨情報との相互作用によって影響されるとの規則に基づいて、推奨情報がプッシュされ、したがって、ユーザが推奨情報と相互作用すると決定される確率の精度を高め、推奨情報をプッシュする有効性を向上する。
本開示の実施形態に従う技術的解決策は、本開示の実施形態における図面と連携して明確かつ完全に説明されるであろう。明らかに、説明された実施形態は、本開示に従う実施形態の単なる一部であり、すべての実施形態ではない。本開示の実施形態に基づいて、何ら創造的な努力なく、当業者によって取得される他の任意の実施形態は、本開示の保護の範囲内にある。
図1は、本開示の実施形態に従う情報推奨方法のフローチャートである。この方法は、サーバへ適用され得、サーバは、ソーシャルアプリケーションのユーザ挙動データを収集し、データを分析および処理し、推奨情報をプッシュし得る。
図1を参照して示すように、本開示の実施形態に従って提供される情報推奨方法は、ステップS100乃至ステップS150を含み得る。
ステップS100では、ターゲットユーザの1人または複数の友人の中から、ターゲット推奨情報と相互作用したターゲット友人が決定される。
ターゲット推奨情報は、ターゲットユーザへ推奨されるべき情報である。本開示の実施形態では、ターゲット推奨情報は、ターゲットユーザの少なくとも1人の友人へプッシュされているが、ターゲットユーザへはプッシュされていない。少なくとも1人の友人のうちのターゲット友人は、(コメントするまたは賛同を与えるように)ターゲット推奨情報と相互作用した。
ステップS110では、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータが決定される。
ソーシャルアプリケーションは、友人同士で情報を共有する機能を提供する。これを用いて、ユーザは、記事および音楽のような情報を、ユーザの友人と共有することができ、友人は、コメントする、転送する、または賛同を与えるなど、ユーザによって共有されている情報と相互作用し得る。同様に、ユーザはまた、ユーザの友人によって共有されている情報と相互作用し得る。
本開示の実施形態では、ターゲット友人について、相互作用データを取得するために、事前設定された期間において、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用が分析され得る。
本開示の実施形態では、決定された各ターゲット友人について、事前設定された期間において、ユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との事前設定された各タイプの相互作用の数が分析され得る。事前設定されたタイプの相互作用は、賛同を与えるおよびコメントするような、共有されている情報に対してユーザによって実行される相互作用的な動作を称し得る。これは、実際の用途要求に基づいて決定され得る。したがって、本開示の実施形態に従って、事前設定されたタイプの相互作用の数は、固有ベクトルとして作用し得、固有ベクトルの各々は、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータとして作用する固有ベクトルセットを取得するために収集される。
本開示の実施形態では、決定された各ターゲット友人について、事前設定された期間において、ユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との事前設定された各タイプの相互作用の数が分析され、事前設定された各タイプの相互作用の数を統合することによって、統合された相互作用の数が取得され得る。統合された相互作用の数は、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータとして作用する。
ステップS120では、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合が、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータに基づいて決定される。
ユーザの友人によってなされた推奨情報との相互作用が、ユーザが推奨情報と高い確率で相互作用することにつながるという発見に基づいて、本開示の実施形態に従って、ユーザによってなされるべき推奨情報との相互作用が、ユーザの友人によって以前になされた、推奨情報との相互作用によって影響されるという規則は、ターゲットユーザによってなされるべき、ターゲット推奨情報への相互作用に対する、ターゲット友人の影響度合として定量化され得、ユーザによってなされた、友人によって公表された共有された情報との相互作用の規則は、ターゲットユーザによってなされた、ターゲットユーザによって公表された以前に共有された情報との相互作用のデータとして定量化される。
その後、ユーザによってなされるべき、推奨情報との相互作用に対する友人の影響度合と、ユーザによってなされた、友人によって公表された以前に共有された情報との相互作用のデータとの間の事前分析された関数的な関係に基づいて、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の影響度合が、相互作用データおよび事前分析された関数的な関係に基づいて、ターゲットユーザの各々について決定される。
本開示の実施形態では、過去の挙動データを分析することによって、ターゲットユーザによってなされるべき、友人によって公表された共有された情報との相互作用の規則は、ターゲットユーザの友人によってなされた、推奨情報との相互作用によって影響された後、ターゲットユーザによってなされる、推奨情報との相互作用の規則と非常に高い類似性を有しており、線形関係を示すことが発見された。すなわち、ターゲットユーザの友人によってすでになされた、推奨情報との相互作用によって影響された後、ターゲットユーザによってなされる、推奨情報との相互作用の規則は、ターゲットユーザによってなされるべき、友人によって公表された共有された情報との相互作用の規則との線形関係を有する。したがって、ターゲット友人の各々について、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータを取得した後、本開示の実施形態に従って、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の影響度合は、この線形関係に基づいて計算され得る。
ユーザの友人によってなされた推奨情報との相互作用によって影響された後、ユーザによってなされる推奨情報との相互作用の規則と、ユーザによってなされるべき、友人によって公表された共有された情報との相互作用の規則との間の線形関係は、上記述べられた関数的な関係の単なる例である。実際、この関係はまた、線形関係以外の他の関数的な関係であり得る。
ステップS130では、ターゲット影響度合が、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の影響度合に基づいて決定される。
ターゲット影響度合は、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、少なくとも1人のターゲット友人の全体的な影響度合である。
本開示の実施形態では、ターゲット影響度合を取得するために、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の各々の影響度合が総計され得る。
ターゲット友人の各々が、ターゲット推奨情報と相互作用する時間は、互いに異なる。すなわち、いくつかの相互作用は早期に生じる一方、他の相互作用は遅れて生じる。ターゲット友人によってなされる、ターゲット推奨情報との、異なる相互作用の時間は、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対して、異なる影響度合を有する。したがって、本開示の実施形態に従って、早期に生じる相互作用の影響度合は、時間減衰係数を用いて調節され得、これによって、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の各々の影響度合は、相互作用のタイミングに一致するようになり、したがって、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の各々の影響度合を総計することによって決定されるターゲット影響度合の精度を向上する。
ステップS140では、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合が、ターゲット影響度合に基づいて決定される。
本開示の実施形態では、ターゲット影響度合は、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合を決定するために、ターゲット推奨情報におけるターゲットユーザの決定された関心度と結合され得る。本開示の実施形態では、ターゲット影響度合はまた、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合として単に作用し得る。
ステップS150では、確率度合が、事前設定された条件を満足する場合に、ターゲット推奨情報が、ターゲットユーザへプッシュされる。
本開示の実施形態では、事前設定された条件は、実際の用途需要に従って決定され得る。
