KR101663718B1

KR101663718B1 - 온라인 소셜 네트워크에서 제안된 구조화된 질의 필터링

Info

Publication number: KR101663718B1
Application number: KR1020157034794A
Authority: KR
Inventors: 시아오 리
Original assignee: 페이스북, 인크.
Priority date: 2013-05-08
Filing date: 2014-05-05
Publication date: 2016-10-07
Also published as: IL242417A; US10108676B2; US20140337371A1; KR20160119261A; IL255418B; AU2016201203A1; WO2014182608A1; JP2018010667A; JP6435383B2; KR20160004390A; JP5970624B1; IL255418A0; CA2910941C; US9594852B2; AU2017204239B2; JP2016194949A; JP2016526206A; KR101948093B1; CA2921916A1; US20170097961A1

Abstract

일실시예에서, 방법은 복수의 노드 및 노드를 연결하는 복수의 에지를 포함하는 소셜 그래프에 접근하는 단계; 사용자로부터 비구조화된 텍스트 질의를 수신하는 단계; 텍스트 질의에 기반하여 구조화된 질의의 세트를 생성하는 단계; 텍스트 질의와 구조화된 질의에 기반하여 품질 점수를 계산하는 단계; 및 세트를 필터링하여 임계 품질 점수보다 낮은 품질 점수를 가지는 각 구조화된 질의를 제거하는 단계를 포함한다.

Description

온라인 소셜 네트워크에서 제안된 구조화된 질의 필터링 {FILTERING SUGGESTED STRUCTURED QUERIES ON ONLINE SOCIAL NETWORKS}

본 명세서는 일반적으로 소셜 그래프에 관한 것이며 소셜 네트워킹 시스템 내 객체의 검색을 수행하는 것에 관한 것이다.

소셜 네트워킹 웹사이트를 포함할 수 있는 소셜 네트워킹 시스템은 그 사용자들(가령, 사람들 또는 단체)이 소셜 네트워킹 시스템과 상호작용하고 소셜 네트워킹 시스템을 통해 서로 상호작용할 수 있게 해줄 수 있다. 소셜 네트워킹 시스템은 사용자로부터의 입력으로 사용자와 관련된 사용자 프로필을 생성하고 소셜 네트워킹 시스템에 저장할 수 있다. 사용자 프로필은 신상 정보, 통신-채널 정보 및 사용자의 개인 관심사에 대한 정보를 포함할 수 있다. 또한, 소셜 네트워킹 시스템은 사용자로부터의 입력으로 소셜 네트워킹 시스템의 다른 사용자들과의 사용자의 관계의 레코드를 생성하고 저장할 수 있을 뿐만 아니라, 서비스(예컨대, 담벼락-게시물, 사진 공유, 이벤트 조직, 메시징, 게임 또는 광고)를 제공하여 사용자들 사이의 소셜 상호작용을 용이하게 할 수 있다.

소셜 네트워킹 시스템은 하나 이상의 네트워크를 통해 서비스에 관한 컨텐츠 또는 메시지를 사용자의 모바일이나 다른 컴퓨팅 장치로 전송할 수 있다. 또한, 사용자는 소셜 네트워킹 시스템 내 사용자의 사용자 프로필과 다른 데이터에 접근하기 위해 소프트웨어 애플리케이션을 사용자의 모바일이나 다른 컴퓨팅 장치에 설치할 수 있다. 소셜 네트워킹 시스템은 사용자에게 디스플레이하기 위해 가령 사용자와 연결된 다른 사용자들의 집계된 소식의 뉴스피드와 같이 개인화된 세트의 컨텐츠 객체를 생성할 수 있다.

소셜 그래프 분석은 노드와 에지로 구성되는 네트워크 이론의 관점에서 소셜 관계를 보여줄 수 있다. 노드는 네트워크 내의 개인 행위자를 나타낼 수 있고, 에지는 개인 행위자들 사이의 관계를 나타낼 수 있다. 그 결과, 그래프-기반 구조는 종종 매우 복잡할 수 있다. 많은 타입의 노드 및 노드를 연결하는 많은 타입의 에지가 있을 수 있다. 가장 간단한 형태로, 소셜 그래프는 검토되는 모든 노드 사이의 모든 관련 에지의 지도이다.

특정 실시예로, 사용자로부터 수신된 텍스트 질의에 응답하여, 소셜 네트워킹 시스템은 식별된 소셜-그래프 요소에 해당하는 질의 토큰을 포함하는 구조화된 질의를 생성할 수 있다. 사용자의 텍스트 질의에 응답하여 제안되는 구조화된 질의를 제공함으로써, 소셜 네트워킹 시스템은 소셜-그래프 속성 및 다양한 소셜-그래프 요소와의 관련성을 기초로 소셜 그래프에 표현되는 요소들을 검색하기 위한 온라인 소셜 네트워크의 사용자들에 대한 매우 효과적인 방법을 제공할 수 있다.

특정 실시예로, 소셜 네트워킹 시스템은 사용자로부터 비구조화된 텍스트 질의를 수신할 수 있다. 응답시, 소셜 네트워킹 시스템은 소셜 그래프에 텍스트 질의를 파싱(parse)하고 텍스트 질의에 기반하여 하나 이상의 구조화된 질의를 생성할 수 있다. 그 후 이들 구조화된 질의는 각 구조화된 질의의 품질에 기반하여 필터링될 수 있다. 특정 비구조화된 질의를 파싱할 때, 소셜 네트워킹 시스템은 응답으로 저품질 또는 관계 없는 구조화된 질의를 생성할 수 있다. 이것은 그조화된 질의가 문법 모델과 잘 매치되지 않는 용어를 포함하여, 용어가 문법 모델에 의해 파싱될 때 관계 없는 질의 토큰과 매치될 때 발생할 수 있다. 이들 저품질 구조화된 질의는 웃기거나 당황스러울 수 있기 때문에, 질의한 사용자에게 제안으로서 돌려보내지기 전에 필터링되는 것이 바람직할 수 있다. 필터링은 각 구조화될 질의를 특정 제안된 질의가 저품질이거나 관계 없다고 신호하는 다양한 인자에 기반하여 분석되고 점수 매겨짐으로써 수행될 수 있다. 각 구조화된 질의는 텍스트 질의 자체 및 구조화된 질의에 기반하여 점수 매겨질 수 있다. 낮은 퀄리티 점수를 가지는 구조화된 질의는 필터링될 수 있고, 고품질 구조화된 질의만이 질의한 사용자에게 표시될 수 있다. 필터링 이후 남아있는 구조화된 질의는 사용자에게 전송되고 디스플레이될 수 있는데, 이후 사용자는 소정의 컨텐츠를 검색하도록 적절한 질의를 선택할 수 있다.

본 발명의 내용 중에 포함되어 있다.

도 1은 소셜 네트워킹 시스템과 관련된 예시적인 네트워크 환경을 도시한다.
도 2는 예시적인 소셜 그래프를 도시한다.
도 3은 온라인 소셜 네트워크의 예시적인 웹페이지를 도시한다.
도 4a-4b는 온라인 소셜 네트워크의 예시적인 질의를 도시한다.
도 5는 온라인 소셜 네트워크에서 제안된 구조화된 질의를 필터링하기 위한 예시적인 방법을 도시한다.
도 6은 예시적인 컴퓨터 시스템을 도시한다.

시스템 개요

도 1은 소셜 네트워킹 시스템과 관련된 예시적인 네트워크 환경(100)을 도시한다. 네트워크 환경(100)은 네트워크(110)에 의해 서로 연결되는 클라이언트 시스템(130), 소셜 네트워킹 시스템(160) 및 제3자 시스템(170)을 포함한다. 도 1은 클라이언트 시스템(130), 소셜 네트워킹 시스템(160), 제3자 시스템(170) 및 네트워크(110)의 특정한 구성을 도시하지만, 본 명세서는 클라이언트 시스템(130), 소셜 네트워킹 시스템(160), 제3자 시스템(170) 및 네트워크(110)의 임의의 적절한 구성을 고려한다. 예로서 제한 없이, 2 이상의 클라이언트 시스템(130), 소셜 네트워킹 시스템(160) 및 제3자 시스템(170)은 네트워크(110)를 우회하여 서로 직접적으로 연결될 수 있다. 또 다른 예로서, 2 이상의 클라이언트 시스템(130), 소셜 네트워킹 시스템(160) 및 제3자 시스템(170)은 전체적으로 또는 부분적으로 서로 물리적으로 또는 논리적으로 같은 장소에 배치될 수 있다. 게다가, 도 1은 특정한 수의 클라이언트 시스템(130), 소셜 네트워킹 시스템(160), 제3자 시스템(170) 및 네트워크(110)를 도시하지만, 본 명세서는 임의의 적절한 수의 클라이언트 장치(130), 소셜 네트워킹 시스템(160), 제3자 시스템(170) 및 네트워크(110)를 고려한다. 예로서 제한 없이, 네트워크 환경(100)은 다수의 클라이언트 시스템(130), 소셜 네트워킹 시스템(160), 제3자 시스템(170) 및 네트워크(110)를 포함할 수 있다.

본 명세서는 임의의 적절한 네트워크(110)를 고려한다. 예로서 제한 없이, 네트워크(110)의 하나 이상의 부분은 애드 혹 네트워크, 인트라넷, 엑스트라넷, 가상 사설 네트워크(VPN), 근거리 네트워크(LAN), 무선 LAN(WLAN), 광역 네트워크(WAN), 무선 WAN(WWAN), 대도시 네트워크(MAN), 인터넷의 일부, 공중 전화망(PSTN)의 일부, 셀룰러 전화 네트워크 또는 2 이상의 이들의 조합을 포함할 수 있다. 네트워크(110)는 하나 이상의 네트워크(110)를 포함할 수 있다.

링크(150)는 클라이언트 시스템(130), 소셜 네트워킹 시스템(160) 및 제3자 시스템(170)을 통신 네트워크(110)와 연결하거나 서로 연결할 수 있다. 본 명세서는 임의의 적절한 링크(150)를 고려한다. 특정 실시예로, 하나 이상의 링크(150)는 하나 이상의 유선라인(가령, 예컨대, 디지털 가입자 라인(DSL) 또는 DOCSIS(Data Over Cable Service Interface Specification)), 무선(가령, 예컨대, Wi-Fi 또는 WiMAX(Worldwide Interoperability for Microwave Access)) 또는 광학(가령, 예컨대, 동기식 광학 네트워크(Synchronous Optical Network, SONET) 또는 동기식 디지털 계층(Synchronous Digital Hierarchy, SDH)) 링크를 포함한다. 특정 실시예로, 하나 이상의 링크(150)는 애드 혹 네트워크, 인트라넷, 엑스트라넷, VPN, LAN, WLAN, WAN, WWAN, MAN, 인터넷의 일부, PSTN의 일부, 셀룰러 기술-기반 네트워크, 위성 통신 기술-기반 네트워크, 또 다른 링크(150) 또는 2 이상의 이런 링크(150)의 조합을 각각 포함한다. 링크(150)는 네트워크 환경(100)을 통해 반드시 동일할 필요는 없다. 하나 이상의 제1 링크(150)는 하나 이상의 측면에서 하나 이상의 제2 링크(150)와 다를 수 있다.

특정 실시예로, 클라이언트 시스템(130)은 하드웨어, 소프트웨어 또는 임베디드 로직 컴포넌트나 이들의 2 이상의 컴포넌트의 조합을 포함하고 클라이언트 시스템(130)에 의해 구현되거나 지원되는 적절한 기능을 수행할 수 있는 전자식 장치일 수 있다. 예로서 제한 없이, 클라이언트 시스템(130)은 가령 데스크톱 컴퓨터, 노트북이나 랩톱 컴퓨터, 넷북, 태블릿 컴퓨터, e-북 리더, GPS 장치, 카메라, 개인용 정보 단말기(PDA), 휴대용 전자 장치, 셀룰러 전화, 스마트폰, 다른 적절한 전자 장치 또는 이들의 임의의 적절한 조합과 같은 컴퓨터 시스템을 포함할 수 있다. 본 명세서는 임의의 적절한 클라이언트 시스템(130)을 고려한다. 클라이언트 시스템(130)은 클라이언트 시스템(130)에서 네트워크 사용자가 네트워크(110)에 접근할 수 있게 할 수 있다. 클라이언트 시스템(130)은 그 사용자가 다른 클라이언트 시스템(130)의 다른 사용자들과 통신할 수 있게 할 수 있다.

특정 실시예로, 클라이언트 시스템(130)은, 가령 MICROSOFT INTERNET EXPLORER, GOOGLE CHROME 또는 MOZILLA FIREFOX와 같은 웹 브라우저(132)를 포함할 수 있고, 가령 TOOLBAR 또는 YAHOO TOOLBAR와 같은 하나 이상의 애드-온(add-ons), 플러그-인(plug-ins) 또는 다른 확장형(extensions)을 가질 수 있다. 클라이언트 시스템(130)에서의 사용자는 URL(Uniform Resource Locator) 또는 웹 브라우저(132)를 특정 서버(가령, 서버(162) 또는 제3자 시스템(170)과 관련된 서버)로 인도하는 다른 주소를 입력할 수 있고, 웹 브라우저(132)는 하이퍼텍스트 전송 프로토콜(HTTP) 요청을 생성하고 HTTP 요청을 서버로 통신할 수 있다. 서버는 HTTP 요청을 수락하고, HTTP 요청에 응답하여 하나 이상의 하이퍼텍스트 마크업 언어(HTML) 파일을 클라이언트 시스템(130)으로 통신할 수 있다. 클라이언트 시스템(130)은 사용자에게 표시하기 위해 서버로부터 HTML 파일에 기초한 웹페이지를 렌더링할 수 있다. 본 명세서는 임의의 적절한 웹페이지 파일을 고려한다. 예로서 제한 없이, 웹페이지는 특정한 필요에 따라 HTML 파일, 확장형 하이퍼텍스트 마크업 언어(XHTML) 파일 또는 확장형 마크업 언어(XML) 파일로부터 렌더링할 수 있다. 또한, 이런 페이지는, 예로서 제한 없이 JAVASCRIPT, JAVA, MICROSOFT SILVERLIGHT, 가령 AJAX(비동기식 JAVASCRIPT 및 XML)와 같은 마크업 언어와 스크립트의 조합 등과 같은 스크립트를 실행할 수 있다. 본 명세서에서, 웹페이지에 대한 참조는 (브라우저가 웹페이지를 렌더링하는데 사용할 수 있는) 하나 이상의 해당 웹페이지 파일을 포함하며, 적절한 경우, 그 역도 또한 같다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 온라인 소셜 네트워크를 호스팅할 수 있는 네트워크-주소화 컴퓨팅 시스템일 수 있다. 소셜 네트워킹 시스템(160)은 예컨대 사용자-프로필 데이터, 컨셉-프로필 데이터, 소셜-그래프 정보 또는 온라인 소셜 네트워크에 관한 다른 적절한 데이터와 같은 소셜 네트워킹 데이터를 생성, 저장, 수신 및 전송할 수 있다. 소셜 네트워킹 시스템(160)은 직접적으로 또는 네트워크(110)를 통해 네트워크 환경(100)의 다른 컴포넌트들에 의해 접근될 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 하나 이상의 서버(162)를 포함할 수 있다. 각 서버(162)는 일체형 서버(unitary server)일 수 있거나, 다수의 컴퓨터 또는 다수의 데이터센터에 걸쳐 있는 분산형 서버일 수 있다. 서버(162)는 예로서 제한 없이, 웹 서버, 뉴스 서버, 메일 서버, 메시지 서버, 광고 서버, 파일 서버, 애플리케이션 서버, 교환 서버, 데이터베이스 서버, 프록시 서버, 본 명세서에 기술된 기능이나 프로세스를 수행하는데 적절한 또 다른 서버 또는 이들의 임의의 조합과 같이, 다양한 타입일 수 있다. 특정 실시예로, 각 서버(162)는 서버(162)에 의해 구현되거나 지원되는 적절한 기능을 수행하기 위한 하드웨어, 소프트웨어 또는 임베디드 논리 소자 또는 2 이상의 이런 소자들의 조합을 포함할 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(164)은 하나 이상의 데이터 스토어(164)를 포함할 수 있다. 데이터 스토어(164)는 다양한 타입의 정보를 저장하는데 사용될 수 있다. 특정 실시예로, 데이터 스토어(164)에 저장된 정보는 특정한 데이터 구조에 따라 구조화될 수 있다. 특정 실시예로, 각 데이터 스토어(164)는 관계형, 컬럼형, 상관관계(corelation) 또는 다른 적절한 데이터베이스일 수 있다. 본 명세서가 특정한 타입의 데이터베이스를 도시하고 서술하지만, 본 명세서는 임의의 적절한 타입의 데이터베이스를 고려한다. 특정 실시예는 클라이언트 시스템(130), 소셜 네트워킹 시스템(160) 또는 제3자 시스템(170)이 데이터 스토어(164)에 저장된 정보를 관리, 검색, 변경, 추가 또는 삭제할 수 있게 하는 인터페이스를 제공할 수 있다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 하나 이상의 데이터 스토어(164)에 하나 이상의 소셜 그래프를 저장할 수 있다. 특정 실시예로, 소셜 그래프는 (특정 사용자에 각각 해당하는) 다수의 사용자 노드 또는 (특정 컨셉에 각각 해당하는) 다수의 컨셉 노드를 포함할 수 있는 다수의 노드 및 노드를 연결하는 다수의 에지를 포함할 수 있다. 소셜 네트워킹 시스템(160)은 다른 사용자와 통신하고 상호작용하는 능력을 온라인 소셜 네트워크의 사용자에게 제공할 수 있다. 특정 실시예로, 사용자는 소셜 네트워킹 시스템(160)을 통해 온라인 소셜 네트워크에 가입한 후 연결들(즉, 관계들)을 그들이 연결되고자 하는 소셜 네트워킹 시스템(160)의 다수의 다른 사용자에 추가할 수 있다. 본 명세서에서, "친구"란 용어는 사용자가 소셜 네트워킹 시스템(160)을 통해 연결, 유대 또는 관계를 형성했던 소셜 네트워킹 시스템(160)의 임의의 다른 사용자를 가리킬 수 있다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 소셜 네트워킹 시스템(160)에 의해 지원되는 다양한 유형의 아이템이나 객체에 대한 행위를 취할 수 있는 능력을 사용자에게 제공할 수 있다. 예로서 제한 없이, 아이템 및 객체는 소셜 네트워킹 시스템(160)의 사용자들이 속할 수 있는 그룹이나 소셜 네트워크, 사용자가 관심을 가질지도 모르는 이벤트 또는 캘린더 엔트리, 사용자가 사용할 수 있는 컴퓨터-기반 애플리케이션, 사용자가 서비스를 통해 아이템을 팔거나 구매할 수 있게 하는 거래, 사용자가 수행할 수 있는 광고와의 상호작용 또는 다른 적절한 아이템이나 객체를 포함할 수 있다. 사용자는 소셜 네트워킹 시스템(160) 또는 소셜 네트워킹 시스템(160)과 별개이거나 네트워크(110)를 통해 소셜 네트워킹 시스템(160)에 결합되는 제3자 시스템(170)의 외부 시스템에서 표현될 수 있는 모든 것과 상호작용할 수 있다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 다양한 엔티티를 링크할 수 있다. 예로서 제한 없이, 소셜 네트워킹 시스템(160)은 사용자가 서로 상호작용할 뿐 아니라 제3자 시스템(170)이나 다른 엔티티로부터 컨텐츠를 수신할 수 있게 하거나, 사용자가 응용 프로그래밍 인터페이스(API)나 다른 통신 채널을 통해 이런 엔티티와 상호작용할 수 있게 해줄 수 있다.

