KR20130099240A - 컴퓨팅 어드바이스 수단에서의 흥미도 추천 - Google Patents
컴퓨팅 어드바이스 수단에서의 흥미도 추천 Download PDFInfo
- Publication number
- KR20130099240A KR20130099240A KR1020137020657A KR20137020657A KR20130099240A KR 20130099240 A KR20130099240 A KR 20130099240A KR 1020137020657 A KR1020137020657 A KR 1020137020657A KR 20137020657 A KR20137020657 A KR 20137020657A KR 20130099240 A KR20130099240 A KR 20130099240A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- users
- referrals
- give
- preferences
- Prior art date
Links
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 141
- 238000010801 machine learning Methods 0.000 claims description 123
- 238000012552 review Methods 0.000 claims description 44
- 230000000694 effects Effects 0.000 claims description 38
- 230000003993 interaction Effects 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 30
- 230000006399 behavior Effects 0.000 claims description 16
- 238000010295 mobile communication Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 6
- 238000010079 rubber tapping Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 86
- 238000010586 diagram Methods 0.000 description 56
- 230000008569 process Effects 0.000 description 50
- 230000004044 response Effects 0.000 description 23
- 239000008186 active pharmaceutical agent Substances 0.000 description 18
- 238000003745 diagnosis Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 14
- 238000003058 natural language processing Methods 0.000 description 14
- 230000001413 cellular effect Effects 0.000 description 13
- 230000006855 networking Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 11
- 230000003997 social interaction Effects 0.000 description 10
- 235000013351 cheese Nutrition 0.000 description 9
- 241000282472 Canis lupus familiaris Species 0.000 description 8
- 230000003796 beauty Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 239000003814 drug Substances 0.000 description 7
- 235000013305 food Nutrition 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000011435 rock Substances 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 235000021116 parmesan Nutrition 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 241001503987 Clematis vitalba Species 0.000 description 5
- 235000016213 coffee Nutrition 0.000 description 5
- 235000013353 coffee beverage Nutrition 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 230000002441 reversible effect Effects 0.000 description 5
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000036651 mood Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 235000015114 espresso Nutrition 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000029305 taxis Effects 0.000 description 3
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 2
- 241000538568 Brachydeuterus auritus Species 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 235000021450 burrito Nutrition 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009149 molecular binding Effects 0.000 description 2
- 239000002547 new drug Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 208000002874 Acne Vulgaris Diseases 0.000 description 1
- 206010001497 Agitation Diseases 0.000 description 1
- 201000004384 Alopecia Diseases 0.000 description 1
- 208000030814 Eating disease Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 208000010201 Exanthema Diseases 0.000 description 1
- 208000019454 Feeding and Eating disease Diseases 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- XQFRJNBWHJMXHO-RRKCRQDMSA-N IDUR Chemical compound C1[C@H](O)[C@@H](CO)O[C@H]1N1C(=O)NC(=O)C(I)=C1 XQFRJNBWHJMXHO-RRKCRQDMSA-N 0.000 description 1
- 241001313288 Labia Species 0.000 description 1
- 240000002129 Malva sylvestris Species 0.000 description 1
- 235000006770 Malva sylvestris Nutrition 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 208000000453 Skin Neoplasms Diseases 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 244000299461 Theobroma cacao Species 0.000 description 1
- 108010057266 Type A Botulinum Toxins Proteins 0.000 description 1
- 206010000496 acne Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 239000002386 air freshener Substances 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 235000008452 baby food Nutrition 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 229940089093 botox Drugs 0.000 description 1
- 235000021162 brunch Nutrition 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 229940112822 chewing gum Drugs 0.000 description 1
- 235000015218 chewing gum Nutrition 0.000 description 1
- 235000019219 chocolate Nutrition 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 235000020057 cognac Nutrition 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000002316 cosmetic surgery Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000014632 disordered eating Nutrition 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 235000015897 energy drink Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 201000005884 exanthem Diseases 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000012396 frozen pizza Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000024963 hair loss Diseases 0.000 description 1
- 230000003676 hair loss Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 230000000147 hypnotic effect Effects 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 239000000077 insect repellent Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000007443 liposuction Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009245 menopause Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 235000015927 pasta Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002062 proliferating effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 235000020254 sheep milk Nutrition 0.000 description 1
- 201000000849 skin cancer Diseases 0.000 description 1
- 235000020016 small beer Nutrition 0.000 description 1
- 230000005586 smoking cessation Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000475 sunscreen effect Effects 0.000 description 1
- 239000000516 sunscreening agent Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 235000013529 tequila Nutrition 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 235000013522 vodka Nutrition 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 235000015041 whisky Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
Abstract
본 발명은 컴퓨터-기반 어드바이스 수단을 통해 사용자에게 추천을 제공하고, 토픽 정보를 수집하는 단계로서, 수집된 토픽 정보는 흥미도 양태를 포함하는, 수집하는 단계와, 흥미도 양태에 기초하여 수집된 토픽 정보를 필터링하는 단계와, 컴퓨터-기반 어드바이스 수단을 통해 수집된 토픽 정보로부터 흥미도 등급을 결정하는 단계와, 흥미도 등급에 기초하여 토픽 정보와 관련되는 추천을 사용자에게 제공하는 단계를 포함한다.
Description
관련 출원과의 상호 참조
본 출원은 2011년 4월 20일에 출원된 미국 가출원 번호 61/477,276, 2011년 2월 2일에 출원된 미국 가출원 번호 61/438,684 및 2011년 1월 6일에 출원된 미국 가출원 번호 61/430,318의 우선권을 주장하는 2011년 6월 8일에 출원된 미국 출원 번호 13/155,917에 대한 우선권을 주장하고, 상기 출원들 모두는 본원에 자체의 전부가 참조로서 통합되어 있다.
본 발명은 집단 지식(collective knowledge) 시스템들에 관한 것으로, 특히 사용자 상호 작용을 통한 기계 학습(machine learning)에 기초하여 자연 언어 컴퓨터-기반 토픽 어드바이스(topical advice)를 제공하는 것에 관한 것이다.
토픽 어드바이스에 대한 온라인 탐색은 예를 들어 인터넷을 통해 제공되는 바와 같이 컴퓨터 자원들이 중요하게 이용되는 것을 나타낸다. 컴퓨터 사용자들은 특정 토픽들에 대한 어드바이스를 탐색하기 위해 현재 다양한 탐색 도구들을 이용할 수 있으나 그렇게 하는 것은 탐색 엔진들을 이용하는 데 지식이 필요하며 상당한 검색 결과들을 발생시켜 조사하고 해석하고 비교하는 데 시간이 걸릴 수 있다. 사람들은 말로 하는 자연 언어로 다른 사람에게 어드바이스를 요청하는 데 익숙해져 있을 수 있고, 따라서 사람들이 서로 상호 작용하는 방식을 더 근접하게 모사하는 컴퓨터-기반 어드바이스 툴을 가지는 것이 유용할 수 있고, 게다가 토픽들에 대한 어드바이스는 시간에 따라 변할 수 있고, 어드바이스에 대한 임의의 통계 데이터베이스는 빠르게 쓸모없게 되어 버릴 수 있다. 그러므로, 자연 언어로 이용되는 데 적합하고 연속 콘텐츠 세밀화(content refinement)를 제공하는 개선된 화제 어드바이스 탐색 능력(capabilities)들에 대한 필요성이 존재한다.
본 발명의 목적은 상술한 문제를 해결하는 것이다.
본 발명은 사용자에게 컴퓨터-기반 어드바이스 수단(advice facility)를 통해 추천을 제공하고, 토픽 정보를 수집하는 단계로서, 수집된 토픽 정보는 토픽이 흥미로운 정도와 관련되는 양태, 즉 흥미도 양태를 포함하는, 수집하는 단계와, 흥미도 양태에 기초하여 수집된 토픽 정보를 필터링하는 단계와, 컴퓨터-기반 어드바이스 수단을 통해 수집된 토픽 정보로부터 흥미도 등급을 결정하는 단계와, 흥미도 등급에 기초하여 토픽 정보와 관련되는 추천을 사용자에게 제공하는 단계를 포함한다.
본 발명의 상기 및 다른 시스템들, 방법들, 목적들, 특징들 및 장점들은 바람직한 실시예 및 도면들의 다음의 상세한 설명으로부터 당업자에게 명백할 것이다. 본원에서 언급되는 모든 문서들은 이에 그 전체가 참조로서 본원에 통합되어 있다.
본 발명 및 본 발명의 특정한 실시예들의 다음의 상세한 설명은 다음의 도면들을 참조하여 이해될 수 있다.
도 1은 사용자가 결정들을 얻을 수 있는 토픽들의 목록을 도시하는 도면이다.
도 2는 시스템이 사용자에게 질의할 수 있는 예시 질문을 도시하는 도면이다.
도 3은 시스템이 사용자에게 질의할 수 있는 예시 그림 질문을 도시하는 도면이다.
도 4는 특정한 결정을 행할 때 시스템이 사용자에게 보여줄 수 있는 정보의 유형의 예를 도시하는 도면이다.
도 5는 카메라들에 대한 상위 목록들의 예를 도시하는 도면이다.
도 6은 카메라들에 대한 상위 목록의 제 2 예를 도시하는 도면이다.
도 7은 사용자 홈페이지의 하나의 실시예를 도시하는 도면이다.
도 8 및 도 8a는 사용자의 기억된 답들의 하나의 실시예를 도시하는 도면이다. 도 9는 사용자가 전문지식에 기고할 수 있는 선택들을 도시하는 도면이다.
도 10은 사용자 질문의 하나의 예를 도시하는 도면이다.
도 11 및 도 11a는 답 포맷의 하나의 실시예를 도시하는 도면이다.
도 12는 토픽 내의 모든 결정들의 예시 목록을 도시하는 도면이다.
도 13은 본 발명에 대한 하나의 실시예의 프로세스 플로우를 도시하는 도면이다.
도 14는 본 발명에 대한 하나의 실시예 프로세스 플로우를 도시하는 도면이다.
도 15는 본 발명에 대한 블록도의 하나의 실시예를 도시하는 도면이다.
도 16은 하나의 실시예 기여자/전문가 인터페이스 홈페이지를 도시하는 도면이다.
도 17은 결정에 도움을 찾고 있는 사용자에 대한 하나의 실시예 객관식 질문을 도시하는 도면이다.
도 18은 특정한 추천 결정을 나타내는 결정 결과의 하나의 실시예를 도시하는 도면이다.
도 19는 사용자들이 속성들 및 결정 결과들 사이의 연관성들을 세팅하는 실시예 인터페이스를 도시하는 도면이다.
도 20은 사용자가 결정 결과를 편집할 수 있는 방법을 도시하는 실시예를 도시하는 도면이다.
도 21은 콘텐츠에 대한 이전의 개정들 및 2개의 이전 개정들 사이의 변경들을 나타내는 하나의 실시예를 도시하는 도면이다.
도 22는 사용자에 의해 편집되고 있는 질문을 나타내는 하나의 실시예를 도시하는 도면이다.
도 23은 속성들에 대한 개정 이력을 나타내는 하나의 실시예를 도시하는 도면이다.
도 24는 새로 추가되는 어드바이스의 영역들이 디스플레이될 수 있는 워크샵 인터페이스의 하나의 실시예를 도시하는 도면이다.
도 25는 사용자의 선호도들을 습득하기 위해 시스템이 사용자에게 주관식 질문을 질의하고 있는 하나의 실시예를 도시하는 도면이다.
도 26은 기고자들에 의한 최근 활동의 액티비티 피드(activity feed)를 나타내는 하나의 실시예를 도시하는 도면이다.
도 27은 다중 차원들에 기초하여 결과들을 나타내는 하나의 실시예를 도시하는 도면이다.
도 28은 사용자의 비구조화된 입력에 응답하여 다중 질문 및 답 결과들을 나타내는 하나의 실시예를 도시하는 도면이다.
도 29는 자신들의 선호도를 요청하는 사용자에 대한 예시 질문을 나타내는 하나의 실시예를 도시하는 도면이다.
도 30은 본 발명의 실시예들에서 결정된 바와 같이 뉴스 인물 Gleen Beck의 유사 프로파일을 도시하는 도면이다.
도 31은 본 발명의 실시예들에서 결정된 바와 같이 인물 Martha Steward의 유사 프로파일을 도시하는 도면이다.
도 32는 사용자를 아는 데 도움을 주기 위해 제 3 자 API를 이용하는 하나의 실시예를 도시하는 도면이다.
도 33은 사용자를 아는 데 도움을 주기 위해 그리고 사용자 질의로부터 사용자로 리턴되는 응답들을 타깃팅(targeting)하기 위해 제 3 자 API를 이용하는 하나의 실시예를 도시하는 도면이다.
도 34는 인터넷 소셜 인터랙티브 그래픽 표현들의 이용을 통해 미지의 사용자의 선호도들을 결정하는 하나의 실시예를 도시하는 도면이다.
도 35는 사용자 기호 및 선호도 프로파일링의 개선에 대한 하나의 실시예를 도시하는 도면이다.
도 36은 그래프 구조와 인터페이싱하는 웹-기반 어드바이스 수단의 하나의 실시예를 도시하는 도면이다.
도 37은 흥미도 추천 프로세스 블록도에 대한 하나의 실시예를 도시하는 도면이다.
도 38은 사용자에 대한 추천들의 국지적 탐색 애플리케이션 시각 표현의 하나의 실시예를 도시하는 도면이다.
도 39는 사용자에 대한 추천들에 대해 링크된 상세 기술의 국지적 탐색 애플리케이션 시각 표현의 하나의 실시예를 도시하는 도면이다.
도 40은 사용자에 대한 추천들의 국지적 탐색 애플리케이션 시각 표현의 하나의 실시예를 도시하는 도면이다.
도 41은 식당에 대한 리뷰의 하나의 실시예를 도시하는 도면이다.
도 42는 흥미 추천 프로세스 흐름도에 대한 하나의 실시예를 도시하는 도면이다.
도 43은 지리적으로 국지화된 추천 프로세스 흐름도에 대한 하나의 실시예를 도시하는 도면이다.
본 발명이 특정한 바람직한 실시예들과 함께 기술되었을지라도, 다른 실시예들이 당업자에 의해 이해될 수 있고 본원에 포함될 수 있을 것이다.
본원에서 언급되는 모든 문서들은 이에 참조로서 통합될 수 있다.
도 1은 사용자가 결정들을 얻을 수 있는 토픽들의 목록을 도시하는 도면이다.
도 2는 시스템이 사용자에게 질의할 수 있는 예시 질문을 도시하는 도면이다.
도 3은 시스템이 사용자에게 질의할 수 있는 예시 그림 질문을 도시하는 도면이다.
도 4는 특정한 결정을 행할 때 시스템이 사용자에게 보여줄 수 있는 정보의 유형의 예를 도시하는 도면이다.
도 5는 카메라들에 대한 상위 목록들의 예를 도시하는 도면이다.
도 6은 카메라들에 대한 상위 목록의 제 2 예를 도시하는 도면이다.
도 7은 사용자 홈페이지의 하나의 실시예를 도시하는 도면이다.
도 8 및 도 8a는 사용자의 기억된 답들의 하나의 실시예를 도시하는 도면이다. 도 9는 사용자가 전문지식에 기고할 수 있는 선택들을 도시하는 도면이다.
도 10은 사용자 질문의 하나의 예를 도시하는 도면이다.
도 11 및 도 11a는 답 포맷의 하나의 실시예를 도시하는 도면이다.
도 12는 토픽 내의 모든 결정들의 예시 목록을 도시하는 도면이다.
도 13은 본 발명에 대한 하나의 실시예의 프로세스 플로우를 도시하는 도면이다.
도 14는 본 발명에 대한 하나의 실시예 프로세스 플로우를 도시하는 도면이다.
도 15는 본 발명에 대한 블록도의 하나의 실시예를 도시하는 도면이다.
도 16은 하나의 실시예 기여자/전문가 인터페이스 홈페이지를 도시하는 도면이다.
도 17은 결정에 도움을 찾고 있는 사용자에 대한 하나의 실시예 객관식 질문을 도시하는 도면이다.
도 18은 특정한 추천 결정을 나타내는 결정 결과의 하나의 실시예를 도시하는 도면이다.
도 19는 사용자들이 속성들 및 결정 결과들 사이의 연관성들을 세팅하는 실시예 인터페이스를 도시하는 도면이다.
도 20은 사용자가 결정 결과를 편집할 수 있는 방법을 도시하는 실시예를 도시하는 도면이다.
도 21은 콘텐츠에 대한 이전의 개정들 및 2개의 이전 개정들 사이의 변경들을 나타내는 하나의 실시예를 도시하는 도면이다.
도 22는 사용자에 의해 편집되고 있는 질문을 나타내는 하나의 실시예를 도시하는 도면이다.
도 23은 속성들에 대한 개정 이력을 나타내는 하나의 실시예를 도시하는 도면이다.
도 24는 새로 추가되는 어드바이스의 영역들이 디스플레이될 수 있는 워크샵 인터페이스의 하나의 실시예를 도시하는 도면이다.
도 25는 사용자의 선호도들을 습득하기 위해 시스템이 사용자에게 주관식 질문을 질의하고 있는 하나의 실시예를 도시하는 도면이다.
도 26은 기고자들에 의한 최근 활동의 액티비티 피드(activity feed)를 나타내는 하나의 실시예를 도시하는 도면이다.
도 27은 다중 차원들에 기초하여 결과들을 나타내는 하나의 실시예를 도시하는 도면이다.
도 28은 사용자의 비구조화된 입력에 응답하여 다중 질문 및 답 결과들을 나타내는 하나의 실시예를 도시하는 도면이다.
도 29는 자신들의 선호도를 요청하는 사용자에 대한 예시 질문을 나타내는 하나의 실시예를 도시하는 도면이다.
도 30은 본 발명의 실시예들에서 결정된 바와 같이 뉴스 인물 Gleen Beck의 유사 프로파일을 도시하는 도면이다.
도 31은 본 발명의 실시예들에서 결정된 바와 같이 인물 Martha Steward의 유사 프로파일을 도시하는 도면이다.
도 32는 사용자를 아는 데 도움을 주기 위해 제 3 자 API를 이용하는 하나의 실시예를 도시하는 도면이다.
도 33은 사용자를 아는 데 도움을 주기 위해 그리고 사용자 질의로부터 사용자로 리턴되는 응답들을 타깃팅(targeting)하기 위해 제 3 자 API를 이용하는 하나의 실시예를 도시하는 도면이다.
도 34는 인터넷 소셜 인터랙티브 그래픽 표현들의 이용을 통해 미지의 사용자의 선호도들을 결정하는 하나의 실시예를 도시하는 도면이다.
도 35는 사용자 기호 및 선호도 프로파일링의 개선에 대한 하나의 실시예를 도시하는 도면이다.
도 36은 그래프 구조와 인터페이싱하는 웹-기반 어드바이스 수단의 하나의 실시예를 도시하는 도면이다.
도 37은 흥미도 추천 프로세스 블록도에 대한 하나의 실시예를 도시하는 도면이다.
도 38은 사용자에 대한 추천들의 국지적 탐색 애플리케이션 시각 표현의 하나의 실시예를 도시하는 도면이다.
도 39는 사용자에 대한 추천들에 대해 링크된 상세 기술의 국지적 탐색 애플리케이션 시각 표현의 하나의 실시예를 도시하는 도면이다.
도 40은 사용자에 대한 추천들의 국지적 탐색 애플리케이션 시각 표현의 하나의 실시예를 도시하는 도면이다.
도 41은 식당에 대한 리뷰의 하나의 실시예를 도시하는 도면이다.
도 42는 흥미 추천 프로세스 흐름도에 대한 하나의 실시예를 도시하는 도면이다.
도 43은 지리적으로 국지화된 추천 프로세스 흐름도에 대한 하나의 실시예를 도시하는 도면이다.
본 발명이 특정한 바람직한 실시예들과 함께 기술되었을지라도, 다른 실시예들이 당업자에 의해 이해될 수 있고 본원에 포함될 수 있을 것이다.
본원에서 언급되는 모든 문서들은 이에 참조로서 통합될 수 있다.
본 발명은 사용자(1314)에게 질문들(1320)을 행할 수 있고 사용자의 답들에 기초하여 시스템이 추천, 진단, 결론, 충고 등과 같은 결정을 제공할 수 있다. 내부적으로, 상기 시스템은 어떤 질문들(1320)을 질의하는지 그리고 프로세스의 종료 시에 무슨 결정(1310)을 행해야 하는지를 최적화하기 위해 기계 학습(machine learning)을 이용할 수 있다. 시스템은 결정(1310)이 도움이 되었든 아니든, 사용자들이 최종 결정에 대한 피드백을 제공하는 것을 통해 학습할 수 있다. 유용한 솔루션들은 도중에 질문되었던 질문들(1320) 및 답들(1322)에 의해 보강되고 연관될 수 있다. 사용자(1314)가 결정(1310)이 도움이 되었다고 말하면, 상기 시스템은 그것이 어떤 질문들(1320)을 물었는지, 각각의 질문(1320)에 대한 답(1322)이 무엇이었는지를 기억할 수 있고 이 질문들(1320) 및 답들(1322)을 최종 결정과 연관시킬 수 있다. 이 연관들은 사용자(1314)가 다음에 시스템에 방문할 때 시간에 따라 어떤 질문(1320)을 질문할지를 학습하는 기계 학습의 기본일 수 있다.
예를 들어, 사용자(1314)는 방문할 바(bar)를 고르는 어드바이스를 얻고자 할 수 있다. 시스템은 질문 "몇 살이세요?"를 묻고 답 "30대예요."를 얻을 수 있다. 궁극적으로, 시스템은 사용자(1314)에게 결정 "케일리의 아이리쉬 바"를 보여줄 수 있다. 사용자(1314)가 이 결정이 도움이 되었다고 말한다고 가정하자. 시스템은 질문 "몇 살이세요?" 및 답 "30대예요." 및 결정 "케일리의 아이리쉬 바" 사이의 연관성을 증가시킬 것이다. 사용자(1314)가 바에 대한 어드바이스를 찾고자 사이트에 다음에 방문하면, 과거에 "몇 살이세요?" 질문(1320)이 사용자에게 도움을 주는 데 유용했으므로 시스템은 사용자(1314)에게 상기 질문(1320)을 물어볼 가능성이 더 클 것이다. 사용자(1314)가 이전의 사용자(1314)("30대예요."라고 말한)와 동일한 방식으로 질문(1320)에 답하면, 시스템은 최종 결정은 "케일리의 아이리쉬 바"라는 자체의 믿음을 증가시킬 것이다.
시스템은 각각의 사용자의 기호들, 미적 선호도들 등의 프로파일을 구축하고 피드백을 통해 어떤 결정들(1310)이 어떤 유형들의 사람들에 의해 링크되는지를 학습할 수 있다. 대안으로, 전문 사용자는 어떤 종류들의 결정들(1310)이 어떤 종류들의 사람들에 의해 링크되는지를 명시할 수 있다. 사용자의 기호 프로파일들을 학습하는 것은 특정한 토픽에서 시스템에 의해 문의되는 질문들(1320) 및 답들(1322)의 대화로부터의 개별 프로세스를 통해 발생할 수 있다. 예를 들어, 사용자(1314)는 사용자의 미적 선호도들을 이해하도록 명확하게 설계된 상이한 질문 및 답 대화를 통해 자신의 기호 선택들에 대해 개별적으로 시스템에게 말할 수 있다.
사용자(1314)는 자신의 기호 선호도들 모두에 대해 시스템에게 알려 주는 데 시간을 소비하기를 원하지 않을 수 있으므로 대신 시스템 또는 전문가는 사용자(1314)가 하나의 특정한 결정(1310)을 행하는 상황에서 모든 기호 질문들(1320) 중 어느 것이 가장 중요한 기호 질문들인지를 학습할 수 있거나 명시할 수 있다. 모든 질문들의 영역 중에서 시스템은 기호 프로파일들에 대한 검색에 대해 인지할 수 있는, 예를 들어 시스템은 사용자(1314)가 25,000달러 이하의 세단을 찾고자 하고 있을 때에 대해 가장 양호한 3개의 특정 질문들(1310)이 있음을 학습했었을 수 있다. 대안으로, 45,000달러 이상의 SUV에 관심이 있는 사용자(1314)에게 물어볼 완전히 상이한 세트의 3개의 기호 질문들이 있을 수 있다.
사용자(1314)는 또한 단지 사용자의 기호 선호도들에 대해서 말하고 어떠한 객관식 질문들에 대해서도 말하지 않을 수 있다. 이 경우에 시스템은 순전히 기호에 기초하여 어드바이스의 영역 내의 모든 결정들(1310)의 순위를 제공할 수 있다. 그러므로 사용자(1314)가 200달러의 포인트-앤-슛(point-and-shoot) 카메라를 원한다고 말하는 대신, 효율적으로 사용자(1314)가 하려고 하는 것이 컴퓨터와 스포츠를 좋아하는 도시의 35세의 다른 남자들이 원하는 카메라를 사용자가 원하고 있음을 표명한다. 사용자들(1314)은 탐색 인터페이스를 이용하고 "내가 어떤 카메라를 사야 하지"에 대한 어드바이스 대신 "30대 도시 남자들을 위한 카메라들"로 명시적으로 라벨링된 어드바이스의 영역를 선택함으로써 이 선호도를 표시할 수 있다. 대안으로, 사용자들(1314)은 카메라들에 대한 결정(1310)을 행하는 데 자신의 관심을 나타내고 그 후에 시스템으로부터 Q&A 대화 내의 질문들 중 어느 것에도 답하지 않는 것을 선택할 수 있으므로 시스템은 사용자(1314)에게 카메라들을 추천하는 데 이용되는 사용자(1314)에 대한 주관적 정보만을 가질 것이다. 대안으로, 사용자들(1314)은 객관식 또는 주관식의 대화에서 질문들(1320)에 답할 수 있고 그러면 시스템은 결합된 카메라에 대한 객관 데이터 및 카메라에 대한 주관 데이터에 기초하여 카메라를 추천할 수 있다.
사용자들은 또한 새 질문들, 답들, 최종 결정들을 입력할 수 있다. 시스템은 그 후에 새 질문들(1320)이 미래의 사용자들에게 도움을 주는 데 유용하다고 판별되는지를 확인하기 위해 상기 사용자들로 상기 질문들(1320)을 시험할 수 있다. 예를 들어, 바 추천 서비스의 사용자(1314)는 질문 "당신은 시끄러운 장소를 원하나요, 아니면 조용한 친밀한 세팅을 원하나요?"를 기고할 수 있다. 시스템은 바 추천 서비스에 대해 미리 이용할 때 이 질문(1320)을 물어볼 것을 결정할 수 있고 상술한 프로세스를 통해 이 질문(1320)의 답들 및 사용자들이 유용한 것으로 알고 있는 추천들 사이의 상관성을 관찰할 수 있다. 한편, 사용자(1314)는 사용자들을 돕는 데 전혀 가치가 없는 질문(1320)을 기고할 수 있다. 예를 들어, 사용자(1314)는 질문 "당신은 캐논 카메라를 가지고 있나요?"를 기고할 수 있다. 시스템은 미래의 사용자들에 대해 이 질문(1320)을 시험하고 사용자들이 도움이 되는 것으로 알고 있는 바 추천들 및 이 질문(1320)에 대한 답들 사이에 어떠한 상관성도 인지하지 못할 수 있다. 이 경우에, 상기 질문(1320)은 하나의 추천 또는 다른 추천이 유용한지를 예측하지 못하므로 질문을 덜 받게 된다.
시스템은 서너 개의 가능한 결정들에서 신뢰도가 높다고 자각할 때까지 질문들(1320)을 물어보기를 계속할 수 있다. 시스템은 또한 이미 너무 많은 질문들(1320)을 물어보았고 사용자를 짜증 나게 할 위험성들이 있는 것처럼 자각을 하면 더 일찍 중단할 수 있다. 시스템은 또한 시스템이 어쩌면 지능적인 결정을 행하는 데 충분히 물어보지 않았었을 수 있다고 사용자(1314)가 느끼는 것을 방지하기 위해 적어도 최소 수의 질문들(1320)을 물어볼 수 있다.
시스템은 사용자로부터 부정확한 답들을 용인하는 메커니즘을 가질 수 있다. 부정확한 답들은 사용자(1314)가 질문을 이해하지 못하거나, 답(1322)을 이해하지 못하거나, 질문에 대한 답(1322)을 알지 못하므로 발생될 수 있다. 사용자(1314)에 의해 제공되는 답들의 대부분이 특정한 결정을 지원하는 경우, 상기 시스템은 모든 사용자의 답들이 상기 결정을 지원하지 않을지라도 상기 결정(1310)을 행할 수 있다.
실시예들에서, 본 발명은 시스템 및 사용자 사이의 질문들(1320) 및 답들(1322), 사용자들에 대한 결정들 및 결정들을 개선하는 데 이용되는 기계 학습 중 적어도 하나를 제공할 수 있다. 시스템은 질문들(1320) 및 답들(1322)를 생성하는 데 개선되는 방식, 사용자들에게 결정들을 제공하는 데 개선되는 방식, 시스템에 의해 제공되는 질문들(1320) 및 결정들을 개선하기 위해 기계 학습을 이용하는 개선되는 방식 등을 제공할 수 있고, 여기서 이들 능력들 중 임의의 능력는 단독 시스템으로서 또는 제 3 자 시스템에 통합됨으로써 개선되는 능력로서 별개로 또는 결합하여 이용될 수 있다. 실시예들에서, 이 개선된 능력들의 각각은 본원에서 기술된 바와 같이 임의의 형태의 기계 학습을 이용할 수 있다. 예를 들어, 시스템은 사용자(1314)가 어떤 환경들 하에서 특정한 정보를 찾고 있는지를 학습함으로써 사용자(1314)와 질문(1320) 및 답(1322) 세션을 실행하는 개선된 방식을 제공할 수 있다. 예를 들어, 날씨는 하나의 조건이고 이 조건 하에서 사용자들이 하루의 시간 및 날씨 상태들에 따라 분화된 선호도들을 가지는 것이 시스템에 의해 학습될 수 있다. 낮에 비가 오고 있고, 사용자(1314)가 영화들을 탐색하면, 사용자(1314)는 영화 티켓들 및 영화가 상영되고 있는 장소들을 찾을 가능성이 더 클 수 있다. 밤에 비가 오고 있고, 사용자(1314)가 영화들을 탐색하면, 사용자(1314)는 영화의 설명을 찾을 가능성이 더 클 수 있다. 다른 예에서, 시스템은 사용자가 낮 시간 대 저녁 동안의 특정한 포맷들을 선호하고, 연령에 기초하여 단일 결정(1310)에 대한 선택 어구들을 제공하고, 사용자의 지리적 위치에 기초하여 결정(1310)의 제출 전에 다수의 질문들(1320)을 선호하는 것을 학습하는 것 등과 같이, 사용자들에게 결정들을 제공하는 데 개선된 방식을 제공할 수 있다. 다른 예에서, 시스템은, 연령 및 교육에 기초하여 더 깊은 전문 정보를 이용하고, 토픽이 최신이며 사용자(1314)가 젊을 때 대중의 의견을 더 이용하고, 이와는 대조적으로 사용자(1314)의 나이가 더 많을 때 전통적인 관습을 더 이용하고, 토픽이 개인적일 때 친구들에서의 사용자의 선택들에 대해 더 많은 질문들(1320)을 물어보는 것 등과 같이, 사용자에 대해 어떤 결정(1310)을 선택할지에 대해 학습하는 개선된 방법을 제공할 수 있다.
실시예들에서, 본 발명은 결정들을 제공하고 어떤 결정들을 제공할지를 학습하는 질문(1320) 및 답의 결합들을 제공할 수 있고, 여기서 상기 요소들 중 하나는 상기 요소가 제 3 자 시스템에 의해 제공되는 때와 같이 시스템에 의해 제공되지 않을 수 있다. 예를 들어, 제 3 자 탐색 엔진 웹 애플리케이션은 사용자의 탐색 질의로부터 분류된 목록들을 제공하기 위해 자신의 능력를 개선하고자 할 수 있고 그러므로 자신의 키보드 탐색 및 분류 알고리즘들을 증강시키기 위해 질문들(1320) 및 답들(1322)을 생성하는 본 발명의 수단을 이용하고자 할 수 있다. 이 경우에, 제 3 자 탐색 엔진 공급자는 자신들의 서비스가 제한된 세트의 결정들이 아닌, 분류 목록들을 공급하는 사업에 속하기 때문에, 결정들을 생성하는 본 발명의 수단에 관심이 없을 수 있다. 그러나, 본 발명은 사용자들에게 질문들(1320) 및 답들(1322)을 일정하게 개선하는 본 발명의 능력으로 탐색 엔진 공급자가 본 발명의 능력들에 기초하여 사용자들에 대한 자신의 분류 결과를 개선할 수 있으므로 탐색 엔진 공급자에게 중요한 새 능력를 제공할 수 있다.
실시예들에서, 어드바이스의 초기 영역의 주제는 탐색 인터페이스를 통해 지정될 수 있다. 예를 들어, "이탈리아에서의 로맨틱 허니문들"을 탐색하는 사용자(1314)는 처음에 사용자가 자신이 어디서 휴가를 원하는지, 자신이 어떤 유형의 휴가를 찾고 있는지 등에 대해 질문들을 먼저 물어보는 대신 사용자(1314)가 이탈리아에서 어디서 허니문을 보낼지를 결정하는 데 도움을 주는 웹페이지로 인도될 수 있다. 또는 사용자(1314)는 이탈리아 내의 특정 장소를 탐색할 수 있고 1) 상기 특정 장소가 자신들의 요구들에 적합한 장소인지를 사용자(1314)가 결정하는 데 도움을 주고(예를 들어, "이 휴가는 허니문 여행자들 및 로맨틱 휴가들에 좋으나 가족 여행들에는 나쁩니다."와 같은 것들을 나타내는) 2) 사용자(1314)가 휴가를 위해 대안의 그리고 잠재적으로 더 좋은 장소들을 찾는 데 도움을 주는 대화를 시작하는 것을 제공하는 웹 페이지로 지향될 수 있다. 또는 사용자(1314)는 특정한 제품들을 탐색하고 나서 상기 제품들 중 어느 것이 자신에게 최상인지에 대한 범위를 줄이기 위해 대화에 들어갈 수 있다. 양 경우들 #1 및 #2에서, 보이는 정보는 다른 사용자들이 대화들을 행하는 결정 시에 질문들에 어떻게 답했는지 그 후에 이 결정에 대한 긍정 피드백을 제공했는지에 기초할 수 있다. 따라서 "어디로 휴가를 가야 할까요?" 토픽을 이용하는 많은 사람들이 질문 "로맨틱 휴가를 원하세요?"에 "예."로 답하고 "이탈리아"에 긍정 피드백을 제공한 경우, 시스템은 이탈리아가 탐색 엔진들을 통해 들어오는 사용자들에 대한 로맨틱 목적지임을 표시할 것이다. 대안으로, 결정 "이탈리아" 또는 질문 "당신은 로맨틱 휴가를 원하세요?"를 시스템에 추가했던 사용자들(1314)은 질문 "당신을 로맨틱 휴가를 원하세요?"에 대한 답 "예."가 이탈리아와 연관될 것임을 명시적으로 표시했을 수 있고 따라서 이탈리아가 탐색 엔진들을 통해 들어오는 사용자들(1314)에게 로맨틱 휴가임을 나타낼 수 있다.
실시예들에서, 본 발명은, 더 좋은 결정들을 행하기 위해 본 발명의 수단들을 이용하지만 단지 전문가들로부터의 입력만을 이용하고, 특정 사용자에게 질문(1320) 및 답(1322)을 제공하지 않고 오히려 시스템과 이전 사용자(1314)의 상호 작용들을 이용하여 결정을 제공하고; 시스템이 미래의 결정들과 연관되어 학습하는 것이 가능하도록 사용자(1314)에게 질문들(1320) 및 답들(1322)을 물어보지만, 사용자(1314)에게 결정들 대신 보상들을 제공하고; 질문들(1320) 및 답들을 물어보고 결과들을 단순히 필터링하는 것과 같이, 어떠한 학습 없이 결정(1310)을 행하고; 더 좋은 결정을 행하는 방법을 학습하는 본 발명의 능력을 이용하지만 질문(1320) 및 답(1322) 인터페이스를 통해 사용자들 대신 전문가 시스템에 상기 능력을 제공하는 것 등과 같이 질문들을 물어보고, 결정들을 행하고, 더 좋은 결정들을 행하는 것을 학습하는 일부 서브세트의 다른 결합들을 제공할 수 있다. 실시예들에서, 시스템은 질문(1320) 및 답(1322) 사용자(1314) 세션의 요소들 모두를 제공하여, 사용자에게 결정들을 제공하고, 결정들을 개선하는 방법을 학습할 수 있다.
실시예들에서, 질문(1320)에 들어가는 사용자(1314)는 질문에 대한 의존도들 및 중요도들을 선택적으로 명시할 수 있다. 의존도들은 질문이 될 수 있을 때를 제어할 수 있다. 중요도들은 사용자(1314)의 답들을 가중하기 위해 상이한 질문들(1320) 사이의 상대적인 중요도들을 지정할 수 있다. 하나의 결정(1310) 결과도 사용자(1314)에 의해 지정되는 답들(1322) 모두와 매칭(matching)하지 않으므로 시스템이 트레이드-오프(trade-off)들을 행해야만 하는 경우, 시스템은 하위 중요도 질문들에 비해 높은 중요도 질문들을 매칭하는 결정 결과들을 추천하려고 시도할 수 있다. 시스템은 또한 저중요도 질문들보다 고중요도 질문들을 물어보는 것을 우선순위화할 수 있다. 예를 들어, "당신은 미국 내 어디에서 휴가를 보내고 싶으세요?"와 같은 새 질문들을 입력하는 사용자(1314)는 새 질문 "당신은 미국 내 어디에서 휴가를 보내고 싶으세요?"가 질문되기 전에 "세계 어디로 가고 싶으세요?"와 같은 기존 질문이 "미국"으로 답변되었기를 요구하는 의존도를 세팅하였다.
실시예들에서, 본 발명은 사용자(1314)가 시스템의 수단들과 상호 작용할 수 있는 사용자(1314) 인터페이스를 구비하는 시스템을 제공할 수 있다. 시스템은 여러 파트들을 포함할 수 있고, 이들 파트들의 일부는 웹사이트, 감독자(supervisor) 및 위젯들의 모임일 수 있다. 위젯들은 웹사이트 상의 단일 피스의 콘텐츠를 수집하고, 프로세싱하고, 렌더링하는 코드들의 수집물들일 수 있다. 웹사이트는 결정들을 얻고, 결정들을 편집하고, 시스템 성능에 대한 리포트들을 뷰잉하기 위해 최종 사용자들, 스태프 구성원들 및 등록된 사용자들의 인터페이스들로 구성될 수 있다. 감독자는 위젯이 상기 콘텐츠를 렌더링하기 위해 사용자(1314) 요청들 전에 시간 소모적인 데이터 수집 및 프로세싱을 수행할 수 있도록 위젯들을 가동시키는 컨테이너일 수 있다.
예를 들어, 위젯은 인터넷으로부터 결정들에 관한 비디오를 수집할 수 있다. 감독자 내의 위젯은 각각의 결정(1310)을 위해 비디오들을 찾는 웹을 크롤링(crawl)하고 웹이 데이터베이스 내에서 작은 비디오들을 저장할 수 있다. 사용자(1314)가 웹사이트에 와서 특정한 결정을 얻는다면, 웹사이트는 비디오 위젯에 자신을 렌더링할 것을 요청하고 자신이 이전에 찾았던 임의의 비디오들을 디스플레이할 수 있다.
감독자의 복수의 인스턴스(instance)들은 위젯의 프로세싱을 확대하기 위해 다수의 컴퓨터들 상에서 작동되고 있을 수 있다. 각각의 위젯은 자기 자신의 컴퓨터 상에서 작동되고 있을 수 있다. 유사하게, 많은 컴퓨터들은 제 3 자 웹사이트들 등에 임베딩되는 것을 통해서 웹-서버들, 인스턴트 메시징, 보이스 게이트웨이들, 이메일, 프로그매틱 API들을 통하는 시스템에 인터페이스를 제공하고 있을 수 있다.
실시예들에서, 속성들은 질문(1320) 및 상기 질문에 대한 하나의 특정한 답(1322)의 결합들일 수 있다. 예를 들어, 질문(1320)이 "몇 살이세요?"였고 이 질문(1320)에 대한 답들이 "18세 미만", "20 내지 30", "30 이상"이었다면, 속성은 "몇 살이세요? 18 미만"일 것이다. 시스템은 속성들 및 결정들 사이의 관계를 학습함으로써 작업할 수 있다. 시스템이 질문(1320)을 물어보고 사용자(1314)가 답(1322)을 주면, 시스템은 상기 속성을 취하고 어떤 결정들이 이와 관련되어 있는지를 확인할 수 있다.
실시예들에서, 시스템은 일부 속성들이 연속 값들을 표현하고 반면에 다른 속성들이 이산 값들을 표현하는 것을 이해할 수 있다. 연속 속성들을 이용할 때, 시스템은 사용자(1314)가 요청했던 것보다 더 적은 비용의 제품을 추천하는 것이 흔히 용인 가능하지만 사용자(1314)가 요청했던 것보다 더 많은 비용이 들어가는 제품을 제공하는 것이 거의 용인 불가능함을 이해하는 것과 같이, 더 지능적인 트레이드오프들을 행할 수 있을 수 있다.
실시예들에서, 속성들 및 결정들 사이의 관계들은 사용자들로부터 학습될 수 있고, 시스템 또는 이 둘의 어떤 결합에 명시적으로 제공될 수 있고, 기타 등등일 수 있다. 예를 들어, "당신은 얼마의 가격을 소비하고자 합니까? 200달러 미만"의 가격 속성은 전문가들, 이커머스(ecommerce) 사이트들/API들 등으로부터의 데이터에 기초하여 상기 가격 범위에 해당하는 카메라들에 명시적으로 링크될 수 있다. 속성 "당신은 카메라를 어떻게 이용하려고 합니까? 휴가 중에" 및 가능한 휴가 목적지들 사이의 관계는 그러나 완전하게 학습될 수 있다.
새 질문들(1320), 답들(1322) 및 결과들을 입력하면, 사용자(1314)는 속성들 및 결정 결과들 사이의 관계들을 선택적으로 명시할 수 있다. 예를 들어, 사용자(1314)가 "내가 어떤 카메라를 사야 하나요?" 토픽에 질문 "당신은 얼마를 소비하고자 합니까?"를 입력해야 한다면, 사용자(1314)는 또한 시스템에 답 "200달러 미만"이 카메라들 X 및 Y에 연관되어야만 하고 카메라 Z에는 연관되지 않아야 한다고 명시할 수 있다. 그 후에, 미래의 사용자가 "내가 어떤 카메라를 사야 하나요" 토픽을 이용해야 하고 "당신은 얼마를 소비하고자 합니까?" 질문에 "200달러 미만"으로 답해야 한다면, 상기 사용자(1314)에게는 카메라 Z보다 카메라 X 및 Y가 추천될 가능성이 더 클 수 있다.