ユーザによってなされる、友人によって公表された共有された情報との相互作用の規則が、ユーザによってなされるべき、推奨情報との相互作用に対する友人の影響に関連しているという発見に基づいて、本開示の実施形態では、ターゲット推奨情報と相互作用したターゲットユーザの1人または複数の友人のうちのターゲット友人に関して、ターゲット友人によって公表された以前に共有された情報との、ターゲットユーザによってなされる相互作用のデータが決定されることが理解され得る。その後、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の影響度合が決定される。その後、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対して、ターゲット推奨情報と相互作用した友人のターゲット影響度合を決定するために、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対して、ターゲット友人の各々の影響度合が統合される。ターゲット推奨情報をプッシュするために、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合が、ターゲット影響度合に基づいて決定される。本開示の実施形態では、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する友人の影響度合は、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合を決定する際に参照されるので、推奨情報をプッシュすることの有効性を向上するように、ユーザが推奨情報と相互作用する、決定された確率の精度が高められる。
本開示の実施形態では、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータは、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合との線形関係を有する。したがって、本開示の実施形態に従って、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の各々の影響度合は、線形関係と、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータとに基づいて決定され得る。
線形関係は、単線形回帰式によって主に表現される。本開示の実施形態に従って、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータと、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合とが、単線形回帰式の変数として作用する。その後、単線形回帰式を用いて係数および定数を計算することによって、式が解かれる。この式によって、相互作用データに対応する影響度合が計算され得る。
本開示の実施形態に従って、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の各々の影響度合が、以下の式によって計算され得る。
式cij=w・nij+bに基づいて、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合が決定される。
この式ではターゲット友人をjと、ターゲットユーザをiと表し、cijは、ターゲットユーザiによってなされるべき、推奨情報との相互作用に対する、ターゲット友人jの影響度合であり、nijは、ターゲットユーザiによってなされた、ターゲット友人jによって公表された以前に共有された情報との相互作用の数であり、wは、事前設定された相互作用重みであり、bは、事前設定された定数である。
上記式を解くために、本開示の実施形態において、事前設定された相互作用重みwと、事前設定された定数bとを決定することが必要とされる。その後、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータnijを決定した後、対応するcijが取得され得る。
図2は、相互作用重みwと事前設定された定数bとを決定するための方法のフローチャートを図示する。図2を参照して示すように、この方法は、ステップS200乃至ステップS240を含み得る。
ステップS200では、複数の推奨情報が、ユーザと、ユーザの友人へプッシュされる。
ステップS200において、ユーザと、ユーザの友人は、wとbとを決定するためにサンプルされたユーザと、サンプルされたユーザに対応する友人である。
ステップS210において、ユーザの友人によってなされた、複数の推奨情報との相互作用の数がカウントされ、ユーザによってなされた、ユーザの友人が相互作用した推奨情報との相互作用の数がカウントされる。
たとえば、10個の推奨情報が、ユーザと、ユーザの友人へプッシュされる。ユーザの友人は、10個の推奨情報のすべてと相互作用する。ユーザの友人が、10個の推奨情報と相互作用した後、ユーザは、10個の情報のうち3個のみと相互作用する。その後、ユーザの友人によってなされた、複数の推奨情報との相互作用の数が10であり、ユーザによってなされた、ユーザの友人が相互作用した推奨情報との相互作用の数が3であると決定され得る。
ユーザによってなされた、ユーザの友人が相互作用した推奨情報との相互作用の数は、ユーザの友人が推奨情報と相互作用したという条件の下で、ユーザによってなされた、推奨情報との相互作用の数である。ユーザが推奨情報と相互作用する前に、ユーザの友人が、推奨情報と相互作用していない場合、ユーザによってなされた、ユーザの友人と相互作用されていない推奨情報との相互作用は、ユーザによってなされた、ユーザの友人が相互作用した推奨情報との相互作用の数へカウントされるべきではない。
ステップS220では、ユーザによってなされた、ユーザの友人が相互作用した推奨情報との相互作用の数の、ユーザの友人によってなされた、複数の推奨情報との相互作用の数に対する比が、ユーザによってなされるべき、推奨情報との相互作用に対する、ユーザの友人の影響度合のサンプル値csampleとして決定される。
たとえば、ユーザの友人によってなされた、複数の推奨情報との相互作用の数が10であり、ユーザによってなされた、ユーザの友人が相互作用した推奨情報との相互作用の数が3である場合において、ユーザによってなされるべき、推奨情報との相互作用に対する、ユーザの友人の影響度合のサンプル値csampleは、3/10であると決定される。
本開示の実施形態では、ユーザは多数の友人を有し得る。ユーザの友人によってなされた、複数の推奨情報との相互作用の数と、ユーザによってなされた、ユーザの友人が相互作用した推奨情報との相互作用の数とが、ユーザの友人の各々について決定され得、その後、ユーザの友人の各々に対応する影響度合が、影響度合のサンプル値csampleとして計算される。
明らかに、本開示の実施形態では、ユーザは、1人の友人のみを有してもよい。
ステップS230では、ユーザによってなされた、ユーザの友人によって公表された以前に共有された情報との過去の相互作用の数nsampleが獲得される。
ステップS230は、図1に図示されるステップS110として実行され得る。
ステップS240では、wおよびbは、影響度合のサンプル値csampleと過去の相互作用の数nsampleとに対して、重回帰分析アルゴリズムを実行することによって決定される。
本開示の実施形態に従って、単線形回帰式が確立され得る。影響度合のサンプル値csampleと、過去の相互作用の数nsampleとを変数として使用して、wとbが、重回帰分析アルゴリズムを用いて計算される。
wとbを計算した後に、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合cijは、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータnijに基づいて計算され得る。
本開示のこの実施形態では、ターゲットユーザiによってなされた、ターゲット友人jによって公表された以前に共有された情報との相互作用の数nijは、ターゲットユーザiによってなされた、ターゲット友人jによって公表された以前に共有された情報との、事前設定された各タイプの相互作用の数を統合することによって取得された、統合された相互作用の数であり得、対応するwは、統合された相互作用重みであり得る。相応して、過去の相互作用の数nsampleは、図2に図示された計算における統合された相互作用の数であり得る。
本開示の実施形態に従って、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のタイプが、事前設定され得る。したがって、ターゲットユーザによってなされ、ターゲット友人によって公表された以前に共有された情報との事前設定された各タイプの相互作用の数は、固有ベクトルとして表現される。事前設定された各タイプは、相互作用のタイプに対応する。固有ベクトルは、固有ベクトルセットを獲得するために収集される。固有ベクトルセットは、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータとして作用する。
たとえば、事前設定された相互作用タイプは、ターゲット友人によって公表された以前に共有された情報に関する、ターゲットユーザによってコメントするまたは賛同を与えることと、ターゲットユーザとターゲット友人との間の(毎日における平均チャット数のような)チャット頻度とを含む。本開示の実施形態に従って、ターゲット友人の各々について、ターゲット友人によって公表された以前に共有された情報について、ターゲットユーザによってコメントした回数および賛同を与えた回数、ならびに、ターゲットユーザとターゲット友人との間のチャット頻度とが、固有ベクトルとして取得され得る。これらは、固有ベクトルセットnijを獲得するために収集される。
