KR20230118199A - 콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력 - Google Patents

콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력 Download PDF

Info

Publication number
KR20230118199A
KR20230118199A KR1020237026345A KR20237026345A KR20230118199A KR 20230118199 A KR20230118199 A KR 20230118199A KR 1020237026345 A KR1020237026345 A KR 1020237026345A KR 20237026345 A KR20237026345 A KR 20237026345A KR 20230118199 A KR20230118199 A KR 20230118199A
Authority
KR
South Korea
Prior art keywords
content
application
class
classification model
browsing history
Prior art date
Application number
KR1020237026345A
Other languages
English (en)
Inventor
강 왕
마르셀 엠. 엠. 융
Original Assignee
구글 엘엘씨
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 구글 엘엘씨 filed Critical 구글 엘엘씨
Publication of KR20230118199A publication Critical patent/KR20230118199A/ko

Links

Classifications

    • 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
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
    • 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
    • G06F16/904—Browsing; Visualisation therefor
    • 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
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G06F21/6263—Protecting personal data, e.g. for financial or medical purposes during internet communication, e.g. revealing personal data from cookies
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/04—Physical realisation
    • G06N7/046—Implementation by means of a neural network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Bioethics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Transfer Between Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

본 개시는 수백만 또는 수십억 개의 디바이스와 같은 다수의 디바이스의 집합된 브라우징 이력을 통해 콘텐츠 준-개인화 또는 익명화된 콘텐츠 검색을 위한 시스템 및 방법을 제공한다. 희소 행렬은 집합된 브라우징 이력으로부터 구성될 수 있으며, 차원적으로 축소되어 엔트로피를 줄이고 개별 디바이스에 대한 익명성을 제공할 수 있다. 콘텐츠 제공자에게 개별 디바이스 세부 정보를 노출하지 않고, 유사한 브라우징 이력을 표현하는 준-개인화된 클러스터를 통해 관련 콘텐츠가 선택될 수 있다.

Description

콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력{LOW ENTROPY BROWSING HISTORY FOR CONTENT QUASI-PERSONALIZATION}
관련 출원에 대한 상호 참조
본 출원은 2019년 8월 8일 출원된 "콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력"이라는 제목의 미국 특허 출원 번호 16/535,912에 대해 우선권을 주장하며, 그 전체가 본 명세서에 참조로서 통합된다.
인터넷과 같은 컴퓨터 네트워크 환경에서, 콘텐츠 제공자는 클라이언트 디바이스에서 실행되는 애플리케이션(예를 들어, 웹브라우저)에 의해 프로세싱되고 렌더링되는 정보 리소스(예를 들어, 웹페이지)에 삽입될 콘텐츠 아이템을 제공할 수 있다.
개인화된 콘텐츠 전달은 일반적으로 디바이스의 브라우징 또는 액세스 이력과 같은 사용자 및/또는 디바이스의 식별 정보 캡처에 기초한다. 그러나 이는 디바이스와 사용자의 개인 정보 및 보안에 큰 영향을 미친다. 옵트-아웃 및 추적 금지 정책을 사용하면 사용자가 자신의 개인 정보를 어느 정도 제어할 수 있지만, 관련 콘텐츠를 제공하는 콘텐츠 제공자의 능력이 저하된다.
본 명세서에서 논의된 시스템 및 방법은 수백만 또는 수십억 개의 디바이스와 같은 다수의 디바이스의 집합된 브라우징 이력을 통해 콘텐츠 준-개인화 또는 익명화된 콘텐츠 검색을 제공한다. 희소 행렬은 집합된 브라우징 이력으로부터 구성될 수 있으며, 차원적으로 축소되어 엔트로피를 줄이고 개별 디바이스에 대한 익명성을 제공할 수 있다. 콘텐츠 제공자에게 개별 디바이스 세부 정보를 노출하지 않고, 유사한 브라우징 이력을 표현하는 준-개인화된 클러스터를 통해 관련 콘텐츠가 선택될 수 있다.
일 양태에서, 본 개시는 익명화된 콘텐츠 검색을 위한 방법에 관한 것이다. 방법은 컴퓨팅 디바이스의 브라우저 애플리케이션에 의해, 상기 컴퓨팅 디바이스의 브라우징 이력에 기초하여 프로필을 생성하는 단계를 포함한다. 또한 상기 방법은 상기 브라우저 애플리케이션에 의해, 상기 프로필을 n차원 벡터로 인코딩하는 단계를 포함한다. 또한 상기 방법은 상기 브라우저 애플리케이션에 의해, 상기 n차원 벡터로부터 감소된 차원 벡터를 계산하는 단계를 포함한다. 또한 상기 방법은 상기 브라우저 애플리케이션에 의해, 상기 감소된 차원 벡터에 대응하는 제1 클러스터를 결정하는 단계를 포함한다. 또한 상기 방법은 상기 브라우저 애플리케이션에 의해, 콘텐츠 아이템에 대한 요청을 콘텐츠 서버에 전송하는 단계를 포함하며, 상기 요청은 상기 제1 클러스터의 식별을 포함한다. 또한 상기 방법은 상기 브라우저 애플리케이션에 의해, 상기 콘텐츠 서버로부터 상기 제1 클러스터의 식별에 따라 선택된 콘텐츠 아이템을 수신하는 단계를 포함한다.
일부 구현예에서, 상기 방법은 상기 브라우징 이력의 로그로부터, 미리 결정된 시간 기간 내에 복수의 주소 n 각각에 대한 액세스 횟수를 식별함으로써 상기 컴퓨팅 디바이스의 사용자의 브라우징 이력에 기초하여 상기 프로필을 생성하는 단계를 포함한다. 일부 구현예에서, 상기 방법은 미리 결정된 시간 기간 내에 스트링의 대응 포지션과 연관된 주소에 대한 하나 이상의 액세스 각각을 표현하는 값을 갖는 스트링을 생성하는 것을 포함한다.
일부 구현예에서, 상기 방법은 n차원 벡터의 특이 값 분해를 수행하는 단계를 포함한다. 추가 구현예에서, 상기 방법은 제2 컴퓨팅 디바이스로부터 특이값 분해의 특이 벡터(singular vector) 세트를 수신하는 단계를 포함한다. 추가 구현예에서, 상기 방법은 상기 n차원 벡터를 상기 제2 컴퓨팅 디바이스에 전송하는 단계를 더 포함하며, 상기 제2 컴퓨팅 디바이스는 상기 컴퓨팅 디바이스의 상기 n차원 벡터 및 적어도 하나의 다른 컴퓨팅 디바이스의 n차원 벡터의 집합에 기초하여 상기 특이 벡터 세트를 계산한다.
일부 구현예에서, 상기 방법은 제2 컴퓨팅 디바이스로부터 복수의 클러스터 각각의 경계를 수신하는 단계를 포함한다. 추가 구현예에서, 방법은 감소된 차원 벡터가 제1 클러스터의 경계 내에 있는 것에 응답하여 복수의 클러스터 중 제1 클러스터를 선택하는 단계를 포함한다.
일부 구현예에서 상기 방법은 상기 브라우저 애플리케이션에 의해, 제2 컴퓨팅 디바이스로부터 상기 컴퓨팅 디바이스의 n차원 벡터 및 적어도 하나의 다른 컴퓨팅 디바이스의 n차원 벡터의 집합에 기초하여 결정된 신경 네트워크 모델의 가중치를 수신하는 것; 상기 브라우저 애플리케이션의 기계 학습 시스템에 의해, 미리 결정된 클러스터 세트의 순위를 생성하기 위해 상기 신경 네트워크 모델을 상기 감소된 차원 벡터에 적용하는 것; 및 상기 브라우저 애플리케이션에 의해, 상기 미리 결정된 클러스터 세트 중 가장 높은 순위의 클러스터로서 상기 제1 클러스터를 선택하는 것을 더 포함한다.
다른 양태에서, 본 개시는 익명화된 콘텐츠 검색을 위한 방법에 관한 것이다. 상기 방법은 서버 컴퓨팅 디바이스에 의해, 복수의 클라이언트 컴퓨팅 디바이스 각각으로부터, 대응하는 클라이언트 컴퓨팅 디바이스의 브라우징 이력에 기초한 프로필을 수신하는 단계를 포함하며, 각 프로필은 n차원 벡터를 포함한다. 또한 상기 방법은 상기 서버 컴퓨팅 디바이스에 의해, 상기 복수의 프로필의 복수의 n차원 벡터를 행렬로 집합시키는 단계를 포함한다. 상기 방법은 상기 서버 컴퓨팅 디바이스에 의해, 특이값 세트를 생성하기 위해 상기 행렬의 특이값 분해를 계산하는 단계를 포함한다. 또한 상기 방법은 상기 서버 컴퓨팅 디바이스에 의해, 상기 복수의 클라이언트 컴퓨팅 디바이스 각각 및 적어도 하나의 콘텐츠 제공자 디바이스에 상기 특이값 세트를 전송하는 단계를 포함한다.
일부 구현예에서, 상기 방법은 상기 서버 컴퓨팅 디바이스에 의해, 상기 행렬의 클러스터 세트의 각 클러스터의 경계를 결정하는 단계를 포함한다. 추가 구현예에서, 상기 방법은 상기 서버 컴퓨팅 디바이스에 의해, 상기 복수의 클라이언트 컴퓨팅 디바이스 각각 및 상기 적어도 하나의 콘텐츠 제공자 디바이스에 상기 행렬의 클러스터 세트의 각 클러스터의 경계를 전송하는 단계를 포함한다.
일부 구현예에서, 상기 방법은 상기 서버 컴퓨팅 디바이스에 의해, 상기 행렬로부터 신경 네트워크 모델을 통해 클러스터 세트의 각 클러스터를 식별하는 단계를 포함한다. 추가 구현예에서, 상기 방법은 상기 신경 네트워크 모델의 가중치를 상기 복수의 클라이언트 컴퓨팅 디바이스 각각 및 상기 적어도 하나의 콘텐츠 제공자 디바이스에 전송하는 단계를 포함한다.
다른 양태에서, 본 개시는 익명화된 콘텐츠 검색을 위한 시스템에 관한 것이다. 시스템은 콘텐츠 서버와 통신하는 네트워크 인터페이스, 컴퓨팅 디바이스의 브라우징 이력을 저장하는 메모리 및 브라우저 애플리케이션을 포함하는 컴퓨팅 디바이스를 포함한다. 상기 브라우저 애플리케이션은: 상기 컴퓨팅 디바이스의 브라우징 이력에 기초하여 프로필을 생성하고; 상기 프로필을 n차원 벡터로 인코딩하고; 상기 n차원 벡터로부터 감소된 차원 벡터를 계산하고; 상기 감소된 차원 벡터에 대응하는 제1 클러스터를 결정하고; 상기 네트워크 인터페이스를 통해 콘텐츠 아이템에 대한 요청을 콘텐츠 서버에 전송하고, 상기 요청은 상기 제1 클러스터의 식별을 포함하며, 그리고 상기 네트워크 인터페이스를 통해, 상기 콘텐츠 서버로부터 상기 제1 클러스터의 식별에 따라 선택된 콘텐츠 아이템을 수신하도록 구성된다.
일부 구현예에서, 상기 브라우저 애플리케이션은 미리 결정된 시간 기간 내에 스트링의 대응 포지션과 연관된 주소에 대한 하나 이상의 액세스 각각을 표현하는 값을 갖는 스트링을 생성하도록 더 구성된다. 일부 구현예에서, 상기 브라우저 애플리케이션은 상기 n차원 벡터의 특이값 분해(singular value decomposition)를 수행하도록 더 구성된다. 추가 구현예에서, 상기 브라우저 애플리케이션은 상기 네트워크 인터페이스를 통해 제2 컴퓨팅 디바이스로부터 상기 특이값 분해의 특이 벡터 세트를 수신하도록 더 구성된다. 추가 구현예에서, 상기 브라우저 애플리케이션은 상기 네트워크 인터페이스를 통해, 상기 n차원 벡터를 상기 제2 컴퓨팅 디바이스에 전송하도록 더 구성되며, 상기 제2 컴퓨팅 디바이스는 상기 컴퓨팅 디바이스의 상기 n차원 벡터 및 적어도 하나의 다른 컴퓨팅 디바이스의 n차원 벡터의 집합에 기초하여 상기 특이 벡터 세트를 계산한다.
일부 구현예에서, 상기 브라우저 애플리케이션은: 상기 네트워크 인터페이스를 통해, 제2 컴퓨팅 디바이스로부터 상기 컴퓨팅 디바이스의 n차원 벡터 및 적어도 하나의 다른 컴퓨팅 디바이스의 n차원 벡터의 집합에 기초하여 결정된 신경 네트워크 모델의 가중치를 수신하고; 미리 결정된 클러스터 세트의 순위를 생성하기 위해 상기 신경 네트워크 모델을 상기 감소된 차원 벡터에 적용하고; 그리고 상기 미리 결정된 클러스터 세트 중 가장 높은 순위의 클러스터로서 상기 제1 클러스터를 선택하도록 더 구성된다.
적어도 하나의 양태는 콘텐츠의 선택을 위한 식별자를 인코딩하는 방법에 관한 것이다. 클라이언트 디바이스에서 실행되는 제1 애플리케이션은 클라이언트 디바이스에서 유지되는 브라우징 이력을 식별할 수 있다. 브라우징 이력은 제1 애플리케이션을 통해 클라이언트 디바이스가 액세스한 정보 리소스를 기록할 수 있다. 제1 애플리케이션은 상기 제1 애플리케이션을 분류할 클래스를 식별하기 위해 상기 제1 애플리케이션의 브라우징 이력에 분류 모델을 적용할 수 있다. 제1 애플리케이션은 식별된 클래스에 대응하는 클래스 식별자에 제1 애플리케이션을 할당할 수 있다. 제1 애플리케이션에 대한 클래스 식별자는 제2 애플리케이션에 대한 클래스 식별자와 동일할 수 있다. 제1 애플리케이션은 콘텐츠 퍼블리셔 디바이스로부터, 콘텐츠 선택 서비스로부터 콘텐츠를 수신하기 위해 사용 가능한 콘텐츠 슬롯 및 주(primary) 콘텐츠를 포함하는 정보 리소스를 수신할 수 있다. 제1 애플리케이션은 상기 정보 리소스의 콘텐츠 슬롯에 대해, 상기 제1 애플리케이션에 대한 클래스 식별자를 포함하는 콘텐츠에 대한 요청을 생성할 수 있다. 제1 애플리케이션은 콘텐츠에 대한 요청을 콘텐츠 선택 서비스에 전송할 수 있다. 상기 콘텐츠 선택 서비스는 상기 제1 애플리케이션 및 상기 제2 애플리케이션에 대한 클래스 식별자를 사용하여 상기 정보 리소스의 콘텐츠 슬롯에 삽입할 콘텐츠 아이템을 선택한다.