특정 실시예로, 제3자 시스템(170)은 하나 이상의 타입의 서버, 하나 이상의 데이터 스토어, API들을 포함하나 이에 국한되지 않는 하나 이상의 인터페이스, 하나 이상의 웹 서비스, 하나 이상의 컨텐츠 소스, 하나 이상의 네트워크 또는 예컨대 서버가 통신할 수 있는 임의의 다른 적절한 컴포넌트를 포함할 수 있다. 제3자 시스템(170)은 소셜 네트워킹 시스템(160)을 운영하는 엔티티와는 다른 엔티티에 의해 운영될 수 있다. 그러나, 특정 실시예로, 소셜 네트워킹 시스템(160) 및 제3자 시스템(170)은 소셜 네트워킹 서비스를 소셜 네트워킹 시스템(160)이나 제3자 시스템(170)의 사용자에게 제공하도록 서로 함께 동작할 수 있다. 이런 의미에서, 소셜 네트워킹 시스템(160)은 가령 제3자 시스템(170)과 같은 다른 시스템들이 인터넷상의 사용자들에게 소셜 네트워킹 서비스와 기능을 제공하도록 사용할 수 있는 플랫폼 또는 백본(backbone)을 제공할 수 있다.

특정 실시예로, 제3자 시스템(170)은 제3자 컨텐츠 객체 제공자를 포함할 수 있다. 제3자 컨텐츠 객체 제공자는 클라이언트 시스템(130)과 통신될 수 있는 하나 이상의 소스의 컨텐츠 객체를 포함할 수 있다. 예로서 제한 없이, 컨텐츠 객체는 가령 영화 쇼타임, 영화 리뷰, 레스토랑 리뷰, 레스토랑 메뉴, 제품 정보와 리뷰 또는 다른 적절한 정보와 같이 사용자가 관심 있는 사물이나 활동에 관한 정보를 포함할 수 있다. 또 다른 예로서 제한 없이, 컨텐츠 객체는 가령 쿠폰, 할인 티켓, 상품권 또는 다른 적절한 인센티브 객체와 같은 인센티브 컨텐츠 객체를 포함할 수 있다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 또한 소셜 네트워킹 시스템(160)과 사용자의 상호작용을 향상시킬 수 있는 사용자-생성된 컨텐츠 객체를 포함한다. 사용자-생성된 컨텐츠는 사용자가 소셜 네트워킹 시스템(160)에 추가, 업로드, 송신 또는 "게시"할 수 있는 어떤 것을 포함할 수 있다. 예로서 제한 없이, 사용자는 클라이언트 시스템(130)으로부터 소셜 네트워킹 시스템(160)으로 게시물을 통신할 수 있다. 게시물은 가령 상태 업데이트나 다른 텍스트형 데이터와 같은 데이터, 위치 정보, 사진, 비디오, 링크, 음악 또는 다른 유사한 데이터나 매체를 포함할 수 있다. 또한, 컨텐츠는 가령 뉴스피드 또는 스트림과 같이 "통신 채널"을 통해 제3자에 의해 소셜 네트워킹 시스템(160)에 추가될 수 있다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 다양한 서버, 서브-시스템, 프로그램, 모듈, 로그 및 데이터 스토어를 포함할 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 다음의 하나 이상의: 웹 서버, 행위 로거, API 요청 서버, 관련성 및 순위화 엔진, 컨텐츠 객체 분류기, 알림 제어기, 행위 로그, 제3자 컨텐츠 객체 노출 로그, 추론 모듈, 인증/개인정보 서버, 검색 모듈, 광고 타겟팅 모듈, 사용자 인터페이스 모듈, 사용자 프로필 스토어, 연결 스토어, 제3자 컨텐츠 스토어 또는 위치 스토어를 포함할 수 있다. 또한, 소셜 네트워킹 시스템(160)은 가령 네트워크 인터페이스, 보안 메커니즘, 부하 균형기, 장애 서버, 관리 및 네트워크 운영 콘솔, 다른 적절한 컴포넌트 또는 이들의 임의의 적절한 조합과 같이 적절한 컴포넌트들을 포함할 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 사용자 프로필을 저장하기 위한 하나 이상의 사용자 프로필 스토어를 포함할 수 있다. 사용자 프로필은 예컨대 인명정보, 인구학적 정보, 행동 정보, 소셜 정보 또는 가령 경력, 학력, 취미나 기호, 관심사, 친밀감, 위치와 같은 다른 유형의 설명적 정보를 포함할 수 있다. 관심사 정보는 하나 이상의 카테고리에 관한 관심사를 포함할 수 있다. 카테고리는 일반적이거나 구체적일 수 있다. 예로서 제한 없이, 사용자가 신발 브랜드에 관한 기사에 "좋아한다"면, 카테고리는 그 브랜드일 수 있거나 "신발" 또는 "옷"의 일반 카테고리일 수 있다. 연결 스토어는 사용자에 대한 연결 정보를 저장하는데 사용될 수 있다. 연결 정보는 유사하거나 공통의 경력, 그룹 맴버쉽, 취미, 학력을 가지거나 임의의 방식으로 관련되거나 공통 속성을 공유하는 사용자들을 표시할 수 있다. 또한, 연결 정보는 (내부와 외부 모두의) 다른 사용자들과 컨텐츠 사이의 사용자-정의된 연결들을 포함할 수 있다. 웹 서버는 네트워크(110)를 통해 하나 이상의 클라이언트 시스템(130)이나 하나 이상의 제3자 시스템(170)과 소셜 네트워킹 시스템(160)을 링크하는데 사용될 수 있다. 웹 서버는 소셜 네트워킹 시스템(160)과 하나 이상의 클라이언트 시스템(130) 사이에서 메시지를 수신하고 라우팅하기 위한 메일 서버나 다른 메시징 기능을 포함할 수 있다. API 요청 서버는 제3자 시스템(170)이 하나 이상의 API를 호출하여 소셜 네트워킹 시스템(160)으로부터의 정보에 접근할 수 있게 해줄 수 있다. 행위 로거는 소셜 네트워킹 시스템(160) 내부나 외부에서의 사용자의 행위에 대한 웹 서버로부터의 통신을 수신하는데 사용될 수 있다. 행위 로그와 함께, 제3자 컨텐츠 객체 로그에서는 제3자 컨텐츠 객체에 대한 사용자 노출이 관리될 수 있다. 알림 제어기는 컨텐츠 객체에 관한 정보를 클라이언트 시스템(130)에 제공할 수 있다. 정보는 알림으로서 클라이언트 시스템(130)으로 푸싱(pushed)될 수 있거나, 정보는 클라이언트 시스템(130)으로부터 수신된 요청에 응답하여 클라이언트 시스템(130)으로부터 풀링(pulled)될 수 있다. 인증 서버는 소셜 네트워킹 시스템(160)의 사용자의 하나 이상의 개인정보 설정을 강제하는데 사용될 수 있다. 사용자의 개인정보 설정은 사용자와 관련된 특정 정보가 어떻게 공유될 수 있는지를 결정한다. 인증 서버는 예컨대 적절한 개인정보 설정을 설정함으로써, 사용자의 행위를 소셜 네트워킹 시스템(160)에 의해 로그되게 하거나 다른 시스템(예컨대, 제3자 시스템(170))과 공유되게 하도록 사용자가 참여하거나 탈퇴할 수 있게 해줄 수 있다. 제3자 컨텐츠 객체 스토어는 가령 제3자 시스템(170)과 같은 제3자로부터 수신된 컨텐츠 객체를 저장하는데 사용될 수 있다. 위치 스토어는 사용자와 관련된 클라이언트 시스템(130)으로부터 수신된 위치 정보를 저장하는데 사용될 수 있다. 광고 가격결정 모듈은 소셜 정보, 현재시간, 위치 정보 또는 다른 적절한 정보를 결합하여 알림의 형태로 사용자에게 관련 광고를 제공할 수 있다.

소셜 그래프

도 2는 예시적인 소셜 그래프(200)를 도시한다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 하나 이상의 데이터 스토어에 하나 이상의 소셜 그래프(200)를 저장할 수 있다. 특정 실시예로, 소셜 그래프(200)는 다수의 사용자 노드(202)나 다수의 컨셉 노드(204)를 포함할 수 있는 다수의 노드 및 노드를 연결하는 다수의 에지(206)를 포함할 수 있다. 도 2에 도시된 예시적인 소셜 그래프(200)는 훈시적 목적상 2차원 시각적 지도 표현으로 도시된다. 특정 실시예로, 소셜 네트워킹 시스템(160), 클라이언트 시스템(130) 또는 제3자 시스템(170)은 소셜 그래프(200) 및 적절한 애플리케이션에 대한 관련 소셜-그래프 정보에 접근할 수 있다. 소셜 그래프(200)의 노드 및 에지는 예컨대 데이터 스토어(가령, 소셜-그래프 데이터베이스)에 데이터 객체로서 저장될 수 있다. 이런 데이터 스토어는 소셜 그래프(200)의 노드 또는 에지의 하나 이상의 검색가능하거나 질의가능한 인덱스를 포함할 수 있다.

특정 실시예로, 사용자 노드(202)는 소셜 네트워킹 시스템(160)의 사용자에 해당할 수 있다. 예로서 제한 없이, 사용자는 개인(사람인 사용자), 엔티티(예컨대, 기업, 사업체 또는 제3자 애플리케이션) 또는 소셜 네트워킹 시스템(160)과 상호작용하거나 소셜 네트워킹 시스템에서 통신하는 (예컨대, 개인 또는 엔티티의) 그룹일 수 있다. 특정 실시예로, 사용자가 소셜 네트워킹 시스템(160)에서 계정을 등록하면, 소셜 네트워킹 시스템(160)은 사용자에 해당하는 사용자 노드(202)를 생성할 수 있고, 하나 이상의 데이터 스토어에 사용자 노드(202)를 저장할 수 있다. 적절한 경우, 본 명세서에 기술되는 사용자들 및 사용자 노드들(202)은 등록 사용자들 및 등록 사용자들과 관련된 사용자 노드들(202)을 말할 수 있다. 추가로 또는 대안으로, 본 명세서에 기술되는 사용자들 및 사용자 노드들(202)은 적절한 경우 소셜 네트워킹 시스템(160)에 등록되지 않은 사용자들을 말할 수 있다. 특정 실시예로, 사용자 노드(202)는 사용자가 제공한 정보 및 소셜 네트워킹 시스템(160)을 포함하는 다양한 시스템이 수집한 정보와 관련될 수 있다. 예로서 제한 없이, 사용자는 그들의 이름, 프로필 사진, 연락 정보, 생일, 성별, 혼인 여부, 가족 관계, 직장, 학력, 기호, 관심사 또는 다른 신상 정보를 제공할 수 있다. 특정 실시예로, 사용자 노드(202)는 사용자와 관련된 정보에 해당하는 하나 이상의 데이터 객체와 관련될 수 있다. 특정 실시예로, 사용자 노드(202)는 하나 이상의 웹페이지에 해당할 수 있다.

특정 실시예로, 컨셉 노드(204)는 컨셉에 해당할 수 있다. 예로서 제한 없이, 컨셉은 장소(가령, 예컨대, 영화관, 레스토랑, 명소 또는 도시); 웹사이트(가령, 예컨대, 소셜 네트워크 시스템(160)과 관련된 웹사이트 또는 웹-애플리케이션 서버와 관련된 제3자 웹사이트); 엔티티(가령, 예컨대, 사람, 사업체, 그룹, 스포츠 팀 또는 유명인사); 소셜 네트워킹 시스템(160) 또는 가령 웹-애플리케이션 서버와 같은 외부 서버에 위치할 수 있는 자원(가령, 예컨대, 오디오 파일, 비디오 파일, 디지털 사진, 텍스트 파일, 구조화된 문서 또는 애플리케이션); 물적 재산권 또는 지적 재산권(가령, 예컨대, 조각품, 미술품, 영화, 게임, 노래, 아이디어, 사진 또는 저서); 게임; 활동; 아이디어나 이론; 또 다른 적절한 컨셉; 또는 2 이상의 이런 컨셉들에 해당할 수 있다. 컨셉 노드(204)는 사용자에 의해 제공된 컨셉의 정보 또는 소셜 네트워킹 시스템(160)을 포함하는 다양한 시스템에 의해 수집된 정보와 관련될 수 있다. 예로서 제한 없이, 컨셉의 정보는 이름이나 제목; 하나 이상의 이미지(예컨대, 책의 커버 페이지의 이미지); 위치(예컨대, 주소 또는 지리적 위치); (URL과 관련될 수 있는) 웹사이트; 연락 정보(예컨대, 전화번호 또는 이메일 주소); 다른 적절한 컨셉 정보; 또는 이런 정보의 임의의 적절한 조합을 포함할 수 있다. 특정 실시예로, 각각의 컨셉 노드(204)는 컨셉 노드(204)와 관련된 정보에 해당하는 하나 이상의 데이터 객체와 관련될 수 있다. 특정 실시예로, 각각의 컨셉 노드(204)는 웹페이지에 해당할 수 있다.

특정 실시예로, 소셜 그래프(200)에서 노드는 ("프로필 페이지"라고 할 수 있는) 웹페이지를 표현하거나, 그 웹페이지로 표현될 수 있다. 프로필 페이지는 소셜 네트워킹 시스템(160)에 의해 호스트될 수 있거나, 접근될 수 있다. 또한, 프로필 페이지는 제3자 서버(170)와 관련된 제3자 웹사이트에 호스트될 수 있다. 예로서 제한 없이, 특정한 외부 웹페이지에 해당하는 프로필 페이지는 특정한 외부 웹페이지일 수 있고, 이런 프로필 페이지는 특정 컨셉 노드(204)에 해당할 수 있다. 프로필 페이지는 모든 또는 선택된 서브세트의 다른 사용자들에 의해 열람될 수 있다. 예로서 제한 없이, 사용자 노드(202)는 해당 사용자가 컨텐츠를 추가할 수 있고, 선언을 할 수 있으며, 그렇지 않으면 그들 자신을 표현할 수 있는 해당 사용자 프로필-페이지를 가질 수 있다. 또 다른 예로서 제한 없이, 컨셉 노드(204)는 특히 컨셉 노드(204)에 해당하는 컨셉과 관련하여 하나 이상의 사용자들이 컨텐츠를 추가할 수 있거나, 선언을 할 수 있거나, 그들 자신을 표현할 수 있는 해당 컨셉-프로필 페이지를 가질 수 있다.

특정 실시예로, 컨셉 노드(204)는 제3자 시스템(170)에 의해 호스팅된 제3자 웹페이지 또는 자원을 표현할 수 있다. 제3자 웹페이지 또는 자원은 다른 요소들 중에서 행위 또는 활동을 표현하는 (예컨대, JavaScript, AJAX 또는 PHP 코드로 구현될 수 있는) 컨텐츠, 선택가능하거나 다른 아이콘 또는 다른 상호작용가능한 객체를 포함할 수 있다. 예로서 제한 없이, 제3자 웹페이지는 가령 "좋아요", "체크인", "식사하기(eat)", "추천하기" 또는 다른 적절한 행위나 활동과 같은 선택가능한 아이콘을 포함할 수 있다. 제3자 웹페이지를 열람하는 사용자는 아이콘들 중 하나(예컨대, "식사하기")를 선택하여 행위를 수행할 수 있고, 클라이언트 시스템(130)이 사용자의 행위를 표시하는 메시지를 소셜 네트워킹 시스템(160)으로 전송하게 할 수 있다. 그 메시지에 응답하여, 소셜 네트워킹 시스템(160)은 사용자에 해당하는 사용자 노드(202)와 제3자 웹페이지 또는 자원에 해당하는 컨셉 노드(204) 사이의 에지(예컨대, "식사하기" 에지)를 생성할 수 있고, 하나 이상의 데이터 스토어에 에지(206)를 저장할 수 있다.

특정 실시예로, 소셜 그래프(200)에서 노드 쌍은 하나 이상의 에지(206)에 의해 서로 연결될 수 있다. 노드 쌍을 연결하는 에지(206)는 노드 쌍 사이의 관계를 표현할 수 있다. 특정 실시예로, 에지(206)는 노드 쌍 사이의 관계에 해당하는 하나 이상의 데이터 객체나 속성을 포함하거나 표현할 수 있다. 예로서 제한 없이, 제1 사용자는 제2 사용자가 제1 사용자의 "친구"라고 표시할 수 있다. 이런 표시에 응답하여, 소셜 네트워킹 시스템(160)은 "친구 요청"을 제2 사용자에게 전송할 수 있다. 제2 사용자가 "친구 요청"을 확인하면, 소셜 네트워킹 시스템(160)은 소셜 그래프(200)에서 제1 사용자의 사용자 노드(202)와 제2 사용자의 사용자 노드(202)를 연결하는 에지(206)를 생성할 수 있고, 하나 이상의 데이터 스토어(24)에 소셜-그래프 정보로서 에지(206)를 저장할 수 있다. 도 2의 예에서, 소셜 그래프(200)는 사용자 "A"와 사용자 "B"의 사용자 노드(202)들 사이의 친구 관계를 표시하는 에지(206)를 그리고 사용자 "C"와 사용자 "B"의 사용자 노드(202) 사이의 친구 관계를 표시하는 에지를 포함한다. 본 명세서가 특정 사용자 노드(202)를 연결하는 특정 속성을 가진 특정 에지(206)를 기술하거나 도시하지만, 본 명세서는 사용자 노드(202)를 연결하는 임의의 적절한 속성을 가진 임의의 적절한 에지(206)를 고려한다. 예로서 제한 없이, 에지(206)는 친구관계, 가족관계, 사업이나 고용 관계, 팬 관계, 팔로어 관계, 방문자 관계, 구독자 관계, 상위/하위 관계, 호혜 관계, 비-상호 관계, 또 다른 적절한 타입의 관계 또는 2 이상의 이런 관계들을 표현할 수 있다. 게다가, 본 명세서는 일반적으로 노드들이 연결되는 것을 기술하지만, 본 명세서는 또한 사용자 또는 컨셉이 연결되는 것을 기술한다. 본 명세서에서, 사용자 또는 컨셉이 연결되는 것에 대한 언급은 적절한 경우 이들 사용자 또는 컨셉에 해당하는 노드가 하나 이상의 에지(206)에 의해 소셜 그래프(200)에서 연결되는 것을 말할 수 있다.