nijは、nij=(hij,kij,mij)として表現され得る。ここで、hijは、ターゲット友人jによって公表された以前に共有された情報に関して、ターゲットユーザiによって賛同を与えた回数であり、kijは、ターゲット友人jによって公表された以前に共有された情報に関して、ターゲットユーザiによってコメントした回数であり、mijは、ターゲットユーザiとターゲット友人jとの間のチャット頻度である。
したがって、wは、w=(wh,wk,wm)として表現され、whは、賛同を与える重みであり、wkは、コメントする重みであり、wmは、チャット頻度の重みである。
したがって、図2に図示される方法では、過去の相互作用の数nsampleは、事前設定された相互作用のタイプの数の固有ベクトルセットであり得、wは、事前設定されたすべてのタイプのための重みのセットであり得る。
上記図示されたような、ターゲット友人によって公表された以前に共有された情報に関して、ターゲットユーザによって賛同を与えることおよびコメントすること、ならびに、ターゲットユーザとターゲット友人との間のチャット頻度は、事前設定された相互作用タイプの単なる例である。事前設定された相互作用タイプの特有の形式は、用途に基づいて決定され得、明らかに、事前設定された唯一の相互作用タイプが存在してもよい。
図3は、本開示の実施形態に従う情報推奨方法の別のフローチャートを図示し、この方法は、サーバまたは他のデバイスへ適用され得る。図3を参照して示すように、この方法は、ステップS300乃至ステップS350を含み得る。
ステップS300では、ターゲットユーザiの1人または複数の友人の中から、ターゲット推奨情報と相互作用した少なくとも1人のターゲット友人jが決定される。
ステップS310では、ターゲットユーザiによってなされた、ターゲット友人jによって公表された以前に共有された情報との事前設定された各タイプの相互作用の数が決定され、事前設定された各タイプの相互作用の数が収集されて、セットnijを獲得する。
ステップS320では、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の各々の影響度合を獲得するように、ターゲットユーザiによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人jの影響度合が、式cij=w・nij+bに従って決定される。ここで、cijは、ターゲットユーザiによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人jの影響度合であり、wは、事前設定されたすべてのタイプの重みのセットであり、bは、事前設定された定数である。
ステップS330では、ターゲット影響度合が、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の各々の影響度合に基づいて決定される。
ステップS340では、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合が、ターゲット影響度合に基づいて決定される。
ステップS350では、確率度合が、事前設定された条件を満足する場合において、ターゲット推奨情報が、ターゲットユーザへプッシュされる。
本開示のこの実施形態では、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対して、ターゲット友人の各々の影響度合が取得された後、ターゲット影響度合を獲得するために、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の各々の影響度合が統合される。
ターゲット影響度合は、式
Figure 0006494801
に従ってターゲット影響度合を決定することによって決定され得る。ここで、InfluScoreは、ターゲット影響度合であり、Nは、ターゲットユーザの1人または複数の友人のうち、ターゲット推奨情報と相互作用した少なくとも1人のターゲット友人のセットである。すなわち、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対するターゲット友人の影響度合が、総計され、ターゲット影響度合が獲得される。
あるいは、式InfluScore=新cij+f・influscore_oldに従ってターゲット影響度合を決定することによって、ターゲット影響度合が決定され得る。ここで、InfluScoreは、ターゲット影響度合であり、新cijは、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット推奨情報との直近の相互作用を行ったターゲット友人の影響度合であり、fは、現在の時間減衰係数であり、InfluScore_oldは、他のターゲット友人の影響度合の総計である。InfluScore_oldのための計算方法は、InfluScoreのためのものと同じであり、本明細書ではさらに説明されない。
ターゲット友人による、ターゲット推奨情報との相互作用を行うタイミングは、互いに異なり、異なるタイミングの相互作用は、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合における相違に導く。したがって、新たなターゲット友人が、ターゲット推奨情報と相互作用した場合、他の友人によって以前に生成された影響度合が減衰されるべきである。すなわち、InfluScore=新cij+f・Influscore_oldである。明らかに、InfluScore_oldはまた、相互作用時間とともに減衰される。
たとえば、ターゲット友人A1、A2、およびA3は、ターゲットユーザへ影響を与える友人であり、ターゲット友人A1、A2、およびA3は、ターゲット推奨情報と順に相互作用する。A2が、ターゲット推奨情報と相互作用する場合、ターゲット影響度合は、影響度合A2+f2*影響度合A1によって計算される。A3が、ターゲット推奨情報と相互作用する場合、ターゲット影響度合は、影響度合A3+f3*(影響度合A2+f2*影響度合A1)によって計算される。
時間減衰係数fは、現在の時間の逆数であり得、たとえば、A2が、ターゲット推奨情報と相互作用する場合、f2は、時間の逆数であってよい。これは、f3についても正しい。
ターゲット影響度合を決定した後、本開示の実施形態に従って、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合は、ターゲット影響度合と、従来技術によって決定されるターゲット推奨情報におけるターゲットユーザの関心度とを結合することによって決定され得る。
本開示の実施形態に従って、ターゲット推奨情報におけるターゲットユーザの関心度が決定され得、その後、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合が、関心度およびターゲット影響度合に基づいて決定される。
本開示の実施形態では、ターゲット推奨情報におけるターゲットユーザの関心度が、任意の従来技術によって決定され得る。
出力結果(すなわち、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合)を計算するために、関心度およびターゲット影響度合が、関心度およびターゲット影響度合を、ロジスティック回帰モデルのようなモデルへの入力として採用することによって、結合され得る。
本開示の実施形態では、関心度およびターゲット影響度合が総計され得る。
図4は、本開示の実施形態に従う情報推奨方法のさらに別のフローチャートを図示しており、この方法は、サーバまたは他のデバイスへ適用され得る。図4を参照して示すように、この方法は、ステップS400乃至ステップS450を含み得る。
ステップS400では、ターゲットユーザiの1人または複数の友人の中から、ターゲット推奨情報と相互作用した少なくとも1人のターゲット友人jが決定される。
ステップS410では、ターゲットユーザiによってなされた、ターゲット友人jによって公表された以前に共有された情報との事前設定された各タイプの相互作用の数が決定され、事前設定された各タイプの相互作用の数が収集されて、セットnijを獲得する。
ステップS420では、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の各々の影響度合を獲得するように、ターゲットユーザiによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人jの影響度合が、式cij=w・nij+bに従って決定される。ここで、cijは、ターゲットユーザiによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人jの影響度合であり、wは、事前設定されたすべてのタイプの重みのセットであり、bは、事前設定された定数である。
ステップS430では、式InfluScore=新cij+f・Influscore_oldに従って、ターゲット影響度合が決定され得る。ここで、InfluScoreは、ターゲット影響度合であり、新cijは、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット推奨情報との直近の相互作用を行ったターゲット友人の影響度合であり、fは、現在の時間減衰係数であり、InfluScore_oldは、新cij以外の他のターゲットユーザの影響度合の総計である。InfluScore_oldのための計算方法は、InfluScoreのためのものと同じであるので、本明細書では説明されない。
