KR101343222B1 - 랭킹을 위해 인기 데이터를 사용하는 방법 - Google Patents

랭킹을 위해 인기 데이터를 사용하는 방법 Download PDF

Info

Publication number
KR101343222B1
KR101343222B1 KR1020087010776A KR20087010776A KR101343222B1 KR 101343222 B1 KR101343222 B1 KR 101343222B1 KR 1020087010776 A KR1020087010776 A KR 1020087010776A KR 20087010776 A KR20087010776 A KR 20087010776A KR 101343222 B1 KR101343222 B1 KR 101343222B1
Authority
KR
South Korea
Prior art keywords
ranking
popularity
user
objects
accessed
Prior art date
Application number
KR1020087010776A
Other languages
English (en)
Other versions
KR20080074116A (ko
Inventor
매튜 알. 리차드슨
에릭 디. 브릴
로버트 제이. 라그노
로버트 엘. 라운스와이트
Original Assignee
마이크로소프트 코포레이션
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 마이크로소프트 코포레이션 filed Critical 마이크로소프트 코포레이션
Publication of KR20080074116A publication Critical patent/KR20080074116A/ko
Application granted granted Critical
Publication of KR101343222B1 publication Critical patent/KR101343222B1/ko

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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/02—Digital computers in general; Data processing equipment in general manually operated with input through keyboard and computation using a built-in program, e.g. pocket calculators
    • G06F15/025—Digital computers in general; Data processing equipment in general manually operated with input through keyboard and computation using a built-in program, e.g. pocket calculators adapted to a specific application
    • G06F15/0283—Digital computers in general; Data processing equipment in general manually operated with input through keyboard and computation using a built-in program, e.g. pocket calculators adapted to a specific application for data storage and retrieval
    • 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
    • G06Q30/0282—Rating or review of business operators or products
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Computer Graphics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

검색 질의에 응답한 검색 결과의 품질, 정확성, 전송을 더 강화하기 위해, 랭킹을 향상시키고 객체를 서열화시키는 유일한 랭킹 시스템 및 방법. 시스템 및 방법은 객체에 엑세스된 횟수 및 선택적으로 누구에 의해, 언제, 얼나마 오래 그리고 엑세스 레이트의 관점에서 객체를 모니터링하고 추적하는 것에 관련된다. 객체와 사용자의 상호작용은 역시 추적될 수 있다. 객체를 추적함으로써, 인기도가 판정될 수 있다. 인기 기반 랭킹은 인기도 또는 그것의 함수에 의해 계산될 수 있다. 인기도는 엑세스 시간, 누가 엑세스 했는지, 엑세스 기간 또는 엑세스 시 사용자와 객체간의 상호작용에 영향을 받을 수 있다. 인기 기반 랭킹은 검색 결과의 품질 및 검색(retrieval)을 향상시키기 위해 검색 구성요소에 의해 사용될 수 있다.
랭킹, 인기도, 검색, 검색 엔진, 기계 학습 시스템