일부 구현예에서, 제1 애플리케이션은 애플리케이션 관리자 서비스로부터, 애플리케이션을 복수의 클래스 중 하나로 분류하기 위한 분류 모델을 업데이트하기 위한 파라미터 세트를 수신할 수 있다. 일부 구현예에서, 제1 애플리케이션은 상기 애플리케이션 관리자 서비스로부터 수신된 파라미터 세트에 기초하여 상기 클라이언트 디바이스에서 유지되는 분류 모델을 수정할 수 있다. 일부 구현예에서, 제1 애플리케이션은 대응하는 복수의 클라이언트 디바이스에서 실행되는 복수의 애플리케이션과 함께 분산 학습 프로토콜을 사용하여 상기 클라이언트 디바이스에서 유지되는 분류 모델을 트레이닝할 수 있다.
일부 구현예에서, 제1 애플리케이션은 차원 감소(dimension reduction) 프로세스를 사용하여, 상기 클라이언트 디바이스로부터 식별된 브라우징 이력으로부터 감소된 피처 벡터 세트를 생성할 수 있고, 상기 피처 벡터는 상기 브라우징 이력보다 파일 크기가 더 작다. 일부 구현예에서, 상기 분류 모델을 적용하는 단계는 상기 분류 모델을 상기 브라우징 이력으로부터 생성된 감소된 피처 벡터 세트에 적용하는 것을 포함한다.
일부 구현예에서, 제1 애플리케이션은 식별자 할당 정책에 따라, 상기 분류 모델이 상기 브라우징 이력에 적용될 것이라고 결정할 수 있다. 일부 구현예에서, 상기 분류 모델을 적용하는 단계는 상기 분류 모델이 상기 식별자 할당 정책에 따라 적용될 것이라는 결정에 응답하여 상기 분류 모델을 적용하는 것을 포함할 수 있다.
일부 구현예에서, 상기 분류 모델을 적용하는 단계는 복수의 클래스로부터 클래스를 식별하기 위해 분류 모델을 적용하는 것을 포함할 수 있다. 복수의 클래스의 각 클래스는 클래스로 분류될 적어도 미리 결정된 수의 클라이언트를 가질 수 있다. 일부 구현예에서, 제1 애플리케이션을 클래스 식별자에 할당하는 단계는 제1 애플리케이션을 복수의 클래스 식별자의 클래스 식별자에 할당하는 것을 더 포함할 수 있다. 각 클래스 식별자는 복수의 클래스 중 하나에 대응할 수 있다.
일부 구현예에서, 상기 콘텐츠에 대한 요청을 생성하는 단계는 상기 콘텐츠 선택 서비스에 의해 제공되는 상기 제1 애플리케이션과 연관된 계정, 상기 제1 애플리케이션 또는 상기 클라이언트 디바이스에 대응하는 고유 추적 식별자 없이 상기 콘텐츠에 대한 요청을 생성하는 것을 포함할 수 있다. 일부 구현예에서, 콘텐츠에 대한 요청을 생성하는 단계는 콘텐츠 선택 서비스와의 연결을 통한 전송을 위해, 보안 쿠키를 포함하는 콘텐츠에 대한 요청을 생성하는 것을 포함할 수 있다. 보안 쿠키는 제1 애플리케이션에 대한 클래스 식별자를 포함할 수 있다. 일부 구현예에서, 상기 브라우징 이력을 식별하는 단계는 상기 분류 모델을 적용할 미리 정의된 시간 범위에 걸쳐 브라우징 이력을 식별하는 것을 포함할 수 있다.
적어도 하나의 양태는 콘텐츠의 선택을 위한 식별자를 인코딩하는 시스템에 관한 것이다. 시스템은 하나 이상의 프로세서를 갖는 클라이언트 디바이스에서 실행가능한 제1 애플리케이션을 포함할 수 있다. 클라이언트 디바이스에서 실행되는 제1 애플리케이션은 클라이언트 디바이스에서 유지되는 브라우징 이력을 식별할 수 있다. 브라우징 이력은 제1 애플리케이션을 통해 클라이언트 디바이스가 액세스한 정보 리소스를 기록할 수 있다. 제1 애플리케이션은 상기 제1 애플리케이션을 분류할 클래스를 식별하기 위해 상기 제1 애플리케이션의 브라우징 이력에 분류 모델을 적용할 수 있다. 제1 애플리케이션은 식별된 클래스에 대응하는 클래스 식별자에 제1 애플리케이션을 할당할 수 있다. 제1 애플리케이션에 대한 클래스 식별자는 제2 애플리케이션에 대한 클래스 식별자와 동일할 수 있다. 제1 애플리케이션은 콘텐츠 퍼블리셔 디바이스로부터, 콘텐츠 선택 서비스로부터 콘텐츠를 수신하기 위해 사용 가능한 콘텐츠 슬롯 및 주(primary) 콘텐츠를 포함하는 정보 리소스를 수신할 수 있다. 제1 애플리케이션은 상기 정보 리소스의 콘텐츠 슬롯에 대해, 상기 제1 애플리케이션에 대한 클래스 식별자를 포함하는 콘텐츠에 대한 요청을 생성할 수 있다. 제1 애플리케이션은 콘텐츠에 대한 요청을 콘텐츠 선택 서비스에 전송할 수 있다. 상기 콘텐츠 선택 서비스는 상기 제1 애플리케이션 및 상기 제2 애플리케이션에 대한 클래스 식별자를 사용하여 상기 정보 리소스의 콘텐츠 슬롯에 삽입할 콘텐츠 아이템을 선택한다.
일부 구현예에서, 제1 애플리케이션은 애플리케이션 관리자 서비스로부터, 애플리케이션을 복수의 클래스 중 하나로 분류하기 위한 분류 모델을 업데이트하기 위한 파라미터 세트를 수신할 수 있다. 일부 구현예에서, 제1 애플리케이션은 상기 애플리케이션 관리자 서비스로부터 수신된 파라미터 세트에 기초하여 상기 클라이언트 디바이스에서 유지되는 분류 모델을 수정할 수 있다. 일부 구현예에서, 제1 애플리케이션은 대응하는 복수의 클라이언트 디바이스에서 실행되는 복수의 애플리케이션과 함께 분산 학습 프로토콜을 사용하여 상기 클라이언트 디바이스에서 유지되는 분류 모델을 트레이닝할 수 있다.
일부 구현예에서, 제1 애플리케이션은 차원 감소 프로세스를 사용하여, 상기 클라이언트 디바이스로부터 식별된 브라우징 이력으로부터 감소된 피처 벡터 세트를 생성할 수 있고, 상기 피처 벡터는 상기 브라우징 이력보다 파일 크기가 더 작다. 일부 구현예에서, 제1 애플리케이션은 브라우징 이력으로부터 생성된 감소된 피처 벡터 세트에 분류 모델을 적용할 수 있다.
일부 구현예에서, 제1 애플리케이션은 식별자 할당 정책에 따라, 상기 분류 모델이 상기 브라우징 이력에 적용될 것이라고 결정할 수 있다. 일부 구현예에서, 제1 애플리케이션은 상기 분류 모델이 상기 식별자 할당 정책에 따라 적용될 것이라는 결정에 응답하여 상기 분류 모델을 적용할 수 있다.
일부 구현예에서, 제1 애플리케이션은 분류 모델을 적용하여 복수의 클래스로부터 클래스를 식별할 수 있다. 복수의 클래스의 각 클래스는 클래스로 분류될 적어도 미리 결정된 수의 클라이언트를 가질 수 있다. 일부 구현예에서, 제1 애플리케이션은 복수의 클래스 식별자의 클래스 식별자에 제1 애플리케이션을 할당할 수 있다. 각 클래스 식별자는 복수의 클래스 중 하나에 대응할 수 있다.
일부 구현예에서, 제1 애플리케이션은 상기 콘텐츠 선택 서비스에 의해 제공되는 상기 제1 애플리케이션과 연관된 계정, 상기 제1 애플리케이션 또는 상기 클라이언트 디바이스에 대응하는 고유 추적 식별자 없이 상기 콘텐츠에 대한 요청을 생성할 수 있다. 일부 구현예에서, 제1 애플리케이션은 콘텐츠 선택 서비스와의 연결을 통한 전송을 위해, 보안 쿠키를 포함하는 콘텐츠에 대한 요청을 생성할 수 있다. 보안 쿠키는 제1 애플리케이션에 대한 클래스 식별자를 포함할 수 있다. 일부 구현예에서, 제1 애플리케이션은 상기 분류 모델을 적용할 미리 정의된 시간 범위에 걸쳐 브라우징 이력을 식별할 수 있다.
본 개시는 또한 컴퓨팅 디바이스에 의해 실행될 때 컴퓨팅 디바이스로 하여금 본 명세서에 개시된 방법 중 임의의 것을 수행하게 하는 명령어를 포함하는 컴퓨터 프로그램을 제공한다. 본 개시는 또한 컴퓨팅 디바이스에 의해 실행될 때 컴퓨팅 디바이스로 하여금 본 명세서에 개시된 방법 중 임의의 것을 수행하게 하는 명령어를 포함하는 컴퓨터 판독 가능 매체를 제공한다.
일 양태의 선택적 구성은 임의의 다른 양태와 조합될 수 있다.
하나 이상의 구현예들의 세부 내용들이 첨부 도면과 아래의 설명에서 기술된다. 본 개시의 다른 구성들, 양태들 및 이점들은 설명, 도면 및 청구항으로부터 명백해질 것이다.
도 1a는 일부 구현예에 따른, 예시적 프로필 벡터의 예시이다.
도 1b는 일부 구현예에 따른, 프로필 벡터의 희소 행렬로의 집합의 예시이다.
도 1c는 일부 구현예에 따른, 의사 개인화 클러스터링을 제공하기 위한 익명화 프로세스의 예시이다.
도 2는 일부 구현예에 따른, 의사 개인화 클러스터링을 제공하기 위한 익명화 시스템의 블록도이다.
도 3은 일부 구현예에 따른, 의사 개인화 클러스터링을 제공하기 위한 익명화 방법의 흐름도이다.
도 4는 예시적 구현예에 따라, 분류 모델을 사용한 콘텐츠 선택을 위한 식별자를 인코딩하는 시스템을 도시하는 블록도이다.
도 5는 예시적 구현예에 따라, 분류 모델을 사용한 콘텐츠 선택을 위한 식별자를 인코딩하기 위한 시스템에서 클라이언트 디바이스 및 애플리케이션 관리 서비스를 도시하는 블록도이다.
도 6은 예시적 구현예에 따라, 분류 모델을 사용한 콘텐츠 선택을 위한 식별자를 인코딩하기 위한 시스템에서 클라이언트 디바이스, 콘텐츠 제공자, 콘텐츠 퍼블리셔 및 콘텐츠 선택 서비스를 도시하는 블록도이다.
도 7은 예시적 구현예에 따라, 분류 모델을 사용한 콘텐츠 선택을 위한 식별자를 인코딩하기 위한 시스템에서 클라이언트 디바이스 및 콘텐츠 선택 서비스를 도시하는 블록도이다.
도 8은 예시적 구현예에 따라, 분류 모델을 사용한 콘텐츠 선택을 위한 식별자를 인코딩하는 방법을 도시하는 흐름도이다. 그리고
도 9는 예시적 구현예에 따라, 본 명세서에 기술되고 도시된 시스템 및 방법의 구성요소를 구현하기 위해 사용될 수 있는 컴퓨터 시스템을 위한 일반적인 아키텍처를 도시하는 블록도이다.
다양한 도면들에서 동일한 참조 번호 및 기호는 동일한 컴포넌트를 표시한다.
개인화된 콘텐츠 전달은 일반적으로 디바이스의 브라우징 또는 액세스 이력과 같은 사용자 및/또는 디바이스의 식별 정보 캡처에 기초한다. 예를 들어, 디바이스는 디바이스 식별자, 계정 이름, 쿠키 또는 기타 그러한 정보와 같은 식별 정보를 제공할 수 있다; 콘텐츠 제공자는 개인화된 콘텐츠를 선택하는데 사용하기 위해 이 정보를 저장할 수 있다. 결과적으로 콘텐츠 제공자는 개인에 대한 많은 양의 데이터를 얻을 수 있다. 이는 디바이스와 사용자의 개인 정보 및 보안에 큰 영향을 미친다. 옵트-아웃 및 추적 금지 정책을 사용하면 사용자가 (이들 정책을 따르는 콘텐츠 제공자에게 제공된) 자신의 개인 정보를 어느 정도 제어할 수 있다. 그러나 이러한 정책은 콘텐츠 제공자가 관련 콘텐츠를 제공하는 능력을 저하시키므로, 일부 콘텐츠 제공자는 사용자 요청을 따르지 않을 수 있다.
본 명세서에서 논의된 시스템 및 방법은 수백만 또는 수십억 개의 디바이스와 같은 다수의 디바이스의 집합된 브라우징 이력을 통해 콘텐츠 준-개인화 또는 익명화된 콘텐츠 검색을 제공한다. 예를 들어, 각 디바이스의 브라우징 이력은 긴 데이터 문자열 또는 n차원 벡터로 인코딩될 수 있다. 도 1a는 일부 구현예에 따른, 예시적 프로필 벡터(100)의 예시이다. 프로필 벡터는 주어진 시간 기간 내에 도메인, 웹 사이트 또는 웹 페이지에 대한 디바이스의 방문 또는 액세스의 식별을 포함할 수 있다. 도시된 예에서, 벡터는 각 요일에 대해 많은 수의 도메인 1-n에 대한 조회수 또는 방문 수를 식별한다. 1차원 벡터로 도시되었지만, 유사한 구현예에서, 벡터는 n x 7 어레이(예: 각 날마다 한 행)을 포함할 수 있다. 다른 구현예에서, 추가 데이터가 포함될 수 있다(예를 들어, 월의 각 날짜, 하루 내의 시간 기간 등). 따라서, 벡터는 큰 n차원 벡터 또는 어레이를 포함할 수 있다. 생성 시간, 위치, IP 주소 또는 기타 이러한 정보의 식별과 같은 추가 데이터가 벡터에 포함될 수 있다.