ステップS440では、ターゲット推奨情報におけるターゲットユーザの関心度が決定され、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合が、関心度およびターゲット影響度合に基づいて決定される。
ステップS450では、確率度合が、事前設定された条件を満足する場合において、ターゲット推奨情報が、ターゲットユーザへプッシュされる。
本開示の実施形態では、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合が取得された後、確率度合が、事前設定された確率度合よりも高いか否かが判定され得る。確率度合が、事前設定された確率度合よりも高い場合、この確率が、事前設定された条件を満足することが判定され、その後、ターゲット推奨情報が、ターゲットユーザへプッシュされる。
ターゲット推奨情報は、複数の候補推奨情報のうちの1つであり得る。本開示の実施形態に従って、ターゲットユーザによってなされるべき、候補推奨情報の各々との相互作用の確率度合は、確率度合を決定する上記方式で決定され得、したがって、ターゲットユーザによってなされるべき、候補推奨情報の各々との相互作用の確率度合を決定した後、それらの確率度合に基づいて、候補推奨情報をランク付ける。ターゲット推奨情報のランクが、事前設定されたランク条件を満足する場合において、確率度合が、事前設定された条件を満足していることが判定され、その後、ターゲット推奨情報がターゲットユーザへプッシュされる。ターゲット推奨情報のランクが、事前設定されたランクの範囲にある場合において、確率度合が、事前設定された条件を満足していることが判定され得、ターゲット推奨情報が、ターゲットユーザへプッシュされ得る。
本開示の実施形態に従う情報推奨方法の適用例は、広告をプッシュすることである。これは、本開示の実施形態に従う情報推奨方法の適用例を説明するための一例として採用される。
図5は、友人のサークルにおける関係を図示する。ここで、友人のサークルは、ソーシャルアプリケーションによって提供された友人ソーシャルサークルである。図5を参照して示すように、ターゲットユーザiの友人は、j1、j2、j3、j4、およびj5であり、j1、j2、およびj3は各々、時間t1、t2、およびt3において広告と相互作用し、t1<t2<t3であり、広告はj4によって見られ得るが、j4は、広告と相互作用せず、j5は、広告を見ることができない、と仮定する。したがって、友人j1、j2、およびj3のみがユーザiに影響を及ぼし、ターゲットユーザiの1人または複数の友人のうち、広告と相互作用したターゲット友人は、j1、j2、およびj3であることが判定される。
友人j1の場合、ユーザiによってなされた、事前設定された期間において友人j1によって公表された以前に共有された情報との事前設定された各タイプの相互作用の数が決定され得、事前設定されたすべてのタイプの相互作用の数のセットは、ユーザiによってなされた、友人j1によって公表された以前に共有された情報との相互作用の数nij1として作用する。事前設定されたタイプは、友人j1によって公表された以前に共有された情報に関して、ユーザiによって賛同を与えること、またはコメントすること、および、ユーザiと友人j1との間のチャット頻度を含み得る。これらは、明らかに、別の方式でカスタマイズされ得る。
友人j2の場合、ユーザiによってなされた、事前設定された期間において友人j2によって公表された以前に共有された情報との事前設定された各タイプの相互作用の数が決定され得、事前設定されたすべてのタイプの相互作用の数のセットは、ユーザiによってなされた、友人j2によって公表された以前に共有された情報との相互作用の数nij2として作用する。
友人j3の場合、ユーザiによってなされた、事前設定された期間において友人j3によって公表された以前に共有された情報との事前設定された各タイプの相互作用の数が決定され得、事前設定されたすべてのタイプの相互作用の数のセットは、ユーザiによってなされた、友人j3によって公表された以前に共有された情報との相互作用の数nij3として作用する。
友人j1の場合、ユーザiによってなされるべき、広告との相互作用に対する、友人j1の影響度合が、式cij1=w・nij1+bに従って決定される。友人j2の場合、ユーザiによってなされるべき、広告との相互作用に対する、友人j2の影響度合が、式cij2=w・nij2+bに従って決定される。友人j3の場合、ユーザiによってなされるべき、広告との相互作用に対する、友人j3の影響度合が、式cij3=w・nij3+bに従って決定され、wは、事前設定されたすべてのタイプのための事前計算された重みのセットであり、bは、事前計算された定数である。
cij1、cij2、およびcij3が取得された後、友人j1、j2、およびj3と、広告との相互作用のタイミングは各々t1、t2、およびt3であり、t1<t2<t3であるので、影響度合の時間による減衰を考慮することによって、ターゲット影響度合は、cij3+f3(cij2+f2cij1)として計算され得る。ここで、f2は、t2に対応し、t2の逆数であり得、f3は、t3に対応し、t3の逆数であり得る。
ターゲット影響度合が取得された後、ユーザiによってなされるべき、広告との相互作用の確率度合に基づいて、候補広告のうち広告のランクを決定するように、ユーザiによってなされるべき、広告との相互作用の確率度合を決定するために、広告におけるユーザiのターゲット影響度合および関心度が結合され得る。決定されたランクが、事前設定されたランクの範囲内である場合において、広告が、ユーザiへプッシュされる。広告がユーザiへプッシュされた後、ユーザiが広告と相互作用する確率は高いので、広告をプッシュする相互作用効果が高められ、これによって、広告をプッシュする有効性が向上される。
本開示の実施形態に従う情報推奨方法を用いて、ユーザによってなされるべき、推奨情報との相互作用の決定された確率度合の精度が高められ、これによって、推奨情報をプッシュする有効性が向上される。
以下に、本開示の実施形態に従う情報推奨装置が記述される。以下に記述される情報推奨装置と、情報推奨方法とが互いに参照され得る。
図6は、本開示の実施形態に従う情報推奨装置のブロック図であり、この装置は、サーバへ適用され得る。図6を参照して示すように、情報推奨装置は、ターゲット友人決定モジュール100、相互作用データ決定モジュール200、影響度合決定モジュール300、ターゲット影響度合決定モジュール400、確率度合決定モジュール500、および推奨モジュール600を含み得る。
ターゲット友人決定モジュール100は、ターゲットユーザの1人または複数の友人の中から、ターゲット推奨情報と相互作用したターゲット友人を決定するように構成される。
相互作用データ決定モジュール200は、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータを決定するように構成される。
影響度合決定モジュール300は、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合を、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータに基づいて決定するように構成される。
ターゲット影響度合決定モジュール400は、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合に基づいて、ターゲット影響度合を決定するように構成される。
確率度合決定モジュール500は、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合を、ターゲット影響度合に基づいて決定するように構成される。
推奨モジュール600は、確率度合が、事前設定された条件を満足する場合において、ターゲット推奨情報をターゲットユーザへプッシュするように構成される。
ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータは、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合との線形関係にある。図7は、影響度合決定モジュール300のオプション構成を図示する。図7を参照して示すように、影響度合決定モジュール300は、線形計算ユニット310を含み得る。
線形計算ユニット310は、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合を、線形関係と、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータとに基づいて決定するように構成される。
図8は、線形計算ユニット310のオプション構成を図示する。図8を参照して示すように、線形計算ユニット310は、式計算ユニット311を含み得る。