특정 실시예로, 사용자 노드(202)와 컨셉 노드(204) 사이의 에지(206)는 컨셉 노드(204)와 관련된 컨셉에 대해 사용자 노드(202)의 사용자가 수행한 특정 행위 또는 활동을 표현할 수 있다. 예로서 제한 없이, 도 2에 도시된 바와 같이, 사용자는 컨셉을 "좋아요(like)", "참여했음(attended)", "실행했음(played)", "청취했음(listened)", "요리했음(cooked)", "근무했음(worked at)", 또는 "시청했음(watched)"을 할 수 있고, 이들 각각은 에지 타입이나 서브타입에 해당할 수 있다. 컨셉 노드(204)에 해당하는 컨셉-프로필 페이지는 예컨대 선택가능한 "체크인" 아이콘(가령, 예컨대, 클릭가능한 "체크인" 아이콘) 또는 선택가능한 "즐겨찾기에 추가(add to favorites)" 아이콘을 포함할 수 있다. 마찬가지로, 사용자가 이런 아이콘을 클릭한 후, 소셜 네트워킹 시스템(160)은 각각의 행위에 해당하는 사용자의 행위에 응답하여 "즐겨찾기" 에지 또는 "체크인" 에지를 생성할 수 있다. 또 다른 예로서 제한 없이, 사용자(사용자 "C")는 특정 애플리케이션(온라인 음악 애플리케이션인 SPOTIFY)을 사용하여 특정 노래("Imagine")를 들을 수 있다. 이 경우, 소셜 네트워킹 시스템(160)은 사용자에 해당하는 사용자 노드(202)와 노래 및 애플리케이션에 해당하는 컨셉 노드(204) 사이에 "청취했음(listened)" 에지(206) 및 "사용했음(used)" 에지(도 2에 도시)를 생성하여, 사용자가 그 노래를 들었고 그 애플리케이션을 사용했음을 표시할 수 있다. 게다가, 소셜 네트워킹 시스템(160)은 노래와 애플리케이션에 해당하는 컨셉 노드(204) 사이에서 "실행했음(played)" 에지(206)(도 2에 도시)를 생성하여 특정 노래가 특정 애플리케이션에 의해 실행되었음을 표시할 수 있다. 이 경우, "실행했음(played)" 에지(206)는 외부 오디오 파일(노래 "Imagine")에 대해 외부 애플리케이션(SPOTIFY)이 수행한 행위에 해당한다. 본 명세서는 사용자 노드(202)와 컨셉 노드(204)를 연결하는 특정 속성을 가진 에지(206)를 기술하지만, 본 명세서는 사용자 노드(202)와 컨셉 노드(204)를 연결하는 임의의 적절한 속성을 가진 임의의 적절한 에지(206)를 고려한다. 게다가, 본 명세서는 단일의 관계를 표현하는 사용자 노드(202)와 컨셉 노드(204) 사이의 에지를 기술하지만, 본 명세서는 하나 이상의 관계를 표현하는 사용자 노드(202)와 컨셉 노드(204) 사이의 에지를 고려한다. 예로서 제한 없이, 에지(206)는 사용자가 특정 컨셉에서 좋아요 하고 사용했음을 모두 표현할 수 있다. 대안으로, 또 다른 에지(206)는 사용자 노드(202)와 컨셉 노드(204) 사이(도 2에 도시된 바와 같이, 사용자 "E"에 대한 사용자 노드(202)와 "SPOTIFY"에 대한 컨셉 노드(204) 사이)의 각 타입의 관계(또는 다수의 단일 관계)를 표현할 수 있다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 소셜 그래프(200)에서 사용자 노드(202)와 컨셉 노드(204) 사이의 에지(206)를 생성할 수 있다. 예로서 제한 없이, (가령, 예컨대, 사용자의 클라이언트 시스템(130)에 의해 호스팅되는 웹 브라우저 또는 특수목적 애플리케이션을 사용하여) 사용자가 컨셉-프로필 페이지를 열람하는 것은 사용자가 "좋아요" 아이콘을 클릭하거나 선택하여 컨셉 노드(204)가 표현한 컨셉을 좋아함을 나타낼 수 있는데, "좋아요" 아이콘은 사용자의 클라이언트 시스템(130)이 컨셉-프로필 페이지와 관련된 컨셉을 사용자가 좋아요 했다고 표시한 메시지를 소셜 네트워킹 시스템(160)으로 전송하게 할 수 있다. 그 메시지에 응답하여, 소셜 네트워킹 시스템(160)은 사용자와 컨셉 노드(204) 사이의 "좋아요" 에지(206)로 도시된 바와 같이 사용자와 관련된 사용자 노드(202)와 컨셉 노드(204) 사이의 에지(206)를 생성할 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 하나 이상의 데이터 스토어에 에지(206)를 저장할 수 있다. 특정 실시예로, 에지(206)는 특정 사용자 행위에 응답하여 소셜 네트워킹 시스템(160)에 의해 자동 형성될 수 있다. 예로서 제한 없이, 제1 사용자가 사진을 업로드하거나, 영화를 시청하거나, 노래를 듣는다면, 에지(206)는 제1 사용자에 해당하는 사용자 노드(202)와 이런 컨셉에 해당하는 컨셉 노드(204) 사이에 형성될 수 있다. 본 명세서는 특정 방식으로 특정 에지(206)를 형성하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 에지(206)를 형성하는 것을 고려한다.

타이프어헤드 프로세스( Typeahead Processes)

특정 실시예로, 하나 이상의 클라이언트-측 및/또는 백엔드(서버-측) 프로세스는 가령 소셜 네트워킹 시스템(160)에 의해 호스팅되거나 접근가능할 수 있는 사용자-프로필 페이지와 같은 요청된 웹페이지와 함께 렌더링되는 입력 서식에 사용자가 현재 입력한 정보와 각각의 기존의 사용자 노드(202) 또는 컨셉 노드(204)에 해당하는 컨셉을 자동으로 매치하고자 하는 "타이프어헤드(typeahead)" 기능을 구현하고 이용한다. 특정 실시예로, 사용자가 선언문을 만들도록 텍스트를 입력중일 때, 타이프어헤드 기능은 선언문에 입력되는 텍스트 문자열을 소셜 그래프(200) 내 기존의 컨셉(또는 사용자)과 해당 컨셉(또는 사용자) 노드에 해당하는 문자열(예컨대, 이름)을 매치하고자 한다. 특정 실시예로, 매치가 발견되는 경우, 타이프어헤드 기능은 기존의 노드의 노드에 대한 참조(가령, 예컨대, 노드명, 노드 ID 또는 다른 적절한 참조나 식별자)로 서식을 자동으로 채울 수 있다.

특정 실시예로, 사용자가 사용자의 프로필 페이지나 다른 페이지의 다양한 섹션에 컨텐츠를 추가하거나 선언을 하는데 사용되는 서식으로 텍스트를 타이핑하거나 입력할 때, 타이프어헤드 프로세서는 (예컨대, 서버(162) 내) 소셜 네트워킹 시스템(160)에서(또는 내에서) 실행하는 하나 이상의 프런트엔드(frontend)(클라이언트-측) 및/또는 백엔트(서버-측) 타이프어헤드 프로세스(이하, 간단히 "타이프어헤드 프로세스"라고 함)와 함께 작동하여, 사용자의 텍스트 문자 입력시 사용자가 입력한 텍스트 문자와 가장 관련되거나 최상으로 매치한다고 결정되는 기존 소셜-그래프 엔티티의 이름에 해당하는 용어나 용어들 또는 기존 소셜-그래프 엔티티와 관련된 용어들로 서식을 자동-채움(auto-populate)하려고 상호작용하여 거의 즉각적으로 (사용자에게 나타난 대로) 시도할 수 있다. 소셜-그래프 데이터베이스 내 소셜-그래프 정보 또는 노드 및 에지와 관련된 정보를 포함하는 소셜-그래프 데이터베이스로부터 추출되고 인덱싱된 정보를 이용하면, 소셜-그래프 데이터베이스로부터의 정보와 함께 그리고 잠재적으로 소셜 네트워킹 시스템(160)에 위치하거나 그 내에서 실행하는 다양한 다른 프로세스, 애플리케이션 또는 데이터베이스와 함께 타이프어헤드 프로세스는 높은 정확도로 사용자의 의도된 선언을 예측할 수 있다. 그러나, 소셜 네트워킹 시스템(160)은 또한 사용자들이 그들 자신을 자유롭게 표현할 수 있게 하기를 그들이 원하는 임의의 선언을 입력하는 자유를 사용자에게 제공한다.

특정 실시예로, 사용자가 텍스트 문자를 서식 박스 또는 다른 필드로 입력할 때, 타이프어헤드 프로세스는 사용자의 문자의 입력시 사용자의 선언에 입력된 문자열에 매치하는 기존 소셜-그래프 요소들(예컨대, 사용자 노드(202), 컨셉 노드(204) 또는 에지(206))을 식별하고자 할 수 있다. 특정 실시예로, 사용자가 문자를 서식 박스로 입력할 때, 타이프어헤드 프로세스는 입력된 텍스트 문자열을 판독할 수 있다. 각각의 키 누름(keystroke)이 이루어질 때, 프런트엔트-타이프어헤드 프로세스는 요청(또는 호출)으로서 입력된 문자열을 소셜 네트워킹 시스템(160) 내에서 실행하는 백엔드-타이프어헤드 프로세스로 전송할 수 있다. 특정 실시예로, 타이프어헤드 프로세스는 AJAX(비동기식 JavaScript 및 XML) 또는 다른 적절한 기술 및 특히 비동기식 기술을 통해 통신할 수 있다. 하나의 특정 실시예로, 요청은 결과의 신속한 동적인 송신 및 페치(fetching)를 가능하게 하는 XMLHTTPRequest (XHR)이거나 이를 포함한다. 특정 실시예로, 타이프어헤드 프로세스는 또한 사용자가 선언을 작성하고 있는 특정 페이지의 특정 섹션을 식별하는 섹션 식별자(section ID)를 그 요청 전에, 그 요청 후에 또는 그 요청과 함께 전송한다. 특정 실시예로, 사용자 ID 파라미터가 또한 송신될 수 있거나, 일부의 실시예로 사용자가 소셜 네트워킹 시스템(160)으로 로그인중인 그 또는 그녀를 기초로 이미 "공지"되어 있다면 불필요할 수 있다.

특정 실시예로, 타이프어헤드 프로세스는 하나 이상의 매칭 알고리즘을 사용하여 매칭 소셜-그래프 요소를 식별하고자 할 수 있다. 특정 실시예로, 매치이나 매치들이 발견되는 경우, 타이프어헤드 프로세스는 예컨대 매칭 소셜-그래프 요소의 이름(이름 문자열)뿐 아니라 잠재적으로 매칭 소셜-그래프 요소와 관련된 다른 메타데이터를 포함할 수 있는 (AJAX 또는 다른 적절한 기술을 이용할 수 있는) 응답을 사용자의 클라이언트 장치로 전송할 수 있다. 예로서 제한 없이, 사용자가 문자 "dat"를 질의 필드로 입력하면, 타이프어헤드 프로세스는 매치하는 기존 프로필 페이지 및 각각의 사용자 노드(202)나 컨셉 노드(204)(예컨대, "dating"로 이름지어지거나 그 전용의 프로필 페이지)의 이름을 디스플레이하는 드롭-다운 메뉴를 디스플레이하며, 사용자가 이후 클릭하거나 선택함으로써 선택된 노드에 해당하는 매칭된 사용자나 컨셉 이름을 선언하는 요구를 확인할 수 있다. 또 다른 예로서 제한 없이, "dating"의 클릭시, 타이프어헤드 프로세스는 자동-채움하거나, 웹 브라우저(132)가 질의 필드를 선언 "dating"로 자동-채움할 수 있게 한다. 특정 실시예로, 타이프어헤드 프로세스는 드롭-다운 메뉴를 디스플레이하기보다는 상위-순위화된 매치의 이름이나 다른 식별자로 필드를 간단히 자동-채움할 수 있다. 이후, 사용자는 간단히 그들의 키보드에 "enter"를 키 입력하거나 자동-채움 선언을 클릭하여 자동-채움 선언을 확인할 수 있다.

타이프어헤드 프로세스에 대한 더 많은 정보는 참조로 통합되는 2010년 4월 19일자로 출원된 미국특허출원 제12/763162호 및 2012년 7월 23일자로 출원된 미국특허출원 제13/556072호에서 확인할 수 있다.

구조화된 검색 질의

도 3은 온라인 소셜 네트워크의 예시적인 웹페이지를 도시한다. 특정 실시예로, 사용자는 텍스트 질의를 질의 필드(350)에 입력함으로써 소셜 네트워킹 시스템(160)으로 질의를 제출할 수 있다. 온라인 소셜 네트워크의 사용자는 흔히 "검색 질의(search query)"라고 하는 주제를 설명하는 짧은 문구를 검색 엔진에 제공함으로써 특정 주제(예컨대, 사용자, 컨셉, 외부 컨텐츠 또는 리소스)에 관한 정보를 검색할 수 있다. 질의는 비구조화된 텍스트 질의일 수 있고 하나 이상의 텍스트 문자열 또는 하나 이상의 n-그램을 포함할 수 있다. 통상, 사용자는 텍스트 질의에 매치하는 소셜 네트워킹 시스템(160)의 컨텐츠를 검색하도록 임의의 문자열을 질의 필드(350)로 입력할 수 있다. 이후, 소셜 네트워킹 시스템(160)은 질의에 매치하는 컨텐츠를 식별하도록 데이터 스토어(164)(또는, 더 상세하게, 소셜-그래프 데이터베이스)를 검색할 수 있다. 검색 엔진은 다양한 검색 알고리즘을 사용하여 질의 문구를 기초로 검색을 실행할 수 있고, 검색 질의와 관련될 가능성이 가장 높은 리소스 또는 컨텐츠(예컨대, 사용자-프로필 페이지, 컨텐츠-프로필 페이지 또는 외부 리소스)를 식별하는 검색 결과를 생성할 수 있다. 검색을 실행하기 위해, 사용자는 검색 질의를 검색 엔진으로 입력 또는 전송할 수 있다. 응답으로, 검색 엔진은 포괄적으로 검색 질의에 대해 식별된 "검색 결과"라고 할 수 있는 검색 질의와 관련될 가능성이 있는 하나 이상의 리소스를 식별할 수 있다. 식별된 컨텐츠는 예컨대 소셜-그래프 엔티티(즉, 사용자 노드(202), 컨셉 노드(204), 에지(206)), 프로필 페이지, 외부 웹페이지 또는 이들의 임의의 조합을 포함할 수 있다. 이후, 소셜 네트워킹 시스템(160)은 식별된 컨텐츠에 해당하는 검색 결과를 가진 검색 결과 웹페이지를 생성할 수 있다. 검색 결과는 흔히 검색-결과 웹페이지에서 링크 리스트의 형태로 사용자에게 제시될 수 있으며, 각각의 링크는 식별된 리소스 또는 컨텐츠의 일부를 포함하는 다른 웹페이지와 관련된다. 특정 실시예로, 검색 결과 내 각각의 링크는 해당 웹페이지가 위치하는 장소 및 이를 검색하는 메커니즘을 명시한 URL(Uniform Resource Locator)의 형태일 수 있다. 이후, 소셜 네트워킹 시스템(160)은 검색 결과 웹페이지를 사용자의 클라이언트 시스템(130)에서 사용자의 웹 브라우저(132)로 전송할 수 있다. 이후, 사용자는 적절하게 소셜 네트워킹 시스템(160) 또는 외부 시스템으로부터 컨텐츠에 접근하도록 URL 링크를 클릭하거나 검색 결과 웹페이지로부터 컨텐츠를 선택할 수 있다. 리소스는 검색 질의에 대한 상대적인 관련도에 따라 순위화되고 사용자에게 제시될 수 있다. 또한, 검색 결과는 사용자와의 상대적인 관련도에 따라 순위화되고 사용자에게 제시될 수 있다. 즉, 검색 결과는 예컨대 소셜-그래프 정보, 사용자 정보, 사용자의 검색이나 브라우징 이력 또는 사용자에 관한 다른 적절한 정보를 기초로 질의중인 사용자에 대해 개인화될 수 있다. 특정 실시예로, 리소스의 순위화는 검색 엔진으로 구현되는 순위화 알고리즘에 의해 결정될 수 있다. 예로서 제한 없이, 검색 질의 또는 사용자와 상대적으로 더 관련성이 있는 리소스는 검색 질의 또는 사용자와 상대적으로 덜 관련성이 있는 리소스보다 더 높게 순위화될 수 있다. 특정 실시예로, 검색 엔진은 그 검색을 온라인 소셜 네트워크의 리소스 및 컨텐츠로 제한할 수 있다. 그러나, 특정 실시예로, 검색 엔진은 또한 가령 제3자 시스템(170), 인터넷 또는 World Wide Web 또는 다른 적절한 소스와 같은 다른 소스들에서 리소스 또는 컨텐츠를 검색할 수 있다. 본 명세서는 특정한 방식으로 소셜 네트워킹 시스템(160)에 질의하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 소셜 네트워킹 시스템(160)에 질의하는 것을 고려한다.

특정 실시예로, 본 명세서에 기술된 타이프어헤드 프로세스가 사용자에 의해 입력된 검색 질의에 적용될 수 있다. 예로서 제한 없이, 사용자가 텍스트 문자를 검색 필드에 입력하면, 타이프어헤드 프로세스는 사용자의 문자 입력시 검색 필드에 입력된 문자열에 매치하는 하나 이상의 사용자 노드(202), 컨셉 노드(204) 또는 에지(206)를 식별하고자 할 수 있다. 타이프어헤드 프로세스가 텍스트 질의로부터 문자열 또는 n-그램을 포함하는 요청 또는 호출을 수신하면, 타이프어헤드 프로세스는 입력된 텍스트에 매치하는 각각의 이름, 타입, 카테고리 또는 다른 식별자를 가진 기존의 소셜-그래프 요소(즉, 사용자 노드(202), 컨셉 노드(204), 에지(206))를 식별하는 검색을 수행하거나 수행되게 할 수 있다. 타이프어헤드 프로세스는 하나 이상의 매칭 알고리즘을 사용하여 매칭 노드 또는 에지를 식별하려고 시도할 수 있다. 매치 또는 매치들이 발견되는 경우, 타이프어헤드 프로세스는 예컨대 매칭 노드의 이름(이름 문자열)뿐 아니라 잠재적으로 매칭 노드와 관련된 다른 메타데이터를 포함할 수 있는 응답을 사용자의 클라이언트 시스템(130)으로 전송할 수 있다. 타이프어헤드 프로세스는 이후 매칭하는 기존의 프로필 페이지 및 각각의 사용자 노드(202)나 컨셉 노드(204)의 이름을 디스플레이하고 매칭하는 사용자 노드(202) 또는 컨셉 노드(204)와 연결할 수 있는 매칭 에지(206)의 이름을 디스플레이하는 드롭-다운 메뉴(300)를 디스플레이할 수 있으며, 이후 사용자는 이를 클릭하거나 선택함으로써 선택된 노드에 해당하는 매칭된 사용자나 컨셉 이름을 검색하거나 매칭 에지로 매칭된 사용자나 컨셉과 연결되는 사용자나 컨셉을 검색하려는 요구를 확인할 수 있다. 대안으로, 타이프어헤드 프로세스는 드롭-다운 메뉴(300)를 디스플레이하는 대신에 간단히 최상위의 매치의 이름이나 다른 식별자로 서식을 자동으로 채울 수 있다. 이후, 사용자는 간단히 그들의 키보드에서 "enter"를 치거나 자동-채움 선언을 클릭함으로써 자동-채움 선언을 확인할 수 있다. 매칭 노드와 에지의 사용자 확인시, 타이프어헤드 프로세스는 매칭 소셜-그래프 요소를 포함하는 질의의 사용자 확인을 소셜 네트워킹 시스템(160)에 알리는 요청을 전송할 수 있다. 전송된 요청에 응답하여, 소셜 네트워킹 시스템(160)은 매칭 소셜-그래프 요소 또는 적절한 경우 매칭 소셜-그래프 요소에 연결된 소셜-그래프 요소를 소셜-그래프 데이터베이스에서 자동으로(또는 요청 내 지시를 기초로 교대로) 호출하거나 검색할 수 있다. 본 명세서는 특정한 방식으로 검색 질의에 타이프어헤드 프로세스를 적용하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 검색 질의에 타이프어헤드 프로세스를 적용하는 것을 고려한다.

검색 질의 및 검색 결과와 관련하여, 특정 실시예는 본 명세서에 참조로서 통합된 2006년 8월 11일에 출원된 미국특허출원 제11/503093호, 2010년 12월 22일에 출원된 미국특허출원 제12/977027호 및 2010년 12월 23일에 출원된 미국특허출원 제12/978265호에 개시된 하나 이상의 시스템, 컴포넌트, 요소, 함수, 방법, 작동 또는 단계를 사용할 수 있다.