위에서 언급했듯이, 많은 구현예에서, 벡터는 매우 클 수 있다. 예를 들어, 인터넷에는 약 18억 개의 활성 웹 사이트와 3억 3천만 개 이상의 등록된 도메인이 있다. 일부 구현예에서, 벡터는 이러한 도메인 또는 웹 사이트 중 임의의 것에 대한 방문 또는 액세스를 기록할 수 있다. 다른 구현예에서, 벡터는 도메인 또는 웹 사이트의 서브세트에만 대한 방문 또는 액세스를 기록할 수 있다. 예를 들어 100만 개 미만의 웹 사이트가 웹 트래픽의 약 50%를 차지한다. 따라서 많은 구현예에서, 벡터는 도메인 또는 웹 사이트의 서브세트에 대한 액세스 또는 방문만 기록하거나 표현할 수 있다. 그럼에도 불구하고, 그러한 많은 구현에서조차, 벡터는 O(226) 이상과 같이 클 수 있다.
도 1b에 도시된 바와 같이, 벡터는 서버 디바이스에 제공될 수 있으며, 서버는 벡터를 다른 디바이스의 벡터와 통합할 수 있다. 복수의 디바이스(102) 각각으로부터의 프로필 벡터(100)는 매우 큰 행렬을 생성하기 위해 집합될 수 있다. 예를 들어, 웹에는 매월 수십억(O(230))의 활성 사용자 또는 디바이스가 있다. 따라서 이들 디바이스 각각의 프로필 벡터(100)를 결합하는 행렬은 O(230x226) 차원이거나 일부 구현예에서 더 클 수 있다.
그러나 이 행렬은 매우 희소하다. 일반적인 사용자는 1주일과 같은 주어진 시간 기간 동안 수백만 개의 가능한 도메인 중 O(100)를 방문할 수 있다. 주어진 디바이스에 대한 브라우징 이력의 매우 드문 특성과 중복성으로 인해 이 행렬의 차원을 줄일 수 있다.
일부 구현예에서, SVD(singular vector decomposition)와 같은 선형 차원 감소 기법은 행렬에 대한 최상의 근사치인 랭크 X 행렬을 계산하는데 사용될 수 있다(예를 들어 제곱 오차 최소화). 각 프로필 벡터(100)는 X차원으로 투영될 수 있으며, X는 행렬의 원래 차원보다 작다. 각 차원에 대해, 투영 결과는 Ni 버킷의 거듭 제곱으로 2로 양자화될 수 있다. 여기서 i ∈ [1, X ]이고, 버킷의 수는 대응 차원의 특이값에 비례한다. K = ∑ Ni 비트는 모든 X 차원에 대한 양자화된 투영 결과를 나타내는데 사용될 수 있다. 함께 연결된 비트는 디바이스의 클러스터 식별자일 수 있다. 다른 구현예에서, 클러스터링 알고리즘(예: Nearest Neighbor)은 감소된 차원을 가진 공간에서 디바이스를 클러스터링하는데 사용될 수 있다. 특이 벡터는 양자화 프로세스의 결과로 서로 직교하기 때문에 프로필 벡터 간에는 비선형 의존성이 없다고 가정하면, 통계적으로 유사한 디바이스 수(예: 많은 총 디바이스 수를 고려할 때 거의 동일)가 각 클러스터 내에 있거나 각 클러스터에 속하는 것으로 식별될 수 있다. 각 클러스터는 때때로 클러스터 식별자, 브라우징 그룹 식별자 또는 유사한 용어로 지칭되는 식별자로 표현될 수 있다.
다른 구현예에서, 주 컴포넌트 분석과 같은 다른 선형 분해 방법이 사용될 수 있다. 또 다른 구현예에서, 행렬의 차원을 감소시키기 위해 비선형 차원 감소 알고리즘이 사용될 수 있다. 최근접 이웃 검색, 잠재 클래스 분석 등 다양한 분류 기법이 사용될 수 있다.
도 1c는 일부 구현예에 따른, 이 프로세스의 예시이다. 도시된 바와 같이, 다수의 디바이스로부터의 프로필 벡터는 단계(120)에서 큰 행렬로 집합될 수 있다. 행렬은 단계(122)에서 차원적으로 감소될 수 있다. 클러스터는 위에서 논의된 바와 같이 단계(124)에서 식별될 수 있다.
일부 구현예에서, 분류 시스템은 클러스터 식별의 일부로서 및/또는 클러스터 식별로부터 트레이닝될 수 있다. 예를 들어, 일부 구현예에서, 미리 결정된 수의 클러스터의 일부로서 디바이스를 분류하기 위해 신경 네트워크가 사용될 수 있다. 이러한 네트워크는 클러스터 식별자를 출력으로 사용하여 차원 감소 프로필 벡터를 입력으로 사용할 수 있다. 네트워크는 다양한 구현예에서 지도 또는 비지도 학습을 통해 트레이닝될 수 있다.
일부 구현예에서, 모델에 대한 신경 네트워크 모델 또는 가중치가 클라이언트 디바이스에 제공될 수 있거나, 분류를 위한 다른 파라미터가 제공될 수 있다. 차원 감소로부터 생성된 특이 벡터도 클라이언트 디바이스에 제공될 수 있다. 따라서, 벡터 및/또는 모델을 수신한 후, 클라이언트는 서버에 대한 추가 통신을 요구하지 않고 로컬 프로필 벡터를 사용하여 자신의 분류를 생성할 수 있다. 서버는 월별 또는 분기 별과 같이 주기적으로 특이 벡터 및/또는 분류 모델 파라미터를 재생성할 수 있다. 데이터 전송은 일부 구현예에서 상당히 클 수 있다(예를 들어, O(226) 차원의 O(24) 특이 벡터, 일부 구현예에서 약 2GB의 데이터가 필요함). 일부 구현예에서, 다른 디바이스로의 데이터 전송을 줄이기 위해, 서버는 파라미터 및 벡터를 이전에 생성된 파라미터 및 벡터와 비교하고, 유의미한 차이(예: 임계 차이 이상)가 있는 경우에만 새로운 세트를 제공하거나 크게 변경된 파라미터 및/또는 벡터 서브세트만 제공할 수 있다. 클라이언트는 이러한 파라미터 및 벡터를 사용하여 다양한 구현예에서 예를 들어 매일, 매시간 또는 모든 콘텐츠 요청과 같이 로컬에서 더 자주 분류를 업데이트할 수 있다.
유사하게, 특이 벡터 및/또는 모델 파라미터는 일부 구현예에서 콘텐츠 제공자에게 제공될 수 있다. 클라이언트 디바이스가 콘텐츠 아이템을 요청하는 경우, 요청은 클러스터 식별을 포함할 수 있다. 클러스터 식별은 HTTPS 요청 또는 HTTP 헤더의 옵션 필드와 같이 페이로드 또는 요청의 헤더에 포함될 수 있다. 콘텐츠 제공자는 일부 구현예에서 신경 네트워크 모델 또는 제공자 특정 신경 네트워크 모델을 사용하여, 임의의 개별 디바이스 또는 사용자의 특성을 식별하지 않고, 각 클러스터 내의 디바이스에 대한 인구통계 및/또는 사용자 관심사를 추론할 수 있다(예를 들어, 차원 축소의 특이 벡터에 기초하여 클러스터 식별에 대응하는 대략적인 프로필 벡터를 결정하고, 상기 벡터를 기계 학습 시스템에 제공하여, 특성을 추론함으로써).
따라서, 이러한 구현예는 집합, 즉 유사한 브라우징 이력 또는 패턴을 함께 집합시키는 디바이스를 통해 디바이스 익명성을 제공한다. 클러스터링 알고리즘은 모든 클러스터에 대략 동일한 수의 사용자가 포함되도록 유사한 클러스터 크기를 유지하려고 한다. 인터넷에서 고정된 수의 활성 디바이스가 주어지면, 클러스터 식별자의 엔트로피가 클러스터 크기를 제어한다(예: 클러스터 식별자의 엔트로피가 높을수록 각 클러스터의 디바이스 수가 적어 프라이버시 보호를 감소시킴). 클러스터 식별자의 엔트로피를 조정함으로써(예를 들어, 더 적은 수 또는 더 많은 수의 클러스터를 제공함으로써), 시스템은 콘텐츠 개인화의 효과를 유지하면서 원하는 수준의 익명성과 프라이버시 보호를 달성할 수 있다.
이러한 구현예는 효율성을 유지하면서 프라이버시를 강화하여 집합 및 의사-개인화를 사용하지 않는 시스템을 개선한다. 이러한 개선되지 않은 시스템에서, 사용자 또는 디바이스 식별자는 디바이스에 대한 브라우징 이력을 기록하고 축적된 이력에 기초하여 대응 사용자의 인구통계 정보 및 관심사를 추론하는데 사용될 수 있다. 이 추론된 정보는 클릭율, 주의력 또는 기타 이러한 메트릭과 같은 개인화된 콘텐츠 선택의 효과를 예측하는데 사용될 수 있다. 대신, 여기에서 논의된 시스템 및 방법을 통해, 브라우징 이력은 주어진 클러스터 식별자 또는 그룹과 연관된 디바이스 그룹에 대해서만 누적될 수 있다. 추론된 그룹 인구 통계 정보 및 관심사는 추론된 유효성 메트릭과 함께 콘텐츠 선택에 여전히 사용될 수 있지만, 콘텐츠 제공자는 그룹 또는 클러스터 내에서 디바이스 또는 사용자의 특성을 구별할 수 없다.
일부 구현예에서, 수십억 명의 인터넷 사용자의 집합된 브라우징 이력에 기초하여 2의 제곱 K의 전형적인 브라우징 이력 패턴이 정의된다. 각 전형적인 브라우징 이력 패턴은 고유한 클러스터 식별자 또는 브라우징 이력 식별자를 가지고 있으며, 이는 각 클러스터 식별자가 다수의 디바이스에서 공유되도록 일부 작은 K에 대해 K 비트 정수로 표현될 수 있다. 사용자가 개인화된 콘텐츠 선택을 거부하거나 의사-개인화를 선택하면, 디바이스의 브라우저 애플리케이션이 사용자의 실제 브라우징 이력과 가장 일치하는 일반적인 브라우징 이력 패턴을 선택할 수 있다. 브라우저는 콘텐츠 개인화 목적을 위해 콘텐츠 제공자에게 대응하는 클러스터 식별자를 제공할 수 있다.
일반적인 브라우징 이력 패턴과 클러스터 식별자의 인코딩은 대략 동일한 수의 디바이스가 각 클러스터 식별자와 연관되는 방식으로 선택된다. K값과 각 콘텐츠 제공자가 콘텐츠 요청을 통해 브라우저에서 얻을 수 있는 다른 신호(예: IP 주소, 사용자 에이전트 식별자 등)의 엔트로피를 제어함으로써, 브라우저는 콘텐츠 의사-개인화를 활성화하면서 사용자의 재식별 위험을 크게 줄일 수 있다.
도 2는 일부 구현예에 따른, 의사 개인화 클러스터링을 제공하기 위한 익명화 시스템의 블록도이다. 데스크톱 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 웨어러블 컴퓨터, 스마트폰, 임베디드 컴퓨터, 스마트 카 또는 임의의 다른 유형 및 형태의 컴퓨팅 디바이스를 포함할 수 있는 클라이언트 디바이스(200)는 네트워크(225)를 통해 하나 이상의 서버, 분류기 서버(230) 및/또는 콘텐츠 서버(250)와 통신할 수 있다.
많은 구현예에서, 클라이언트 디바이스(200)는 프로세서(202) 및 메모리 디바이스(206)를 포함할 수 있다. 메모리 디바이스(206)는 프로세서에 의해 실행될 때 프로세서로 하여금 본 명세서에 기술된 하나 이상의 동작들을 수행하게 하는 기계 명령어들을 저장할 수 있다. 프로세서(202)는 마이크로 프로세서, ASIC, FPGA 등 또는 이들의 조합을 포함할 수 있다. 많은 구현예에서, 프로세서는 멀티코어 프로세서 또는 프로세서의 어레이일 수 있다. 메모리 디바이스(206)는 전자, 광학, 자기 또는 프로세서에 프로그램 명령어를 제공할 수 있는 임의의 기타 저장 디바이스를 포함할 수 있지만, 이에 한정되지 않는다. 메모리 디바이스는 플로피 디스크, CD-ROM, DVD, 자기 디스크, 메모리 칩, ROM, RAM, EEPROM, EPROM, 플래시 메모리, 광학 매체, 또는 프로세서가 명령어를 판독할 수 있는 임의의 기타 적절한 메모리를 포함할 수 있다. 명령어는 C, C++, C#, Java, JavaScript, Perl, HTML, XML, Python 및 Visual Basic과 같은 임의의 적절한 컴퓨터 프로그래밍 언어의 코드를 포함할 수 있다.
클라이언트 디바이스(200)는 하나 이상의 네트워크 인터페이스(204)를 포함할 수 있다. 네트워크 인터페이스(204)는 10 Base T, 100 Base T 또는 1000 Base T("기가비트")를 포함하는 이더넷; 802.11a, 802.11b, 802.11g, 802.11n 또는 802.11ac와 같은 다양한 802.11 무선; CDMA, LTE, 3G 또는 4G 셀룰러를 포함하는 셀룰러; Bluetooth 또는 기타 단거리 무선 연결; 또는 네트워크와 통신하기 위한 이들 또는 다른 인터페이스의 임의의 조합을 포함하는 임의의 유형 및 형태의 인터페이스를 포함할 수 있다. 많은 구현예에서, 클라이언트 디바이스(200)는 상이한 유형의 복수의 네트워크 인터페이스(204)를 포함할 수 있어, 다양한 네트워크(225)의 연결을 허용한다. 상응하게, 네트워크(225)는 근거리 통신망(LAN), 인터넷과 같은 광역 통신망(WAN), 셀룰러 네트워크, 광대역 네트워크, 블루투스 네트워크, 802.11(WiFi) 네트워크, 위성 네트워크, 또는 이들 또는 다른 것들의 임의의 조합을 포함할 수 있고, 하나 이상의 추가 디바이스(예: 라우터, 스위치, 방화벽, 허브, 네트워크 가속기, 캐시 등)를 포함할 수 있다.