式計算ユニット311は、式cij=w・nij+bに従って、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、1人のターゲット友人の影響度合を決定するように構成され、ここで、cijは、ターゲットユーザiによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人jの影響度合であり、nijは、ターゲットユーザiによってなされた、ターゲット友人jによって公表された以前に共有された情報との相互作用の数であり、wは事前設定された相互作用重みであり、bは、事前設定された定数である。
図9は、本開示の実施形態に従う情報推奨装置の別のブロック図を図示する。図6、図8、および図9と連携して図示されるように、この装置はさらに、パラメータ計算モジュール700を含み得る。
パラメータ計算モジュール700は、複数の推奨情報をユーザおよびユーザの友人へプッシュし、ユーザの友人によってなされた、複数の推奨情報との相互作用の数と、ユーザによってなされた、ユーザの友人が相互作用した推奨情報との相互作用の数とをカウントし、ユーザによってなされた、ユーザの友人が相互作用した推奨情報との相互作用の数の、ユーザの友人によってなされた、複数の推奨情報との相互作用の数に対する比を、ユーザによってなされるべき、推奨情報との相互作用に対する、ユーザの友人の影響度合のサンプル値csampleとして決定し、ユーザによってなされた、ユーザの友人によって公表された以前に共有された情報との過去の相互作用の数nsampleを獲得し、影響度合のサンプル値csampleと、過去の相互作用の数nsampleとに対して、重回帰分析アルゴリズムを実行することによってwおよびbを決定するように構成される。
nijは、ターゲットユーザiによってなされた、ターゲット友人jによって公表された以前に共有された情報との事前設定されたすべてのタイプの相互作用の数のセットを含む。したがって、wは、事前設定されたすべてのタイプの重みのセットを含む。
図10は、ターゲット影響度合決定モジュール400のオプション構成を図示する。図10を参照して示すように、ターゲット影響度合決定モジュール400は、追加処理ユニット410を含み得る。
追加処理ユニット410は、式
Figure 0006494801
に従って、ターゲット影響度合を決定するように構成される。ここで、InfluScoreは、ターゲット影響度合であり、Nは、ターゲットユーザの1人または複数の友人のうち、ターゲット推奨情報と相互作用した少なくとも1人のターゲット友人のセットである。
図11は、本開示の実施形態に従う影響度合決定モジュール400の別のオプション構成を図示する。図11を参照して示すように、ターゲット影響度合決定モジュール400は、減衰および追加処理ユニット420を含み得る。
減衰および追加処理ユニット420は、式InfluScore=新cij+f・Influscore_oldに従ってターゲット影響度合を決定するように構成される。ここで、InfluScoreはターゲット影響度合であり、新cijは、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対して、現在時間の直前の期間において、ターゲット推奨情報と相互作用したターゲット友人の影響度合であり、fは、現在の時間減衰係数であり、InfluScore_oldは、新cij以外のターゲットユーザの影響度合の総計であり、InfluScore_oldのための計算方法は、InfluScoreのものと同じであり、これは本明細書では説明されない。
確率度合決定モジュール500は、ターゲット推奨情報におけるターゲットユーザの関心度を決定し、ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合を、関心度およびターゲット影響度合に基づいて決定するように構成され得る。
態様では、推奨モジュール600は、確率度合が、事前設定された確率度合よりも高い場合において、確率度合が事前設定された条件を満足することを判定し、ターゲット推奨情報をターゲットユーザへプッシュするように構成され得る。
別の態様では、推奨モジュール600は、ターゲットユーザによってなされるべき、各候補推奨情報との相互作用の確率度合を決定した後、各候補推奨情報の確率度合に従って、ターゲット推奨情報を含む候補推奨情報をランク付けし、ターゲット推奨情報のランクが、事前設定されたランク条件を満足する場合において、確率度合が事前設定された条件を満足することを判定し、ターゲット推奨情報をターゲットユーザへプッシュするように構成され得る。
本開示の実施形態に従う情報推奨装置を用いて、ユーザによってなされるべき、推奨情報との相互作用の決定された確率度合の精度が高められ、これによって、推奨情報をプッシュする有効性が向上される。
オプションで、図12は、本開示の実施形態に従う別の情報推奨装置のハードウェアブロック図を図示する。図12を参照して示すように、装置は、プロセッサ1、通信インターフェース2、メモリ3、および通信バス4を含み得る。
プロセッサ1、通信インターフェース2、およびメモリ3は、通信バス4を介して互いに通信する。
オプションで、通信インターフェース2は、GSM(登録商標)モジュールのインターフェースのような通信モジュールのインターフェースであり得る。
プロセッサ1は、プログラムを実行するように構成される。
メモリ3は、プログラムを記憶するように構成される。
プログラムは、プログラムコードを含み得る。プログラムコードは、コンピュータの動作命令を含む。
プロセッサ1は、中央処理装置CPU、特定用途向け集積回路ASIC(Application Specific Integrated Circuit)、または本開示の実施形態を実施するように構成された1つもしくは複数の集積回路であり得る。
メモリ3は、高速RAMメモリを含み得、さらに、少なくとも1つの磁気ディスクメモリのような不揮発性メモリ(non-volatile memory)を含み得る。
プログラムは具体的に、
ターゲットユーザの1人または複数の友人の中から、ターゲット推奨情報と相互作用したターゲット友人を決定し、
ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータを決定し、
ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合を、ターゲットユーザによってなされた、ターゲット友人によって公表された以前に共有された情報との相互作用のデータに基づいて決定し、
ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用に対する、ターゲット友人の影響度合に基づいて、ターゲット影響度合を決定し、
ターゲットユーザによってなされるべき、ターゲット推奨情報との相互作用の確率度合を、ターゲット影響度合に基づいて決定し、
確率度合が、事前設定された条件を満足する場合において、ターゲット推奨情報をターゲットユーザへプッシュするように構成され得る。
サーバがさらに本開示の実施形態へ提供され、サーバは、上記説明された情報推奨装置を含み得る。
本開示の実施形態は漸進的に記述され、各実施形態は、他の実施形態からの相違点に重点を置く。したがって、これら実施形態は、同じまたは類似の部分について、互いに参照され得る。装置実施形態は、方法実施形態に対応しているので、装置実施形態の説明は簡単である。該当箇所に関しては方法部分の説明を参照してよい。
当業者によってさらに認識されるように、本明細書に開示された実施形態に従って説明された例におけるユニットおよびアルゴリズムステップは、電子ハードウェア、コンピュータソフトウェア、またはその組合せの形式で実施され得る。ハードウェアとソフトウェアとの相互置換性を明確に例示するために、例における構成要素およびステップは概して、上記説明における機能に従って説明される。機能を実施するためにハードウェアまたはソフトウェアのいずれが使用されるかは、技術的解決策に対する具体的な適用例および設計制約に依存する。具体的な各適用例について、説明された機能を実施するために、当業者によって、異なる方法が使用され得、そのような実施は、発明の範囲から逸脱するものとみなされるべきではない。
本明細書に開示された実施形態に従って説明された方法のステップまたはアルゴリズムは、ハードウェア、プロセッサによって実行されるソフトウェアモジュール、またはこれらの組合せの形式で実施され得る。ソフトウェアモジュールは、ランダムアクセスメモリ(RAM)、メモリ、リードオンリメモリ(ROM)、電気的にプログラム可能なROM、電気的に消去可能なプログラム可能なROM、レジスタ、ハードウェアディスク、移動可能磁気ディスク、CD-ROM、または当該技術分野において周知の他の任意の形式の記憶媒体に記憶され得る。
本明細書に開示された実施形態の上記説明によって、当業者は、本開示を実施または使用できるようになる。実施形態に対する多くの修正が、当業者に明らかになるであろう。そして、本明細書における一般的な原理は、本開示の趣旨または範囲からの逸脱なく、他の実施形態において実施され得る。したがって、本開示は、本明細書に説明された実施形態に限定されず、本明細書に開示された原理および新規の特徴と一貫した最も広い範囲に従う。
1 プロセッサ
2 通信インターフェース
3 メモリ
4 通信バス
100 ターゲット友人決定モジュール
200 相互作用データ決定モジュール
300 影響度合決定モジュール
310 線形計算ユニット
311 式計算ユニット
400 ターゲット影響度合決定モジュール
410 追加処理ユニット
420 減衰および追加処理ユニット
500 確率度合決定モジュール
600 推奨モジュール
700 パラメータ計算モジュール