텍스트 질의의 파싱 및 구조화된 질의의 렌더링

도 4a 내지 4b는 온라인 소셜 네트워크의 예시적인 질의를 도시한다. 특정 실시예에서, 제1 사용자(예컨대, 질의하는 사용자)로부터 수신한 텍스트 질의에 응답하여, 소셜 네트워킹 시스템(160)은 자연 언어 구문으로 렌더링된 하나 이상의 구조화된 질의를 생성할 수 있는데, 각 구조화된 질의는 하나 이상의 식별된 소셜 그래프 요소에 대응하는 질의 토큰을 포함한다. 자연 언어 구조화된 질의는 컨텍스트-무관 문법 모델을 사용하여 생성될 수 있다. 이들 구조화된 질의는 문법 모델의 문법에 의해 생성된 문자열에 기반할 수 있는데, 자연 언어 구문을 사용하여 적절한 소셜 그래프 요소에 대한 참조로 렌더링된다. 구조화된 질의는 제1 사용자에게 전송되고 드롭 다운 메뉴(300)에 디스플레이될 수 있는데(예컨대, 클라이언트측 다이프어헤드 프로세스를 통하여), 그 후 제1 사용자는 소정의 컨텐츠를 검색하기 위한 적절한 질의를 선택할 수 있다. 도 4a-4b는 질의 필드(350) 내 다양한 예시적인 텍스트 질의 및 드롭-다운 메뉴(300)에 응답하여 생성된 다양한 구조화된 질의를 도시한다. 사용자의 텍스트 질의에 응답하여 제안되는 구조화된 질의를 제공함으로써, 소셜 네트워킹 시스템(160)은 소셜-그래프 속성과 다양한 소셜-그래프 요소와의 관계를 기초로 소셜 그래프(200)에 표현되는 요소들을 검색하도록 온라인 소셜 네트워크의 사용자들에게 매우 효과적인 방법을 제공할 수 있다. 구조화된 질의는 질의중인 사용자가 특정 에지 타입으로 소셜 그래프(200)에서 특정 사용자나 컨셉과 연결되는 컨텐츠를 검색하게 해줄 수 있다. 본 명세서는 특정 방식으로 특정 구조화된 질의를 생성하는 것을 기술하고 도 4a-4b가 도시하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 구조화된 질의를 생성하는 것을 고려한다. 질의 파싱, 문법 모델 및 구조화된 질의 생성에 관한 더 많은 정보는 각각이 본 명세서에 참조로서 통합된 2012년 7월 23일에 출원된 미국특허출원 제13/556060호, 2012년 11월 12일에 출원된 미국특허출원 제13/674695호, 2012년 12월 31일에 출원된 미국특허출원 제13/731866호 및 2012년 12월 31일에 출원된 미국특허출원 제13/732175호에서 찾을 수 있다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 (제1 사용자 노드(202)에 해당하는) 질의중인/제1 사용자로부터 구조화되지 않은 텍스트 질의를 수신할 수 있다. 예로서 제한 없이, 제1 사용자는: (1) 제1 사용자의 1촌 친구(first-degree friends)이고; (2) Stanford University와 관련되는(즉, 사용자 노드(202)는 학교 "Stanford"에 해당하는 컨셉 노드(204)와 에지(206)에 의해 연결됨), 다른 사용자들을 검색하고자 할 수 있다. 이후, 제1 사용자는 도 4a-4b에 도시된 바와 같이 텍스트 질의 "friends stanford"를 질의 필드(350)에 입력할 수 있다. 제1 사용자가 이런 텍스트 질의를 질의 필드(350)에 입력하면, 소셜 네트워킹 시스템(160)은 드롭-다운 메뉴(300)에 도시된 바와 같이 제안되는 다양한 구조화된 질의를 제공할 수 있다. 본 명세서에서 사용되는 바와 같이, 구조화되지 않은 텍스트 질의는 사용자가 입력한 단순 텍스트열이라고 한다. 물론, 텍스트 질의는 표준 언어/문법 규칙(예컨대, 영문법)에 대하여 구조화될 수 있다. 그러나, 텍스트 질의는 대체로 소셜-그래프 요소에 대하여 구조화되어 있지 않을 것이다. 즉, 단순 텍스트 질의는 대체로 특정 소셜-그래프 요소에 대한 임베디드 참조(embedded references)를 포함하지 않을 것이다. 따라서, 본 명세서에서 사용되는 바와 같이, 구조화된 질의는 특정 소셜-그래프 요소에 대한 참조를 포함하는 질의를 말하며, 검색 엔진이 식별된 요소를 기초로 검색할 수 있게 해준다. 나아가, 텍스트 질의는 정규 질의 구문에 대해 비구조화될 수 있다. 즉, 단순 텍스트 질의는 반드시 검색 엔진에 의해 직접 실행가능한 질의 명령의 형식인 것은 아니다. 본 명세서는 특정 방식으로 특정 질의를 수신하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 질의를 수신하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 하나 이상의 n-그램을 식별하도록 제1 사용자(즉, 질의중인 사용자)로부터 수신된 구조화되지 않은 텍스트 질의(또한, 간단히 검색 질의라고도 함)를 파싱할 수 있다. 통상, n-그램은 소정의 시퀀스의 텍스트 또는 진술에서 인접 시퀀스의 n개 아이템들이다. 아이템은 텍스트 또는 진술의 시퀀스에서의 글자(characters), 음소(phonemes), 음절(syllables), 문자(letters), 단어(words), 기본 쌍(base pairs), 접두사(prefixes) 또는 다른 식별가능한 아이템일 수 있다. n-그램은 질의중인 사용자가 입력한 하나 이상의 텍스트 문자(글자, 숫자, 구두점 등)를 포함할 수 있다. 크기 1의 n-그램은 "유니그램(unigram)"이라 할 수 있고, 크기 2의 n-그램은 "바이그램(bigram)" 또는 "다이그램(digram)"이라 할 수 있으며, 크기 3의 n-그램은 "트라이그램(trigram)"이라 할 수 있는 등이다. 각각의 n-그램은 질의중인 사용자로부터 수신된 텍스트 질의로부터 하나 이상의 부분을 포함할 수 있다. 특정 실시예로, 각각의 n-그램은 제1 사용자가 입력한 문자열(예컨대, 하나 이상의 텍스트 문자)을 포함할 수 있다. 예로서 제한 없이, 소셜 네트워킹 시스템(160)은 다음의 n-그램을 식별하도록 텍스트 질의 "friends stanford"를 파싱할 수 있다: friends; stanford; friends stanford. 또 다른 예로서 제한 없이, 소셜 네트워킹 시스템(160)은 다음의 n-그램을 식별하도록 텍스트 질의 "friends in palo alto"를 파싱할 수 있다: friends; in; palo; alto; friends in; in palo; palo alto; friend in palo; in palo also; friends in palo alto. 특정 실시예로, 각각의 n-그램은 텍스트 질의로부터 인접 시퀀스의 n개 아이템을 포함할 수 있다. 본 명세서는 특정 방식으로 특정 질의를 파싱하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 질의를 파싱하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 텍스트 질의에서 식별된 각각의 n-그램에 대해 n-그램이 소셜-그래프 요소에 해당하는 점수를 결정하거나 계산할 수 있다. 이 점수는 예컨대 신뢰 점수, 확률, 품질, 순위, 다른 적절한 타입의 점수 또는 이들의 임의의 조합일 수 있다. 예로서 제한 없이, 소셜 네트워킹 시스템(160)은 n-그램이 가령 소셜 그래프(200)의 사용자 노드(202), 컨셉 노드(204) 또는 에지(206)와 같은 소셜-그래프 요소에 해당하는 확률 점수(또한 간단히 "확률"이라고도 함)를 결정할 수 있다. 확률 점수는 n-그램과 특정 소셜-그래프 요소 사이의 유사도 또는 관련도를 표시할 수 있다. 확률을 계산하는 많은 다른 방법이 있을 수 있다. 본 명세서는 검색 질의에서 식별된 n-그램에 대한 확률 점수를 계산하는 임의의 적절한 방법을 고려한다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 n-그램이 특정 소셜-그래프 요소에 해당하는 확률 p를 결정할 수 있다. 확률 p는 특정 검색 질의 X가 주어진다면 특정 소셜-그래프 요소 k에 해당할 확률로 계산될 수 있다. 즉, 확률은 p=(k＼X)로 계산될 수 있다. 예로서 제한 없이, n-그램이 소셜-그래프 요소에 해당할 확률은 p_i,j,k로 표시된 확률 점수로 계산될 수 있다. 입력은 텍스트 질의 X=(x₁, x₂,..., x_N) 및 클래스(classes) 세트일 수 있다. 각각의 (i:j) 및 클래스 k에 대하여, 소셜 네트워킹 시스템(160)은

를 계산할 수 있다. 특정 실시예에서, 식별된 소셜-그래프 요소는 검색 엔진에 의해 실행가능한 질의 명령을 생성하는데 사용될 수 있다. 질의 명령은 구조화된 특정 인수를 허용하는 정의된 함수를 가지는 의미론적 질의일 수 있다. 예로서 제한 없이, 텍스트 질의 "friend me mark"는 질의 명령: intersect(friend(me), friend(Mark))를 생성하기 위해 파싱될 수 있다. 즉, 질의는 소셜 그래프에서 질의 사용자("me")와 사용자 "Mark"의 교집합 노드를 검색한다(예컨대, 질의 사용자의 사용자 노드(202)와 친구-타입 에지(206)로 연결되고 사용자 "Mark"의 사용자 노드(202)와 친구-타입 에지(206)으로 연결된 사용자 노드들(202)). 본 명세서는 특정 방식으로 n-그램이 소셜-그래프 요소에 해당하는지를 결정하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 n-그램이 소셜-그래프 요소에 해당하는지를 결정하는 것을 고려한다. 게다가, 본 명세서는 특정 타입의 점수를 사용하여 n-그램이 소셜-그래프 요소에 해당하는지를 결정하는 것을 기술하지만, 본 명세서는 임의의 적절한 타입의 점수를 사용하여 n-그램이 소셜-그래프 요소에 해당하는지를 결정하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 에지-임계 확률보다 더 큰 확률을 가지는 하나 이상의 에지(206)를 식별할 수 있다. 각각의 식별된 에지(206)는 적어도 하나의 n-그램에 해당할 수 있다. 예로서 제한 없이, n-그램은

라면 에지 k에 해당하는 것으로 단지 식별될 수 있다. 게다가, 각각의 식별된 에지(206)는 적어도 하나의 식별된 노드와 연결될 수 있다. 즉, 소셜 네트워킹 시스템(160)은 단지 특정 n-그램에 해당하는 것으로 이전에 식별되었던 사용자 노드(202) 또는 컨셉 노드(204)와 연결되는 에지(206) 또는 에지-타입만을 식별할 수 있다. 임의의 이전에 식별된 노드와 연결되지 않는 에지(206) 또는 에지-타입은 일반적으로 검색 질의에서 특정 n-그램에 해당할 가능성이 없다. 이런 에지(206) 및 에지-타입을 걸러내거나 무시함으로써, 소셜 네트워킹 시스템(160)은 관련 소셜-그래프 요소를 소셜 그래프(200)에서 더 효율적으로 검색할 수 있다. 본 명세서는 특정 방식으로 n-그램에 해당하는 에지(206)를 식별하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 n-그램에 해당하는 에지(206)를 식별하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 노드-임계 확률보다 더 큰 확률을 가진 하나 이상의 사용자 노드(202) 또는 컨셉 노드(204)를 식별할 수 있다. 각각의 식별된 노드는 적어도 하나의 n-그램에 해당할 수 있다. 예로서 제한 없이, n-그램은

라면 노드 k에 해당하는 것으로 단지 식별될 수 있다. 게다가, 각각의 식별된 사용자 노드(202) 또는 컨셉 노드(204)는 적어도 하나의 식별된 에지(206)와 연결될 수 있다. 즉, 소셜 네트워킹 시스템(160)은 특정 n-그램에 해당하는 것으로 이전에 식별되었던 에지(206)와 연결되는 노드 또는 노드-타입만을 식별할 수 있다. 임의의 이전에 식별된 에지(206)와 연결되지 않은 노드 또는 노드-타입은 통상 검색 질의에서 특정 n-그램에 해당할 가능성이 없다. 이런 노드 및 노드-타입을 걸러내거나 무시함으로써, 소셜 네트워킹 시스템(160)은 관련 소셜-그래프 요소를 소셜 그래프(200)에서 더 효율적으로 검색할 수 있다. 본 명세서는 특정 방식으로 n-그램에 해당하는 노드를 식별하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 n-그램에 해당하는 노드를 식별하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 복수의 문법을 포함하는 컨텍스트-무관 문법 모델에 접근할 수 있다. 문법 모델의 각각의 문법은 하나 이상의 비-종단(non-terminal) 토큰(또는 "비-종단 심볼)과 하나 이상의 종단 토큰(또는 "종단 심볼"/"질의 토큰")을 포함할 수 있는데, 특정 비-종단 토큰은 종단 토큰으로 대체될 수 있다. 문법 모델은 형식 언어(formal language)에서 문자열에 대한 한 세트의 형성 규칙(formation rules)이다. 특정 실시예에서, 복수의 문법은 순서 트리로 조직된 문법 포레스트(forest)으로 시각화될 수 있는데, 비-종단 토큰에 대응하는 내부 노드와 종단 토큰에 대응하는 리프 노드를 가진다. 각 문법은 문법 포레스트 내에서 서브-트리로 표현될 수 있는데, 문법은 비-종단 토큰을 통해 서로 인접한다. 그러므로, 둘 이상의 문법은 문법 포레스트에서 서브-포레스트가 될 수 있다. 본 명세서가 특정 문법의 접근을 서술하지만, 본 명세서는 임의의 적절한 문법을 고려한다.

특정 실시예에서, 소셜 네트워킹 시스템(160)은 하나 이상의 문법을 사용하여 하나 이상의 문자열을 생성할 수 있다. 언어로 문자열을 생성하기 위해, 사람은 단지 하나의 시작 기호로 구성되는 문자열로 시작한다. 이후, 시작 기호나 지정된 비-종단 기호를 포함하지 않는 문자열이 생성될 때까지 생성 규칙은 임의의 순서로 적용된다. 컨텍스트-무관 문법에서, 문법의 각각의 비-종단 기호의 생성은 문법의 다른 비-종단 기호에 의해 생성되는 것과 무관하다. 비-종단 기호는 종단 기호(즉, 종단 토큰 또는 질의 토큰)로 대체될 수 있다. 질의 토큰의 일부는 소셜-그래프 토큰일 수 있고, 상술한 바와 같이 식별된 노드 또는 식별된 에지에 해당할 수 있다. 이후, 문법에 의해 생성된 문자열은 식별된 노드 또는 식별된 에지에 대한 참조를 포함하는 구조화된 질의의 기초로서 사용될 수 있다. 문법에 의해 생성된 문자열은 자연-언어 구문으로 렌더링될 수 있는데, 문자열에 기반한 구조화된 질의 역시 자연 언어로 렌더링될 수 있다. 컨텍스트-무관 문법은 각각의 생성 규칙의 좌측 편이 단지 하나의 비-종단 기호로 구성되는 문법이다. 확률적 컨텍스트-무관 문법은 투플 <∑,N,S,P>이며, 여기서 분리집합(disjoint sets) ∑ 및 N은 S∈N에서 시작 기호인 종단 기호 및 비-종단 기호를 각각 명시한다. P는 E∈N, ξ∈(∑∪N)⁺ 및 E가 문자열 ξ로 확장될 확률인 p=Pr(E→ξ)에서 E→ξ(p)의 형태를 취하는 생성 집합이다. 소정의 비-종단 E의 모든 확장에 대한 확률 p의 합은 1이어야 한다. 본 명세서는 특정 문법에 특정 방식으로 문자열을 생성하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 문자열을 생성하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 사전에 식별된 노드 및 에지에 해당하는 하나 이상의 질의 토큰을 식별할 수 있다. 즉, 식별된 노드 또는 식별된 에지가 특정 문법에서 질의 토큰으로 사용될 수 있다면, 그 질의 토큰은 소셜 네트워킹 시스템(160)에 의해 식별될 수 있다. 질의 토큰은 문법 토큰 또는 소셜-그래프 토큰을 포함할 수 있다. 문법 토큰은 자연 언어 구문로 렌더링하기 위해 삽입된 텍스트에 대응하는 질의 토큰일 수 있다. 소셜-그래프 토큰은 소셜 그래프(200)의 특정 노드 또는 질의에 대응하는 질의 토큰이다. 예로서 제한 없이, 예시적인 문법은 [user][user-filter][school]일 수 있다. 비-종단 기호 [user], [user-filter] 및 [school]은 이후 수신된 텍스트 질의의 n-그램을 기초로 결정될 수 있다. 텍스트 질의 "friends stanford"에 대하여, 이 질의는 예컨대 "[friends][who][go to][Stanford University]" 또는 "[friends][who][work at][Stanford University]"로서 문법을 사용하여 파싱될 수 있다. 이 예에서, 질의 토큰 [friends], [go to], [work at] 및 [Stanford University]는 모두 소셜 그래프(200)의 특정 노드 및 에지에 대응하는 소셜-그래프 토큰일 수 있다. 유사하게, 질의 토큰 [who]는 문법에 의해 구조화된 질의를 자연 언어 구문으로 렌더링하기 위해 삽입된 문법 토큰일 수 있다. 상기 두 예시적인 경우 모두에서, 수신된 텍스트 질의의 n-그램이 문법에서 질의 토큰으로 사용될 수 있다면, 이들 질의 토큰은 소셜 네트워킹 시스템(160)에 의해 식별될 수 있다. 본 명세서는 특정한 질의 토큰을 특정한 방식으로 식별하는 것을 서술하지만, 본 명세서는 임의의 적절한 질의 토큰을 임의의 적절한 방식으로 식별하는 것을 고려한다.

특정 실시예에서, 소셜 네트워킹 시스템(160)은 이전에 식별된 노드 및 에지 각각에 대응하는 적어도 하나의 질의 토큰을 가지는 하나 이상의 문법을 선택할 수 있다. 특정한 문법만이 텍스트 질의에서 식별된 n-그램에 의존하여 사용될 수 있다. 그래서 모든 사용가능한 문법의 종단 토큰은 텍스트 질의에서 식별된 n-그램과 매치하는 것을 찾기 위해 검사되어야 한다. 즉, 만약 특정한 문법이 모든 식별된 노드와 에지를 질의 토큰으로 사용할 수 있다면, 문법은 소셜 네트워킹 시스템(160)에게 구조화된 질의를 생성하기 위한 가능한 문법으로 선택될 수 있다. 이것은 효과적인 상향식(bottom-up) 파싱 타입인데, 가능한 질의 토큰이 질의에 적용할 적용가능한 문법을 결정하기 위해 사용된다. 예로서 제한 없이, 텍스트 질의 "friends stanford"에 대해, 소셜 네트워킹 시스템은 [friends] 및 [Stanford University]의 질의 토큰을 식별할 수 있다. 상술한 바와 같이, 문법 모델로부터의 문법의 종단 토큰이 식별될 수 있다. 그 후 [friend]와 [Stanford University] 토큰 양자를 사용할 수 있는 임의의 문법이 선택될 수 있다. 예를 들어, 문법 [user][user-filter][school]은 이 문법이 [friends]와 [Stanford University] 토큰을 질의 토큰으로 사용하여, 문자열 "friends who go to Stanford University"나 "friends who work at Stanford University"를 생성할 수 있기 때문에 선택될 수 있다. 그러므로, 만약 수신한 텍스트 질의의 n-그램이 문법에서 질의 토큰으로 사용될 수 있다면, 이들 문법은 소셜 네트워킹 시스템(160)에 의하여 선택될 수 있다. 마찬가지로, 수신된 텍스트 질의가 문법에서 질의 토큰으로 사용될 수 없는 n-그램을 포함한다면, 그 문법은 선택될 수 없을 수 있다. 본 명세서는 특정 방식으로 특정 문법을 선택하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 문법을 선택하는 것을 고려한다.