클라이언트 디바이스는 하나 이상의 사용자 인터페이스 디바이스를 포함할 수 있다. 사용자 인터페이스 디바이스는 감각 정보(예를 들어, 디스플레이상의 시각화, 하나 이상의 사운드, 촉각적 피드백 등)를 생성함으로써 사용자에게 데이터를 전달하고 및/또는 사용자로부터 수신된 감각 정보를 전자 신호(예를 들어, 키보드, 마우스, 포인팅 디바이스, 터치 스크린 디스플레이, 마이크로폰 등)로 변환하는 임의의 전자 디바이스일 수 있다. 하나 이상의 사용자 인터페이스 디바이스들은 다양한 구현예에 따라, 클라이언트 디바이스의 하우징 내부(예: 내장 디스플레이, 터치 스크린, 마이크로폰 등) 또는 클라이언트 디바이스의 하우징 외부(예: 클라이언트 디바이스(102)에 연결된 모니터, 클라이언트 디바이스에 연결된 스피커 등)에 있을 수 있다.
메모리(206)는 프로세서(202)에 의한 실행을 위한 애플리케이션(208)을 포함할 수 있다. 애플리케이션(208)은 미디어 애플리케이션, 웹 브라우저, 생산성 애플리케이션 또는 임의의 다른 그러한 애플리케이션과 같은 임의의 유형 및 형태의 애플리케이션을 포함할 수 있으며, 여기서 일반적으로 브라우저 애플리케이션이라고 지칭될 수 있다. 애플리케이션(208)은 콘텐츠 서버로부터 콘텐츠를 수신할 수 있고, 클라이언트 디바이스의 사용자를 위한 사용자 인터페이스를 통해 이를 디스플레이할 수 있다.
메모리(206)는 애플리케이션(208)의 일부이거나 애플리케이션(208)에 의해 유지될 수 있는 액세스 로그(210)(클라이언트 디바이스(200)에 대한 로그(210a)로 도시됨)를 저장할 수 있다(예를 들어, 프로필, 선호 파일, 이력 파일 또는 다른 그러한 파일의 일부로서). 액세스 로그(210)는 애플리케이션(208)에 의해 사용 가능한 임의의 형식으로 저장될 수 있다. 액세스 로그는 웹사이트, 도메인, 웹페이지, 콘텐츠 또는 애플리케이션(208)에 의해 액세스, 검색, 디스플레이 또는 획득된 기타 데이터의 식별을 포함할 수 있다. 액세스 로그(210)는 또한 위에서 논의된 바와 같이 프로필 벡터(100)를 저장할 수 있으며, 이는 애플리케이션 및/또는 디바이스의 액세스 이력으로부터 생성될 수 있다. 프로필 벡터(100)는 미리 결정된 시간 기간(예를 들어, 요일, 주, 시간 등) 동안 하나 이상의 도메인, 웹페이지, 웹사이트 또는 다른 그러한 데이터에 대한 액세스를 나타내는 n차원 문자열 또는 값의 어레이를 포함할 수 있다. 위에서 논의된 바와 같이, 프로필 벡터는 분류기 서버(230)에 제공될 수 있다(단계 A). 프로필 벡터(100)는 애플리케이션(208) 또는 로그 감소기(214)에 의해 생성될 수 있으며, 이는 애플리케이션, 서비스, 데몬, 루틴, 플러그인, 또는 액세스 로그로부터 프로필 벡터를 생성하기 위한 다른 실행 가능한 로직을 포함할 수 있다. 로그 감소기(214)는 많은 구현예에서 애플리케이션(208)의 일부를 포함할 수 있다.
메모리(206)는 또한 특이 벡터(212)를 저장할 수 있다. 전술한 바와 같이, 특이 벡터(212)는 분류기 서버(230)로부터 획득될 수 있으며(단계 B), 이는 전술한 바와 같이 복수의 클라이언트 디바이스(200)의 프로필 벡터 행렬의 차원 축소로부터 계산될 수 있다. 특이 벡터(212)는 플랫 파일, 데이터 어레이, 또는 다른 구조와 같은 임의의 적절한 포맷으로 저장될 수 있고, 많은 구현예에서 압축될 수 있다.
메모리(206)는 또한 신경 네트워크 모델(216)의 파라미터를 저장할 수 있다. 전술한 바와 같이, 신경 네트워크 모델(216)은 분류기 서버 및 클라이언트 디바이스(200)에 제공된 파라미터 또는 가중치에 의해 생성될 수 있다(단계 C). 기계 학습 알고리즘을 실행하기 위한 애플리케이션, 서비스, 서버, 데몬, 루틴 또는 기타 실행 가능한 로직을 포함할 수 있는 클라이언트 디바이스(200)의 분류기(218)는 클라이언트 디바이스의 차원 감소된 프로필 벡터로부터 클러스터 식별자(220)를 생성하기 위해 신경 네트워크 모델(216) 파라미터를 사용할 수 있다. 일부 구현예에서, 분류기(218)는 텐서 프로세싱 유닛과 같은 하드웨어 회로 또는 다른 그러한 하드웨어를 포함할 수 있다. 다른 구현예에서, 분류기(218)는 디바이스의 프로세서(202)에 의해 실행되는 소프트웨어를 포함할 수 있다.
메모리(206)는 또한 클러스터 식별자(220)를 저장할 수 있다. 클러스터 식별자(220)는 클러스터 식별자와 연관된 쿠키 또는 다른 문자열을 포함할 수 있고 및/또는 클러스터의 특성(예를 들어, XML 코드 또는 파라미터, 파라미터-값 쌍 등)을 식별하는 정보를 인코딩하거나 포함할 수 있다. 클러스터 식별자(220)는 서버(230)에 의해 미리 결정되거나 생성되어 클라이언트 디바이스(200)에 제공될 수 있다. 클라이언트 디바이스의 분류기(218)는 신경 네트워크 모델을 사용하여 클라이언트 디바이스의 차원 감소 프로필 벡터를 프로세싱하여, 각 클러스터 식별자(220)에 대한 순위 또는 점수를 생성할 수 있으며, 콘텐츠 서버로의 전송(단계 D)을 위해 콘텐츠 요청 중에 가장 높은 순위 또는 점수를 가진 식별자를 선택할 수 있다.
분류기 서버(들)(230)은 하나 이상의 서버 컴퓨팅 디바이스를 포함할 수 있으며, 하나 이상의 물리적 컴퓨팅 디바이스 또는 하나 이상의 물리적 컴퓨팅 디바이스(예: 클라우드, 클러스터 또는 서버 팜)에 의해 실행되는 하나 이상의 가상 컴퓨팅 디바이스를 포함할 수 있다. 분류기 서버(들)(230)는 일반적으로 서버, 측정 서버, 집계 서버 또는 다른 그러한 용어로 지칭될 수 있다.
분류기 서버(들)(230)는 하나 이상의 프로세서(202), 네트워크 인터페이스(204) 및 메모리 디바이스(206)뿐만 아니라 도시되지 않은 다른 디바이스를 포함할 수 있다. 분류기 서버(들)(230)는 복수의 클라이언트 디바이스(200)로부터 획득된 프로필 벡터(210a-210n) 및/또는 메모리 액세스 로그에 저장할 수 있다. 위에서 논의된 바와 같이, 애플리케이션, 서버, 서비스, 루틴, 또는 프로세서(202)에 의해 실행되는 다른 실행 가능한 로직을 포함할 수 있는 분류기 서버(230)의 애그리게이터(232)는 프로필 벡터(210a-210n)를 행렬 또는 n차원 어레이로 집합시킬 수 있다. 애그리게이터(232)는 또한 행렬의 분해 또는 차원 감소를 특이 벡터(212)로 계산할 수 있으며, 이는 클라이언트 디바이스(200)(및 일부 구현예에서 콘텐츠 서버(250))에 제공될 수 있다.
분류기 서버(들)(230)는 또한 분류기(218)를 메모리에 저장할 수 있다. 분류기(218)는 애그리게이터(232)의 일부일 수 있거나, 차원 감소된 행렬에서 클러스터를 식별하기 위해 프로세서(202) 및/또는 텐서 프로세싱 유닛과 같은 하드웨어 프로세서에 의해 실행되는 별개의 애플리케이션, 서비스, 서버, 루틴 또는 기타 실행 가능한 로직일 수 있다. 많은 구현예에서, 분류기(218)는 차원 감소된 벡터를 복수의 클러스터 중 하나로 분류하기 위한 신경 네트워크 또는 유사한 인공 지능을 포함할 수 있다. 일단 트레이닝된 신경 네트워크의 파라미터는 위에서 논의된 바와 같이 클러스터 식별 또는 순위를 유사하게 생성하기 위해 클라이언트 디바이스(들)(200)에 제공될 수 있다.
콘텐츠 서버(들)(250)는 콘텐츠 전달 네트워크, 웹 서버, 미디어 서버, 소셜 미디어 서비스, 또는 임의의 다른 유형 및 형태의 컴퓨팅 시스템을 포함하는 임의의 유형 및 형태의 콘텐츠 제공 서버 또는 서비스를 포함할 수 있다. 콘텐츠 서버(들)(250)는 하나 이상의 프로세서(202), 네트워크 인터페이스(202) 및 메모리 디바이스(206)를 포함할 수 있다. 많은 구현예에서, 콘텐츠 서버(들)(250)는 텍스트, 오디오, 비디오, 애니메이션, 이미지, 실행 가능한 스크립트, 웹페이지 또는 임의의 기타 데이터를 포함하는 임의의 유형 및 형태의 콘텐츠를 포함할 수 있는 복수의 콘텐츠 아이템(252)을 저장할 수 있다.
콘텐츠 서버(들)(250)는 콘텐츠 선택기(254)를 포함할 수 있으며, 이는 웹 서버 또는 파일 서버의 일부일 수 있거나, 별도의 애플리케이션, 서비스, 서버, 데몬, 루틴, 또는 클라이언트 디바이스에 전달할 콘텐츠를 선택하기 위한 다른 실행 가능한 로직일 수 있다. 디바이스의 추론된 특성에 기초하여 콘텐츠가 선택될 수 있다. 콘텐츠 서버는 디바이스로부터 콘텐츠에 대한 요청과 함께 클러스터 식별자를 수신할 수 있고, 그 클러스터의 디바이스에 대한 추론된 특성에 기초하여 콘텐츠를 선택할 수 있다. 일부 구현예에서, 콘텐츠 서버는 클러스터 식별자를 집합 클러스터를 표현하는 대응하는 프로필 벡터로 확장하기 위해 분류기 서버(230)로부터 획득된 특이 벡터를 사용할 수 있다. 클러스터의 프로필 벡터는 특정 디바이스의 프로필 벡터와 일치하지 않을 수 있지만 클러스터와 연관된 모든 디바이스의 벡터의 근사치 또는 평균일 수 있다.
도 3은 일부 구현예에 따른, 의사 개인화 클러스터링을 제공하기 위한 익명화 방법의 흐름도이다. 단계(302)에서, 클라이언트 디바이스(200)는 액세스 로그 또는 액세스 로그로부터 생성된 프로필 벡터를 분류기 서버(230)에 제공할 수 있다. 위에서 논의된 바와 같이, 프로필 벡터는 클라이언트 디바이스의 브라우징 또는 액세스 이력에 기초할 수 있으며, 미리 결정된 시간 기간 내에 문자열 또는 어레이의 대응 포지션과 연관된 주소에 대한 하나 이상의 액세스 각각을 표현하는 값을 갖는 n차원 벡터 또는 문자열을 포함할 수 있다.
단계(304)에서, 분류기 서버(230)는 프로필 벡터 또는 클라이언트 디바이스(200)로부터의 로그를 프로필 벡터 또는 하나 이상의 추가 클라이언트 디바이스(200)로부터 획득된 로그를 갖는 행렬로 집합시킬 수 있다. 프로필 벡터는 분류기 서버(230)에 의해 주기적으로 또는 분류기 서버 또는 연관 서버에 의해 제공되는 서비스에 로그인할 때 획득될 수 있다. 단계(302-304)는 복수의 클라이언트 디바이스에 대해 반복될 수 있으며, 이는 314에서 차원 축소를 수행하기 위해 312에서 특이 벡터를 활용할 수 있는 모든 디바이스의 작은 부분일 수 있다. 일부 구현예에서, 단계(302) 내지 단계(312)는 클라이언트 디바이스 상의 연합 학습으로 대체될 수 있고, 분류기 서버(230)는 선택 사항이거나 제거될 수 있다.
단계(306)에서, 분류기 서버(230)는 행렬의 차원 축소 또는 분해를 계산할 수 있다. 분류기 서버는 일부 구현예에서 특이값 분해 알고리즘을 사용할 수 있고, 복수의 특이 벡터 및 차원 감소 행렬을 생성할 수 있다.
단계(308)에서, 분류기 서버는 차원 감소 행렬의 클러스터 경계 또는 클러스터 파라미터를 선택적으로 식별할 수 있다. 분류기 서버는 클러스터를 식별하기 위해 주 컴포넌트 분석 또는 신경 네트워크과 같은 기계 학습 시스템과 같은 적절한 알고리즘을 사용할 수 있다.
단계(310)에서, 일부 구현예에서, 분류기 모델은 식별된 클러스터 및 차원 감소된 프로필 벡터에 기초하여 조정되거나 트레이닝될 수 있다. 트레이닝은 다양한 구현예에서 지도되거나 비지도될 수 있다.
단계(312)에서, 특이 벡터 및 일부 구현예에서 신경 네트워크 모델의 가중치 또는 다른 학습 알고리즘이 클라이언트 디바이스(들)(200) 및 일부 구현예에서 하나 이상의 콘텐츠 서버(250)에 제공될 수 있다.
단계(314)에서, 클라이언트 디바이스(200)는 분류기 서버로부터 수신된 특이 벡터를 사용하여 디바이스의 프로필 벡터 또는 액세스 로그의 차원 감소를 계산할 수 있다. 감소된 차원 벡터는 단계(316)에서 분류기 서버로부터 수신된 모델 파라미터 및 단계(318)에서 결정된 분류를 사용하여 인공 지능 또는 신경 네트워크를 통해 분류될 수 있다. 분류를 결정하는 것은 디바이스의 프로필 벡터에 대한 복수의 클러스터(예를 들어, 분류기 서버에 의해 식별되고 일부 구현예에서 파라미터를 통해 제공됨) 각각에 대한 점수 또는 순위를 계산하는 것을 포함할 수 있다.