Claims (13)

  1. ターゲット推奨情報をターゲットユーザへプッシュするための情報推奨方法であって、
    前記ターゲットユーザの1人または複数の友人の中からターゲット友人を決定するステップであって、前記ターゲット推奨情報は、前記ターゲットユーザへプッシュされる前に前記ターゲットユーザの前記1人または複数の友人へプッシュされており、前記ターゲットユーザの前記1人または複数の友人の中の前記ターゲット友人は、前記ターゲット推奨情報と相互作用した友人であり、前記ターゲット推奨情報は、前記ターゲットユーザへプッシュされる候補情報である、ステップと、
    前記ターゲットユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との相互作用のデータを決定するステップと、
    前記ターゲットユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との相互作用のデータに基づいて、前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合を決定するステップと、
    前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合に基づいて、ターゲット影響度合を決定するステップと、
    前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用の確率度合を、前記ターゲット影響度合に基づいて決定するステップと、
    前記確率度合が、事前設定された条件を満足する場合、前記ターゲット推奨情報を前記ターゲットユーザへプッシュするステップと
    を備える情報推奨方法。
  2. 前記ターゲットユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との相互作用のデータは、前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合と線形関係を有し、
    前記ターゲットユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との相互作用のデータに基づいて、前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合を決定する前記ステップは、
    前記線形関係と、前記ターゲットユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との相互作用のデータとに基づいて、前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合を決定するステップを備える、請求項1に記載の情報推奨方法。
  3. 前記線形関係と、前記ターゲットユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との相互作用のデータとに基づいて、前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合を決定する前記ステップは、
    ターゲットユーザiによってなされるべき、前記ターゲット推奨情報との相互作用に対するターゲット友人jの影響度合を、式cij=w・nij+bに従って決定するステップを備え、cijは、前記ターゲットユーザiによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人jの影響度合であり、nijは、前記ターゲットユーザiによってなされた、前記ターゲット友人jによって公表された以前に共有された情報との相互作用の数であり、wは、事前設定された相互作用重みであり、bは、事前設定された定数である、請求項2に記載の情報推奨方法。
  4. 前記wおよび前記bを決定する処理は、
    複数の推奨情報を、ユーザおよび前記ターゲット友人へプッシュするステップと、
    前記ユーザが前記推奨情報と相互作用する前に前記ユーザの前記ターゲット友人が前記推奨情報と相互作用した場合において、前記ターゲット友人によってなされた、前記複数の推奨情報との相互作用の数と、前記ユーザによってなされた、前記ターゲット友人が相互作用した推奨情報との相互作用の数とをカウントするステップと、
    前記ユーザによってなされた、前記ターゲット友人が相互作用した推奨情報との相互作用の数の、前記ターゲット友人によってなされた、前記複数の推奨情報との相互作用の数に対する比を、前記ユーザによってなされるべき、前記推奨情報との相互作用に対する前記ターゲット友人の影響度合のサンプル値csampleとして決定するステップと、
    前記ユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との過去の相互作用の数nsampleを獲得するステップと、
    前記影響度合のサンプル値csampleと、過去の相互作用の数nsampleとに対して、重回帰分析アルゴリズムを実行することによって前記wおよび前記bを決定するステップと
    を備える、請求項3に記載の情報推奨方法。
  5. 前記nijは、前記ターゲットユーザiによってなされた、前記ターゲット友人jによって公表された以前に共有された情報との事前設定されたすべてのタイプの相互作用の数のセットを備え、
    前記wは、前記事前設定されたすべてのタイプの重みのセットを備える、請求項3に記載の情報推奨方法。
  6. 前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合に基づいて、ターゲット影響度合を決定する前記ステップは、
    式
    Figure 0006494801
     に従って、前記ターゲット影響度合を決定するステップであって、InfluScoreは、前記ターゲット影響度合であり、Nは、前記ターゲットユーザの1人または複数の友人の中で、前記ターゲット推奨情報と相互作用したターゲット友人の数である、ステップ、または、
    式InfluScore=新cij+f・Influscore_oldに従って前記ターゲット影響度合を決定するステップであって、InfluScoreは前記ターゲット影響度合であり、新cijは、前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対して、前記ターゲット推奨情報と直近の相互作用を行ったターゲット友人の影響度合であり、fは、現在の時間減衰係数であり、InfluScore_oldは、他のターゲットユーザの影響度合の総計である、ステップ
    を備える、請求項3から5のいずれか一項に記載の情報推奨方法。
  7. 前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用の確率度合を、前記ターゲット影響度合に基づいて決定する前記ステップは、
    前記ターゲット推奨情報における前記ターゲットユーザの関心度を決定するステップと、
    前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用の確率度合を、前記関心度および前記ターゲット影響度合に基づいて決定するステップと
    を備える、請求項1に記載の情報推奨方法。
  8. 前記確率度合が前記事前設定された条件を満足することを判定するステップは、
    前記確率度合が、事前設定された確率度合よりも高い場合において、前記確率度合が、前記事前設定された条件を満足することを判定するステップ、または、
    前記ターゲットユーザによってなされるべき、各候補推奨情報との相互作用の確率度合を決定した後、各候補推奨情報に対応する確率度合に基づいて、前記ターゲット推奨情報を備える各候補推奨情報をランク付けし、前記ターゲット推奨情報のランクが、事前設定されたランク条件を満足する場合において、前記確率度合が、前記事前設定された条件を満足することを判定するステップ
    を備える、請求項7に記載の情報推奨方法。
  9. 1つまたは複数のプロセッサと、動作命令を記憶した記憶媒体とを備え、ターゲット推奨情報をターゲットユーザへプッシュするための情報推奨装置であって、前記プロセッサは、前記記憶媒体に記憶された前記動作命令を実行して、以下のステップ、
    前記ターゲットユーザの1人または複数の友人の中からターゲット友人を決定するステップであって、前記ターゲット推奨情報は、前記ターゲットユーザへプッシュされる前に前記ターゲットユーザの前記1人または複数の友人へプッシュされており、前記ターゲットユーザの前記1人または複数の友人の中の前記ターゲット友人は、前記ターゲット推奨情報と相互作用した友人であり、前記ターゲット推奨情報は、前記ターゲットユーザへプッシュされる候補情報である、ステップと、
    前記ターゲットユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との相互作用のデータを決定するステップと、
    前記ターゲットユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との相互作用のデータに基づいて、前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合を決定するステップと、
    前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合に基づいて、ターゲット影響度合を決定するステップと、
    前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用の確率度合を、前記ターゲット影響度合に基づいて決定するステップと、
    前記確率度合が、事前設定された条件を満足する場合、前記ターゲット推奨情報を前記ターゲットユーザへプッシュするステップと
    を実行するように構成された、情報推奨装置。
  10. 前記ターゲットユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との相互作用のデータは、前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合と線形関係を有し、
    前記プロセッサは、以下のステップ、
    前記線形関係と、前記ターゲットユーザによってなされた、前記ターゲット友人によって公表された以前に共有された情報との相互作用のデータとに基づいて、前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人の影響度合を決定するステップ
    を実行するように構成された、請求項9に記載の情報推奨装置。
  11. 前記プロセッサは、以下のステップ、
    ターゲットユーザiによってなされるべき、前記ターゲット推奨情報との相互作用に対するターゲット友人jの影響度合を、式cij=w・nij+bに従って決定するステップを実行するように構成され、cijは、前記ターゲットユーザiによってなされるべき、前記ターゲット推奨情報との相互作用に対する前記ターゲット友人jの影響度合であり、nijは、前記ターゲットユーザiによってなされた、前記ターゲット友人jによって公表された以前に共有された情報との相互作用の数であり、wは、事前設定された相互作用重みであり、bは、事前設定された定数である、請求項10に記載の情報推奨装置。
  12. 前記プロセッサは、以下のステップ、
    式
    Figure 0006494801
     に従って、前記ターゲット影響度合を決定するステップであって、InfluScoreは、前記ターゲット影響度合であり、Nは、前記ターゲットユーザの1人または複数の友人の中で、前記ターゲット推奨情報と相互作用したターゲット友人の数である、ステップ、または、
    式InfluScore=新cij+f・Influscore_oldに従って前記ターゲット影響度合を決定するステップであって、InfluScoreは前記ターゲット影響度合であり、新cijは、前記ターゲットユーザによってなされるべき、前記ターゲット推奨情報との相互作用に対して、前記ターゲット推奨情報と直近の相互作用を行ったターゲット友人の影響度合であり、fは、現在の時間減衰係数であり、InfluScore_oldは、他のターゲットユーザの影響度合の総計である、ステップ
    を実行するように構成された、請求項11に記載の情報推奨装置。
  13. 請求項9から12のいずれか一項に記載の情報推奨装置を備えるサーバ。
JP2017559541A 2016-01-12 2016-12-30 情報推奨方法および装置、ならびにサーバ Active JP6494801B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201610019783.7A CN105677881B (zh) 2016-01-12 2016-01-12 一种信息推荐方法、装置及服务器
CN201610019783.7 2016-01-12
PCT/CN2016/113895 WO2017121259A1 (zh) 2016-01-12 2016-12-30 信息推荐方法、装置及服务器