시스템으로부터 어드바이스를 구하고 결정 결과를 수신한 후에, 사용자(1314)는 또한 시스템으로부터 왜 상기 특정 결정 결과가 추천되었는지에 대한 이유들을 제공받을 수 있다. 이 설명은 또한 상기 결정 결과가 시스템에 의해 잘못 추천되었다고 사용자(1314)가 생각하는 경우 사용자(1314)가 결정 결과에 대한 속성들을 변경하는 것을 가능하게 할 수 있다.
일반적으로, 학습된 관계들은 사용자들, 전문가들, 피고용인들, 제 3 자들로부터의 자동화된 데이터 피드들 또는 어떤 결합으로부터의 트레이닝을 포함할 수 있다.
일부 실시예들에서, 시스템이 솔루션을 추천하고 사용자에게 물어볼 다음 질문(1320)을 선택할 수 있는 방식들이 다양하게 있을 수 있다. 가능한 기계 학습 시스템들은 가장 가까운 이웃들 및 서포트 벡터 머신(support vector machine)들과 같은 기하학적 시스템들, 확률적 시스템, 유전 알고리즘들, 결정 트리(tree)들, 결정 트리들과 연관되는 신경망들, Bayesian 인터페이스, 랜덤 포레스트들, 부스팅, 로지스틱 회귀 분석(logistic regression), 패시티드 내비게이션(faceted navigation), 질의 세밀화(query refinement), 질의 확장, 특이값 분해(singular value decomposition) 등과 같은 진화 시스템들일 수 있다. 이 시스템들은 완전한 게임 플레이들(예를 들어, 결정을 얻기 전에 사용자(1314)에 의해 제공되는 모든 속성들)로부터의 학습, 게임 플레이들의 개별 질문들/서브세트들에 대한 답들, 단지 긍정의 피드백들, 단지 부정의 피드백들 또는 이 둘의 결합에 두루 기초할 수 있다. 추가로, 시스템은 이전에 답이 된 질문들, 사용자(1314)가 좋아했거나 좋아하지 않았던 결정들, 사용자(1314)가 이전에 어떤 어드바이스의 영역들에서 어드바이스를 구했는지 등을 기억하는 것과 같이 사용자(1314)가 행했던 이전의 상호 작용들을 고려할 수 있다. 추가로, 시스템은 사용자(1314)가 시스템을 이용했던 날의 시간 및 날짜, 사용자의 IP 주소, 클라이언트 유형(예를 들어, 파이어폭스, IE, 셀룰러폰, SMS 등)과 같이 사용자(1314)에 의해 암시적으로 제공되는 요인들을 고려할 수 있다.
실시예들에서, 본 발명은 사용자의 행동에 기초하여 암시적으로 학습하는 대신 질문들(1320)을 명시적으로 물어보는 것을 통하는 것과 같이 협업 필터링(collaborative filtering)의 능력들을 넘어서 양호하게 진행되는 기계 학습 시스템을 제공할 수 있고, 이는 시스템을 사용자의 의도, 기분 등을 추론하게끔 내버려 두지 않으므로 훨씬 더 강력할 수 있다. 또한, 사용자가 이미 답한 것에 기초하여 사용자(1314)에게 물어볼 질문들(1320)을 선택함으로써 본 발명은 다른 방법이라면 분실될 수 있을 뉘앙스들에 집중하는 것이 가능할 수 있다. 본 발명은 "X, Y 및 Z를 구매했던 다른 사람들은 또한 제품 A를 좋아했다."에서와 같은 그러한 단순한 지난 행동 추정 형을 넘어서 결정을 제공하는 것과 같은 그러한 결정들을 설명하는 능력을 가질 수 있고, 대신, 본 발명은 '사용자(1314) 자신이 X를 원했고 Y를 좋아했으며 Z를 생각했다고 말했기 때문에 사용자(1314)가 A를 해야' 한다고 말할 수 있다. 게다가, 본 발명은 사용자들이 유용할 수 있는 새 질문들(1320)을 기고하는 것을 가능하게 할 수 있고, 그 후에 컨텍스트가 있다면 어떤 컨텍스트들 하에서 상기 질문(1320)이 도움을 주는지를 자동으로 학습할 수 있다. 차이가 있는 다른 영역에서, 본 발명의 기계 학습 기술은 상당히 다양한 사용자(1314) 관심 영역들에서 결정들을 제공할 수 있을 수 있고, 여기서 협업 필터링은 비-제품/매체 애플리케이션들에 적용되는 데 어려움이 있다. 예를 들어, 협업 필터링은 사용자(1314)가 문신을 해야 하는지와 같은 고도로 개인적인 토픽, 또는 사용자의 소득 신고서 상에서 특정 비용이 공제될 수 있는지와 같은 드문 질문(1320)에 대해 결정(1310)을 행하는 것에 도움을 주는 데 용이하게 적용되지 않을 것이다. 본 발명은 그와 같은 애플리케이션들이 가능할 수 있다. 실시예들에서, 본 발명은 사용자들에 대한 결정들을 행하기 위해 사용자들의 그룹으로부터 학습되는 어드바이스와 상호 혼합된 프로그램된 전문가 어드바이스를 이용할 수 있다.
실시예들에서, 시스템은 시스템 상의 데이터 모두를 편집하기 위해 wiki 웹 인터페이스를 가질 수 있다. 웹 인터페이스는 질문들, 답들, 속성들 및 솔루션들을 편집/생성/삭제하는 데 이용될 수 있다. 각각의 솔루션은 또한 이와 연관되는 다양한 정보를 가질 수 있고, 이 정보는 상기 솔루션이 추천될 때 결정 페이지에 나타날 수 있다. 예를 들어, 칸쿤에서의 휴가를 추천할 때, 추천 페이지는 칸쿤에 대한 비디오들을 보여줄 수 있다. 솔루션에 대한 이 보조 데이터 모두는 또한 wiki를 통해 편집 가능할 수 있다.
실시예들에서, wiki는 감독자들에서 작동하는 위젯들에 의해 수집되는 데이터를 편집하는 데 이용될 수 있다. 이는 위젯들이 미리 데이터를 수집하는 것을 가능하게 하고 수집된 데이터를 리뷰하고 변경하기 위해 사람의 품질 보증 프로세스를 가질 수 있다.
실시예들에서, 시스템은 위젯들 아니면 사람에 의해 행해진 모든 변화들의 이력을 유지할 수 있다. 예를 들어, 이 이력 중 하나의 이용예는 콘텐츠 품질 보증을 행하는 고용된 계약자들에 의해 행해지는 작업을 리뷰하는 것일 수 있다. 이 이력의 다른 이용예는 위젯들이 인간에 의해 행해진 작업을 원래대로 돌리지 않는 것을 보장하는 것일 수 있다. 예를 들어, 위젯들이 특정한 비디오를 수집하고 사람이 상기 비디오가 적절하지 않기 때문에 이를 삭제하면, 위젯은 미래의 어느 시점에 상기 비디오를 다시 재추가하지 않도록 상기 이력을 이용할 수 있다. 최종적으로, 데이터가 훼손되거나 부적절하게 삭제되면 상기 이력은 복구의 수단을 허용할 수 있다.
실시예들에서, 위젯들이 새 콘텐츠를 발견하면 위젯들은 상기 콘텐츠를 유효화하고 편집하기 위해 인간의 워크플로우(workflow)에 태스크들을 큐잉(queuing)할 수 있다.
실시예들에서, 학습하기 위해 시스템은 시스템이 이용할 것이라 기대하지 않았으나 유용한 것으로 판명날 수 있는 어떤 것을 추천할 것을 희망하여 때때로 무작위 또는 준무작위 결정들을 행할 수 있다. 시스템이 이미 학습한 것을 이용하고자 하면, 상기 시스템은 자신이 어떤 질문들(1320)을 물어볼지 그리고 자신이 어떤 결정(1310)을 행할지에 대해 무작위 선택을 행할 수 없다. 또한 활용(exploitation)으로 칭해지는 이미 공지된 것을 이용하는 것과 또한 탐색(exploration)으로 칭해지는 새로운 어떤 것을 잠재적으로 학습하는 것 사이에는 트레이드오프가 있을 수 있다. 활용은 더 만족된 사용자로 이어질 수 있는 데 반해 탐색은 시스템을 더 스마트하게 만들 수 있다.
실시예들에서, 사용자(1314)에게 물어보기 위해 질문들(1320)을 선택할 때 이 트레이드-오프를 행하는 하나의 방법은 시스템이 결정(1310)을 행하고 나서 물어볼 서너 개의 무작위 질문들(1320)을 고르는 데 유용하다고 확신하는 질문들(1320)을 물어보는 것일 수 있다. 트레이드-오프를 행하는 다른 방법은 모든 사용자(1314) 상호 작용에서 고정 버짓(budget)을 가지는 것일 수 있고, 여기서 질문들(1320)의 고정 세트는 활용에 기초하고 다음 세트는 탐색에 기초한다.
실시예들에서, 결정들이 또한 탐색되고 활용될 수 있다. 시스템이 학습하고자 하면, 시스템은 무작위 결정을 보여줄 수 있다. 전적으로 무작위인 결정을 보이기 전에, 시스템은 또한 사용자(1314)에 의해 명시된 어떤 요건들을 만족시키는 결정(1310)을 나타낼 수 있고 나머지 요건들 내에서는 전적으로 탐색한다. 예를 들어, 사용자(1314)에게 보여 주기 위하여 무작위 카메라를 고르는 대신, 시스템은 사용자의 가격 요건들을 만족시키는 무작위 카메라를 고를 수 있다. 시스템은 사용자의 요구들을 만족시킬 가능성이 전혀 없는 결정(1310)을 보여줄 가능성이 더 적을 수 있으므로 이는 결과적으로 더 효율적인 트레이닝일 수 있다. 탐색할 때 무작위 결정(1310)을 보여 주는 대신, 시스템은 또한 활용되는 결정(1310) 및 탐색되는 솔루션 모두를 보여 주고 사용자로부터 개별적으로 각각에 대한 피드백을 획득할 수 있다. 대안으로, 시스템은 제한된 양의 무작위성을 삽입하고 시스템의 가장 좋은 추측이 무엇인지와 같은 결정을 선택할 수 있다. 예를 들어, 시스템은 사용자(1314)가 하나의 특정한 카메라를 좋아할 것이지만 합리적인 결정(1310)을 행하는 것과 사용자로부터 새 정보를 계속 학습하는 것의 밸런스를 위해 다른 유사하지만 동일하지 않은 카메라를 대신 추천할 수 있음을 예측할 수 있다. 실시예들에서, 시스템은 자신이 언제 질문들(1320)을 물어볼지 또는 탐색 대 활용을 통해 언제 결정들을 행할지를 사용자(1314)에게 확인할 수 있다.
실시예들에서, 시스템은 자신이 추천하고 있는 다양한 것들에 대하여 사용자들을 조사하는 것으로 간주될 수 있다. 예를 들어, 시스템은 사용자(10)에게 Canon SD 1000 카메라에 대한 질문들(1320)을 물어볼 수 있다. 이는 각각의 카메라에 대한 풍부한 데이터의 세트를 제공하여, 시스템이 어떤 종류의 사용자(1314)가 이 카메라를 좋아할 가능성이 있는지에 대한 목록들을 구축하기 시작하는 것을 가능하게 할 수 있다. 시스템은 각각의 속성별로 상기 속성이 주어지면 환영받을 가능성이 가장 큰 것부터 환영받을 가능성이 가장 작은 것까지와 같은 그러한 순위화된 결정들의 목록을 구축할 수 있다. 예를 들어, 시스템은 "몇 살이세요? 50 이상"을 말하는 사람들에 의해 환영받을 가능성의 순서로 카메라들의 목록을 구축할 수 있다. 이는 시스템에 의해 50 이상의 사용자들에 대한 상위 10개의 카메라들로서 보일 수 있다. 이 상위 10개의 목록들 중 다수는 시스템의 데이터에 기초하여 구성될 수 있다. 이 목록들은 또한 새 목록들을 형성하기 위해 결합될 수 있다. 예를 들어, 속성 "몇 살이세요? 50 이상"에 대한 카메라들의 순위화 목록들 및 속성 "당신은 왜 카메라를 사려고 합니까? 여행"에 대한 다른 목록이 주어지면, 시스템은 여행용 카메라를 원하는 50살 이상"에 대한 카메라들의 새 순위화된 목록을 구성할 수 있다. 상위 목록들의 이 결합들은 새 상위 목록들을 선택하기 위해 미리 생성되고, 사용자(1314)에게 점진적으로 물어봄으로써 요구 시에 생성될 수 있고, 기타 등등이다.
실시예들에서, 이 "상위 목록들"은 다양한 목적들에 이용될 수 있다. 일부 사용자들은 결정을 수신하기 전에 일련의 질문들(1320)에 답하고자 하지 않을 수 있다. 대신, 사용자들은 이 목록들 여기저기를 둘러보고 관련 결정을 찾을 가능성이 있다. 시스템은 수천 또는 수만과 같은 다량의 상위 목록들을 가질 수 있고, 목록들 각각은 자기 자신의 웹 페이지를 가질 수 있다. 게다가, 이 페이지들은 탐색 엔진들에 의해 인덱싱될 수 있는 다량의 콘텐츠를 포함하고 사용자가 시스템의 웹사이트로 들어가게 할 수 있다. 대안으로, 사용자들(1314)은 자신들이 결정하고 싶어 하는 어드바이스의 영역을 찾기 위해 시스템 자체 내의 탐색 인터페이스를 이용할 수 있다. 다양한 상위 목록들이 이용되어 상위 목록에 기초하여 대화 중에 질문들(1320)의 일부에 암시적으로 답함으로써 대화를 줄일 수 있다. 예를 들어, "휴가들"로 칭해지는 어드바이스의 영역가 있을 수 있고, "휴가들"로부터 이미 답이 된 여러 질문들(1320): "당신은 어디 가고 싶습니까? 유럽", "당신은 유럽 어디로 가고 싶습니까? 이탈리아", "당신은 특별 행사로 여행하려고 합니까? 네", "특별 행사는 무엇입니까? 허니문"이 있는 "휴가" 토픽으로의 첩경 또는 관문 역할을 하는 "이탈리아에서의 로맨틱 허니문 휴가들"로 칭해지는 상위 목록이 있을 수 있다. 이것은 질문 및 답 대화에 참여하지 않고 종래의 탐색 인터페이스를 통해 어드바이스를 구하는 사용자(1314)에 대한 대안의 인터페이스 역할을 할 수 있다.
실시예들에서, 사이트 상의 다양한 페이지들은 위젯들로 칭해지는 정보의 자급식 디스플레이들을 가질 수 있다. 예를 들어, 결정 페이지들에는 이 질문(1320)을 좋아했던 다른 사람들이 다양한 질문들에 어떻게 답했는지를 보여 주는 위젯, 결정에 대한 비디오들/영상들, 결정에 대한 정보를 가지는 다른 웹사이트들로의 링크들, 사용자(1314)가 질문들에 어떻게 답했는지에 기초한 이 결정(1310)의 개인적인 장단점들, 행해졌을 다른 결정들의 목록들과 유사한 목록들이 상이하게 답이 된 다른 결정들의 목록들, 이 결정(추천된 소비 리포트들과 같은)에 대한 상품들/명예들의 목록들 등이 있을 수 있다.
실시예들에서, 시스템은 사용자들이 공통적으로 이용 가능할 수 없는 차원들을 따라 결정들의 영역들(예를 들어, 카메라들, 휴가 목적지들 등)에 걸쳐 내비게이팅하는 것이 가능하게 할 수 있다. 예를 들어, 카메라를 보여 주고 사용자(1314)가 단지 사용자(1314)가 "비싼/저렴한 카메라들을 보여 주세요."라고 말하게 하는 대신 시스템은 사용자(1314)가 "젊은 사람들이 더 좋아하는 카메라를 보여 주세요.", " 스타일이 덜하지만 여행에 더 맞는 카메라를 보여 주세요." 등을 말하도록 할 수 있다. "스타일", "여행에 좋은", "젊은 사람에게는 별로인" 등과 같은 차원들은 사용자들에게 질문들(1320)을 물어보고 나서 상기 답들을 고려하여 무엇이 양호한 결정(1310)인지를 학습하는 것에 의한 부작용으로서 생성될 수 있다.
실시예들에서, 대안의 차원들을 따라 내비게이팅하는 것은 사용자(1314)가 어드바이스를 구하는 영역를 선택하고 나서 대화에 참여하는 대신 사용자(1314)에 대한 시작점으로서 이용될 수 있다. 사용자(1314)는 제품 명칭 및 여행 목적지와 같은 특정한 결정 결과를 탐색하기 위해 탐색 인터페이스 또는 외부 탐색 엔진를 이용함으로써 시스템과의 상호 작용을 시작할 수 있다. 시스템은 그 후에 상기 특정 결정 결과에 대한 정보를 사용자에게 보여 주고 사용자(1314)가 다른 결정 결과들에 내비게이팅하도록 하거나, 사용자(1314)가 찾고 있는 것을 세밀화하기 위해 대화에 참여하거나, 사용자(1314)에게 시스템이 이 특정 결정 결과에 대해 학습했던 (기계 학습, 전문가 어드바이스 또는 어떤 결합) 정보를 보여줄 것이다. 예를 들어, 사용자(1314)는 Canon SD1100 카메라에 대한 정보를 나타내는 웹 페이지에 내비게이팅하기 위해 탐색 인터페이스를 이용할 수 있다. 시스템은 Canon SD1100을 찾고 있는 사람들이 또한 좋아하는 다른 카메라들을 보여 주어, 사용자가 스포츠 이벤트를 촬영하는 데 더 양호한 카메라와 같이 종래와는 다른 특징 차원들을 따라 유사한 카메라들을 찾는 것을 가능하게 할뿐만 아니라 "여행에 훌륭한", "사진을 배우는 사람들에게 좋지 않은", "200달러 이하로 구입 가능", "자신을 디자인에 관심이 있는 것으로 판단하는 사람들이 선호하는" 등과 같이 시스템이 Canon SD1100에 대해 알고 있는 것을 보여줄 수 있다.
실시예들에서, 다른 가능한 인터페이스는 사용자들에게 결정들의 목록을 보여 주고 왜 각각의 결정(1310)이 행해지고 있는지에 대한 간단한 설명을 디스플레이할 수 있다. 예를 들어, 카메라들을 추천할 때 시스템은 3개의 카메라들을 보여 주고 하나는 "더 싸고", 하나는 "더 긴 줌(zoom)"을 가지고, 다른 하나는 "여행에 더 좋다"는 것을 언급할 수 있다. 이것은 사용자(1314)가 자신이 결정(1310)까지 이어지는 질문들(1320)에 답하는 것에 기초하여 다른 방식으로 볼 수 없었던 대체물들을 보는 데 도움을 줄 수 있다.
실시예들에서, 사용자들은 추천되는 아이템에 대한 질문들(1320)(가격, 컬러 등), 자신들에 관한 질문들(1320) 등과 같이 상이한 유형들의 질문들을 받을 수 있다. 시스템은 사이코그래픽(psychographic) 차원들, 인구학적 차원들 등과 같은 차원들을 따라 사용자들을 구분할 수 있다. 예측될 수 있는 사용자들의 특성들은 사용자의 연령, 성, 결혼 상태, 이들이 도시/시골 직역들에서 사는지, 교회 참석 빈도들, 정당 가입, 미적 선호도들, 아이러니 감각/유머 감각, 사회 경제적 배경, 기호, 단정하거나 비체계적인 라이프스타일에 대한 선호도, 사용자가 미리 계획하는 정도 등을 포함할 수 있다.
실시예들에서, 직접적으로 질문들(1320)을 물어보는 것이 어려울 수 있으므로 대신 시스템은 대신 상관되는 사물들을 측정하려고 시도할 수 있다. 예를 들어, 수입에 대해 물어보는 대신, 시스템은 사용자(1314)가 어디서 쇼핑하는 것을 선호하는지(예를 들어, Wal-Mart, Target, Saks 등)를 물어볼 수 있다. 미감들은 예술 그림들, 거실들, 옷들 등을 보여 주고 사용자(1314)가 어떤 스타일을 선호하는지를 물어보는 것을 통해 결정될 수 있고, 실시예들에서, 그림들은 질문들을 대신할 수 있거나(답들은 당신이 그림에 어떻게 반응하는지에 대한 것일 수 있다) 그림은 "다음 중 어느 것이 당신이 입고 싶어 하는 옷들과 가장 닮았나요?"와 같은 질문들(1320)에 대한 답들을 대신할 수 있다.
실시예들에서, 시스템은 질문들이 추천되고 있는 아이템에 대한 것인지 또는 사용자에 대한 것인지에 의해 질문들(1320)을 그룹화할 수 있다. 시스템은 다른 상황이라면 질문될 때 놀랍고 잠재적으로 불쾌한 질문들(1320)의 가치를 사용자(1314)가 이해하는 데 도움을 주기 위해 상기 시스템이 어떤 유형의 질문들(1320)을 물어보고 있는지를 설명할 수 있다. 시스템은 또한 질문들을 물어보면서, 예를 들어 사용자(1314)에게 얼마나 많은 질문들(1320)이 남아있는지를 말하고, 시스템이 어떤 결정(1310)을 행해야 하는지를 이미 추측할 수 있다고 말함으로써 사용자(1314)를 톤팅(taunting)하는 것 등을 행하면서 사용자(1314)에게 다른 유형들의 메시지들을 디스플레이할 수 있다.
실시예들에서, 인스턴트 메신저(instant messenger; IM) 시스템들은 시스템의 질문(1320) 및 답(1322)에 대한 자연스러운 인터페이스를 제공할 수 있다. 예를 들어, 사용자(1314)는 시스템을 자신의 "친구 목록"에 초대할 수 있고 그 후에 IM을 통해 결정(1310)을 획득하기 위한 대화를 개시할 수 있다. 시스템은 사용자에게 제 1 질문(1320)을 인스턴트 메시징할 수 있고, 사용자(1314)는 그 후에 시스템이 결국 사용자에게 결정에 대한 링크를 인스턴트 메시징하거나 결정(1310)의 명칭을 사용자에게 직접적으로 인스턴트 메시징할 때까지 자신의 답(1322) 등을 역으로 인스턴트 메시징할 수 있다. 실시예들에서, 셀룰러 폰들, SMS, 이메일 등과 같은 다른 형태들의 통신들이 또한 이용될 수 있다.
실시예들에서, 애플리케이션의 형태와 같은 시스템은 제 3 자 웹사이트들에 임베딩될 수 있다. 예를 들어, 시스템은 카메라들을 판매하고 관련 카메라들을 사용자에게 추천하도록 제공되는 웹사이트 상에 놓일 수 있다. 대안으로, 사용자(1314)가 카메라들을 탐색하고 자신이 관심이 있었던 잠재적인 카메라들의 목록을 가지고 난 후에, 시스템은 사용자(1314)가 카메라들의 목록 중에서 결정하는데 도움을 주기 위해 질문들(1320)을 물어볼 수 있다. 예를 들어, 사용자(1314)가 고려하고 있었던 카메라들 모두가 여행에 좋은 것이었다면, 시스템은 사용자(1314)가 카메라를 어떻게 이용하고자 하는지에 대해 물어보지 않을 것이지만 시스템은 교환 가능 렌즈들을 원하는지 물어보는 것이 다른 카메라보다 우위에 있는 하나의 카메라를 추천하는 데 이용될 수 있다는 것을 인지할 수 있다.
실시예들에서, 시스템은 복수의 토픽 영역들, 예들 들어: 제품들(예를 들어, 카메라들, TV들, GPS/내비게이션, 홈 오디오, 랩탑들, 목욕&미용, 아기, 정원/아웃도어, 자동차들, 보석들, 시계들, 어패럴, 신발들 등), 여행(예를 들어, 어디로 갈지, 어디에 머무를지, 어느 지역을 방문할지, 거기서 무엇을 할지 등), 재정(예를 들어, 대출, 차환되는지의 여부, 어떤 신용 카드인지, 어떤 물건이 세금에서 공제될 수 있는지의 여부, 어떤 유형의 IRA가 절약 가능한지, 투자들에 대한 자산 할당 등), 다양한 휴가들 및 행사들에 대한 선물들, 다른 날짜-기반 결정들(할로윈에 어떤 복장을 할까 등), 개성(예를 들어, 사용자의 개성에 대해, 사용자들의 관계들, 사용자들의 경력 등에 대해), 맞는 애완동물의 추천, 음료들 및 다른 밤 유흥의 양태들, 책들, 영화들, 필름, 음악, 콘서트들, TV 쇼들, 비디오 게임들, 먹을 곳, 무엇을 주문할지, 사용자(1314)가 어떤 유명인사와 가장 친밀한가와 같은 관련 유명인사, 선물의 추천, 어떤 이웃이 살고 있는지, 텔레비전에서 무엇을 볼지 등에서 결정들을 행할 수 있다.
실시예들에서, 시스템은 기술/IT(예를 들어, 컴퓨터, 소프트웨어, 프린터들, 홈 네트워킹들, 무선, 비즈니스 네트워크들, 퍼포먼스 이슈들 등), 의료/건강, 자동차, 관계 또는 대인관계 문제들, 집 또는 건물 문제들 등의 영역들에서와 같은 문제들을 진단하는 데 이용될 수 있다.
실시예들에서, 시스템의 사용자들은 익명이거나 로그인되는 사용자들일 수 있다. 로그인되는 사용자(1314)는 사이트에 대한 계정을 생성했던 사용자일 수 있다. 로그인된 사용자들은 또한 자신들에 대한 프로파일 페이지들을 가질 수 있다. 프로파일 페이지에 대한 콘텐츠는 상기 사용자에 대한 기본 정보(닉네임, 그림 등), 사용자들이 수신했고 링크했던 결정들, 사용자(1314)가 상기 토픽 영역에서 질문들(1320)에 답하지 않았을지라도 사용자(1314)가 좋아할 것이라고 시스템이 예상하는 결정들, 사용자(1314)가 결정을 위한 시스템을 이용할 때마다 사실들이 반복될 필요가 없도록 사용자(1314)가 제공했던 사용자(1314)에 대한 사실들의 목록들(예를 들어, 사용자의 연령 또는 사용자의 미적 선호도들은 한 번만 주어질 수 있고 사용자가 시스템을 이용하는 여러 회들에 걸쳐 기억될 수 있다), 사용자(1314)가 자격을 얻고 wiki를 통해 행하는 데 관심이 있을 수 있다고 생각하는(새로운 사용자(1314) 제출 콘텐츠를 리뷰하고, 사용자(1314) 제출 콘텐츠에서의 철자 에러들을 고정하고, 위젯들에 의해 발견되는 새로운 콘텐츠를 리뷰하는 것 등) 임무들의 목록들, 질문들에 유사한 답들을 가지는 다른 사용자들 등을 포함할 수 있다.
실시예들에서, 사용자들은 자신이 시스템에서 행할 수 있는 다양한 타이틀들, 랭크들 또는 레벨들을 가질 수 있다. 예를 들어, 상기 사용자들이 상기 토픽들의 특정한 양태들을 편집하는 것이 가능할 특정한 토픽에서 일부 사용자들에게는 "중재자(moderator)"의 타이틀이 제공될 수 있다. 랭크들 및 타이틀들은 사용자들에게 얼마나 많은 결정들이 주어졌는지, 사용자들이 얼마나 많은 새로운 질문들(1320) 또는 솔루션들로 시스템들에 기고했는지, 사용자들이 wiki를 이용하여 얼마나 많은 임무들이 달성되었는지, 사용자들이 다양한 토픽들에서 특정한 질문들(1320)에 얼마나 잘 답했는지(1322)에 기초하는 것을 포함하여 수동으로 또는 자동화 수단에 의해 할당될 수 있다.
실시예들에서, 로그인되지 않은 사용자들은 자신들의 프로파일들 내에 이미 입력되었던 미적 또는 기호-기반 선호들에 대해 폭넓은 선택권을 가지는 시스템을 이용하는 이점들을 가질 수 없다. 로그인된 사용자들(1314)로부터의 학습 또는 수동 트레이닝에 기초하여, 시스템은 비 로그인된 사용자들이 특정한 토픽 영역들에서의 어드바이스를 구할 때 질문 대화들에서 질문할 일부 미적 질문들을 선택할 수 있다. 예를 들어, 자신들에 대한 기호 질문들이 답하고 그 후에 사용자가 어떤 자동차들을 좋아하고 좋아하지 않는지에 대한 피드백을 제공하는 로그인된 사용자들에 기초하여 시스템은 사용자가 미식 식사를 즐기는지에 대한 질문(1320)이 Toyota 및 Lexus 사이에서 결정하려고 하는 로그인된 사용자들에게 질문하는 데 유용한지를 학습할 수 있다. 로그인된 사용자들에 의해 학습되거나 수동으로 명시되는 속성 연관들을 이용하여 시스템은 그 후에 자신이 Toyota 또는 Lexus를 비로그인된 사용자에게 추천할지의 여부를 조정할 수 있다.
실시예들에서, 시스템은 결정들에 대한 피드백을 제출하는 사용자들로부터 학습할 수 있다. 일부 사용자들은 의도적이거나 비의도적으로 부정확한 피드백을 제공할 수 있다. 예를 들어, 판매자는 자신들의 제품이 많이 추천되도록 하기 위해 시스템을 게임화하도록 시도할 수 있다.
대안으로, 비디오 게임들에 대해 많이 알지 못하는 사용자(1314)는 실제로 좋은 비디오 게임이 아닌 비디오 게임을 추천할 수 있다. 시스템은 다양한 수단에 의해 이 사용자들로부터의 피드백을 필터링하는 것을 시도할 수 있다. 시스템은 제공받은 사용자(1314)가 제출할 수 있는 피드백들의 수를 조절할 수 있다(사용자(1314)가 로그인되어 있는 경우 또는 높은 랭크 타이틀을 가지는 경우 더 높은 조절 한계를 가질 수 있다). 시스템은 또한 사안에 대한 사용자의 지식을 테스트하고 지식을 많이 알고 있지 않은 사용자들보다는 지식이 많은 사용자들로부터의 피드백을 가중하기 위해 질문(1320) & 답(1322) 동안 사용자(1314)가 특정한 '테스트' 질문들(1320)을 얼마나 양호하게 답하는지에 기초하여 피드백을 조절하거나 가중할 수 있다. 시스템은 또한 사용자들의 피드백이 계수되거나 사용자들이 결정을 획득하기 전까지 사용자가 'captcha'(Completely Automated Public Turing test to tell Computers and Humans Apart)를 통과시킬 것을 요구할 수 있다. 시스템은 또한 사용자(1314)에 의해 제공되는 일련의 답들을 살펴볼 수 있고 상기 일련의 답들에 기초하여 사용자의 피드백을 가중할 수 있다. 예를 들어, 사용자가 첫 번째 답(1322)을 항상 클릭했거나 사용자(1314)가 매우 가능성 적은 방식으로 클릭했다면, 시스템은 상기 사용자의 피드백을 더 낮게 가중할 수 있다. 최종적으로, 시스템은 사용자의 피드백의 가중치를 변경하거나 이전 게임 플레이들의 이력에 기초하여 결정(1310)을 보여 주지 않도록 결정할 수 있다. 예를 들어, 10회째에 사용자(1314)가 카메라 결정(1310)을 획득하고자 시도하면 시스템은 사용자의 피드백을 9회에 대해서보다 더 적게 가중할 수 있다.
실시예들에서, 시스템은 주 탐색 엔진들 내에서 시스템의 웹사이트 순위들을 개선하는 프로세스인 탐색 엔진 최적화(search engine optimization; SEO)를 포함할 수 있다. 이 프로세스는 사용자들이 탐색하고 있는 키워드들을 찾고, 사용자들이 이 단어들을 탐색할 때 사이트의 페이지들이 등장하도록 하기 위한 탐색 엔진들 내의 경쟁을 이해하고, 탐색 엔진들이 어떻게 사이트들을 순위화하는지를 이해하고, 공통 탐색들에 대해 사이트들의 순위를 증가시키기 위해 시스템의 웹사이트에 대한 어떤 변경이 필요한지를 이해하는 것 등과 같은, 대부분이 자동화된 여러 단계들로 분화될 수 있다.
실시예들에서, 사용자들이 탐색하고 있을 수 있는 키워드들을 찾는 것은 구글 및 야후가 제공하는 것과 같은 키워드 제안 툴들을 이용하고, 제 3 자 데이터 제공자들로부터 라이센싱된 이력 탐색들과 같은 데이터를 이용하고, 사용자들이 어떤 단어들을 이용하는지를 확인하기 위해 다른 웹사이트들을 크롤링하는 것 등과 같이 여러 수단을 통해 발견될 수 있다. 일단, 이 키워드들이 발견되면, 시스템은 탐색 엔진 마켓팅(search engine marketing; SEM)을 통해 상기 단어들에 대해 비딩(bidding)하고, 미래의 탐색 트래픽을 획득하려는 희망으로 상기 키워드들에 대한 시스템들의 사이트 상에서 콘텐츠를 개발하고, 경쟁자들이 상기 동일한 키워드들을 어떻게 이용하고 있는지를 살펴보는 것 등과 같은 많은 방식으로 데이터를 이용할 수 있다.
실시예들에서, 시스템은 탐색 엔진들을 통해 키워드들을 운영하고 각각의 키워드에 대해 누가 광고하고 있는지 그리고 상위 자연 탐색 결과들이 각각의 키워드에 대해 무엇인지를 살펴봄으로써 다른 사이트들이 무엇을 행하고 있는지 그리고 다른 사이트들이 탐색 엔진들에서 어떻게 순위화되는지를 이행할 수 있다. 이 프로세스를 통해 발견된 사이트들은 더 잠재적인 키보드들을 발견하기 위해 크롤링될 수 있다. 시스템은 또한 이 경쟁 정보에 기초하여 새 콘텐츠를 개발하거나 마켓을 피하는 결정을 행할 수 있다. 콘텐츠 영역 내에 높게 순위화된 사이트들이 거의 없는 경우, 시스템은 상기 영역에서 콘텐츠를 개발할 수 있다.
실시예들에서, 시스템은 사용자들(1314)을 사이트로 데리고 오는 지불된 광고들이 상기 사이트의 하나의 토픽 영역에서 상대적으로 싸고 다른 영역에서 비싼 것을 이해할 수 있다. 시스템은 따라서 저비용 트래픽에 대해 광고하고, 상기 사용자들(1314)이 결정을 행하는 데 상기 사용자들을 도와주고, 그 후에 광고하고 트래픽을 사들이는 데 비싼 토픽 영역에서 상기 사용자들(1314)이 상기 시스템을 이용할 것을 추천하는 시도를 행할 수 있다. 예를 들어, 시스템들은 자신들이 어떤 개의 품종을 사야 하는지를 알고, 상기 사용자들(1314)이 어떤 개 품종이 자신들에게 적합한지를 결정하는 데 도움을 주고, 그 후에 사람들에게 자신들이 자신들의 애완용 약들을 어디서 구매해야 하는지를 알도록 안내하기를 원하는 사람들을 위해 광고들을 운용할 수 있다. 후자의 토픽 영역는 비싼 광고료로 인해 시스템에게는 원 트래픽에 대해 고가일 수 있는 토픽 영역일 수 있고, 반면에 전자의 토픽 영역는 상대적으로 저렴할 수 있는 데, 왜냐하면 기존 사업자들은 어떤 유형의 개들을 얻어야 하는지에 대한 어드바이스를 원하는 고객들을 위해 거의 경쟁하고 있지 않기 때문이다.
실시예들에서, 시스템은 탐색이 행해질 때 나타나는 사이트들 및 상기 사이트들의 팩터(factor)들 사이의 관계를 연구함으로써 탐색 엔진들이 자신들의 자연(후원되지 않는) 탐색 결과들을 어떻게 순위화하는지를 이해할 수 있다. 높은 순위로 나타나는 사이트들 사이에서 상관될 수 있는 가능한 팩터들은 사이트의 콘텐츠, 사이트에 링크되는 다른 사이트들의 수 및 질, 상기 다른 링크하는 사이트들에서의 콘텐츠의 유형 등과 같은 팩터들일 수 있다. 이전 단계로부터, 시스템은 탐색 엔진들에서 사이트들 순위를 증가시키는 자신의 능력 등에 의해 순위화되는 사이트 팩터들의 목록을 생성할 수 있다. 시스템은 그 후에 사이트가 전체적으로 또는 상기 사이트 상의 특정한 페이지들이 탐색 엔진들에서 상위로 순위화될 확률을 증가시키기 위해서 이 순위화된 목록을 이용하여 사이트에 대한 변경들을 행할 수 있다.
탐색 엔진들은 전형적으로 사용자의 질의에 적합한 문서들을 찾기 위해 키보드 인덱스를 이용할 수 있고, 실시예들에서, 본 발명은 사용자-입력을 관련 문서들에 또한 매핑(mapping)할 수 있는 "결정 인덱스"를 이용할 수 있다. 상기 인덱스는 자동으로 구축될 수 있고, 전문가들이 인덱스를 직접 구축할 수 있고, 상기 인덱스는 시스템을 트레이닝하는 것을 암시적으로 또는 명시적으로 결정한 상이한 유형들의 사용자들로부터의 피드백 등을 통해 학습될 수 있다. 결정 인덱스를 이용하는 탐색의 결과들은 문서들, 단일 문서 등의 목록으로서 디스플레이될 수 있다.
도 1을 참조하면, 카메라들, 셀룰러 폰들, 커피 및 에스프레소, 음료들, 좋아하는 연예인, GPS 디바이스들, 그릴들, 할로윈, 랩탑들, 인물, 발찌들, TV들, 휴가들, 비디오 게임들, 시계들 등을 포함하여 사용자들이 결정들을 획득할 수 있는 시스템에서의 토픽들(102)의 목록에 대한 하나의 실시예가 제공된다. 게다가, 43,921 사용자 순위들로부터 학습되는 바와 같이, 사용자 순위들로부터 학습되는(104) 결정들의 수에 관한 표시자가 있을 수 있다.
도 2를 참조하면, 시스템이 사용자(1314)에게 물어볼 수 있는 예시 질문(1320)의 하나의 실시예가 제공된다. 이 예에서 사용자(1314)는 카메라의 구매에 관한 결정(1310)을 구하고 있고 질문(1320)은 "얼마를 쓰려고 합니까?"이다. 사용자(1314)는 현재 200달러 미만, 최대 300달러, 최대 500달러, 500달러 이상, 모르겠네요 등의 사이에서 선택하는 것과 같이 선택(204)으로부터 선택할 수 있다. 게다가, "10개 미만의 질문으로, 당신과 같은 사람들에 의해 선호되는 카메라 결정들을 획득"과 같이, 얼마나 많은 질문들(1320)이 질문될 수 있는지(202)에 관한 표시가 있을 수 있다. 실시예들에서, 사용자는 또한 자기 자신의 질문, 자기 자신의 답, 자기 자신의 결정 등을 제공할 수 있고, 여기서 시스템은 현재 또는 미래의 결정 세션에서 이 정보를 활용할 수 있다. 실시예들에서, 사용자(1314)는 질문(208)을 뺄 것을 선택할 수 있고, 여기서 사용자(1314)에게는 사용자로부터 입수 가능한 감소된 정보의 양에 기초하여 이제 대안의 결정이 제공될 수 있고, 시스템은 빠진 질문(208)을 보상하기 위해 대안의 질문들(1320)을 사용자에게 물어볼 수 있고, 질문(1320)은 가장 양호한 테스트 질문을 가질 수 있고 그 결과에 따른 결정(1310) 등에 영향을 미치지 않을 것이다.
도 3을 참조하면, 시스템이 사용자(1314)에게 물어볼 수 있는 예시 그림 질문(1320)의 하나의 실시예가 제공된다. 이 예에서, 시스템은 답(1322)이 시스템으로 하여금 사용자(1314)의 개인 특성을 가장 잘 결정할 수 있게 할 수 있는 질문(1320)을 물어볼 수 있다. 예를 들어, 도시된 바와 같은 질문(1320)은 "이것들 중 어느 것이 당신에게 가장 관심을 일으킵니까?"를 물어보고, 여기서 그림 선택들(304)은 공해, 금융, 국가 방위, 건강 등과 같은 특정한 토픽들을 나타낸다. 이 질문(1320)은 현재 사용자를 타겟으로 할 수 있거나 실험 질문으로서 삽입될 수 있다. 실시예들에서, 사용자(1314)에게는 상기 질문(1320)이 도 3에 도시된 바와 같이 "최종적으로, 다른 사용자에 의해 제출된 실험 질문들에 답해 주세요."라고 쓰여 있는 헤더를 가지는 실험 질문(302)임이 고지될 수 있다.
도 4를 참조하면, 정보(402)의 유형의 예의 하나의 실시예는 특정 결정(1310)이 행해질 때의 사용자(1314)가 제공되는 것을 나타낼 수 있다. 예를 들어, 결정(1310)은 특정한 카메라에 대한 것일 수 있고, 여기서 설명과 같이, 누가 그것을 이용할지, 카메라에 대한 최선의 비용, 카메라가 다른 카메라들과 어떻게 비교되는지(404) 등의 정보가 카메라에 대하여 제공된다. 실시예들에서, 다른 결정들(1310)은 예를 들어 상대적 순위(08)로, 점수에 의해, 백분율 매칭에 의한 것 등으로 제공될 수 있다. 사용자(1314)는 또한 결정(1310)이 양호한 결정인지에 대한 질문을 받는 것과 같이, 피드백(1312)에 대해 질의를 받을 수 있다. 게다가, 사용자(1314)에게는 결정(1310)에 대해 더 많이, 예를 들어 제품(410)에 대해 더 많이 찾거나, 최상의 가격 파인더(412)를 찾거나 더 많은 어드바이스에 대한 웹사이트 등을 찾을 기회가 제공될 수 있다.
도 5 및 도 6을 참조하면, 사용자(1314)에게는 본원에서 기술되는 바와 같이 토픽과 연관되는 다양한 상위 목록들이 제공될 수 있고(502), 결정과 연관되고, 상위 목록들을 뷰잉하는 사용자의 요청과 연관되는 것 등으로 제시될 수 있다.