단계(320)에서, 클라이언트 디바이스는 콘텐츠 아이템에 대한 요청을 하나 이상의 콘텐츠 서버(250)에 전송할 수 있다. 요청은 디바이스의 프로필 벡터에 대응하는 클러스터의 식별을 포함할 수 있다. 요청은 웹페이지에서 스크립트 실행에 대한 응답으로, 미디어 아이템 또는 미디어 아이템 일부의 재생이 완료된 후, 또는 기타 이러한 상황에 따라 생성될 수 있다.
단계(322)에서, 콘텐츠 서버는 분류기 서버로부터 수신된 분류기 모델 파라미터 및 특이 벡터에 기초하여 클러스터의 특성을 결정할 수 있다. 일부 구현예에서, 콘텐츠 서버는 특이 벡터를 사용하여 클러스터 내의 모든 디바이스의 총 브라우징 이력을 표현하는 프로필 벡터를 계산할 수 있으며, 그 다음 이력의 양태(예를 들어, 웹 페이지 또는 도메인 또는 기타 콘텐츠, 기타 연관된 도메인 또는 웹 페이지 등과 연관된 키워드/토픽)에 기초하여 클러스터의 특성을 추론할 수 있다. 단계(324)에서, 콘텐츠 서버는 콘텐츠 아이템을 선택하기 위해 요청에서 클러스터 식별(또는 위에서 논의된 바와 같이 클러스터와 연관된 추론된 특성)을 사용할 수 있다. 콘텐츠는 단계(326)에서 클라이언트 디바이스에 전송될 수 있고, 클라이언트 디바이스는 단계(328)에서 콘텐츠 아이템을 렌더링하거나 디스플레이할 수 있다.
따라서, 본 명세서에서 논의된 시스템 및 방법은 수백만 또는 수십억 개의 디바이스와 같은 다수의 디바이스의 집합된 브라우징 이력을 통해 콘텐츠 준-개인화 또는 익명화된 콘텐츠 검색을 제공한다. 희소 행렬은 집합된 브라우징 이력으로부터 구성될 수 있으며, 차원적으로 축소되어 엔트로피를 줄이고 개별 디바이스에 대한 익명성을 제공할 수 있다. 콘텐츠 제공자에게 개별 디바이스 세부 정보를 노출하지 않고, 유사한 브라우징 이력을 표현하는 준-개인화된 클러스터를 통해 관련 콘텐츠가 선택될 수 있다.
네트워크 환경에서, 클라이언트 디바이스에서 실행되는 애플리케이션(예: 웹 브라우저)은 콘텐츠 퍼블리셔에 의해 제공된 주된 콘텐츠를 포함하는 정보 리소스(예: 웹 페이지) 및 보충 콘텐츠를 위한 하나 이상의 콘텐츠 슬롯(예: 인라인 프레임)을 수신할 수 있다. 정보 리소스는 콘텐츠 슬롯에 삽입하기 위해 콘텐츠 선택 서비스로부터 콘텐츠 제공자의 콘텐츠 아이템의 검색을 특정하는 코드 스니펫 또는 스크립트(예를 들어, 콘텐츠 선택 태그)를 포함할 수 있다. 정보 리소스의 스크립트를 파싱할 때, 애플리케이션은 콘텐츠 슬롯에 삽입할 콘텐츠 요청을 생성하고, 콘텐츠 선택 서비스에 요청을 송신할 수 있다. 요청의 수신에 응답하여, 콘텐츠 선택 서비스는 콘텐츠 제공자에 의해 제공되는 콘텐츠 아이템 중 하나를 선택하여, 정보 리소스의 콘텐츠 슬롯에 삽입할 수 있다.
콘텐츠 선택 서비스에 의한 콘텐츠 아이템의 선택은 사용자(또는 계정을 통해), 사용자가 운영하는 클라이언트 디바이스 또는 클라이언트 디바이스에서 실행되는 애플리케이션에 고유한 결정론적 추적 식별자의 사용에 의존할 수 있다. 식별자는 클라이언트 디바이스에서 유지되며, 쿠키를 통해 콘텐츠 선택 서비스에서 액세스할 수 있다. 예를 들어, 쿠키는 정보 리소스에 대한 콘텐츠 퍼블리셔의 도메인과 다른 콘텐츠 선택 서비스의 도메인과 연관된 서드파티 쿠키일 수 있다. 정보 리소스의 콘텐츠 슬롯이 콘텐츠 선택 서비스로부터 콘텐츠 검색을 특정하면, 식별자를 포함하는 쿠키가 클라이언트 디바이스로부터 콘텐츠 선택 서비스에 전달될 수 있다. 콘텐츠 선택 서비스는 쿠키를 사용하여 클라이언트 디바이스에서 실행되는 애플리케이션을 통해 사용자가 액세스한 정보 리소스를 추적할 수 있다. 또한, 콘텐츠 선택 서비스는 추적된 정보 리소스에 기초하여 클라이언트 디바이스에서 애플리케이션을 운영하는 사용자와 관련이 있는 것으로 결정된 콘텐츠 아이템을 식별할 수 있다.
이러한 고유한 추적 식별자를 사용하면, 특정한 사용자에 대해 커스터마이징된 콘텐츠 아이템을 선택할 수 있지만, 특히 데이터 보안 및 무결성과 관련하여 많은 단점이 있을 수 있다. 첫째, 사용자는 클라이언트 디바이스와 콘텐츠 선택 서비스 간에 전달되는 사용자 데이터에 대한 데이터 보안 위험에 노출될 수 있다. 예를 들어, 콘텐츠 선택 서비스의 관리자는 사용자의 동의없이 의도적으로 개인 사용자 데이터를 서드 파티에 제공할 수 있다. 또한, 미승인 악성 엔터티들은 전송 중인 서드파티 쿠키를 인터셉트할 수 있으며, 고유 추적 식별자를 사용하여 영향을 받는 클라이언트 디바이스 및 애플리케이션의 온라인 활동을 모니터링할 수 있다. 또 다른 예로, 이러한 식별자를 사용하여 정보 리소스에 액세스하는 정보의 수집은 콘텐츠 선택 서비스의 일부에 데이터 침해의 원인을 발생시킬 수 있다. 예를 들어, 데이터가 우발적으로 유출되거나 수집된 데이터를 유출하기 위한 악의적 인 공격(일부 특정 사용자를 개별적으로 추적할 수 있음)은 사용자의 데이터 프라이버시를 침해할 수 있다.
고유 추적 식별자와 관련된 문제를 해결하는 한 가지 방법은 클라이언트 디바이스의 고유 추적 식별자를 사용하는 서드파티 쿠키를 비활성화하는 것을 포함할 수 있다. 클라이언트 디바이스에서 실행되는 애플리케이션은 고유 추적 식별자의 생성, 유지 관리 또는 콘텐츠 선택 서비스로의 전송을 금지하도록 구성될 수 있다. 그러나 서드파티 쿠키의 제한으로 인해 수많은 다른 문제가 발생할 수 있다. 서드파티 쿠키를 비활성화하면, 콘텐츠 선택 서비스가 애플리케이션을 통해 클라이언트 디바이스가 액세스하는 정보 리소스를 추적하지 못할 수 있다. 이와 같이, 콘텐츠에 대한 요청이 수신되면, 콘텐츠 선택 서비스는 애플리케이션을 동작하는 사용자에 대한 콘텐츠 아이템의 관련성을 결정하는데 이러한 정보를 사용하지 못할 수 있다. 결과적으로, 선택된 콘텐츠 아이템은 추적 식별자를 사용하여 선택된 콘텐츠 아이템보다 클라이언트 디바이스의 사용자에 의한 인터렉션 가능성이 더 낮을 수 있다. 그 결과, 디스플레이를 위해 콘텐츠 아이템이 삽입되는 정보 리소스는 HCI(Human-Computer Interaction)의 품질 저하를 겪을 수 있다.
콘텐츠를 선택할 때 개별 클라이언트 디바이스 또는 애플리케이션을 추적하는 고유 식별자 사용을 금지하는 기술적 문제를 해결하기 위해, 각 애플리케이션은 로컬에서 유지 관리되는 브라우징 이력에 기초하여 여러 클러스터 중 하나로 분류할 수 있다. 유사한 브라우징 패턴으로 애플리케이션을 동작하는 애플리케이션 및 확장 사용자를 동일한 클러스터로 분류할 수 있다. 유사한 브라우징 패턴을 가지고 동일한 클러스터로 분류된 사용자는 유사한 특성과 관심사를 가진 것으로 상관될 수 있으므로, 동일한 콘텐츠 아이템에 대해 유사한 응답을 가질 가능성이 더 높다. 각 클러스터는 많은 수의 연관 사용자(예를 들어, 1000명 이상)를 가질 수 있으므로, 사용자를 클러스터로 분류하는 것은 개별 사용자에게 특정한 특성이 아닐 수 있다.
클러스터 중 하나에 자신을 할당할 때, 애플리케이션은 브라우징 이력을 미리 설정된 수의 차원을 가진 벡터로 변환하거나 인코딩할 수 있다. 벡터는 차원 수가 많고 희소할 수 있다. 예를 들어, 피처 벡터의 한 요소는 특정한 시간 슬롯(예: 특정한 시간 및 요일)에서 사용자가 특정 도메인, 웹 사이트의 섹션, 특정 카테고리의 웹 페이지(예: 휴가) 또는 특정 URL을 방문했는지 여부를 표시할 수 있다. 그 다음, 애플리케이션은 벡터를 더 낮은 차원 공간의 다른 벡터로 매핑하기 위해, 차원 감소 기법(예를 들어, 선형 감소, 비선형 감소 또는 랜덤 투영 기법)을 적용할 수 있다. 그 다음, 애플리케이션은 클러스터링 또는 분류 알고리즘(예를 들어, k-최근접 이웃 알고리즘, 선형 분류, 지원 벡터 머신 및 패턴 인식)을 축소된 벡터에 적용하여 애플리케이션 및 확장 사용자를 할당할 클러스터를 식별할 수 있다. 클러스터링 알고리즘은 애플리케이션 관리자(예: 브라우저 공급업체)에 의해 제공되고 업데이트될 수 있다.
클러스터링 알고리즘을 사용하여 클러스터를 찾으면, 애플리케이션은 클러스터에 대한 클러스터 식별자(클래스 식별자 또는 브라우징 이력 식별자라고도 함)를 식별할 수 있다. 클러스터 식별자는 애플리케이션 관리자가 각 클러스터에 할당될 수 있으며 애플리케이션 및 콘텐츠 선택 서비스에 제공될 수 있다. 고유 결정론적 추적 식별자와 달리, 클러스터 식별자는 개별 사용자, 애플리케이션 또는 클라이언트 디바이스에 특정하지 않을 수 있다. 여러 사용자가 동일한 클러스터로 분류될 수 있으므로, 클러스터 식별자는 브라우징 패턴이 유사한 다수의 사용자, 애플리케이션 또는 클라이언트 디바이스간에 공통될 수 있다. 클러스터 식별자는 다수의 사용자 간에 공유되기 때문에, 클러스터 식별자는 개별 사용자에게 할당된 고유 추적 식별자보다 낮은 엔트로피를 가질 수 있다. 예를 들어, 모든 인터넷 사용자에 대한 결정론적 고유 추적 식별자는 30비트 이상의 엔트로피를 가질 수 있는 반면, 클러스터 식별자는 18~22 비트의 엔트로피로 설정될 수 있다. 엔트로피가 낮으면 클러스터 식별자 자체의 길이와 크기가 고유한 추적 식별자보다 작을 수 있다.
콘텐츠 슬롯이 있는 정보 리소스가 수신되면, 애플리케이션은 고유 추적 식별자 대신 콘텐츠 슬롯에 대한 콘텐츠 요청에 클러스터 식별자를 포함시키고, 콘텐츠 선택 서비스에 요청을 보낼 수 있다. 데이터 보안 및 무결성을 높이고 클러스터 식별자 및 관련 정보의 유출 가능성을 줄이기 위해 추가 보호 조치를 채택할 수 있다. 네트워크를 통해 전송하는 동안 클러스터 식별자의 인터셉트를 보호하기 위해 애플리케이션은 HTTPS(Hypertext Transfer Protocol Secure) 프로토콜과 같은 암호화 프로토콜을 사용할 수 있다. 또한, 클라이언트 디바이스에서 유지되는 클러스터 식별자를 보호하기 위해, 애플리케이션은 다른 클라이언트 측 프로세스(예: 정보 리소스의 JavaScript)가 클러스터 식별자에 액세스하는 것을 제한할 수 있다. 예를 들어, 클러스터 식별자에 대한 액세스를 방지하기 위해 클라이언트 디바이스에서 유지 관리되는 보안 플래그 또는 HTTP 전용 플래그 쿠키에 클러스터 식별자를 포함할 수 있다. 이는 이러한 액세스 제어가 없는 서드파티 쿠키와 대조될 수 있다.
요청 수신에 응답하여, 콘텐츠 선택 서비스는 클러스터 식별자를 사용하여 콘텐츠 아이템 중 하나를 선택할 수 있다. 콘텐츠 선택 서비스는 클러스터에 대한 클러스터 식별자가 포함된 콘텐츠에 대한 이전 요청을 사용하여, 클러스터로 분류된 사용자의 브라우징 이력을 누적할 수 있다. 클러스터에 대한 누적된 이력에 프로파일링 모델을 적용하여, 콘텐츠 선택 서비스는 클러스터 내 사용자의 특성과 관심사를 추론할 수 있다. 프로파일링 모델의 결과로, 콘텐츠 선택 서비스는 요청과 연관된 사용자가 분류된 클러스터와 관련이 있다고 결정된 콘텐츠 아이템을 찾을 수 있다.
클러스터 식별자를 사용함으로써, 클라이언트 디바이스에 유지되는 애플리케이션의 브라우징 이력은 특정 사용자, 애플리케이션 또는 클라이언트 디바이스에 대한 브라우징 이력을 추적할 수 있도록 콘텐츠 선택 서비스에 의해 액세스되는 것을 방지할 수 있다. 또한 콘텐츠 선택 서비스는 상세한 브라우징 이력을 수집하기 위해 서로 다른 도메인에서 개별 사용자, 애플리케이션 또는 클라이언트 디바이스를 추적하지 못할 수 있다. 대신, 콘텐츠 선택 서비스는 애플리케이션에서 수신한 클러스터 식별자와 연관된 특정 사용자 클러스터에 대한 브라우징 이력을 집합시킬 수 있다. 집합에서, 콘텐츠 선택 서비스는 동일한 클러스터의 다른 사용자로부터 브라우저 이력들을 통합하여 개별 사용자의 데이터 프라이버시를 보호할 수 있다. 각 클러스터에 할당할 사용자 수를 설정하여, 데이터 프라이버시 수준도 제어할 수 있다.