Publications (2)

Publication Number Publication Date
JP2018516404A JP2018516404A (ja) 2018-06-21
JP6494801B2 true JP6494801B2 (ja) 2019-04-03

Family

ID=56300365

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017559541A Active JP6494801B2 (ja) 2016-01-12 2016-12-30 情報推奨方法および装置、ならびにサーバ

Country Status (6)

Country Link
US (1) US20180046724A1 (ja)
EP (1) EP3404556B1 (ja)
JP (1) JP6494801B2 (ja)
KR (1) KR20170136593A (ja)
CN (1) CN105677881B (ja)
WO (1) WO2017121259A1 (ja)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11074618B2 (en) * 2013-06-13 2021-07-27 Blackberry Limited Method and apparatus pertaining to history-based content-sharing recommendations
CN105677881B (zh) * 2016-01-12 2020-07-03 腾讯科技（深圳）有限公司 一种信息推荐方法、装置及服务器
CN106339172A (zh) * 2016-08-25 2017-01-18 北京小米移动软件有限公司 喜好信息获取方法及装置
CN106453528B (zh) * 2016-09-27 2019-11-01 北京小米移动软件有限公司 推送消息的方法及装置
CN106341312B (zh) * 2016-09-29 2020-06-02 中国联合网络通信集团有限公司 社交信息显示方法、系统和服务器
CN108574618B (zh) * 2017-03-09 2021-08-13 腾讯科技（北京）有限公司 基于社交关系链的推送信息展示方法及装置
US11514353B2 (en) * 2017-10-26 2022-11-29 Google Llc Generating, using a machine learning model, request agnostic interaction scores for electronic communications, and utilization of same
CN107909428A (zh) * 2017-11-01 2018-04-13 平安科技（深圳）有限公司 电子装置、产品推荐方法和计算机可读存储介质
CN109948037A (zh) * 2017-11-24 2019-06-28 腾讯科技（深圳）有限公司 信息投放方法、装置及存储设备
CN108133013B (zh) * 2017-12-22 2021-02-09 平安养老保险股份有限公司 信息处理方法、装置、计算机设备和存储介质
CN109165742A (zh) * 2018-08-28 2019-01-08 北京百度网讯科技有限公司 推荐方法、装置、存储介质和终端设备
CN111125574B (zh) * 2018-10-31 2023-04-28 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN111131356B (zh) * 2018-10-31 2021-06-25 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
KR102181835B1 (ko) * 2018-11-15 2020-11-23 경희대학교 산학협력단 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템
CN109558542B (zh) * 2018-12-04 2020-11-27 北京达佳互联信息技术有限公司 一种信息质量评估方法、信息推送方法及装置
CN110209952B (zh) * 2018-12-18 2023-03-24 腾讯科技（深圳）有限公司 信息推荐方法、装置、设备及存储介质
CN109902753B (zh) * 2019-03-06 2023-01-13 深圳市珍爱捷云信息技术有限公司 用户推荐模型训练方法、装置、计算机设备和存储介质
CN110287414A (zh) * 2019-06-25 2019-09-27 北京向上一心科技有限公司 信息推送方法、装置和电子设备
CN112307355A (zh) * 2019-10-09 2021-02-02 吴仁超 基于大数据的用户隐私保护的推荐方法
CN111460049A (zh) * 2020-04-01 2020-07-28 北京字节跳动网络技术有限公司 内容分享方法、装置、电子设备及计算机可读存储介质
CN111711829B (zh) * 2020-06-12 2022-02-11 广州酷狗计算机科技有限公司 直播间推荐方法、装置、计算机可读存储介质及设备
CN112364259A (zh) * 2020-11-24 2021-02-12 深圳市元征科技股份有限公司 一种信息推荐方法、装置、设备及介质