실시예들에서, 본 발명은 사용자들에게 사용자(1314) 아이덴티피케이션(702), 개인 표현, 과거 행해진 결정, 고려할 미래의 토픽들, 오늘 행할(714) 결정(1310) 등을 포함하는 홈페이지(700)를 제공할 수 있다. 도 7은 사용자(1314)가 시스템 계정으로 로그인될 때 상기 사용자가 무엇을 보는지와 같은, 사용자 홈페이지(700)의 예를 제공한다. 여기서, 시스템이 추천했던 최근의 결정들, 결정들을 들이기 위한 인기 있는 토픽의 목록들(708), 토픽들을 찾기 위한 탐색 인터페이스(710), 시스템에 기고하기 위한 이점들을 획득하는 사용자(1314)에 대한 상태 업데이트들, 최근의 활동(704), 사용자의 프로파일(712)로의 액세스 등의 디스플레이가 있을 수 있다.
도 8 및 도 8a는 사용자 및 사용자의 계정에 대한 정보를 보여 주는 사용자의 프로파일(712) 페이지의 예를 제공한다. 사용자(1314)는 사용자의 이메일 주소, 패스워드 등과 같은 사용자 정보(802)를 관리할 수 있다. 사용자는 또한 자신들에 대한 질문들(1320)에 답할 수 있고, 이들 답들이 기억되도록(810) 하여 자신이 시스템에서 결정을 행하는 토픽들을 이용할 때 자동으로 이용되도록 할 수 있다. 사용자(1314)는 또한 "배지(badge)"와 같은 보상들(804)을 수신할 수 있고 다른 사용자들을 도와주고, 시스템에 기고한 것 등등에 응답하여 수신될 때 보상들이 디스플레이된 것을 볼 수 있다. 이들 보상들 중 일부는 사용자의 기고들의 질, 기고들의 양 등에 기초할 수 있다. 게다가, 사용자들에게는 자신들에 관한 질문들(1320)에 유사하게 답한 사람들의 인구학적 그룹(808)이 할당될 수 있다.
실시예들에서, 사용자들은 '시스템 알려 주기' 모드에서와 같이, 자신이 전문지식(902)를 시스템에 기고하고자 원한다고 결정하는 것이 가능할 수 있다. 도 9는 사용자(1314)가 다양한 결정들에 대한 시스템 트레이닝을 제공하고, 그림들 및 사용자-기고 글의 품질을 평가하고, 복제 아이템들 및 질문들을 찾고, 새로운 결정 수행 토픽들을 기고하고, 새 질문들(1320)을 기존 토픽들에 기고하는 것 등과 같이, 기고하는 것이 가능할 수 있는 다양한 링크들/페이지들의 예를 도시한다.
실시예들에서, 사용자는 시스템이 결정들을 행하는 토픽을 선택한 후에, 질문들을 받을 수 있다. 도 10은 질문(1320)이 사용자에게 어떻게 제시될 수 있는지(1000)의 예를 제공한다. 도시된 바와 같이, 사용자(1314)에게 질문(1320)의 제시는 토픽 헤딩(heading)(1002), 토픽(1004)과 연관되는 그림 또는 일러스트레이션, 질문, 답 선택들의 세트 등과 같은 상이한 요소들을 제공할 수 있다.
질문들에 답한 뒤, 사용자(1314)에게는 사용자의 원래의 질문과 연관되는 답(1322) 또는 결정(1310)이 제공될 수 있다. 도 11 및 도 11a는 결정(1310)이 사용자에게 어떻게 제시될 수 있는지(1100)의 예를 도시하고, 1차 결정, 상기 결정을 요약한 정보, 대안의 결정들, 상기 결정에 대한 변화들 등을 포함할 수 있다. 게다가, 사용자(1314)에게는 시스템에 사용자(1314)가 결정(1310)에 동의하는지 또는 그렇지 않는지와 같은 피드백(1312)을 제공할 기회가 제공될 수 있다. 사용자(1314)에게는 또한 예를 들어 현재의 토픽, 제공되는 답들, 답들의 이력, 사용자의 프로파일, 사용자의 질문 이력, 다른 사용자들이 유용하다고 발견했던 토픽들에 기초하여 다른 제안되는 토픽들(1102)이 제공될 수 있다.
도 12는 토픽 내의 결정들(1200)의 예시 목록을 도시한다. 도시된 바와 같은 그러한 제품 토픽의 경우, "결정들"은 어떤 제품을 살 것인지일 수 있다. 다른 토픽들의 경우, 결정(1310)은 "예, 그를 버리세요." 또는 "아니요, 문신 새기지 않을래요."일 수 있다. 결정들은 사용자에 대한 자신들의 적절성, 사용자(1314)가 질문들에 어떻게 답했는지, 사용자(1314)가 토픽 내의 질문들(1320)에 어떻게 답했는지 등에 기초하여 순위화되거나 순서화될 수 있다. 게다가, 아이템들은 가격, 이름 등에 의해 순위화될 수 있다.
도 16은 기고자/전문가 인터페이스 홈페이지(1600)의 예를 도시하고, 시스템(1602) 및 기고들을 행하는 다른 사용자들(1604)에 최근의 기고들을 보여 준다. 상부 우측 코너에는 사용자의 기호 선호도들(1608)을 학습하기 위한 질문이 있다.
도 17은 목표 질문(1700)을 물어보는 시스템과 대화에서의, 이 경우에 자신의 새 강아지의 이름을 무엇으로 지어야 하는지를 결정하기 위한 도움을 찾고 있는 사용자에 대한 하나의 질문의 한 예를 도시한다.
도 18은 특정한 추천 결정(1800)(이 경우에, 당신 개 이름을 러스티로 짓는다)을 나타내는 결정 결과, 다른 사용자들(1802)로부터 이 결정에 대한 리뷰들(여기서 이는 예를 들어 다른 사용자들의 사용자들과의 유사성에 의해 순위화될 수 있다), 예/아니오 버튼들(1804)(예를 들어, 이 결정에 대한 피드백을 수신하고, 사용자가 즐길 수 있는 다른 영역들을 나타내는 것 등을 위해), 제안되는 토픽들(1808)의 예를 도시한다. 이 예에서, 시스템의 제 2 및 제 3의 최상의 추천 결정들은 #2 탭(1810) 및 #3 탭(1812) 아래에 기재되어 있다. 시스템은 부분적으로 무작위를 통한 결정일 수 있는 "와일드 카드" 결정을 또한 추천함으로써 조사에 참여할 수 있다. 제안되는 토픽들(1808)은 시스템이 생각하기에 이 토픽들이 사용자에게 얼마나 적절할 수 있는지 그리고/또는 시스템이 생각하기에 그것이 이들 다른 결정 영역들을 이용하여 사용자로부터 얼마나 많은 이익을 만들어 내는 것이 가능할 수 있는지에 기초하여 선택될 수 있다.
도 19는 사용자들(1900)이 속성들 및 결정 결과들 사이의 연관성들을 세팅하기 위한 인터페이스의 예를 도시한다. 이 예에서, 결정 결과 "러스티"는 속성 "이 이름은 수컷 아니면 암컷 개를 위한 건가요? 수컷"과 연관되어야 한다.
도 20은 시스템(2000) 내의 콘텐츠를 사용자가 어떻게 편집할 수 있는지에 대한 예를 도시한다. 이 예에서 사용자는 결정 결과들: 이의 이름, 설명, 더 많은 정보를 얻기 위한 URL 등을 편집할 수 있다.
도 21은 사용자에 의해 편집 가능한 콘텐츠가 또한 상기 콘텐츠에 대한 이전의 개정들(2100)을 보기 위하여 그리고 2개의 이전 개정들 사이에서의 변경들을 보여 주기 위하여 어떻게 인터페이스를 가질 수 있는지에 대한 예를 도시한다. 사용자들은 또한 상기 변경들이 적절하지 않거나 유용하지 않은 것으로 간주되는 경우 다른 사용자들에 의해 행해진 변경들을 되돌릴 수 있다. 이 경우에 상기 예는 결과의 설명이 변경된 상기 결정 결과에 대한 두 개정들 사이의 차를 보여 준다.
도 22는 사용자(2200)에 의해 편집되고 있는 질문을 나타내는 예를 도시한다. 새 답들이 추가되고, 기존 답들이 재-순서화되고, 질문 및 답 텍스트 자체가 편집되고 기타 등등이 있을 수 있다. 질문들은 예를 들어 패드 락(lock) 아이콘(2202)에 의해 표시됨으로써 다른 사용자들이 질문들을 변경할 수 없도록 선택적으로 "락킹(locking)"될 수 있다.
도 23은 속성들에 대한 편집들이 다른 편집 가능 콘텐츠(2300)와 같이 개정 이력들을 가질 수 있음을 보여 주는 예를 도시한다. 이 예는 결정 결과 "러스티" 및 속성들 "당신은 이 이름이 얼마나 많은 음절들을 가지기를 원합니까? 단지 2 또는 3개 이상이면 OK입니다." 사이의 속성 연관성들의 두 개정들 사이의 차를 도시한다.
도 24는 새로 추가되는 어드바이스의 영역들이 먼저 디스플레이될 수 있는 '워크샵' 스크린(2400)를 나타내는 예를 도시한다. 이 실시예들에서, 전문 사용자들은 정기 사용자들이 진행 중인 일을 보지 않고 여기서 추가들을 행할 수 있다. 불쾌하거나, 적절하지 않거나, 낮은 품질인 것으로 간주되는 콘텐츠는 가결되어 시스템으로부터 제거될 수 있다.
도 25는 사용자로부터 기호 및 주관 선호도들을 학습하기 위해 사용자 기호/주관식 질문들(2500)을 물어보는 시스템을 나타내는 예를 도시한다. 이 질문들에 답한 후에, 시스템은 다른 사용자들이 동일한 질문에 어떻게 답했는지에 대한 통계를 보여줄 수 있다.
도 26은 새로 추가된 콘텐츠 및 전문가 트레이닝을 보여 주는 사이트에 걸친 기고자들에 의한 최근의 활동의 액티비티 피드(activity feed)(2600)의 예를 도시한다.
실시예들에서, 본 발명은 제품들, 개인, 건강, 사업, 정치, 교육, 엔터테인먼트, 환경 등을 포함하는 토픽들의 넓은 카테고리에 걸친 질문(1320)으로 사용자(1314)에게 결정들을 제공하는 개선된 방법을 제공하기 위한 수단을 제공할 수 있다. 예를 들어, 시스템은 사용자(1314)가 자신의 남자친구와 헤어져야 하는지부터 문신을 받아야 하는지, 제품 결정 외에 세금에서 어느 것을 공제할 수 있는지 등의 모든 것에 대한 결정들을 제공할 수 있다. 실시예들에서, 시스템은 사용자(1314)가 가질 수 있는 임의의 관심에 대한 결정들을 제공할 수 있다.
실시예들에서, 본 발명은 유연하고 변하고 성장할 수 있는 결정 시스템을 제공할 수 있다. 이는 결정을 행하기 위해 질문들(1320) 및 답들의 대화를 시스템이 이용하고 나서 사용자(1314)로부터 피드백을 얻음으로써 부분적으로 가능할 수 있고, 따라서 시스템이 개선될 수 있다. 실시예들에서, 이 방법은 시스템이 임의의 질문(1320)을 물어볼 수 있고 따라서 사용자(1314)로부터 사용자가 원하는 것들에 대한 훨씬 더 양호한 정보를 획득할 수 있으므로 현저하게 더 강력할 수 있다. 게다가, 사용자들은 자기 자신의 질문들(1320) 및 시스템이 물어볼 답들을 입력하고, 시스템이 행할 새 결정들을 입력하는 것 등에 의해 시스템을 확장 가능할 수 있다. 시스템은 그 후에 새로 입력된 정보가 유용한지 또는 도움을 주는지를 알아내기 위해 이를 자동으로 테스트하고 이 새 정보를 이용하여 이것이 유용한지를 결정하고 가능하면 사용자들에게 유용하지 않을 수 있는 질문들/결정들을 물어보는 것/이용하는 것을 중지할 수 있다. 실시예들에서, 이 방법은 잠재적으로 임의의 토픽에 대한 전문가 시스템을 만드는 대중 지혜 기반 결정을 구축하는 데 제공될 수 있다.
실시예들에서, 본 발명은 또한 비통상적인 피처 차원들에 걸친 순위화에 의해 결정들을 제공함으로써 사용자(1314)에게 개선된 결정 수단을 제공할 수 있다. 예를 들어, 단지 가격 또는 크기로 카메라를 순위화하는 대신, 시스템은 카메라들이 은퇴한 사람들에게 어느 만큼 사랑을 받는지, 얼마나 섹시해 보이는지 등에 기초하여 카메라들을 순위화할 수 있다. 시스템은 그 후에 사용자들이 이 차원들에 걸쳐 내비게이션하는 것을 도울 수 있다. 예를 들어, 사용자들이 단지 "전 이 카메라가 좋지만 더 싼 걸 원해요."라고 말할 수 있는 대신, 시스템은 사용자들이 "전 이 카메라가 좋지만 사진을 배우는 데 더 좋은 것을 원해요." 또는 전 이 휴가가 좋지만 더 활동적인 사교적인 장으로 휴가를 원해요."를 말하는 것과 같은 일들을 행하도록 할 수 있다.
실시예들에서, 본 발명은 웹 인터페이스, 인스턴트 메시징, 보이스, 셀룰러 폰, SMS/인스턴트 메시징, 다양한 상이한 사용자 인터페이스들, 제 3 자 이용(예를 들어, 제 3 자에 대한 위젯, 제 3 자에게 판매된 웹 서비스) 등과 같은 다양한 여러 사용자 인터페이스들에 유용할 수 있다. 예를 들어, 보이스 인터페이스는 각각의 질문에 대한 단지 가능한 답들과 같이 인식해야만 하는 매우 제한된 어휘가 있을 수 있기 때문에 시스템에 충분히 적합할 수 있다. 이 방식에서, 시스템이 사용자의 응답을 이해할 수 없으면, 시스템은 사용자에게 자신들의 답을 계속 반복해서 물어봄으로써 사용자(1314)를 당황스럽게 하는 대신 곧바로 다른 질문(1320)으로 넘어갈 수 있다. 다른 예에서, 본 발명은 전자 상거래 웹사이트 상에서의 TV 탐색과 같이 제 3 자 사이트에 통합될 수 있고, 여기서 본 발명은 사용자(1314)가 결과들을 줄이는 데 도움을 주는 위젯이거나 또는 사용자(1314)가 자신에게 잘 어울리는 집을 찾기 위해 MLS 질의를 구축하는 부동산 웹사이트와 연관되어 있는 위젯으로서 이용된다. 실시예들에서, 본 발명은, 물리적 인터페이스에 관하여 그리고 질문들, 답들 및 결정들이 제시되는 방식으로, 상당히 다양한 토픽들에 대한 결정들을 획득하는 데 현저하게 개선된 방식을 사용자(1314)에게 제공하는 사용자 인터페이스를 제공할 수 있다.
실시예들에서, 본 발명은 제 3 자의 사용자 인터페이스 및 사용자 만족을 개선하는 것과 같은 그러한 방식으로 제 3 자 제품들에 통합될 수 있다. 예를 들어, 일부 웹사이트 서비스들은 과거 구매 이력을 통한 예측들을 제공한다. 이 경우에, 본 발명은 예를 들어 명시적인 질문들을 물어보는 것을 통해 사용자의 기분 또는 의도를 탐구하는 것이 가능할 수 있다. 탐색 엔진들의 경우에, 본 발명은 사용자(1314)가 언제 결정(1310)을 행하는 시도를 할지를 검출하고 나서 사용자들에게 후속 질문들을 물어보기 시작하는 것이 가능할 수 있다. 포럼 사이트들, 메일 목록들, 뉴스 그룹들 등의 경우에, 본 발명은 결정들 및 사용자와 유사한 사람들에 의해 행해졌던 결정들에 개선된 액세스를 제공할 수 있다. 예를 들어, 본 발명은 사용자와 동일한 환경에 있는 사람을 찾기 위해 포럼 포스트들 모두를 통하여 탐색하고, 포럼 커뮤니티가 사용자에게 어떤 결정(1310)을 추천했는지를 제공하는 것이 가능할 수 있다.
실시예들에서, 본 발명은 전자 상거래 애플리케이션 사용자 인터페이스들을 확장 가능할 수 있다. 예를 들어, 사용자(1314)는 키보드 탐색으로 제품 탐색을 시작하고 그 후에 사용자에 대한 최상의 결정(1310)으로 결과들을 좁히기 위해 질문들(1320)을 물어볼 수 있다. 본 발명은 일단 사용자(1314)가 카테고리 페이지 내로 클릭하면 제품을 고르는 Q&A 인터페이스를 제공하는 것이 가능할 수 있다. 예를 들어, 웹사이트 상에서 카메라들을 클릭한 후에, 사용자(1314)는 제 1 질문을 볼 수 있다. 본 발명은 사용자가 질문들에 어떻게 답하는지에 기초하는 차원들에 따라 제품들을 순위화하는 것이 가능할 수 있다. 예를 들어, 카메라들은 사람들이 질문 "무슨 용도의 카메라를 원하나요?"에 어떻게 답하는지(1322), 답 "여행" 및 그 후에 사용자들이 특정 카메라에 대해 긍정 또는 부정 피드백을 제공하는지에 기초하여 최상에서부터 최악의 '여행용 카메라'까지 순위화될 수 있다. 이것은 전자 상거래 웹사이트가 최상부터 최악까지 여행용 카메라들의 카메라 키워드 탐색 결과들의 목록을 순위화하도록 할 수 있다.
실시예들에서, 본 발명은 키보드 탐색으로부터의 탐색 결과들에 기초하여 사용자(1314)가 언제 결정(1310)을 행하려고 시도하고 Q&A 인터페이스로 스위칭할지를 검출하고, 결과들을 줄이거나 재순위화하기 위해 후속 질문들(1320)을 물어보고, 키워드 탐색 질의를 구축하여 탐색 질의를 세밀화하기 위해 질문들(1320)을 물어보고, 질문들이 행해진 이후에 사용자(1314)가 어떤 링크들을 클릭하는지에 기초하여 피드백을 학습하는 것 등과 같이 개선된 탐색 엔진 능력를 제공하는 것이 가능할 수 있다. 게다가, 본 발명은 암시적으로 사용자(1314)에 대해 학습하고 하루 중 언제 사용자가 시스템을 이용하고 있는지, 사용자가 세계 어디에 있는지, 사용자가 어떤 유형의 브라우저를 이용하고 있는지, 사용자가 있는 곳의 날씨 등과 같은 이 임시적인 사실들에 기초하여 순위들을 변경할 수 있다.
실시예들에서, 본 발명은 정보가 사용자들에 의해 수집되고 이용되는 방식을 제공하는 것이 가능할 수 있다. 예를 들어, Wikipedia는 사용자가 정보를 기고하여 최종 사용자(1314)가 자신에게 후속해서 공급되는 정보의 정확도를 어느 정도 자신이 검증해야만 하는 방식이다. 유사한 방식으로 본 발명은 사용자가 기고한 콘텐츠를 이용하는 웹 애플리케이션을 호스팅하는 것이 가능할 수 있다. 예를 들어, 카메라들의 가격들이 무엇인지를 학습하는 대신, 웹 애플리케이션은 사용자들이 카메라들의 가격들을 입력하도록 하고 나서 다른 사용자들이 이 요청들을 자가 검증하도록 할 수 있다. 이 방식에서, 기고된 정보의 범위는 사용자가 시스템과 상호 작용하면서 조직적으로 성장하게 될 수 있다.
실시예들에서, 일부 전자 상거래 애플리케이션들은 개인 선호도와 연관되는 제품들 및/또는 서비스들을 제공할 수 있고, 따라서 본 발명으로부터 이익을 얻을 수 있다. 예를 들어, 현재 여러 영화 렌탈 서비스들이 있는 데 여기서 사용자(1314)는 메일을 통해 자신들의 가정으로 전달되도록 영화들을 선택한다. 사용자(1314)가 과거에 무엇을 선택했는지에 기초하여 사용자(1314)에게 결정들이 또한 제공된다. 그러나, 영화를 선택하는 것은 기분, 의도, 날씨와 같은 과거의 선택들, 사용자가 혼자 또는 다른 누군가와 함께 있을 것인지, 현재의 개인 관계들 등에 의해 결정될 수 없는 렌탈 시의 개인 관심들을 수반할 수 있다. 이 유형들의 관심들은 질문하기를 통해 본 발명으로 탐색될 수 있고, 이와 같으므로 렌탈 시에 사용자의 관심들에 훨씬 더 많은 개인화된 매치를 제공할 수 있다.
실시예들에서, 지역 탐색 애플리케이션들은 본 발명의 이용을 통해 개선될 수 있다. 예를 들어, 사용자(1314)가 어디서 저녁을 먹을지에 대한 결정(1310)을 원하는 경우, 사용자는 "뉴욕에서의 저녁"을 탐색할 수 있고 상기 문의에 타깃팅된 제안들이 있는 웹사이트를 찾을 수 있다. 그러나 이 인터페이스는 사용자가 어떤 키워드들을 포함할지에 대해 명확한 생각이 없을 때 부족해진다. 예를 들어, 사용자(1314)가 음식에 대한 키 옵션들을 알 수 없고 '에디오피안 음식 뉴욕'을 탐색하지 못한다고 생각할 수 있다. 본 발명은 가능성들을 줄이기 위해 어떤 질문(1320)을 물어봐야만 하는지를 알아낼 수 있는 장점을 가질 수 있다. 실시예들에서, 본 발명은 탐색 질의의 구축을 보조하는 것이 가능할 수 있다.
실시예들에서, 본 발명은 사용자들 및 전문가들, 사용자들 및 다른 지식 기반 사용자들 등을 매치업시키는 개선된 방식을 제공할 수 있다. 예를 들어, 서비스는 상이한 토픽들에 대해 사용자들 및 전문가들을 모으기 위해 제공될 수 있다. 사용자들은 그 후에 서비스의 웹 인터페이스에 가서 최상의 매치가 결정되는 Q&A의 세션에 들어갈 수 있다. 질문들의 결과로서, 시스템은 결정들을 제공할 수 있고, 여기서 전문가 또는 다른 사용자(1314)의 프로파일이 제공되고, 여기서 사용자(1314)는 추천되는 개인에 동의할 경우 질문을 받을 수 있다. 실시예들에서, 사용자(1314)에게는 홈페이지가 제공될 수 있고 여기서 이전 매치들 및 통신들이 유지되고, 친구들에게 전송되고, 전문가에 의해 순위화되는 것 등이 행해질 수 있다.
실시예들에서, 본 발명은 커뮤니티 기반 질문(1320) 및 답(1322) 애플리케이션을 위한 플랫폼을 제공할 수 있다. 예를 들어, 사용자들은 시스템에 질문들(1320)을 포스팅(posting)할 수 있고, 다른 사용자들이 답하는 것이 가능하게 할 수 있다. 그와 같은 시스템에서, 사용자(1314)는 단일 사용자, 다수의 사용자들, 자동화 시스템 등으로부터 답들을 수신할 수 있고, 여기서 사용자(1314)는 자신이 느끼기에 어떤 답(1322)이 옳은지를 선택하는 것이 가능할 수 있다. 이 답(1322)은 비공개로 유지되고, 다른 사람들이 보도록 포스팅되고, 정확한 답으로 포스팅되고, 시스템에 제공되는 것 등이 행해질 수 있다. 실시예들에서, 시스템은 시스템을 더 개발하고, 사용자들에게 더 정확한 답을 제공하고, 사용자에게 제공되는 답들을 분류하고, 사용자에게 제공되는 답들을 필터링하는 것 등을 위해 질문들(1320) 및 답들을 이용할 수 있다. 게다가, 시스템의 사용자들은 다른 사용자들에 의해 제공되는 답들에 피드백을 제공하고, 부정확한 답들을 제거하기 위한 필터링 기준에 기여하는 것 등등을 행할 수 있다.
실시예들에서, 본 발명은 본원에 기술된 바와 같은 기계 학습 능력들을 통해 엔터테인먼트로서 이용될 수 있다. 예를 들어, 사용자(1314)는 입력을 제공하거나 토픽, 키워드, 카테고리, 질문, 기분 등과 같은 개념을 생각할 수 있고, 시스템은 일련의 질문들(1320) 및 답들을 통해 그것이 무엇인지를 추측할 수 있다. 예를 들어, 사용자(1314)는 야구공과 같은 물체를 생각할 수 있고 시스템은 사용자에게 질문들(1320)을 제공하기 위해 기하학적 시스템들과 같은 기계 학습 능력들을 이용할 수 있다. 전형적인 질문(1320)은 '그것이 토스터보다 더 큰가요?'와 같은 크기와 관련될 수 있다. 이 질문들(1320)은 그 후에 예를 들어 다중 초이스 선택을 통해 사용자에 의해 답변될 수 있고 빈칸에 참/거짓, 자유 응답 등으로 채워질 수 있다. 시스템은 자신이 추측할 때까지 그 후에 질문(1320) 및 답(1322) 시퀀스를 계속하고 이 추측을 사용자에게 제공할 수 있다. 실시예들에서, 이 프로세스는 질문들의 고정된 수, 질문들의 무작위 수, 사용자(1314)가 지정한 질문들의 수, 시스템이 결정한 질문들의 수, 시스템이 지정한 질문들의 수 등 동안 계속될 것이다. 실시예들에서, 시스템은 예를 들어 웹사이트를 경유하는 인터넷을 통해, 단독 통신 디바이스를 통해, 모바일 계산 디바이스를 통해, 전화 서비스를 통해, 보이스 인터페이스를 통해, 인스턴트 메시징 서비스와 공동으로, 텍스트 메시징을 통해, 그리고 기타 등등으로 사용자(1314)에게 사용자 인터페이스를 제공할 수 있다. 실시예들에서, 시스템은 다른 웹사이트로의 위젯, 제 3 자 애플리케이션으로의 API 등과 같이 제 3 자에 제공될 수 있다. 실시예들에서, 본 발명은 플레잉 게임들과 같은 엔터테인먼트 애플리케이션들을 위해 넌-뉴럴 네트워크(non-neural network)들을 이용할 수 있다.
실시예들에서, 본 발명은 신약들을 찾는 것을 보조하는 시스템을 제공할 수 있고, 여기서 상기 시스템은 선택이 보조 및 신약을 만드는 데 있어서 분자들의 결합을 제공할 수 있다. 예를 들어, 시스템이 사용자(1314)에게 용해도, 반응도, 유독성 등과 같은 화학 파라미터와 연관되는 정보에 대해 물어보고 이것들을 질문들(1320)과 결합하여 분자 구조들을 인식하는 데 있어서의 사용자의 전문지식을 조사할 수 있다. 질문들(1320) 및 답(1322) 시퀀스가 진행될 때, 시스템은 사용자(1314)에게 어떤 분자 구조들이 안정되고 합성 가능할 수 있는지에 관한 식견들을 제공할 수 있다. 실시예들에서, 프로세스는 사용자(1314)가 신약에 대해 어떤 분자 결합들이 행해졌는지에 대해 개선된 의식을 가질 때까지, 새 탐구 루트들의 선택이 사용자로의 제시에 이용 가능할 때까지, 새 잠재적 약이 식별될 때까지 등등으로 계속될 수 있다.
실시예들에서, 본 발명은 이미지 파인더 애플리케이션을 제공할 수 있고, 여기서 사용자(1314)는 사용자에게 반드시 명시적으로 공지되지 않는 일부 주관적 기준에 맞는 이미지를 식별하는 데 도움을 받을 수 있다. 예를 들어, 사용자(1314)는 회사에 대한 브로셔의 개발에 참여될 수 있고, 여기서 사용자는 상기 브로셔에 대한 텍스트를 가지지만 텍스트가 전달하려고 시도할 개념들 및 감정들을 지원하기 위한 이미지를 선택할 필요가 있다. 사용자(1314)는 이 경우에 어떤 유형의 사진이 요구될 수 있는지에 대한 주관적인 개념을 가지지만 반드시 사용자가 키워드들로 탐색을 명시할 수 있는 정도까지는 아니다. 사용자(1314)는 대신에 예를 들어 파일, 데이터베이스, 웹 서비스로부터, 구글 이미지들로부터, 광고주 이미지 뱅크 등으로부터 우선 이미지들의 소스를 명시할 수 있다. 그 후에 사용자(1314)는 일련의 질문들을 받거나 사용자(1314)에게는 선택할 일련의 이미지들이 제시될 수 있다. 사용자가 선택하는 답들 및/또는 선택들은 그 후에 사용자에게 다음에 제시되고 추가 질문들(1320) 및/또는 이미지 선택들이 제공될 수 있는 선택들을 세밀화하는 데 이후에 이용될 수 있다. 실시예들에서, 이 프로세스는 사용자(1314)가 최종 이미지로서 선택할 이미지를 찾을 때까지 계속될 수 있다. 추가로, 시스템은 사용자의 '최종 선택'을 취하고 사용자에게 제시하기 위한 다른 유사한 이미지들의 그룹을 선택할 수 있고, 이때 사용자(1314)는 선택 세밀화의 프로세스를 계속할 것을 선택할 수 있다.
실시예들에서, 본 발명은 아기 이름작명 애플리케이션에서 이용될 수 있고, 여기서 사용자(1314)는 자신이 어떤 이름을 선호할 수 있을지에 대한 막연한 의식만을 가질 수 있다. 사용자(1314)에게는 초기에 가족, 친구들, 교육, 유산, 지리적 위치, 태어난 곳, 취미들, 읽은 책들, 본 영화들 등에 대한 질문들(1320)과 같이, 시스템에 사용자의 선호도들의 학습을 보조하기 위한 정보를 제공하려고 의도된 상이한 유형들의 질문들(1320)이 질문될 수 있다. 시스템은 그 후에 이름을 등급화하고, 이름들의 목록으로부터 선택하고, 이름과 관련되는 질문들(1320)에 답하는 것 등등과 같이 복수의 방식으로 이름 선호도와 관련되는 질문들(1320)의 제시를 통해 학습을 계속할 수 있다. 실시예들에서, 이 프로세스는 사용자(1314)가 최종 이름으로서 선택할 이름을 찾을 때까지 계속될 수 있다. 추가로, 시스템은 사용자의 '최종 선택'을 취하고 사용자에게 제시하기 위한 다른 유사한 이름들의 그룹을 선택할 수 있고, 이때 사용자(1314)는 선택 세밀화의 프로세스를 계속할 것을 선택할 수 있다.
실시예들에서, 본 발명은 비디오 게임들, 랩탑들, 휴가들, 카메라들, 일반 인물들, 음료들, 셀룰러 폰들, 텔레비전들, 그릴들, 시계들, 커피 머신들, 발찌들, 할로윈, GPS 디바이스들, 가장 인기 있는 유명인, 당신 개인의 영웅, 대통령 선거, 아기 장난감들, 블로그들, 캠코더들, 차들, 어떤 스타워즈 캐릭터인지, 신용 카드들, 헤어 케어, 스킨 케어, 섹스 앤 더 시티, 문신을 받아야 하나, 직업들, 용돈이 어느 정도인지, 살고 있는 도시, 개 품종들, 향수, 뉴욕, 이웃 선거인, 소프트웨어, 데스크탑, DVD 재생기 및 레코더들, 담배들, 자선 사업들, 브로드웨이 쇼들, 스피커들, 가정용 시어터 시스템들, MP3 재생기들, 컴퓨터 네트워킹 디바이스들, 헤드폰들, 메모리 카드들, 잡지들, 책들, 오프라 픽스, 책들, 뉴욕 타임스 베스트셀러들, 사업, 평상복, 프랜차이즈들, 조리기구들, 장난감들, 장난감-교육, 운동 의류, 에스프레소 머신들, 그리스에 갈까, 부모님들로부터 나와야 하나, 임금 인상을 요청해야 하나, 음주 문제가 있는가, 내 ADD/ADHD 아이에게 약을 주어야 하는지, 진공청소기들, 세탁기들 및 건조기들, 작업하는 것이 나에게 맞는 개시 시간에 있는가, 가습기들, 당신은 좋은 친구인가, 당뇨병을 일으킬 위험성, 어떤 외국어를 배워야 하는지, 전자레인지들, 차 오디오, 당신은 어떤 종류의 고객인지, 와인, 입대해야만 할까, 어떤 군대 병과에 입대해야 할까, 어떤 종류의 예술을 즐겨야 하나, 아기 및 유모차 시트들, 접이식 유모차, 아기 여행 액세서리들, 자연 및 오가닉 미용 제품들, 메이크업, 가정용 오디오 수신기들 및 증폭기들, 복사기들 및 팩스 기계들, 프린터들, 남자친구/여자친구와의 이별, 어떤 그리스 신인지, 어떤 게임 쇼를 즐길 것인지, 컴퓨터 액세서리들, 당신이 어떤 초능력을 가질 것인지, 대학, 온라인 학점 프로그램들, 대학에서의 전공 선택, 아이덴티티 도난 방지, 개인 트레이너를 고용해야 하나, 차를 살까 아니면 리스할까, 레이저 눈 수술을 받아야 하나, 탈모에 무얼 해야 하나, 내 사업을 시작해야 하나, 아이들이 유치원을 다녀야 하나, NYC를 방문한 내 가족들이 즐기는 방법, OTC 진통제들, 사망 선택 유언이 필요할까, 다음 비행을 위한 마일리지 또는 현금, 치아를 미백하는 최선의 방법, 내 딸에게 메이크업을 하게 할까, 최면이 나쁜 습관을 치료할 가능성이 있는가, ED 옵션들, 수면 보조, OTC 알레르기 약들, 결혼 선물에 어느 정도의 돈을 소비해야 하는지, 연장 보증을 구매해야 하는지, SAT 또는 ACT를 취하는 것이 더 좋은지, 개인 오디오 액세서리들, 커피/에스프레소 음료를 즐길 것인지, 비디오 게임 콘솔들, 청바지들, 다운로드 가능 PC 게임들, 스낵들, 비타민 및 보충제들, 어떤 슈퍼히어로인지, 선글라스, 주방용품들, 베개들, 미용 액세서리리들, 미용 가방들 및 케이스들, 스포츠용품들, 어떤 악기가 나한테 맞는지, 실내 장식자를 고용해야 하는지, 전자 리더기들, 쇼핑몰 내에서 어디에 속하는지, 파워 와셔들, 소 사업, 전화 시스템, 팁은 얼마인지, 보톡스를 해봐도 되는지, 지방흡입술을 받아야 하는지, 피부암의 위험성, 집을 차환해야 하는지, 차 서비스(NYC), 소규모 맥주, 미식용 초콜릿들, 은퇴를 위해 충분히 절약하고 있는지, 엔터테인먼트 센터들/TV 스탠드들, 요리책들, 전기 면도기들, 조카들/조카딸들 생일 선물들을 계속 보낼지, 가방, 컴퓨터 프로젝터들, 에너지/연습 바들, 면도날들, 미식용 아이스크림들, 온라인 데이팅, 뉴스캐스트들, 메이크업, 도구들 및 브러쉬들, 미용 거울들 및 컴팩트들, 사업 책들, 처음 데이트 후에 얼마나 빨리 전화해야 하나, 은퇴할 장소들, 외장 하드 드라이브들, 범용 원격 제어들, 워킹화들, 생명 보험 증권을 팔아야 하나, 당신이 얼마나 친환경적인지, 섭식 장애가 있나, 아기 침대들, 다이어트들 및 다이어트 책들, 셀룰러 폰 계획들, 결혼 및 약혼 반지들, 충분히 자신감 넘치는지, 아이들이 비디오 게임을 너무 많이 하는지, 세금 대비(개인 수익), 역 모기지를 받아야 하나, 데이트를 위해 친구들과의 계획들을 취소, 아이들의 TV 쇼들, 주방 조리대들, 목욕용품들, 곤충 퇴치제들, 암 전문의, 병원들, 국립 출자 식당들, 시리얼들, 이제 아이들을 가져야 하나, 유모를 고용해야 하나, 영화들, 쇠고기 살점들, 하루 목표 칼로리들, OCD를 가져야 하나, 가정용 공기 정화기들, 자동 공기 청정제들 및 정화기들, 아이폰 애플리케이션들, 게이/레즈비언 휴가들, 직장동료에게 데이트를 요청하는 것이 좋나, 사춘기 전 아이가 아기를 돌볼 준비가 되어 있나, 스포츠, 에너지 음료들, TV 쇼들, 사무실 가구, 모터사이클들, 우수한 성적표에 대한 아이들 보상, 잔디 깎기 기계들 및 에저(edger)들, 너무 스트레스를 받는지, 종교, 당신은 좋은 첫인상을 주는지, 온라인에서 지나치게 많은 시간을 소비하는지, 새로운 헤어스타일을 해야 하나, 아이에게 홈 스쿨링을 시켜야 하나, 기저귀 가방들, 천 또는 1회용 기저귀들을 이용해야 하나, 개 장난감들, 내 파트너가 나를 속이고 있는지, 고전들, 노령의 부모가 운전을 중단해야 하는지, 내 전 애인과 끝났는지, 욕망인지 사랑인지, 만보계들 및 심박동 모니터들, 츄잉 껌, 날씨 디바이스들, 가스 첨가제들이 내 차에 도움이 될까, 올란도 테마파크들, 얼마나 큰 칠면조를 사야 하나, 대중음악- 새 발매품들, 자가 태너(tanner), 세금 및 돈 관리, 소프트웨어, 아기 병들 및 시피 컵들, 아기 하이 체어들 및 부스터 시트들, 아기 테더(baby tether)들, 토스터들 및 토스터 오븐들, 컴포터 시트들 및 침대 리넨들, 접시류 세트, 펫 캐리어들 및 강아지집들, 치즈, 주방 수도꼭지들, 캐주얼 신발들, 드레스 슈즈들, 미용 전자기기들, 은퇴를 위해 충분히 절약하고 있나, 뮤추얼 펀드 선택기, 스테이크 컷들, D&D 얼라인먼트가 무엇인지, 여드름 및 뾰루지 약, 목욕탕 수도꼭지들, 가정용 외부 조명, 경관 조명, 잔디 깎기 기계들, 아페리티프(aperitif), 코냑, 진, 럼, 스카치, 데낄라 보드카들, 위스키들, 라스베이거스 쇼들, 햇빛 차단제, 런닝화, 미국 MBA 프로그램들, 테라스 및 야외 가구, 주방용 칼들, 진정한 팬인가, 자동차 보험, 개인 법률 서비스들, 재정 고문을 고용해야 하는지, 실내 식물 선택자, 배달 서비스들, 공제할 수 있는지, 풀 히터들, 소파들, 집 번호들, 콘텍트렌즈들, 생일 선물들, 경력이 최고에 이르렀는지, 전자책들, 문 손잡이 & 락 세트들, 눈 제거 장비, 친환경 가정 개선, 아이 옷 & 수영복, 모토사이클 헬멧들, 자전거 헬멧들, 과즙기들, 골프채들, 냉장고들, 와인 쿨러들, 레인지들 및 오븐들, 에어컨디셔너들, 크리스마스 선물들, 이별의 말들, 구순 포진 약, 당뇨 모니터링 디바이스, 흡연 중단, 뒷머리를 어떻게 할까, 폐경기를 막는 호르몬들, 하이킹 백팩들, 스쿨 백팩들, 웹사이트/도메인을 얻는 것, 이메일 서비스들, 웹 호스팅, 카펫들, 전동 기구들, 타일, 워터 히터들, 실외 페인트, 창문 처리들, 벽난로 칸막이들, 실내 램프들, 소규모 사업 법률 서비스들, 브런치 레시피들, 천정식 선풍기들, 매트리스들, 라스베이거스 호텔들 및 카지노들, 살사들, 밸렌타인에 대한 러브 퀴즈, 고객 선물들에 얼마를 지출해야 할지, 기념일 선물들, 아웃도어 외투들, 캐주얼 외투들, 캠핑 텐트들, 슬리핑 백들, 타이어들, 어드벤처 여행들, 음악 다운로드들, 비디오 다운로드들, 웨딩드레스들, 웨딩 테마들, 맨하탄 체육관들, 버짓 호텔 체인들, 골프 코스들, 스키 휴가들, 미국 스파들, ETF 펀드들, 디자이너 핸드백들, 파산을 선언해야 하는지, 집에 대한 착수금으로서의 401k, 정신과 의사를 만나 봐야 하나, 자기방어, 식기류, 식기세척기들, 정당들, 새해의 다짐들, 크루즈 라인들, 가족 휴가들, 아기 음식들, 아기 헬스 케어 제품들, 머리를 밀어야 하나, 티셔츠들, 온라인 사진 서비스들, 졸업 반지 구매, 여름 일자리/인턴십, 어디로 자원봉사를 가야 하는지, 홈 경보 시스템들, 당신의 인간관계 문제의 진단, 그/그녀는 나에게 뜨거운지, 입양해야 하는지, 연세가 드신 부모님들이 운전해야만 하는지, 온라인 은행 계좌, BBQ 소스들, 냉동 피자, 레시피 파인더, 선물 받을 것을 선물해야 하나, 보디빌딩 보충제들, 가정 운동 장비, 몇 시간을 잠을 잘 필요가 있는지, 성형수술을 고려해야만 하나, 관절염의 위험성, 심장 질환의 위험성, 골다공증의 위험성, 도박 문제가 있는지, 배우기 가장 좋은 춤, 자전거, 고양이 식품, 개 식품, 취미 추천인, 무술, 포스터 예술, 야외 꽃 선택기, 당신은 어떤 머펫인지, 아이들을 위한 활동들, 당신은 어떤 윤리적인 사람인지, 아이들에게 세례를 해야 하는지, 마이애미 호텔들, 미국 국립 공원들, 모터 오일들, 자동차 비디오, 블라우스들, 코트들, 드레스들, 안경테들, 양말류들, 인터뷰 의상들, 자켓들, 네글리제, 바지, 셔츠, 스커트, 모자들, 전화 지상 라인들, 스테이크하우스들, 어떤 출산 방법이 당신에게 맞는지, 여름 캠프 추천인, 3월의 광란 브래킷 선택인, 유아용 이동식, 뉴욕 빵집들, 작은 제트기 소유권, 얼마나 자신감이 있는지, 디지털 사진 프레임들, 회계사가 필요한지, 내 아이가 ADD/ADHD를 가지고 있는지, 문서 파쇄기(shredder)들, 아기 모니터들, 친환경 홈 개선, 컨퍼런스 폰들 등을 포함하는 복수의 토픽들에 대한 결정들을 제공할 수 있으나 이로 제한되지 않는다
실시예들에서 그리고 도 13에 도시된 바와 같이, 본 발명은 기계 학습 수단(1302)의 이용을 통해 사용자(1314)가 결정(1310)를 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1320)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자에게 결정(1310)을 제공할 수 있다. 실시예들에서, 기계 학습 수단(1318)에 의해 제공되는 미래의 질문들(1320) 및 결정들(1310)은 사용자(1314)에 의해 제공되는 피드백(1312)을 통해 개선될 수 있다.