또한 동일한 클러스터의 사용자가 유사한 브라우징 패턴을 갖는다는 가정하에, 콘텐츠 선택 서비스는 클러스터에 대해 집합된 브라우징 기록에 기초하여 동일한 클러스터의 사용자에 대한 유사한 특성과 관심사를 추정하고 결정할 수 있다. 콘텐츠 선택 서비스는 동일한 클러스터의 사용자가 유사하게 응답할 것으로 예상하여 콘텐츠 아이템을 추가로 선택할 수 있다. 이러한 방식으로, 개별 사용자의 브라우징 이력에 대한 데이터 보안, 무결성 및 개인 정보를 유지할 수 있다. 동시에, 콘텐츠 아이템 선택의 관련성을 결정하는 기능을 통해, 선택한 콘텐츠 아이템 또는 전체 정보 리소스와의 HCI(Human-Computer Interaction) 품질이 유지될 수 있다.
이제 도 4를 참조하면, 도시된 것은 분류 모델을 사용하여 콘텐츠를 선택하기 위한 식별자를 인코딩하기 위한 컴퓨터 네트워크 환경 또는 시스템(400)의 하나의 구현예를 도시하는 블록도이다. 개요에서, 시스템(400)은 시스템(400)의 컴포넌트 간의 통신을 위한 적어도 하나의 네트워크(405)를 포함할 수 있다. 시스템(400)은 적어도 하나의 애플리케이션(예를 들어, 브라우저)에 대한 서비스를 제공하기 위해 적어도 하나의 애플리케이션 관리자 서비스(410)(본 명세서에서 브라우저 벤더라고도 함)를 포함할 수 있다. 시스템(400)은 콘텐츠 아이템을 제공하기 위한 적어도 하나의 콘텐츠 제공자(415)를 포함할 수 있다. 시스템(400)은 정보 리소스를 제공하기 위한 적어도 하나의 콘텐츠 퍼블리셔(420)를 포함할 수 있다. 시스템(400)은 콘텐츠 아이템을 선택하기 위한 적어도 하나의 콘텐츠 선택 서비스(425)를 포함할 수 있다. 시스템(400)은 하나 이상의 클라이언트 디바이스(430A-N)(본 명세서에서 일반적으로 클라이언트 디바이스(430)로 지칭됨)를 포함할 수 있다. 각각의 클라이언트 디바이스(430)는 적어도 하나의 애플리케이션(435A-N)(본 명세서에서는 일반적으로 애플리케이션(435)으로 지칭됨)을 포함할 수 있다. 시스템(400)의 각 컴포넌트(예: 네트워크(405), 애플리케이션 관리자 서비스(410) 및 그 컴포넌트, 콘텐츠 제공자(415) 및 그 컴포넌트, 콘텐츠 퍼블리셔(420) 및 그 컴포넌트, 콘텐츠 선택 서비스(425) 및 그 컴포넌트, 클라이언트 디바이스(430) 및 그 컴포넌트)는 도 9와 관련하여 본 명세서에서 상세히 설명된 컴퓨팅 시스템(900)의 컴포넌트를 사용하여 구현될 수 있다.
더 상세하게는, 시스템(400)의 네트워크(405)는 애플리케이션 관리자 서비스(410), 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420), 콘텐츠 선택 서비스(425) 및 클라이언트 디바이스(430)를 서로 통신적으로 결합할 수 있다. 시스템(400)의 애플리케이션 관리자 서비스(410), 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420) 및 콘텐츠 선택 서비스(425)는 네트워크(405)를 통해 다른 것과 통신적으로 연결된 적어도 하나의 데이터 센터 또는 서버 팜에 위치한 복수의 서버를 각각 포함할 수 있다. 애플리케이션 관리자 서비스(410)는 네트워크(405)를 통해 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420), 콘텐츠 선택 서비스(425) 및 클라이언트 디바이스(430)와 통신할 수 있다. 콘텐츠 제공자(415)는 네트워크(405)를 통해 애플리케이션 관리자 서비스(410), 콘텐츠 퍼블리셔(420), 콘텐츠 선택 서비스(425) 및 클라이언트 디바이스(430)와 통신할 수 있다. 콘텐츠 퍼블리셔(420)는 네트워크(405)를 통해 애플리케이션 관리자 서비스(410), 콘텐츠 퍼블리셔(420), 콘텐츠 선택 서비스(425) 및 클라이언트 디바이스(430)와 통신할 수 있다. 콘텐츠 선택 서비스(425)는 네트워크(405)를 통해 애플리케이션 관리자 서비스(410), 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420) 및 클라이언트 디바이스(430)와 통신할 수 있다. 각각의 클라이언트 디바이스(430)는 네트워크(405)를 통해 애플리케이션 관리자 서비스(410), 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420) 및 콘텐츠 선택 서비스(425)와 통신할 수 있다.
애플리케이션 관리자 서비스(410)는 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)에 리소스 및 업데이트를 제공하기 위해 애플리케이션 벤더(때때로 브라우저 벤더라고 함)에 의해 운영되는 서버 또는 다른 컴퓨팅 디바이스를 포함할 수 있다. 예를 들어, 애플리케이션 관리자 서비스(410)는 클라이언트 디바이스(430)에 설치하기 위한 애플리케이션(435)을 제공할 수 있다. 애플리케이션 관리자 서비스(410)는 또한 클라이언트 디바이스(430)에 설치된 애플리케이션(435)에 업데이트를 제공할 수 있다. 업데이트는 애플리케이션(435)의 서브 컴포넌트 중 적어도 하나에 영향을 미칠 수 있다. 애플리케이션 관리자 서비스(410)는 또한 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)의 기능을 증가시키기 위해 애플리케이션(435)에 플러그인 또는 애드온을 제공할 수 있다. 애플리케이션 관리자 서비스(410)는 클라이언트 디바이스(430)에서 실행 중인 애플리케이션(435)에 대한 정보를 제공하기 위해 콘텐츠 선택 서비스(425)와 통신할 수 있다. 애플리케이션(435) 및 관련 파일 또는 데이터의 제공은 네트워크(405)를 통해 애플리케이션 관리자 서비스(410)에 의해 통신될 수 있다.
콘텐츠 제공자(415)는 클라이언트 디바이스(430)에서 정보 리소스에 디스플레이하기 위한 콘텐츠 아이템들을 제공하기 위해 콘텐츠 제공자 엔터티에 의해 동작되는 서버 또는 다른 컴퓨팅 디바이스들을 포함할 수 있다. 콘텐츠 제공자(415)에 의해 제공되는 콘텐츠는 임의의 편리한 형태를 취할 수 있다. 예를 들어, 서드 파티 콘텐츠는 다른 디스플레이된 콘텐츠와 관련된 콘텐츠를 포함할 수 있으며, 예를 들어, 디스플레이된 콘텐츠와 관련된 웹사이트의 페이지들일 수 있다. 콘텐츠는 콘텐츠 퍼블리셔(420)에 의해 제공되는 주요 콘텐츠를 포함하는 정보 리소스와 같은 정보 리소스 상에 디스플레이하기 위한 서드 파티 콘텐츠 아이템 또는 창작물(예를 들어, 광고)을 포함할 수 있다. 콘텐츠 아이템들은 검색 결과 웹페이지에도 디스플레이될 수 있다. 예를 들어, 콘텐츠 제공자(415)는 웹페이지의 주요 콘텐츠가 그 회사에 의해 제공되는 회사의 웹페이지와 같은 정보 리소스(450)의 콘텐츠 슬롯들(인라인 프레임 엘리먼트들)에 디스플레이하기 위한 또는 검색 엔진에 의해 제공된 검색 결과들 랜딩 페이지에 디스플레이하기 위한 콘텐츠 아이템들(455)의 소스를 제공하거나 그 소스일 수 있다. 콘텐츠 제공자(415)와 연관된 콘텐츠 아이템들은 스마트폰 또는 다른 클라이언트 디바이스(430)에서 어플리케이션 실행의 일부로서 디스플레이된 콘텐츠와 같이 웹페이지들이 아닌 정보 리소스들에 디스플레이될 수 있다.
콘텐츠 제공자(420)는 네트워크(405)를 통해 디스플레이하기 위한 주요 콘텐츠를 포함하는 정보 리소스를 제공하기 위해 콘텐츠 퍼블리싱 엔터티에 의해 동작되는 서버들 또는 다른 컴퓨팅 디바이스들을 포함할 수 있다. 예를 들어, 콘텐츠 퍼블리셔(420)는 정보 리소스에 디스플레이하기 위한 주요(primary) 콘텐츠를 제공하는 웹페이지 운영자를 포함할 수 있다. 정보 리소스는 콘텐츠 퍼블리셔(420)에 의해 제공되는 것과 다른 콘텐츠를 포함할 수 있고, 정보 리소스는 콘텐츠 제공자(415)로부터의 콘텐츠 아이템들의 디스플레이를 위해 구성된 콘텐츠 슬롯들을 포함할 수 있다. 예를 들어, 콘텐츠 퍼블리셔(420)는 회사의 웹사이트를 운영할 수 있고, 웹사이트의 웹페이지에 디스플레이하기 위해 그 회사에 관한 콘텐츠를 제공할 수 있다. 웹페이지들은 콘텐츠 제공자(415) 또는 콘텐츠 퍼블리셔(420) 그 자신에 의해 제공된 콘텐츠 아이템들의 디스플레이를 위해 구성된 콘텐츠 슬롯들을 포함할 수 있다. 일부 구현예에서, 콘텐츠 퍼블리셔(420)는 검색 엔진 웹사이트를 운영하는 검색 엔진 운영자의 검색 엔진 컴퓨팅 디바이스(예를 들어, 서버)를 포함한다. 검색 엔진 웹페이지의 주요 콘텐츠(예를 들어, 결과 또는 랜딩 웹페이지)는 검색 결과뿐만 아니라 콘텐츠 제공자(415)로부터의 콘텐츠 아이템들과 같은 정보 리소스의 콘텐츠 슬롯들에 디스플레이된 서드 파티 콘텐츠 아이템들을 포함할 수 있다. 일부 구현예에서, 콘텐츠 퍼블리셔(420)는 비디오 콘텐츠를 제공하기 위한 하나 이상의 서버들을 포함할 수 있다.
콘텐츠 선택 서비스(425)는 네트워크(405)를 통해 정보 리소스의 콘텐츠 슬롯에 삽입하기 위한 콘텐츠 아이템을 선택하거나 식별하기 위해 콘텐츠 배치 엔터티에 의해 동작되는 서버 또는 다른 컴퓨팅 디바이스를 포함할 수 있다. 일부 구현예에서, 콘텐츠 선택 서비스(425)는 콘텐츠 배치 시스템(예: 온라인 광고 서버)을 포함할 수 있다. 콘텐츠 선택 서비스(425)는 정보 리소스의 콘텐츠 슬롯에 삽입하기 위해 네트워크(405)를 통해 제공하기 위해 선택할 콘텐츠 아이템의 인벤토리를 유지할 수 있다. 인벤토리는 콘텐츠 선택 서비스(425)에 액세스할 수 있는 데이터베이스에 유지될 수 있다. 콘텐츠 아이템 또는 콘텐츠 아이템에 대한 식별자(예를 들어, 주소)는 콘텐츠 제공자(415)에 의해 제공될 수 있다.
각 클라이언트 디바이스(430)는 데이터를 디스플레이하기 위해 네트워크(405)를 통해 통신하는 컴퓨팅 디바이스일 수 있다. 디스플레이되는 데이터는 콘텐츠 퍼블리셔(420)에 의해 제공된 콘텐츠(예: 정보 리소스) 및 콘텐츠 제공자(415)에 의해 제공된 콘텐츠(예: 정보 리소스의 콘텐츠 슬롯에 디스플레이하기 위한 콘텐츠 아이템)을 콘텐츠 선택 서비스(425)에 의해 식별된 것으로서 포함할 수 있다. 클라이언트 디바이스(430)는 데스크톱 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트폰, 개인 휴대 정보 단말기, 모바일 디바이스, 컨슈머 컴퓨팅 디바이스, 서버, 클라이언트, 디지털 비디오 레코더, 텔레비전용 셋톱 박스, 비디오 게임 콘솔 또는 네트워크(405)를 통해 통신하도록 구성된 임의의 기타 컴퓨팅 디바이스일 수 있다. 클라이언트 디바이스(430)는 데스크톱 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트폰, 개인 휴대 정보 단말기, 모바일 디바이스, 컨슈머 컴퓨팅 디바이스, 서버, 클라이언트, 디지털 비디오 레코더, 텔레비전용 셋톱 박스, 비디오 게임 콘솔 또는 네트워크(405)를 통해 통신하도록 구성된 임의의 기타 컴퓨팅 디바이스일 수 있다. 요청은 검색 엔진에 대한 요청일 수 있으며, 요청에는 검색 쿼리가 포함될 수 있다. 일부 구현예에서, 요청은 웹페이지에 대한 액세스 요청을 포함할 수 있다.
클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)은 예를 들어 인터넷 브라우저, 모바일 애플리케이션, 또는 클라이언트 디바이스(430)에 제공된 컴퓨터 실행가능 명령어, 예컨대 정보 리소스 및 콘텐츠 아이템에 포함된 컴퓨터 실행가능 명령어를 실행 또는 호출할 수 있는 임의의 다른 컴퓨터 프로그램을 포함할 수 있다. 그에 포함된 정보 리소스는 스크립트, 로직, 마크업 또는 명령어(HTML(HyperText Markup Language), XHTML(Extensible HyperText Markup Language), XML(Extensible Markup Language), CSS(Cascading Style Sheets) 및 JavaScript 또는 이들의 조합)에 대응할 수 있다. 정보 리소스의 콘텐츠 슬롯에 콘텐츠 아이템이 삽입될 수 있다.