Description

랭킹을 위해 인기 데이터를 사용하는 방법{USING POPULARITY DATA FOR RANKING}
검색(searching)은 컴퓨터 사용자를 위한 어플리케이션 및 운영 체제의 중요한 특징이 되었다. 더 나아가, 컴퓨팅 시장 내 고부가가치를 창출하는 분야가 되었다. 한편, 광고주는 특정 검색어가 입력될 때 검색어를 사거나/사고 원하는 리스팅 위치에 대한 프리미엄을 지불한다. 또한, 소비자는 검색의 품질에 가장 큰 중점을 두고 종종 엔진의 과거 성능 및 명성에 기반하여 검색 어플리케이션 또는 엔진을 선택한다.
일반적으로, 사용자는 인터넷, 네트워크, 그들의 로컬 PC 상의 특정 콘텐츠를 찾기 위해 텍스트 검색을 개시한다. 검색 요청은 다양한 포맷으로 나타날 수 있다. 사용자는 그들이 찾는 콘텐츠 및 검색의 위치에 따라서 키워드, 어구 또는 임의 단어 조합을 사용할 수 있다. 검색 결과는, 예를 들어 사용자에 의해 입력된 용어와 웹 페이지에 연관된 용어 간의 연관성(correlation)에 따라서 반환된다. 동일하거나 유사한 용어에 관계된 웹 페이지가 복수 개 존재하는 경우, 어떤 페이지가 나은지 또는 사용자 검색에 더 관계가 있는지에 대한 정보를 사용자에게 주기 위해 사용자를 위해 페이지의 서열(ordering)을 정하거나 우선순위를 정하기 위한 일부 기술들이 반드시 존재한다.
기존의 랭킹 시스템은 알고리즘을 기반으로 서열화 수행하기 위해 존재한다. 특정한 하나는 통상적으로 얼마나 많은 다른 페이지가 그것을 가르키는지에 대한 기능에 따라 웹 페이지를 랭킹한다. 하지만, 이 시스템은 우선 웹 페이지에 초점을 두었고, 웹의 링크 구조에 대한 지식을 요한다. 또한 대부분의 기존 랭킹 시스템은 텍스트 페이지만으로 제한되는 경향이 있다. 그러므로 검색 기능을 향상시킬 많은 여지가 있다.
이하는 여기에서 논의되는 시스템 및/또는 방법의 일부 태양에 대한 기본 지식을 제공하기 위해 간략화된 형식으로 기술한다. 본 요약은 본 신기술의 심도있는 전체 사항을 나타낸 것은 아니다. 이는 본 발명의 주요/필수적인 요소를 식별하거나 본 발명의 범위를 정하기 위함이 아니다. 이것의 목적은 이후 실시예에서 자세하게 기술되는 사항에 대해 간략화된 형태로서 본 발명의 일부 개념을 제공하기 위함이다.
대상 어플리케이션은 객체의 랭킹을 상승시키고 궁극적으로 보다 관계된 검색 결과를 얻기 위해 인기 데이터(popularity data)를 사용하도록 하는 시스템 및/또는 방법에 관계된다. 보다 자세히 말해, 시스템 및 방법은 각각의 객체에 대해 측정(measure)을 하기 위해 열람되고, 방문되며, 엑세스된 객체를 추적하며, 각 객체에 대한 인기 기반 랭킹(popularity based ranking)을 판정하기 위해 크기 및 일부 함수를 사용하는 것을 포함한다. 객체의 예시는 문서, 파일, 텍스트 페이지, 비디오, 영화, 음악(오디오), 이미지 및/또는 웹 페이지를 포함할 수 있지만 이에 제한되는 것은 아니다.
일반적으로, 객체의 인기 기반 랭킹은 객체가 엑세스된 횟수를 카운팅함에 의해 전체적으로 또는 부분적으로 판정될 수 있다. 카운트의 가중치(weight of count)는 객체, 객체가 동일 사용자 또는 다른 사용자에 의해 엑세스 되는 레이트, 객체에 엑세스하는 사용자 ID 또는 기계 ID에 관해 수행되는 사용자의 행위와 같은 다른 요인에 의해 영향받을 수 있다. 이런 종류의 요인을 고려함으로써, "불량"객체에 대한 과장된 랭킹이 완화될 수 있다. 일부 경우, 직접적인 카운트(straight count)가 그것의 함수 보다 객체 인기의 가장 합당한 지시를 제공할 수 있다.
객체가 엑세스될 때 기록되는 것은 별도로, 시스템 및 방법은 인기 기반 랭킹에 영향을 미칠 수 있는 다른 형식의 사용자 활동을 모니터링 할 수 있다. 사용자 활동의 예시로는, 이에 제한되는 것은 아니지만, 객체를 수정하는(modifing) 것, 객체 상의 링크에 클릭하는 것, 객체를 통해 스크롤하는 것, 객체를 북마킹하거나 저장하는 것, 객체에 엑세스 또는 열람한 수초 내에 "뒤로가기" 버튼 또는 이와 유사한 명령을 내리는 것을 포함하며, 이러한 행동은 추적되고 기록될 수 있다. 이러한 형식의 행위는 링크의 질을 반영하므로, 객체가 "양호"한지 여부를 나타낼 수 있다. 양호한 객체는 높은 랭킹을 받을 것으로 추정된다.
엑세스된 객체는 데이터베이스, 테이블 또는 리스트 형식으로 식별되고 기록될 수 있다. 언제 객체가 엑세스되었는지, 누구에 의한 것인지(예를 들어, 기계ID 또는 사용자 ID), 얼마나 오래, 객체와 사용자의 상호작용 등의 다른 정보는 객체의 인기를 판정하도록 역시 기록될 수 있다.
객체를 추적하고 모니터링하는 과정에서 얻는 임의의 정보는 각 객체에 점수를 부가하기 위해 사용될 수 있다. 일단 객체에 점수가 매겨지면, 그것은 검색 시스템에 의해 보다 효율적이고 정확한 검색이 용이하도록 서열화될 수 있다. 이 점수는 기계 학습 기술(machine learning technique)을 이용하여 일부 판정될 수 있으며, 여기서 임의 갯수의 특징(feature)에 대한 데이터가 입력되고, 점수가 계산된다. 객체의 인기는 하나 이상의 특징 또는 위에서 언급한 요인(예를 들어, 사용자 활동, 엑세스 레이트 등)에 의해 판정될 수 있다. 다른 특징은 링크된 다른 객체의 수, 객체의 사용자 레이팅, 다른 랭킹 체계(ranking scheme) 또는 모델에 의해 판정된 객체의 다른 랭킹, 객체 내의 단어 수, 객체에 접속된 시간 및 날짜 및/또는 사용자 관심사를 포함할 수 있다.
다양한 특징은 특정 랭킹이 필요한지 여부에 의존하여 가중치가 부가될 수 있다. 예를 들어, 만약 사용자가 오전 시간에 엑세스된 객체만의 랭킹을 얻기 원한다면, 랭킹 구성요소에 알려주는데 사용되는 트레이닝 데이터(training data)는 객체가 엑세스된 시간에 보다 강하게 의존하거나, 적어도 이를 포함할 수 있다. 그러므로 엑세스 시간 특징은 일부 다른 특징보다 더 가중치가 부가될 수 있다. 반대로, 만약 시간이 랭킹 계획에 덜 중요하다면, 시간 특징은 다른 특징보다 덜 가중치가 부가되거나 가중치가 전혀 없을 것이다. 일단 판정되면, 객체 랭킹은 검색 결과의 질 및/또는 정확성을 향상 또는 강화시키기 위해 검색 시스템 또는 구성요소에 관해서 사용될 수 있다.
이상에서 논의된 것과 관련된 것을 달성하기 위해 본 발명의 특정한 예시적 태양은 이하의 실시예 및 첨부된 도면과 연관하여 기술되었다. 하지만 이러한 태양은 본 발명에 따른 다양한 방법 중 오로지 일부만을 지시하고, 본 대상 발명은 모든 그러한 태양 및 균등 사항을 포함하려고 한다. 본 발명의 다른 장점 및 새로운 특징은 도면을 참조한 이하의 실시예로부터 명백해질 것이다.
도 1은 인터넷, 인트라넷 및/또는 사용자 데스크톱 또는 로컬 파일 저장 시스템 상에서 수행되는 검색에 대한 검색 결과의 품질 및 정확성을 향상시키도록 사용되는 데이터 랭킹 시스템의 블록도.
도 2는 객체에 관련된 정보를 수집하고 이에 따라 객체에 대한 점수를 얻기 위해, 객체에 관련된 정보를 수집하고 그 정보의 적어도 일부를 기계 학습 시스템의 특징으로서 사용함에 일부 기초하여, 검색 결과의 품질 및 정확성을 향상시키도록 하는 데이터 랭킹 시스템의 블록도.
도 3은 객체의 랭킹을 정하도록 하는, 사용자에 의해 엑세스되거나, 방문되거나 열람되는 임의 갯수의 객체에 대한 점수를 계산하는 기계 학습 시스템에 의해 사용될 수 있는 복수의 특징을 설명하는 블록도.
도 4는 객체의 랭킹을 판정하는데 사용될 수 있는 다양한 소스로부터의 복수의 랭킹을 설명하는 블록도.
도 5는 웹 기반 어플리케이션을 탐색하는 경우, 보다 정확한 검색 결과를 얻을 수 있도록 하는 웹 페이지 객체에 관해 사용될 수 있는 데이터 랭킹 시스템의 블록도.
도 6은 인터넷, 인트라넷, 데스크톱 및/또는 다른 컴퓨팅 장치상에서 수행되는 검색에 대한 검색 결과의 품질 및 정확성을 향상시키도록 하는 예시적인 방법을 나타내는 흐름도.
도 7은 객체가 랭킹되는 맞춤화된 방법에 부분적으로 기반하여 사용자에게 검색 결과를 반환시키는 것에 관계되며, 질, 정확성 및 효율을 증대시킬 수 있는 예시적인 방법을 나타내는 흐름도.
도 8은 객체에 대한 새로운 전체 랭킹을 판정하기 위해, 일부 방법으로써 객체에 대한 하나 이상의 소스로부터의 복수의 랭킹을 결합하도록 하는 예시적인 방법을 나타내는 흐름도.
도 9는 인터넷에 반환되는 검색 결과를 향상시키도록 하는 예시적인 방법을 나타내는 흐름도.
도 10은 본 발명의 다양한 태양을 구현하기 위한 예시적인 환경을 나타내는 도면.
대상 시스템 및/또는 방법은 도면을 참조하여 기술되었고, 동일한 참조 번호는 동일한 구성요소를 언급하는데 사용되었다. 이하의 기술에서, 설명을 목적으로, 수개의 구체적 상세 사항은 시스템 및/또는 방법의 완전한 이해를 제공하기 위해 제시되었다. 그러나 대상 시스템 및/또는 방법은 이러한 구체적 상세 사항이 없이도 실행될 수 있다. 다른 예시에서, 공지의 구조 및 장치는 그들을 용이하게 설명하기 위해 블록도의 형식으로 나타나 있다.
여기에서 사용되는 바와 같이, 용어 "구성요소(conponent)" 및 "시스템"은 컴퓨터와 관계된 실재(computer related entity) 즉 실행 중의 하드웨어, 하드웨어 및 소프트웨어의 조합, 또는 소프트웨어를 언급하기 위해 사용되었다. 예를 들어, 구성요소는 프로세서에서 구동 중인 프로세스, 프로세서, 객체, 실행 가능(exacutable), 실행의 쓰레드, 프로그램 및/또는 컴퓨터일 수 있지만, 이에 제한되는 것은 아니다. 설명으로서, 서버상에서 구동 중인 어플리케이션 및 서버는 구성요소일 수 있다. 하나 이상의 구성요소는 실행의 프로세스 및/또는 쓰레드 내 존재할 수 있고, 구성요소는 하나의 컴퓨터에 국지화(localize) 되거나/되고 두 개 이상의 컴퓨터 사이에 분산될 수 있다.