실시예들에서, 사용자(1314)에 의해 제기되는 초기 질문(1304)은 객관식 질문, 주관식 질문 등일 수 있다. 질문(1320)은 제품, 개인 정보, 개인 건강, 경제 건전성, 사업, 정치, 교육, 엔터테인먼트, 환경 등에 관련되는 토픽들과 같이 광범위한 카테고리의 토픽들 중에서 제공될 수 있다. 질문들(1320)은 다수의 선택 질문, 예-아니오 질문, 등급, 이미지들의 선택, 개인 질문 등의 형태일 수 있다. 질문들(1320)은 사용자(1314) 주위에서, 다른 사용자에 의해 제공되고, 전문가에 의해 제공되고, 기타 등등일 수 있다. 질문들(1320)은 예를 들어 현재 사용자(1314)와의 대화(1308)로부터, 사용자(1314)와의 저장된 이전 대화(1308)로부터, 다른 사용자와의 저장된 이전 대화(1308)로부터의 이전 대화에 기초할 수 있다. 질문(1320)은 의사 랜덤(pseudo random) 질문, 예를 들어 테스트 질문, 탐구 질문(1320)이 유용한 것으로 판명이 날 것으로 기대하고 의사 랜덤 결정(1310)을 선택하는 데 도움을 주는 탐구 질문(1320) 등일 수 있다. 질문들(1320)은 적어도 하나의 이미지를 질문의 일부로 포함할 수 있다. 질문들(1320)은 사이코그래픽 차원들을 따를 수 있다. 실시예들에서, 질문들(1320)은 사용자(1314)에게 직접적으로 질문되지 않을 수 있고 오히려 예를 들어 IP 주소, 사용자의 위치, 사용자가 있는 곳의 날씨, 도메인 네임을 통해, 경로 정보와 관련되고, 최근 다운로드와 관련되고, 최근 네트워크 액세스와 관련되고, 최근 파일 액세스와 관련되는 문맥 정보 등으로부터 결정될 수 있다.
실시예들에서, 대화(1308)는 기계 학습 수단(1318)가 사용자에게 제시되는 감소된 세트의 결정들, 사용자에게 제시되는 단일 결정(1310)과 같이, 감소된 세트의 결정들에 대한 높은 신뢰도를 쌓을 때까지 계속될 수 있다. 기계 학습 수단(1318)에 의해 제공되는 결정(1310)은 대화(1308)에서의 질문들의 순서와는 독립적일 수 있다. 결정(1310)은 대화 내의 적어도 하나의 질문(1320)이 생략될 때 대안의 결정(1310)을 제공할 수 있고, 여기서 대안의 결정(1310)은 사용자(1314)로부터의 정보가 더 적은 기계 학습 수단(1318)에 기초하여 상이할 수 있다. 결정(1310)은 비전통적인 피처 차원들에 걸친 순위 결정들과 같이, 결정 선택들의 순위를 디스플레이할 수 있다. 결정(1310)은 결정(1310)과 관련되는 적어도 하나의 이미지를 디스플레이할 수 있다. 결정(1310)은 탐구 시스템의 일부인 의사 랜덤 결정과 같이, 의사 랜덤 결정(1310)이 유용할 것으로 판명이 날 것이란 기대가 있는 의사 랜덤 결정일 수 있고, 여기서 탐구 시스템은 시스템의 효율을 증가시킬 수 있고, 기계 학습 수단(1318)는 탐구로부터 학습할 수 있고 기타 등등일 수 있다.
실시예들에서, 제공되는 피드백(1312)은 사용자(1314)가 대화(1308) 내의 질문들(1320)에 어떻게 답하는지, 사용자(1314)가 기계 학습 수단(1318)에 의해 제공되는 결정(1310)에 어떻게 응답하는지 등과 관련되거나 이것들로부터 도출될 수 있다. 실시예들에서, 피드백(1312)은 사용자(1314)로부터 간청될 수 있다.
실시예들에서, 사용자들(1314)은 새로운 정보를 입력함으로써 기계 학습 수단의 학습을 확장할 수 있고, 여기서 새로운 정보는 사용자 자신의 토픽, 질문, 답, 결정 등일 수 있다. 기계 학습 수단(1318)는 새로운 정보가 사용자들에게 유용한지를 결정하기 위해 상기 새로운 정보를 이용할 수 있다.
실시예들에서, 예를 들어 웹 인터페이스, 인스턴트 메시징, 보이스 인터페이스, SMS가 있는 셀룰러 폰 등과 연관되는 기계 학습 수단(1318)와의 사용자 상호 작용을 위해 사용자 인터페이스가 제공될 수 있다.
실시예들에서, 본 발명은 사용자가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있고, 여기서 초기 질문(1304)은 제품, 개인, 건강, 사업, 정치, 교육, 엔터테인먼트, 환경 등과 같은 토픽들의 넓은 카테고리 중 하나와 연관될 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자(1314)에게 결정(1310)을 제공할 수 있다. 실시예들에서, 기계 학습 수단(1318)에 의해 제공되는 미래의 질문들(1320) 및 결정들(1310)은 사용자(1314)에 의해 제공되는 피드백(1312)을 통해 개선될 수 있다.
실시예들에서 그리고 도 14에 도시된 바와 같이, 본 발명은 컴퓨팅 학습 수단(1402)의 이용을 통해 사용자가 결정(1310)를 행하는 데 도움을 줄 수 있다. 프로세스는 컴퓨팅 수단(1418)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 컴퓨팅 수단(1418)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1408)를 제공받을 수 있다. 컴퓨팅 수단(1418)는 그 후에 복수의 사용자들(1412)로부터의 피드백으로부터의 취합된 피드백(1428)에 기초하여 사용자(1314)에게 결정(1310)을 제공할 수 있다. 실시예들에서, 컴퓨팅 수단(1418)는 사용자로부터 피드백(1412)을 수신하는 것에 기초하여 컴퓨팅 수단(1418)에 의해 제공되는 미래의 질문들(1320) 및 결정들(1310)을 개선할 수 있다.
실시예들에서, 본 발명은 사용자가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문들(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있고, 여기서 대화(1308)를 통해 제공되는 질문들(1320) 및 답들(1322)의 수는 결정(1310)의 질을 결정할 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자에게 결정(1310)을 제공할 수 있다. 실시예들에서, 기계 학습 수단(1318)에 의해 제공되는 미래의 질문들(1320) 및 결정들(1310)은 사용자에 의해 제공되는 피드백(1312)을 통해 개선될 수 있다. 실시예들에서, 상기 질은 질문들(1320) 및 답들(1322)의 수가 클 때, 예를 들어 10개의 질문들보다 더 많고, 15개의 질문들보다 더 많고, 10개의 질문들보다 더 많고, 기타 등등일 때 고급일 수 있다. 실시예들에서, 상기 질은 질문들(1320) 및 답들(1322)의 수가 작을 때, 예를 들어 10개의 질문들보다 더 적고, 5개의 질문들보다 더 적고, 3개의 질문들보다 더 적고, 하나의 질문이고, 기타 등등일 때 양호한 품질일 수 있다.
실시예들에서 그리고 도 15에 도시된 바와 같이, 본 발명은 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행할 수 있다. 시스템은 사용자(1314)로부터 초기 질문(1304)을 수신할 수 있는 기계 학습 수단(1318), 사용자(1314)에게 질문들(1320)을 제공하고 사용자로부터 답들(1322)을 수용하는 기계 학습 수단(1318) 내의 대화 수단(1502), 결정 수단(1504)로부터의 결정(1310)을 사용자(1314)에게 제공하는 기계 학습 수단(1318) 등을 포함할 수 있다. 실시예들에서, 사용자(1314)에게 제공되는 결정(1310)은 사용자(1314) 및 기계 학습 수단(1318) 사이에서의 대화(1308)의 교환에 기초하고 초기 질문(1304)과 관련될 수 있다. 게다가, 기계 학습 수단(1318)는 기계 학습 수단(1318)에 의해 제공되는 미래의 질문들(1320) 및 결정들(1310)을 개선시키기 위해 사용자(1314)로부터 피드백 수단(1508)를 통해 피드백(1312)을 수신할 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 탐색 애플리케이션, 소셜 네트워크 애플리케이션, 서비스 제공자, 비교 쇼핑 엔진, 미디어 회사의 웹 환경 등과 같이, 제 3 자를 통해 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자에게 결정(1310)을 제공할 수 있다. 실시예들에서, 기계 학습 수단(1318)에 의해 제공되는 미래의 질문들(1320) 및 결정들(1310)은 사용자(1314)에 의해 제공되는 피드백(1312)을 통해 개선될 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 제 3 자 탐색 애플리케이션을 통해 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있고, 여기서 사용자는 제 3 자 탐색 애플리케이션 상의 키워드 탐색으로 시작하고 그 후에 기계 학습 수단(1318)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받는다. 기계 학습 수단(1318)는 그 후에 대화(1308)에 기초하고 초기 질문(1304)에 관련하여 사용자(1314)에 결정(1310)을 제공할 수 있고, 여기서 결정(1310)은 제 3 자 탐색 애플리케이션에 예를 들어 분류된 목록의 형태로 역으로 제공될 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있고, 여기서 기계 학습 수단(1318)는 제 3 자 정보, 기능들, 유틸리티들 등을 이용할 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자에게 결정(1310)을 제공할 수 있다. 실시예들에서, 제 3 자 정보, 기능들, 유틸리티들 등은 비용 정보, 제품 정보, 신상 정보, 토픽 정보 등의 수집이 가능한 애플리케이션 프로그래밍 인터페이스(application programming interface; API)를 포함할 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 제 3 자 탐색 애플리케이션을 통해 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있고, 여기서 사용자(1314)는 제 3 자 탐색 애플리케이션 상의 키워드 탐색으로 시작하고 그 후에 기계 학습 수단(1318)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받는다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자에게 결정(1310)을 제공할 수 있다. 실시예들에서, 결정(1310)은 적어도 부분적으로 협력 필터링에 기초하여 제 3 자 탐색 애플리케이션으로 역으로 제공될 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자(1314)에게 결정(1310)을 지닌 적어도 하나의 이미지를 제공할 수 있다. 실시예들에서, 이미지는 사진, 그림, 비디오 이미지, 광고 등일 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있고, 여기서 질문들(1320)은 적어도 부분적으로 기계 학습 수단(1318)의 다른 사용자들로부터의 학습으로부터 결정될 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자(1314)에게 결정(1310)을 제공할 수 있다. 실시예들에서, 결정(1310)은 기계 학습 수단(1318)의 다른 사용자들에 의해 제공되는 결정들(1310)로부터의 학습에 적어도 부분적으로 기초할 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문들(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자에게 결정(1310)을 제공할 수 있다. 실시예들에서, 결정(1310)은 협력 필터링에 적어도 부분적으로 기초할 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자(1314)에게 결정(1310)을 제공할 수 있다. 실시예들에서, 결정(1310)은 협력 필터링에 적어도 부분적으로 기초할 수 있고, 협력 필터링의 컨텍스트는 협력 필터링에 컨텍스트를 제공하는 적어도 하나의 질문과 같이, 대화(1308)를 통해 제공된다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문들(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자(1314)에게 결정(1310)을 제공할 수 있다. 실시예들에서, 결정(1310)은 기계 학습 수단(1318)의 복수의 사용자들(1314)을 통해 수집된 정보에만 기초하고 초기 질문(1304)와 관련될 수 있고, 여기서 기계 학습 수단(1318)의 복수의 사용자들(1314) 중 적어도 하나는 대화(1308)와 연관되는 사용자(1314)일 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문들(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 그 후에 대화(1308)에 기초하고 초기 질문(1304)에 관련하여 그리고 초기 질문(1304)의 주제에 대한 제한된 초기 기계 학습 수단(1318) 지식으로 사용자(1314)에게 결정(1310)을 제공할 수 있다. 실시예들에서, 제한된 초기 기계 학습 수단(1318)는 시드 지식(seed knowledge)일 수 있고, 초기 질문(1304)의 주제와 연관되는 기본 지식으로 제한될 수 있고, 초기 질문(1304)의 주제와 연관되고 전문가 지식일 수 있는 기본 지식으로 제한될 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문들(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자(1314)에게 결정(1310)을 제공할 수 있고, 여기서 결정(1310)은 전문가 및 사용자 입력들의 결합으로부터의 학습에 기초할 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문들(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자(1314)에게 카테고리-기반 결정(1310)을 제공할 수 있다.
실시예들에서, 본 발명은 사용자(1314)가 기계 학습 수단(1318)의 이용을 통해 결정(1310)을 행하는 데 도움을 줄 수 있다. 프로세스는 기계 학습 수단(1318)에 의해 사용자(1314)로부터 수신되는 초기 질문(1304)으로 시작할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있다. 기계 학습 수단(1318)는 사용자(1314)에게 결정(1310)을 제공할 수 있고 여기서 기계 학습 수단(1318)는 사이코그래픽스 및 인구 통계학적 차원들 중 적어도 하나에 따라 결정들(1310)을 카테고리화하고 제공하기 위해 기계 학습 수단(1318)의 복수의 사용자들(1314)로부터의 응답들을 이용할 수 있다.
실시예들에서, 본 발명은 기계 학습 수단(1318)의 이용을 통해 사용자(1314)에게 응답을 제공할 수 있다. 사용자(1314)는 그 후에 기계 학습 수단(1318)로부터의 질문들(1320) 및 사용자(1314)에 의해 제공되는 답들(1322)로 구성되는 대화(1308)를 제공받을 수 있고, 여기서 기계 학습 수단(1318)로부터의 질문들(1320)은 엔터테인먼트 애플리케이션, 약 탐색 애플리케이션, 아기 이름 애플리케이션 등과 같은 애플리케이션과 관련될 수 있다. 기계 학습 수단(1318)는 그 후에 상기 대화(1308)에 기초하고 추천, 진단, 결론, 어드바이스 등과 같은 초기 질문(1304)과 관련하여 사용자(1314)에게 응답을 제공할 수 있다. 실시예들에서, 기계 학습 수단(1318)에 의해 제공되는 미래의 질문들(1320) 및 결정들(1310)은 사용자(1314)에 의해 제공되는 피드백(1312)을 통해 개선될 수 있다.
실시예들에서, 본 발명은 사용자 입력으로부터의 텍스트 매치에 기초하고, 사용자의 기호 프로파일에 기초하고, 기타 등등에 기초한 결과와 같이, 다수의 차원들에 기초한 결과들을 제공할 수 있다. 도 27은 사용자 질문 "fios"에 대한 탐색 결과들을 도시하는 예시 탐색 인터페이스를 도시한다. 이 예에서, 순위들은 사용자 질의에 대한 양호한 텍스트 매칭인 제 1 발견 결정과 결정 결과들(추천들) 및 시스템이 사용자의 기호 프로파일에 대해 가지고 있는 지식에 의한 제 2 순위 결정에 기초하고, 이 예에서, "fios"는 "어떤 ISP를 이용해야 하는지"(2702) 및 "어떤 미국 위성/케이블 서비스 공급자를 얻어야 하는지"(2704)에 대한 추천으로서의 결정 결과들 "Verizon FIOS"에 대한 양호한 텍스트 매치이고 이 둘은 사용자의 기호 선호도들에 기초한 이 사용자들의 #1 순위화 결과이다.
실시예들에서, 본 발명은 사용자의 구조화되지 않은 입력에 응답하여 다수의 질문 및 답 '결과들'을 제공할 수 있다. 예를 들어, 도 28은 사용자의 질의가 'SUV'인 경우를 도시한다. 1 결과는 토픽 '어떤 새 차를 구매해야 하나?'(2802)에 대한 것이지만 이미 'SUV'로 답이 된 질문 '당신은 어떤 유형의 차를 원하나요?'에 의한 것이다. 이는 구조화되지 않은 탐색 및 시스템이 저장하는 구조화된 Q&A 데이터 사이의 가교를 제공할 수 있다. 게다가, 예에서 도시된 바와 같이, 사용자의 상위 세 개의 결과들은 사용자의 기호 프로파일들에 기초하여 개인화되어 디스플레이된다. 효율적이게도, 사용자는 종래의 Q&A 인터페이스를 통해 어떠한 질문들에도 명시적으로 답하지 않고 예를 들어 도시된 예들로서 제공되는 다른 질문들 '어떤 BMW를 사야 하나?(2804)', '어떤 최근 모델의 중고차를 사야 하나?(2808)'및'내 차나 트럭에 어떤 타이어들을 이용해야 하나?(2810)'에 대해 키워드 탐색을 행하였고 결과들을 획득하였다.
실시예들에서, 본 발명은 사용자가 서로 모순되거나, 상호 배타적이거나, 또는 사용자에 대한 결과들의 순위들에 각각 개별적으로 상당한 영향을 미치는 질문들에 답을 제공했을 때 상기 사용자에게 자신의 선호도들을 표현하도록 요청할 수 있다. 예를 들어, 사용자는 "어떤 새 차를 사야 하나?" 토픽을 시작하여 자신은 18,000달러 미만이고 화려한 것보다는 더 실제적인 SUV를 원한다고 답할 수 있다. 시스템은 더 중요한 것, 즉 차량이 SUV이거나 18,000달러 미만인 것에 대해 사용자의 선호도를 획득하고자 원할 수 있다. 도 29는 자신들의 선호도를 요청하는 사용자에 대한 예시 질문을 도시한다.
실시예들에서, 시스템은 이전사용자, 결정에 대한 결과, 질문-대-답-결정-대-결과, 등인 질문 중요성의 세트를 학습할 수 있다. 예를 들어, 시스템은 작은 카메라들을 사게 될 때, 사용자(A)는 가격보다는 중량에 대해 관심이 많지만, 차를 사게 될 때 다른 무엇보다 가격에 더 관심이 많다는 것을 학습할 수 있다.
실시예들에서, 사용자들은 새 결정 결과들을 추가함으로써 시스템을 확장할 수 있다. 상기 새 결정 결과들은 결정 결과에 대해 더 많은 것을 판독하기 위해 선택적으로 웹 페이지들로의 링크들을 포함할 수 있다. 시스템은 링크들을 제휴하기 위해 이 링크들을 자동으로 변환시킴으로써 시스템이 링크가 지적한 사이트로부터의 커미션들을 수신할 수 있게 된다. 게다가, 사용자에 의해 제출된 링크들에 기초하여, 시스템은 그것이 어떤 종류의 링크인지 인식하고 예를 들어 Amazon.com으로부터 제품들에 대한 가격과 같은 정보를 분석하는 방법 또는 판매자 지정 API 호출들이 제품 코드들에 기초하여 제품 정보를 찾게 할 수 있도록 제품 코드들을 분석하는 방법을 이해할 수 있다.
실시예들에서, 사용자들은 특이값 분해(singular value decomposition; SVD), 고유벡터(eigenvector) 기반 방법들 등과 같은 차원 축소 기술들을 이용하여 그룹들로 클러스터화될 수 있다. 시스템은 사용자들의 그룹이 왜 서로 클러스터화되었는지에 대한 정보를 디스플레이할 수 있다. 이를 행하는 하나의 방법은 전체로서의 클러스터가 대부분 모집단 평균과는 상이한 저차원 공간에서 상위 X 차원들을 찾는 것이다. 서브-공간에서의 각각의 차원에서의 일반적인 모집단의 분포로부터의 답들의 클러스터의 분포의 발산은 각각의 클러스터에 대해 무엇이 고유한지를 답들이 얼마나 양호하게 설명하는지에 의해 차원들을 순위화하는 데 이용될 수 있다.
실시예들에서, 서브-공간에서의 차원들은 자체가 많은 상이한 피처(feature)들, 예를 들어 어떤 사람이 질문들에 답했는지 또는 그들은 어떤 결정 결과들을 좋아하는지로 구성되므로 용이하게 기술되거나 해석될 수 없다. 각각의 차원이 의미하는 것을 설명하는 하나의 방법은 차원의 상이한 극값들과 대부분 상관되는 질문들 및 답들을 찾고 이 질문들/답들로 차원들로 라벨링하는 것일 수 있다.
실시예들에서, 사용자들을 클러스터화하는 하나의 방법은 사용자들의 초기 무작위 그룹화를 선택하고 사용자들을 클러스터들 사이에서 반복해서 이동시켜서 사용자들이 자기 자신의 클러스터 내에서 상이한 정도를 최소화하는 것일 수 있다. 어떤 수의 반복들 후에 프로세스는 중단될 수 있거나 프로세스는 에러의 임계치량에 도달했을 때까지 계속될 수 있다.
실시예들에서, 본 발명은 사용자 유사도에 의한 매칭을 용이하게 할 수 있다. 제공된 사용자 이름, 이메일 주소, 수 사용자 아이디 등은 여러 면에서 유사하거나 유사하지 않은 다른 사용자들의 목록을 제공한다. 예를 들어, 제공된 페이스북 사용자 이름은 전체적으로 어떤 특정한 면에서, 일렉트로닉스에서 유사한 기호들을 가지는 다른 페이스북 사용자들의 순위화된 목록을 제공한다. 게다가, 이 목록은 예를 들어 소셜 그래프에서 제 1 사용자로부터 1 디그리(degree) 떨어져 있는 다른 사용자들에게 선택적으로 제한될 수 있다(예를 들어, 나를 가장 좋아하는 사람에게 질문할 수 있도록 페이스북 상의 내 친구들을 자신의 유사성에 의해 순위화한다). 실시예들에서, 사용자 유사성은 사용자에게 사용자에 대한 질문들을 물어보고, 자신의 소셜 그래프를 보고, 자신의 위치, IP 주소, 시간 등과 같은 컨텍스트를 이용하는 것 등을 통해 계산될 수 있다. 소셜 그래프는 사용자 이름, 이메일 주소, 이름, 성(family name), 생일, 주소, 성(sex) 및 정보와 같은 다른 것에 대한 발견 분석법(heuristics)에 기초하여 소셜 그래프 내의 사용자들을 다른 데이터 내의 공지된 사용자들로 매핑함으로써 이용될 수 있다. 트라이앵귤레이트(triangulate)하려고 시도하고 있는 사람으로부터 사람들이 더 제거되는 경우에서도 더 많은 사람들을 고려하기 위해 인접한 사람들이 소셜 그래프에서 탐색될 수 있다. 예를 들어, 페이스북에서의 소셜 그래프를 Amazon 상에 리뷰를 작성했던 사용자들과 결합하여 페이스북에서 나를 가장 좋아하는 사람들을 찾고 그 후에 랩탑 추천을 받기 위해 그들이 Amazon에서 어떤 랩탑들을 좋아하는 경향이 있는지를 찾아본다. 다른 예에서, 리뷰어들은 유사한 사람들에 기초하여 Yelp, Tripadvisor, Amazon 등과 같은 사이트에서 필터링될 수 있다. 이 정보는 그 후에 사용자가 예를 들어 사용자들에게 페이스북에서의 "친구", 트위터에서의 '팔로우' 등을 추천하는 것을 돕는 데 이용될 수 있다. 도 30 및 도 31은 본 발명에 의해 제공될 수 있는 바와 같은 유사성 프로파일들의 예들을 제공한다.
실시예들에서, 본 발명은 대신 사람들을 추천하고 사람들이 결과적으로 어떤 것들을 좋아하고/싫어하는지에 의해 추천들 사이의 인디렉션(indirection)의 레벨을 제공할 수 있다. 본 발명은 Amazon에서 유사한 사용자들이 구매했던 것에 기초하는 살 것들, Yelp, Zagat, Foursquare 등에서 유사한 사용자들에 기초하는 먹을 장소들, 유사한 사람들이 클릭했던 것에 기초하는 구글 탐색 결과들에서 클릭할 것들 등을 추천할 수 있다. 예를 들어, 트위터의 새 사용자가 어떤 사용자들을 팔로우해야 하는지를 추천하는 문제를 고려하자. 본 발명은 트위터 상의 사용자들 및 누가 이들을 팔로우하는지를 모두 찾아보고 사용자가 자신에 대해 답했던 질문들에 기초하여 각각의 사용자에 대한 것들을 알고 있는 본 발명의 데이터 세트로 이 팔로워들 중 일부를 매칭할 수 있다. 이는 또한 사용자들에 대한 다른 것들을 학습하기 위해 팔로워들을 Amazon 사용자들, Yelp 사용자들 등과 같은 다른 사용자들에 매칭할 수 있다. 이에 기초하여, 본 발명은 트위터 사용자와 같은 특정한 사용자의 팔로워들에 대해 추론을 행할 수 있다. 이제, 새로운 사용자는 자신들에 대해 질문을 받고 이 새 사용자가 어떤 기존 사용자의 팔로워들을 가장 좋아할지를 찾을 수 있다. 새 사용자와 가장 유사한 팔로워들을 가진 기존 트위터 사용자를 팔로워하기 위해 새 트위터 사용자에 대한 추천이 그 후에 생성될 수 있다.
실시예들에서, 본 발명은 사용자로부터의 새로운 정보를 즉시 반영하고, 위치 등을 변경하여 추천들을 재순위화하거나 아니면 결과들을 개선하는 것과 같이 사용자의 소셜 그래프, 사용자들에 대한 새로운 사실들, 사용자의 컨텍스트를 즉시 이용하는 추천들을 행하는 것과 같이, 실시간 개인화를 용이하게 할 수 있다.
실시예들에서, 본 발명은 위치, 시간, 날씨, 소셜 그래프 등과 같은 컨텍스트에 기초하여 매칭하여, 예를 들어 위치를 암시적으로 이용하여 사용자가 먹고 마시고자 하는 근처의 장소들, 사용자가 보기를 원할 수 있는 장소들, 할 것들 등을 보여줄 수 있다. 예를 들어, 이 프로세스는 그 후에 GPS를 통해 위치 데이터에 액세스하는 모바일 애플리케이션에서 이용될 수 있다. 선택적으로, 현재의 날씨(예를 들어, 비가 오는 경우 사람들이 단지 파티오로 인해 좋아하는 장소를 추천하지 않는다), 현재의 시간(예를 들어, 오전 10시에 나이트클럽들을 추천하지 않는다), 캘린더(예를 들어, 사용자가 언제 바쁜지 사용자가 미래에 어디에 있어야 하는지), 소셜 그래프(예를 들어, 사용자의 친구들이 다른 모든 것이 동일한 장소들을 추천) 등과 같은 사용자의 컨텍스트의 다른 부분들에 의해 추천이 고지될 수 있다.
실시예들에서, 본 발명은 예를 들어 사용자가 도움을 주고자 하는 결정 또는 추천에 대한 사용자로부터의 자유 형태 또는 구조화된 입력을 가능하게 하는 자연 언어 질문 및 답 인터페이스를 제공할 수 있다. 입력은 사용자에게 물어봄으로써, 다른 사용자들이 질문을 리뷰하게 함으로써, 자연 언어 프로세싱(즉, "이 질문은 일렉트로닉스, 여행, 자동차 또는 어떤 다른 토픽에 관한 것인가?")과 같은 자동화 기술들 등에 의해 카테고리화될 수 있다.
실시예들에서, 본 발명은 질문의 카테고리에서 전문지식을 가진 요청 사용자에 유사한 사용자들을 찾을 수 있다. 예를 들어, 사용자는 호텔들 내에 유사한 기호를 가지고 LA 호텔들에 대해 어떤 것을 알고 있는(자신의 행동들에 기초한 자체 기술된 정보 및 입증 정보) 사람들로부터 LA에 있는 호텔에 대한 어드바이스를 원할 수 있다. 예를 들어, 본 발명은 그 후에 새로운 질문 및 이를 해결하는 데 있어서의 사용자들의 도움을 요청하는 것을 상기 유사한 사용자들에 상기시킬 수 있다. 얼마나 많은 이전의 질문들/경보들이 사용자에게 송신되었는지, 사용자가 이미 얼마나 많이 응답했는지, 이들의 응답들이 얼마나 도움이 되었는지 등에 대한 고려가 제공될 수 있다. 유사한 사용자들은 요청 사용자의 결정 또는 추천 프로그램을 고지하는 데 도움을 주기 위해 요청 사용자와 대화에 참여하는 것이 허용될 수 있다. 결과적인 대화는 대화를 구조화된 형태로 인텍싱하여 이후에 다른 요청 사용자들에 의한 이후의 리콜을 보조하기 위해 다른 이들이 유사한 사용자들을 이용하거나 권장하도록 저장될 수 있다.
본 발명은 예를 들어 시스템과의 직접 사용자 상호 작용과는 독립적으로, 제 3 자 사이트들에 제 3 자 사용자들을 학습하고, 유사한 사용자들을 찾고, 추천들을 행하는 능력을 제공할 수 있다. 실시예들에서, 본 발명은 자기 자신의 웹사이트들을 호스팅하는 제 3 자들 같은 제 3 자들이 사용자의 기호들, 선호도들, 좋아하는 것들, 싫어하는 것들 등에 대해 학습하기 위해 이용할 수 있는 기호 및 선호도 API를 제공할 수 있고, 사용자는 본 발명의 컴퓨팅 수단와 직접적으로 상호 작용하거나 대화에 참여되지 않는다. 예를 들어, 사용자는 Amazon.com과 같은 웹사이트에 가서 제품에 대해 질의를 행할 수 있다. 이 예에서, Amazon은 사용자의 기호들, 선호도들 등을 더 양호하게 결정하기 위해 사용자의 기호 및 선호도 프로파일의 생성 또는 증강을 가능하게 하고 따라서 제 3 자가 사용자 질의에 관하여 사용자에 대해 역으로 유의미한 응답들을 더 양호하게 타깃팅(targeting)하는 것이 가능한 본 발명의 API를 가질 수 있다. 실시예들에서, 제 3 자는 예를 들어 사용자와의 이전 상호 작용들을 통해 사용자의 기호들 및 선호도를 결정함으로써, 사용자 상호 작용 없이 사용자의 기호들, 선호도들 등을 결정하기 위해 API를 이용할 수 있고, 이 이전 상호 작용들은 이전의 상호 작용들로부터 올 수 있고 반면에 이 예에서의 아마존과 같은 제 3 자 사이트에서 또는 유사한 API를 호스팅하는 다른 웹사이트들과의 이전 상호 작용들로부터 또는 본 발명의 수단와의 직접적인 상호 작용을 통해 기원할 수 있다. 실시예들에서, API는 사용자들의 상호 작용들은 다른 유사한 사용자들을 식별하는 데 이용될 수 있도록 복수의 사용자들에 의해 이용될 수 있고 따라서 현재 사용자에 대한 추천들의 선택을 보조하기 위해 이들 다른 유사한 사용자들의 선택들, 결정들, 선택, 추천들 등을 이용할 수 있다. 실시예들에서, 이 다른 유사한 사용자들은 API를 호스팅하는 제 3 자와 연관되거나, 다른 호스트 API 사이트로부터 기원하거나, 본 발명의 수단로부터 기원할 수 있다. 실시예들에서, 제 3 자에 의해 호스팅되는 본 발명의 API의 이용으로 사용자의 기호들, 선호도들, 좋아하는 것들, 싫어하는 것들, 속성들 등에 관하여 현저한 장점이 제 3 자 사이트에 제공될 수 있다.
실시예들에서, 사용자의 기호들 및 선호도들은 다른 유사한 사용자들, 소셜 네트워크 내의 사용자들에 접속되는 다른 사용자들, 개인 또는 직업 활동을 통해 연관되는 다른 사용자들, 친구들 또는 가족인 다른 사용자들 등과 같은 다른 사용자들을 통해 결정되거나 증가될 수 있다. 실시예들에서, 이는 사용자의 질문들을 물어볼 필요 없이 행해질 수 있다. 예를 들어, 사용자는 본 발명을 통해 설정되는 바와 같은 기존 기호 및 선호도 프로파일을 가질 수 있고, 상기 프로파일은 사용자의 소셜 네트워크, 가족, 사업 장소 등에서의 다른 사용자들에 대한 정보를 수집 또는 추론함으로써 개선될 수 있다. 실시예들에서, 사용자의 프로파일은 다른 유사한 사용자들, 또는 예를 들어 소셜 네트워크를 통해서 사용자와 어떤 접속을 행하는 것으로 나타나는 사용자들로부터 추가 기호들 및 선호도들을 추론함으로써 개선될 수 있다. 실시예들에서, 사용자의 프로파일은 제품 선택, 추천 등에서처럼, 다른 유사한 사용자들에 의해 행해지는 선택들을 통해 개선될 수 있다. 실시예들에서, 시스템은 사용자가 좋아하거나 좋아하지 않는 것들의 사용자의 등급화를 통해, 또는 사용자가 자신의 사용자 프로파일을 어떻게 태그(tag)하는지를 분석함으로써 기호 프로파일을 추론하는 것과 같이 자연 언어 프로세싱의 이용을 통해 공지된 사용자의 기호 프로파일에 대해 학습할 수 있다.
도 32를 참조하면, 실시예들에서 본 발명은 하나 이상의 컴퓨터들 상에서 수행될 때 컴퓨터 수단(3202)의 이용을 통해 다음의 단계들을 수행함으로써 제 3 자 웹사이트가 사용자에 대해 학습하는 것을 도와주는 컴퓨터 판독 가능 매체에서 구현되는 컴퓨터 프로그램 제품을 제공할 수 있다: (1) 제 3 자의 마켓에 적용된 바와 같은 사용자(3218)의 선호도들을 결정하기 위해 사용자 선호도 학습 API를 제 3 자 웹사이트(3220)에 제공하는 단계로서, 상기 선호도 학습 API는 컴퓨터 수단의 확장으로서 실행되고 있는, 제공하는 단계와(3204); (2) 제 3 자의 마켓과 관련되는 제 3 자 정보를 수신하는 단계와(3208); (3) 사용자(3218)의 선호도들을 수집하고 이것들을 사용자 선호도 프로파일로서 저장하는 단계와(3210); (4) 제 3 자의 마켓과 연관되는 제 3 자 웹사이트(3220)에서 사용자로부터 질의를 수신하는 단계와(3212), (5) 수신된 질의에 대한 답에 제 3 자를 보조하기 위해 사용자 선호도 프로파일 및 제 3 자 정보에 기초하여 제 3 자에 추천을 공급하는 단계(3214). 실시예들에서, 선호도들을 결정하는 것은 자연 언어 프로세싱의 이용을 통해서일 수 있다. 컴퓨팅 수단은 기계 학습 수단일 수 있다. 제 3 자 정보는 제품 제조자들로부터의 제품 정보, 웹 상인들로부터의 제품 정보, 다른 웹사이트들로부터의 가격 정보, 다른 웹사이트들로부터의 구입 가능성 정보, 상인들로부터의 가격 정보, 상인들로부터의 구입 가능성 정보, 리뷰, 코멘트들 및 등급들 중 적어도 하나로 구성될 수 있다. 선호도 학습 API는 비용 정보, 제품 정보, 신상 정보 및 토픽 정보 중 적어도 하나의 수집이 가능하다. 게다가, 사용자 프로파일 선호도들은 추가적으로 사용자의 소셜 네트워크로부터 추론되는 정보에 기초할 수 있고, 여기서 사용자는 사용자 및 컴퓨터 수단 사이의 추가 대화를 수신할 수 없다.
도 33을 참조하면, 본 발명은 예를 들어 광고를 타깃팅하기 위해 사용자에게 리턴되는 응답들을 타깃팅하고, 유사한 사용자들로부터의 리뷰들을 보여 주고, 제품들 또는 서비스들을 추천하고, 소셜 네트워크들 상의 유사한 사람들을 보여 주고, 유사한 사용자들이 대부분 어떤 결과들에 클릭했는지에 기초하여 탐색 결과들을 순위화하는 것 등을 위해 기호 및 선호도 API의 이용을 제공할 수 있다. 실시예들에서 본 발명은 하나 이상의 컴퓨터들 상에서 수행될 때 컴퓨터 수단(3302)의 이용을 통해 다음의 단계들을 수행함으로써 사용자에게 리턴되는 응답들을 타깃팅하는 것을 도와주는 컴퓨터 판독 가능 매체에서 구현되는 컴퓨터 프로그램 제품을 제공할 수 있다: (1) 제 3 자의 마켓과 관련되는 바와 같이 사용자의 선호도들을 결정하기 위해 제 3 자 웹사이트(3320)에 사용자 선호도 학습 API를 제공하는 단계로서, 상기 선호도 학습 API는 컴퓨터 수단의 확장으로서 실행되고 있는 제공하는 단계와(3304); (2) 제 3 자의 마켓과 관련되는 제 3 자 정보를 수신하는 단계와(3308); (3) 사용자(3318)의 선호도들을 수집하고 이것들을 사용자 선호도 프로파일로서 저장하는 단계와(3310); (4) 제 3 자 웹사이트에서 사용자(3318)로부터 질의를 수신하는 단계와(3312); (5) 사용자로부터의 질의와 관련되는 사용자에게 역으로 응답을 제공하기 위해 사용자 선호도 학습 API에서 사용자 선호도 프로파일 내에 저장되는 바와 같이 사용자(3318)의 선호도들 및 제 3 자의 마켓과 관련되는 제 3 자 정보를 이용하는 단계(3314). 실시예들에서, 컴퓨팅 수단은 기계 학습 수단일 수 있다.
응답은 사용자에게 광고를 제공할 수 있고, 여기서 광고는 사용자 선호도 프로파일에 저장된 바와 같은 사용자의 선호도들에 기초할 수 있다. 광고는 컴퓨터 수단에 의해 제공되고, 제 3 자를 통해 제공되고, 컴퓨터 수단로부터 제 3 자로 제공되는 선호도들을 통해 가능하고, 사용자의 소셜 네트워크 내의 다른 사용자들에게 전달되고 기타 등등이다. 응답은 제 3 자의 마켓과 관련되는 제품, 서비스 등의 추천을 제공할 수 있다. 적어도 제 2 사용자의 선호도들을 수집하여 제 2 사용자에 대한 사용자 선호도 프로파일이 형성되어, 제 2 사용자가 선호도 프로파일들의 비교에 기초하여 사용자와 유사하다고 결정될 수 있다. 응답은 제 2 사용자에 의해 행해지는 추천을 제공할 수 있다. 제 2 사용자에 대한 선호도들의 수집은 인터넷 기반 소셜 컨스트럭트(social construct)로부터 취해질 수 있고, 응답은 사용자에게 제 2 사용자를 상기 컨스트럭트 상의 유사한 사람으로서 보여 주는 정보를 제공하고, 여기서 인터넷 기반 소셜 컨스트럭트는 소셜 네트워크일 수 있다. 적어도 제 2 사용자에 대한 선호도들의 수집은 탐색 결과 선택들을 포함할 수 있고, 질의는 탐색 요청일 수 있고, 응답은 적어도 제 2 사용자의 탐색 결과 선택들에 따라 순위화된 탐색 결과일 수 있다. 수집은 사용자에 의해 행해진 추천들, 구매들 및 탐색 결과 선택들로부터 기원할 수 있다. 수집은 사용자의 위치 행위들을 나타내는 소스들로부터 기원할 수 있다. 소스는 예를 들어 웹서비스들 Foursquare, Yelp, Google, Gowalla, Facebook 등으로부터의 사용자 위치 정보일 수 있다. 소스는 서비스 공급자로부터의 사용자 위치 정보일 수 있다. 제 3 자 정보는 제품 제조사들로부터의 제품 정보, 웹 상인들로부터의 제품 정보, 다른 웹사이트들로부터의 가격 정보, 다른 웹사이트들로부터의 구입 가능성 정보, 상인들로부터의 가격 정보, 상인들로부터의 구입 가능성 정보, 리뷰, 코멘트들 및 등급들 중 적어도 하나로 구성될 수 있다. 선호도들을 결정하는 것은 자연 언어 프로세싱의 이용을 통해서일 수 있다. API는 비용 정보, 제품 정보, 신상 정보, 토픽 정보 등의 수집이 가능할 수 있다. 수집은 인터넷 기반 소셜 상호 작용 컨스트럭트에서 표현된 바와 같이 사용자의 상호 작용들을 형성할 수 있고, 인터넷 기반 소셜 상호 작용 컨스트럭트는 소셜 네트워크일 수 있다. 응답은 리뷰들을 읽는 사용자와 리뷰 저자의 유사성에 의해 분류되는 리뷰들의 목록일 수 있다. 사용자의 선호도들을 수집하는 것은 제 3 자 웹사이트들을 통할 수 있다. 수집은 제 3 자 웹사이트들을 크롤링(crawl)하는 것을 통해서일 수 있다.
실시예들에서, 본 발명은 제 3 자들이 사용자의 선호도들에 기초하여 사용자에게 광고를 타깃팅하기 위해 이용하는 기호 및 선호도 API를 이용할 수 있고, 여기서 사용자는 대화에 참여하거나 본 발명의 컴퓨팅 수단와 직접적으로 상호 작용하지 않는다. 예를 들어, 사용자는 시스템과 질문들 및 답들의 대화를 이전에 겪었었을 수 있고, 상기 대화를 통해 시스템은 사용자의 기호 및 선호도 프로파일을 개발했었을 수 있다. 실시예들에서, 대화는 본 발명의 수단에 의해 직접적으로, 또는 본 발명에 의해 제공되는 제 3 자 API를 통해 제공될 수 있다. 대안으로, 사용자는 본 발명의 수단와 상호 작용을 전혀 하지 않았을 수 있고, 여기서 사용자의 기호 및 선호도 프로파일은 사용자의 상호 작용들, 응답들, 추천들, 리뷰들 등을 통해 생성 및 갱신될 수 있다. 실시예들에서, 시스템은 사용자가 좋아하거나 좋아하지 않는 것들의 사용자의 등급화를 통해, 또는 사용자가 자신의 사용자 프로파일을 어떻게 태그(tag)하는지를 분석함으로써 기호 프로파일을 추론하는 것과 같이 자연 언어 프로세싱의 이용을 통해 공지된 사용자의 기호 프로파일에 대해 학습할 수 있다. 사용자에 대한 기호 및 선호도는 그 후에 사용자에게 광도, 예를 들어 사용자의 기호들 및 선호도들에 매칭되는 광고를 타깃팅하는 데 이용될 수 있다. 예를 들어, 제 3 자 기호 및 선호도 API는 L.L. Bean, REI, EMS 등과 같은 아웃도어 스토어 웹사이트와 연관될 수 있고, 여기서 아웃도어 스토어는 자체의 고객들에게 광고를 타깃팅하는 것을 개선하려고 시도한다. 고객은 그 후에 아웃도어 스토어 웹사이트에 방문하여 제품에 대한, 예를 들어 하이킹 부츠에 대해 문의할 수 있다. 기호 및 선호도 API는 그 후에 사용자의 브라우저에서의 광고 배치에 대한 매칭을 설정하기 위해 사용자의 기호들 및 선호도의 검색이 가능할 수 있다. 이 예에서, 사용자의 기호 및 선호도 프로파일은 사용자가 뉴 잉글랜드로의 여행을 좋아하고, 캠핑을 좋아하고, 아이들이 있는 가정이 있고 등을 표시할 수 있다. 결과적으로, 웹사이트와 연관되는 광고 수단은 사용자 질의 내의 정보, 이 경우에 하이킹 부츠 및 사용자의 기호 및 선호도 프로파일로부터의 정보를 이용하는 광고를 선택할 수 있다. 이 경우에서의 광고는 White Mountains에서의 숙소에 대한 것일 수 있고, 이는 사용자의 하이킹 부츠 질의 및 뉴 잉글랜드에서의 여행에 대한 사용자의 선호도를 결합한다. 게다가, 숙소는 사용자가 가족으로서 여행하는 것을 좋아하기 때문에 그리고 사용자의 선호도들을 반영하는 속성들로 인해 가족 숙소일 수 있다. 실시예들에서, 제 3 자 기호 및 선호도 API로 인해 제 3 자는 사용자들에 대한 광고들의 타깃팅을 개선할 수 있어서 제 3 자는 광고 스폰서로부터 제공되는 광고 배치에 대해 발생되는 수입을 증가시킬 수 있게 된다. 실시예들에서, 사용자 기호 및 선호도 프로파일은 자신의 즉각적인 질의에 대해 집중되는 바대로 실시간으로 개발될 수 있다. 기호들 및 선호도들은 예를 들어 제품 탐색의 후속 세밀화 동안, 구매 순간 등에 사용자에게 광고들을 더 양호하게 타깃팅하도록 수집될 수 있다.