특정 실시예에서, 소셜 네트워킹 시스템(160)은 복수의 문법으로 생성된 문법 포레스트를 분석함으로써 하나 이상의 문법을 선택할 수 있다. 문법 포레스트는 복수의 비-종단 토큰과 복수의 종단 토큰을 포함하는 순서 트리로 조직될 수 있다. 각 문법은 문법 포레스트 내에서 서브-트리로 표현될 수 있고, 각 서브-트리는 하나 이상의 추가적인 비-종단 토큰을 통하여 다른 서브-트리와 인접할 수 있다. 예로서 제한 없이, 소셜 네트워킹 시스템(160)은 문법 포레스트 내의 텍스트 질의의 부분에 대응하는 식별된 노드 및 에지에 대응하는 모든 종단 토큰(예컨대, 질의 토큰)을 식별함으로써 시작할 수 있다. 문법 포레스트 내의 이들 질의 토큰이 식별되면, 소셜 네트워킹 시스템(160)은 문법 포레스트를 이들 각 질의 토큰으로부터 하나 이상의 교집합 비-종단 토큰을 식별하기 위해 순회할 수 있다. 모든 질의 토큰이 교집합하는 경로에서 비-종단 토큰이 식별되면, 교집합인 비-종단 토큰이 선택될 수 있고, 문법 포레스트에서 그 교집합 비-종단 토큰에 인접하는 하나 이상의 문법이 선택될 수 있다. 본 명세서가 특정 방식으로 문법을 선택하는 것을 서술하고 있으나, 본 명세서는 임의의 적절한 방식으로 문법을 선택하는 것을 고려한다.

특정 실시예에서, 소셜 네트워킹 시스템(160)은 질의 사용자로부터의 텍스트 질의에 대응하는 의미론 트리(semantic tree)를 생성할 수 있다. 의미론 트리는 이전에 식별된 노드 또는 에지에 대응하는 각 식별된 질의 토큰을 포함할 수 있고, 교집합 토큰을 포함할 수 있다. 의미론 트리는 또한 적절한 경우 질의 토큰을 교집합 토큰으로 연결하는 비-종단 토큰을 포함할 수 있다. 예로서 제한 없이, 텍스트 질의 "friends stanford"는 질의 명령 (intersect(school:<Stanford University>, friends_of:<me>))로 파싱될 수 있다. 즉, 질의는 소셜 그래프에서 질의 사용자("me")의 친구들(예컨대, 질의 사용자의 사용자 노드(202)와 친구 타입 에지(206)으로 연결되는 사용자 노드들(202))과 Stanford University의 컨셉 노드(204) 양자의 교집합인 노드를 검색한다. 본 명세서가 특정 의미론 트리를 특정한 방식으로 생성하는 것을 서술하지만, 본 명세서는 임의의 적절한 의미론 트리를 임의의 적절한 방식으로 생성하는 것을 고려한다.

특정 실시예에서, 소셜 네트워킹 시스템(160)은 복수의 문법을 포함하는 문법 포레스트를 분석하여 질의에 대응하는 의미론 트리와 실질적으로 매치하는 비-종단 토큰과 종단 토큰의 하나 이상의 세트를 식별할 수 있는데, 각 세트는 의미론 트리의 교집합 토큰에 대응하는 비-종단 토큰을 가진다. 그 후 소셜 네트워킹 시스템(160)은 문법 포레스트에서 교집합 토큰에 대응하는 비-종단 토큰과 인접한 하나 이상의 문법을 선택할 수 있다. 알고리즘은 문법 포레스트에서 교집합 토큰으로 이어지는 최저 비용 다중 경로(lowest-cost multi-path)를 찾으려고 시도할 것이고, 이 최저 비용 다중 경로에 대응하는 교집합 토큰은 바람직하게는 다른 교집합 토큰(만약 존재하면)을 넘어 선택될 것이다. 본 명세서가 특정한 문법 포레스트를 특정한 방식으로 분석하는 것을 서술하지만, 본 명세서는 임의의 적절한 문법 포레스트를 임의의 적절한 방식으로 분석하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 각각의 선택된 문법에 대한 점수를 결정할 수 있다. 점수는 예컨대 신뢰 점수, 확률, 품질, 순위, 다른 적절한 타입의 점수 또는 이들의 임의의 조합일 수 있다. 점수는 선택된 문법에서 사용되는 질의 토큰과 관련된 확률 또는 개별 점수를 기초로 할 수 있다. 문법은 그것이 상대적으로 더 높은 개별 점수를 가진 질의 토큰을 사용한다면 더 높은 상대적인 점수를 가질 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 선택된 문법의 점수를 소셜-그래프 친밀도에 기반하여 결정할 수 있다. 친밀도는 온라인 소셜 네트워크와 연관된 특정 객체, 예컨대 사용자, 컨셉, 컨텐츠, 행위, 광고, 온라인 소셜 네트워크와 연관된 기타 객체 또는 그들의 임의의 적절한 조합 간의 관계의 강도 또는 흥미의 정도를 나타낼 수 있다. 질의 사용자와 관련하여 높은 친밀도를 가지는 소셜 그래프 요소에 대응하는 질의 토큰을 가지는 문법은 질의 사용자와 관련하여 낮은 친밀도를 가지는 소셜 그래프 요소에 대응하는 질의 토큰을 가지는 문법보다 높게 점수화될 수 있다. 특정 실시예에서, 소셜 네트워킹 시스템(160)은 선택된 문법에 대응하는 교집합 토큰을 식별하기 위하여 순회한 경로의 길이에 기반하여 선택된 문법에 대한 점수를 결정할 수 있다. 최저 비용 다중 경로(예컨대, 더 짧은 경로)를 가지는 문법은 고비용 다중 패스(예컨대, 더 긴 경로)를 가지는 문법보다 높게 점수화될 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 광고 스폰서쉽에 기반하여 선택된 문법에 대한 점수를 결정할 수 있다. 광고자(예컨대, 특정 노드에 대응하는 사용자 또는 특정 프로필 페이지의 관리자)는 특정 노드를 스폰서하여 그 스폰서된 노드를 참조하는 질의 토큰을 포함하는 문법이 더 높게 점수화될 수 있다. 본 명세서는 특정 방식으로 특정 문법에 대한 특정 점수를 결정하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 문법에 대한 임의의 적절한 점수를 결정하는 것을 고려한다. 소셜 그래프 친밀도 및 친밀도 계수와 관련하여, 특정 실시예는 각각이 참조로서 통합된 2006년 8월 11일에 출원된 미국특허출원 제11/503093호, 2010년 12월 22일 출원된 미국특허출원 제12/977027호, 2010년 12월 23일 출원된 미국특허출원 제12/978265호 및 2012년 10월 1일 출원된 미국특허출원 제13/632869호의 하나 이상의 시스템, 컴포넌트, 요소, 함수, 방법, 작동 또는 단계를 사용할 수 있다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 문법-임계 점수(grammar-threshold score)보다 더 큰 점수를 가지는 하나 이상의 문법을 선택할 수 있다. 각각의 선택된 문법은 (수신된 텍스트 질의의 n-그램에 해당하는) 식별된 노드 또는 식별된 에지 각각에 해당하는 질의 토큰을 포함할 수 있다. 특정 실시예로, 문법은 그들의 결정된 점수를 기초로 순위화될 수 있고, 임계 순위 내(예컨대, 상위 7개)의 문법만이 선택될 수 있다. 본 명세서는 특정 방식으로 문법을 선택하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 문법을 선택하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 선택된 문법(예컨대, 문법-임계 점수보다 큰 점수를 가지는 문법들)에 해당하는 하나 이상의 구조화된 질의를 생성할 수 있다. 각각의 구조화된 질의는 해당하는 선택된 문법에 의해 생성된 문자열을 기초로 할 수 있다. 예로서 제한 없이, 텍스트 질의 "friends stanford"에 응답하여, 문법 [user][user-filter][school]은 문자열 "friends who go to Stanford University"를 생성할 수 있는데, 문법의 비-종단 토큰 [user], [user-filter], [school]은 문자열을 생성하도록 종단 토큰 [friends], [who go to] 및 [Stanford University]로 각각 대체되었다. 특정 실시예에서, 문법에 의해 자연 언어 구문을 사용하여 생성된 물자열은 자연 언어로 구조화된 질의로서 렌더링될 수 있다. 예로서 제한 없이, 이전 예시의 구조화된 질의는 종단 토큰 [who go to]를 사용하는데, 자연 언어 구문을 사용하여 문법에 의해 렌더링된 문자열이 자연 언어이다. 문법에 의해 생성된 자연 언어 문자열은 렌더링되어 소셜 그래프 요소에 대응하는 질의 토큰을 그들 소셜 그래프 요소에 대한 참조를 포함하도록 수정함으로써 구조화된 질의를 형성한다. 예로서 제한 없이, 문자열 "friends who go to Stanford University"는 구조화된 질의에서 나타나는 "Stanford University"에 대한 질의 토큰을 학교 "Stanford University"에 대응하는 컨셉 노드(204)에 대한 참조로서 렌더링되는데, 참조는 강조, 인라인 링크, 스니펫, 다른 적절한 참조 또는 그들의 임의의 조합을 포함할 수 있다. 각각의 구조화된 질의는 해당하는 선택된 문법에 상응하는 질의 토큰을 포함할 수 있는데, 이런 질의 토큰은 하나 이상의 식별된 에지(206) 및 하나 이상의 식별된 노드에 해당한다. 구조화된 질의의 생성은 하기에 더 기술된다.