대상 시스템 및/또는 방법은 사용자 행동 및 객체와의 상호 작용을 추적하고, 그러한 행동에 기초하여 사용자에 의해 엑세스되는 객체의 카운트(count)를 포함할 것인지에 대한 판정과 관련하여 다양한 추론 계획(inference scheme) 및/또는 기술을 구체화할 수 있다. 예를 들어, 사용자 철수가 인터넷을 자주 브라우징하며, 그가 방문한 페이지에 대해 브라우저 시스템에 피드백을 제공하기 위해 자발적인 프로그램을 선택했다고(opted into) 가정하자. 시스템은 철수로부터 얻어진 또는 철수에 대한 정보에 자동적으로 가중치를 할당하도록 적용될 수 있다. 그러므로 철수가 방문한 페이지는 철수의 검색 경험을 향상시키기 위해 점수가 매겨지고 랭킹될 수 있다. 이는 철수가 페이지를 얼마나 자주 방문하는지, 얼마나 오래 방문하는지 등에 대한 최초의 확인이 필요하지 않은 채 자동적인 방법으로 일어날 수 있다. 이러한 프로세스는 사용자가 신용할 수 있는 대상이라면(예를 들어, 비 스 패머(non-spammer)) 이러한 방법으로 자동화될 수 있다.
여기에 사용된 바와 같이, 용어 "추론(inference)"은 일반적으로, 이벤트 및/또는 데이터를 통해 검색된 일련의 관측으로부터 시스템, 환경 및/또는 사용자의 상태를 추론 또는 논증하는 프로세스를 언급한다. 추론은 개연성(probabilitistic) 즉, 데이터와 이벤트에 대한 고려를 기반으로 하는 관심사의 상태에 대한 확률 분산의 계산으로 이루어진다. 추론은 또한 일련의 이벤트 및/또는 데이터로부터의 상위 레벨 이벤트를 구성하기 위해 사용되는 기술을 지시한다. 그러한 추론은, 이벤트가 일시적 근접(close temporal proximity)과 상관관계가 있는지에 여부에 상관없이, 또한 이벤트 및 데이터가 하나 또는 수개의 이벤트 및 데이터 소스로부터 왔는지에 상관없이, 일련의 관측된 이벤트 및/또는 저장된 이벤트 데이터로부터의 새로운 이벤트 또는 행동(action)을 구성한다.
웹페이지, 문서, 이미지, 영화 및 음악과 같은 객체 서열화를 위한 질의-독립형(-의존형) 시스템(query-independent(-dependent) system)을 고안하는 것은 어려울 수 있지만, 그러한 시스템은 검색 엔진 또는 검색 구성 요소를 위해 상당히 이로울 수 있다. 페이지를 만족스럽게 서열화함으로써, 예를 들어, 검색 엔진은 웹으로부터의 페이지 검색뿐만 아니라 질의와의 최상의 매치를 찾기 위해 그것의 인덱스를 통해 검사(scan)하는 것에 따른 순서를 최적화할 수 있으며, 주어진 질의에 대해 돌아오는 페이지의 전체적인 관련성을 향상시킬 수 있다. 이하에서 보다 상세하게 논의되는 바와 같이, 객체가 얼마나 많이 엑세스 되었는지에 따라 부분적으로 판정되는 객체의 인기는 향상되고 전체적으로 좋은 객체의 랭킹을 제공한다. 사실, 실험적 데이터는 기존 시스템의 측정된 성능에 비해, 보다 정확한 검색 결과를 도출하는 중요한 성능을 지원한다.
도 1을 살펴보면, 인터넷, 인트라넷 및/또는 사용자의 데스크톱 또는 로컬 파일 저장 시스템상에서 수행되는 검색에 대한 결과의 정확성 및 품질을 향상시키도록 하는 데이터 랭킹 시스템(100)을 나타내는 일반적인 블록도가 있다. 시스템(100)은 객체의 인기 또는 그것의 함수에 부분적으로 기초한다. 예를 들어, 객체의 인기는 객체가 얼마나 자주 엑세스되는지를(엑세스 카운트 또는 크기(measure)) 관찰함에 의해 부분적으로 판정될 수 있다. 특히, 시스템(100)은 사용자에 의해 엑세스된 하나 이상의 객체를 모니터링 및/또는 추적할 수 있는 객체 추적 구성요소(object tracking componant; 110)를 포함한다. 다른 방법으로, 추적 구성요소(110)는 검색 결과 리스팅 등으로서 사용자에게 사용 가능한 객체이지만, (엑세스되지 않는 등) 사용자에 의해 무시(ignore)된 것을 추적할 수 있다. 사용자에게 사용 가능하게 되었음에도 사용자에 의해 엑세스 되지 않은 횟수 또한 객체의 인기를 확인하는데 사용될 수 있다.
객체의 엑세스 카운트에 더해서, 추적 구성 요소(110)는 사용자 단독 또는 객체와의 사용자 상호작용에 관계된 데이터 또는 정보의 다른 유형을 기록할 수 있다. 엑세스 카운트에 기본한 객체의 명백한 인기는, 객체에 관해서 수집된 다른 타입의 데이터에 의해 더 영향(지원되거나 감소되는 등의)을 받을 수 있다. 특히, 추적 구성요소(110)는 객체에 관해 수행되는 사용자의 행동 또는 행위를 역시 인식할 수 있다. 예를 들어, 추적 구성요소(110)는, 만약 특정 객체에 엑세스한 모든 사용자가 객체가 초기 열린 직후에 직전 화면을 보기 위해 "뒤로가기"를 클릭하는 것을 또한 탐지할 수 있다. 이러한 종류의 행동은 객체의 이름 또는 식별이 검색 질의에 기초하여 사용자에게 매우 관련이 있는 것처럼 보일 수 있지만 실제적으로 스패머에 의해 생성되거나/생성되고 동작되는 허위이거나 부정한 객체일 수 있다. 그러한 경우, 이러한 종류의 사용자 행동은 엑세스 카운트를 제로와 같이 낮출 수 있다. 반대로, 객체를 통해 스크롤링하거나, 객체를 북마킹 또는 저장하는 등의 다른 사용자 행동은 객체가 찾던 바로 그것이라는 것을 명백하게 해준다. 최소한, 이러한 정보는 객체에 대해 얻어지는 엑세스 카운트를 검증할 수 있다.
객체 추적 구성요소(110)에 의해 수집되는 정보의 전부 또는 적어도 일부는 랭킹 구성요소(120)에 의해 사용될 수 있다. 로우 정보(raw information) 또는 이로부터 도출되는 다른 일정한 값을 사용함으로써, 랭킹 구성요소(120)는 각 객체에 대한 점수를 판정하고 객체에 대해 랭킹을 할당하거나 서열화할 수 있다. 특히, 랭킹 구성요소는 랭킹 함수(예를 들어 적어도 하나) 및 인기 데이터를 사용하여 점수를 판정할 수 있다. 이러한 랭킹은 (검색 질의에 응답하여) 사용자에게 돌아오는 검색 결과를 향상시키기 위해 검색 구성요소와 통신될 수 있다.
랭킹은 질의-의존 방법으로서 정해질 수 있음을 이해해야한다. 즉, 객체는 사용자의 검색 질의에 기초하여 랭킹되고 서열화될 수 있다. 랭킹 함수는 사용자의 검색 질의 및 질의를 발생한 사용자의 특징에 다르게 기초한 인기 데이터를 사용할 수 있다. 그러한 특징은 질문이 시간, 사용자의 인구 통계(demographics), 사용자의 식별, 사용자 프로파일 데이터, 질의의 길이, 콘텐츠 또는 질의의 대상 등을 포함할 수 있지만 이에 제한되는 것은 아니다.
도 2를 살펴보면 객체에 대한 점수를 얻기 위해, 객체에 관련된 정보를 수집하고 그 정보의 적어도 일부를 기계 학습 시스템의 특징으로써 사용함에 따라 검색 결과의 품질 및 정확성을 향상시키는데 사용되는 데이터 랭킹 시스템의 블록도가 있다. 시스템(200)은 이상의 도 1에 나타난 바와 같이 객체 추적 구성요소(110)를 포함한다. 객체 추적 구성요소(110)에 의해 얻어진 정보는 추출 구성요소(extraction conponent; 210)로 통신될 수 있다.
추출 구성요소(210)는 랭킹 구성요소(220)와 결합하여 특징(230)으로써 사용될 수 있는 적어도 일부의 정보를 추출할 수 있다. 다양한 특징(230)은, 지정된 랭킹 모델 또는 계획에 따라 엑세스되는 임의의 객체에 대한 점수를 생성하기 위해 기계 학습 구성요소(240)로 입력될 수 있다. 이는, 시각, 사용자의 관심, 객체 대상 또는 이들의 조합 등과 같은 하나 이상의 선호도에 따라 랭킹될 수 있다.
실제로, 예를 들어 사용자 영희는 시각(예를 들어 8:00am과 12:00pm 사이)에 기초하여 브라우저로써 검색 가능한 문서의 랭킹을 최적화하기를 원한다고 가정하자. 그러므로, 시간대 내에 엑세스된 문서만이 랭킹 시스템(200)에 의해 사용되고 고려된다.
이와 비슷하게, 객체는 유사한 사용자 관심 및 배경에 따라서 랭킹될 수 있다. 객체 추적 구성요소(110)는 사용자 프로파일 등으로부터 사용자 정보를 추적할 수 있다. 사용자 정보는 사용자 검색 또는 브라우징 히스토리에 기초할 수 있거나 사용자 프로파일로부터 도출될 수 있다. 예시로써, 스포츠에 유사한 흥미를 가진 사용자에 의해 엑세스된 임의의 객체는 이에 따라 랭킹될 수 있다. 그러므로, 이 흥미 그룹 밖의 사용자에 의해 엑세스된 임의의 다른 객체는 랭킹 시스템(200)에 의해 고려되지 않을 수 있다. 다른 말로 하여, 객체가 랭킹되는 방법은 맞춤화될 수 있다. 네트워크 조작자 또는 브라우저 어플리케이션 조작자 역시 랭킹 선호도를 특정할 수 있는 것으로 이해되어야한다.
도 3은 인기 기반 랭킹을 판정하도록 기계 학습 시스템(310)에 의해 사용될 수 있는 복수의 특징(300)이 나타나 있다. 하나 이상의 특징(300)은 각각의 객체에 대한 점수를 계산하기 위해 기계 학습 시스템(310)으로의 입력으로써 사용될 수 있다. 예시적인 특징(300)은 객체명(320), 엑세스 카운트(330)(객체의 명백한 인기), 그러한 엑세스 시간(340), 객체에 대한 사용자 행동 또는 상호작용(350) 및/또는 (동일한 사용자 또는 다른 사용자에 의해)객체가 엑세스되는 비율(360)을 포함할 수 있지만 이에 제한되는 것은 아니다. 나타나있지 않은 다른 가능한 특징은 객체에 엑세스하는 기계의 ID, 사용자 이름, 객체에 엑세스하는 기간 및/또는 콘텐츠 또는 객체의 대상을 포함할 수 있다.
점수에 미치는 원하는 영향에 따라, 각 특징에 가중치가 부가될 수 있다. 예를 들어, 객체명 블루(BLUE)는 3시간 동안 2385의 엑세스 카운트(시간당 795 히트또는 분당 39.75 히트의 엑세스 레이트)를 갖는다고 가정하자. 기계 학습 시스템으로 입력될 수 있는 특징은 객체명(320), 엑세스 카운트(330) 및 엑세스 레이트(350)이다. 객체에 대해 계산된 엑세스 레이트가 임계치를 넘는 경우, 엑세스 카운트에 부가된 가중치는 과장된 랭킹의 획득으로부터 "스패머 객체" 등을 완화시 키기 위해 줄어들 수 있다. 그러므로, 엑세스 레이트값은 엑세스 카운트를 줄여줄 수 있어, 이에 따라 객체의 인기도 같은 양만큼 줄여준다. 그 양은 환경에 따라서 상대적으로 작거나 클 수 있다. 임계값은 평균 브라우징 레이트에 따라 계산될 수 있거나, 랭킹 시스템에 의해 판정될 수 있다.
만약 한 명 이상의 사용자(기계)가 객체에 엑세스하고 이에 따라 높은 엑세스 레이트(정상 또는 평균보다 높은)를 얻는데 공헌을 하고, 다른 수집된 데이터는 사용자가 거의 즉시 종료하거나, 나가거나 객체를 종료시킨다고 암시하면, 그 객체는 일정한 방법으로 부정하거나, 그릇될 수 있다. 그 객체는 추가적인 조사나 모니터링을 위해 신호되거나 표시될 수 있지만, 결국 그것의 랭킹은 랭킹 시스템의 무결성(integrity)을 보호하기 위해 낮아질 수 있다.
하나의 사용자 또는 기계가 높은 엑세스 레이트를 얻는데 공헌한다고 판정되는 경우, 이 사용자 또는 기계는 의심스럽다고 표시될 수 있다. 사용자 또는 기계로부터의 임의의 후속 데이터 또는 피드백은, 만약 사용자 또는 기계가 더 신용할 수 없거나 부정한 것이라고 판단될 때 어떤 경우 가중치가 낮아지거나, 폐기될 수 있다.