이제 도 5를 참조하면, 도시된 것은 시스템(400)에서 클라이언트 디바이스(430) 및 애플리케이션 관리 서비스(410)의 하나의 구현예를 나타내는 블록도이다. 개요에서, 애플리케이션 관리자 서비스(410)는 브라우징 패턴에 기초하여 애플리케이션(435)을 분류하기 위해 적어도 하나의 분류 모델(500)을 포함할 수 있다. 애플리케이션 관리자 서비스(410)는 적어도 하나의 분류 모델(500)을 트레이닝하고 유지하기 위해 적어도 하나의 모델 트레이너(505)를 포함할 수 있다. 애플리케이션 관리자 서비스(410)는 분류 모델(500)을 변경 또는 조정하기 위한 적어도 하나의 모델 업데이터(510)를 포함할 수 있다. 애플리케이션 관리자 서비스(410)는 클래스 식별자 세트(520A-N)(본 명세서에서 일반적으로 클래스 식별자(520)로 지칭됨)를 저장하고 유지하기 위해 적어도 하나의 데이터베이스(515)를 포함할 수 있다. 각 클라이언트 디바이스(430) 상의 애플리케이션(435)은 브라우징 패턴에 기초하여 애플리케이션(435)을 분류하기 위해 적어도 하나의 분류 모델(500)을 포함할 수 있다. 애플리케이션(435)은 분류 모델(500)을 트레이닝하고 유지하기 위해 적어도 하나의 모델 트레이너(505)를 포함할 수 있다. 애플리케이션(435)은 애플리케이션(435)을 분류하기 위해 분류 모델(500)을 사용하기 위한 적어도 하나의 모델 적용기(525)를 포함할 수 있다. 모델 트레이너(505) 및 모델 적용기(525)는 애플리케이션(435)의 필수 부분, 애플리케이션(435)에 대한 애드온 또는 플러그인, 또는 애플리케이션(435)과 인터페이싱하는 별개의 애플리케이션일 수 있다. 애플리케이션(435)은 하나 이상의 아이템(535A-N)(본 명세서에서 일반적으로 엔트리(535)으로 지칭됨)을 유지 및 저장하기 위해 적어도 하나의 브라우징 이력(530)를 포함할 수 있다. 애플리케이션(435)은 애플리케이션(435)에 대한 적어도 하나의 클래스 식별자(520)를 유지하고 저장하기 위해 적어도 하나의 식별자 캐시(540)를 포함할 수 있다.
더 구체적으로, 분류 모델(500)은 브라우징 이력(530)에 기초하여 각각의 애플리케이션(435)(또는 애플리케이션(435)을 실행하는 각 클라이언트 디바이스(430) 또는 애플리케이션(435)과 연관된 계정)을 분류, 그룹화 또는 카테고리화될 수 있다. 클라이언트 디바이스(430) 상의 애플리케이션(435)의 분류는 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)의 인스턴스의 분류를 표시할 수 있다. 예를 들어, 하나의 클라이언트 디바이스(430)에서 실행되는 하나의 애플리케이션(435)(예를 들어, 웹 브라우저)의 인스턴스 및 다른 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)의 다른 인스턴스(예를 들어, 동일한 유형의 웹 브라우저)가 있을 수 있다. 두 인스턴스는 동일한 카테고리 또는 다른 카테고리로 분류될 수 있다. 또한, 애플리케이션(435)의 분류는 확장에 의해 애플리케이션(435)을 동작하는 계정 또는 사용자에 의해 동작되는 클라이언트 디바이스(430)와 연관된 사용자의 분류에 대응하거나 이를 포함할 수 있다.
분류 모델(500)은 분류 또는 클러스터링 모델 또는 알고리즘일 수 있다. 분류 모델(500)은 선형 분류기(예를 들어, 선형 회귀, 로지스틱 회귀 및 나이브 베이즈 분류기), SVM(support vector machine), 2차 분류기, k-최근접 이웃 알고리즘 및 인공 신경 네트워크(ANN) 등)와 같은 분류 알고리즘을 포함할 수 있다. 분류 모델(500)은 중심 기반 클러스터링 알고리즘(예를 들어, k-평균 알고리즘 또는 기대 최대화(EM) 알고리즘), 밀도 기반 클러스터링 알고리즘(예를 들어, 노이즈 포함 애플리케이션(DBSCAN)의 밀도 기반 공간 클러스터링), 분포 기반 클러스터링 알고리즘(예: 가우스 혼합 모델) 및 인공 신경 네트워크(ANN) 등과 같은 클러스터링 모델을 포함할 수 있다. 분류 모델(500)은 또한 특히 지역-민감 해싱 방식(예를 들어, MinHash, SimHash 및 Nilsimsa Hash)과 같은 해시 함수를 포함할 수 있다.
분류 모델(500)은 분류 또는 클러스터링 모델 및 알고리즘 중 임의의 것에 따라 입력 세트, 파라미터 세트 및 출력 세트를 포함할 수 있다. 입력 세트는 브라우징 이력(530)의 엔트리(535)를 받아들이거나 포함할 수 있다. 일부 구현예에서, 입력 세트는 브라우징 이력(530)의 엔트리(535)의 축소된 차원 표현을 받아들이거나 포함할 수 있다. 파라미터(또는 가중치) 세트는 입력 세트를 출력 세트와 연결하거나 관련시킬 수 있다. 일부 구현예에서, 파라미터 세트는 다수의 클래스 및 각 클래스에 대한 값을 포함할 수 있다. 예를 들어, 파라미터 세트는 각 클래스에 대한 k-평균 클러스터링의 중심일 수 있다. 다른 예에서, 파라미터 세트는 각 클래스와 관련된 값의 범위를 포함할 수 있다. 클래스의 수는 클래스 식별자(520)의 수와 동일할 수 있다. 클래스의 수 및 클래스 식별자의 수(520)는 미리 결정되거나(예를 들어, 고정된 값으로) 동적으로 결정될 수 있다. 출력 세트는 클래스 식별자(520) 중 하나에 대응하는 클래스를 생성하거나 포함할 수 있다. 출력 세트는 클래스 식별자(520) 자체 중 하나를 포함할 수 있다. 예를 들어, 클래스 식별자(520)는 해시 함수를 사용하여 계산된 해시 값일 수 있다. 각각의 클래스 식별자(520)는 영숫자 문자 세트 또는 숫자 값(예를 들어, 정수 또는 이진수)이거나 이를 포함할 수 있다.
애플리케이션 관리자 서비스(410)에서 실행되는 모델 트레이너(505)는 분류 모델(500)을 트레이닝할 수 있다. 모델 트레이너(505)는 분류 모델(500)을 트레이닝하기 위해 트레이닝 데이터 세트를 사용할 수 있다. 분류 모델(500)의 트레이닝은 비지도 학습 기법에 따를 수 있다. 트레이닝 데이터 세트는 클라이언트 디바이스의 샘플 세트(430)에서 실행되는 애플리케이션의 샘플 세트(435)로부터의 샘플 브라우징 이력(530)를 포함할 수 있다. 일부 구현예에서, 모델 트레이너(505)는 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420), 콘텐츠 선택 서비스(425), 또는 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)으로부터 샘플 브라우징 이력(530)를 획득하고 축적할 수 있다. 트레이닝 전에, 모델 트레이너(505)는 분류 모델(500)에 대한 클래스의 수를 식별할 수 있다. 일부 실시예에서, 클래스의 수는 애플리케이션 관리자 서비스(410)의 관리자에 의해 미리 결정되거나 할당될 수 있다. 일부 구현예에서, 클래스의 수는 애플리케이션(435)을 갖는 클라이언트 디바이스(430)의 수에 기초하여 모델 트레이너(505)에 의해 결정될 수 있다. 예를 들어, 클래스 수는 클라이언트 디바이스(430)(예를 들어, 800~1000개의 디바이스)가 각 클래스에 할당되도록 설정될 수 있다.
분류 모델(500)을 트레이닝할 때, 모델 트레이너(505)는 트레이닝 데이터 세트를 사용하여 분류 모델(500)에서 파라미터의 값(예를 들어, 각 클래스에 대한 값)을 변경, 조정 또는 다르게 설정할 수 있다. 각 반복에서, 모델 트레이너(505)는 파라미터의 값 세트의 변화에 기초하여 분류 모델(500)이 이전 반복에 대해 수렴했는지 여부를 결정할 수 있다. 일부 구현예에서, 모델 트레이너(505)는 분류 모델(500)에 대한 파라미터의 값 세트의 변화를 수렴 임계치와 비교할 수 있다. 변화가 수렴 임계치보다 작으면, 모델 트레이너(505)는 분류 모델(500)이 수렴했다고 결정할 수 있다. 그렇지 않으면, 변화가 수렴 임계치보다 크면, 모델 트레이너(505)는 분류 모델(500)이 수렴하지 않았다고 결정할 수 있다. 분류 모델(500)이 수렴되지 않은 것으로 결정되면, 모델 트레이너(505)는 분류 모델(500)을 계속 트레이닝할 수 있다.
그렇지 않으면, 분류 모델(500)이 수렴된 것으로 결정되면, 모델 트레이너(505)는 분류 모델(500)의 트레이닝을 종료, 중지 또는 중단할 수 있다. 모델 트레이너(505)는 애플리케이션 관리자 서비스(410)에 분류 모델(500)을 저장할 수 있다. 또한, 모델 트레이너(505)는 분류 모델(500)을 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)에 전송하거나 송신할 수 있다. 일부 구현예에서, 모델 트레이너(505)는 분류 모델(500)에 대한 파라미터 세트를 전송하거나 송신할 수 있다. 분류 모델(500)의 각 클래스에 대해, 모델 트레이너(505)는 클래스를 식별, 할당 또는 그렇지 않으면 대응하는 클래스 식별자(520)에 연관시킬 수 있다. 클래스 식별자(520)는 클래스를 참조하기 위한 영숫자 문자 세트일 수 있다. 분류 모델(500)은 각 클래스를 대응하는 클래스 식별자(520)에 연관시킬 수 있다. 모델 트레이너(505)는 클래스 식별자 세트(520)를 각 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435) 및 콘텐츠 선택 서비스(425)에 전송하고 제공할 수 있다.
클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)의 모델 트레이너(505)는 또한 분류 모델(500)을 트레이닝할 수 있다. 일부 구현예에서, 모델 트레이너(505)는 분류 모델(500)을 트레이닝하기 위해 분산 학습 프로토콜을 사용할 수 있다. 분산 학습 프로토콜은 네트워크(405)를 통해 통신하는 다른 클라이언트 디바이스(430) 및 애플리케이션 관리자 서비스(410)에서 실행되는 애플리케이션(435)과 협력할 수 있다. 분산 학습 프로토콜은 예를 들어, 분류 모델(500)을 트레이닝하기 위해 최적화 알고리즘(예를 들어, 확률적 경사 하강법(SGD) 또는 평균화)을 사용하는 연합 학습을 포함할 수 있다. 클래스의 수 및 클래스 식별자(520)의 수는 미리 결정될 수 있거나(예를 들어, 고정된 값으로) 전술한 바와 같이 동적으로 결정될 수 있다. 각각의 반복 동안, 각각의 모델 트레이너(505)는 트레이닝 데이터 세트를 사용하여 분류 모델(500)에서 파라미터의 값(예를 들어, 각 클래스에 대한 값)을 변경, 조정 또는 다르게 설정할 수 있다. 반복의 끝에서, 각 모델 트레이너(505)는 분류 모델(500)에서 파라미터의 값(예를 들어, 각 클래스에 대한 값)을 서로 제공할 수 있다. 모델 트레이너(505)는 파라미터의 수신된 값을 사용하여 로컬적으로 유지되는 분류 모델(500) 상의 파라미터를 조정, 변경 또는 설정할 수 있다. 모델 트레이너(505)는 위에서 논의된 바와 같이 파라미터들의 값의 세트의 변화에 기초하여 분류 모델(500)이 이전 반복에 대해 수렴했다는 결정이 있을 때까지 반복을 반복할 수 있다.
애플리케이션 관리자 서비스(410)에서 실행되는 모델 업데이터(510)는 애플리케이션(435)에서 실행되는 각 클라이언트 디바이스(430)에서 유지되는 분류 모델(500)에 업데이트를 제공하거나 송신할 수 있다. 모델 업데이터(510)는 모델 업데이트 정책에 따라 분류 모델(500)의 업데이트 여부를 결정할 수 있다. 모델 업데이트 정책은 분류 모델(500)이 업데이트되는 조건 세트를 특정할 수 있다. 일부 구현예에서, 모델 업데이트 정책은 분류 모델(500)을 업데이트할 시간을 나타내는 스케줄을 포함할 수 있다. 모델 업데이트 정책은 분류 모델(500)이 각 클래스에 할당된 애플리케이션(435)의 수가 균등하게 분산되지 않을 때 업데이트되도록 지정할 수 있다(예를 들어, 클래스 크기의 차이가 서로 클래스의 5% 내지 100% 이내). 모델 업데이트 정책은 누적된 추가 브라우징 이력(530)의 양이 임계량을 충족하는 경우 분류 모델(500)이 업데이트되도록 특정할 수 있다. 분류 모델(500)을 업데이트하지 않을 것으로 결정되면, 모델 업데이터(510)는 분류 모델(500)을 유지할 수 있다.
다른 한편으로, 업데이트하기로 결정하면, 모델 업데이터(510)는 분류 모델(500)을 재트레이닝하기 위해 모델 트레이너(505)(애플리케이션 관리자 서비스(410)에서 또는 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)에 걸쳐)를 호출할 수 있다. 일부 구현예에서, 모델 업데이터(510)는 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420), 콘텐츠 선택 서비스(425), 또는 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)으로부터 트레이닝 데이터 세트에 대한 브라우징 이력(530)를 누적할 수 있다. 모델 업데이터(510)는 누적된 브라우징 이력(530)를 모델 트레이너(505)에 전달하여 분류 모델(500)을 재트레이닝할 수 있다. 분류 모델(500)이 수렴되었다고 결정하면, 모델 트레이너(505)는 분류 모델(500)의 트레이닝을 종료, 중지 또는 중단할 수 있다. 모델 업데이터(510)는 새로 트레이닝된 분류 모델(500)(또는 분류 모델(500)에 대한 파라미터 세트)을 각각의 애플리케이션(435)으로 전송하거나 송신하여 분류 모델(500)을 업데이트할 수 있다. 모델 업데이터(510)는 클래스 식별자 세트(520)를 각각의 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435) 및 콘텐츠 선택 서비스(425)에 전송하고 제공할 수 있다.