Family Cites Families (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004227354A (ja) * 2003-01-23 2004-08-12 Nippon Telegr & Teleph Corp <Ntt> 情報推薦装置、情報推薦方法、プログラム及び記録媒体
EP1625481A4 (en) * 2003-05-22 2009-07-01 Pershing Investments Llc PRICING SYSTEM AND METHOD FOR IDENTIFYING CLIENTS CORRESPONDING TO THE SEARCH PROFILE
US8010460B2 (en) * 2004-09-02 2011-08-30 Linkedin Corporation Method and system for reputation evaluation of online users in a social networking scheme
US20070198510A1 (en) * 2006-02-03 2007-08-23 Customerforce.Com Method and system for assigning customer influence ranking scores to internet users
WO2007101263A2 (en) * 2006-02-28 2007-09-07 Buzzlogic, Inc. Social analytics system and method for analyzing conversations in social media
US9219351B2 (en) * 2008-08-28 2015-12-22 Federal-Mogul Ignition Company Spark plug with ceramic electrode tip
WO2010099631A1 (en) * 2009-03-03 2010-09-10 Google Inc. Adheat advertisement model for social network
KR101624680B1 (ko) * 2009-03-03 2016-05-27 구글 인코포레이티드 소셜 네트워크의 사용자들에게 광고를 제공하기 위한 방법 및 시스템
US8489515B2 (en) * 2009-05-08 2013-07-16 Comcast Interactive Media, LLC. Social network based recommendation method and system
US20110295626A1 (en) * 2010-05-28 2011-12-01 Microsoft Corporation Influence assessment in social networks
CN102316046B (zh) * 2010-06-29 2016-03-30 国际商业机器公司 向社交网络中的用户推荐信息的方法和装置
US20120089482A1 (en) * 2010-10-06 2012-04-12 Narendra Patel Last-room-available search apparatus and method
JP5667466B2 (ja) * 2011-02-16 2015-02-12 株式会社ミクシィ ユーザ間の親密度に基づいた表示序列制御システム、方法及びプログラム、並びに、表示序列に反映されるべきユーザ間の親密度を判定する情報処理システム、方法及びプログラム
US8954503B2 (en) * 2011-03-03 2015-02-10 Facebook, Inc. Identify experts and influencers in a social network
US8909637B2 (en) * 2011-06-03 2014-12-09 Facebook, Inc. Context-based ranking of search results
CN102915307B (zh) * 2011-08-02 2018-01-02 腾讯科技（深圳）有限公司 一种个性化信息推荐的方法、装置及信息处理系统
US9031888B2 (en) * 2011-08-10 2015-05-12 International Business Machines Corporation Predicting influence in social networks
US8838581B2 (en) * 2011-08-19 2014-09-16 Facebook, Inc. Sending notifications about other users with whom a user is likely to interact
KR20130035064A (ko) * 2011-09-29 2013-04-08 삼성전자주식회사 개인 성향 기반의 개인화 서비스 제공 방법 및 시스템
US20130103667A1 (en) * 2011-10-17 2013-04-25 Metavana, Inc. Sentiment and Influence Analysis of Twitter Tweets
US20140310058A1 (en) * 2011-11-07 2014-10-16 New York University Identifying Influential and Susceptible Members of Social Networks
US20130124627A1 (en) * 2011-11-11 2013-05-16 Robert William Cathcart Providing universal social context for concepts in a social networking system
CN103138954B (zh) * 2011-12-02 2015-11-04 中国移动通信集团公司 一种推荐项的推送方法、系统及推荐服务器
CN103166930B (zh) * 2011-12-15 2016-04-13 腾讯科技（深圳）有限公司 推送网络信息的方法和系统
MX2014007025A (es) * 2011-12-21 2014-09-15 Engagement Labs Inc Metodo y sistema para medir y mejorar la eficiencia de campañas de medios sociales.
US10685361B2 (en) * 2012-03-02 2020-06-16 Facebook, Inc. Targeting advertisements to groups of social networking system users
US10380629B2 (en) * 2012-05-25 2019-08-13 Microsoft Technology Licensing, Llc Leveraging a social graph to deliver relevant recommendations
US10565598B2 (en) * 2012-07-10 2020-02-18 Facebook, Inc. Sponsored advertisement ranking and pricing in a social networking system
US20140025478A1 (en) * 2012-07-17 2014-01-23 Maven Analytics Inc. Measuring influence in a social network
CN102880691B (zh) * 2012-09-19 2015-08-19 北京航空航天大学深圳研究院 一种基于用户亲密度的混合推荐系统及方法
US9235865B1 (en) * 2012-10-26 2016-01-12 Sprint Communications Company L.P. Identifying influencers using social information
JP2014134923A (ja) * 2013-01-09 2014-07-24 Sony Corp 情報処理装置、情報処理方法、プログラム及び端末装置
WO2014125339A1 (en) * 2013-02-14 2014-08-21 Eagle Home Solutions Private Limited Social housing and real estate recommendations
US20140297739A1 (en) * 2013-03-27 2014-10-02 Howard T. Stein Media Previews Based on Social Context
US11120491B2 (en) * 2013-09-24 2021-09-14 Ebay Inc. Method, medium, and system for social media based recommendations
WO2015058307A1 (en) * 2013-10-25 2015-04-30 Sysomos L.P. Systems and methods for dynamically determining influencers in a social data network using weighted analysis
US10055398B2 (en) * 2013-11-18 2018-08-21 Samsung Electronics Co., Ltd. Method and system for providing recommendations and performing actions based on social updates in social networks
US20150278221A1 (en) * 2014-03-28 2015-10-01 Xomad Llc Contact manager for utilizing social media influence
US9646096B2 (en) * 2014-06-03 2017-05-09 Go Daddy Operating Company, LLC System and methods for analyzing and improving online engagement
CN104301207B (zh) * 2014-10-24 2016-04-13 腾讯科技（深圳）有限公司 网络信息处理方法及装置
CN104967679B (zh) * 2015-06-09 2017-07-21 深圳市腾讯计算机系统有限公司 信息推荐系统、方法及装置
CN105677881B (zh) * 2016-01-12 2020-07-03 腾讯科技（深圳）有限公司 一种信息推荐方法、装置及服务器
CN106909594B (zh) * 2016-06-06 2020-05-05 阿里巴巴集团控股有限公司 信息推送方法及装置

Also Published As

Publication number Publication date
EP3404556A1 (en) 2018-11-21
EP3404556A4 (en) 2019-08-21
US20180046724A1 (en) 2018-02-15
CN105677881B (zh) 2020-07-03
JP2018516404A (ja) 2018-06-21
EP3404556B1 (en) 2023-07-12
CN105677881A (zh) 2016-06-15
WO2017121259A1 (zh) 2017-07-20
KR20170136593A (ko) 2017-12-11

Similar Documents

Publication Publication Date Title
JP6494801B2 (ja) 情報推奨方法および装置、ならびにサーバ
US20210329094A1 (en) Discovering signature of electronic social networks
KR101999471B1 (ko) 정보 추천 방법 및 장치
CN109241415B (zh) 项目推荐方法、装置、计算机设备及存储介质
US20240086971A1 (en) Systems, methods, and storage media for training a machine learning model
US10324989B2 (en) Microblog-based event context acquiring method and system
CN106355431B (zh) 作弊流量检测方法、装置及终端
WO2018223719A1 (zh) 用户投保行为预测的方法、装置、计算设备及介质
CN105247507B (zh) 用于确定品牌的影响力得分的方法、系统和存储介质
US10243967B2 (en) Method, apparatus and system for detecting fraudulant software promotion
CN109376267B (zh) 用于生成模型的方法和装置
US20160210646A1 (en) System, method, and computer program product for model-based data analysis
CN110334356A (zh) 文章质量的确定方法、文章筛选方法、以及相应的装置
US11062350B2 (en) Method, apparatus, and device for monitoring promotion status data, and non-volatile computer storage medium
CN108122168A (zh) 社交活动网络中种子节点筛选方法和装置
CN110222790B (zh) 用户身份识别方法、装置及服务器
CN110968802A (zh) 一种用户特征的分析方法、分析装置及可读存储介质
JP5813052B2 (ja) 情報処理装置、方法及びプログラム
CN111988642B (zh) 推荐视频的方法、装置、服务器和存储介质
US20200057975A1 (en) Method and System for Finding a Solution to a Provided Problem Using Family Tree Based Priors in Bayesian Calculations in Evolution Based Optimization
CN114818843A (zh) 数据分析的方法、装置和计算设备
CN110083517A (zh) 一种用户画像置信度的优化方法及装置
CN111309706A (zh) 模型训练方法、装置、可读存储介质及电子设备
CN117217852B (zh) 一种基于行为识别购买意愿度预测方法及装置
CN112989183B (zh) 一种基于生命周期的产品信息推荐方法、装置及相关设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20171129

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20181012

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20181022

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190122

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190208

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190305

R150 Certificate of patent or registration of utility model

Ref document number: 6494801

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250