특징에 부가된 특정 가중치는 기계 학습을 통해 학습될 수 있다. 예를 들어, 엑세스 레이트의 가중치는 레이트 그 자체에 기초하여 다양할 수 있다. 평균 레이트보다 조금 높은 값은 일정 범위의 가중치 내에 존재하나, 극단적으로 높은 레이트는 다른 범위의 가중치를 야기시킬 수 있다.
입력 및 그들 각각의 가중치를 위해 선택된 특징에 기초하여, 기계 학습 구 성요소(310)는 랭킹을 판정하기 위해 관련 객체를 위한 인기 기반 점수를 계산할 수 있다. 특징에 가중치가 매겨졌기 때문에, 엑세스 카운트를 주요 근거로써 판정된 객체의 명백한 인기는 의심스럽거나 부정한 사용자 등으로 인한 참작할 만한 사유를 설명하기 위해 다운 그레이드 될 수 있다.
도 4에는 객체의 최종 랭킹을 판정하는데 사용될 수 있는 하나 이상의 소스로부터의 복수의 랭킹을 설명하는 블록도가 나타나있다. 특히, 복수의 소스로부터의 인기 기반 랭킹은 객체에 대한 전체 랭킹을 생성하기 위해 일정한 방법으로 결합(combined)될 수 있다. 하나의 접근법에 따르면, 복수의 소스(예를 들어, 소스1(410), 소스2(420) 및 선택적인 소스A(430)-A는 1보다 큰 정수-)로부터의 데이터는 객체에 대한 새로운 랭킹을 획득하기 위해 기계 학습 구성요소(440)를 위한 특징으로서 사용될 수 있다.
웹 객체의 경우, 하나 이상의 소스는 예를 들어, "회사B" 인기 랭킹(예를 들어, 회사 B에서의 웹 프록시 서버로부터) 및 특정 페이지 또는 도메인에 대한 일반적인 인터넷 랭킹과 같은 복수의 서로 다른 소스를 결합하기 위해 또는 전체 인기(예를 들어, 상업 서비스와 같은 다른 일반적 트래픽 모니터링 소스 및 브라우저 플러그-인 추적 데이터)를 위해 하나 이상의 소스가 결합될 수 있다.
도 5를 보면, 인터넷상에서 보다 정확한 검색 결과를 얻을 수 있도록 하는 웹 객체에 관하여 사용될 수 있는 데이터 랭킹 시스템(500)의 블록도가 나타나 있다. 시스템(500)은 사용자가 인터넷을 브라우징하고 있는 동안 관측되고 탐지된 사용자 행위의 기록을 보유하기 위한 데이터 저장소(510)를 포함한다. 인기 기반 랭킹(520)은 웹페이지가 방문된 횟수를 부분 기초하여 계산될 수 있다. 이러한 랭킹(520)은 보다 관계된 결과를 웹 검색기에 반환시키는데 도움을 주기 위해 검색 엔진(530)에 의해 통신되고 사용될 수 있다.
실제의 경우, 이하의 시나리오를 상상해보자. 철호는 웹 브라우징을 하고 있다. 사용자가 옵트인(opted in)한 PQR 브라우저 플러그-인은 QWE 랭킹 시스템으로 사용자가 방문한 URL의 리스트, 방문한 시간 등을 재전송한다. 이 데이터는 QWE 서버에 저장된다. QWE는 리스트를 조사하여 각 페이지가 사용자에게 얼마나 많이 열람되었는지, 주어진 도메인이 사용자에 의해 얼마나 많이 열람 되었는지, 도메인+toplevel(예를 들어, www.qwerank.com/ie)이 얼마나 많이 열람되었는지 등에 대해 카운트한다. 이러한 통계는 웹 페이지의 질의-독립 랭킹(그들의 정적 랭크(static rank))을 향상시키는데 사용될 수 있다. 예를 들어, QWE는 이러한 카운트의 로그의 가중된 합계(weighted sum of the logs of these counts)를 취할 수 있고, 각각의 카운트에 대한 가중치는 기계 학습을 사용하여 계산(learn)된다.
결과의 랭킹은, 그것이 많은 사람들이 방문하는 페이지를 반환(return)하려고 하기 때문에, 웹을 검색하는 사람들에게 보다 관계있는 결과를 제공하도록 검색 엔진을 도와준다. 수행된 실제 실험에 따르면, 이상에서 기술된 인기 기반 시스템을 이용한 주어진 검색 질의에 대한 검색 결과의 정확성은 기존의 랭크 시스템에 비해 상승된다. 사실, 테스터에 의해 관측된 성능 이득의 50%는 브라우저 추적 카운트에 기인한다. 그러므로, 인기 기반 랭킹은 검색 결과의 질을 향상시킬 수 있 으며, 실제로 그러하다. 그러한 랭킹은 검색 엔진이 그것의 인덱스의 서열을 매기는데 도움을 주어, 좋은 페이지를 보다 효과적으로 검색할 수 있도록 한다. 마지막으로, 높은 연관성을 갖고 양호한 페이지를 재검색(recrawl)하는 것이 불량하고 부정한 페이지를 재검색하는 것보다 유용하기 때문에, 그러한 랭킹은 검색 엔진이 어떤 페이지를 자동 검색(crawl) 및/또는 재검색(re-crawl)할 것인지를 판정하는데 도움을 준다.
도 5는 인터넷 활동 및 웹 페이지 객체의 관점에서 논의되었지만, 본 발명은 데스크탑이나 인트라넷과 같은 다양한 검색 태스크에 적용될 수 있음을 이해해야한다.
다양한 방법은 일련의 동작으로 기술될 것이다. 대상 시스템 및/또는 방법은 동작의 순서에 제한되지 않고, 일부 동작은 대상 응용례에 따라서 상이한 순서 및/또는 다른 동작과 동시적으로 이루어질 수 있다. 예를 들어, 당업자는 방법이 상태도와 같은 일련의 관계된 상태 또는 이벤트로서 표현될 수 있음을 이해할 것이다. 더 나아가, 대상 응용례를 구현하는데 모든 기술된 동작을 요하는 것은 아닐 수 있다.
도 6을 참조하면, 인터넷, 인트라넷, 데스크톱 및/또는 다른 컴퓨팅 장치상에서 수행되는 검색에 대한 결과의 품질 및 정확성을 향상시키는 예시적인 방법(600)이 나타난 흐름도가 있다. 이 방법(600)은 객체가 엑세스되었는지 여부에 일부 기초하여 하나 이상의 객체를 추적하는 단계(610)에서 시작된다. 즉, 엑세스 되거나 되지 않은 객체는 추적 및/또는 기록될 수 있다. 특히, 객체가 엑세스된 횟수는 추적 및 기록될 수 있다(예를 들어, 인기도). 유사하게, 객체가 무시(ignore)된 횟수 역시 추적될 수 있다. 단계(620)에서 하나 이상의 객체에 대한 점수는 인기도에 부분 기초하여 판정될 수 있다. 예를 들어, 점수는 인기도와 동등할 수 있거나 그것의 함수(function)일 수 있다.
단계(630)에서, 객체는 점수에 따라서 랭킹될 수 있거나, 서열화될 수 있다. 이러한 랭킹은 단계(640)에서 사용자에게 제공되는 검색 결과의 품질 및 효율성을 상승시키기 위해 검색 구성 요소로 통신될 수 있다.
도 7에는, 객체가 랭킹되는 하나의 방법을 맞춤화함에 일부 기초하여, 사용자에게 검색 결과를 반환하는 것에 관계된 사항의 질, 정확성, 효율성을 증진시키도록 하는 예시적 방법(700)을 나타내는 흐름도가 있다. 방법(700)은 사용자와 객체의 상호작용 및 객체가 엑세스된 횟수(엑세스 카운트)에 관계된 복수의 데이터를 수집하는 단계(710)로 시작된다. 데이터는 객체가 엑세스된 시간, 객체에 엑세스한 사용자 또는 기계 ID 및/또는 객체가 엑세스한 레이트 또는 빈도수를 포함할 수 있다.
단계(720)에서, 데이터의 적어도 일부 및 엑세스 카운트는 랭킹 시스템의 커스텀화를 위해 기계 학습 시스템의 특징으로써 사용될 수 있다. 특히, 객체에 대해 시각 및 사용자 관심에 기초하여 랭킹할 필요가 있을 수 있다. 예를 들어, 밤시간(예를 들어, 5:00pm - 11:59pm)에 객체를 랭킹하면, 이 시간대에 엑세스한 것 만이 랭킹될 것이다. 4:59pm 이전 및 12:00am에 엑세스한 객체는 랭킹에서 제외될 것이다.
단계(730)에서, 각 데이터에 가중치가 적용될 수 있다. 예를 들어, 엑세스 카운트는 객체 인기에 대한 지시(indication)일 수 있다. 그러므로 부가되는 가중치는 객체의 인기값 또는 일부 함수가 검색 결과의 반환을 최적화할 수 있기 때문에 중요도를 반영할 수 있다. 그러나 엑세스 카운트는, 예를 들어 객체가 엑세스되는 레이트와 함께 고려될 수 있다. 만약 레이트가 임계값을 넘게 되면, 엑세스 카운트는 다른 환경 때문에 과장되었다고 평가될 수 있다. 임계값은 객체에 대한 평균 히스토리 히트 레이트(historical hit rate) 또는 평균 브라우징 레이트를 기초로 판정될 수 있다. 그러므로, 비정상적으로 높은 엑세스 레이트는 긍정적이고 부정적인 요인의 조합을 암시할 수 있다. 이것에 대해 계산하는 한가지 방법은 엑세스 레이트 값에 따라서 엑세스 카운트를 감소(discount)시키는 것이다. 다음으로, 객체에 대한 점수는 단계(740)에서 생성될 수 있다. 이 점수는 객체의 랭킹 또는 서열화에 도움을 줄 수 있다.
도 8을 보면, 객체에 대한 새로운 전체 랭킹을 판정하기 위해 객체에 대한 하나 이상의 소스로부터 일정한 방법으로 복수의 랭킹을 조합하도록 하는 예시적인 방법(800)이 나타나 있다. 방법(800)은 제1 소스로부터 객체에 대한 인기 기반 랭킹을 얻는 단계(810)에서 시작된다. 단계(820)에서, 임의 형식의 다른 랭킹은 제1 소스 또는 적어도 제2 소스로부터 얻을 수 있다. 복수의 랭킹은 단계(830)에서 적합한 복수의 랭킹 시스템 또는 모델 및/또는 적절한 웹 프록시로부터 얻을 수 있으며, 일정한 방법 또는 일부 함수에 따라 결합된다. 단계(840)에서 객체에 대한 새로운 전체 랭킹이 산출될 수 있다.
도 9에는, 인터넷상에서 정보에 대한 검색을 향상시키도록 하는 예시적인 방법(900)을 나타내는 다른 흐름도가 있다. 현재의 브라우저 어플리케이션은 사용자의 온라인 경험을 더욱 향상시키기 위해 다른 기능의 툴바, 브라우저 플러그인 유형을 적용한다. 이러한 툴바 중 많은 수는, 사용자에게 인터넷 상태, 접속 상태 및/또는 다른 일반 정보에 대한 정보를 제공할 수 있거나, 사용자로부터 직접 정보를 수집할 수 있는 다양한 콘트롤 옵션, 빌트-인 검색 필드, 요약 검색 히스토리를 포함할 수 있다. 일부 경우에는, 사용자 피드백을 브라우저 어플리케이션으로의 제공에 수동적으로(passively) 참가하도록 질문된다. 예를 들어, 툴바를 다운로드함에 의해, 사용자는 사용자의 브라우징 활동을 수동적으로 모니터링하고 사용자가 방문한 URL, 페이지 또는 도메인을 기록하기 위해 툴바 상에 일부 구성요소(모든 URL, 페이지, 도메인에 대한 전체 카운트 또는 각각의 카운트가 저장되기 때문에 툴바 카운트라보 불린다)를 설치하도록 동의할 수 있다.
방법(900)은 브라우저 플러그-인 카운트를 수신하는 단계(910)에서 시작된다. 단계(920)에서 웹 페이지 상에서 수행된 사용자 행위와 관련된 다른 데이터는 선택적으로 수집될 수 있다. 브라우저 플러그-인 카운트에 적어도 일부 기초한 랭킹은 단계(930)에서 계산될 수 있다. 단계(940)에서, 페이지, URL 또는 도메인은 브라우저 플러그-인 카운트의 또는 그것의 기능에 적어도 기초하여 랭킹되고 서열화될 수 있다.