구조화 검색 질의의 생성 및 필터링

특정 실시예로, 소셜 네트워킹 시스템(160)은 질의하는 사용자로부터 수신된 텍스트 질의에 기반하여 구조화 질의의 세트를 생성할 수 있다. 생성된 구조화 질의는 전술한 바와 같이 하나 이상의 컨텍스트-무관 문법에 의해 생성된 자연 언어 문자열에 기반할 수 있다. 각각의 구조화 질의는 대응하는 문법으로부터의 질의 토큰(token)을 포함할 수 있다. 질의 토큰은 하나 이상의 식별된 사용자 노드(202) 또는 하나 이상의 식별된 에지(206)에 대응하는 소셜 그래프 토큰일 수 있다. 예로서 제한 없이, 텍스트 질의 "show me friends of my girlfriend"에 응답하여, 소셜 네트워킹 시스템(160)은 구조화 질의에서 "Friends" 및 "Stephanie"가 특정 소셜 그래프 구성요소에 대응하는 참조인 구조화 질의 "Friends of Stephanie"를 생성할 수 있다. "Stephanie"에 대한 참조는 특정 사용자 노드(202) (즉, 관계-타입(in-relationship-type) 에지(206)에 의해 질의하는 사용자의 사용자 노드(202)와 연결된 사용자 "Stephanie"에 대응하는 사용자 노드(202))에 대응할 수 있는 한편, "friends"에 대한 참조는 그 사용자 노드(202)를 다른 사용자 노드(202)로 연결하는 "친구" 에지(206) (즉, "Stephanie의 제1 도의 친구들로 연결하는 에지(206))에 대응할 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 각각의 구조화 질의의 품질에 기반하여 텍스트 질의에 응답하여 생성된 구조화 질의의 세트를 필터링할 수 있다. 특정 구조화되지 않은 텍스트 질의를 파싱할 때, 소셜 네트워킹 시스템(160)은 응답으로 낮은 품질의 또는 무관한 구조화 질의를 생성할 수 있다. 이는 텍스트 질의가 문법 모델에 잘 일치하지 않는 용어를 포함할 때 발생하며, 용어가 문법 모델에 의해 파싱될 때, 용어는 무관한 질의 토큰에 일치하게 된다. 예로서 제한 없이, "tall people"에 대한 텍스트 질의는 이러한 용어들이 문법 모델에서 사용되는 어떠한 질의 토큰에 일치하지 않거나 (예컨대, 어떠한 소셜 그래프 구성요소에도 일치하지 않는 용어들) 또는 아마도 낮은-품질의 매치를 갖는다면 (예컨대, 낮은-품질의 매치는 "Tall People!"로 명명된 페이지 또는 그룹을 참조하는 구조화 질의일 수 있다) 용어들이 문법 모델에 의해 잘 파싱되지 않을 수 있기 때문에 임의의 관련된 구조화 질의를 생성하지 않을 수 있다. 이러한 낮은-품질의 제안된 질의는 우스꽝스럽거나 당황스러울 수 있으며, 잘못 일치하거나 무관한 질의 토큰을 포함할 수 있거나 단순히 사용자의 질의 의도와 불일치할 수 있다. 이와 무관하게, 이러한 구조화 질의가 제안된 질의로서 질의하는 사용자에게 전송되기 전에 이러한 구조화 질의를 필터 제거(filter out)하는 것이 바람직할 수 있다. 이러한 질의를 제안으로서 사용자에게 전송하는 것을 피하기 위해, 각각의 구조화 질의는 특정 제안된 질의가 낮은-품질이거나 무관할 수 있다는 것을 신호하는 다양한 요인들에 기반하여 분석되고 점수화될 수 있다. 소셜 네트워킹 시스템(160)에 의해 생성된 세트에서의 각각의 구조화 질의는 텍스트 질의 그 자체 및 구조화 질의에 기반하여 점수화될 수 있다. 낮은 품질 점수를 갖는 구조화 질의는 필터 제거될 수 있고, 오로지 높은-품질의 구조화 질의만이 질의하는 사용자에게 제시되도록 할 수 있다. 비록 본 명세서는 특정 방식으로 특정 구조화 질의를 생성하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 구조화 질의를 생성하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 온라인 소셜 네트워크의 사용자로부터 수신된 텍스트 질의에 기반하여 구조화 질의의 세트를 생성할 수 있다. 각각의 구조화 질의는 식별된 컨셉 노드(204) 및 하나 이상의 식별된 에지(206)에 대응하는 문법 토큰 또는 소셜 그래프 토큰일 수 있는 하나 이상의 질의 토큰을 포함할 수 있다. 이러한 구조화 질의는 소셜 네트워킹 시스템(160)이 식별된 컨셉 노드(204) 및 식별된 에지(206)에 연결되거나 아니면 관련된 컨텐츠 객체를 검색함으로써 (가령, 예컨대 프로필 페이지와 같은) 온라인 소셜 네트워크와 관련된 자원 및 컨텐츠를 보다 효과적으로 검색할 수 있도록 한다. 예로서 제한 없이, 텍스트 질의 "friends like facebook"에 응답하여, 소셜 네트워킹 시스템(160)은 구조화 질의 "My friends who like Facebook"을 생성할 수 있다. 이 예에서, 구조화 질의에서의 "friends", "like", 및 "Facebook"에 대한 참조는 전술한 바와 같이 특정 소셜 그래프 구성요소 (즉, "친구" 에지(206), "좋아요" 에지(206) 및 "페이스북" 컨셉 노드(204))에 대응하는 소셜 그래프 토큰이다. 유사하게, "my" 및 "who"에 대한 참조는 구조화 질의에 포함되어 자연 언어 구문(syntax)에서 렌더링되는 문법 토큰이다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 복수의 구조화 질의를 생성할 수 있고, 구조화 질의는 상이한 식별된 컨셉 노드(204) 또는 상이한 식별된 에지(206)에 대한 참조를 포함할 수 있다. 예로서 제한 없이, 이전의 예로 계속하면, 구조화 질의 "My friends who like Facebook"에 추가로, 소셜 네트워킹 시스템(160)은 또한, 구조화 질의 "My friends who like Facebook Culinary Team"을 생성할 수 있고, 여기서 구조화 질의에서의 "Facebook Culinary Team"은 또 다른 소셜 그래프 구성요소에 대응하는 질의 토큰이다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 생성된 구조화 질의를 순위화할 수 있다. 구조화 질의는 다양한 요인에 기반하여 순위화될 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 광고하는 스폰서에 기반하여 구조화 질의를 순위화할 수 있다. 광고자 (가령, 예컨대, 특정 노드에 대응하는 특정 프로필 페이지의 사용자 또는 관리자)는 특정 노드를 스폰서하여 그 노드를 참조하는 구조화 질의가 더 높게 순위화되도록 할 수 있다. 비록 본 명세서는 특정 방식으로 특정 구조화 질의를 생성하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 구조화 질의를 생성하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 텍스트 질의 및 구조화 질의에 기반하여 구조화 질의에 대한 품질 점수를 계산할 수 있다. 품질 점수는 예컨대, 신뢰도(confidence) 점수, 확률, 품질, 순위, 다른 적절한 타입의 점수, 또는 이들의 임의의 조합일 수 있다. 예로서 제한 없이, 구조화 질의에 대한 품질 점수 s를 결정할 때, 소셜 네트워킹 시스템(160)은 질의하는 사용자로부터 수신된 텍스트 질의 및 텍스트 질의에 응답하여 생성된 구조화 질의를 요인으로 포함할 수 있다. 따라서, 특정 구조화 질의에 대응하는 품질 점수 s는, 특정 검색 질의 X 및 특정 구조화 질의 Q가 주어질 때, s=(X,Q)로 계산될 수 있다. 품질 점수는 다양한 방식으로 다양한 요인을 사용하여 계산될 수 있다. 예로서 제한 없이, 구조화 질의에 대한 품질 점수는 하나 이상의 생성 비용, 정규화 비용, 문법-삽입 비용, 엔티티-수량(entity-numerosity) 비용, 언어-모델 점수, 엔티티-삽입 비용, 다른 적절한 요인, 또는 이들의 임의의 조합 중 하나 이상에 부분적으로 기반하여 계산될 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 구조화 질의의 생성 비용에 기반하여 구조화 질의에 대한 품질 점수를 계산할 수 있다. 비용은 구조화 질의를 생성하는데 사용되는 각각의 질의 토큰과 연관될 수 있다. 더 많은 질의 토큰이 구조화 질의를 만드는데 사용될수록, 질의에 대한 비용은 증가할 수 있다. 게다가, 상이한 질의 토큰 및 토큰의 타입은 상이한 비용을 가질 수 있다. 텍스트 질의에 응답하여 구조화 질의의 세트를 생성할 때, 소셜 네트워킹 시스템(160)은 가능한 가장 낮은 생성 비용을 갖는 구조화 질의를 생성하도록 시도할 수 있다. 이것은 예컨대, 문법 모델로부터 문법을 선택하는 것과 유사하거나 이와 관련하여 이루어질 수 있다. 낮은-비용의 다중-경로(lower-cost multi-paths)를 갖는 문법은 더 낮은 생성 비용을 갖는 구조화 질의를 생성할 수 있고, 여기에서 최단-경로(shortest-path) 문법은 가장 낮은 생성 비용을 갖는 구조화 질의를 생성해야 한다. 비록 본 명세서는 특정 방식으로 특정 구조화 질의에 대한 품질 점수를 결정하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 구조화 질의에 대한 품질 점수를 결정하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 구조화 질의의 정규화 비용에 기반하여 구조화 질의에 대한 품질 점수를 계산할 수 있다. 질의하는 사용자로부터 수신된 텍스트 질의에서의 용어의 개수 (예컨대, 텍스트 질의에서의 식별된 n-그램의 개수)는 그 텍스트 질의에 응답하여 생성된 구조화 질의에서의 질의 토큰의 개수에 일반적으로 비례해야 한다. 이상적으로, n-그램 대 질의 토큰의 비율은 일 (1:1)에 수렴해야 한다. 따라서, 문법 모델이 텍스트 질의를 파싱하고 실질적으로 예상보다 많은 질의 토큰을 갖는 구조화 질의를 생성한다면, 구조화 질의가 낮은 품질일 가능성이 크다. 즉, 문법 모델이 텍스트 질의에 일치하는 문법을 식별하기 위해 상당한 수의 질의 토큰을 삽입해야 한다면, 이후 그 문법에 의해 생성된 구조화 질의는 낮은 품질일 가능성이 크다. 유사하게, 더 긴 텍스트 질의에 대해, 텍스트 질의에 응답하여 생성된 구조화 질의는 더 많은 질의 토큰을 포함하고, 따라서 더 높은 생성 비용을 가질 것으로 예상된다. 따라서, 구조화 질의를 생성하기 위한 비용은 텍스트 질의의 길이에 기반하여 정규화될 수 있어서 고-비용의 구조화 질의는 비용이 텍스트 질의의 길이에 비례하지 않는다면 낮은 품질이라고 식별될 수 있다. 높은 정규화 비용을 갖는 구조화 질의는 그들이 낮은 품질이라고 표시하여 높은 정규화 비용이 낮은 품질 점수와 상관되도록 한다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 질의하는 사용자로부터 수신된 텍스트 질의에서의 n-그램의 개수를 결정할 수 있고, 구조화 질의에서의 질의 토큰의 개수를 결정할 수 있다. 소셜 네트워킹 시스템(160)은 이후 텍스트 질의에서의 n-그램의 개수의 구조화 질의에서의 질의 토큰의 개수에 대한 비율에 기반하여 정규화 비용을 계산할 수 있다. 예로서 제한 없이, 텍스트 질의 "friends stanford"에 대해, 소셜 네트워킹 시스템(160)은 도 4b에 도시되는 것처럼 "Friends who go to Stanford University"와 같은 구조화 질의를 생성할 수 있다. 소셜 네트워킹 시스템(160)은 이후 3개의 질의 토큰: [friends], [who go to], 및 [Stanford University]를 갖는 구조화 질의를 생성하기 위해 문법 모델에 의해 파싱된 2개의 n-그램: "friends" 및 "stanford"를 텍스트 질의가 갖는다고 결정할 수 있다. 따라서, 문법 모델은 텍스트 질의를 문자열에 일치시키기 위해 단일 질의 토큰 [who go to]를 삽입하였다. 텍스트 질의에서의 질의 토큰의 n-그램에 대한 비율 (3:2)이 상대적으로 낮기 때문에, 이러한 구조화 질의는 상대적으로 낮은 정규화 비용을 가질 수 있고, 그것이 상대적으로 높은-품질의 구조화 질의임을 표시한다. 다른 예로서 제한 없이, 텍스트 질의 "friends stanford"에 응답하여, 소셜 네트워킹 시스템(160)은 "People who are friends with people who go to Stanford University"와 같은 구조화 질의를 생성할 수 있다. 이 경우, 구조화 질의는 이전의 예보다 상당히 많은 질의 토큰을 포함한다. 이 구조화 질의를 생성하는 비용이 텍스트 질의에서의 n-그램의 개수에 기반하여 정규화될 때, 그것은 높은 정규화 비용을 가질 것이며, 이는 그것이 낮은 품질 점수를 가져야 하고 따라서 필터 제거되어야 함을 표시한다. 비록 본 명세서는 특정 방식으로 구조화 질의에 대한 품질 점수를 계산하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 구조화 질의에 대한 품질 점수를 계산하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 구조화 질의의 문법-삽입 비용에 기반하여 구조화 질의에 대한 품질 점수를 계산할 수 있다. 문법 모델을 사용하여 구조화 질의를 생성할 때, 구조화 질의를 생성하기 위해 삽입된 문법 토큰의 개수는 이상적으로 최소화되어야 한다. 따라서, 문법 모델이 텍스트 질의를 파싱하고 예상보다 상당히 많은 문법 토큰을 갖는 구조화 질의를 생성한다면, 구조화 질의가 낮은 품질일 가능성이 크다. 즉, 문법 모델이 텍스트 질의에 일치하고 (따라서, 자연 언어 구문에서 구조화 질의를 렌더링하는) 문법을 식별하기 위해 상당한 수의 문법 토큰을 삽입해야 한다면, 이후 그 문법에 의해 생성된 구조화 질의는 낮은 품질일 가능성이 큰 것이다. 높은 문법-삽입 비용 (즉, 문법 토큰을 구조화 질의로 삽입하는 것과 연관된 비용)을 갖는 구조화 질의는 그들이 낮은 품질임을 표시하여 높은 문법-삽입 비용이 낮은 품질 점수와 상관되도록 한다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 질의하는 사용자로부터 수신된 텍스트 질의에서의 n-그램의 개수를 결정하고, 구조화 질의에서 문법 토큰 및 소셜 그래프 토큰의 개수를 결정할 수 있다. 소셜 네트워킹 시스템(160)은 이후 n-그램의 개수에 의해 정규화된 문법 토큰의 개수의 소셜 그래프 토큰에 대한 비율에 기반하여 문법-삽입 비용을 계산할 수 있다. 예로서 제한 없이, 텍스트 질의 "girls i have dated"에 대해, 소셜 네트워킹 시스템(160)은 "Female users I have been friends with who like the Dating app"과 같은 구조화 질의를 생성할 수 있다. 여기에서, n-그램 "girls"는 질의 토큰 [Female users]에 일치하고, n-그램 "dated"는 [Dating app]에 일치한다 (하지만, 이들 자체가 낮은-품질의 매치일 수 있다). 그러나, n-그램 "i have"에 일치하기 위해, 문법 모델은 문법 토큰 [I have been], [friends with], 및 [who like]을 삽입해야 한다. 따라서, 질의를 생성하기 위해 삽입된 상대적으로 높은 수의 문법 토큰으로 인해 이 구조화 질의와 연관된 높은 문법 삽입 비용이 존재하며, 그것이 낮은-품질의 구조화 질의임을 표시한다. 비록 본 명세서는 특정 방식으로 구조화 질의에 대한 품질 점수를 계산하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 구조화 질의에 대한 품질 점수를 계산하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 구조화 질의의 엔티티-수량 비용에 기반하여 구조화 질의에 대한 품질 점수를 계산할 수 있다. 문법 모델을 사용하여 구조화 질의를 생성할 때, 소셜 그래프 토큰의 전부는 아니지만 일부가 소셜 그래프(200)의 노드에 대응해야 한다. 통상적인 비구조화 텍스트 질의를 파싱할 때, 텍스트 질의에 기반하여 생성된 구조화 질의는 일부 문법 토큰, 에지(206) 또는 에지-타입에 대한 일부 소셜 그래프 토큰, 사용자 노드(202) 또는 컨셉 노드(204)에 대한 일부 소셜 그래프 토큰을 포함하는 다양한 질의 토큰을 포함해야 한다. 하지만, 파싱이 너무 많은 용어를 노드에 일치시키거나 아니면 노드에 대응하는 상대적으로 많은 수의 질의 토큰을 갖는 구조화 질의를 생성한다면, 그러한 노드의 일부는 질의하는 사용자의 질의 의도에 일치하지 않는 거짓 매치일 가능성이 크다. 즉, 제안된 구조화 질의가 너무 많은 노드에 대한 참조를 포함한다면, 질의는 낮은 품질일 가능성이 크다. 높은 엔티티-수량 비용 (즉, 다른 질의 토큰에 상대적으로 노드에 대응하는 소셜 그래프 토큰을 삽입하는 것과 연관된 비용)을 갖는 구조화 질의는 질의가 낮은 품질임을 표시하고, 높은 엔티티-수량 비용은 낮은 품질 점수와 상관되도록 한다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 구조화 질의에서의 노드에 대응하는 소셜 그래프 토큰의 개수를 결정할 수 있다. 소셜 네트워킹 시스템(160)은 이후 구조화 질의에서 소셜 그래프 토큰의 개수에 기반하여 엔티티-수량 비용을 계산할 수 있다. 예로서 제한 없이, 텍스트 질의 "girls i have dated from stanford"에 대해, 소셜 네트워킹 시스템(160)은 "People from Stanford, California who like the 'Girls I Have Dated' page"와 같은 구조화 질의를 생성할 수 있다. 여기에서, 구조화 질의는 도시 [Stanford, California] 및 페이지 [Girls I Have Dated]에 대한 소셜 그래프 토큰을 포함하고, 이들 각각은 소셜 그래프(200)의 특정 컨셉 노드(204)에 대응한다. 따라서, n-그램 "from stanford"는 문법 모델에 의해 질의 토큰 [People from][Stanford, California]에 일치하게 되고, n-그램 "girls i have dated"는 페이지 [Girls I Have Dated]에 대응하는 컨셉 노드(204)에 대한 소셜 그래프 토큰에 일치하게 된다(이들 자체가 낮은-품질의 매치일 수 있음에 유의해야 한다). 텍스트 질의의 길이에 상대적으로, 구조화 질의는 노드를 위해 많은 수의 소셜 그래프 토큰을 포함한다. 게다가, 단일 토큰 [Girls I Have Dated]는 비구조화 텍스트 질의의 많은 부분에 일치하게 된다. 따라서, 질의를 생성하기 위해 삽입된 노드를 위한 소셜 그래프 토큰의 상대적으로 높은 숫자로 인해 이러한 구조화 질의와 연관된 높은 엔티티-수량 비용이 존재하고, 그것이 상대적으로 낮은-품질의 구조화 질의임을 표시한다. 비록 본 명세서는 특정 방식으로 구조화 질의에 대한 품질 점수를 계산하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 구조화 질의에 대한 품질 점수를 계산하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 언어-모델 점수에 기반하여 구조화 질의의 품질 점수를 계산할 수 있다. 언어-모델 점수는 구조화 질의의 질의 토큰과 비교하여 원래의 텍스트 질의의 식별된 용어와 관련하여 계산될 수 있다. 특정 구조화 질의를 생성한 후에, 소셜 네트워킹 시스템(160)은 원래의 텍스트 질의로부터의 이러한 질의 토큰에 대응하는 용어의 시퀀스에 기반하여 각각의 질의 토큰 및 구조화 질의에서의 그것에 인접한 질의 토큰(예컨대, 앞서는 또는 연속되는 토큰)을 분석할 수 있다. 토큰이 원래의 텍스트 질의로부터의 시퀀스에서의 하나 이상의 인접한 토큰과 함께 나타나야 하는 확률은 이후 분석될 수 있다. 문법 모델이 원래의 텍스트 질의에서의 인접한 질의 토큰과 함께 나타날 확률이 작은 질의 토큰을 삽입했다면, 구조화 질의는 낮은 품질일 가능성이 크다. 낮은 언어-모델 점수 (즉, 함께 나타날 낮은 확률을 갖는 질의 토큰이 있음)를 갖는 구조화 질의는 그들이 낮은 품질임을 표시하여, 낮은 언어-모델 점수가 낮은 품질 점수와 상관되도록 한다. 예로서 제한 없이, 소셜 네트워킹 시스템(160)은 원래의 질의로부터의 특정한 인접 용어와 페어링된 특정 질의 토큰의 확률 p를 결정할 수 있다. 이 계산은 원래의 텍스트 질의에서의 용어의 시퀀스를 요인으로 포함할 수 있다. 따라서, 특정 파싱이 페어링하는 특정 질의 토큰에 대응할 확률은 p=(t₁|t₂,...t_x)로 계산될 수 있고, 여기서 t₁은 분석되는 질의 토큰이고 t₂,...t_x는 원래의 텍스트 질의에서의 2부터 x까지의 인접한 질의 토큰이다. 각각의 질의 토큰에 대한 개별 확률은 이후 구조화 질의에 대한 전체 언어-모델 점수를 결정하기 위해 사용될 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 구조화 질의의 각각의 질의 토큰에 대해 질의 토큰이 원래의 텍스트 질의에서의 인접한 질의 토큰과 함께 나타날 확률을 결정할 수 있다. 소셜 네트워킹 시스템(160)은 이후 질의 토큰에 대한 확률에 기반하여 언어-모델 점수를 계산할 수 있다. 예로서 제한 없이, 텍스트 질의 "girls i have dated"에 대해, 소셜 네트워킹 시스템(160)은 "Female users I have who use the Dating app"와 같은 구조화 질의를 생성할 수 있고, 여기서 데이팅 앱은 엔티티-타입 [application]을 갖는 (즉, 비-종단(non-terminal) 토큰 [application]에 대응하는) 온라인 소셜 네트워크와 연관된 가상의 애플리케이션이다. 질의 토큰 [Dating app]에 대한 확률을 계산하기 위해, 소셜 네트워킹 시스템(160)은 이후 원래의 텍스트 질의에서의 인접한 용어들에 대응하는 구조화 질의로부터의 다른 질의 토큰을 분석할 수 있다. 이 경우, 소셜 네트워킹 시스템(160)은 (원래의 텍스트 질의로부터의 "girls", "i", 및 "have"에 각각 대응하는) 질의 토큰 [Female], [I], 및 [have]가 질의 토큰 [Dating app]과 함께 사용될 확률 (또는 아마도 비-종단 토큰 [application]을 사용할 확률)을 결정할 수 있다. 이러한 확률은 p=([Dating app]|([Female], [I], [have]))로 계산되거나 앞선 질의 토큰 [Female], [I], 및 [have]가 주어질 때 질의 토큰 [Dating app]을 삽입할 확률로 계산될 수 있고 (대안으로, 확률은 p=([application]|([Female], [I], [have]))로 계산될 수 있다). 이 경우, 질의 토큰 [Female], [I], 및 [have]가 소셜 그래프 토큰 [Dating app} 이전에 사용될 확률은 낮을 수 있고, 따라서 이러한 구조화 질의는 상대적으로 낮은 언어-모델 점수를 가질 것이며, 그것이 상대적으로 낮은-품질의 구조화 질의임을 나타낸다. 비록 본 명세서는 특정 방식으로 구조화 질의에 대한 품질 점수를 계산하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 구조화질의에 대한 품질 점수를 계산하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 구조화 질의의 엔티티-삽입 비용에 기반하여 구조화 질의에 대한 품질 점수를 계산할 수 있다. 특정 텍스트 질의를 파싱할 때, 텍스트 질의에서의 용어들 (예컨대, 텍스트 질의에서의 n-그램)은 생성된 구조화 질의에서의 질의 토큰에 가능한 가장 가깝게 일치해야 한다. 따라서, 용어에 대한 변경 또는 용어의 추가는 그 특정 질의 토큰을 생성하는 비용을 증가시켜야 하고, 이러한 수정된 토큰을 포함하는 구조화 질의는 낮은 품질일 수 있다. 높은 엔티티-삽입 비용 (즉, 특정 질의 토큰에 그것을 일치시키기 위해 텍스트 질의로부터의 용어를 삽입 또는 수정하는 것과 연관된 비용)을 갖는 구조화 질는 그들이 낮은 품질일 수 있음을 표시하여 높은 엔티티-삽입 비용이 낮은 품질 점수와 상관되도록 한다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 구조화 질의에서의 각각의 소셜 그래프 토큰에 대해 소셜 그래프 토큰을 그것의 대응하는 n-그램과 일치시키기 위해 문법에 의해 삽입된 용어의 개수를 결정할 수 있다. 예로서 제한 없이, 구조화 질의 "girls who like dating"에 대해, 소셜 네트워킹 시스템(160)은 구조화 질의 "Female users who like the 'Dating in Palo Alto' app"을 생성할 수 있다. 따라서, 텍스트 질의로부터의 용어 "dating"은 문법 모델에 의해 파싱되고 (앱에 대한 특정 컨셉 노드(204)에 대응할 수 있는) [Dating in Palo Alto]에 대한 질의 토큰에 일치된다. 하지만, 용어 "dating"을 이러한 질의 토큰에 일치시키기 위해서, 소셜 네트워킹 시스템(160)은 질의 토큰 [Dating in Palo Alto]에 일치하도록 추가 용어 "in Palo Alto"를 삽입해야 했다. 따라서, 텍스트 질의로부터의 n-그램을 구조화 질의에서의 질의 토큰에 일치시키기 위해 문법 모델에 의해 삽입된 상대적으로 높은 수의 용어들로 인해 이러한 구조화 질의와 연관된 높은 엔티티-삽입 비용이 존재하며, 그것이 상대적으로 낮은-품질의 구조화 질의임을 나타낸다. 비록 본 명세서는 특정 방식으로 구조화 질의에 대한 품질 점수를 계산하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 구조화 질의에 대한 품질 점수를 계산하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 질의하는 사용자에게 하나 이상의 구조화 질의를 전송할 수 있다. 예로서 제한 없이, 구조화 질의가 생성된 후, 소셜 네트워킹 시스템(160)은 예컨대, 참조된 소셜 그래프 구성요소의 네임 (네임 문자열), 다른 질의 제한 (예컨대, 불린(boolean) 연산자 등) 뿐만 아니라 잠재적으로, 참조된 소셜 그래프 구성요소와 연관된 다른 메타데이터를 포함할 수 있는 사용자의 클라이언트 시스템(130)에 대한 응답 (AJAX 또는 다른 적절한 기술을 이용할 수 있다)으로서 하나 이상의 구조화 질의를 전송할 수 있다. 질의하는 사용자의 클라이언트 시스템(130) 상의 웹 브라우저(132)는 도 4a-4b에 도시되는 것처럼 드롭-다운 메뉴(300)에서의 전송된 구조화 질의를 디스플레이할 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(160)은 포스트-필터된 제1 세트로부터의 하나 이상의 구조화 질의를 제1 사용자/질의하는 사용자에게 전송할 수 있다. 제1 사용자에게 전송된 각각의 구조화 질의는 임계 품질 점수보다 크거나 같은 품질 점수를 가질 수 있다. 이러한 방식으로, 낮은-품질의 구조화 질의는 필터 제거 (즉, 사용자를 위해 생성된 구조화 질의의 세트로부터 제거)될 수 있다. 필터링 후 잔존하는 구조화 질의는 (존재한다면) 이후 순위화되고 이들 중 하나 이상은 질의하는 사용자에게 전송될 수 있다. 특정 실시예로, 필터링 후 구조화 질의의 임계 개수보다 적은 질의가 잔존한다면 이후 소셜 네트워킹 시스템(160)은 텍스트 질의에 기반하여 웹 검색 질의를 생성할 수 있다. 이러한 방식으로, 문법 모델이 관련된 질의의 생성에 실패한다면, 질의하는 사용자에게는 검색을 수행하기 위한 옵션이 여전히 남는다. 예로서 제한 없이, 텍스트 질의 "girls i have dated"에 대해, 소셜 네트워킹 시스템(160)은 제안된 질의로서 질의하는 사용자에게 전송할 충분한 품질의 구조화 질의를 매우 적게 또는 심지어는 0개를 생성할 수 있다. 전술한 바와 같이, 이 텍스트 질의의 파싱은 다양한 낮은-품질의 구조화 질의를 생성할 수 있고, 이들 각각은 소셜 네트워킹 시스템(160)에 의해 필터 제거될 수 있다. 결과적으로, 소셜 네트워킹 시스템(160)은 대신에 가령, 예컨대 "Search the web for 'girls i have dated'"와 같은 웹 검색을 수행하기 위한 제안된 질의를 전송할 것이다. 사용자가 이 제안된 질의를 선택했다면, 질의는 적절한 API를 통해 웹 검색 엔진 (예컨대, BING, GOOGLE 등)으로 전송될 것이고, 여기서 표준 문자열-일치 검색이 수행될 수 있다. 결과는 이후 질의하는 사용자에게 디스플레이하기 위해 (예컨대 API를 통해) 소셜 네트워킹 시스템(160)으로 다시 전송될 수 있다. 대안으로, 질의하는 사용자가 웹 검색 옵션을 선택할 때, 사용자의 웹 브라우저(132)는 검색 엔진을 위한 웹페이지로 리디렉션할 수 있다. 특정 실시예로, 전송된 질의는 가령 예컨대 전술한 바와 같이 이전에 결정된 순위에 기반하여 순위 순서로 질의하는 사용자에게 제시될 수 있다. 더 좋은 순위를 갖는 구조화 질의는 더 중요한 위치에서 제시될 수 있다. 게다가, 특정 실시예로, 임계 순위보다 높은 구조화 질의만이 질의하는 사용자에게 전송되거나 디스플레이될 수 있다. 예로서 제한 없이, 도 4a-4b에 도시되는 것처럼, 구조화 질의는 더 높은 순위의 구조화 질의는 메뉴의 상부에서 제시되고 낮은 순위의 구조화 질의는 내림차순으로 메뉴 아래로 제시되는 드롭-다운 메뉴(300)에서 질의하는 사용자에게 제시될 수 있다. 도 4a-4b에 도시된 예에서, 7개의 가장 높은 순위의 질의만이 사용자에게 전송되고 디스플레이된다. 하지만, 이러한 예에서 (예컨대, 일부가 낮은 품질로 인해 필터 제거됨으로 인한 것과 같이) 사용자에게 전송하는데 이용가능한 질의가 7개의 구조화 질의보다 적다면 이후 이용가능한 구조화 질의만이 전송될 수 있다. 게다가, 7개의 구조화 질의보다 적은 수가 있는 경우, 소셜 네트워킹 시스템(160)은 질의하는 사용자에게 전송될 제안된 질의의 세트에서 제안된 웹 검색 질의를 포함할 수 있다. 특정 실시예로, 구조화 질의에서의 하나 이상의 참조는 특정 소셜 그래프 구성요소에 대한 그것의 대응관계를 표시하기 위해 (예컨대, 아웃라인, 언더라인, 동그라미, 볼드체, 이탤릭체, 색상변경, 조명, 오프셋, 대문자와 같이) 하이라이트될 수 있다. 예로서 제한 없이, 도 4a-4b에 도시되는 것처럼, "Stanford University" 및 "Stanford, California"에 대한 참조는 그것이 특정 컨셉 노드(204)에 대응함을 표시하기 위해 구조화 질의에서 하이라이트(아웃라인)된다. 유사하게, 드롭-다운 메뉴(300)에서 제시되는 구조화 질의에서의 "Friends", "like", "work at", 및 "go to"에 대한 참조는 또한, 그들이 특정 에지(206)에 대응함을 표시하기 위해 하이라이트될 수 있다. 비록 본 명세서는 특정 방식으로 특정 구조화 질의를 전송하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 구조화 질의를 전송하는 것을 고려한다.