실시예들에서, 광고는 사용자의 소셜 네트워크를 통해 추론되는 기호 및 선호도들에 기초하여 사용자와 연관되는 개인들을 그룹 또는 사용자에 타깃팅될 수 있다. 예를 들어, 제 3 자에 의해 이용되는 기호 및 선호도 API는 예를 들어 사용자의 소셜 네트워크 내의 그룹, 노드 클러스터 등에 대한 기호 및 선호도들을 설정하는 데 이용될 수 있다. 실시예들에서, 소셜 네트워크로부터 추론되는 기호들 및 선호도들은 예를 들어 제 3 자 사이트들을 통해 또는 본 발명과 직접적으로 연관되는 수단을 통해 이전에 형성되는 기호 및 선호도 프로파일들을 이용할 수 있다. 이 기호 및 선호도들은 그 후에 사용자의 소셜 네트워크의 구성원들에 또는 사용자에게 광고들을 더 양호하게 타깃팅하는 데 이용될 수 있다. 예에서, 제 3 자는 사용자에게 광고를 타깃팅하기를 원할 수 있고, 사용자는 본 발명의 수단 내에 저장되는 설정된 기호 및 선호도 프로파일을 가진다. 제 3 자는 그 후에 광고들을 타깃팅하기 위해 사용자의 프로파일 내의 정보를 이용할 수 있다. 대안으로, 제 3 자는 사용자가 구성원인 소셜 네트워크로부터 추론되는 정보, 예를 들어 소셜 네트워크의 토픽들, 소셜 네트워크 내의 사용자와 연관되는 사용자들의 공통 관심들 등을 추가로 이용할 수 있다. 예를 들어, 사용자는 사용자들이 중년이고, 정치적으로 보수이고, 시공에 있고 등을 표시하는 기호 및 선호도 프로파일을 가질 수 있고, 주요 관심사로서 사냥을 가지는 소셜 네트워크 내의 사용자들과 연관될 수 있다. 이 경우에, 제 3 자는 사냥 장비, 사냥 덫들 등에 대한 광고들을 타깃팅할 수 있고, 여기서 상기 광고는 사용자의 기호 및 선호도 프로파일에 더하여 사용자의 소셜 네트워크로부터의 추론들에 기초하여 선택되었다. 실시예들에서, 이는 본원에서 기술되는 바와 같이 사용자를 대화에 참여시킬 필요 없이, 오히려 사용자의 상호 작용들을 통해 간접적으로, 예를 들어 제 3 자 웹사이트 상에서, 제 3 자 공급 정보를 통해, 본 발명의 제 3 자 API를 가지는 다른 웹사이트들 등에서 행해질 수 있다. 실시예들에서, 제 3 자는 광고들을 사용자의 소셜 네트워크의 다른 구성원들에게 타깃팅하기 위해 사용자로부터의 기호 및 선호도들을 이용할 수 있다.
실시예들에서, 사용자로의 광고는 유사한 기호들 및 선호도들을 가지는 사용자의 제품 선택들, 추천들 등에 기초하여 타깃팅될 수 있다. 예를 들어, 제 1 사용자는 제 2 사용자와 유사한 기호들 및 선호도들을 가질 수 있고, 제 1 사용자는 기존 기호 및 선호도 프로파일을 가지며 특정한 제품 선택들, 추천들 등을 행했다. 광고들은 그 후에 제 1 사용자의 결정들에 기초하여 제 2 사용자에게 타깃팅될 수 있다. 예를 들어, 제 1 사용자는 사용자가 더 나이가 많고, 은퇴했고, 캘리포니아에 살고, 여행을 좋아하고 등을 표시하는 프로파일을 가질 수 있고, 여기서 사용자는 가방에 대해 이전에 제품 선택을 했었다. 제 2 사용자에게는 그 후에 두 사용자들의 기호들 및 선호도들의 유사성에 기초하여 유사한 가방에 대한 추천이 제공될 수 있다. 실시예들에서, 이는 사용자가 대화에 참여할 필요 없이 실행될 수 있다.
실시예들에서 본 발명은 하나 이상의 컴퓨터들 상에서 수행될 때 컴퓨터 수단의 이용을 통해 다음의 단계들을 수행함으로써 사용자에게 광고를 타깃팅하는 것을 도와주는 컴퓨터 판독 가능 매체에서 구현되는 컴퓨터 프로그램 제품을 제공할 수 있다: (1) 제 3 자의 마켓에 적용되는 바와 같이 사용자의 선호도들을 결정하기 위해 제 3 자 웹사이트에 사용자 선호도 학습 API를 제공하는 단계로서, 선호도 학습 API는 컴퓨터 수단의 확장으로서 실행되는, 제공하는 단계와, (2) 제 3 자의 마켓과 관련되는 제 3 자 정보를 수신하는 단계와, (3) 사용자의 선호도들을 수집하고 이들을 사용자 선호도 프로파일로서 저장하는 단계와, (4) 제 3 자의 마켓과 연관되는 제 3 자 웹사이트에서 사용자로부터의 질의를 수신하는 단계와, (5) 사용자에게 광고를 제공하는 단계로서, 광고는 사용자들의 확인된 선호도들에 기초하는, 제공하는 단계. 실시예들에서, 선호도들을 결정하는 것은 자연 언어 프로세싱의 이용을 통해서일 수 있다. 광고는 컴퓨터 수단에 의해 제공될 수 있다. 광고는 제 3 자를 통해 제공될 수 있고 컴퓨터 수단로부터 제 3 자에게 제공되는 선호도들을 통해 가능할 수 있다. API는 비용 정보, 제품 정보, 신상 정보 및 토픽 정보 중 적어도 하나의 수집이 가능할 수 있다. 결정은 또한 사용자의 소셜 네트워크로부터 추론되는 정보에 기초할 수 있다. 광고는 사용자와 연관되는 다른 사용자들에, 예를 들어 소셜 네트워크를 통해 전달될 수 있다.
실시예들에서, 본 발명은 유사한 사용자들로부터의 리뷰들을 사용자들에게 제공되도록 제 3 당사자들이 이용할 수 있는 기호 및 선호도 API를 제공할 수 있고, 여기서 사용자 및 유사한 사용자들은 대화에 참여했거나 본 발명의 컴퓨팅 수단와 직접적으로 상호 작용하지 않았었을 수 있다. 예를 들어, 기호 및 선호도 API로 인해 본 발명은 사용자에 대한 기호 및 선호도 정보를 수집하고, 이전에 설정된 기호 및 선호도 프로파일로부터 사용자에 대한 기호 및 선호도 정보를 제 3 자에게 제공하고, 사용자의 최근일의 행동들에 기초하여 사용자에 대한 기호 및 선호도 정보를 제 3 자에게 제공하고, 기타 등등이 가능할 수 있다. 실시예들에서, 사용자는 본 발명의 수단와 상호 작용을 전혀 하지 않았을 수 있고, 여기서 사용자의 기호 및 선호도 프로파일은 사용자의 상호 작용들, 응답들, 추천들, 리뷰들 등을 통해 생성 및 갱신될 수 있다. 실시예들에서, 시스템은 사용자가 좋아하거나 좋아하지 않는 것들의 사용자의 등급화를 통해, 또는 사용자가 자신의 사용자 프로파일을 어떻게 태그(tag)하는지를 분석함으로써 기호 프로파일을 추론하는 것과 같이 자연 언어 프로세싱의 이용을 통해 공지된 사용자의 기호 프로파일에 대해 학습할 수 있다. 이 경우에, 유사한 사용자들은 이전에 설정된 기호 및 선호도 프로파일을 가질 수 있고, 이와 같으므로 사용자에게 매칭될 수 있는 기호 및 선호도 프로파일을 가질 수 있다. 게다가, 이 유사한 사용자들은 사용자들의 프로파일과 연관되는 리뷰들을 가질 수 있다. 시스템은 이제 사용자를 유사한 사용자와 매칭할 수 있고 그 후에 사용자에게 연관되는 리뷰를 제공할 수 있다. 예를 들어, 사용자는 예를 들어 컴퓨터 수단와 직접적으로 또는 적어도 하나의 제 3 자 API를 통해 시스템과 함께 기존 기호 및 선호도 프로파일을 가질 수 있고, 다른 유사한 사용자들이 일부 제품, 서비스, 사람, 이벤트 등에 대해 생각했던 것을 알 수 있다. 시스템은 그 후에 현재의 사용자가 관심을 가지고 있는 주제에 대해 유사한 사용자들에 대한 기호 및 선호도 프로파일들을 탐색할 수 있다. 이 방식에서, 시스템은 현재 리뷰들 등등을 유사한 사용자들로부터 현재의 사용자로 제공함으로써, 현재의 사용자가 유사한 사용자들의 기호들 및 선호도들에 기초하여 사용자가 무엇을 하기를 원하는지를 결정할 수 있다. 예를 들어, 사용자는 본 발명의 기호 및 선호도 API를 이용하는 제품 웹사이트로 갈 수 있고, 디지털 카메라들에 대한 리뷰들에 관심이 있을 수 있다. 제 3 자는 이제 유사한 사용자들을 찾고, 그 후에 상기 유사한 사용자들에 의한 디지털 카메라 리뷰들을 탐색하고 리뷰들을 현재 사용자에게 제공할 수 있다. 실시예들에서, 리뷰들은 제 3 자 수단에, 다른 제 3 자 수단에, 본 발명의 수단 등에 상주할 수 있다. 실시예들에서, 유사한 사용자들의 리뷰를 나타낼 능력으로 사용자는 더 시간 효율적인 방식으로 더 적절한 리뷰들에 액세스하는 것이 가능할 수 있고, API의 제 3 자 사용자는 자신의 사용자들에게 더 타깃팅되고 적절한 지원은 제공하는 것이 가능할 수 있다.
실시예들에서, 본 발명은 제 3 자가 사용자들에게 유사한 사용자들로부터의 리뷰들을 제공하기 위해 이용할 수 있는 기호 및 선호도 API를 제공할 수 있고, 여기서 사용자들은 유사한 사용자들이 본 발명을 통해 대화에 참여하지 않아도 유사하다고 결정된다. 예를 들어, 유사한 사용자는 소셜 네트워크, 친구, 가족, 업무 등을 통해 유사하다고 식별될 수 있다. 하나의 예에서, 사용자는 소셜 네트워크를 통해 제 2 사용자와 연관될 수 있고, 이 연관을 통해, 예를 들어 연령, 관심들 등을 통해 '유사하다'고 결정될 수 있다. 이 유사한 사용자는 그 후에 예를 들어 제품, 활동 등에 대한 리뷰를 제공할 수 있다. 이 리뷰는 그 후에 다른 사용자에 대한 유사도를 통해 사용자에게 유사한 것으로 제공될 수 있다. 실시예들에서, 유사한 사용자들은 다른 토픽들에 대한 유사한 추천들을 통해, 예를 들어 다른 팩터들과 결합하여 결정될 수 있고, 여기서 다른 팩터들은 사회적 연관성일 수 있다.
실시예들에서, 본 발명은 하나 이상의 컴퓨터들 상에서 수행될 때 컴퓨터 수단의 이용을 통해 다음의 단계들을 수행함으로써 사용자가 유사한 사용자들의 리뷰들을 찾는 것을 도와주는 컴퓨터 판독 가능 매체에서 구현되는 컴퓨터 프로그램 제품을 제공할 수 있다: (1) 사용자의 선호도들을 결정하기 위해 제 3 자에게 사용자 선호도 학습 API를 제공하는 단계로서, 선호도 학습 API는 컴퓨터 수단의 확장으로서 실행되고 있는, 제공하는 단계와, (2) 복수의 사용자들의 선호도들을 수집하는 단계로서, 복수의 사용자들은 상기 사용자를 포함하는, 수집하는 단계와, (3) 복수의 기호 및 선호도 프로파일들을 포함하는 기호 및 선호도 데이터베이스에 상기 사용자의 선호도들을 저장하는 단계와, (4) 유사한 기호 및 선호도들을 가지는 사용자로부터의 토픽 리뷰에 대한 제 3 자 기호 및 선호도 학습 API를 통해 사용자로부터 요청을 수신하는 단계와, (5) 기호 및 선호도 데이터베이스 내의 적어도 하나의 다른 사용자의 선호도 및 상기 사용자의 선호도들을 매칭하는 단계와, (6) 매칭된 다른 사용자들 중에서부터 토픽 리뷰에 대한 요청에 관한 리뷰를 탐색하는 단계와, (7) 리뷰를 사용자에게 제공하는 단계. 실시예들에서, 선호도들을 결정하는 것은 자연 언어 프로세싱의 이용을 통해서일 수 있다. 리뷰는 컴퓨터 수단, 제 3 자의 수단 등 내에서 발견될 수 있다. 컴퓨팅 수단은 기계 학습 수단일 수 있다. 선호도 학습 API는 비용 정보, 제품 정보, 신상 정보, 토픽 정보 등의 수집이 가능할 수 있다. 리뷰는 기호 및 선호도 프로파일을 가지지 않은 유사한 사용자에 의해 제공될 수 있고, 여기서 사용자는 사회적 연관을 통해 결정되는 바와 유사할 수 있고, 여기서 사회적 연관은 소셜 네트워크일 수 있다.
실시예들에서, 본 발명은 제 3 자들이 제품들, 서비스들 등을 추천하는 데 이용할 수 있는 기호 및 선호도 API를 제공할 수 있다. 예를 들어, 사용자는 제품에 대한 추천을 탐색하려고 제 3 자 웹사이트로 갈 수 있고, 그 후에 제 3 자는 사용자가 전형적으로 선호하는 것을 더 양호하게 이해하고 상기 선호도로부터 제품을 제안하기 위해 기호 및 선호도 API를 이용할 수 있다. 하나의 예에서, 사용자는 자신의 아이폰으로부터 음악을 재생하기 위해 오디오 스토어 웹사이트로 가서 오디오 신호에 대한 추천을 찾을 수 있다. 제 3 자는 그 후에 API를 통해 사용자에 대한 기존 기호 및 선호도들을 이용할 수 있다. 이 예에서, 사용자의 기호들 및 선호도들은 사용자가 대학생이고 자신의 사회생활에서 종종 분주하다고 표시할 수 있다. 이 정보로부터, 제 3 자는 현재 휴대용이고, 작고, 강력하고 기타 등등인 오디오 시스템들에 대한 추천들과 같이, 추천들을 행할 수 있다. 대안으로, 제 3 자는 사용자 질의 시에 예를 들어 상기 질의에 타깃팅된 자신의 기호 및 선호도들, 일반적인 사용자에 대한 제 3 자의 콘텐츠 등을 결정하기 위해 기호 및 선호도 API를 이용할 수 있다. 제 3 자는 추천들을 행하기 위해 이 기호 및 선호도 정보를 단독으로 또는 본 발명을 통하여 이전의 기호들 및 선호도 프로파일들과 결합하여 이용할 수 있다. 제 3 자를 통해 설정되는 바와 같은 기호 및 선호도들은 이제, 예를 들어 다시 이용되거나 다른 제 3 자 API들을 통해 또는 본 발명의 수단을 통해 직접적으로 생성되는 새 기호 및 선호도 프로파일들과 결합하여 본 발명의 수단 내에 저장될 수 있다. 실시예들에서, 기호 및 선호도 API를 이용하는 능력은 제 3 자 사이트들을 통해 행해지는 제품들, 서비스들 등에 대한 추천들을 개선할 수 있다.
실시예들에서, 본 발명은 제 3 자들이 제품들, 서비스들 등을 유사한 사용자들의 행동들에 기초하여 사용자에게 추천하는 데 이용될 수 있는 기호 및 선호도 API를 제공할 수 있다. 예를 들어, 2명의 사용자들은 본 발명에 의해 이전에 설정된 기호 및 선호도 프로파일들을 가질 수 있고, 여기서 사용자들 중 하나는 제품, 서비스 등을 선택했고, 제 3 자는 다른 사용자의 프로파일들을 통해 결정되는 것과 같이, 상기 다른 사용자의 유사성에 기초하여 추천을 상기 다른 사용자에게 제공할 수 있다. 하나의 예에서, 2명의 사용자는, 예를 들어 자신들의 연령, 위치, 정치적 견해, 사회 활동 등에 의한 자신들의 기호 및 선호도 프로파일들을 통해 유사하다고 결정되었을 수 있다. 제 1 사용자는 그 후에 차와 같은 제품을 선택할 수 있다. 제 2 유사한 사용자가 예를 들어 탐색, 광고 선택, 본 발명에 대한 명시적인 질문 등을 통해 차에 관심을 표시해야 하는 이벤트에서, 본 발명은 차 선택을 사용자의 유사성들로 인한 잠재적인 적합성으로서 제 2 사용자에게 제공할 수 있다. 실시예들에서, 이는 하나 또는 양 사용자들에 제공되는 대화 없이 행해질 수 있다.
실시예들에서, 본 발명은 하나 이상의 컴퓨터들 상에서 수행될 때 컴퓨터 수단의 이용을 통해 다음의 단계들을 수행함으로써 사용자가 추천을 찾는 것을 도와주는 컴퓨터 판독 가능 매체에서 구현되는 컴퓨터 프로그램 제품을 제공할 수 있다: (1) 제 3 자의 제품들 및 서비스들에 적용되는 바와 같이 사용자의 선호도들을 결정하기 위해 제 3 자 웹사이트에 사용자 선호도 학습 API를 제공하는 단계로서, 상기 선호도 학습 API는 컴퓨터 수단의 확장으로서 실행되고 있는, 제공하는 단계와, (2) 제 3 자의 제품들 및 서비스들과 관련되는 제 3 자 정보를 수신하는 단계와, (3) 사용자의 선호도들을 수집하고 이것들을 사용자 선호도 프로파일로서 저장하는 단계로서, 상기 수집의 소스는 인터넷 상의 상호 작용들로부터 기원하는, 수집 및 저장 단계와, (4) 제 3 자의 제품들 및 서비스들 중 적어도 하나와 연관되는 제 3 자 웹사이트에서 사용자로부터의 질의를 수신하는 단계와, (5) 컴퓨팅 수단로부터 제품 및 서비스 중 적어도 하나에 대한 추천을 사용자에게 제공하는 단계로서, 추천은 사용자의 질의 및 확인된 선호도들에 기초하는, 제공하는 단계. 실시예들에서, 선호도들을 결정하는 것은 자연 언어 프로세싱의 이용을 통해서일 수 있다. 수집은 인터넷 상의 제 3 자 웹사이트; 인터넷 상의 복수의 제 3 자 웹사이트들; 사용자에 의해 행해지는 추천들, 구매들 및 탐색 결과 선택들 중 적어도 하나; 등으로부터 기원할 수 있다. 컴퓨팅 수단은 기계 학습 수단일 수 있다. 제 3 자 정보는 제품 제조자들로부터의 제품 정보, 웹 상인들로부터의 제품 정보, 다른 웹사이트들로부터의 가격 정보, 다른 웹사이트들로부터의 구입 가능성 정보, 상인들로부터의 가격 정보, 상인들로부터의 구입 가능성 정보, 리뷰, 코멘트들 및 등급들로 구성될 수 있다. API는 비용 정보, 제품 정보, 신상 정보, 토픽 정보 등의 수집이 가능할 수 있다. 선호도들은 제 2 유사 사용자의 행동으로부터 도출될 수 있고, 여기서 유사성은 사용자 및 제 2 유사 사용자에 대한 기호 및 선호도 프로파일을 통해 결정될 수 있다. 제 2 유사 사용자의 행동은 제품 및 서비스 중 적어도 하나의 선택일 수 있다.
실시예들에서, 본 발명은 제 3 자 소셜 네트워크 사이트들이 소셜 네트워크 상에서 사용자와 유사한 사람들을 사용자에게 보여 주기 위해 이용할 수 있는 기호 및 선호도 API를 제공할 수 있다. 이 유사한 사람들은 목록으로서, 사진으로서, 영역에 의해, 연령에 의해, 성별에 의해, 기타 등등으로 보여질 수 있다. 예를 들어, 사용자는 소셜 네트워크 사이트에 갈 수 있고 사용자와 유사한 사람들을 보거나 상기 사람들에 접속되도록 요청할 수 있다. 소셜 네트워크 사이트는 그 후에 예를 들어 일반적으로 사회적 상황들, 소셜 네트워킹, 활동들, 음악, 인물 등에 대한 사용자들의 기호들 및 선호도들을 결정하는 대화를 사용자에게 제공하기 위해 기호 및 선호도 API를 이용할 수 있다. 대안으로, 사용자는 이미 본 발명의 수단에 의해 직접적으로, 다른 제 3 자 API를 통해, 소셜 네트워크 사이트를 통해, 기타 등등에 의해 결정되는 바와 같이 이미 기호 및 선호도 프로파일을 가질 수 있다. 소셜 네트워크는 그 후에 예를 들어 이전에 결정된 바와 같이 다른 사람들의 기호 및 선호도 프로파일들을 통해, 소셜 네트워크를 통해 이용 가능한 바와 같은 다른 사람들에 대하여 이용 가능한 정보를 통해, 기타 등등을 통해 소셜 네트워크 상의 다른 사람들을 사용자와 매칭하기 위해 이 정보를 이용할 수 있다. 예를 들어, 사용자의 기호 및 선호도는 사용자가 젊고 NYC 내의 클럽들에 가는 것을 좋아한다는 것을 표시할 수 있다. 소셜 네트워킹은 이제, 예를 들어 목록, 사진에 의해, 카테고리에 의해, 도시의 영역에 의해, 기타 등등에 의해 사용자를 소셜 네트워크 상의 유사한 사람과 매칭하는 것이 가능할 수 있다. 실시예들에서, 소셜 네트워크에 있어서의 기호 및 선호도 API는 다른 유사한 사람들이 사교적인 것을 찾고자 시도하고 있는 사용자에게 강화된 매칭 경험을 제공할 수 있다.
실시예들에서, 본 발명은 하나 이상의 컴퓨터들 상에서 수행될 때 컴퓨터 수단의 이용을 통해 다음의 단계들을 수행함으로써 사용자가 소셜 네트워킹 상의 다른 유사한 사용자들을 찾는 것을 도와주는 컴퓨터 판독 가능 매체에서 구현되는 컴퓨터 프로그램 제품을 제공할 수 있다: (1) 제 3 자 소셜 네트워킹 사이트 API를 통해 사용자로부터 초기 요청을 수신하는 단계로서, 초기 요청은 소셜 네트워크 상에서 사용자와 다른 유사한 사용자들을 찾는 것인, 수신하는 단계와, (2) 소셜 네트워킹 사이트 API를 통해 사용자의 선호도들을 확인하는 단계와, (3) 소셜 네트워크 상의 다른 사용자들에 대한 사용자 선호도를 유사한 선호도들을 가지는 소셜 네트워크와 매칭하는 단계와, (4) 사용자의 선호도와 매칭하는 다른 사용자들을 포함하는 사용자에게 매칭 결과를 제공하는 단계. 실시예들에서, 선호도들을 확인하는 것은 자연 언어 프로세싱의 이용을 통해서일 수 있다. 매칭 결과는 사용자에게 유사한 사용자들의 목록으로서 제시될 수 있다. 매칭 결과는 사용자에게 유사한 사용자들의 프로파일로서 제시될 수 있다. 매칭 결과는 사용자에게 소셜 네트워크 내의 유사한 사용자들로의 링크들로서 제시될 수 있다. 컴퓨팅 수단은 기계 학습 수단일 수 있다.
실시예들에서, 본 발명은 유사한 사용자들이 어떤 결과들을 최상으로 선택했는지에 기초하여 제 3 자 탐색 수단들이 탐색 결과들을 순위화하는 데 이용할 기호 및 선호도 API를 제공할 수 있다. 예를 들어, 탐색 수단은 본 발명의 기호 및 선호도 API를 통해 제공되는 바와 같이, 기호 및 선호도 프로파일을 통해 탐색 결과들이 어떻게 기재되는지에 대한 적절성을 개선하는 기회를 사용자들에게 제공할 수 있다. 기호 및 선호도 프로파일 데이터베이스 등은 그 후에 축적되고 유지될 수 있고, 이로부터 탐색 수단은 사용자에 대한 탐색 결과들을 다른 유사한 사용자들에 의해 이전에 선택된 결과들로 순위화할 수 있다. 하나의 예에서, 사용자는 요트 타기를 좋아하고 다소 모험적인 은퇴한 남자를 나타내는 기호 및 선호도 프로파일을 가질 수 있다. 사용자가 캐리비안 휴가 목적지들을 탐색하면 탐색 수단은 먼저 기재된 이 기호 및 선호도 속성들로, 예를 들어 섬들에서의 요트보드 렌탈 패키지들, 섬들에서의 하이킹, 색다른 목적지 등에 대하여 탐색 결과들을 순위화할 수 있다. 실시예들에서, 탐색 수단에 제공되는 기호 및 선호도 API는 사용자에 대한 순위화된 탐색 결과들의 적절성을 개선할 수 있다.
실시예들에서 본 발명은 하나 이상의 컴퓨터들 상에서 수행될 때 컴퓨터 수단의 이용을 통해 다음의 단계들을 수행함으로써 탐색 결과들을 순위화하는 것을 도와주는 컴퓨터 판독 가능 매체에서 구현되는 컴퓨터 프로그램 제품을 제공할 수 있다: (1) 제 3 자 탐색 수단을 통해 사용자로부터 탐색 요청을 수신하는 단계와, (2) 사용자의 선호도들을 확인하는 단계로서, 사용자로부터 확인된 선호도들은 사용자에 대한 기호 및 선호도 파일을 만들고 복수의 다른 사용자 기호 및 선호도 프로파일들을 포함하는 기호 및 선호도 저장 수단 내에 저장되고, 프로파일들은 또한 이전의 탐색들에서 다른 사용자들에 의해 선택되는 탐색 결과들의 이력을 포함하는, 확인하는 단계와, (3) 사용자를 유사한 기호 및 선호도 프로파일들을 가지는 다른 사용자들과 매칭하는 단계와, (4) 사용자의 탐색 요청에 대한 탐색 결과 세트를 결정하는 단계와, (5) 유사한 기호 및 선호도 프로파일들을 가지는 다른 사용자들에 의해 선택되는 탐색 결과들의 이력에 탐색 결과를 매칭하는 단계와, (6) 탐색 결과들을 사용자에게 제공하는 단계로서, 탐색 결과들은 유사한 기호 및 선호도 프로파일들을 가지는 다른 사용자들에 의해 선택되는 매칭된 결과들에 따라 순위화되는, 제공하는 단계. 실시예들에서, 선호도들을 확인하는 것은 자연 언어 프로세싱의 이용을 통해서일 수 있다. 컴퓨팅 수단은 기계 학습 수단일 수 있다. 탐색 수단은 탐색 엔진일 수 있다.
도 34를 참조하면, 본 발명은 인터넷 기반 소셜 상호 작용 컨스트럭트를 통하여 공지된 기호 선호도들을 가지는 사람들까지의 경로들을 찾음으로써 미지의 사용자에 대한 기호 및 선호도들을 추론하기 위해 소셜 그래프들을 이용할 수 있다. 이 방식에서, 본 발명은 시스템이 이전에 들었던 사용자에 대한 데이터를 획득하는 방법을 제공할 수 있다. 실시예들에서 본 발명은 하나 이상의 컴퓨터들 상에서 수행될 때 컴퓨터 수단(3402) 상의 인터넷 기반 소셜 상호 작용 그래픽 표현들의 이용을 통해 다음의 단계들을 수행함으로써 미지의 사용자의 선호도들을 결정하는 데 도움을 주는 컴퓨터 판독 가능 매체에서 구현되는 컴퓨터 프로그램 제품을 제공할 수 있다: (1) 인터넷 기반 소셜 상호 작용 컨스트럭트의 일부인 복수의 사용자들의 선호도들을 확인하는 단계로서, 복수의 사용자들은 복수의 공지된 사용자들이 되는, 확인하는 단계와(3404); (2) 복수의 공지된 사용자들에 대해 인터넷 기반 소셜 상호 작용 그래픽 표현(3412)를 결정하는 단계와(3408); (3) 미지의 사용자 및 그래픽 표현 내의 복수의 공지된 사용자들 사이의 상호 관계들에 기초하여 복수의 공지된 사용자들의 인터넷 기반 소셜 상호 작용 그래픽 표현(3412) 내에 존재하는 미지의 사용자의 선호도들을 추론하는 단계(3410). 실시예들에서, 인터넷 기반 소셜 상호 작용 그래픽 표현은 소셜 네트워크, 소셜 그래프, 소셜 다이어그램 등일 수 있다. 미지의 사용자는 인터넷 기반 소셜 상호 작용 그래픽 표현에서 가장 가까운 공지된 사용자로부터 3도들, 5도들 등으로 떨어질 수 있다. 미지의 사용자의 추론된 선호도들은 미지의 사용자를 새로 공지된 사용자로 만들 수 있고, 새로 공지된 사용자는 제 2 미지의 사용자의 선호도의 추론에 기여하는 데 이용될 수 있다. 선호도들은 사용자의 상호 작용들과 관련되는 신상 정보, 토픽 정보 등을 포함할 수 있고, 여기서 상호 작용들은 인터넷 기반 소셜 상호 작용 그래픽 표현을 통할 수 있다. 상호 작용들은 제 3 자 웹사이트에 제공되는 API를 통할 수 있다. 추론은 사용자의 인터넷 기반 소셜 상호 작용 컨스트럭트에서 사용자와 관련되는 다른 공지된 이미지들과 함께 제공될 수 있다. 선호도들을 확인하는 것은 자연 언어 프로세싱의 이용을 통해서일 수 있다. 컴퓨팅 수단은 기계 학습 수단일 수 있다. 추론되는 선호도들은 미지의 사용자와 리뷰들을 공유하기 위해, 미지의 사용자에게 광고를 타깃팅하는 데 이용될 수 있다. 추론되는 선호도들은 미지의 사용자에게 제품들, 서비스들 등을 추천하는 데 이용될 수 있다. 추론되는 선호도들은 미지의 사용자에 대한 탐색 결과들을 순위화하는 것을 보조하는 데 이용될 수 있다. 미지의 사용자를 타이어링(tiring)하는 아주 근접한 공지된 사용자들은 추론 알고리즘에서 더 많은 중요도를 지닐 수 있다. 추론된 선호도들은 다른 소스들로부터의 정보에 의해 세밀화될 수 있고, 여기서 다른 소스들은 제 3 자 소스들, 복수의 공지된 사용자들에 의해 행해진 추천들, 복수의 공지된 사용자들에 의한 탐색 질의들, 복수의 공지된 사용자들 중 탐색 결과 선택 사용자, 복수의 공지된 사용자들 중 적어도 하나에 의해 웹 상호 작용들을 통해 결정되는 바와 같은 개인 기호들 등을 포함할 수 있다. 다른 소스들은 제 3 자 선호도 학습 API를 포함할 수 있다.
실시예들에서, 본 발명은 소셜 네트워크를 통하여 공지된 기호를 가지는 사람들로, 또는 그 역으로의 경로들을 찾음으로써 미지의 사용자에 대한 기호 및 선호도들을 추론하기 위해서 소셜 네트워크 그래프들, 다이어그램들, 그래픽 표현들 등을 이용할 수 있다. 소셜 다이어그램들은 일반적으로 말해서, 복수의 사용자들의 매핑 및 사용자들이 얼마나 관련되어 있는지이다. 소셜 다이어그램을 이용함으로써, 공지되고 미지의 사용자의 기호 및 선호도는 다이어그램 내의 상호 관계로부터 결정될 수 있다. 예를 들어, 공지된 기호 및 선호도 프로파일을 지니는 사용자는 소셜 다이어그램에서 표현되는 바와 같이, 복수의 다른 사용자들과 직접적으로 연관될 수 있다. 제 1 근사로, 이 복수의 다른 사용자들은 사용자와 유사하므로 유사한 기호 및 선호도들을 가진다고 가정될 수 있다. 이 다른 사용자들에게는 그 후에 본원에서 기술된 바와 같이, 사용자의 기호 및 선호도를 아는 것을 이용하는 세밀화된 서비스들이 제공될 수 있다. 예를 들어, 사용자가 암벽 등반가임을 표시하는 공지된 기호 및 선호도 프로파일을 지니는 사용자가 제공되면, 사용자의 소셜 다이어그램의 제 1 링크 내의 사용자들이 또한 암벽 등반가들이라고 가정될 수 있고, 실제로 이는 매우 일반적인 가정임이 증명될 수 있다. 그러나, 사용자가 다른 암벽 등반가들과 연관성을 가지고 있음은 양호한 가정일 수 있으므로, 시스템은 암벽 등반을 즐기는 다른 공지된 사용자들을 탐색하는 소셜 다이어그램을 통하여 나갈 수 있다. 이 예에서, 또한 암벽 등반을 즐기는, 예를 들어 세 링크들 떨어진 다른 공지된 사용자가 있음이 발견될 수 있고, 이 사용자는 제 1 사용자에 연결되는 클러스터 내에서 발견된다. 이로부터 이 클러스터가 암벽 등반가들이고 암벽 등반가들은 모두 유사한 기호들 및 선호도들의 세트를 서로 공유할 수 있다는 것은 좋은 가정일 수 있다. 실시예들에서, 기호들 및 선호도들은 소셜 네트워크 다이어그램 내에서의 연관성들로부터 추론될 수 있고, 이와 같으므로 본원에 기술되는 바와 같은 본 발명으로부터 이점들이 제공될 수 있다.
실시예들에서 본 발명은 하나 이상의 컴퓨터들 상에서 수행될 때 컴퓨터 수단 상의 소셜 네트워크 그래픽 표현들의 이용을 통해 다음의 단계들을 수행함으로써 미지의 사용자의 기호들 및 선호도를 결정하는 데 도움을 주는 컴퓨터 판독 가능 매체에서 구현되는 컴퓨터 프로그램 제품을 제공할 수 있다: (1) 사용자의 선호도들을 확인하는 단계로서, 사용자는 공지의 사용자가 되는, 확인하는 단계와, (2) 공지된 사용자에 대한 소셜 네트워크 그래픽 표현을 결정하는 단계와, (3) 공지된 사용자의 소셜 네트워크 그래픽 표현 내의 다른 공지된 사용자들에 대한 프레즌스(presence)를 결정하는 단계와, (4) 네트워크 그래픽 표현 내의 다른 공지된 사용자들 및 공지된 사용자 및 미지의 사용자 사이의 상호 관계들에 기초하여 공지된 사용자의 소셜 네트워크 그래픽 표현에 존재하는 미지의 사용자의 선호도들을 추론하는 단계. 실시예들에서, 선호도들을 확인하는 것은 자연 언어 프로세싱의 이용을 통해서일 수 있다. 소셜 네트워크 그래픽 표현은 소셜 그래프, 소셜 다이어그램 등일 수 있다. 컴퓨팅 수단은 기계 학습 수단일 수 있다.
실시예들에서, 본 발명은 둘 이상의 제 3 자 API를 통해 제공되는 추천들을 개선하기 위해 둘 이상의 제 3 자 API를 통해 결정된 바와 같이 사용자의 기호들 및 선호도들을 결합할 수 있다. 예를 들어, 하나보다 많은 단일 제 3 자 API를 통해 설정되는 기호 및 선호도 프로파일들이 존재할 수 있고, 본 발명에 의해 이 상이한 기호들 및 선호도 프로파일들을 결합함으로써, 결합된 기호 및 선호도 프로파일이 생성될 수 있다. 게다가, 추가 기호 및 선호도 프로파일들이 제 3 자 API를 통해 생성됨에 따라, 이것들은 사용자에 대한 결합된 기호 및 선호도 프로파일을 연속해서 업데이트하는 데 이용될 수 있다. 제 3 자들은 그 후에 자신들의 추천들을 개선하기 위해 결합된 기호 및 선호도 프로파일을 이용할 수 있다. 이는 상이한 제 3 자들이 제품들, 개인 관계들, 서비스들, 유명인사들 등과 같은 상이한 영역들 상에서 기호 및 선호도 프로파일에 집중할 때 특히 그러할 수 있다. 다수의 더 많은 특정 프로파일들을 결합된 프로파일로 결합하는 것은 더 특정한 프로파일들 중 어느 하나를 통해 생성될 수 있는 것보다 더 풍부한 기호 및 선호도 프로파일을 제공할 수 있음이 인정될 수 있다. 게다가, 사용자는 시간에 따라 자신들의 기호들 및 선호도들을 변경할 수 있고, 따라서 하나의 제 3 자 API에서 더 최근의 사용자 프로파일 상호 작용들을 결합하는 것은 사용자가 최근에 상호 작용하지 않았으나 자신의 사용자 프로파일들을 현재까지의 팁(tip)으로 유지하고자 원하는 다른 제 3 자에게 유리할 수 있다.
도 35를 참조하면, 실시예들에서 본 발명은 하나 이상의 컴퓨터들 상에서 수행될 때 컴퓨터 수단(3502)의 이용을 통해 다음의 단계들을 수행함으로써 개선된 기호 및 선호도 프로파일링을 제공하는 컴퓨터 판독 가능 매체에서 구현되는 컴퓨터 프로그램 제품을 제공할 수 있다: (1) 제 1 선호도 학습 제 3 자 API를 통한 제 1 제 3 자 웹사이트(3514)와의 사용자의 상호 작용들을 통해 사용자(3512)의 제 1 기호 및 선호도 프로파일을 생성하는 단계와(3504); (2) 제 2 제 3 자를 통하는 제 2 제 3 자 웹사이트(3514)를 통해 추가 사용자 상호 작용 정보를 수집하는 단계와(3508); (3) 기호 및 선호도 프로파일을 개선하기 위해 추가 사용자 상호 작용 정보를 기호 및 선호도 프로파일과 결합하는 단계(3510). 실시예들에서, 제 1 기호 및 선호도 프로파일을 생성하는 것은 자연 언어 프로세싱의 이용을 통한 사용자 선호도들의 확인을 통해서일 수 있다. 컴퓨팅 수단은 기계 학습 수단일 수 있다. API는 비용 정보, 제품 정보, 신상 정보 및 토픽 정보 중 적어도 하나의 수집이 가능할 수 있다.
도 36을 참조하면, 실시예들에서, 그래프 컨스트럭트(3620)는 예를 들어 인터넷(3604)을 통한 사용자(3608)와의 대화를 통해 사용자와의 최소 대화량으로 사용자들(3608)에게 추천들을 제공하는 것을 보조하기 위해 웹-기반 어드바이스 수단(3602)에 의해 개발되고/되거나 이용되어 그래프 컨스트럭트들이 추천들로 이어지는 프로세스를 증강하는 추천들을 사용자에게 제공할 수 있고, 여기서 그래픽 컨스트럭트의 이용은 사용자들에 대한 추천들 등을 형성하기 위한 사용자와의 대화를 실행할 필요성을 제거한다. 실시예에서, 그래픽 컨스트럭트들은 제 3 자 사이트들(3610)로부터의 정보를 통해 개발될 수 있다. 실시예들에서, 사람들, 엔티티(entity)들, 태그들 등과 같이, 그래프 내에 복수의 유형들의 노드들(3612)이 존재할 수 있다. 예를 들어, 사람들은 웹사이트들, 애플리케이션들, 모바일 디바이스들, 스토어 내의 쇼핑하는 사람들, 순전히 고유 쿠키 아이디에 의해 표현되는 익명의 웹 브라우저들 등의 사용자들일 수 있다. 엔티티들은 사람들이 좋아하고, 싫어하고, 구매하고, 탐색하고, 연구하는 등등의 것들일 수 있다. 태그들은 엔티티들, 사람들 등에 대한 짧은 텍스트 기술들일 수 있다. 실시예들에서, 그래프 내의 노드들은 예를 들어 선호도 데이터, 태깅 데이터 등에 대한 복수의 유형들의 에지들(3614)에 의해 접속될 수 있다. 예를 들어, 엔티티들은 사람들이 상기 엔티티를 좋아하거나 싫어하는 정도를 표현하는 선호도 에지들에 의해 사람 노드들에 접속될 수 있다. 태그들은 상기 사람들 또는 엔티티들이 상기 태그들로 태깅되는지에 의해 사람 및 엔티티 노드들에 접속될 수 있다.
실시예들에서, 그래픽 데이터에는 사용자에 의해 명시적으로 제공되고(예를 들어, 사용자 'A'는 자신이 그것 'B'를 좋아한다고 말한다), 공개적으로 이용 가능한 웹사이트들로부터 크롤링되고, 제 3 자 소스들에 의해 제공되는 것 등등이 행해질 수 있다. 일단 데이터가 수신되면, 시스템은 이를 시스템 내의 기존 데이터에 "에일리어싱(aliasing)"하려고 시도할 수 있다. 예를 들어, 데이터가 시스템에게 사용자 'A'는 식당 'B'를 좋아한다고 말하면, 시스템은, 비록 무엇일지라도, 이름들, 주소들, 전화번호들 및 다른 정보와 같은 것들을 통해 식당 'B'에 대해 이미 공지되어 있는 것을 식별하려고 시도한다. 이로 인해 시스템은 식당 'B'를 나타내는 동일한 엔티티에 대비되는 모든 다수의 소스들로부터 트레이닝 데이터와 같은 데이터를 축적하는 것이 가능할 수 있다. 시스템은 사용자들에 대한 에일리어싱을 수행할 수 있다. 예를 들어, 사용자 jsmith99는 상이한 웹사이트들에서 John Smith와 동일한 사용자일 수 있다. 시스템은 상이한 웹사이트들 및 아이덴티티 시스템들에 걸친 사용자들을 상관시키기 위해 사용자 이름들, 이메일 주소들, 사진들, 전체의 성 및 이름들, 지리적 위치들 등의 유사성을 이용할 수 있다.