본 대상 기술의 다양한 측면에 대한 추가적인 문맥을 제공하기 위해, 도 10 및 이하의 기술은 본 기술의 다양한 태양이 구현되는 적절한 운영 환경(1010)에 관 하여 간략하고 일반적인 설명을 제공하기 위한 것이다. 시스템 및/또는 방법이, 프로그램 모듈과 같이 하나 이상의 컴퓨터에서 실행될 수 있는 컴퓨터 실행 가능 명령어의 일반적인 문맥으로서 기술되었지만, 당업자는 하드웨어와 소프트웨어의 조합 및/또는 다른 프로그램 모듈의 조합에서 본 기술이 구현될 수 있다는 것을 인식할 것이다.
일반적으로, 프로그램 모듈은 특정 태스크를 수행하거나 특정 추상 데이터 유형을 구현하는 루틴, 프로그램, 객체, 구성요소, 데이터 구조 등을 포함한다. 운영 환경(1010)은 적절한 운영 환경의 일례에 불과하며, 시스템 및/또는 방법의 기능 또는 사용 범위를 한정하기 위함이 아니다. 본 시스템 및/또는 방법과 사용하기에 적절할 수 있는 다른 잘 알려진 컴퓨터 시스템, 환경 및/또는 구성은 랩톱 또는 핸드 헬드 장치, 멀티프로세서 시스템, 네트워크 PC, 미니 컴퓨터, 메인프레임 컴퓨터, 퍼스널 컴퓨터, 마이크로프로세서 기반 시스템, 프로그램 가능한 가전제품, 또는 이상의 시스템 또는 장치를 포함하는 분산 컴퓨팅 환경을 포함하나, 이에 제한되는 것은 아니다.
도 10과 관련하여, 시스템 및/또는 방법의 다양한 태양을 위한 예시적인 환경(1010)은 컴퓨터(1012)를 포함한다. 컴퓨터(1012)는 프로세싱 유닛(1014), 시스템 메모리(1016), 및 시스템 버스(1018)를 포함한다. 시스템 버스(1018)는 이에 제한되는 것은 아니지만, 시스템 메모리(1016)를 비롯한 시스템 구성요소들을 프로세싱 유닛(1014)에 연결시킨다. 프로세싱 유닛(1014)는 임의의 다양한 가용 프로세서일 수 있다. 듀얼 마이크로프로세서 및 기타 멀티프로세서 구조는 프로세싱 유닛(1014)로서 사용될 수 있다.
시스템 버스(1018)는 임의의 다양한 가용 버스 아키텍쳐를 사용하는 메모리 버스 또는 메모리 컨트롤러, 주변 버스 또는 외부 버스 및/또는 로컬 버스를 비롯한 임의의 몇몇 유형의 버스 구조 중 어느 것이라도 될 수 있다. 이러한 아키텍처는 11-bit 버스, ISA(industry standard architecture) 버스, MCA(micro channel architecture) 버스, EISA(Enhanced ISA) 버스, IDE(Intelligence Drive Electronics), VESA(video electronics standard association) 로컬 버스, PCI(peripheral component interconnect), USB(Universal Serial Bus), AGP(Advanced Graphic Port), PCMCIA(Personal Computer Memory Card International Association Bus), SCSI(Small Computer System Interface) 등을 포함하지만 이에 제한되는 것은 아니다.
시스템 메모리(1016)는 휘발성 메모리(1020) 및 비휘발성 메모리(1022)를 포함한다. 시동 중과 같은 때에, 컴퓨터(1012) 내의 구성요소들 사이의 정보 전송을 돕는 기본 루틴을 포함하는 기본 입/출력 시스템(BIOS)은 통상적으로 비휘발성 메모리(1022)에 저장되어 있다. 예시로써, 비휘발성 메모리(1022)는 ROM(read only memory),PROM(programmable ROM), EPROM(electrically programmable ROM) 또는 플래시 메모리를 포함할 수 있지만 이에 제한되는 것은 아니다. 휘발성 메모리(1020)은 외부 캐시 메모리로서 동작하는 RAM(random access memory)를 포함한다. 예시로서, RAM은 SRAM(syncronous RAM), DRAM(dynamic RAM), syncronous DRAM(SDRAM), DDR SDRAM(double data rate SDRAM), ESDRAM(enhanced SDRAM), SLDRAM(Synchlink DRAM) 및 DRRAM(direct Rambus RAM)와 같은 다양한 형태로 존재할 수 있지만 이에 제한되는 것은 아니다.
컴퓨터(1012)는 또한 착탈형/비착탈형, 휘발성/비휘발성 컴퓨터 저장 매체를 포함한다. 도 10은 예를 들어, 디스크 저장소(1024)를 나타낸다. 디스크 저장소(1024)는 자기 디스크 드라이브, 플로피 디스크 드라이브, 테이프 드라이브, Jaz 드라이브, 집드라이브, LS-100 드라이브, 플래시 메모리 카드 또는 메모리 스택과 같은 장치를 포함하지만 이에 제한되는 것은 아니다. 또한, 디스크 저장소(1024)는, 이에 제한되는 것은 아니지만, 컴팩트 디스크 ROM 장치(CD-ROM), CD 저장가능 드라이브(CD-R 드라이브), CD 기록 가능 드라이브(CD-RW 드라이브) 또는 DVD-ROM(digital versatile disk ROM drive) 등의 광학 디스크 드라이브를 포함하는 다른 저장 매체와 결합하거나 단독으로 사용되는 저장 매체를 포함할 수 있다. 디스크 저장 장치(1024)의 시스템 버스(1018)로의 접속을 용이하게 하기 위해, 착탈형 또는 비착탈형 인터페이스는 통상적으로 인터페이스(1026) 등과 같이 사용된다.
도 10은 적절한 동작 환경(1010)에서 기술된 사용자 및 기본 컴퓨터 리소스의 중간자로서의 동작을 하는 소프트웨어를 나타내는 것이 이해되어야 한다. 그러한 소프트웨어는 동작 시스템(1028)을 포함한다. 디스크 저장소(1024)에 저장될 수 있는 동작 시스템(1028)은 컴퓨터 시스템(1012)의 리소스를 제어하고 할당하기 위한 동작을 한다. 시스템 어플리케이션(1030)은, 시스템 메모리(1016) 또는 디스크 저장소(1024)에 저장되어 있는 프로그램 모듈(1032) 및 프로그램 데이터(1034)를 통해 운영 시스템(1028)에 의한 리소스 관리를 이용한다. 대상 시스템 및/또는 방법은 다양한 동작 시스템 또는 이들의 조합에 의해 구현될 수 있다.
사용자는 입력 장치(1036)를 통해 컴퓨터(1012)로 명령 또는 정보를 입력한다. 입력 장치(1036)는 마우스, 트랙볼, 스타일러스, 터치패드, 키보드, 마이크, 조이스틱, 게임 패드, 위성 안테아, 스캐너, TV 듀너 카드, 디지털 카메라, 디지털 비디오 카메라, 웹 카메라 등의 포인팅 디바이스를 포함하지만, 이에 제한되는 것은 아니다. 이들 및 기타 입력 장치는 인터페이스 단자(1038)을 거쳐 시스템 버스(1018)을 통해 프로세싱 유닛(1014)에 연결된다. 인터페이스 단자(1038)는 예를 들어, 직렬 단자, 병렬 단자, 게임 단자, USB 등을 포함한다. 출력 장치(1040)는 입력 장치(1036)과 같은 동일한 유형의 단자의 일부를 사용한다. 그러므로, 예를 들어, USB 단자는 컴퓨터(1012)에 입력을 제공하고, 컴퓨터(1012)로부터 출력 장치(1040)로 출력 정보를 제공하기 위해 사용될 수 있다. 출력 아답터(1042)는 출력 장치(1040) 사이의 모니터, 스피커, 프린터와 같은 특별한 아답터가 필요한 일부 출력 장치(1040)를 도시하고 있다. 출력 아답터(1042)는 출력 장치(1040) 및 시스템 버스(1018) 사이의 연결 수단을 제공하는 비디오 및 사운드 카드를 포함하며, 이는 설명을 위한 것이며 이에 제한되는 것은 아니다. 원격 컴퓨터(1044)와 같은 다른 장치 및/또는 장치의 시스템이 입력과 출력 기능 모두를 제공하는 것이 주목되어야 한다.
컴퓨터(1012)는 원격 컴퓨터(1044)와 같은 하나 이상의 원격 컴퓨터로의 논리 접속을 이용하여 네트워크화된 환경에서 동작될 수 있다. 원격 컴퓨터(1044)는 퍼스널 컴퓨터, 서버, 라우터, 네트워크 PC, 워크스테이션, 마이크로프로세서 기반 장치, 피어 장치 또는 기타 통상의 공통 네트워크 노드일 수 있고, 통상적으로 컴퓨터(1012)와 관련하여 상술된 구성요소들의 대부분 또는 그 전부를 포함한다. 간략한 설명을 목적으로, 오로지 메모리 저장 장치(1046)가 원격 컴퓨터(1044)와 함께 기술되어 있다. 원격 컴퓨터(1044)는 네트워크 인터페이스(1048)을 통해 컴퓨터(1012)로 논리 접속되어 있으며, 통신 접속(1050)을 통해 물리적으로 접속되어 있다. 네트워크 인터페이스(1048)는 LAN(local area network) 및 WAN(wide area network)와 같은 통신 네트워크를 포함한다. LAN 기술은 FDDI(Fiber Distributed Data Interface), CDDI(Copper Distributed Data Interface), Ethernet/IEEE 1102.3, Token Ring/IEEE 1102.5 등을 포함한다. WAN 기술은 포인트-투-포인트 링크(point to point link), 집적 서비스 디지털 네트워크(ISDN)와 같은 회로 스위칭 네트워크 및 변형, 패킷 스위칭 네트워크 및 DSL(Digital Subscriber Lines)를 포함하지만 이에 제한되는 것은 아니다.
통신 접속(1050)은 네트워크 인터페이스(1048)를 버스(1018)로 접속시키는데 사용되는 하드웨어/소프트웨어를 나타낸다. 통신 접속(1050)은 컴퓨터(1012) 내부에 존재하는 것으로 나타나지만, 컴퓨터(1012) 외부에 존재할 수 있다. 네트워크 인터페이스(1048)로의 접속에 필수적인 하드웨어/소프트웨어는 예를 들어 정규 전화 그레이드 모뎀을 포함하는 모뎀, 케이블 모뎀 및 DSL 모뎀, ISDN 아답터 및 이더넷 카드 등과 같은 내부 및 외부 기술을 포함한다.
위에서 기술된 것은 대상 시스템 및/또는 방법의 예시를 포함한다. 물론, 대상 시스템 및/또는 방법의 기술을 목적으로 구성요소 또는 방법의 모든 내재적인 조합을 기술하는 것은 불가능하지만, 당업자는 대상 시스템 및/또는 방법의 많은 추가적 조합 및 순열(permutation)을 인식할 수 있다. 따라서, 대상 시스템 및/또는 방법은 이하의 청구항의 사상 및 범위 내 그러한 모든 변경, 개조 및 변형을 포함하려 한다. 또한 실시예나 청구항에서 사용된 용어 "포함하다(include)"는 청구항의 변형된 단어로서 사용된 용어 "포함하다(comprising)"와 유사한 의미로 사용된다.