특정 실시예로, 소셜 네트워킹 시스템(160)은 구조화 질의 중 하나에 대한 선택을 질의하는 사용자로부터 수신할 수 있다. 대안으로, 소셜 네트워킹 시스템(160)은 특정 컨텍스트에서 시스템에 의해 자동으로 선택된 (예컨대, 디폴트 선택) 질의로서 구조화 질의를 수신할 수 있다. 수신된 구조화 질의에서 참조된 노드 및 에지는 각각 선택된 노드 및 선택된 에지로 불릴 수 있다. 예로서 제한 없이, 질의하는 사용자의 클라이언트 시스템(130) 상의 웹 브라우저(132)는 도 4a-4b에 도시되는 것처럼 드롭-다운 메뉴(300)에서의 전송된 구조화 질의를 디스플레이 할 수 있고, 이후 사용자는 질의를 클릭하거나 아니면 선택 (예컨대, 그의 키보드 상에서 "enter" 키를 단순히 입력)할 수 있고, 사용자가 소셜 네트워킹 시스템(160)이 실행하길 원하는 특정 구조화 질의를 표시할 수 있다. 특정 구조화 질의를 선택하자 마자, 사용자의 클라이언트 시스템(130)은 소셜 네트워킹 시스템(160)이 선택된 구조화 질의를 실행하도록 호출 또는 아니면 명령할 수 있다. 예로서 제한 없이, 특정 구조화 질의의 선택에 응답하여, 소셜 네트워킹 시스템(160)은 구조화 질의에 기반하여 질의 명령을 생성할 수 있고, 질의 명령은 이후 질의 명령의 제약에 일치하는 컨텐츠 객체를 검색하기 위해 하나 이상의 데이터 스토어(164)로 전송될 수 있다. 비록 본 명세서는 특정 방식으로 특정 구조화 질의의 선택을 수신하는 것을 기술하지만, 본 명세서는 임의의 적절한 방식으로 임의의 적절한 구조화 질의의 선택을 수신하는 것을 고려한다.

도 5는 온라인 소셜 네트워크에서 제안된 구조화 질의를 필터링하기 위한 예시적 방법(500)을 도시한다. 방법은, 소셜 네트워킹 시스템(160)이 복수의 노드 및 노드를 연결하는 복수의 에지를 포함하는 소셜 그래프(200)를 접근할 수 있는 단계(510)에서 시작할 수 있다. 노드는 제1 노드(202) 및 복수의 제2 노드 (하나 이상의 사용자 노드(202), 컨셉 노드(204), 또는 이들의 임의의 조합)을 포함할 수 있다. 단계(520)에서, 소셜 네트워킹 시스템(160)은 제1 사용자로부터 구조화되지 않은 텍스트 질의를 수신할 수 있다. 텍스트 질의는 하나 이상의 n-그램을 포함할 수 있다. 단계(530)에서, 소셜 네트워킹 시스템(160)은 텍스트 질의에 기반하여 구조화 질의의 제1 세트를 생성할 수 있다. 제1 세트에서의 각각의 구조화 질의는 컨텍스트-무관 문법 모델의 식별된 문법에 대응할 수 있다. 각각의 구조화 질의는 또한, 하나 이상의 문법 토큰 또는 하나 이상의 소셜 그래프 토큰을 포함할 수 있다. 각각의 소셜 그래프 토큰은 복수의 노드 중 하나의 노드 또는 복수의 에지 중 하나의 에지에 대응할 수 있다. 단계(540)에서, 소셜 네트워킹 시스템(160)은 각각의 구조화 질의에 대해, 텍스트 질의 및 구조화 질의에 기반하여 품질 점수를 계산할 수 있다. 품질 점수는 본 명세서에 개시된 임의의 적절한 방식으로 계산될 수 있다. 단계(550)에서, 소셜 네트워킹 시스템(160)은 임계 품질 점수보다 낮은 품질 점수를 갖는 제1 세트로부터 각각의 구조화 질의를 제거하기 위해 제1 세트를 필터할 수 있다. 단계(560)에서, 소셜 네트워킹 시스템(160)은 포스트-필터된 제1 세트로부터 하나 이상의 구조화 질의를 제1 사용자에게 전송할 수 있다. 제1 사용자에게 전송된 각각의 구조화 질의는 임계 품질 점수보다 크거나 같은 품질 점수를 가질 수 있다. 특정 실시예는 적절한 경우 도 5의 방법의 하나 이상의 단계를 반복할 수 있다. 비록 본 명세서는 도 5의 방법의 특정 단계가 특정 순서로 발생하는 것으로 기술하고 도시하지만, 본 명세서는 도 5의 방법의 임의의 적절한 단계가 임의의 적절한 순서로 발생하는 것을 고려한다. 게다가, 비록 본 명세서는 도 5의 방법의 특정 단계를 수행하는 특정 컴포넌트들, 장치들, 또는 시스템들을 기술하고 도시하지만, 본 명세서는 도 5의 방법의 임의의 적절한 단계를 수행하는 임의의 적절한 컴포넌트들, 장치들, 또는 시스템들을 고려한다.

시스템 및 방법

도 6은 예시적인 컴퓨터 시스템(600)을 도시한다. 특정 실시예로, 하나 이상의 컴퓨터 시스템들(600)은 본 명세서에 기술되거나 도시된 하나 이상의 방법들의 하나 이상의 단계들을 수행한다. 특정 실시예로, 하나 이상의 컴퓨터 시스템들(600)은 본 명세서에 기술되거나 도시된 기능을 제공한다. 특정 실시예로, 하나 이상의 컴퓨터 시스템들(600)을 실행하는 소프트웨어는 본 명세서에 기술되거나 도시된 하나 이상의 방법들의 하나 이상의 단계들을 수행하거나, 본 명세서에 기술되거나 도시된 기능을 제공한다. 특정 실시예는 하나 이상의 컴퓨터 시스템들(600)의 하나 이상의 부분들을 포함한다. 본 명세서에서, 적절한 경우 컴퓨터 시스템에 대한 언급은 컴퓨팅 장치를 포함할 수 있고, 그 반대도 가능하다. 게다가, 컴퓨터 시스템에 대한 언급은 적절한 경우 하나 이상의 컴퓨터 시스템을 포함할 수 있다.

본 명세서는 임의의 적절한 수의 컴퓨터 시스템(600)을 고려한다. 본 명세서는 임의의 적절한 물리적 형태를 취하는 컴퓨터 시스템(600)을 고려한다. 예로서 제한 없이, 컴퓨터 시스템(600)은 임베디드 컴퓨터 시스템, 시스템-온-칩(SOC), 단일-보드 컴퓨터 시스템(SBC)(예컨대, 컴퓨터-온-모듈(COM) 또는 시스템-온-모듈(SOM)), 데스크톱 컴퓨터 시스템, 랩톱 또는 노트북 컴퓨터 시스템, 상호작용형 키오스크(kiosk), 메인 프레임, 컴퓨터 시스템 메쉬(mesh), 모바일 전화, 개인 정보 단말기(PDA), 서버, 태블릿 컴퓨터 시스템 또는 이들의 2 이상의 조합일 수 있다. 적절한 경우, 컴퓨터 시스템(600)은 하나 이상의 컴퓨터 시스템(600)들을 포함할 수 있거나; 일체형 또는 분산형일 수 있거나; 다수의 위치에 걸쳐 있거나, 다수의 기계에 걸쳐 있거나; 다수의 데이터 센터에 걸쳐 있거나; 하나 이상의 네트워크에 하나 이상의 클라우드 성분을 포함할 수 있는 클라우드에 상주할 수 있다. 적절한 경우, 하나 이상의 컴퓨터 시스템(600)은 본 명세서에 기술되거나 도시되는 하나 이상의 방법의 하나 이상의 단계를 실질적으로 공간적 또는 시간적 제한 없이 실행할 수 있다. 예로서 제한 없이, 하나 이상의 컴퓨터 시스템(600)은 본 명세서에 기술되거나 도시되는 하나 이상의 방법의 하나 이상의 단계를 실시간으로 또는 일괄 모드로 실행할 수 있다. 적절한 경우, 하나 이상의 컴퓨터 시스템(600)은 본 명세서에 기술되거나 도시되는 하나 이상의 방법의 하나 이상의 단계를 다른 시기에 또는 다른 위치에서 실행할 수 있다.

특정 실시예로, 컴퓨터 시스템(600)은 프로세서(602), 메모리(604), 저장소(606), 입력/출력(I/O) 인터페이스(608), 통신 인터페이스(610) 및 버스(612)를 포함한다. 본 명세서가 특정 배열로 특정한 수의 특정 구성요소를 갖는 특정 컴퓨터 시스템을 기술하고 도시하지만, 본 명세서는 임의의 적절한 배열로 임의의 적절한 수의 임의의 적절한 구성요소를 갖는 임의의 적절한 컴퓨터 시스템을 고려한다.

특정 실시예로, 프로세서(602)는 가령 컴퓨터 프로그램을 구성하는 명령어와 같은 명령어를 실행하기 위한 하드웨어를 포함한다. 예로서 제한 없이, 명령어를 실행하기 위해, 프로세서(602)는 내부 레지스터, 내부 캐시, 메모리(604) 또는 저장소(606)로부터 명령어를 검색(또는 페치(fetch))할 수 있고; 명령어를 디코딩하고 실행한 후; 하나 이상의 결과를 내부 레지스터, 내부 캐시, 메모리(604) 또는 저장소(606)에 기록할 수 있다. 특정 실시예로, 프로세서(602)는 데이터용, 명령어용 또는 주소용 하나 이상의 내부 캐시를 포함할 수 있다. 본 명세서는 적절한 경우 임의의 적절한 수의 임의의 적절한 내부 캐시들을 포함하는 프로세서(602)를 고려한다. 예로서 제한 없이, 프로세서(602)는 하나 이상의 명령어 캐시들, 하나 이상의 데이터 캐시들 및 하나 이상의 변환 색인 버퍼(translation lookaside buffers, TLBs)를 포함할 수 있다. 명령어 캐시에 저장된 명령어들은 메모리(604)나 저장소(606) 내 명령어들의 사본일 수 있고, 명령어 캐시는 프로세서(602)에 의한 이런 명령어들의 검색 속도를 높일 수 있다. 데이터 캐시 내의 데이터는 프로세서(602)에서 실행하는 다음 명령들에 의해 접근하거나 메모리(604)나 저장소(606)로 기록하기 위해 프로세서(602)에서 실행되는 이전 명령들의 결과; 또는 다른 적절한 데이터를 동작하는데 프로세서(602)에서 실행하는 명령어를 위한 메모리(604)나 저장소(606) 내의 데이터의 사본일 수 있다. 데이터 캐시는 프로세서(602)에 의한 판독 또는 기록 동작의 속도를 높일 수 있다. TLB들은 프로세서(602)에 의한 가상 주소 변환의 속도를 높일 수 있다. 특정 실시예로, 프로세서(602)는 데이터용, 명령어용 또는 주소용 하나 이상의 내부 레지스터를 포함할 수 있다. 본 명세서는 적절한 경우 임의의 적절한 수의 임의의 적절한 내부 레지스터들을 포함하는 프로세서(602)를 고려한다. 적절한 경우, 프로세서(602)는 하나 이상의 산술 논리 유닛(ALUs)을 포함할 수 있거나; 멀티-코어 프로세서일 수 있거나; 하나 이상이 프로세서들(602)을 포함할 수 있다. 본 명세서가 특정 프로세서를 기술하고 도시하지만, 본 명세서는 임의의 적절한 프로세서를 고려한다.

특정 실시예로, 메모리(604)는 프로세서(602)가 실행하는 명령어 또는 프로세서(602)가 운영하는 데이터를 저장하기 위한 메인 메모리를 포함한다. 예로서 제한 없이, 컴퓨터 시스템(600)은 저장소(606)나 또 다른 소스(가령, 예컨대 또 다른 컴퓨터 시스템(600))에서 메모리(604)로 명령어를 로딩할 수 있다. 이후, 프로세서(602)는 메모리(604)에서 내부 레지스터나 내부 캐시로 명령어를 로딩할 수 있다. 명령어를 실행하기 위해, 프로세서(602)는 내부 레지스터나 내부 캐시로부터 명령어를 검색하고 이들을 디코딩할 수 있다. 명령어의 실행 중 또는 실행 후, 프로세서(602)는 (중간 결과 또는 최종 결과일 수 있는) 하나 이상의 결과를 내부 레지스터나 내부 캐시로 기록할 수 있다. 이후, 프로세서(602)는 하나 이상의 이런 결과를 메모리(604)에 기록할 수 있다. 특정 실시예로, 프로세서(602)는 (저장소(606) 또는 다른 곳과는 대조적으로) 하나 이상의 내부 레지스터나 내부 캐시에서 또는 메모리(604)에서 단지 명령어만을 실행하며, (저장소(606) 또는 다른 곳과는 대조적으로) 하나 이상의 내부 레지스터나 내부 캐시에서 또는 메모리(604)에서 단지 데이터만을 운영한다. (주소 버스 및 데이터 버스를 각각 포함할 수 있는) 하나 이상의 메모리 버스는 프로세서(602)를 메모리(604)로 연결할 수 있다. 하기에 기술되는 바와 같이, 버스(612)는 하나 이상의 메모리 버스를 포함할 수 있다. 특정 실시예로, 하나 이상의 메모리 관리 유닛(MMUs)은 프로세서(602)와 메모리(604) 사이에 상주하며, 프로세서(602)에 의해 요청되는 메모리(604)로의 접근을 용이하게 한다. 특정 실시예로, 메모리(604)는 랜덤 액세스 메모리(RAM)를 포함한다. 적절한 경우, 이런 RAM은 휘발성 메모리일 수 있다. 적절한 경우, 이런 RAM은 동적 RAM(DRAM) 또는 정적 RAM(SRAM)일 수 있다. 게다가, 적절한 경우, 이런 RAM은 단일 포트형 또는 다중-포트형 RAM일 수 있다. 본 명세서는 임의의 적절한 RAM을 고려한다. 적절한 경우, 메모리(604)는 하나 이상의 메모리(604)를 포함할 수 있다. 본 명세서가 특정 메모리를 기술하고 도시하지만, 본 명세서는 임의의 적절한 메모리를 고려한다.

특정 실시예로, 저장소(606)는 데이터용 또는 명령어용 대용량 저장소를 포함한다. 예로서 제한 없이, 저장소(606)는 하드 디스크 드라이브(HDD), 플로피 디스크 드라이브, 플래시 메모리, 광디스크, 자기-광학 디스크, 자기 테이프, 범용 직렬 버스(USB) 드라이브 또는 이들의 2 이상의 조합을 포함할 수 있다. 적절한 경우, 저장소(606)는 착탈식 또는 비-착탈식(또는 고정) 매체를 포함할 수 있다. 적절한 경우, 저장소(606)는 컴퓨터 시스템(600)의 내부 또는 외부에 있을 수 있다. 특정 실시예로, 저장소(606)는 비휘발성, 고체-상태(solid-state) 메모리이다. 특정 실시예로, 저장소(606)는 읽기 전용 메모리(ROM)를 포함한다. 적절한 경우, 이런 ROM은 마스크-프로그램화된 ROM, 프로그램가능 ROM(PROM), 소거가능 PROM(EPROM), 전기적 소거가능 PROM(EEPROM), 전기적 변경가능 ROM(EAROM), 플래시 메모리 또는 이들의 2 이상의 조합일 수 있다. 본 명세서는 임의의 적절한 물리적 형태를 취하는 대용량 저장소(606)를 고려한다. 적절한 경우, 저장소(606)는 프로세서(602)와 저장소(606) 사이의 통신을 용이하게 하는 하나 이상의 저장소 제어 유닛을 포함할 수 있다. 적절한 경우, 저장소(606)는 하나 이상의 저장소(606)를 포함할 수 있다. 본 명세서가 특정 저장소를 기술하고 도시하지만, 본 명세서는 임의의 적절한 저장소를 고려한다.

특정 실시예로, I/O 인터페이스(608)는 컴퓨터 시스템(600)과 하나 이상의 I/O 장치 사이의 통신을 위한 하나 이상의 인터페이스를 제공하는 하드웨어, 소프트웨어 또는 이들 모두를 포함한다. 적절한 경우, 컴퓨터 시스템(600)은 하나 이상의 이들 I/O 장치를 포함할 수 있다. 하나 이상의 이들 I/O 장치는 사람과 컴퓨터 시스템(600) 사이의 통신을 가능하게 할 수 있다. 예로서 제한 없이, I/O 장치는 키보드, 키패드, 마이크로폰, 모니터, 마우스, 프린터, 스캐너, 스피커, 스틸 카메라(still camera), 스타일러스(stylus), 태블릿, 터치 스크린, 트랙볼(trackball), 비디오 카메라, 다른 적절한 I/O 장치 또는 이들의 2 이상의 조합을 포함할 수 있다. I/O 장치는 하나 이상의 센서를 포함할 수 있다. 본 명세서는 임의의 적절한 I/O 장치 및 이에 대한 적절한 I/O 인터페이스(608)를 고려한다. 적절한 경우, I/O 인터페이스(608)는 프로세서(602)가 하나 이상의 이들 I/O 장치를 구동할 수 있도록 하는 하나 이상의 장치 또는 소프트웨어 드라이버를 포함할 수 있다. 적절한 경우, I/O 인터페이스(608)는 하나 이상의 I/O 인터페이스(608)를 포함할 수 있다. 본 명세서가 특정 I/O 인터페이스를 기술하고 도시하지만, 본 명세서는 임의의 적절한 I/O 인터페이스를 고려한다.