실시예들에서, 그래프 내의 노드들은 예를 들어 "기호 프로파일"을 수치적 양으로 가질 수 있다. 어떤 사람은 자신의 기호 프로파일들에 기초하여 엔티티 또는 태그를 좋아하거나 싫어한다고 예측될 수 있다. 유사하게, 두 사람들은 자신들의 기호 프로파일들에 기초하여 유사하거나 유사하지 않다고 예측될 수 있다. 엔티티들은 또한 자체의 기호 프로파일들을 이용하여 자신들이 서로 얼마나 유사한지를 확인하기 위해 비교될 수 있다. 시스템의 그래프는 초기에 일부 노드들에 할당되는 기호 프로파일들을 가질 수 있고 그 후에 기호 프로파일들을 가지지 않은 노드들에 상기 기호 프로파일들을 전파할 수 있다. 이 전파는 프로파일들을 가지는 노드들로부터의 기호 프로파일들을 프로파일들을 가지지 않는 노드들로 '플로우'하는 반복 프로세스일 수 있다. 대안으로, 반복은 이웃하는 노드들의 프로파일들에 기초하여 이미 프로파일을 가지고 있는 노드들의 프로파일을 업데이트할 수 있다. 새로운 데이터는 새 노드들 또는 에지들을 추가하고 나서 순전히 이웃하는 노드들의 프로파일들을 이용하여 새로운 또는 변경된 노드들을 업데이트함으로써 그래프에 통합될 수 있다. 대안으로, 시스템은 전체 그래프에 걸쳐 다수회 반복하는 업데이트들을 가동할 수 있다.
많은 상이한 유형들의 데이터는 "좋아함" 또는 "싫어함"으로 보이도록 피팅될 수 있다. 예를 들어, 웹 페이지를 보는 것은 그래프 내에 웹 페이지를 보는 사람 및 웹 페이지를 나타내는 엔티티 사이의 약한 결합을 가지는 에지로서 표현될 수 있다. 책을 구매하는 누군가는 책을 구매하는 사람 및 책 자체 사이의 강한 결합을 행하는 에지에 의해 표현될 수 있다. 3개의 상호 배타적인 답들을 가지는 질문에 답하는 누군가는 사람 및 그 사람이 제공한 답을 나타내는 엔티티 사이의 에지뿐만 아니라 사용자가 제공하지 않은 2개의 답들에 대한 2개의 부정 에지들로서 표현될 수 있다.
실시예들에서, 방법들 및 시스템들은 추천이 본원에서 이후에 '흥미도(interestingness)'로서 칭해질 새롭고, 흥미를 주고, 기타 등등일 수 있는 정도에 기초하여 사용자들에 대한 추천들을 제공할 수 있다. 실시예들에서, 흥미도는 흥미로운 주제, 토픽, 제품 등의 결합뿐만 아니라 아이디어가 얼마나 새로운지 또는 바뀌었는지일 수 있다. 하나의 실례에서, 사용자는 미국에 살고 이탈리아 음식을 요리하는 데 관심이 있을 수 있고 따라서 시스템은 사용자에게 요리 추천들을 제공할 수 있다. 이 경우에, 파르메산 치즈로 해보는 '새' 치즈 향을 추천하는 것은 낮은 흥미도를 가질 수 있는 데, 왜냐하면 미국에서의 파르메산 치즈의 이용은 전혀 새롭지 않고, 오히려 남용될 수 있기 때문이다. 대안으로, 페코리노 치즈는 양의 젖으로 만든 이탈리아 치즈이고 파르메산 치즈 대신 파스타 음식에 이용될 수 있어서 강렬한 맛을 원하는 경우 때로는 바람직하다. 이와 같으므로, 파르메산 치즈를 페코리노 치즈로 대체하라는 추천은 적어도 파르메산의 감각에 대한 상대적인 감각에서, 높은 흥미도를 가지는 것으로 간주될 있다. 흥미도는 표준적이거나 전형적인 것에 대해, 지난 추천에 대해, 신규인 팩터에 대해, 또는 기타 등등에 대해 결정될 수 있다. 이 경우에, 페코리노의 흥미도는 파르메산의 흥미도에 비해 높게 등급화될 수 있다.
실시예들에서, 흥미도는 공지된 프로파일에 상관되고 사용자에 프레쉬(fresh)할 수 있고, 여기서 프레쉬는 새롭고(세상에 새로운과 같이), 부재하고(사용자의 공지된 이력에 대한 참조에 의한 것과 같이) 기타 등등을 의미할 수 있다. 대안으로, '프레쉬'는 반드시 세상이나 사용자에게 새로운 것은 아닐 수 있지만, 어떤 것과 연관되는 새 사실 또는 이야기이고, 상기 어떤 것은 새 사실 또는 이야기를 새롭게 흥미롭게 할 수 있다. 예를 들어, "21번가 Chipotle"은 새롭거나 흥미롭지 않을 수 있으나, 누군가가 오프라가 자신의 버리토들을 구매하는 Chipotle에서 버리토를 사세요"에 대한 추천을 제공하면, 그것은 흥미가 있을 수 있다. 시스템은 사용자들이 어떤 것을 왜 추천하고 있는지에 대한 이유를 사용자가 기록할 것을 요구함으로써 이를 권장할 수 있다. 흥미도는 아이템을 등급화한 사용자들 대 사용자들에 의해 "저장되는" 아이템의 비와 관련되는 바대로 결정될 수 있다. 예를 들어, 이후를 위해 저장하고, 희망 목록에 추가하는 등의 북마크 기능(예를 들어, 스타 등급 기능)이 있으면, 흥미 있지 않은 것으로서 '저 저장'된 고도로 등급화된 아이템들 사이의 상관이 있음이 확인될 수 있다. 이 경우에, 모든 사람이 아이템들에 대해 알고 있고, 따라서 그들이 아이템들을 등급화하지만, 이것들은 이후를 위해 저장될 가치가 없으므로 흥미가 있지 않을 수 있다. 대안으로, 고도로 등급화되고 종종 사용자들에 의해 저장되는 아이템은 흥미 있는 것으로 간주될 수 있는 데, 왜냐하면 상기 아이템이 높이 평가되는 것으로 여겨지고(즉, 고도로 등급화되고) 추가 고려를 위해 저장될 가치가 있기 때문이다. 흥미도는 사회 활동의 가속일 수 있다. 예를 들어, 평생 주변에 있었고 사용자가 알고 있었지만, 맑은 주말에 아주 많은 foursquare.com 체크인들을 획득하기 시작하는 식당이 있을 수 있다. 이는 거기에 현재 무언가 흥미 있는 것이 있다는 사인일 수 있다. 실시예들에서, 어드바이스 수단은 또한 책, 영화, 앨범, 제품들의 발매일들을 찾아봄으로써 무엇이 새롭거나 사용자에게 새로운 것을 결정하고 상기 아이템의 흥미도를 결정하기 위해 인터넷 상에서 상기 아이템이 발견되는 최초의 날짜를 취할 수 있다; 웹 상에서 무엇인가에 기록된 최초의 리뷰의 날짜를 찾아보고; 내재적으로 새롭다고 간주될 수 있는 영화 개봉들, 콘서트들, 저자의 말들 등과 같은 이벤트들을 찾아보는 것 등등을 행할 수 있다. 어드바이스 수단은 사용자가 이미 알고 있는 것들을 등급화하도록 사용자에게 또한 요청할 수 있고, 여기서 시스템은 사용자들이 등급화하지 않은 아이템들이 사용자에게 새롭다고 가정할 수 있다. 어드바이스 수단은 사용자들이 어떤 것에 대해 알지 못하지만 그것을 판명하고자 하면 사용자들에게 이용할 것을 권장하는 '저장' 특징을 가질 수 있다.
그러므로 상기 용어가 본원에서 이용되는 바대로의 '흥미도'는 종래의 의미에서의 적절성을 포함할 수 있음(또는 더 구체적으로, 상기 적절성에 따라 정량적으로 평가될 수 있다)이 이해될 것이고, 이에 따라 이는 사용자의 프로파일(또는 기호 프로파일) 및 새로운 콘텐츠 사이의 관계와 관련될 수 있다. 적절성을 평가하기 위해 광범위한 분석, 수학, 규칙 기반 및/또는 체험 기술들이 공지되어 있고, 이들 중 어느 것이라도 본원에서 고려되는 바와 같은 적절성(및 더 일반적으로 흥미도)을 결정하는 데 유용하게 적응될 수 있다. 그러나, 흥미도는 예를 들어 시간, 장소, 사용자 이력 등에 기초하여 사용자 및 콘텐츠 사이의 동작 관계들을 추가하여 포함한다.
시간은, 예를 들어 현재의 통계가 동일한 통계의 더 오래된 측정치보다 더 흥미 있는 경우와 같이, 단지 신규성의 측정으로서 중요할 수 있다. 반대로, 사용자가 특정한 시점에서 또는 이력 내의 기간에서 관심을 표명하면, 명시적인 시간을 가지는(메타데이터, 콘텐츠, 연표 등에 의해 결정되는 바와 같은) 더 오래된 통계들, 사실들, 의견들 등이 더 흥미로울 수 있다. 신규, 즉 아이템이 얼마나 최신인지에 대한 측정은, 토픽에 대한 정보의 다수의 분기하는 아이템들이 있고 분기하는 아이템들에 대한 현재의 인기나 특정한 아이템들에 대한 관심에서 측정 가능한 증가가 있는 경우에, 흥미도에 특히 중요할 수 있다. 이 유형의 인기는 Hogging 활동, 새로 인덱싱되는 웹 콘텐츠 또는 사용자 관심의 임의의 다른 인터넷 기반 측정의 수동 측정들뿐만 아니라 히트들, 트래픽 또는 웹 서버들에서의 다른 활동의 능동 측정들뿐만 아니라 클라이언트 활동의 그룹 또는 개별 모니터링과 같은 다수의 방법들로 측정될 수 있다. 예를 들어, 시간이 사용자 질의, 예를 들어 이번 주에 할 일들, 오늘 저녁에 볼 영화들 등에 명시적이거나 암시적인 경우에서와 같이, 시간은 또한 다른 컨텍스트들에서의 아이템의 흥미도에 중요할 수 있다.
위치는 또한 흥미도에 현저하게 영향을 줄 수 있다. 이는 임의의 적절한 위치-인지 기술들을 이용하여 단순 지리적 인접성을 포함할 수 있고, 특정한 장소들(예를 들어, 음식, 예술, 엔터테인먼트)에 대한 관심 또는 사용자와 연관되는 현재의 활동과 같은 사용자 프로파일의 다른 양태들을 통합할 수 있다. 그러나, 이는 또한 사용자가 이용 가능한 다양한 운송 대체물들(예를 들어, 차, 대중교통 등)을 통한 인접한 위치들의 편의 시설에 대한 추론들 같은 위치 관련 아이템들뿐만 아니라 즉흥 또는 연장된 여행 계획에 대한 사용자의 이용 가능한 예산을 포함할 수 있는 것이 이해될 것이다. 게다가, 위치 및 이의 대응하는 흥미도의 컨텍스트는 소셜 네트워크 내의 친구들의 위치와 같은 다른 동적 위치 속성들 및 소셜 네트워크의 지리적 집중점들까지의 근접도 또는 상기 집중점들로부터의 거리에 좌우될 수 있다.
사용자 이력은 흥미도를 파라미터화하는 데 이용될 수 있다. 예를 들어, 새 아이템이 사용자 질의에 응답하거나 사용자 프로파일에 잘 매칭되지만 사용자에 의해 획득되는 이전 콘텐츠와는 매우 구분되는 경우, 이 구분은 계산된 적절성이 다른 결과들의 적절성과 같거나 적을 경우조차도 아이템을 더 정량적으로 흥미가 있게 만들 수 있다. 그러므로, 하나의 양태에서, 흥미도는 유사성(또는 적절성 또는 기타 등등) 및 비유사성, 또는 더 구체적으로 사용자의 이력에서 아이템을 이전 콘텐츠와 유사하지 않게 만든 특성들의 측정들에 동시에 의존할 수 있다. 대안으로, 정보의 아이템은 사용자의 현재 컨텍스트의 다른 양태들에 기초하여 강조되지 않은 적절성의 일반 측정에 대해 불량하게 순위화될 수 있다. 그러므로, 흥미도는, 사용자의 이력에서의 정보에 대한 비유사성을 통해 명시적으로 측정되는 바와 같은, 신규성에 의해 사용자에게 더 증강되는 더 임의의 적절한 유사성 또는 매칭 메트릭에 기초하여 또는 사용자의 컨텍스트에 기초하여 적절성 점수를 적응시키는 임의의 목표 기반으로 사용자에게 적절성의 측정치를 제공할 수 있다. 하나의 양태에서, 흥미도는 사용자의 이력에 대한 불유사성을 따른 사용자의 프로파일 및 시간 또는 장소와 같은 사용자의 현재 컨텍스트의 하나 이상의 양태들에 기초하여 적절성으로서 객관적으로 측정될 수 있다. 이 방식에서 측정된 바와 같이, 많은 객관적으로 매우 적절한 아이템들은 특히 사용자에게 흥미롭지 않을 수 있는 반면에, 적절성이 적은 아이템들은 매우 흥미로울 수 있다.
도 37을 참조하면, 추천들은 추천 수단(3704)를 통해 웹-기반 어드바이스 수단(3702)의 일부로서 제공될 수 있다. 실시예들에서, 추천 수단은 사용자(3722)에 대한 추천들을 생성하는 프로세스에서의 흥미도 필터링(3708)을 이용할 수 있다. 추천 소스들은 친구들(3718), 유사한 사용자들(3714), 영향을 주는 사람들(3720), 소스 웹사이트들(3712) 등을 포함할 수 있다. 추천들은 인터넷(3710)을 통해, 전기통신 수단(3724)를 통해(예를 들어, 셀룰러 폰 네트워크) 등을 통해, 사용자에게 제공될 수 있다.
실시예들에서, 흥미도의 결정은 다른 개인들(친구들, 유명한 사람들, 권위 있는 사람)의 '사회 활동', 제품, 장소, 이벤트의 '관련' 날짜(예를 들어, 레스토랑의 개업, 영화의 개봉, 새 제품) 등과 관련될 수 있다. 다른 개인들의 사회 활동은 토픽에 높은 등급을 매긴 친구들, 토픽에 높은 등급을 매긴 유사한 기호들을 가지는 친구들, 토픽에 높은 등급을 매긴 영향을 미치는 친구가 아닌 사람들, 이 토픽에 유사한 기호들을 가지며 이에 높은 등급을 매긴 친구가 아닌 사람들 등과 같이, 사용자에게 영향을 미치는 개인들과 관련될 수 있다. 이 다른 개인들은 상이한 카테고리들, 예를 들어 친구들; 사용자가 반드시 알지는 않지만 이 토픽에 유사한 기호들을 가지는 사람들; 사용자로서 반드시 동일한 기호들을 가질 필요는 없으나 유명하고, 다작하고, 널리 공지되어 있는 사람들; 이 토픽에서의 비평가들(예를 들어, 영화 리뷰어들); 등에 해당할 수 있다. 시스템은 또한 이 특정한 토픽에서 사용자의 친구들 중 누가 사용자와 유사한 기호들을 가지는지를 언급할 수 있다. 예를 들어, 테드가 사용자와 유사한 식당 기호들을 가지지만 앨리스는 그러하지 않다면, 식당은 테드가 좋아하는 경우 사용자에게 흥미로울 수 있고, 앨리스가 좋아하는 경우 반드시 흥미로울 필요가 없을 수 있다. 어떤 것이 사용자에게 흥미로운 것으로 간주될 수 있는 다른 원인들은 친구가 이후를 위해 추천을 저장한 경우, 친구들이 추천을 적극적으로 코멘팅하고 논의하는 경우 등이다.
실시예들에서, 추천들은, 탐색 토픽에 따라 주기를 기반으로 하는 데이터 피드로서, 푸쉬 서비스로서의 사용자 요청들이 현재의 지리적 위치에, 홈 컴퓨터에, 모바일 컴퓨터에, 모바일 통신 수단(예를 들어, 셀룰러 폰, 스마트폰, PDA) 등과 관련될 때, 이메일, 소셜 네트워크들, 제 3 자 사이트들을 통해 사용자들에게 제공될 수 있다. 예를 들어, 사용자에게는 자신들의 현재 지리적 위치에 기초하여 자신의 모바일 폰에 흥미도 추천들, 예를 들어 영역 내의 스토어들에 대한 제품 추천들(예를 들어, 세일 중인 제품들, 새 제품들, 구매하기 어려운 제품들), 볼 장소들, 가 볼 만한 식당들 등이 제공될 수 있고, 여기서 추천들은 흥미도에 기초한다. 이 방식에서, 사용자는 단지 추천들만을 수신하지 않고, 오히려 더 흥미 있는 추천들의 세트를 수신하며, 이는 사용자가 예를 들어 새 아이디어, 장소, 제품 등의 '탐색'에서 추천들에 흥미가 있을 가능성을 증가시킨다. 그리고 탐색이 특정한 장르와 연관되면, 이는 '지역 탐색', '식당 탐색', '기술 탐색', '요기 탐색' 등이 된다.
실시예들에서, 본 발명은 사용자에게 '지역 탐색(local discovery)'을 제공할 수 있고, 여기서 지역 탐색은 사용자가 어떤 것을 탐색 박스에 타이핑하거나 아니면 탐색 결과들을 이것에 "풀링(pulling)"하는 것에 의존하는 대신 사용자에게 새롭고 재미있는 것들을 제공하는 것을 포함할 수 있다. 이것은 예를 들어 디바이스 입력의 입력이 제한될 때(예를 들어, 작은 키보드, 작은 디스플레이, 이동 중인(걷거나 운전하는) 사용자 등) 타이핑이 더 어려운 모바일 디바이스들에 특히 유용할 수 있다. 본원에서의 지역 탐색의 설명은 주로 모바일 디바이스 애플리케이션에 관하여 제공될지라도, 당업자는 상기 설명이 랩탑, 데스크탑, 내비게이션 디바이스 등과 같은 임의의 컴퓨팅 수단 상에서 구현될 수 있음을 인정할 것이다. 로컬 탐색 기능은 또한 웹 인터페이스를 통해, 사용자에 대한 "새 스터프(stuff)"의 이메일들을 통해, 트위터를 통해, 블로깅 플랫폼들(예를 들어, Wordpress, Tumblr 등)에 포스팅 등을 통해 이용 가능할 수 있다. 게다가, 지역 탐색 콘텐츠는 요청 시에 사용자에게 제공되고, 사용자에게 새로운 흥미 있는 것들을 사용자에게 푸쉬하기 위해(예를 들어, 주간) 사용자에게 송신되고(예를 들어, 이메일), 기타 등등일 수 있다.
실시예들에서, 모바일 디바이스 지역 탐색 애플리케이션은 사용자에게, 예를 들어 과거에 사용자가 애플리케이션에서 등급을 매겼고, 친구들이 등급을 매겼고, 사용자와 유사한 기호를 가지는 사람들이 등급을 매겼고, 권위 있는 소스들이 등급을 매겼고, 유명한 사람이 등급을 매겼던 근처의 장소들을 보여줄 수 있고, 여기서 "등급"은 사람의 행위들(예를 들어, 온라인 또는 오프라인)로부터 추론되는 추천일 수 있다. 실시예들에서, 보여지게 된 장소들은 식당들, 바들, 뷰티크들, 호텔들 등일 수 있다. 예를 들어, 다른 사람들에 의해 추천되는 근처에 있거나 특정한 장소에 있는 "이태리 식당들"과 같이 사용자가 더 협소한 목록들로 필터링하도록 하기 위해 내비게이션 요소가 있을 수 있다.
장소들을 보여 주는 것 외에, 지역 탐색은 또한 사용자에게 구매할 아이템들, 가야 할 이벤트들, 찾아봐야 할 것들(예를 들어, 사용자가 어느 정도의 시간을 보내는 경우) 등을 보여줄 수 있다. 예를 들어, 지역 탐색은 사용자가 판독하고자 원하는 책들의 목록을 제공할 수 있고 선택적으로 이를 지역적으로 어디서 구매하는지를 보여줄 수 있다. 지역 탐색은 사용자의 친구들이 최근에 무엇을 링크했는지, 책들에 유사한 기호들을 사람이 최근에 무엇을 링크했는지, 인기/저명 비평가들이 최근에 무엇을 링크했는지 등, 또는 단지 무엇이 전반적으로 인기가 있는지 또는 사용자 가까이에서 인기가 있는지와 같은 기계 학습에 기초하여 아이템들을 선택하고, 추천들을 제공하고 기타 등등을 할 수 있다. 유사하게, 이는 다른 종류들의 제품들, 가야 할 이벤트들 등에 적용된다.
실시예들에서, 지역 탐색은 각각의 영역 내에서 유사한 기호들(식당들, 책들 등)을 가진 사람들을 찾을 수 있고 사용자로 하여금 자신이 등급을 매긴 것들을 따르도록 할 수 있다. 모바일 애플리케이션을 이용하면, 지역 탐색은 사용자와 유사한 사람들이 가까이에서 좋아할 것들의 목록을 필터링하기 위해 사용자의 위치를 이용할 수 있다. 지역 탐색은 기계 학습을 통해 다른 사람이 사용자와 유사한 기호를 가지고 있는지를 결정하여, 이 둘에게 다양한 장소들 및 사물들에 등급을 매길 것을 요청하고, 이 둘에게 유사성을 측정하기 위한 질문들에 답할 것을 요청하고, 기타 등등을 행할 수 있다. 예를 들어 어드바이스 수단을 통한 지역 탐색은, 예를 들어 유명하지 않은 것들을 공통적으로 좋아하는 것과, 인기가 있는 것들을 공통적으로 싫어하는 것과, 다른 사람이 썼던 서면 리뷰들을 보여 주는 것과, 다름 사람들의 특성들(인구통계, 장소 등)을 기술하는 것과, 얼마나 많은 다른 사람들이 다른 사용자를 따르는지를 보여 주는 것 등에 기초하여 사용자 및 다른 사람 사이의 유사성을 검출하는 것을 시도할 수 있다.
실시예들에서, 추천된 장소들, 사물들 또는 제공된 영역에 대한 이벤트들의 목록을 작성하는 대신, 지역 탐색은 또한 예를 들어 사용자에게 흥미 있는 내용의 "탐색" 피드를 고흥미도 등급으로 작성할 수 있다. 이것은 사용자가 자신의 사무실 근처에서 볼 때마다 추천되는 동일한 10개의 식당들을 보는 대신, 사용자는 각 날짜마다 서너 개의 상이한 결과들이 나타나는 것을 볼 수 있음을 의미한다. 이상적으로 이 새로운 식당들은 사용자의 친구들 또는 근처에 있는 어떤 새로운 장소를 좋아하는 유사한 기호들을 가진 사람들에 기초하여 나타날 수 있으나, 이는 또한 부분적으로 편집 프로세스일 수 있고 여기서 지역 탐색 애플리케이션의 구현과 연관되는 스태프 구성원들은 항상 새로운 장소들을 찾고 이것들을 사용자 베이스에 송신한다.
실시예들에서, 사용자는 또한 이후에 사용하기 위해 "희망 목록", "할 것 목록" 등에 일들을 저장할 수 있다. 이 저장된 제품들, 장소들, 이벤트들 등의 목록은 그 후에 또한 사용자에게 거래들, 이용 가능성, 새로운 리뷰들 등에 대해 알리는 데, 상기 제품들, 장소들 및 이벤트들에 대해서는 단지 사용자에게 자신이 관심 있는 것에 대해 알리기 위해서만 이용될 수 있다. 예를 들어, 사용자의 전화기가 진동하여 사용자가 지금 지나가고 있는 스토어에서 일부 신발들이 구입 가능하다는 것을 사용자에게 알려 주는 경우 사용자가 자신의 "희망 목록"에 상기 신발을 원한다고 이전에 표시하지 않으면 성가실 수 있다.
실시예들에서, 중점 탐색 애플리케이션에 대한 사용자 인터페이스는 지도, 텍스트 목록, 훑어보기 위한 인터페이스와 같은 "커버 플로우(cover flow)"(Apple Computer의 커버 플로우의 구현예에서와 같이) 등일 수 있다. 인터페이스는 또한 친구 또는 유사한 기호를 가진 누군가가 근처의 어떤 것을 좋아하고, 사용자가 자신의 희망 목록에 저장했던 어떤 것을 좋아하고 기타 등등일 때 사용자에게 경보들을 송신할 수 있다.
실시예들에서, 지역 탐색 애플리케이션은 날씨와 연관될 수 있고, 여기서 상기 애플리케이션은 사람이 추천을 원한 영역 내의 실제 또는 예측 날씨에 기초하여 부분적으로 추천들을 결정할 수 있다. 예를 들어, 상기 애플리케이션은 날씨가 따듯하고 비가 오지 않으면 훌륭한 야외 좌석들이 있는 장소들을 추천하고, 날씨가 좋으면 야외에서 할 것들을 추천하고, 날씨가 나쁘면 박물관에 가라는 추천들에 더 많은 가중치를 제공하는 것 등등을 행할 수 있다.
실시예들에서, 지역 탐색 애플리케이션은 추천들을 행할 때 동작 시간들 및 장소까지의 거리를 고려하는 것과 같이, 하루의 시간과 연관될 수 있다. 예를 들어, 사람이 현재 먹을 장소를 원하는 경우, 시스템은 문을 닫았거나 문을 닫으려고 하는 장소를 추천할 수 없다. 유사하게, 시스템은 이미 다 팔려 버린 물건들, 도달할 것으로 추정되는 이동 시간을 이용하면 제시간에 도달 가능하지 않을 것들 등을 추천하지 않아야 한다.
실시예들에서, 지역 탐색 애플리케이션은 단지 근처에 있는 사용자들 중에서 유명한 것들만을 보여 주는 대신, 예를 들어 추천들을 행할 때의 사람들의 기호를 이용하여 기호와 연관될 수 있다. 실시예들에서, 기호는 본원에서 기술된 바와 같이, 사용자가 좋아하는 것을, 사용자가 소셜 네트워크 상에서 따르는 사람들 등을 통해 추론될 수 있다.
실시예들에서, 지역 탐색 애플리케이션은 예를 들어 추천들을 행할 때 사람의 위치를 이용하고 사용자에게 사용자가 추천을 획득할 수 있는 토픽들의 목록을 제공할 때 사용자의 위치를 이용하는 것 등으로 위치와 관련될 수 있다. 예를 들어, 근처에 미장원이 없는 경우, 시스템은 사용자에게 미장원에 대한 추천들을 획득할 선택권을 제공하지 않을 것이다. 유사하게, 멕시코 식당이나 비디오 게임 스토어들이 없는 경우, 시스템은 상기 토픽들에서의 추천들의 선택권을 제공하지 않을 것이다. 사용자의 위치가 스토어 내에 있는 경우, 시스템은 상기 스토어가 다 팔았거나 팔지 않는 토픽들에 대한 추천들을 제공하지 않을 것이다.
실시예들에서, 지역 탐색 애플리케이션은 예를 들어 친구들, 토픽에서 존경을 받는 권위자들, 사용자와 유사한 기호들을 가지고 있는 사람들로부터 어느 정도의 활동량을 수신했던 추천들을 보여서 사회 활동과 연관될 수 있다.
실시예들에서, 지역 탐색 애플리케이션은, 흥미도의 측면에서 본원에서 기술된 바와 같이, 추천들이 새롭고, 새로 인기를 얻고, 사회 활동을 수용했고, 추천들이 새롭지는 않으나 또한 사용자가 이미 추천들에 대해 알고 있는 것이 충분히 인기가 있는 건 아니라는 표시를 가지고 있는 것 등등으로 흥미가 있는 추천들과 연관될 수 있다.
실시예들에서, 지역 탐색 애플리케이션은 모바일 애플리케이션을 이용하는 사람이 "나중을 위해" 흥미 있는 추천들뿐만 아니라 스토어 내에서 또는 밖에서 이리저리 걷고 있는 동안 보는 것들을 저장할 때와 같이 사용자가 자신의 모바일 디바이스에 어떤 아이템을 저장하는지와 연관될 수 있다. 예를 들어, 사용자가 서점에서 좋아하는 책을 보는 경우, 사용자는 나중을 위해 바코드를 스캔하고 이를 저장할 수 있다. 사용자가 자신이 좋아하는 식당을 보는 경우 사용자는 사진을 찍고 예를 들어 GPS를 통해 자신의 위치를 캡처하고 나중을 위해 이를 저장할 수 있다. 그리고 나서 저장된 콘텐츠는 나중에 모바일 애플리케이션에서 이용되는 추천들의 기본일 수 있거나 상기 콘텐츠는 주간 이메일 리마인더와 같은 다른 채널들을 통해, 웹 애플리케이션을 통해, 그리고 기타 등등을 통해 사용자에게 송신될 수 있다. 저장은 또한 예를 들어 어떤 것이 다른 사용자들에 대해 흥미 있는 콘텐츠인지를 표시하기 위해 시스템에 의해 사회 지표로서 이용될 수 있다.
실시예들에서, 지역 탐색 애플리케이션은 사용자가 인터넷 상에 어떤 아이템들을 저장하는지와 연관될 수 있다. 이것은 모바일 디바이스 자체에 저장하는 것과 유사할 수 있고, 여기서 사용자는 자신이 웹 상에서 발견한 콘텐츠를 저장하고 나서 이를 이후에 자신의 모바일 애플리케이션을 통해 이용할 수 있다. 예를 들어, 사용자가 책 리뷰를 보고 나중을 위해 이를 저장하면 사용자는 자신이 책 추천들을 찾기 위해 자신의 모바일 디바이스를 이용할 때 이후에 이에 대해 상기될 수 있다. 유사하게 사용자는 식당 또는 할 일을 저장하고 이후에 자신의 모바일 디바이스에서 이에 대해 상기될 수 있다.
실시예들에서, 지역 탐색 애플리케이션은 추천들을 제공하기 위해 토픽들을 디스플레이하는, 예를 들어 추천들이 이용 가능한 토픽을 나타내는 것을 모바일 애플리케이션이 먼저 시작할 때 그림들의 그리드를 디스플레이하는 것과 연관될 수 있다. 선택은 사용자의 위치, 사용자의 애플리케이션의 이력 사용 등에 기초할 수 있고, 여기서 애플리케이션은 사용자가 흥미 있어 하는 것을 예측한다. 예를 들어, 식당들이 사용자 근처에서 추천되고 있는 식당이고 사용자가 아이폰 앱들 및 비디오 게임들에 흥미가 있다는 애플리케이션의 믿음에 기초하여 애플리케이션이 시작할 때 무엇보다도 상기 식당들의 사진들, 아이폰 앱들 및 비디오 게임들이 있을 수 있다. 실제 사진들은 사용자에 대한 애플리케이션의 지식에 기초하여 선택될 수 있다. 예를 들어, 식당들에 대한 사진은 사용자가 좋아할 수 있다고 애플리케이션이 예측한 근처의 식당의 사진일 수 있다. 사진들의 크기 및 분류는 사용자가 상기 토픽 내에 얼마나 관심이 있을지를 상기 애플리케이션이 예측한 것에 기초하여, 도 38에 도시된 바와 같이, 사용자가 가장 빈번하게 이용한 토픽들이 목록의 상위에 있고 가장 큰 사진으로 보이도록 할 수 있다. 사용자는 그 후에 도 39에 도시된 바와 같이 추천들 중 하나를 선택하고 추천과 연관되는 더 상세한 정보에 링크될 수 있다.
실시예들에서, 추천들은 불규칙적인 그리드에서와 같이 사용자에게 관심 있는 기능으로서 순서화된 이미지들로서 디스플레이될 수 있고, 여기서 좌-우 상-대-하 순서는 사용자가 각각의 추천 또는 각각의 토픽에 얼마나 많이 흥미를 가질 것인지에 대하여 시스템이 생각한 것에 기초한다. 예를 들어, 도 40에 도시된 바와 같이 시스템은 사용자가 커피숍보다는 식당들에 더 흥미가 있다고 예측했고 따라서 식당 타이틀이 커피숍 타이틀 이전에 기재된다. 또한, 각각의 타이틀의 콘텐츠는 사용자가 좋아할 수 있는 상기 토픽 내에서의 추천이다. 그러므로 식당 타이틀은 사용자 근처에 있는 사용자가 좋아할 수 있는 식당을 보여 주고, 영화 타이틀은 음악이 좋을 수 있는 영화 등을 보여 준다.
실시예들에서, 지역 탐색 애플리케이션은 추천들을 획득할 반경을 결정하는 것과 연관될 수 있고, 예를 들어 상기 애플리케이션은 추천들이 사용자의 위치로부터 얼마나 멀리에서 돌아오게 될지에 대한 반경을 골라야만 한다. 반경은 사용자 주변의 영역의 인구 밀도 등에 기초하여, 사용자에 의해 선택될 수 있다. 예를 들어, NYC에서 반경은 0.025마일일 수 있고 반면에 지방 SC에서 반경은 60마일일 수 있다.
실시예들에서, 지역 탐색 애플리케이션은 어떤 사람으로부터의 리뷰들을 보여줄지를 결정하는 것과 연관될 수 있고, 예를 들어 애플리케이션에서 추천들이 도시될 경우 상기 추천들에는 사람들로부터의 다른 추천들, 리뷰들 또는 등급들이 동반될 수 있다. 애플리케이션은 도 41에 도시된 바와 같이, 사람들이 상기 애플리케이션을 이용하여 사람과 유사한 기호를 가지고 있는지, 사람들이 사용자의 친구들인지, 사람들이 권위 있는 비평가들인지 등에 기초하여 어떤 사람들을 보여줄지를 선택할 수 있다.
도 42를 참조하면, 방법들 및 시스템들은 컴퓨터-기반 어드바이스 수단을 통해 사용자에게 추천을 제공할 수 있고(4202), 토픽 정보를 수집하는 단계로서, 수집된 토픽 정보는 토픽이 흥미로운 정도와 관련되는 양태, 즉 흥미도 양태를 포함하는, 수집하는 단계와, 흥미도 양태에 기초하여 수집된 토픽 정보를 필터링하는 단계와(4204); 수집된 토픽 정보로부터 흥미도 등급을 결정하는 단계로서, 상기 결정은 컴퓨터-기반 어드바이스 수단을 통하는, 결정하는 단계와(4208); 흥미도 등급에 기초하여 토픽 정보와 관련되는 추천을 사용자에게 제공하는 단계(4210)를 포함한다. 실시예들에서, 흥미도 양태는 적어도 부분적으로 토픽에 대한 추천을 나타내는 다른 개인의 사회 활동으로부터 도출될 수 있다. 다른 개인은 친구, 유명한 사람, 권위자 등일 수 있다. 다른 개인은 일반적으로 또는 특정한 관심 카테고리 또는 유형에 대해 사용자와 유사한 기호들을 가질 수 있다. 사회 활동은 추천을 저장하는 것일 수 있다. 사회 활동은 추천을 적극적으로 코멘트하고 논의하는 것 중 적어도 하나일 수 있다. 사회 활동은 소셜 네트워킹 활동과 같이 인터넷 상의 소스들에 대한 다른 개인의 활동으로부터 수집될 수 있다. 토픽 정보의 흥미도 양태는 또한 토픽 정보가 참신함 또는 새로움의 일부 양태를 가지고 있다는 표시에 기초하여 결정될 수 있다. 새로움은 토픽 정보가 미리 결정된 시간 기간에 걸친 새로운 토픽 정보이다. 새로움은 토픽 정보가 새로 인기가 있다는 표시일 수 있다. 새로 인기가 있는 바와 같은 상태는 웹 상의 활동으로부터 결정될 수 있다. 새로움은 소셜 네트워크 내에서의 새로 인기가 있는 토픽의 등장과 같이 일반적일 수 있거나, 또는 오래된 토픽이 사용자에게 처음 노출되나, 전체적으로 소셜 네트워크에 처음 노출되는 것이 아닐 경우 그것이 사용자에게 새로워질 때와 같이 사용자에게 특정할 수 있다. 토픽 정보의 흥미도 양태는 적어도 부분적으로 리뷰, 추천, 블로그 엔트리, 트윗, 권위 있는 소스, 뉴스 소스, 전자 출판, 구매, 뷰, 뷰잉된 시간 등 중 적어도 하나에 기초할 수 있다. 제한 없이, 흥미도 양태는 시간 데이터에 기초할 수 있다. 시간 데이터는 영화, 제품 등과 같은 발매일일 수 있다. 시간 데이터는 식당 개업, 문화 이벤트 오프닝 등과 같은 이벤트 오프닝일 수 있다. 흥미도 양태는 예를 들어 토픽 정보가 온라인 소스들에서 얼마나 자주 언급되는지에 관련된 빈도수 데이터일 수 있다. 흥미도 양태는 컴퓨터 디바이스와의 사용자 상호 작용과 관련될 수 있다. 사용자 상호 작용들은 기계 학습 수단에 의해 사용자에 의해 토픽 정보에 대한 선호도 레벨을 나타내는 사용자 행위로서 해석될 수 있다. 사용자 상호 작용은 웹 링크의 선택일 수 있다. 사용자 상호 작용은 컴퓨터 디바이스 스크린에 대한 태핑(tapping), 터칭 및 클릭 중 적어도 하나일 수 있다. 컴퓨터-기반 어드바이스 수단은 기계 학습 수단을 포함할 수 있다. 컴퓨터-기반 어드바이스 수단은 추천 수단을 포함할 수 있다. 필터는 협력 필터링일 수 있다. 추천들은 사용자의 현재 지리적 영역 내에서 추천들을 제공하기 위해 사용자의 모바일 통신 시설에 송신될 수 있다. 모바일 통신 시설 상에 그래픽 사용자 인터페이스가 있으며 이는 사용자에게 제공된 추천들을 세밀화하는 능력을 상기 사용자에게 제공한다. 추천들은 사용자에게 구매할 아이템들, 가야 할 이벤트들, 볼만한 것들 등 중 적어도 하나를 보여줄 수 있다. 추천은 지역 스토어와 관련될 수 있다. 추천은 지역 식당과 관련될 수 있다. 추천은 지역 바와 관련될 수 있다. 추천은 엔터테인먼트와 관련될 수 있다. 추천들은 지리적 영역에 특정한 흥미도에 기초하여 사용자에게 사전에 필터링될 수 있다. 추천 피드는 사용자가 위치하고 있는 현재의 지리적 영역에 대하여 사용자에게 송신될 수 있다. 추천들은 신뢰도 및 사용자가 추천을 얼마나 많이 좋아할지를 예측하는 데 있어서 임계치점을 만족시키는 사용자에게만 송신될 수 있다. 신뢰도에 있어서의 임계치는 흥미도 등급과 관련될 수 있다. 신뢰도에 있어서의 임계치점은 시스템에 의해 제공되는 이전의 추천들과 관련되는 사용자의 과거의 행위에 기초하여 기계 학습 수단에 의해 결정될 수 있다. 사용자는 모바일 통신 시설 상의 저장소로 추천들을 저장하는 것이 가능할 수 있다. 사용자는 컴퓨터-기반 어드바이스 수단을 구비하는 저장소로 추천들을 저장하는 것이 가능할 수 있다.
도 43을 참조하면, 방법들 및 시스템들은 컴퓨터-기반 어드바이스 수단(4302)를 통해 사용자에게 지리적으로 국지화된 추천을 제공할 수 있고, 인터넷 소스로부터 추천을 수집하는 단계를 포함하고, 여기서 추천은 흥미도 양태를 가지는 것으로 결정된다. 추천은 지리적 위치 양태(4304)에 기초하여 더 결정될 수 있다. 추가 선택사양들은 수집된 추천을 도출된 사용자 기호 및 사용자의 현재 지리적 위치와 비교하는 단계(4308)와, 비교에 대한 프로세싱에 기초하여 사용자에 대한 적어도 하나의 추천을 결정하는 단계(4310)와, 적어도 하나의 추천을 사용자의 모바일 통신 디바이스로 전달하는 단계를 포함하고, 여기서 사용자는 예를 들어 컴퓨터-기반 어드바이스 수단(4312) 상에 적어도 부분적으로 상주하는 애플리케이션을 통해 추천을 뷰잉하고, 저장하고 공유하는 것 중 적어도 하나를 행하는 것이 가능하다.
실시예들에서, 컴퓨터-기반 어드바이스 수단은 모바일 통신 디바이스일 수 있다. 모바일 통신 디바이스는 스마트폰일 수 있다. 뷰잉은 인터넷 소스로부터의 소스 정보를 제공하는 것을 포함할 수 있다. 소스 정보는 인터넷 소스와 연관되는 이미지, 등급, 원 추천 등을 포함할 수 있다. 이미지는 추천 또는 아이콘과 같은 다른 표시를 제공했던 개인의 사진으로, 그와 같은 개인을 나타낼 수 있다. 소스 정보는 추천을 행했던 적어도 한 명의 개인의 기호들에 대한 유사성의 정도의 시각 표시자를 포함할 수 있다. 상기 표시는 상대적인 유사도를 측정하는 메트릭을 표현하는 것과 같이, 정성(예를 들어, "이 개인은 당신과 매우 유사한 기호들을 가지고 있습니다.") 또는 정량(예를 들어, "당신은 이 개인과 20개의 카테고리들 중 10개의 관심들을 공유합니다.")적일 수 있다. 소스 정보는 추천을 행했던 적어도 개인보다 더 많은 개인들의 기호들에 대한 유사성의 정도의 시각 표시자를 포함할 수 있다. 시각 표시자는 기호 유사성의 정도에 기초하여 개인들을 분류하는 것을 포함할 수 있다. 개인들은 유사성이 작아지는 순서로 기재될 수 있다.
실시예들에서, 흥미도 양태는 새로운, 예를 들어 인터넷 도메인, 인터넷 뉴스 소스들의 집합체, 기업 네트워크, 소셜 네트워크 또는 전체로서의 인터넷과 같은 도메인 내의 정보가 등장한 날에 의해 결정되는 토픽 정보일 수 있다.
흥미도 양태는 사용자의 브라우징 이력에 의해, 하나 이상의 디바이스들 상에서의 사용자의 활동들을 추적하는 것 등에 의해 반영되는 바와 같은, 예를 들어 사용자에 의해 리뷰되고, 사용자에 의해 액세스된 과거 콘텐츠와의 비교 등으로 어드바이스 수단에 의해 사용자에게 새로운 것으로 간주되는 토픽 정보일 수 있다.
실시예들에서 흥미도 양태들은 사용자 피드백에 의해 또는 아이템으로의 액세스, 이를 리뷰하는 데 소비된 시간 등과 같은 사용자의 활동들에 의해 반영되는 바와 같은, 사용자가 과거에 관심을 보였던 뉴스 아이템에 대한 갱신과 같은, 기존 토픽에 대한 새로운 양태를 가지는 토픽 정보일 수 있다.
흥미도 양태는 아이템을 등급화한 사용자들 대 사용자들에 의해 저장되는 아이템의 비와 관련되는 바대로 결정될 수 있다.