Claims (20)

  1. 검색 결과 및 효율성을 향상시키도록 하는 객체 랭킹 시스템(object ranking system)으로서,
    하나 이상의 객체를 추적하고 각 객체의 인기도(popularity measure)를 판정하기 위해 엑세스된 객체 및 사용자에게 사용 가능하게 되었으나 상기 사용자에 의해 엑세스되지 않은 객체 중 적어도 하나에 관한 데이터를 기록하는 객체 추적 구성요소(object tracking component, 110) - 상기 객체의 인기도는 사용자가 상기 객체를 선택하고 미리 정해진 시간 내에 상기 객체를 떠나면(navigating away) 감소하고, 상기 객체의 인기도는 사용자가 상기 객체를 통해 스크롤하는 것, 상기 객체를 북마킹하는 것, 또는 상기 객체를 저장하는 것 중의 적어도 하나를 수행하면 유효(valid)한 것으로 표시됨- ;
    각 객체의 상기 인기도에 적어도 일부 기초하여 하나 이상의 상기 객체의 각각에 대한 점수를 판정하는 랭킹 구성요소(120) - 상기 랭킹 구성요소는 상기 하나 이상의 상기 객체의 각각에 대한 인기 기반 랭킹(popularity based rankings)을 생성하기 위해 각 객체에 대한 상기 점수를 사용함 - ;
    기간 내 객체가 엑세스된 횟수를 카운트하고, 객체 당 카운트, 상기 객체 당 카운트의 함수, 상기 객체 당 카운트 및 상기 기간의 함수 중 하나에 기초하여 상기 인기도를 판정하는 분석 구성요소; 및
    하나 이상의 상기 객체에 대한 새로운 인기 기반 랭킹을 생성하기 위해 상기 인기 기반 랭킹과 하나 이상의 소스에 의해 판정된 객체 랭킹을 결합하는 랭킹 집합 구성요소(ranking aggregation component)
    를 포함하는 객체 랭킹 시스템.
  2. 제 1 항에 있어서,
    상기 인기도는,
    사용자와 상기 객체와의 상호작용(interaction), 상기 객체가 엑세스된 시간의 길이, 상기 객체에 엑세스한 사용자의 식별(identity) 및 엑세스된 상기 객체의 식별 중 하나 이상에 기초하여 결정되는, 객체 랭킹 시스템.
  3. 제 2 항에 있어서,
    상기 랭킹 구성요소는,
    객체 엑세스 시간, 객체 엑세스 날짜 및 객체 엑세스 레이트(rate) 중 하나에 부분 기초하여 하나 이상의 상기 객체를 랭킹(rank)하는 객체 랭킹 시스템.
  4. 삭제
  5. 제 3 항에 있어서,
    하나 이상의 상기 객체는,
    웹페이지, 문서, 이미지, 비디오, 메시지, 오디오 파일 중 적어도 하나를 포함하는 객체 랭킹 시스템.
  6. 제 5 항에 있어서,
    상기 객체 추적 구성요소는,
    엑세스 카운트, 엑세스 레이트, 엑세스 시간, 엑세스 날짜 또는 하나 이상의 상기 객체에 엑세스한 사람 중 적어도 하나를 기록하는 객체 랭킹 시스템.
  7. 제 6 항에 있어서,
    상기 랭킹 구성요소는,
    적어도 하나의 랭킹 함수 및 상기 인기도를 사용하여 하나 이상의 상기 객체에 대한 상기 점수를 판정하며, 상기 랭킹 함수의 사용은, 사용자 식별, 상기 사용자의 인구 통계학(demographics), 사용자 프로파일 데이터, 질의의 의뢰 시간(submission time of query), 상기 질의의 길이 또는 상기 질의의 콘텐츠 중 적어도 하나에 의존하는 객체 랭킹 시스템.
  8. 컴퓨터 판독 가능 매체에 저장된 컴퓨터 실행가능 명령어를 실행하는 프로세서를 이용하여 검색 엔진 결과 및 효율성을 향상시키도록 하는 객체 랭킹 방법으로서,
    하나 이상의 객체를 추적하고 사용자에 대해 각 객체의 인기도를 판정하기 위해 엑세스된 객체 및 사용자에게 사용 가능하게 되었으나 상기 사용자에 의해 엑세스되지 않은 객체 중 적어도 하나에 관한 복수의 사용자의 데이터를 기록하는 단계 - 상기 각 객체의 인기도는 상기 기록된 데이터에 기초하고, 상기 사용자와 하나 이상의 유사한 관심사(interests)를 가지는 사용자의 기록된 데이터만이 채택됨 - ;
    상기 각 객체의 인기도에 적어도 일부 기초하여 하나 이상의 상기 객체의 각각에 대한 점수를 판정하는 단계;
    상기 각 객체의 인기도에 적어도 일부 기초하여 하나 이상의 상기 객체의 각각을 랭킹하는 단계; 및
    새로운 인기 기반 랭킹을 얻기 위해, 적어도 제1 소스에 의해 판정되는 하나 이상의 객체에 대한 적어도 하나의 객체 랭킹 및 동일한 상기 하나 이상의 객체에 대한 인기 기반 랭킹을 결합(combine)하는 단계
    를 포함하는 객체 랭킹 방법.
  9. 제 8 항에 있어서,
    검색 질의(search query)에 대한 응답으로써 주어지는 검색 결과를 향상시키기 위해 인기 기반 랭킹을 통신하는 단계를 더 포함하는 객체 랭킹 방법.
  10. 제 9 항에 있어서,
    하나 이상의 상기 객체와 사용자의 상호작용에 관계된 데이터를 수집하는 단게를 더 포함하는 객체 랭킹 방법.
  11. 제 10 항에 있어서,
    하나 이상의 상기 객체와 상기 사용자의 상호작용에 관계된 수집 데이터의 적어도 일부 및 상기 인기도에 기초하여 하나 이상의 상기 객체에 대한 상기 점수를 판정하는 단계를 더 포함하는 객체 랭킹 방법.
  12. 제 11 항에 있어서,
    상기 수집된 데이터의 일부에 부분적으로 기초하여 상기 인기도를 경감(mitigate)하는 단계를 더 포함하는 객체 랭킹 방법.
  13. 제 12 항에 있어서,
    상기 데이터는 엑세스의 시간을 포함하는 객체 랭킹 방법.
  14. 제 13 항에 있어서,
    상기 인기도의 함수에 기초하여 하나 이상의 상기 객체를 랭킹하는 단계를 더 포함하는 객체 랭킹 방법.
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
  20. 삭제
KR1020087010776A 2005-11-03 2008-05-02 랭킹을 위해 인기 데이터를 사용하는 방법 KR101343222B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US11/266,026 2005-11-03
US11/266,026 US7783632B2 (en) 2005-11-03 2005-11-03 Using popularity data for ranking
PCT/US2006/042732 WO2007056031A1 (en) 2005-11-03 2006-10-31 Using popularity data for ranking