특정 실시예로, 통신 인터페이스(610)는 컴퓨터 시스템(600)과 하나 이상의 다른 컴퓨터 시스템(600)이나 하나 이상의 네트워크 사이의 통신(가령, 예컨대 패킷-기반 통신)을 위한 하나 이상의 인터페이스를 제공하는 하드웨어, 소프트웨어 또는 이들 모두를 포함한다. 예로서 제한 없이, 통신 인터페이스(610)는 이더넷이나 다른 유선-기반 네트워크로 통신하기 위한 네트워크 인터페이스 제어장치(NIC)나 네트워크 어댑터 또는 가령 WI-FI 네트워크와 같이 무선 네트워크로 통신하기 위한 무선 NIC(WNIC)나 무선 어댑터를 포함할 수 있다. 본 명세서는 임의의 적절한 네트워크 및 이에 대한 임의의 적절한 통신 인터페이스(610)를 고려한다. 예로서 제한 없이, 컴퓨터 시스템(600)은 애드 혹 네트워크(ad hoc network), 개인 영역 네트워크(PAN), 근거리 네트워크(LAN), 광역 네트워크(WAN), 대도시 네트워크(MAN), 인터넷의 하나 이상의 부분 또는 2 이상의 이런 네트워크들의 조합으로 통신할 수 있다. 하나 이상의 이런 네트워크의 하나 이상의 부분은 유선 또는 무선일 수 있다. 예로서, 컴퓨터 시스템(600)은 무선 PAN(WPAN)(가령, 예컨대 BLUETOOTH WPAN), WI-FI 네트워크, WI-MAX 네트워크, 셀룰러 전화 네트워크(가령, 예컨대 GSM(Global System for Mobile Communication) 네트워크), 다른 적절한 무선 네트워크 또는 2 이상의 이런 네트워크들의 조합으로 통신할 수 있다. 적절한 경우, 컴퓨터 시스템(600)은 임의의 이들 네트워크에 대한 임의의 적절한 통신 인터페이스(610)를 포함할 수 있다. 적절한 경우, 통신 인터페이스(610)는 하나 이상의 통신 인터페이스(610)를 포함할 수 있다. 본 명세서가 특정 통신 인터페이스를 기술하고 도시하지만, 본 명세서는 임의의 적절한 통신 인터페이스를 고려한다.

특정 실시예로, 버스(612)는 컴퓨터 시스템(600)의 구성요소를 서로 연결하는 하드웨어, 소프트웨어 또는 이들 모두를 포함한다. 예로서 제한 없이, 버스(612)는 AGP(Accelerated Graphics Port)이나 다른 그래픽 버스, EISA(Enhanced Industry Standard Architecture) 버스, FSB(front-side bus), HT(HYPERTRANSPORT) 인터커넥트, ISA(Industry Standard Architecture) 버스, INFINIBAND 인터커넥트, LPC(low-pin-count) 버스, 메모리 버스, MCA(Micro Channel Architecture) 버스, PCI(Peripheral Component Interconnect) 버스, PCIe(PCI-Express) 버스, SATA(serial advanced technology attachment) 버스, VLB(Video Electronics Standard Association local) 버스, 다른 적절한 버스 또는 2 이상의 이런 버스의 조합을 포함할 수 있다. 적절한 경우, 버스(612)는 하나 이상의 버스(612)를 포함할 수 있다. 본 명세서가 특정 버스를 기술하고 도시하지만, 본 명세서는 임의의 적절한 버스나 인터커넥트를 고려한다.

본 명세서에서, 컴퓨터-판독가능한 비-일시적 저장매체 또는 저장매체들은 하나 이상의 반도체 기반 또는 다른 집적회로(ICs)(가령, 예컨대 FPGAs(field-programmable gate arrays) 또는 ASICs(application-specific ICs)), 하드 디스크 드라이브(HDDs), 하이브리드 하드 디스크(HHDs), 광학 디스크, 광학 디스크 드라이브(ODDs), 자기-광학 디스크, 자기-광학 드라이브, 플로피 디스크, 플로피 디스크 드라이브(FDDs), 자기 테이프, 고체-상태 드라이브(SSDs), RAM-드라이브, SECURE DIGITAL 카드나 드라이브, 임의의 다른 적절한 컴퓨터-판독가능한 비-일시적 저장매체 또는, 적절한 경우, 2 이상의 이들의 임의의 적절한 조합을 포함할 수 있다. 적절한 경우, 컴퓨터-판독가능한 비-일시적 저장매체는 휘발성, 비휘발성 또는 휘발성과 비휘발성의 조합일 수 있다.

기타

본 명세서에서, "또는"은 명시적으로 다르게 지시하거나 문맥상 달리 지시되지 않는 한, 포괄적인 것이며 배타적인 것이 아니다. 따라서, 본 명세서에서 "A 또는 B"는 명시적으로 다르게 지시하거나 문맥상 달리 지시되지 않는 한, "A, B 또는 둘 모두"를 의미한다. 게다가, "및"은 명시적으로 다르게 지시하거나 문맥상 달리 지시되지 않는 한, 공동 및 별개 모두이다. 따라서, 본 명세서에서 "A 및 B"는 명시적으로 다르게 지시하거나 문맥상 달리 지시되지 않는 한, "A 및 B가 공동이든 별개이든 상관없이 모두"를 의미한다.

본 명세서의 범위는 당업자가 이해할 수 있는 본 명세서에 기술되거나 도시된 예시적인 실시예들에 대한 모든 변화, 치환, 변형, 대체 및 변경을 포함한다. 본 명세서의 범위는 본 명세서에 기술되거나 도시된 예시적인 실시예들로 국한되지 않는다. 게다가, 본 명세서는 특정 컴포넌트, 구성요소, 기능, 동작 또는 단계를 포함하는 것으로 본 명세서의 각각의 실시예들을 기술하고 도시하지만, 임의의 이런 실시예들은 당업자가 이해할 수 있는 본 명세서에 어디든 기술되거나 도시되는 임의의 컴포넌트, 구성요소, 기능, 동작 또는 단계의 임의의 조합이나 치환을 포함할 수 있다. 게다가, 첨부된 청구범위에서 특정 기능을 수행하도록 설계되거나, 배치되거나, 할 수 있거나, 구성되거나, 할 수 있게 하거나, 동작할 수 있거나, 동작하는 장치나 시스템 또는 장치나 시스템의 구성요소에 대한 언급은 장치, 시스템 또는 구성요소가 그렇게 설계되거나, 배치되거나, 할 수 있거나, 구성되거나, 가능하거나, 동작할 수 있거나 동작하는 한, 장치, 시스템, 구성요소, 그 또는 그러한 특정 기능이 활성화되었는지, 턴온 되었는지, 잠금 해제되었는지 여부를 포함한다.

Claims

컴퓨팅 장치에 의하여:
복수의 노드 및 노드를 연결하는 복수의 에지를 포함하는 소셜 그래프에 접근하는 단계;
제1 사용자의 클라이언트 장치로부터 제1 사용자에 의해 입력된 비구조화된 텍스트 질의를 수신하는 단계;
텍스트 질의에 기반하여 구조화된 질의의 제1 세트를 생성하는 단계;
제1 세트의 각 구조화된 질의에 대하여, 텍스트 질의와 구조화된 질의에 기반하여 품질 점수를 계산하는 단계;
제1 세트를 필터링하여 제1 세트로부터 임계 품질 점수보다 낮은 품질 점수를 가지는 각 구조화된 질의를 제거하는 단계; 및
제1 사용자의 클라이언트 장치로 필터링된 제1 세트로부터의 하나 이상의 구조화된 질의를 전송하는 단계를 포함하고,
두 노드 사이의 각 에지는 그들 사이의 1의 이격도를 나타내고,
노드는:
온라인 소셜 네트워크와 연관된 제1 사용자에 대응하는 제1 노드; 및
온라인 소셜 네트워크와 연관된 컨셉 또는 제2 사용자와 각각 대응하는 복수의 제2 노드를 포함하고,
제1 세트의 각 구조화된 질의는 컨텍스트-무관 문법 모델의 문법에 대응하고, 제1 세트의 각 구조화된 질의는 컨텍스트-무관 문법 모델의 문법에 의해 생성된 자연 언어 문자열에 기반하고 하나 이상의 문법 토큰 및 하나 이상의 소셜-그래프 토큰을 포함하고, 각 소셜-그래프 토큰은 복수의 노드 중 한 노드 또는 복수의 에지 중 한 에지에 대응하고,
제1 사용자에게 전송되는 각 구조화된 질의는 임계 품질 점수보다 크거나 같은 품질 점수를 가지는 방법.
삭제
청구항 1에 있어서,
품질 점수를 계산하는 단계는, 각 구조화된 질의에 대하여:
텍스트 질의 내의 제1 수의 n-그램을 결정하는 단계;
구조화된 질의 내의 제2 수의 질의 토큰을 결정하는 단계; 및
제1 수의 제2 수에 대한 비율에 기반하여 정규화된 비용을 계산하는 단계를 포함하고,
품질 점수는 정규화된 비용에 기반하는 방법.
청구항 1에 있어서,
품질 점수를 계산하는 단계는, 각 구조화된 질의에 대하여:
텍스트 질의 내의 제1 수의 n-그램을 결정하는 단계;
구조화된 질의 내의 제2 수의 문법 토큰을 결정하는 단계;
구조화된 질의 내의 제3 수의 소셜-그래프 토큰을 결정하는 단계; 및
제1 수에 의해 정규화된 제2 수의 제3 수의 비율에 기반하여 문법-삽입 비용을 계산하는 단계를 포함하고,
품질 점수는 문법-삽입 비용에 기반하는 방법.
청구항 1에 있어서,
품질 점수를 계산하는 단계는, 각 구조화된 질의에 대하여:
구조화된 질의 내의 노드에 대응하는 제1 수의 소셜-그래프 토큰을 결정하는 단계; 및
제1 수에 기반하여 엔티티-수량 비용을 계산하는 단계를 포함하고,
품질 점수는 엔티티-수량 비용에 기반하는 방법.
청구항 1에 있어서,
품질 점수를 계산하는 단계는, 각 구조화된 질의에 대하여:
구조화된 질의의 각 질의 토큰에 대하여, 질의 토큰이 텍스트 질의의 하나 이상의 제2 용어에 대응하는 구조화된 질의의 하나 이상의 다른 질의 토큰과 쌍을 이루는 확률을 결정하는 단계; 및
각 질의 토큰에 대하여 확률에 기반하여 언어-모델 점수를 계산하는 단계를 포함하고,
질의 토큰은 텍스트 질의의 제1 용어에 대응하고,
하나 이상의 제2 용어는 텍스트 질의에서 제1 용어와 인접하고,
품질 점수는 언어-모델 점수에 기반하는 방법.
청구항 1에 있어서,
텍스트 질의는 하나 이상의 n-그램을 포함하고, 각 소셜-그래프 토큰은 n-그램 중 적어도 하나에 대응하고;
각 소셜-그래프 토큰에 대하여 소셜-그래프 토큰을 대응하는 n-그램과 매치시키기 위하여 문법에 의하여 삽입된 제1 수의 용어에 기반하여 엔티티-삽입 비용을 계산하고, 품질 점수는 엔티티-삽입 비용에 기반하는 방법.
청구항 1에 있어서,
제1 세트를 필터링한 후 임계 개수보다 적은 구조화된 질의가 남는다면, 텍스트 질의에 기반하여 웹 검색 질의를 생성하는 방법.
청구항 1에 있어서,
하나 이상의 에지 또는 하나 이상의 제2 노드를 식별하는 단계;
복수의 문법을 포함하는 컨텍스트-무관 문법 모델에 접근하는 단계; 및
하나 이상의 문법을 식별하는 단계를 더 포함하고,
각 식별된 에지 또는 식별된 노드는 비구조화된 텍스트 질의의 적어도 일부에 대응하고,
각 문법은 하나 이상의 질의 토큰을 포함하고, 각 질의 토큰은 문법 또는 소셜-그래프 토큰이고,
각 식별된 문법은 식별된 제2 노드 또는 식별된 에지 중 적어도 하나에 대응하는 하나 이상의 질의 토큰을 가지는 방법.
청구항 9에 있어서,
각 식별된 문법에 대하여 제1 점수를 결정하는 단계를 더 포함하고;
제1 세트의 각 구조화된 질의는 문법-임계 점수보다 큰 제1 점수를 가지는 식별된 문법에 대응하고, 구조화된 질의는 식별된 문법에 의해 생성된 문자열에 기반하고, 각 구조화된 질의는 대응하는 식별된 문법의 질의 토큰을 포함하고, 구조화된 질의의 하나 이상의 질의 토큰은 식별된 노드 또는 식별된 에지 중 적어도 하나에 대응하는 방법.
청구항 9에 있어서,
텍스트 질의는 하나 이상의 n-그램을 포함하고, 식별된 에지 또는 식별된 노드 각각은 n-그램 중 적어도 하나에 대응하는 방법.
청구항 11에 있어서,
각 n-그램은 제1 사용자에 의해 입력된 텍스트의 하나 이상의 문자를 포함하는 방법.
청구항 11에 있어서,
각 n-그램은 텍스트 질의에서의 연속적인 순서의 n개의 아이템을 포함하는 방법.
청구항 11에 있어서,
하나 이상의 에지 또는 제2 노드를 식별하는 단계는:
각 n-그램에 대하여 n-그램이 에지 또는 제2 노드에 대응하는 제2 점수를 결정하는 단계;
에지-임계 점수보다 큰 제2 점수를 가지는 하나 이상의 에지를 선택하는 단계; 및
노드-임계 점수보다 큰 제2 점수를 가지는 하나 이상의 제2 노드를 선택하는 단계를 포함하고,
각 식별된 에지는 n-그램 중 적어도 하나에 대응하고,
각 식별된 제2 노드는 식별된 에지 중 적어도 하나에 연결되고, 각 식별된 제2 노드는 n-그램 중 적어도 하나에 대응하는 방법.
청구항 14에 있어서,
각 n-그램에 대한 제2 점수는 n-그램이 에지 또는 제2 노드에 대응할 확률인 방법.
하나 이상의 컴퓨터 판독가능한 비-일시적 저장매체로서, 컴퓨팅 장치로 하여금:
복수의 노드 및 노드를 연결하는 복수의 에지를 포함하는 소셜 그래프에 접근하고;
제1 사용자의 클라이언트 장치로부터 제1 사용자에 의해 입력된 비구조화된 텍스트 질의를 수신하고;
텍스트 질의에 기반하여 구조화된 질의의 제1 세트를 생성하고;
제1 세트의 각 구조화된 질의에 대하여, 텍스트 질의와 구조화된 질의에 기반하여 품질 점수를 계산하고;
제1 세트를 필터링하여 제1 세트로부터 임계 품질 점수보다 낮은 품질 점수를 가지는 각 구조화된 질의를 제거하고; 및
제1 사용자의 클라이언트 장치로 필터링된 제1 세트로부터의 하나 이상의 구조화된 질의를 전송하도록 하는 프로그램을 포함하고,
두 노드 사이의 각 에지는 그들 사이의 1의 이격도를 나타내고,
노드는:
온라인 소셜 네트워크와 연관된 제1 사용자에 대응하는 제1 노드; 및
온라인 소셜 네트워크와 연관된 컨셉 또는 제2 사용자와 각각 대응하는 복수의 제2 노드를 포함하고,
제1 세트의 각 구조화된 질의는 컨텍스트-무관 문법 모델의 문법에 대응하고, 제1 세트의 각 구조화된 질의는 컨텍스트-무관 문법 모델의 문법에 의해 생성된 자연 언어 문자열에 기반하고 하나 이상의 문법 토큰 및 하나 이상의 소셜-그래프 토큰을 포함하고, 각 소셜-그래프 토큰은 복수의 노드 중 한 노드 또는 복수의 에지 중 한 에지에 대응하고,
제1 사용자에게 전송되는 각 구조화된 질의는 임계 품질 점수보다 크거나 같은 품질 점수를 가지는 컴퓨터 판독가능한 비-일시적 저장매체.
하나 이상의 프로세서; 및
프로세서와 연결되고 프로세서에 의해 실행가능한 명령어를 포함하는 메모리를 포함하고,
프로세서는:
복수의 노드 및 노드를 연결하는 복수의 에지를 포함하는 소셜 그래프에 접근하고;
제1 사용자의 클라이언트 장치로부터 제1 사용자에 의해 입력된 비구조화된 텍스트 질의를 수신하고;
텍스트 질의에 기반하여 구조화된 질의의 제1 세트를 생성하고;
제1 세트의 각 구조화된 질의에 대하여, 텍스트 질의와 구조화된 질의에 기반하여 품질 점수를 계산하고;
제1 세트를 필터링하여 제1 세트로부터 임계 품질 점수보다 낮은 품질 점수를 가지는 각 구조화된 질의를 제거하고; 및
제1 사용자의 클라이언트 장치로 필터링된 제1 세트로부터의 하나 이상의 구조화된 질의를 전송하도록 하는 명령어를 실행시 작동가능하고,
두 노드 사이의 각 에지는 그들 사이의 1의 이격도를 나타내고,
노드는:
온라인 소셜 네트워크와 연관된 제1 사용자에 대응하는 제1 노드; 및
온라인 소셜 네트워크와 연관된 컨셉 또는 제2 사용자와 각각 대응하는 복수의 제2 노드를 포함하고,
제1 세트의 각 구조화된 질의는 컨텍스트-무관 문법 모델의 문법에 대응하고, 제1 세트의 각 구조화된 질의는 컨텍스트-무관 문법 모델의 문법에 의해 생성된 자연 언어 문자열에 기반하고 하나 이상의 문법 토큰 또는 하나 이상의 소셜-그래프 토큰을 포함하고, 각 소셜-그래프 토큰은 복수의 노드 중 한 노드 또는 복수의 에지 중 한 에지에 대응하고,
제1 사용자에게 전송되는 각 구조화된 질의는 임계 품질 점수보다 크거나 같은 품질 점수를 가지는 시스템.
청구항 1에 있어서,
구조화된 질의는 제1 사용자에게 디스플레이하기 위하여 질의 필드와 연관된 인터페이스에 전송되는 방법.
청구항 1에 있어서,
텍스트 질의는 제1 사용자에 의하여 온라인 소셜 네트워크와 연관된 웹페이지 또는 네이티브 애플리케이션의 질의 필드에서 입력되는 방법.
청구항 1에 있어서,
제1 사용자의 클라이언트 장치로부터 구조화된 질의 중 하나의 선택을 수신하는 단계; 및
선택된 구조화된 질의와 매칭되는 하나 이상의 검색 결과를 생성하는 단계를 더 포함하고,
하나 이상의 검색 결과는 각각 하나 이상의 제2 노드에 대응하고, 각 제2 노드는 선택된 구조화된 질의의 소셜-그래프 토큰 중 하나에 대응하는 에지에 의하여 선택된 구조화된 질의의 소셜-그래프 토큰 중 하나에 대응하는 노드 중 하나에 연결되는 방법.
청구항 1에 있어서,
제1 사용자에게 전송되는 각 구조화된 질의에 대하여, 구조화된 질의를 생성하는데 사용된 문법은 하나 이상의 식별된 노드 또는 식별된 에지에 대응하는 하나 이상의 질의 토큰을 포함하고, 각 식별된 노드 또는 식별된 에지는 텍스트 질의의 적어도 일부에 대응하는 방법.