실시예들에서 흥미도 양태는 토픽 정보와 연관되는 사회 활동의 가속에 의해 결정될 수 있다.
실시예들에서, 흥미도 양태는 하나 이상의 양태를 가지는 정보, 예를 들어 사용자의 프로파일과 유사(예를 들어, 사용자가 과거에 관심을 보였고, 사용자의 관심 카테고리와 매칭하고, 유사한 기호들을 가지는 다른 사용자에게 적절성 또는 관심을 보이는 아이템들 등과 유사한)하지만 동시에 사용자의 이력과 유사하지 않다고(즉, 상술한 방식들 중 하나에서 이 사용자에게 새로운) 결정되는 정보에 기초하여 결정될 수 있다. 그러므로, 예를 들어 특정한 유명인사의 과거를 표현했던 사용자는 상기 유명인에 대한 급작스런 소식에 매우 높은 관심을 가질 것으로 기대될 수 있다.
실시예들에서, 흥미도 양태는 사용자의 현재의 위치 및 시간 팩터들에 기초하여 더 결정될 수 있고, 여기서 시간 팩터들은 본 명세서에 기재된 팩터들 중 하나에 의해 결정되는 바와 같이 새로운, 예를 들어 어떤 도메인에 새로운 토픽 정보에 기초하고(최대 전체 인터넷을 포함하지만, 선택적으로 사용자의 현재 위치로 링크되는 도메인에 대하여 신규라는 것에 기초한다), 어드바이스 수단에 의해 사용자에 새로운 것으로 간주되는 토픽 정보에 기초하고, 아이템을 등급화하는 사용자들의 비율과 관련된 바대로 결정되는 기존 토픽에 대한 새로운 양태를 가지는 토픽 정보에 기초하고, 토픽 정보와 연관되는 사회 활동의 가속에 의해 결정되는 사용자들에 의해 저장되는 아이템에 기초한다. 지리적 양태는 토픽 정보와 연관되는 지리적 위치일 수 있고, 여기서 지리적 위치는 이벤트의 위치, 가게의 위치, 식당의 위치, 관심 지점의 위치, 적어도 하나의 제품 위치 등일 수 있다.
다양한 실시예들에서 도출되는 사용자 기호는 등급에 기초할 수 있고, 이 등급은 사용자, 사용자의 친구들, 사용자와 유사한 기호를 가지는 사람들, 권위가 있는 소스, 유명인에 의해, 사용자 온라인 행위에 관하여 학습한 기계 상에서 사용자 행동으로부터 추론되어, 그리고 기타 등등으로 제공될 수 있다. 사용자 행위는 구매 행위, 브라우징 행위, 소셜 네트워크 행위, 위치 기반 행위들 등을 포함하는 온라인 행위일 수 있다. 추천은 구매할 아이템들, 방문할 장소들, 참여할 이벤트들, 식사 장소들 등일 수 있다. 추천은 사용자의 현재의 지리적 위치로부터 사용자와 유사한 기호들을 가지는 적어도 한 명의 다른 사용자의 추천들 및 등급들 중 하나에 기초할 수 있다. 유사한 기호들은 다른 사용자로부터의 등급들 및 다른 사용자의 온라인 행위 중 적어도 하나를 통한 기계 학습에 의해 결정될 수 있다. 추천은 지역 탐색 추천들의 피드의 일부로 제공될 수 있다. 상기 추천은 목적에 저장한 추천을 저장한 것일 수 있고, 여기서 목록은 소원 목록, 할 일 목록, 이벤트 목록, 거래 목록 등일 수 있다. 저장된 추천은 저장된 추천의 지리적 장소 양태가 사용자의 현재 위치와 매칭할 때 지역 탐색 애플리케이션을 통해 사용자에게 보일 수 있다. 추천은 적어도 하나의 다른 사용자로부터의 추천에 기초하여 사용자에게 전송될 수 있고, 여기서 어드바이스 수단은 다른 사용자의 추천을 이용하기 위해 사용자의 현재 위치 주위의 반경의 적용 가능성을 결정한다. 애플리케이션은 지역 탐색 애플리케이션일 수 있고, 여기서 지역 탐색 애플리케이션은 새로운 그리고 저장된 추천들 중 적어도 하나를 날씨와, 새로운 그리고 저장된 추천들을 하루의 시간과, 새로운 그리고 저장된 추천들을 사용자의 사회 활동과, 그리고 기타 등등을 상관시킨다. 지역 탐색 애플케이션은 사용자가 각각의 추천 및 각각의 토픽 중 적어도 하나에 얼마만큼 관심을 가질 것인가에 대해 어드바이스 수단가 생각하는 것에 기초하여 이미지들을 디스플레이할 수 있다. 디스플레이되는 이미지들은 불규칙 그리드에 디스플레이될 수 있고 여기서 좌-우 상-대-하 순서는 사용자가 각각의 추천 및 각각의 토픽 중 적어도 하나에 얼마만큼 관심을 가질 것인가에 대해 어드바이스 수단가 생각하는 것에 기초할 수 있다.
본원에 기술되는 방법들 및 시스템들은 부분적으로 또는 전체적으로 프로세스 상에서 컴퓨터 소프트웨어, 프로그램 코드들 및/또는 명령들을 실행하는 기계를 통해 이용될 수 있다. 본 발명은 기계 상의 방법으로서, 기계의 일부 또는 기계와 관련되는 장치 상의 시스템으로서 또는 기계들 중 하나 이상을 실행하는 컴퓨터 판독 가능 매체에서 실시되는 컴퓨터 프로그램 제품으로서 구현될 수 있다. 프로세서는 서버, 클라이언트, 네트워크 인프라 구조, 모바일 컴퓨팅 플랫폼, 정적 컴퓨팅 플랫폼 또는 다른 컴퓨팅 플랫폼의 일부일 수 있다. 프로세서는 프로그램 명령들, 코드들, 이진 명령들 등을 실행할 수 있는 임의의 종류의 계산 또는 프로세싱 디바이스일 수 있다. 프로세서는 내부에 저장된 프로그램 코드 또는 프로그램 명령들의 실행을 직접적으로 또는 간접적으로 용이하게 할 수 있는 신호 프로세서, 디지털 프로세서, 임베디드 프로세서, 마이크로프로세서 또는 코-프로세서(수치연산 코-프로세서, 그래피 코-프로세서, 통신 코-프로세서 등)와 같은 임의의 변형 등일 수 있거나 이것들을 포함할 수 있다. 게다가, 프로세서는 다수의 프로그램들, 스레드(thread)들 및 코드들의 실행을 가능하게 할 수 있다. 스레드들은 프로세스의 성능을 강화하기 위해 그리고 애플리케이션의 동시 작동들을 용이하게 하기 위해 동시에 실행될 수 있다. 구현을 통해, 본원에 기술되는 방법들, 프로그램 코드들, 프로그램 명령들 등은 하나 이상의 스레드에서 구현될 수 있다. 스레드는 자신과 연관되는 우선순위들을 할당했었을 수 있는 다른 스레드들을 만들 수 있고; 프로세서는 프로그램 코드에 제공되는 명령들에 기초하는 우선순위 또는 임의의 다른 순서에 기초하여 이 스레드들을 실행할 수 있다. 프로세서는 본원에서 그리고 다른 곳에서 기술되는 바와 같은 방법들, 코드들, 명령들 및 프로그램들을 저장하는 메모리를 포함할 수 있다. 프로세서는 본원에서 그리고 다른 곳에서 기술되는 바와 같은 방법들, 코드들 및 명령들을 저장할 수 있는 인터페이스를 통해 저장 매체에 액세스할 수 있다. 컴퓨팅 또는 프로세싱 디바이스에 의해 수행될 수 있는 방법들, 프로그램들, 코드들, 프로그램 명령들 또는 다른 유형의 명령들을 저장하기 위한 프로세서와 연관되는 저장 매체는 CD-ROM, DVD, 메모리, 하드 디스크, 플래시 드라이브, RAM, ROM, 캐시 등 중 하나 이상을 포함할 수 있으나 이로 제한되지 않을 수 있다.
프로세서는 멀티프로세서의 속도 및 성능을 향상시킬 수 있는 하나 이상의 코어들을 포함할 수 있다. 실시예들에서, 프로세서는 둘 이상의 독립 코어들(다이(die)로 칭해짐)을 결합하는 듀얼 코어 프로세서, 쿼드 코어 프로세서들, 다른 칩-레벨 멀티프로세서 등일 수 있다.
본원에 기술되는 방법들 및 시스템들은 서버, 클라이언트, 방화벽, 게이트웨이, 허브, 라우터, 또는 다른 그와 같은 컴퓨터 및/또는 네트워킹 하드웨어 상에서 컴퓨터 소프트웨어를 실행하는 기계를 통해 부분적으로 전체적으로 이용될 수 있다. 소프트웨어 프로그램은 파일 서버, 프린트 서버, 도메인 서버, 인터넷 서버, 인트라넷 서버 및 2차 서버, 호스트 서버, 분산형 서버 등과 같은 다른 변형들을 포함할 수 있는 서버와 연관될 수 있다. 서버는 메모리들, 프로세서들, 컴퓨터 판독 가능 매체, 저장 매체, 포트(port)들(물리 또는 가상), 통신 디바이스들 및 유선 또는 무선 매체 등을 통해 다른 서버들, 클라이언트들, 기계들 및 디바이스들에 액세스할 수 있는 인터페이스들 중 하나 이상을 포함할 수 있다. 본원에서 그리고 다른 곳에서 기술되는 바와 같은 방법들, 프로그램들 또는 코드들은 서버에 의해 실행될 수 있다. 게다가, 본 출원에서 기술되는 바와 같은 방법들의 실행에 요구되는 다른 디바이스들은 서버와 연관되는 인프라구조의 일부로서 고려될 수 있다.
서버는 클라이언트들, 다른 서버들, 프린터들, 데이터베이스 서버들, 프린트 서버들, 파일 서버들, 통신 서버들, 분산 서버들 등을 제한 없이 포함하는 다른 디바이스들에 인터페이스를 제공할 수 있다. 추가로, 이 결합 및/또는 접속은 네트워크에 걸쳐 프로그램의 원격 실행을 용이하게 할 수 있다. 이들 디바이스들의 일부 또는 모두의 네트워킹은 본 발명의 범위를 벗어나지 않고 하나 이상의 장소에서 프로그램 또는 방법의 병렬 프로세싱을 용이하게 할 수 있다. 게다가, 인터페이스를 통해 서버에 접속되는 디바이스들 중 임의의 디바이스는 방법들, 프로그램들, 코드 및/또는 명령들을 저장할 수 있는 적어도 하나의 저장 매체를 포함할 수 있다. 중앙 저장소는 상이한 디바이스들 상에서 실행될 프로그램 명령들을 제공할 수 있다. 이 구현에서, 원격 저장소는 프로그램 코드, 명령들 및 프로그램들에 대한 저장 매체 역할을 할 수 있다.
소프트웨어 프로그램은 파일 서버, 프린트 서버, 도메인 서버, 인터넷 서버, 인트라넷 서버 및 2차 클라이언트, 호스트 클라이언트, 분산 클라이언트 등과 같은 다른 변형들을 포함할 수 있는 클라이언트와 연관될 수 있다. 클라이언트는 메모리들, 프로세서들, 컴퓨터 판독 가능 매체, 저장 매체, 포트들(물리 또는 가상), 통신 디바이스들 및 유선 또는 무선 매체 등을 통해 다른 클라이언트들, 서버들, 기계들 및 디바이스들에 액세스할 수 있는 인터페이스들 중 하나 이상을 포함할 수 있다. 본원에서 그리고 다른 곳에서 기술되는 바와 같은 방법들, 프로그램들 또는 코드들은 클라이언트에 의해 실행될 수 있다. 게다가, 본 출원에서 기술되는 바와 같은 방법들의 실행에 요구되는 다른 디바이스들은 클라이언트와 연관되는 인프라구조의 일부로서 고려될 수 있다.
클라이언트는 서버들, 다른 클라이언트들, 프린터들, 데이터베이스 서버들, 프린트 서버들, 파일 서버들, 통신 서버들, 분산 서버들 등을 제한 없이 포함하는 다른 디바이스들에 인터페이스를 제공할 수 있다. 추가로, 이 결합 및/또는 접속은 네트워크에 걸쳐 프로그램의 원격 실행을 용이하게 할 수 있다. 이 디바이스들 중 일부 또는 모두의 네트워킹은 본 발명의 범위를 벗어나지 않고 하나 이상의 장소에서 프로그램 또는 방법의 병렬 프로세싱을 용이하게 할 수 있다. 게다가, 인터페이스를 통해 클라이언트에 접속되는 디바이스들 중 임의의 디바이스는 방법들, 프로그램들, 애플리케이션들, 코드 및/또는 지시들을 저장할 수 있는 적어도 하나의 저장 매체를 포함할 수 있다. 중앙 저장소는 상이한 디바이스들 상에서 실행될 프로그램 명령들을 제공할 수 있다. 이 구현에서, 원격 저장소는 프로그램 코드, 명령들 및 프로그램들에 대한 저장 매체 역할을 할 수 있다.
본원에 기술되는 방법들 및 시스템들은 부분적으로 또는 전체적으로 네트워크 인프라 구조들을 통해 배치될 수 있다. 네트워크 인프라 구조는 컴퓨팅 디바이스들, 서버들, 라우터들, 허브들, 방화벽들, 클라이언트들, 개인용 컴퓨터들, 통신 디바이스들, 라우팅 디바이스들 및 다른 능동 및 수동 디바이스들, 모듈들과 같은 요소들 및/또는 당업자에 공지되어 있는 구성요소들을 포함할 수 있다. 네트워크 인프라 구조와 연관되는 컴퓨팅 및/또는 비-컴퓨팅 디바이스(들)는 다른 구성요소들과는 별도로, 플래시 메모리, 버퍼, 스택(stack), RAM, ROM 등과 같은 저장 매체를 포함할 수 있다. 본원에서 그리고 그 외의 도처에서 기술되는 프로세스들, 방법들, 프로그램 코드들, 명령들은 네트워크 인프라 구조 요소들 중 하나 이상에 의해 실행될 수 있다.
본원에 그리고 다른 도처에 기술되는 상기 방법들, 프로그램 코드들 및 명령들은 다수의 셀들을 가지는 셀룰러 네트워크 상에서 구현될 수 있다. 셀룰러 네트워크는 주파수 분할 다중 액세스(frequency division multiple access; FDMA) 또는 코드 분할 다중 액세스(code division multiple access; CDMA) 네트워크일 수 있다. 셀룰러 네트워크는 모바일 디바이스들, 셀 사이트들, 기지국들, 반복기들, 안테나들, 타워들 등을 포함할 수 있다. 셀 네트워크는 GSM, GPRS, 3G, EVDO, 메쉬 또는 다른 네트워크 유형들일 수 있다.
본원에 그리고 다른 도처에 기술되는 상기 방법들, 프로그램 코드들 및 명령들은 모바일 디바이스들에서 또는 모바일 디바이스들을 통해 구현될 수 있다. 모바일 디바이스들은 내비게이션 디바이스들, 셀룰러 폰들, 모바일 폰들, 모바일 개인용 디지털 보조장치들, 랩탑들, 팜탑(palmtop)들, 넷북들, 페이저들, 전자책 리더들, 음악 재생기들 등을 포함할 수 있다. 이 디바이스들은 다른 구성요소들 외에, 플래시 메모리와 같은 저장 매체, 버퍼, RAM, ROM 및 하나 이상의 컴퓨팅 디바이스들을 포함할 수 있다. 모바일 디바이스들과 연관되는 컴퓨팅 디바이스들은 내부에 저장된 프로그램 코드들, 방법들 및 명령들을 실행하는 것이 가능할 수 있다. 대안으로, 모바일 디바이스들은 다른 디바이스들과 협력하여 명령들을 실행하도록 구성될 수 있다. 모바일 디바이스들은 서버들과 인터페이스되고 프로그램 코드들을 실행하도록 구성되는 기지국들과 통신할 수 있다. 모바일 디바이스들은 피어 투 피어 네트워크, 메쉬 네트워크 또는 다른 통신 네트워크 상에서 통신할 수 있다. 프로그램 코드는 서버와 연관되는 저장 매체 상에 저장되고 서버 내에 임베딩된 컴퓨팅 디바이스에 의해 실행될 수 있다. 기지국은 컴퓨팅 디바이스 및 저장 매체를 포함할 수 있다. 저장 디바이스는 기지국과 연관되는 컴퓨팅 디바이스들에 의해 실행되는 프로그램 코드들 및 명령들을 저장할 수 있다.
컴퓨터 소프트웨어, 프로그램 코드들 및/또는 명령들은: 얼마간의 시간 간격 동안에 계산하는 데 이용되는 디지털 데이터를 보유하는 컴퓨터 구성요소들, 디바이스들 및 기록 매체; 랜덤 액세스 메모리(RAM)로 공지되어 있는 반도체 스토리지; 광디스크들과 같이 전형적으로 더 영구적인 저장을 위한 대용량 스토리지, 하드 디스크들, 테이프들, 드럼들, 카드들 및 다른 유형들과 같은 자기 스토리지 형태들; 프로세서 레지스터들, 캐시 메모리, 휘발성 메모리, 비휘발성 메모리; CD, DVD와 같은 광 스토리지; 플래시 메모리(예를 들어 USB 스틱들 또는 키들), 플로피 디스크들, 자기 테이프, 종이 테이프, 펀치 카드들, 단독 RAM 디스크들, Zip 드라이버들, 제거 가능 대용량 스토리지, 오프라인 등과 같은 제거 가능 매체; 동적 메모리, 정적 메모리, 판독/기록 스토리지, 뮤터블 스토리지(mutable storage), 판독 전용, 랜덤 액세스, 순차 액세스, 위치 어드레싱 가능, 파일 어드레싱 가능, 콘텐츠 어드레싱 가능, 네트워크 접속 스토리지, 스토리지 영역 네트워크, 바코드들, 자기 잉크 등과 같은 다른 컴퓨터 메모리를 포함할 수 있는 기계 판독 가능 매체 상에 저장되고/되거나 액세스될 수 있다.
본원에 기술되는 방법들 및 시스템들은 물리적 및/또는 유형적인 아이템들을 하나의 상태에서 다른 상태로 변형할 수 있다. 본원에 기술되는 방법들 및 시스템들은 또한 물리적 및/또는 유형적인 아이템들을 나타내는 데이터를 하나의 상태에서 다른 상태로 변형할 수 있다.
도면들 전체를 통하는 흐름도들 및 블록도들을 포함하여 본원에 기술되고 서술된 요소들은 요소들 사이의 논리적 경계들을 함축한다. 그러나, 소프트웨어 또는 하드웨어 공학 관습들에 따르면, 서술된 요소들 및 이들의 기능들은 모놀리식 소프트웨어 구조로서, 단독 소프트웨어 모듈로서, 또는 외부 루틴들, 코드, 서비스들 등을 이용하는 모듈 또는 이들의 임의의 결합체로서 내부에 저장된 프로그램 명령들을 실행할 수 있는 프로세서를 가지는 컴퓨터 실행 가능 매체를 통해 기계들 상에서 구현될 수 있고, 모든 그와 같은 구현들은 본 발명의 범위 내에 있을 수 있다. 그와 같은 기계들의 예들은 개인용 디지털 보조장치들, 랩탑들, 개인용 컴퓨터들, 모바일 폰들, 다른 휴대용 컴퓨팅 디바이스들, 의료용 장비, 유선 또는 무선 통신 디바이스들, 트랜스듀서들, 칩들, 계산기들, 위성들, 태블릿 PC들, 전자책들, 기기들, 전자 디바이스들, 인공 지능을 갖춘 디바이스들, 컴퓨팅 디바이스들, 네트워킹 장비들, 서버들, 라우터들 등을 포함할 수 있으나 이로 제한되지 않는다. 게다가, 흐름도 및 블록도들에 도시된 요소들 또는 임의의 다른 논리 구성요소들은 프로그램 명령들을 실행할 수 있는 기계 상에서 구현될 수 있다. 그러므로, 상술한 도면들 및 설명들이 개시된 시스템들의 기능 양태들을 진술할지라도, 명시적으로 진술되거나 이와 달리 내용으로부터 분명하지 않는 한 이 기능 양태들을 구현하는 소프트웨어의 어떠한 특정한 배열은 이 설명들로부터 추측되지 않아야 한다. 유사하게, 위에서 식별되고 기술되는 다양한 단계들이 변경될 수 있고, 단계들의 순서는 본원에 개시되는 기술들의 특정한 애플리케이션들에 적응될 수 있음이 인정될 것이다. 모든 그와 같은 변경들 및 변형들은 본 명세서의 범위 내에 해당하도록 의도된다. 그와 같으므로, 다양한 단계들의 순서의 서술 및/또는 기술은 특정한 애플리케이션에 의해 요구되거나 명시적으로 진술되거나 이와 달리 내용으로부터 명확하지 않는 한 상기 단계들에 대해 특정한 실행 순서를 요구하는 것으로 이해되지 않아야 한다.
상술한 방법들 및/또는 프로세스들 및 이들의 단계들은 특정한 애플리케이션에 적합한 하드웨어, 소프트웨어 또는 하드웨어 및 소프트웨어의 임의의 결합으로 실현될 수 있다. 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 디바이스 또는 특정 컴퓨팅 디바이스 또는 특정 컴퓨팅 디바이스의 특정한 양태 또는 구성요소를 포함할 수 있다. 프로세스들은 내부 및/또는 외부 메모리와 함께 하나 이상의 마이크로프로세서들, 마이크로콘트롤러들, 임베딩된 마이크로콘트롤러들, 프로그래머블 디지털 신호 프로세서들 또는 다른 프로그래머블 디바이스에서 실현될 수 있다. 프로세스는, 또한 또는 대신, 주문형 반도체, 프로그래머블 게이트 어레이, 프로그래머블 어레이 로직 또는 전자 신호들을 프로세싱하도록 구성될 수 있는 임의의 다른 디바이스 또는 디바이스들의 결합체에서 구현될 수 있다. 상기 프로세스들 중 하나 이상은 기계 판독 가능 매체 상에서 실행될 수 있는 컴퓨터 실행 가능 코드로서 실현될 수 있음이 더 인정될 것이다.
컴퓨터 실행 가능 코드는 상기 디바이스들뿐만 아니라 프로세서들, 프로세서 아키텍처들의 이질적인 결합들 또는 상이한 하드웨어 및 소프트웨어의 결합들, 및 프로그램 명령들을 수행할 수 있는 임의의 다른 기계 중 하나에서 운영되기 위해 저장되거나, 컴파일링되거나 또는 해석될 수 있는 C와 같은 구조화 프로그래밍 언어, C++와 같은 객체 지향 프로그래밍 언어 또는 임의의 다른 고레벨 또는 저레벨 프로그래밍 언어(어셈블리 언어들, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어들 및 기술들)를 이용하여 생성될 수 있다.
그러므로, 하나의 양태에서, 상술한 각각의 방법 및 이의 결합들은 하나 이상의 컴퓨팅 디바이들을 실행할 때 상기 방법의 단계들을 수행하는 컴퓨터 실행 가능 코드에서 구현될 수 있다. 다른 양태에서, 상기 방법들은 방법들의 단계들을 수행하는 시스템들에서 구현될 수 있고 다수의 방식들로 디바이스들에 걸쳐 분배될 수 있거나 기능 모두가 전용, 독립형 디바이스 또는 다른 하드웨어 내에 통합될 수 있다. 다른 양태에서, 상술한 프로세스들과 연관되는 단계들을 수행하는 수단은 상술한 소프트웨어 및/또는 하드웨어 중 임의의 하나를 포함할 수 있다. 그와 같은 변경들 및 결합들은 본 명세서의 범위 내에 해당하도록 의도된다.
본 발명이 상세하게 도시되고 기술된 바람직한 실시예들과 관련하여 기술되었을지라도, 이에 대한 다양한 수정들 및 개선들은 당업자에게 즉시 명확해질 것이다. 따라서, 본 발명의 정신 및 범위는 상술한 예들에 의해 제한되지 않아야 하고, 법에 의해 허용 가능한 가장 광범위한 의미로 이해되어야 한다.
본원에서 언급되는 모든 문서들은 이에 참조로서 통합될 수 있다.
Claims (43)
- 컴퓨터-기반 어드바이스 수단을 통해 사용자에게 추천을 제공하는 방법으로서,
토픽 정보를 수집하는 단계 - 수집된 토픽 정보는 흥미도 양태(interestingness aspect)를 포함하고 상기 흥미도 양태는 사용자의 기호 프로파일에 대한 유사성에 기초하고 상기 토픽 정보의 신규성에 기초함 - 와,
상기 흥미도 양태에 기초하여 상기 수집된 토픽 정보를 필터링하는 단계와,
상기 컴퓨터-기반 어드바이스 수단을 통해 상기 수집된 토픽 정보로부터 흥미도 등급을 결정하는 단계와,
상기 흥미도 등급에 기초하여 상기 토픽 정보와 관련되는 추천을 사용자에게 제공하는 단계를 포함하는
사용자에게 추천을 제공하는 방법.
- 제 1 항에 있어서,
상기 흥미도 양태는 토픽에 대한 추천을 나타내는 다른 개인의 사회 활동으로부터 도출되는
사용자에게 추천을 제공하는 방법.
- 제 2 항에 있어서,
상기 다른 개인은 친구인
사용자에게 추천을 제공하는 방법.
- 제 2 항에 있어서,
상기 다른 개인은 유명한 사람인
사용자에게 추천을 제공하는 방법.
- 제 2 항에 있어서,
상기 다른 개인은 권위 있는 사람인
사용자에게 추천을 제공하는 방법.
- 제 2 항에 있어서,
상기 다른 개인은 상기 사용자와 유사한 기호들을 가지는
사용자에게 추천을 제공하는 방법.
- 제 2 항에 있어서,
상기 사회 활동은 추천을 저장하는 것인
사용자에게 추천을 제공하는 방법.
- 제 2 항에 있어서,
상기 사회 활동은 추천을 능동적으로 코멘팅하고 논의하는 것 중 적어도 하나인
사용자에게 추천을 제공하는 방법.
- 제 2 항에 있어서,
상기 사회 활동은 인터넷 상의 소스들로부터 수집되는
사용자에게 추천을 제공하는 방법.
- 제 1 항에 있어서,
상기 토픽 정보의 흥미도 양태는 상기 토픽 정보가 얼마간의 신규성의 양태를 가지고 있다는 표시인
사용자에게 추천을 제공하는 방법.
- 제 10 항에 있어서,
상기 신규성은 상기 토픽 정보가 소정의 기간에 걸친 새 토픽 정보라는 표시인
사용자에게 추천을 제공하는 방법.
- 제 10 항에 있어서,
상기 신규성은 상기 토픽 정보가 최근에 인기가 있다는 표시인
사용자에게 추천을 제공하는 방법.
- 제 12 항에 있어서,
상기 최근에 인기는 웹 상의 활동 레벨로부터 결정되는
사용자에게 추천을 제공하는 방법.
- 제 1 항에 있어서,
상기 토픽 정보의 흥미도 양태는 리뷰, 추천, 블로그 엔트리, 트윗, 권위 있는 소스, 뉴스 소스 및 e-출간 중 적어도 하나로부터인
사용자에게 추천을 제공하는 방법.
- 제 1 항에 있어서,
상기 흥미도 양태는 시간 데이터인
사용자에게 추천을 제공하는 방법.
- 제 15 항에 있어서,
상기 시간 데이터는 릴리스(release) 날짜인
사용자에게 추천을 제공하는 방법.
- 제 16 항에 있어서,
상기 릴리스 날짜는 영화의 개봉일인
사용자에게 추천을 제공하는 방법.
- 제 16 항에 있어서,
상기 릴리스 날짜는 제품의 출시일인
사용자에게 추천을 제공하는 방법.
- 제 15 항에 있어서,
상기 시간 데이터는 이벤트 오프닝인
사용자에게 추천을 제공하는 방법.
- 제 19 항에 있어서,
상기 오프닝은 식당 개업인
사용자에게 추천을 제공하는 방법.
- 제 19 항에 있어서,
상기 오프닝은 문화 이벤트 오프닝인
사용자에게 추천을 제공하는 방법.
- 제 1 항에 있어서,
상기 흥미도 양태는 상기 토픽 정보가 온라인 소스들에서 얼마나 자주 인용되는지인
사용자에게 추천을 제공하는 방법.
- 제 1 항에 있어서,
상기 흥미도 양태는 컴퓨터 디바이스와의 사용자 상호 작용과 관련되는
사용자에게 추천을 제공하는 방법.
- 제 23 항에 있어서,
상기 사용자 상호 작용들은 상기 기계 학습 수단에 의해 상기 사용자에 의한 상기 토픽 정보에 대한 선호도 레벨을 나타내는 사용자 행위들로서 해석되는
사용자에게 추천을 제공하는 방법.
- 제 23 항에 있어서,
상기 사용자 상호 작용은 웹 링크의 선택인
사용자에게 추천을 제공하는 방법.
- 제 23 항에 있어서,
상기 사용자 상호 작용은 컴퓨터 디바이스 스크린 상의 태핑, 터칭 및 클릭킹 중 적어도 하나인
사용자에게 추천을 제공하는 방법.
- 제 1 항에 있어서,
상기 컴퓨터-기반 어드바이스 수단은 기계 학습 수단을 포함하는
사용자에게 추천을 제공하는 방법.
- 제 1 항에 있어서,
상기 컴퓨터-기반 어드바이스 수단은 추천 수단을 포함하는
사용자에게 추천을 제공하는 방법.
- 제 1 항에 있어서,
상기 필터링은 협력 필터링인
사용자에게 추천을 제공하는 방법.
- 제 1 항에 있어서,
추천들은 상기 사용자의 현재의 지리적 영역 내의 추천들을 제공하기 위해 사용자의 모바일 통신 수단에 송신되는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
상기 사용자에게 제공되는 추천들을 세밀화하는 능력을 상기 사용자에게 제공하는 상기 모바일 통신 수단 상에 그래픽 사용자 인터페이스가 존재하는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
상기 추천들은 상기 사용자에게 구매할 아이템들, 가야 할 이벤트들 및 볼 것들 중 적어도 하나를 보여 주는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
상기 추천은 지역 스토어와 관련되는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
상기 추천은 지역 식당과 관련되는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
상기 추천은 지역 바(local bar)와 관련되는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
상기 추천은 엔터테인먼트와 관련되는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
추천들은 상기 지리적 영역에 특정한 흥미도에 기초하여 상기 사용자에게 더 필터링되는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
추천 피드(feed)는 상기 사용자가 위치하고 있는 현재의 지리적 영역에 대해 상기 사용자에게 송신되는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
추천들은 신뢰도에 있어서 그리고 상기 사용자가 상기 추천을 얼마나 많이 좋아할지를 시스템이 예측하는 것에 있어서의 임계치를 만족시키는 사용자에게만 송신되는
사용자에게 추천을 제공하는 방법.
- 제 39 항에 있어서,
상기 신뢰도에 있어서의 임계치는 흥미도 등급과 관련되는
사용자에게 추천을 제공하는 방법.
- 제 39 항에 있어서,
상기 신뢰도에 있어서의 임계치는 상기 시스템에 의해 제공되는 이전의 추천들에 관련되는 바와 같은 사용자의 과거 행위에 기초하여 기계 학습 수단에 의해 결정되는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
상기 사용자는 상기 모바일 통신 수단 상의 스토리지에 추천들을 저장할 수 있는
사용자에게 추천을 제공하는 방법.
- 제 30 항에 있어서,
상기 사용자는 상기 컴퓨터-기반 어드바이스 수단에 의해 추천들을 스토리지에 저장할 수 있는
사용자에게 추천을 제공하는 방법.