Publications (2)

Publication Number Publication Date
KR20080074116A KR20080074116A (ko) 2008-08-12
KR101343222B1 true KR101343222B1 (ko) 2013-12-18

Family

ID=37997784

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020087010776A KR101343222B1 (ko) 2005-11-03 2008-05-02 랭킹을 위해 인기 데이터를 사용하는 방법

Country Status (4)

Country Link
US (1) US7783632B2 (ko)
KR (1) KR101343222B1 (ko)
CN (1) CN101297285B (ko)
WO (1) WO2007056031A1 (ko)

Families Citing this family (117)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5986650A (en) 1996-07-03 1999-11-16 News America Publications, Inc. Electronic television program guide schedule system and method with scan feature
US8589975B2 (en) 1998-08-21 2013-11-19 United Video Properties, Inc. Electronic program guide with advance notification
US7505964B2 (en) 2003-09-12 2009-03-17 Google Inc. Methods and systems for improving a search ranking using related queries
US7231399B1 (en) * 2003-11-14 2007-06-12 Google Inc. Ranking documents based on large data sets
US8640166B1 (en) 2005-05-06 2014-01-28 Rovi Guides, Inc. Systems and methods for content surfing
US8387089B1 (en) 2005-05-06 2013-02-26 Rovi Guides, Inc. Systems and methods for providing a scan
US8244722B1 (en) * 2005-06-30 2012-08-14 Google Inc. Ranking documents
US8099674B2 (en) 2005-09-09 2012-01-17 Tableau Software Llc Computer systems and methods for automatically viewing multidimensional databases
US9220788B2 (en) * 2009-06-17 2015-12-29 Nanopharmaceuticals Llc Nanoparticle and polymer formulations for thyroid hormone analogs, antagonists, and formulations and uses thereof
US7657523B2 (en) * 2006-03-09 2010-02-02 Customerforce.Com Ranking search results presented to on-line users as a function of perspectives of relationships trusted by the users
US8166155B1 (en) * 2006-03-14 2012-04-24 Amazon Technologies, Inc. System and method for website experimentation
US7999809B2 (en) 2006-04-19 2011-08-16 Tableau Software, Inc. Computer systems and methods for automatic generation of models for a dataset
US8635214B2 (en) 2006-07-26 2014-01-21 International Business Machines Corporation Improving results from search providers using a browsing-time relevancy factor
EP2475166A1 (en) 2006-07-31 2012-07-11 United Video Properties, Inc. Systems and methods for providing media guidance planners
US8548991B1 (en) * 2006-09-29 2013-10-01 Google Inc. Personalized browsing activity displays
US9740778B2 (en) * 2006-10-10 2017-08-22 Microsoft Technology Licensing, Llc Ranking domains using domain maturity
US9032310B2 (en) * 2006-10-20 2015-05-12 Ebay Inc. Networked desktop user interface
US9110975B1 (en) 2006-11-02 2015-08-18 Google Inc. Search result inputs using variant generalized queries
US8661029B1 (en) 2006-11-02 2014-02-25 Google Inc. Modifying search result ranking based on implicit user feedback
US7685119B2 (en) * 2006-12-20 2010-03-23 Yahoo! Inc. System and method for query expansion
US10839403B2 (en) * 2006-12-28 2020-11-17 Ebay Inc. Contextual content publishing system and method
US8321449B2 (en) * 2007-01-22 2012-11-27 Jook Inc. Media rating
US8103649B2 (en) * 2007-02-05 2012-01-24 Ntt Docomo, Inc. Search system and search method
US8938463B1 (en) 2007-03-12 2015-01-20 Google Inc. Modifying search result ranking based on implicit user feedback and a model of presentation bias
US8694374B1 (en) * 2007-03-14 2014-04-08 Google Inc. Detecting click spam
WO2008129606A1 (ja) * 2007-04-06 2008-10-30 Fujitsu Limited 通信システム、通信装置及びコンピュータプログラム
US9092510B1 (en) 2007-04-30 2015-07-28 Google Inc. Modifying search result ranking based on a temporal element of user feedback
US8010527B2 (en) * 2007-06-29 2011-08-30 Fuji Xerox Co., Ltd. System and method for recommending information resources to user based on history of user's online activity
US8407737B1 (en) 2007-07-11 2013-03-26 Rovi Guides, Inc. Systems and methods for providing a scan transport bar
US8694511B1 (en) 2007-08-20 2014-04-08 Google Inc. Modifying search result ranking based on populations
US8909655B1 (en) 2007-10-11 2014-12-09 Google Inc. Time based ranking
US20090132769A1 (en) * 2007-11-19 2009-05-21 Microsoft Corporation Statistical counting for memory hierarchy optimization
US8402031B2 (en) * 2008-01-11 2013-03-19 Microsoft Corporation Determining entity popularity using search queries
US8181197B2 (en) * 2008-02-06 2012-05-15 Google Inc. System and method for voting on popular video intervals
US8677235B2 (en) * 2008-05-13 2014-03-18 Microsoft Corporation Ranking visualization types based upon fitness for visualizing a data set
US8803882B2 (en) * 2008-06-06 2014-08-12 Microsoft Corporation Identifying on a graphical depiction candidate points and top-moving queries
US8601526B2 (en) 2008-06-13 2013-12-03 United Video Properties, Inc. Systems and methods for displaying media content and media guidance information
US8285702B2 (en) * 2008-08-07 2012-10-09 International Business Machines Corporation Content analysis simulator for improving site findability in information retrieval systems
US8037043B2 (en) 2008-09-09 2011-10-11 Microsoft Corporation Information retrieval system
US8103599B2 (en) * 2008-09-25 2012-01-24 Microsoft Corporation Calculating web page importance based on web behavior model
US20100114954A1 (en) * 2008-10-28 2010-05-06 Microsoft Corporation Realtime popularity prediction for events and queries
US8396865B1 (en) 2008-12-10 2013-03-12 Google Inc. Sharing search engine relevance data between corpora
US8126885B2 (en) * 2008-12-19 2012-02-28 Hewlett-Packard Development Company, L.P. History based search service operable with multiple applications and services
US20100159872A1 (en) * 2008-12-19 2010-06-24 Nbc Universal, Inc. Mobile device website visitor metric system and method
WO2010078646A1 (en) * 2009-01-06 2010-07-15 Tynt Multimedia Inc. Systems and methods for detecting network resource interaction and improved search result reporting
WO2010120506A1 (en) * 2009-03-31 2010-10-21 Ordway Research Institute, Inc. Combination treatment of cancer with cetuximab and tetrac
US9009146B1 (en) 2009-04-08 2015-04-14 Google Inc. Ranking search results based on similar queries
US9442621B2 (en) * 2009-05-05 2016-09-13 Suboti, Llc System, method and computer readable medium for determining user attention area from user interface events
US8234147B2 (en) * 2009-05-15 2012-07-31 Microsoft Corporation Multi-variable product rank
US8447760B1 (en) 2009-07-20 2013-05-21 Google Inc. Generating a related set of documents for an initial set of documents
US20110022600A1 (en) * 2009-07-22 2011-01-27 Ecole Polytechnique Federale De Lausanne Epfl Method of data retrieval, and search engine using such a method
US8060497B1 (en) 2009-07-23 2011-11-15 Google Inc. Framework for evaluating web search scoring functions
US8713003B2 (en) * 2009-07-24 2014-04-29 Peer Belt Inc. System and method for ranking content and applications through human assistance
US8352464B2 (en) * 2009-07-24 2013-01-08 Peer Belt Inc. System and method for ranking documents through human assistance
US8498974B1 (en) 2009-08-31 2013-07-30 Google Inc. Refining search results
US8782035B2 (en) * 2009-09-17 2014-07-15 My6Sense Inc. Syndicated data stream content provisioning
US9014546B2 (en) 2009-09-23 2015-04-21 Rovi Guides, Inc. Systems and methods for automatically detecting users within detection regions of media devices
US8972391B1 (en) 2009-10-02 2015-03-03 Google Inc. Recent interest based relevance scoring
US8954893B2 (en) * 2009-11-06 2015-02-10 Hewlett-Packard Development Company, L.P. Visually representing a hierarchy of category nodes
US8874555B1 (en) 2009-11-20 2014-10-28 Google Inc. Modifying scoring data based on historical changes
US8533281B2 (en) * 2009-12-02 2013-09-10 International Business Machines Corporation Centralized management of mobile assets—push based management of corporate assets
US20110131204A1 (en) * 2009-12-02 2011-06-02 International Business Machines Corporation Deriving Asset Popularity by Number of Launches
US9201627B2 (en) 2010-01-05 2015-12-01 Rovi Guides, Inc. Systems and methods for transferring content between user equipment and a wireless communications device
US8615514B1 (en) 2010-02-03 2013-12-24 Google Inc. Evaluating website properties by partitioning user feedback
US8924379B1 (en) 2010-03-05 2014-12-30 Google Inc. Temporal-based score adjustments
US8959093B1 (en) 2010-03-15 2015-02-17 Google Inc. Ranking search results based on anchors
KR100979157B1 (ko) * 2010-04-09 2010-08-31 (주)지란지교소프트 브라우저 창의 활성화 시간을 이용한 웹페이지 검색순위 결정 방법 및 그 방법을 기록한 기록매체
US9514476B2 (en) * 2010-04-14 2016-12-06 Viacom International Inc. Systems and methods for discovering artists
US9167196B2 (en) 2010-05-19 2015-10-20 Rovi Guides, Inc. Systems and methods for trimming recorded content using a media guidance application
US9623119B1 (en) 2010-06-29 2017-04-18 Google Inc. Accentuating search results
US8832083B1 (en) 2010-07-23 2014-09-09 Google Inc. Combining user feedback
US8478700B2 (en) 2010-08-11 2013-07-02 Brightedge Technologies, Inc. Opportunity identification and forecasting for search engine optimization
US10210160B2 (en) 2010-09-07 2019-02-19 Opentv, Inc. Collecting data from different sources
US9699503B2 (en) * 2010-09-07 2017-07-04 Opentv, Inc. Smart playlist
US8949871B2 (en) 2010-09-08 2015-02-03 Opentv, Inc. Smart media selection based on viewer user presence
WO2012047541A1 (en) 2010-09-28 2012-04-12 International Business Machines Corporation Providing answers to questions using multiple models to score candidate answers
US9002867B1 (en) 2010-12-30 2015-04-07 Google Inc. Modifying ranking data based on document changes
KR101220080B1 (ko) * 2010-12-31 2013-01-10 엔에이치엔(주) 실시간 인기 키워드에 대한 대표 문구 제공 방법 및 시스템
US8738638B1 (en) * 2011-04-06 2014-05-27 Google Inc. Map usage visualization
WO2012166925A2 (en) * 2011-05-31 2012-12-06 Fanhattan Llc System and method for browsing and accessing media content
US9778818B2 (en) 2011-05-31 2017-10-03 Fanhattan, Inc. System and method for pyramidal navigation
CN102982035B (zh) * 2011-09-05 2015-10-07 腾讯科技（深圳）有限公司 一种社区用户的搜索排序方法及系统
CN102354315B (zh) * 2011-09-22 2015-06-10 奇智软件（北京）有限公司 一种网址导航页面生成方法和装置
US9667505B2 (en) 2011-09-22 2017-05-30 Beijing Qihoo Technology Company Limited URL navigation page generation method, device and program
CN102508918A (zh) * 2011-11-18 2012-06-20 北京谷安天下科技有限公司 一种搜索方法及系统
US9342612B2 (en) 2011-12-19 2016-05-17 Facebook, Inc. Personalized bookmarks for social networking system actions based on user activity
US9218122B2 (en) 2011-12-29 2015-12-22 Rovi Guides, Inc. Systems and methods for transferring settings across devices based on user gestures
US8732528B1 (en) 2012-01-06 2014-05-20 Amazon Technologies, Inc. Measuring test effects using adjusted outlier data
US20130290143A1 (en) * 2012-03-30 2013-10-31 Loan Street Llc Loan syndication marketplace
CN104220959B (zh) * 2012-04-10 2017-05-31 英派尔科技开发有限公司 提取网页的流行信息
US8868579B2 (en) * 2012-05-14 2014-10-21 Exponential Labs Inc. Restricted web search based on user-specified source characteristics
US9892198B2 (en) * 2012-06-07 2018-02-13 Oath Inc. Page personalization performed by an edge server
US20140114983A1 (en) * 2012-10-19 2014-04-24 Ephraim Ellsworth Interactive Expert System For Recommending Chemicals And Method
US20140136526A1 (en) * 2012-11-12 2014-05-15 Mobitv, Inc. Discovery of live and on-demand content using metadata
US9582545B2 (en) * 2012-12-20 2017-02-28 Dropbox, Inc. Systems and methods for optimizing file display for users
US9183499B1 (en) 2013-04-19 2015-11-10 Google Inc. Evaluating quality based on neighbor features
US9697258B2 (en) * 2013-05-10 2017-07-04 Dropbox, Inc. Supporting enhanced content searches in an online content-management system
CN104252348B (zh) * 2013-06-27 2018-07-20 腾讯科技（深圳）有限公司 一种基于浏览器的网页访问统计方法及装置
US9230015B2 (en) * 2013-07-02 2016-01-05 Hewlett-Packard Development Company, L.P. Deriving an interestingness measure for a cluster
US10080060B2 (en) 2013-09-10 2018-09-18 Opentv, Inc. Systems and methods of displaying content
US10079737B2 (en) * 2013-09-13 2018-09-18 Clicktale Ltd. Method and system for generating comparable visual maps for browsing activity analysis
US9674563B2 (en) 2013-11-04 2017-06-06 Rovi Guides, Inc. Systems and methods for recommending content
KR20150128238A (ko) * 2014-05-09 2015-11-18 삼성전자주식회사 서버, 이의 제어 방법 및 급상승 검색어 순위 생성 시스템
US10083295B2 (en) * 2014-12-23 2018-09-25 Mcafee, Llc System and method to combine multiple reputations
US20160308999A1 (en) * 2015-04-20 2016-10-20 Gild, Inc. Capturing candidate profiles
US10178098B2 (en) * 2015-05-11 2019-01-08 Adobe Systems Incorporated Controlling user access to content
US10366431B1 (en) * 2015-05-15 2019-07-30 Amazon Technologies, Inc. Computer-readable medium, system, and method for resuming sessions across devices
JP2017016446A (ja) * 2015-07-02 2017-01-19 富士ゼロックス株式会社 情報処理装置及び情報処理プログラム
US10025457B2 (en) * 2015-10-18 2018-07-17 International Business Machines Corporation File folder display
US10003847B2 (en) 2016-04-22 2018-06-19 Google Llc Watch-time clustering for improving video searches, selection and provision
US20170364212A1 (en) * 2016-06-15 2017-12-21 Sap Se Application rendering for devices with varying screen sizes
US10318573B2 (en) 2016-06-22 2019-06-11 Oath Inc. Generic card feature extraction based on card rendering as an image
CN106557634A (zh) * 2016-11-30 2017-04-05 北京红马传媒文化发展有限公司 艺人人气数据的归一化建模方法、系统和装置
US20210133270A1 (en) * 2019-11-05 2021-05-06 International Business Machines Corporation Referencing multiple uniform resource locators with cognitive hyperlinks
US11449671B2 (en) * 2020-01-30 2022-09-20 Optimizely, Inc. Dynamic content recommendation for responsive websites
CN113298597A (zh) * 2020-08-06 2021-08-24 阿里巴巴集团控股有限公司 对象热度分析系统、方法及装置
CN113744016A (zh) * 2020-11-04 2021-12-03 北京沃东天骏信息技术有限公司 一种对象推荐方法及装置、设备、存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004066180A1 (en) * 2003-01-24 2004-08-05 Dmn It Co., Ltd. System and method for estimating web site

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6460036B1 (en) 1994-11-29 2002-10-01 Pinpoint Incorporated System and method for providing customized electronic newspapers and target advertisements
US6006218A (en) 1997-02-28 1999-12-21 Microsoft Methods and apparatus for retrieving and/or processing retrieved information as a function of a user's estimated knowledge
US6963867B2 (en) 1999-12-08 2005-11-08 A9.Com, Inc. Search query processing to provide category-ranked presentation of search results
KR20010084841A (ko) 2000-02-29 2001-09-06 신병석 웹 싸이트 평가 시스템 및 그 방법
KR20010108877A (ko) 2000-06-01 2001-12-08 이민행 웹사이트 평가 방법
US7080073B1 (en) * 2000-08-18 2006-07-18 Firstrain, Inc. Method and apparatus for focused crawling
US6560600B1 (en) * 2000-10-25 2003-05-06 Alta Vista Company Method and apparatus for ranking Web page search results
US7089237B2 (en) 2001-01-26 2006-08-08 Google, Inc. Interface and system for providing persistent contextual relevance for commerce activities in a networked environment
US7398271B1 (en) * 2001-04-16 2008-07-08 Yahoo! Inc. Using network traffic logs for search enhancement
US20030018621A1 (en) 2001-06-29 2003-01-23 Donald Steiner Distributed information search in a networked environment
US7249058B2 (en) 2001-11-13 2007-07-24 International Business Machines Corporation Method of promoting strategic documents by bias ranking of search results
US7565367B2 (en) * 2002-01-15 2009-07-21 Iac Search & Media, Inc. Enhanced popularity ranking
US8560493B2 (en) 2003-10-01 2013-10-15 Google Inc. Determining and/or using end user local time information in an ad system
KR20040074693A (ko) 2003-02-18 2004-08-26 주식회사 케이티 웹사이트 평가 시스템 및 그 방법
US7454417B2 (en) 2003-09-12 2008-11-18 Google Inc. Methods and systems for improving a search ranking using population information
US7606798B2 (en) 2003-09-22 2009-10-20 Google Inc. Methods and systems for improving a search ranking using location awareness
US7346839B2 (en) * 2003-09-30 2008-03-18 Google Inc. Information retrieval based on historical data
US7594011B2 (en) * 2004-02-10 2009-09-22 Narus, Inc. Network traffic monitoring for search popularity analysis
US7716223B2 (en) 2004-03-29 2010-05-11 Google Inc. Variable personalization of search results in a search engine
US7693825B2 (en) * 2004-03-31 2010-04-06 Google Inc. Systems and methods for ranking implicit search results
US8078602B2 (en) 2004-12-17 2011-12-13 Claria Innovations, Llc Search engine for a computer network
US20060123014A1 (en) 2004-12-07 2006-06-08 David Ng Ranking Internet Search Results Based on Number of Mobile Device Visits to Physical Locations Related to the Search Results
US20060129533A1 (en) 2004-12-15 2006-06-15 Xerox Corporation Personalized web search method
US7698331B2 (en) 2005-01-18 2010-04-13 Yahoo! Inc. Matching and ranking of sponsored search listings incorporating web search technology and web content
GB2424091A (en) 2005-03-11 2006-09-13 Alamy Ltd Ranking of images in the results of a search
US20060218114A1 (en) 2005-03-25 2006-09-28 Microsoft Corporation System and method for location based search
US7831381B2 (en) 2005-08-04 2010-11-09 Microsoft Corporation Data engine for ranking popularity of landmarks in a geographical area

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004066180A1 (en) * 2003-01-24 2004-08-05 Dmn It Co., Ltd. System and method for estimating web site

Also Published As

Publication number Publication date
CN101297285A (zh) 2008-10-29
US20070100824A1 (en) 2007-05-03
KR20080074116A (ko) 2008-08-12
CN101297285B (zh) 2012-05-30
WO2007056031A1 (en) 2007-05-18
US7783632B2 (en) 2010-08-24

Similar Documents

Publication Publication Date Title
KR101343222B1 (ko) 랭킹을 위해 인기 데이터를 사용하는 방법
US8694493B2 (en) Computer-implemented search using result matching
US11188544B1 (en) Modifying search result ranking based on implicit user feedback
US8244752B2 (en) Classifying search query traffic
US8886627B2 (en) Inverse search systems and methods
US8442978B2 (en) Trust propagation through both explicit and implicit social networks
US6983320B1 (en) System, method and computer program product for analyzing e-commerce competition of an entity by utilizing predetermined entity-specific metrics and analyzed statistics from web pages
US8060524B2 (en) History answer for re-finding search results
US9092510B1 (en) Modifying search result ranking based on a temporal element of user feedback
US20100070485A1 (en) Social Analytics System and Method For Analyzing Conversations in Social Media
US20090210409A1 (en) Increasing online search engine rankings using click through data
Liu et al. Real‐time user interest modeling for real‐time ranking
US20120246134A1 (en) Detection and analysis of backlink activity
KR100972455B1 (ko) 검색 히스토리 서비스 방법 및 시스템
US11176209B2 (en) Dynamically augmenting query to search for content not previously known to the user
Huang et al. Interest analysis using semantic PageRank and social interaction content
RU2775824C2 (ru) Способ и система для определения аномальных посещений веб-сайтов
Sharma et al. An Approach for Personalization on Web Based Systems

Legal Events

Date Code Title Description
A201 Request for examination
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
J201 Request for trial against refusal decision
AMND Amendment
B701 Decision to grant
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20161123

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20171117

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20181115

Year of fee payment: 6