Applications Claiming Priority (9)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201161430318P | 2011-01-06 | 2011-01-06 | |
| US61/430,318 | 2011-01-06 | ||
| US201161438684P | 2011-02-02 | 2011-02-02 | |
| US61/438,684 | 2011-02-02 | ||
| US201161477276P | 2011-04-20 | 2011-04-20 | |
| US61/477,276 | 2011-04-20 | ||
| US13/155,917 US8666909B2 (en) | 2007-11-02 | 2011-06-08 | Interestingness recommendations in a computing advice facility |
| US13/155,917 | 2011-06-08 | ||
| PCT/US2012/020358 WO2012094516A1 (en) | 2011-01-06 | 2012-01-05 | Interestingness recommendations in a computing advice facility |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020167007511A Division KR20160038068A (ko) | 2011-01-06 | 2012-01-05 | 컴퓨팅 어드바이스 수단에서의 흥미도 추천 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20130099240A true KR20130099240A (ko) | 2013-09-05 |
Family
ID=46457714
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020167007511A KR20160038068A (ko) | 2011-01-06 | 2012-01-05 | 컴퓨팅 어드바이스 수단에서의 흥미도 추천 |
| KR1020137020657A KR20130099240A (ko) | 2011-01-06 | 2012-01-05 | 컴퓨팅 어드바이스 수단에서의 흥미도 추천 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020167007511A KR20160038068A (ko) | 2011-01-06 | 2012-01-05 | 컴퓨팅 어드바이스 수단에서의 흥미도 추천 |
Country Status (5)
| Country | Link |
|---|---|
| US (5) | US8666909B2 (ko) |
| KR (2) | KR20160038068A (ko) |
| CN (2) | CN103348369A (ko) |
| BR (1) | BR112013017511A2 (ko) |
| WO (1) | WO2012094516A1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015190856A1 (ko) * | 2014-06-12 | 2015-12-17 | 경희대학교산학협력단 | 관계 유형을 고려한 코칭 방법 및 시스템 |
| KR20160049401A (ko) | 2014-10-27 | 2016-05-09 | 서울대학교산학협력단 | 사용자 맞춤형 항목 추천 방법 및 장치 |
| US10839444B2 (en) | 2014-06-12 | 2020-11-17 | University-Industry Cooperation Group Of Kyung Hee University | Coaching method and system considering relationship type |
Families Citing this family (219)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NZ569107A (en) | 2005-11-16 | 2011-09-30 | Evri Inc | Extending keyword searching to syntactically and semantically annotated data |
| US8954469B2 (en) | 2007-03-14 | 2015-02-10 | Vcvciii Llc | Query templates and labeled search tip system, methods, and techniques |
| US20090018904A1 (en) * | 2007-07-09 | 2009-01-15 | Ebay Inc. | System and method for contextual advertising and merchandizing based on user configurable preferences |
| US8594996B2 (en) | 2007-10-17 | 2013-11-26 | Evri Inc. | NLP-based entity recognition and disambiguation |
| AU2008312423B2 (en) | 2007-10-17 | 2013-12-19 | Vcvc Iii Llc | NLP-based content recommender |
| US9159034B2 (en) | 2007-11-02 | 2015-10-13 | Ebay Inc. | Geographically localized recommendations in a computing advice facility |
| US8494978B2 (en) | 2007-11-02 | 2013-07-23 | Ebay Inc. | Inferring user preferences from an internet based social interactive construct |
| US8484142B2 (en) * | 2007-11-02 | 2013-07-09 | Ebay Inc. | Integrating an internet preference learning facility into third parties |
| US11263543B2 (en) | 2007-11-02 | 2022-03-01 | Ebay Inc. | Node bootstrapping in a social graph |
| US8666909B2 (en) | 2007-11-02 | 2014-03-04 | Ebay, Inc. | Interestingness recommendations in a computing advice facility |
| CN101861579A (zh) * | 2007-11-17 | 2010-10-13 | 潘世爵 | 后续地联络人际关系的装置、方法及系统 |
| KR101613838B1 (ko) * | 2009-05-19 | 2016-05-02 | 삼성전자주식회사 | 휴대 단말기의 홈 스크린 지원 방법 및 이를 지원하는 휴대 단말기 |
| EP2312515A1 (en) * | 2009-10-16 | 2011-04-20 | Alcatel Lucent | Device for determining potential future interests to be introduced into profile(s) of user(s) of communication equipment(s) |
| US9710556B2 (en) * | 2010-03-01 | 2017-07-18 | Vcvc Iii Llc | Content recommendation based on collections of entities |
| US8645125B2 (en) | 2010-03-30 | 2014-02-04 | Evri, Inc. | NLP-based systems and methods for providing quotations |
| US8943070B2 (en) * | 2010-07-16 | 2015-01-27 | International Business Machines Corporation | Adaptive and personalized tag recommendation |
| US9405848B2 (en) | 2010-09-15 | 2016-08-02 | Vcvc Iii Llc | Recommending mobile device activities |
| US8612477B2 (en) | 2010-09-24 | 2013-12-17 | Aol Inc. | Systems and methods for customized electronic communications |
| US8725739B2 (en) | 2010-11-01 | 2014-05-13 | Evri, Inc. | Category-based content recommendation |
| US20120203832A1 (en) * | 2010-12-15 | 2012-08-09 | Lou Vastardis | Social network information system and method |
| WO2012158149A1 (en) * | 2011-05-13 | 2012-11-22 | James Allen Hymel | Wireless communication system with server providing search facts and related methods |
| AU2012272664A1 (en) * | 2011-06-24 | 2014-01-16 | Monster Worldwide, Inc. | Social match platform apparatuses, methods and systems |
| US20150127576A1 (en) * | 2011-09-06 | 2015-05-07 | Google Inc. | Recommendations as an incentive to rate |
| US11727249B2 (en) | 2011-09-28 | 2023-08-15 | Nara Logics, Inc. | Methods for constructing and applying synaptic networks |
| US11151617B2 (en) | 2012-03-09 | 2021-10-19 | Nara Logics, Inc. | Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships |
| US10789526B2 (en) | 2012-03-09 | 2020-09-29 | Nara Logics, Inc. | Method, system, and non-transitory computer-readable medium for constructing and applying synaptic networks |
| US8732101B1 (en) | 2013-03-15 | 2014-05-20 | Nara Logics, Inc. | Apparatus and method for providing harmonized recommendations based on an integrated user profile |
| US10467677B2 (en) | 2011-09-28 | 2019-11-05 | Nara Logics, Inc. | Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships |
| US8170971B1 (en) | 2011-09-28 | 2012-05-01 | Ava, Inc. | Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships |
| US10776103B2 (en) | 2011-12-19 | 2020-09-15 | Majen Tech, LLC | System, method, and computer program product for coordination among multiple devices |
| US8825698B1 (en) | 2012-01-09 | 2014-09-02 | Google Inc. | Showing prominent users for information retrieval requests |
| US9165030B1 (en) * | 2012-01-09 | 2015-10-20 | Google Inc. | Showing prominent users for information retrieval requests |
| US9183251B1 (en) | 2012-01-09 | 2015-11-10 | Google Inc. | Showing prominent users for information retrieval requests |
| US9275403B2 (en) * | 2012-01-31 | 2016-03-01 | Google Inc. | Experience sharing system and method |
| US9031951B1 (en) | 2012-04-02 | 2015-05-12 | Google Inc. | Associating interest and disinterest keywords with similar and dissimilar users |
| US9189799B2 (en) * | 2012-04-18 | 2015-11-17 | Accenture Global Services Limited | Method and apparatus for determining an effect of characteristics of a message on interaction with the message |
| US9679568B1 (en) * | 2012-06-01 | 2017-06-13 | Google Inc. | Training a dialog system using user feedback |
| US8751429B2 (en) | 2012-07-09 | 2014-06-10 | Wine Ring, Inc. | Personal taste assessment method and system |
| US9619812B2 (en) * | 2012-08-28 | 2017-04-11 | Nuance Communications, Inc. | Systems and methods for engaging an audience in a conversational advertisement |
| US9396179B2 (en) * | 2012-08-30 | 2016-07-19 | Xerox Corporation | Methods and systems for acquiring user related information using natural language processing techniques |
| US20140074732A1 (en) * | 2012-09-13 | 2014-03-13 | Fannie Mae | Location driven appraisal data extraction, past appraisal and value comparison and comparable property finder |
| EP2915063A4 (en) * | 2012-11-05 | 2016-04-13 | Nara Logics Inc | SYSTEMS AND METHODS FOR PROVIDING ENHANCED NEURAL NETWORK GENESIS AND RECOMMENDATIONS TO ONE OR MORE USERS |
| US20140129505A1 (en) * | 2012-11-08 | 2014-05-08 | Microsoft Corporation | Social event recommendation system |
| US9210228B2 (en) * | 2012-12-11 | 2015-12-08 | Facebook, Inc. | Eliciting event-driven feedback in a social network |
| US9244977B2 (en) * | 2012-12-31 | 2016-01-26 | Google Inc. | Using content identification as context for search |
| CN103913175B (zh) * | 2013-01-09 | 2018-09-28 | 阿尔派株式会社 | 导航系统及其兴趣地点提示方法 |
| CN103116614B (zh) * | 2013-01-25 | 2016-04-13 | 北京奇艺世纪科技有限公司 | 一种协同过滤推荐方法、装置及系统 |
| US20150073875A1 (en) * | 2013-01-30 | 2015-03-12 | Ashfaq Rahman | System and method for acquiring, processing and presenting information over the internet |
| US20140214548A1 (en) * | 2013-01-30 | 2014-07-31 | Ecole Polytechnique Federale De Lausanne (Epfl) | User Profiling Using Submitted Review Content |
| WO2014120277A1 (en) * | 2013-01-30 | 2014-08-07 | Whap, Inc. | Virtual visitor's center application for the digital community |
| US20150242930A1 (en) * | 2013-01-31 | 2015-08-27 | Alexander Greystoke | Purchasing Feedback System |
| WO2014138415A1 (en) * | 2013-03-06 | 2014-09-12 | Northwestern University | Linguistic expression of preferences in social media for prediction and recommendation |
| US10438269B2 (en) | 2013-03-12 | 2019-10-08 | Mastercard International Incorporated | Systems and methods for recommending merchants |
| US20160004970A1 (en) * | 2013-03-13 | 2016-01-07 | Wei Lu | Method and apparatus for recommendations with evolving user interests |
| MX349041B (es) * | 2013-03-15 | 2017-07-07 | Facebook Inc | Uso de un radio inalambrico para manejar el consumo de energia. |
| US9477785B2 (en) | 2013-03-15 | 2016-10-25 | NutraSpace LLC | Customized query application and data result updating procedure |
| KR20140119968A (ko) * | 2013-04-01 | 2014-10-13 | 삼성전자주식회사 | 콘텐츠 서비스 방법 및 시스템 |
| US9851874B2 (en) * | 2013-04-24 | 2017-12-26 | Microsoft Technology Licensing, Llc | Personalized webpage feature touring system |
| US20140324582A1 (en) * | 2013-04-30 | 2014-10-30 | Google Inc. | Social network enhanced content items responsive to search queries |
| US9858584B2 (en) | 2013-05-07 | 2018-01-02 | Yp Llc | Advising management system with sensor input |
| EP3000105A4 (en) * | 2013-05-21 | 2016-12-21 | Tomer Ben-Kiki | SYSTEMS AND METHODS FOR PROVIDING ONLINE SERVICES |
| US10813584B2 (en) | 2013-05-21 | 2020-10-27 | Happify, Inc. | Assessing adherence fidelity to behavioral interventions using interactivity and natural language processing |
| US20190129941A2 (en) | 2013-05-21 | 2019-05-02 | Happify, Inc. | Systems and methods for dynamic user interaction for improving happiness |
| US20140358943A1 (en) * | 2013-05-28 | 2014-12-04 | n35t, Inc. | Method and System for Determining Suitability and Desirability of a Prospective Residence for a User |
| CN104239338A (zh) * | 2013-06-19 | 2014-12-24 | 阿里巴巴集团控股有限公司 | 信息推荐方法及装置 |
| US9633317B2 (en) | 2013-06-20 | 2017-04-25 | Viv Labs, Inc. | Dynamically evolving cognitive architecture system based on a natural language intent interpreter |
| US9519461B2 (en) * | 2013-06-20 | 2016-12-13 | Viv Labs, Inc. | Dynamically evolving cognitive architecture system based on third-party developers |
| US10474961B2 (en) | 2013-06-20 | 2019-11-12 | Viv Labs, Inc. | Dynamically evolving cognitive architecture system based on prompting for additional user input |
| US9594542B2 (en) | 2013-06-20 | 2017-03-14 | Viv Labs, Inc. | Dynamically evolving cognitive architecture system based on training by third-party developers |
| US9563641B1 (en) * | 2013-06-26 | 2017-02-07 | Google Inc. | Suggestion refinement |
| US9613132B2 (en) * | 2013-06-28 | 2017-04-04 | Yandex Europe Ag | Method of and system for displaying a plurality of user-selectable refinements to a search query |
| KR20150008996A (ko) * | 2013-07-04 | 2015-01-26 | 엘지전자 주식회사 | 이동 단말기 및 그것의 제어 방법 |
| US9298785B2 (en) * | 2013-07-19 | 2016-03-29 | Paypal, Inc. | Methods, systems, and apparatus for generating search results |
| CN104348822B (zh) * | 2013-08-09 | 2019-01-29 | 深圳市腾讯计算机系统有限公司 | 一种互联网账号身份验证的方法、装置及服务器 |
| US10629304B2 (en) * | 2013-08-27 | 2020-04-21 | Whiskers Worldwide, LLC | Systems and methods for decision support for animal health queries |
| US11894143B2 (en) | 2013-08-27 | 2024-02-06 | Whiskers Worldwide, LLC | System and methods for integrating animal health records |
| EP3097521A4 (en) * | 2013-10-17 | 2017-08-09 | Tbt Holdings Australia Pty Ltd. | Method and system for profiling users of a database and presenting predictive information |
| US20150127418A1 (en) * | 2013-11-01 | 2015-05-07 | Facebook, Inc. | Notifying an advertiser of high engagement posts in a social networking system |
| US10832348B2 (en) | 2013-11-08 | 2020-11-10 | International Business Machines Corporation | Topic recommendation in a social network environment |
| US9396236B1 (en) * | 2013-12-31 | 2016-07-19 | Google Inc. | Ranking users based on contextual factors |
| US9372914B1 (en) | 2014-01-14 | 2016-06-21 | Google Inc. | Determining computing device characteristics from computer network activity |
| IN2014MU00140A (ko) * | 2014-01-15 | 2015-08-28 | Whats On India Media Private Ltd | |
| US10217058B2 (en) | 2014-01-30 | 2019-02-26 | Microsoft Technology Licensing, Llc | Predicting interesting things and concepts in content |
| JP5943356B2 (ja) * | 2014-01-31 | 2016-07-05 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 情報処理装置、情報処理方法、及び、プログラム |
| US20150235240A1 (en) * | 2014-02-18 | 2015-08-20 | 24/7 Customer, Inc. | Method and apparatus for improving customer interaction experiences |
| US10176517B2 (en) * | 2014-03-13 | 2019-01-08 | Gary Goralnick | Advertising-integrated car |
| US9769510B2 (en) * | 2014-03-25 | 2017-09-19 | UXP Systems Inc. | System and method for creating and managing individual users for personalized television and blended media services |
| US11436618B2 (en) | 2014-05-20 | 2022-09-06 | [24]7.ai, Inc. | Method and apparatus for providing customer notifications |
| KR101676463B1 (ko) * | 2014-05-23 | 2016-11-15 | 네이버 주식회사 | 검색 기반 설문조사를 제공하기 위한 시스템 및 방법, 그리고 시스템 및 컴퓨터 판독 가능한 기록 매체 |
| US9846836B2 (en) | 2014-06-13 | 2017-12-19 | Microsoft Technology Licensing, Llc | Modeling interestingness with deep neural networks |
| KR102053980B1 (ko) * | 2014-06-19 | 2019-12-12 | 네이버 주식회사 | 소셜 네트워크 서비스 및 컨텐츠 제공 방법 |
| WO2015198376A1 (ja) * | 2014-06-23 | 2015-12-30 | 楽天株式会社 | 情報処理装置、情報処理方法、プログラム、記憶媒体 |
| US10722065B2 (en) * | 2014-07-24 | 2020-07-28 | Adagio Teas, Inc. | Apparatus and method of multi-course infusion for brewing tea and other beverages |
| US10218800B2 (en) * | 2014-07-28 | 2019-02-26 | Oath Inc. | Systems and methods for providing recommendations and explanations |
| US9881059B2 (en) * | 2014-08-08 | 2018-01-30 | Yahoo Holdings, Inc. | Systems and methods for suggesting headlines |
| US20160078453A1 (en) * | 2014-09-15 | 2016-03-17 | International Business Machines Corporation | Determining Groups of Individuals Based on Multiple Items of Individual Transaction Data |
| TWI518616B (zh) * | 2014-09-24 | 2016-01-21 | 國立清華大學 | 穿搭評選方法與電子裝置 |
| JP6636242B2 (ja) * | 2014-10-28 | 2020-01-29 | 松之進 山口 | 情報処理装置、情報処理方法、及びプログラム。 |
| US9798984B2 (en) | 2014-11-20 | 2017-10-24 | Atom Tickets, LLC | Collaborative ticketing system |
| US9454768B2 (en) | 2014-11-26 | 2016-09-27 | Mastercard International Incorporated | Method and system for estimating a price of a trip based on transaction data |
| US9530151B2 (en) | 2014-11-26 | 2016-12-27 | Mastercard International Incorporated | Method and system for recommending a merchant based on transaction data |
| KR20160076264A (ko) * | 2014-12-22 | 2016-06-30 | 엘지전자 주식회사 | 이동 단말기 및 그것의 제어방법 |
| US10739959B2 (en) * | 2014-12-30 | 2020-08-11 | Facebook, Inc. | Systems and methods for providing narratives associated with images |
| CN104699770B (zh) * | 2015-03-02 | 2018-09-18 | 惠州Tcl移动通信有限公司 | 一种基于移动终端的分析获取用户性格特征的方法及系统 |
| CN106033585A (zh) * | 2015-03-16 | 2016-10-19 | 卢尔内公司 | 通信方法 |
| US9697286B2 (en) | 2015-03-16 | 2017-07-04 | International Business Machines Corporation | Shared URL content update to improve search engine optimization |
| US10387173B1 (en) * | 2015-03-27 | 2019-08-20 | Intuit Inc. | Method and system for using emotional state data to tailor the user experience of an interactive software system |
| US10580035B2 (en) | 2015-05-27 | 2020-03-03 | Staples, Inc. | Promotion selection for online customers using Bayesian bandits |
| US10275487B2 (en) * | 2015-06-09 | 2019-04-30 | International Business Machines Corporation | Demographic-based learning in a question answering system |
| US10339494B2 (en) * | 2015-06-30 | 2019-07-02 | International Business Machines Corporation | Event management using natural language processing |
| CN108351862B (zh) * | 2015-08-11 | 2023-08-22 | 科格诺亚公司 | 利用人工智能和用户输入来确定发育进展的方法和装置 |
| US20180226144A1 (en) * | 2015-08-12 | 2018-08-09 | Yaegaki Bio-Industry, Inc. | Information processing apparatus, information processing method, and non-transitory computer readable storage medium |
| RU2632131C2 (ru) | 2015-08-28 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и устройство для создания рекомендуемого списка содержимого |
| KR102598273B1 (ko) * | 2015-09-01 | 2023-11-06 | 삼성전자주식회사 | 답신 메시지 추천 방법 및 이를 위한 디바이스 |
| US11748798B1 (en) * | 2015-09-02 | 2023-09-05 | Groupon, Inc. | Method and apparatus for item selection |
| RU2629638C2 (ru) | 2015-09-28 | 2017-08-30 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и сервер создания рекомендуемого набора элементов для пользователя |
| RU2632100C2 (ru) * | 2015-09-28 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и сервер создания рекомендованного набора элементов |
| US10152545B2 (en) * | 2015-10-20 | 2018-12-11 | Adobe Systems Incorporated | Personalized recommendations using localized regularization |
| US11087445B2 (en) | 2015-12-03 | 2021-08-10 | Quasar Blu, LLC | Systems and methods for three-dimensional environmental modeling of a particular location such as a commercial or residential property |
| US9965837B1 (en) | 2015-12-03 | 2018-05-08 | Quasar Blu, LLC | Systems and methods for three dimensional environmental modeling |
| US10607328B2 (en) | 2015-12-03 | 2020-03-31 | Quasar Blu, LLC | Systems and methods for three-dimensional environmental modeling of a particular location such as a commercial or residential property |
| WO2017098760A1 (ja) * | 2015-12-08 | 2017-06-15 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| US20170169355A1 (en) * | 2015-12-11 | 2017-06-15 | International Business Machines Corporation | Ground Truth Improvement Via Machine Learned Similar Passage Detection |
| US9495648B1 (en) | 2015-12-11 | 2016-11-15 | International Business Machines Corporation | Training a similar passage cognitive system using ground truth from a question answering cognitive system |
| US11972336B2 (en) | 2015-12-18 | 2024-04-30 | Cognoa, Inc. | Machine learning platform and system for data analysis |
| CN105574782A (zh) * | 2015-12-18 | 2016-05-11 | 李兵 | 酒店服务系统及方法 |
| US10528244B2 (en) | 2016-04-29 | 2020-01-07 | Microsoft Technology Licensing, Llc | Details pane of a user interface |
| RU2632144C1 (ru) | 2016-05-12 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Компьютерный способ создания интерфейса рекомендации контента |
| US10672055B2 (en) * | 2016-05-23 | 2020-06-02 | Oath Inc. | Method and system for presenting personalized products based on digital signage for electronic commerce |
| CN106022887A (zh) * | 2016-05-26 | 2016-10-12 | 江阴迈德机械有限公司 | 一种仿真穿戴试镜 |
| CN107516226A (zh) * | 2016-06-15 | 2017-12-26 | 苏州宝时得电动工具有限公司 | 一种智能割草机筛选方法及装置 |
| CN105930532B (zh) * | 2016-06-16 | 2019-08-02 | 上海聚力传媒技术有限公司 | 一种向用户推荐多媒体资源的方法和装置 |
| RU2632132C1 (ru) | 2016-07-07 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и устройство для создания рекомендаций содержимого в системе рекомендаций |
| RU2636702C1 (ru) | 2016-07-07 | 2017-11-27 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций |
| US10009466B2 (en) * | 2016-07-12 | 2018-06-26 | International Business Machines Corporation | System and method for a cognitive system plug-in answering subject matter expert questions |
| US10650621B1 (en) | 2016-09-13 | 2020-05-12 | Iocurrents, Inc. | Interfacing with a vehicular controller area network |
| CN106649256A (zh) * | 2016-09-21 | 2017-05-10 | 清华大学 | 一种电子病历高质短语抽取方法 |
| US10332331B2 (en) | 2016-10-14 | 2019-06-25 | Pepsico, Inc. | Modular vending machine |
| US11392598B2 (en) * | 2016-10-19 | 2022-07-19 | Ebay Inc. | Applying a quantitative range for qualitative terms |
| TWI647638B (zh) * | 2016-11-15 | 2019-01-11 | 財團法人工業技術研究院 | 互動式推薦系統與方法 |
| USD882600S1 (en) | 2017-01-13 | 2020-04-28 | Yandex Europe Ag | Display screen with graphical user interface |
| US10402888B2 (en) * | 2017-01-19 | 2019-09-03 | Samsung Electronics Co., Ltd. | System and method for virtual reality content rating using biometric data |
| US20180211334A1 (en) * | 2017-01-25 | 2018-07-26 | International Business Machines Corporation | Re-Organization of Displayed Images Based On Purchase Histories |
| US10963798B2 (en) | 2017-01-31 | 2021-03-30 | Accenture Global Solutions Limited | Multimedia content distribution and recommendation system |
| US10600337B2 (en) | 2017-01-31 | 2020-03-24 | Bank Of America Corporation | Intelligent content parsing with synthetic speech and tangible braille production |
| US20180225727A1 (en) * | 2017-02-03 | 2018-08-09 | Jpmorgan Chase Bank, N.A. | Systems and methods for graphical-based customer interaction |
| JP7324709B2 (ja) | 2017-02-09 | 2023-08-10 | コグノア，インク． | デジタル個別化医療のためのプラットフォームとシステム |
| CN106970972A (zh) * | 2017-03-24 | 2017-07-21 | 广州茶途网络科技有限公司 | 一种基于大数据分析的商品推送方法及装置 |
| US10387278B2 (en) * | 2017-03-31 | 2019-08-20 | Cisco Technology, Inc. | Method to display real-time module OIR time |
| CN107220217A (zh) * | 2017-05-31 | 2017-09-29 | 北京京东尚科信息技术有限公司 | 基于逻辑回归的特征系数训练方法和装置 |
| US11070879B2 (en) | 2017-06-21 | 2021-07-20 | Microsoft Technology Licensing, Llc | Media content recommendation through chatbots |
| US20180374371A1 (en) * | 2017-06-27 | 2018-12-27 | International Business Machines Corporation | Recommending learning activities |
| EP3432182B1 (en) * | 2017-07-17 | 2020-04-15 | Tata Consultancy Services Limited | Systems and methods for secure, accessible and usable captcha |
| CN107358213B (zh) * | 2017-07-20 | 2020-02-21 | 湖南科乐坊教育科技股份有限公司 | 一种儿童阅读习惯检测方法及装置 |
| CN107566896B (zh) * | 2017-08-17 | 2022-02-11 | 上海擎感智能科技有限公司 | 多媒体信息推荐方法及装置、存储介质、终端 |
| US10509962B2 (en) * | 2017-09-14 | 2019-12-17 | Ebay Inc. | Camera platform incorporating schedule and stature |
| CN107832433B (zh) * | 2017-11-15 | 2020-08-11 | 北京百度网讯科技有限公司 | 基于对话交互的信息推荐方法、装置、服务器和存储介质 |
| US11127065B2 (en) * | 2017-11-30 | 2021-09-21 | Microsoft Technology Licensing, Llc | System and method for recommending entities based on interest indicators |
| US11574204B2 (en) * | 2017-12-06 | 2023-02-07 | Accenture Global Solutions Limited | Integrity evaluation of unstructured processes using artificial intelligence (AI) techniques |
| FR3076023A1 (fr) * | 2017-12-26 | 2019-06-28 | Orange | Interface d'utilisateur a interaction perfectionnee par presentation de contenu informatif approprie |
| WO2019134091A1 (en) | 2018-01-04 | 2019-07-11 | Microsoft Technology Licensing, Llc | Providing emotional care in a session |
| CN110087368A (zh) * | 2018-01-26 | 2019-08-02 | 李娜 | 一种具有学习和感知功能的智能灯具的实现方法 |
| CN108600337A (zh) * | 2018-03-30 | 2018-09-28 | 上海乂学教育科技有限公司 | 一种最佳学习内容自动推送方法 |
| EP3782329A4 (en) * | 2018-04-18 | 2021-08-11 | Curatio Networks Incorporated | GROUP A: SYSTEM FOR PROVIDING RECOMMENDED CONTENT BASED ON THE COMPATIBILITY OF USER PROFILES; GROUP B: SYSTEM FOR PROVIDING RECOMMENDED CONTENT BASED ON USER INTERACTION WITH ONLINE CONTENT AND USER PROFILE COMPATIBILITY |
| US20190340503A1 (en) * | 2018-05-07 | 2019-11-07 | Ebay Inc. | Search system for providing free-text problem-solution searching |
| US11210354B1 (en) * | 2018-07-26 | 2021-12-28 | Coupa Software Incorporated | Intelligent, adaptive electronic procurement systems |
| US11436215B2 (en) * | 2018-08-20 | 2022-09-06 | Samsung Electronics Co., Ltd. | Server and control method thereof |
| CN109165327B (zh) * | 2018-08-21 | 2021-06-29 | 北京汇钧科技有限公司 | 人机对话方法、装置及计算机可读存储介质 |
| CN109525805A (zh) * | 2018-08-30 | 2019-03-26 | 新我科技(广州)有限公司 | 一种化妆间盒子智能控制系统、控制方法及存储介质 |
| RU2720952C2 (ru) | 2018-09-14 | 2020-05-15 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для создания рекомендации цифрового содержимого |
| RU2714594C1 (ru) | 2018-09-14 | 2020-02-18 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система определения параметра релевантность для элементов содержимого |
| RU2720899C2 (ru) | 2018-09-14 | 2020-05-14 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации |
| CN109379639B (zh) * | 2018-09-29 | 2021-07-09 | 创新先进技术有限公司 | 视频内容对象的推送方法及装置、电子设备 |
| RU2725659C2 (ru) | 2018-10-08 | 2020-07-03 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для оценивания данных о взаимодействиях пользователь-элемент |
| RU2731335C2 (ru) | 2018-10-09 | 2020-09-01 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для формирования рекомендаций цифрового контента |
| JP2020077262A (ja) * | 2018-11-08 | 2020-05-21 | トヨタ自動車株式会社 | 情報処理システム、サーバ、プログラム、及び情報処理方法 |
| US20200151821A1 (en) * | 2018-11-13 | 2020-05-14 | Bank Of America Corporation | Smart reserve system (srs) for use with a data-driven, artificial-intelligence-informed, transaction ecosystem |
| WO2021141567A1 (en) | 2020-01-06 | 2021-07-15 | Eightfold AI Inc. | System, method, and computer program for using machine learning to calibrate job description based on diversity criteria |
| US11176271B1 (en) | 2018-12-04 | 2021-11-16 | Eightfold AI Inc. | System, method, and computer program for enabling a candidate to anonymously apply for a job |
| US11030583B1 (en) | 2018-12-04 | 2021-06-08 | Eightfold AI Inc. | System, method, and computer program for automatically removing data from candidate profiles that may influence bias |
| CN109901461B (zh) * | 2019-01-21 | 2020-10-23 | 广东精标科技股份有限公司 | 学生生涯数据采集系统及平台 |
| US11295154B2 (en) * | 2019-02-04 | 2022-04-05 | Etsy, Inc. | Physical item optimization using velocity factors |
| US11106758B2 (en) * | 2019-02-07 | 2021-08-31 | International Business Machines Corporation | Customized display of filtered social media content using a private dislike button |
| BR112021018770A2 (pt) | 2019-03-22 | 2022-02-15 | Cognoa Inc | Métodos e dispositivos de terapia digital personalizada |
| US11972277B2 (en) * | 2019-05-16 | 2024-04-30 | Lovingly, Llc | Emotionally driven software interaction experience |
| US11329990B2 (en) | 2019-05-17 | 2022-05-10 | Imprivata, Inc. | Delayed and provisional user authentication for medical devices |
| US11636439B2 (en) * | 2019-06-18 | 2023-04-25 | Capital One Services, Llc | Techniques to apply machine learning to schedule events of interest |
| CN110287493B (zh) * | 2019-06-28 | 2023-04-18 | 中国科学技术信息研究所 | 风险短语识别方法、装置、电子设备及存储介质 |
| US11257139B2 (en) | 2019-08-28 | 2022-02-22 | Bank Of America Corporation | Physical needs tool |
| CN110650428B (zh) * | 2019-08-29 | 2021-06-29 | 惠州华阳通用电子有限公司 | 一种基于内容和车辆位置的互动方法及装置 |
| RU2757406C1 (ru) | 2019-09-09 | 2021-10-15 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для обеспечения уровня сервиса при рекламе элемента контента |
| US11861674B1 (en) | 2019-10-18 | 2024-01-02 | Meta Platforms Technologies, Llc | Method, one or more computer-readable non-transitory storage media, and a system for generating comprehensive information for products of interest by assistant systems |
| US11567788B1 (en) | 2019-10-18 | 2023-01-31 | Meta Platforms, Inc. | Generating proactive reminders for assistant systems |
| CN110969509A (zh) * | 2019-10-25 | 2020-04-07 | 贝壳技术有限公司 | 装修推荐方法、装置、机器可读存储介质及处理器 |
| US11036925B2 (en) | 2019-11-18 | 2021-06-15 | International Business Machines Corporation | Managing the distinctiveness of multimedia |
| CN111079001A (zh) * | 2019-11-26 | 2020-04-28 | 贝壳技术有限公司 | 装修推荐信息生成方法、装置、存储介质及电子设备 |
| US11720842B2 (en) * | 2019-12-31 | 2023-08-08 | Kpmg Llp | System and method for identifying comparables |
| WO2020143849A2 (en) | 2020-04-13 | 2020-07-16 | Alipay (Hangzhou) Information Technology Co., Ltd. | Method and system for optimizing user grouping for advertisement |
| WO2021226375A1 (en) | 2020-05-06 | 2021-11-11 | KwikClick, LLC | Using a product or service as the start of an mlm tree |
| US20210374813A1 (en) * | 2020-05-28 | 2021-12-02 | KwikClick, LLC | Incorporating reviews of a product or service in a multi-level marketing system |
| US11436240B1 (en) | 2020-07-03 | 2022-09-06 | Kathleen Warnaar | Systems and methods for mapping real estate to real estate seeker preferences |
| US11763331B2 (en) | 2020-07-09 | 2023-09-19 | KwikClick, LLC | Enhancing existing social media network from data |
| EP4179491A1 (en) | 2020-07-09 | 2023-05-17 | Kwikclick, LLC | A system for commissions for multilevel marketing |
| EP4179492A1 (en) * | 2020-07-09 | 2023-05-17 | Kwikclick, LLC | Mlm product based trees creates online store |
| WO2022047074A1 (en) * | 2020-08-27 | 2022-03-03 | Musx | Systems and methods for peer-to-peer music recommendation processing |
| CN112231595B (zh) * | 2020-10-13 | 2021-10-26 | 四川旅投数字信息产业发展有限责任公司 | 基于大数据的智慧旅游目标匹配系统及方法 |
| CN112398922B (zh) * | 2020-11-02 | 2022-05-17 | 中国联合网络通信集团有限公司 | 一种基于区块链的广告推送方法及系统 |
| US11507735B2 (en) * | 2020-11-23 | 2022-11-22 | Capital One Services, Llc | Modifying a document content section of a document object of a graphical user interface (GUI) |
| WO2022124424A1 (ko) * | 2020-12-07 | 2022-06-16 | 주식회사 미식의시대 | 지역화폐 자동 구매 기능을 제공하는 음식 메뉴 결제 서비스 시스템 및 그 방법 |
| CN112435111B (zh) * | 2020-12-30 | 2023-12-19 | 广东金赋科技股份有限公司 | 一种基于大厅与用户数据的税务大厅导办方法及装置 |
| US11907232B2 (en) * | 2021-01-12 | 2024-02-20 | Adobe Inc. | Facilitating efficient identification of relevant data |
| US20220253777A1 (en) * | 2021-02-08 | 2022-08-11 | Birdeye, Inc. | Dynamically Influencing Interactions Based On Learned Data And On An Adaptive Quantitative Indicator |
| US20220335541A1 (en) * | 2021-04-15 | 2022-10-20 | Armando Lopez, JR. | Systems, methods, computing platforms, and storage media for profile matching |
| CN113378076B (zh) * | 2021-06-29 | 2022-10-18 | 哈尔滨工业大学 | 面向在线教育的学习者协同学习社交关系构建方法 |
| CN113343112A (zh) * | 2021-06-30 | 2021-09-03 | 北京百易数字技术有限公司 | 基于社交媒体的客户关系管理方法及系统 |
| US11816654B2 (en) | 2021-12-17 | 2023-11-14 | Bank Of America Corporation | Geographic location based mobile transaction adapter |
| KR20230112301A (ko) | 2022-01-20 | 2023-07-27 | 주식회사 테라프티 | 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템 |
| US20230334010A1 (en) * | 2022-04-15 | 2023-10-19 | Micro Focus Llc | Systems and Methods for Entity Interestingness-Based Retention and Removal |
| CN116089712B (zh) * | 2022-12-29 | 2024-03-29 | 无锡东方健康科技有限公司 | 基于数据挖掘与分析的热门会议推荐方法及系统 |
Family Cites Families (102)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5583763A (en) | 1993-09-09 | 1996-12-10 | Mni Interactive | Method and apparatus for recommending selections based on preferences in a multi-user system |
| US5660176A (en) | 1993-12-29 | 1997-08-26 | First Opinion Corporation | Computerized medical diagnostic and treatment advice system |
| US5704017A (en) | 1996-02-16 | 1997-12-30 | Microsoft Corporation | Collaborative filtering utilizing a belief network |
| JP4223578B2 (ja) | 1996-11-29 | 2009-02-12 | ソニー株式会社 | キーワード生成方法及びその装置 |
| US6064978A (en) | 1997-06-24 | 2000-05-16 | Experts Exchange, Inc. | Question and answer system using computer networks |
| US20010014868A1 (en) * | 1997-12-05 | 2001-08-16 | Frederick Herz | System for the automatic determination of customized prices and promotions |
| US6334192B1 (en) | 1998-03-09 | 2001-12-25 | Ronald S. Karpf | Computer system and method for a self administered risk assessment |
| US7146627B1 (en) * | 1998-06-12 | 2006-12-05 | Metabyte Networks, Inc. | Method and apparatus for delivery of targeted video programming |
| US6317722B1 (en) | 1998-09-18 | 2001-11-13 | Amazon.Com, Inc. | Use of electronic shopping carts to generate personal recommendations |
| US6246981B1 (en) | 1998-11-25 | 2001-06-12 | International Business Machines Corporation | Natural language task-oriented dialog manager and method |
| US6826552B1 (en) | 1999-02-05 | 2004-11-30 | Xfi Corporation | Apparatus and methods for a computer aided decision-making system |
| US6249785B1 (en) | 1999-05-06 | 2001-06-19 | Mediachoice, Inc. | Method for predicting ratings |
| US7370004B1 (en) | 1999-11-15 | 2008-05-06 | The Chase Manhattan Bank | Personalized interactive network architecture |
| US6785671B1 (en) | 1999-12-08 | 2004-08-31 | Amazon.Com, Inc. | System and method for locating web-based product offerings |
| WO2001061616A2 (en) | 2000-02-14 | 2001-08-23 | First Opinion Corporation | Automated diagnostic system and method |
| EP1275042A2 (en) | 2000-03-06 | 2003-01-15 | Kanisa Inc. | A system and method for providing an intelligent multi-step dialog with a user |
| US8010400B2 (en) * | 2000-07-06 | 2011-08-30 | Protigen, Inc. | System and method for using psychological significance pattern information for matching with target information |
| US6782375B2 (en) * | 2001-01-16 | 2004-08-24 | Providian Bancorp Services | Neural network based decision processor and method |
| US6996560B1 (en) * | 2001-01-31 | 2006-02-07 | Rmsg Llc | Method, system, and device for typing customers/prospects |
| US7380262B2 (en) * | 2001-06-12 | 2008-05-27 | Thomson Licensing | Method and apparatus for generating a list of suggested scheduled television programs |
| US7089226B1 (en) | 2001-06-28 | 2006-08-08 | Microsoft Corporation | System, representation, and method providing multilevel information retrieval with clarification dialog |
| US7519529B1 (en) | 2001-06-29 | 2009-04-14 | Microsoft Corporation | System and methods for inferring informational goals and preferred level of detail of results in response to questions posed to an automated information-retrieval or question-answering service |
| US7437344B2 (en) | 2001-10-01 | 2008-10-14 | L'oreal S.A. | Use of artificial intelligence in providing beauty advice |
| US8977284B2 (en) * | 2001-10-04 | 2015-03-10 | Traxcell Technologies, LLC | Machine for providing a dynamic data base of geographic location information for a plurality of wireless devices and process for making same |
| US20040133489A1 (en) | 2001-11-08 | 2004-07-08 | Stremler Troy D. | Philanthropy management apparatus, system, and methods of use and doing business |
| US20100100437A1 (en) * | 2002-09-24 | 2010-04-22 | Google, Inc. | Suggesting and/or providing ad serving constraint information |
| US20060100987A1 (en) * | 2002-11-08 | 2006-05-11 | Leurs Nathalie D P | Apparatus and method to provide a recommedation of content |
| US20050021357A1 (en) | 2003-05-19 | 2005-01-27 | Enkata Technologies | System and method for the efficient creation of training data for automatic classification |
| US8904295B2 (en) * | 2003-06-16 | 2014-12-02 | Meetup, Inc. | Web-based interactive meeting facility with recommendations to users |
| US8200775B2 (en) | 2005-02-01 | 2012-06-12 | Newsilike Media Group, Inc | Enhanced syndication |
| US20060106793A1 (en) * | 2003-12-29 | 2006-05-18 | Ping Liang | Internet and computer information retrieval and mining with intelligent conceptual filtering, visualization and automation |
| US7293019B2 (en) | 2004-03-02 | 2007-11-06 | Microsoft Corporation | Principles and methods for personalizing newsfeeds via an analysis of information novelty and dynamics |
| US20050260549A1 (en) | 2004-05-19 | 2005-11-24 | Feierstein Roslyn E | Method of analyzing question responses to select among defined possibilities and means of accomplishing same |
| JP2006012045A (ja) | 2004-06-29 | 2006-01-12 | Dci:Kk | データ配信方法、情報処理装置、クライアント装置、及びプログラム |
| US20080126476A1 (en) | 2004-08-04 | 2008-05-29 | Nicholas Frank C | Method and System for the Creating, Managing, and Delivery of Enhanced Feed Formatted Content |
| JP4496900B2 (ja) | 2004-09-10 | 2010-07-07 | 日本電信電話株式会社 | イベント情報抽出装置及びプログラム |
| GB0423315D0 (en) | 2004-10-21 | 2004-11-24 | Spatial Ltd M | A spatial aggregator |
| US8538970B1 (en) * | 2004-12-30 | 2013-09-17 | Google Inc. | Personalizing search results |
| US7703030B2 (en) | 2005-01-11 | 2010-04-20 | Trusted Opinion, Inc. | Method and system for providing customized recommendations to users |
| US20060230008A1 (en) | 2005-04-08 | 2006-10-12 | Robin Burgener | Artificial neural network guessing method and game |
| US7777648B2 (en) * | 2005-04-21 | 2010-08-17 | Microsoft Corporation | Mode information displayed in a mapping application |
| US7702671B2 (en) * | 2005-04-29 | 2010-04-20 | Microsoft Corporation | Systems and methods for discovery of data that needs improving or authored using user search results diagnostics |
| US7765481B2 (en) | 2005-05-03 | 2010-07-27 | Mcafee, Inc. | Indicating website reputations during an electronic commerce transaction |
| US8566726B2 (en) | 2005-05-03 | 2013-10-22 | Mcafee, Inc. | Indicating website reputations based on website handling of personal information |
| US7822620B2 (en) | 2005-05-03 | 2010-10-26 | Mcafee, Inc. | Determining website reputations using automatic testing |
| US8438499B2 (en) * | 2005-05-03 | 2013-05-07 | Mcafee, Inc. | Indicating website reputations during user interactions |
| US7562304B2 (en) * | 2005-05-03 | 2009-07-14 | Mcafee, Inc. | Indicating website reputations during website manipulation of user information |
| US20070207449A1 (en) | 2005-05-19 | 2007-09-06 | Feierstein Roslyn E | Method of analyzing question responses to select among defined possibilities and means of accomplishing same |
| JP4772378B2 (ja) | 2005-05-26 | 2011-09-14 | 株式会社東芝 | Ｗｅｂページから時系列データを生成する方法及び装置 |
| US7428521B2 (en) | 2005-06-29 | 2008-09-23 | Microsoft Corporation | Precomputation of context-sensitive policies for automated inquiry and action under uncertainty |
| US20070100698A1 (en) * | 2005-07-08 | 2007-05-03 | Onestop Media Group | Adaptive advertisements and adaptive advertising distribution system |
| US20080214204A1 (en) | 2005-11-01 | 2008-09-04 | Jorey Ramer | Similarity based location mapping of mobile comm facility users |
| US20070100653A1 (en) | 2005-11-01 | 2007-05-03 | Jorey Ramer | Mobile website analyzer |
| US8108378B2 (en) | 2005-09-30 | 2012-01-31 | Yahoo! Inc. | Podcast search engine |
| US20070112719A1 (en) | 2005-11-03 | 2007-05-17 | Robert Reich | System and method for dynamically generating and managing an online context-driven interactive social network |
| CN103561300A (zh) * | 2005-11-30 | 2014-02-05 | 皇家飞利浦电子股份有限公司 | 产生对至少一个内容项目的推荐的方法和设备 |
| US7774294B2 (en) * | 2006-03-06 | 2010-08-10 | Veveo, Inc. | Methods and systems for selecting and presenting content based on learned periodicity of user content selection |
| 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 |
| US7685132B2 (en) | 2006-03-15 | 2010-03-23 | Mog, Inc | Automatic meta-data sharing of existing media through social networking |
| KR100797043B1 (ko) * | 2006-03-24 | 2008-01-23 | 리얼네트웍스아시아퍼시픽 주식회사 | 사용자 출력 위치 지정 ｒｂｔ 제공 방법 및 시스템 |
| US7885902B1 (en) | 2006-04-07 | 2011-02-08 | Soulsearch.Com, Inc. | Learning-based recommendation system incorporating collaborative filtering and feedback |
| US8788517B2 (en) | 2006-06-28 | 2014-07-22 | Microsoft Corporation | Intelligently guiding search based on user dialog |
| US7716236B2 (en) | 2006-07-06 | 2010-05-11 | Aol Inc. | Temporal search query personalization |
| US7873616B2 (en) | 2006-07-07 | 2011-01-18 | Ecole Polytechnique Federale De Lausanne | Methods of inferring user preferences using ontologies |
| US8930204B1 (en) * | 2006-08-16 | 2015-01-06 | Resource Consortium Limited | Determining lifestyle recommendations using aggregated personal information |
| US20080077574A1 (en) | 2006-09-22 | 2008-03-27 | John Nicholas Gross | Topic Based Recommender System & Methods |
| US20080086504A1 (en) | 2006-10-05 | 2008-04-10 | Joseph Sanders | Virtual interview system |
| US7698302B2 (en) | 2006-10-13 | 2010-04-13 | Sony Ericsson Mobile Communications Ab | Mobile phone content-based recommendation of new media |
| WO2008072045A2 (en) | 2006-12-11 | 2008-06-19 | Hari Prasad Sampath | A method and system for personalized content delivery for wireless devices |
| JP2008146355A (ja) | 2006-12-11 | 2008-06-26 | Lealcom Kk | 情報配信システム、情報配信装置及び情報配信方法 |
| JP2008217133A (ja) | 2007-02-28 | 2008-09-18 | Nec Corp | 地域情報案内システム、地域情報配信システム、地域情報配信プログラム、地域情報案内方法 |
| US20080228040A1 (en) | 2007-03-16 | 2008-09-18 | Arthur Solomon Thompson | International medical expert diagnosis |
| AU2008200752B2 (en) * | 2007-03-29 | 2010-10-28 | Aristocrat Technologies Australia Pty Limited | A storage method for a gaming machine |
| US7966638B2 (en) | 2007-03-30 | 2011-06-21 | Google Inc. | Interactive media display across devices |
| 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 |
| US9235848B1 (en) * | 2007-07-09 | 2016-01-12 | Groupon, Inc. | Implicitly associating metadata using user behavior |
| US20080086436A1 (en) | 2007-08-01 | 2008-04-10 | Dr. Ying Zhao | Knowledge pattern search from networked agents |
| JP2010536102A (ja) * | 2007-08-08 | 2010-11-25 | ベイノート，インク． | コンテキストに基づくコンテンツレコメンデーションの方法及び装置 |
| US8019707B2 (en) | 2007-09-20 | 2011-09-13 | Deutsche Telekom Ag | Interactive hybrid recommender system |
| US7958142B2 (en) * | 2007-09-20 | 2011-06-07 | Microsoft Corporation | User profile aggregation |
| US7991841B2 (en) | 2007-10-24 | 2011-08-02 | Microsoft Corporation | Trust-based recommendation systems |
| US9159034B2 (en) | 2007-11-02 | 2015-10-13 | Ebay Inc. | Geographically localized recommendations in a computing advice facility |
| US8484142B2 (en) * | 2007-11-02 | 2013-07-09 | Ebay Inc. | Integrating an internet preference learning facility into third parties |
| US8666909B2 (en) | 2007-11-02 | 2014-03-04 | Ebay, Inc. | Interestingness recommendations in a computing advice facility |
| US8494978B2 (en) * | 2007-11-02 | 2013-07-23 | Ebay Inc. | Inferring user preferences from an internet based social interactive construct |
| US8032480B2 (en) * | 2007-11-02 | 2011-10-04 | Hunch Inc. | Interactive computing advice facility with learning based on user feedback |
| US7958066B2 (en) * | 2007-11-02 | 2011-06-07 | Hunch Inc. | Interactive machine learning advice facility |
| US9195752B2 (en) * | 2007-12-20 | 2015-11-24 | Yahoo! Inc. | Recommendation system using social behavior analysis and vocabulary taxonomies |
| WO2009095744A1 (en) | 2008-01-28 | 2009-08-06 | Nokia Corporation | System for distributed beamforming for a communication system employing relay nodes |
| CN100581227C (zh) * | 2008-05-16 | 2010-01-13 | 华东师范大学 | 一种引入节目热门度权重的协作过滤推荐方法 |
| JP4600521B2 (ja) | 2008-06-03 | 2010-12-15 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム |
| US9202221B2 (en) * | 2008-09-05 | 2015-12-01 | Microsoft Technology Licensing, Llc | Content recommendations based on browsing information |
| US20100211308A1 (en) | 2009-02-19 | 2010-08-19 | Microsoft Corporation | Identifying interesting locations |
| WO2010144766A1 (en) | 2009-06-12 | 2010-12-16 | Hunch Inc. | Internet preference learning facility |
| US20100325205A1 (en) | 2009-06-17 | 2010-12-23 | Microsoft Corporation | Event recommendation service |
| US20100332324A1 (en) | 2009-06-25 | 2010-12-30 | Microsoft Corporation | Portal services based on interactions with points of interest discovered via directional device information |
| US8494142B2 (en) | 2009-12-04 | 2013-07-23 | International Business Machines Corporation | Methods to improve fraud detection on conference calling systems based on observation of participants' call time durations |
| US8667100B2 (en) * | 2010-07-07 | 2014-03-04 | Comcast Interactive Media, Llc | Device communication, monitoring and control architecture and method |
| USD666403S1 (en) | 2010-11-19 | 2012-09-04 | F.W.D., Llc | Shoe heel assembly |
| US8751427B1 (en) * | 2011-01-05 | 2014-06-10 | Google Inc. | Location-centric recommendation service for users |
| US20120226688A1 (en) * | 2011-03-01 | 2012-09-06 | Glabber, Inc | Computing systems and methods for electronically displaying and ranking one or more objects with object information |
| WO2013010024A1 (en) * | 2011-07-12 | 2013-01-17 | Thomas Pinckney | Recommendations in a computing advice facility |
-
2011
- 2011-06-08 US US13/155,917 patent/US8666909B2/en active Active
-
2012
- 2012-01-05 BR BR112013017511A patent/BR112013017511A2/pt not_active Application Discontinuation
- 2012-01-05 WO PCT/US2012/020358 patent/WO2012094516A1/en active Application Filing
- 2012-01-05 KR KR1020167007511A patent/KR20160038068A/ko active Search and Examination
- 2012-01-05 KR KR1020137020657A patent/KR20130099240A/ko active Application Filing
- 2012-01-05 CN CN2012800079065A patent/CN103348369A/zh active Pending
- 2012-01-05 CN CN201810399927.5A patent/CN108764485A/zh active Pending
-
2014
- 2014-03-03 US US14/195,479 patent/US8972314B2/en active Active
-
2015
- 2015-01-29 US US14/609,267 patent/US9443199B2/en active Active
-
2019
- 2019-08-19 US US16/544,623 patent/US20190370676A1/en not_active Abandoned
-
2020
- 2020-09-02 US US17/010,462 patent/US20200401918A1/en not_active Abandoned
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015190856A1 (ko) * | 2014-06-12 | 2015-12-17 | 경희대학교산학협력단 | 관계 유형을 고려한 코칭 방법 및 시스템 |
| US10839444B2 (en) | 2014-06-12 | 2020-11-17 | University-Industry Cooperation Group Of Kyung Hee University | Coaching method and system considering relationship type |
| KR20160049401A (ko) | 2014-10-27 | 2016-05-09 | 서울대학교산학협력단 | 사용자 맞춤형 항목 추천 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20150142711A1 (en) | 2015-05-21 |
| CN103348369A (zh) | 2013-10-09 |
| BR112013017511A2 (pt) | 2018-01-30 |
| WO2012094516A1 (en) | 2012-07-12 |
| US8972314B2 (en) | 2015-03-03 |
| US20190370676A1 (en) | 2019-12-05 |
| US9443199B2 (en) | 2016-09-13 |
| US20110302117A1 (en) | 2011-12-08 |
| CN108764485A (zh) | 2018-11-06 |
| KR20160038068A (ko) | 2016-04-06 |
| US20140180979A1 (en) | 2014-06-26 |
| US20200401918A1 (en) | 2020-12-24 |
| US8666909B2 (en) | 2014-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200401918A1 (en) | Interestingness recommendations in a computing advice facility | |
| US11263543B2 (en) | Node bootstrapping in a social graph | |
| US10318534B2 (en) | Recommendations in a computing advice facility | |
| US9754308B2 (en) | Inferring user preferences from an internet based social interactive construct | |
| CA2955330C (en) | Geographically localized recommendations in a computing advice facility | |
| US8484142B2 (en) | Integrating an internet preference learning facility into third parties | |
| CA2767688C (en) | Internet preference learning facility | |
| CA2933175C (en) | Internet preference learning facility | |
| AU2013202429A1 (en) | Internet preference learning facility | |
| AU2015203486B2 (en) | Internet preference learning facility |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application | ||
| A107 | Divisional application of patent |