클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)의 모델 적용기(525)는 네트워크(405)를 통해 애플리케이션 관리자 서비스(410)로부터 분류 모델(500)을 수신할 수 있다. 수신되면, 모델 적용기(525)는 클라이언트 디바이스(430)에 분류 모델(500)을 저장 및 유지할 수 있다. 일부 구현예에서, 모델 적용기(525)는 애플리케이션 관리자 서비스(410)로부터 분류 모델(500)에 대한 파라미터 세트를 수신할 수 있다. 파라미터 세트의 수신은 분류 모델(500)을 업데이트할 수 있다. 수신시, 모델 적용기(525)는 수신된 파라미터 세트를 사용하여 분류 모델(500)을 변경, 구성 또는 수정할 수 있다. 또한, 모델 적용기(525)는 애플리케이션 관리자 서비스(410)로부터 분류 모델(500)의 클래스에 대한 클래스 식별자 세트(520)를 수신할 수 있다. 클래스 식별자(520)의 수신은 분류 모델(500)의 업데이트의 일부일 수 있다.
분류 모델(500)의 구성으로, 모델 적용기(525)는 애플리케이션(435)에 의해 클라이언트 디바이스(430)에 유지되는 브라우징 이력(530)를 식별할 수 있다. 애플리케이션(435)은 정보 리소스가 액세스될 때마다 엔트리(535)를 생성함으로써 브라우징 이력(530)를 유지할 수 있다. 브라우징 이력(530)은 정보 리소스(예를 들어, 웹 페이지) 및 애플리케이션(435)을 통해 액세스된 다른 온라인 콘텐츠를 기록할 수 있다. 브라우징 이력(530)는 엔트리 세트(535)를 포함할 수 있다. 각각의 엔트리(535)는 액세스된 정보 리소스에 대한 주소(예를 들어, 웹 페이지에 대한 호스트 이름 및 경로 이름을 포함하는 URL(Uniform Resource Locator)) 및 정보 리소스가 액세스된 시간을 나타내는 타임스탬프를 포함할 수 있다. 엔트리 세트(535)는 브라우징 이력(530) 내의 정보 리소스에 대한 타임스탬프 또는 주소에 의해 인덱싱될 수 있다. 일부 구현예에서, 모델 적용기(525)는 모델 적용기(525)에 의해 추가 프로세싱되는 시간 범위에 걸쳐 브라우징 이력(530)의 일부를 식별할 수 있다. 브라우징 이력(530)의 부분은 시간 범위 내의 타임스탬프를 갖는 엔트리(535)의 서브세트를 포함할 수 있다. 예를 들어, 시간 범위는 현재 시간에서 아이템(535)의 한 주 분량일 수 있다.
브라우징 이력(530)를 식별할 때, 모델 적용기(535)는 브라우징 이력(530)의 엔트리(535)를 사용하여 피처 벡터 세트를 형성하거나 생성할 수 있다. 피처 벡터 세트는 분류 모델(500)에 대한 입력으로 사용될 수 있다. 피처 벡터 세트는 차원을 포함하거나 정의할 수 있다. 차원은 시간 범위(예: 하루 중 시간 또는 요일) 및 주소 속성(예: 도메인 이름, 웹 사이트 섹션, 주제 카테고리 또는 주소 자체)을 포함할 수 있다. 각각의 피처 벡터는 대응하는 엔트리(535)와 연관된 타임스탬프에 기초하여 시간 범위 중 적어도 하나와 연관될 수 있다. 각각의 피처 벡터는 대응하는 엔트리(535)에서 식별된 정보 리소스에 대한 주소에 기초하여 정보 리소스에 대한 주소 속성 중 적어도 하나와 연관될 수 있다. 일부 구현예에서, 모델 적용기(535)는 브라우징 이력(530)의 엔트리(535)를 시간 범위 및 주소 속성에 의해 정의된 피처 벡터의 차원에 투영함으로써 피처 벡터 세트를 생성할 수 있다. 브라우징 이력(530)의 각 엔트리(535)에 대해, 모델 적용기(535)는 아이템(535)의 주소 및 타임스탬프에 기초하여 기존 피처 벡터가 존재하는지 여부를 식별할 수 있다. 식별하기 위해, 모델 적용기(525)는 엔트리(535)가 임의의 기존 피처 벡터와 일치하는지 여부를 결정할 수 있다. 기존 피처 벡터가 존재할 때, 모델 적용기(535)는 피처 벡터에 엔트리(535)를 추가할 수 있다. 반대로, 기존 피처 벡터가 존재하지 않는 경우, 모델 적용기(535)는 엔트리(535)에 대한 새로운 피처 벡터를 생성할 수 있다.
모델 적용기(535)는 감소된 피처 벡터의 세트를 형성하거나 생성하기 위해 차원 감소 프로세스를 사용할 수 있다. 차원 감소 프로세스에는 선형 감소 기법(예: 주성분 분석(PCA), 특이값 분해(SVD), 비 네거티브 행렬 분해(NMF)), 비선형 차원 감소(예: 일반화된 판별 분석(GDA), 로컬 선형 임베딩 및 Sammon의 매핑) 또는 기타(예: Johnson-Lindenstrauss 기본형 및 다중 요인 차원 감소) 등)를 포함할 수 있다. 일부 구현예에서, 모델 적용기(525)는 브라우징 이력(530)의 엔트리(535)를 피처 벡터의 차원에 투영하는 차원 감소 프로세스를 적용할 수 있다. 일부 구현예에서, 모델 적용기(535)는 생성된 피처 벡터 세트에 차원 감소 프로세스를 적용할 수 있다. 차원 감소 프로세스의 적용으로, 모델 적용기(535)는 감소된 피처 벡터 세트를 생성하기 위해 원래 피처 벡터 세트에서 다수의 차원을 감소시킬 수 있다. 감소된 피처 벡터 세트는 감소된 피처 벡터의 초기 세트보다 더 적은 수의 차원 및 데이터 포인트를 가질 수 있다. 예를 들어, 감소된 피처 벡터 세트는 연관된 엔트리(535) 없이 시간 범위 또는 주소 속성을 생략할 수 있다.
모델 적용기(525)는 애플리케이션(435)을 분류할 클래스를 식별하기 위해 분류 모델(500)을 브라우징 이력(530)(또는 피처 벡터와 같은 브라우징 이력(530)의 엔트리(535)의 임의의 서브세트 또는 표현)에 적용할 수 있다. 적용하기 위해, 모델 적용기(525)는 분류 모델(500)의 입력 세트로서 브라우징 이력(530)를 공급할 수 있다. 일부 구현예에서, 모델 적용기(525)는 분류 모델(500)의 입력으로서 피처 벡터 또는 감소된 피처 벡터의 세트를 공급할 수 있다. 일단 공급되면, 모델 적용기(525)는 분류 모델(500)을 사용하여 입력을 클래스를 정의하는 파라미터와 비교하고, 상기 비교에 기초하여 출력 세트를 생성하거나 생산할 수 있다. 출력 세트는 애플리케이션(435)에 의해 유지되는 브라우징 이력(530)에 표시된 바와 같이 브라우징 패턴을 분류할 클래스를 포함할 수 있다. 모델 적용기(525)는 분류 모델(500)의 출력으로부터 클래스를 식별할 수 있다. 식별된 클래스는 분류 모델(500)에 의해 정의된 클래스 수 중 하나에 대응할 수 있다. 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)에 대해 식별된 클래스는 다른 클라이언트 디바이스(430)에서 실행되는 적어도 일부 다른 애플리케이션(435)에 대해 식별된 클래스와 공통, 공유 또는 동일할 수 있다. 전술한 바와 같이, 분류 모델(500)에 의해 정의된 각 클래스는 클래스로 분류될 다수의 클라이언트 디바이스를 가질 수 있다.
식별된 클래스에 기초하여, 모델 적용기(525)는 클래스에 대한 대응하는 클래스 식별자(520)에 애플리케이션(435)을 할당할 수 있다. 일부 구현예에서, 모델 적용기(525)는 식별된 클래스와 연관된 클래스 식별자(520)를 식별하기 위해 분류 모델(500)을 사용할 수 있다. 이 식별을 통해, 모델 적용기(525)는 클래스 식별자(520)를 애플리케이션(435)에 할당할 수 있다. 애플리케이션(435)에 대한 클래스 식별자(520)의 할당은 애플리케이션(435)에 대한 브라우징 이력(530)이 동일한 클래스 식별자(520)를 갖는 다른 애플리케이션(435) 상의 다른 브라우징 이력(530)와 유사함을 나타낼 수 있다. 클라이언트 디바이스(430)에서 실행되는 애플리케이션(435)에 할당된 클래스 식별자(520)는 다른 클라이언트 디바이스(430)에서 실행되는 적어도 일부 다른 애플리케이션(435)에 대한 클래스 식별자(520)와 공통, 공유 또는 동일할 수 있다.
할당시, 모델 적용기(525)는 클래스 식별자(520)를 식별자 캐시(540)에 저장하고 유지할 수 있다. 예를 들어, 도시된 바와 같이, 제1 애플리케이션(435A)의 모델 적용기(525)는 제1 클래스 식별자(520A)에 대응하는 클래스를 가진 다른 애플리케이션(435B-N)과 유사한 브라우징 패턴을 갖는 것으로 제1 애플리케이션(435A)을 식별할 수 있다. 식별자 캐시(540)는 클래스 식별자(520)에 액세스하는 것으로부터 애플리케이션(435)에 의해 실행되는 스크립트의 액세스를 제어할 수 있다. 일부 구현예에서, 모델 적용기(525)는 식별자 캐시(540)에 유지되는 보안 쿠키에 클래스 식별자(520)를 저장할 수 있다. 보안 쿠키는 보안 플래그 또는 HTTP 전용 플래그가 설정된 쿠키를 포함할 수 있다. 보안 쿠키는 정보 리소스 상의 스크립트가 식별자 캐시(540)에 유지되는 클래스 식별자(520)에 액세스하는 것을 방지할 수 있다. 또한, 보안 쿠키는 인증된 엔터티가 식별자 캐시(540)에 저장된 클래스 식별자(520)에 액세스하는 것을 허용할 수 있다. 보안 쿠키는 식별자 캐시(540) 상의 클래스 식별자(520)에 액세스하도록 허용됨에 따라 콘텐츠 선택 서비스(425) 또는 애플리케이션 관리자 서비스(410)를 식별할 수 있다.
모델 적용기(535)는 식별자 할당 정책에 따라 분류 모델(500) 적용 여부를 결정할 수 있다. 식별자 할당 정책은 분류 모델(500)이 클래스 식별자(520)의 재할당을 위해 적용될 조건의 세트를 특정할 수 있다. 일부 구현예에서, 식별자 할당 정책은 분류 모델(500)을 적용할 시간을 나타내는 스케줄을 포함할 수 있다. 식별자 할당 정책은 애플리케이션(435)에 대한 새로운 업데이트가 애플리케이션 관리자 서비스(410)에 의해 제공될 때 분류 모델(500)이 업데이트될 것으로 특정할 수 있다. 식별자 할당 정책은 누적된 추가 브라우징 이력(530)의 양이 임계량을 만족하는 경우 분류 모델(500)이 적용되도록 특정할 수 있다. 결정이 분류 모델(500)을 재적용하는 것이 아니라면, 모델 적용기(525)는 클래스 식별자(520)를 유지할 수 있다. 한편, 분류 모델(500)을 재적용하는 것으로 결정되면, 모델 적용기(525)는 전술한 기능을 반복할 수 있다. 예를 들어, 모델 적용기(525)는 브라우징 이력(530)를 식별하고, 차원 감소 프로세스를 사용하여 감소된 피처 벡터 세트를 생성하고, 분류 모델(500)을 감소된 피처 벡터 세트에 적용하여 클래스를 식별하고, 식별된 클래스와 연관된 분류기 식별자를 애플리케이션(435)에 할당할 수 있다.
이제 도 6를 참조하면, 도시된 것은 시스템(400)에서 클라이언트 디바이스(430), 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420) 및 콘텐츠 선택 서비스(425)의 하나의 구현예를 나타내는 블록도이다. 개요에서, 각 클라이언트 디바이스(430) 상의 애플리케이션(435)(예를 들어, 제1 클라이언트 디바이스(430A에 대해 도시됨)은 적어도 하나의 정보 리소스(600) 및 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420) 또는 콘텐츠 선택 서비스(425)와 통신하는 다른 데이터의 판독 및 파싱을 처리하기 위해 적어도 하나의 리소스 프로세서(615)를 포함할 수 있다.
구체적으로, 클라이언트 디바이스(430)에서 실행되는 리소스 프로세서(615)는 콘텐츠 퍼블리셔(420)로부터 정보 리소스(600)를 수신할 수 있다. 정보 리소스(600)의 수신은 애플리케이션(435)에 의해 콘텐츠 퍼블리셔(420)로 송신된 정보 리소스(600)에 대한 요청에 대한 응답일 수 있고, 클라이언트 디바이스(430)에서 제시하기 위한 것일 수 있다. 수신된 정보 리소스(600)(예를 들어, 웹 페이지)은 적어도 하나의 주된 콘텐츠(605)(예를 들어, 웹 페이지의 본문, 텍스트 및 이미지) 및 적어도 하나의 콘텐츠 슬롯(610)(예를 들어, 웹 페이지의 인라인 프레임)을 포함할 수 있다. 주된 콘텐츠(605)는 콘텐츠 퍼블리셔(420)에 의해 제공된 정보 리소스(600)의 일부에 대응할 수 있다. 콘텐츠 슬롯(610)은 콘텐츠 제공자(415) 또는 콘텐츠 선택 서비스(425)로부터 콘텐츠를 수신하기 위해 이용 가능할 수 있다. 콘텐츠 슬롯(610)에 삽입될 콘텐츠는 정보 리소스(600)의 호스트 이름과 다른 호스트 이름을 가질 수 있다. 일단 수신되면, 리소스 프로세서(615)는 주된 콘텐츠(605) 및 콘텐츠 슬롯(610)을 포함하는 정보 리소스(600)를 파싱할 수 있다.
정보 리소스(600)의 콘텐츠 슬롯(610)에 대해, 리소스 프로세서(615)는 콘텐츠 선택 서비스(425)로 송신하기 위한 요청(620A-N)(여기서 일반적으로 콘텐츠(620)에 대한 요청이라고 함)을 생성할 수 있다. 콘텐츠(620)에 대한 요청의 생성은 콘텐츠 슬롯(610)에 콘텐츠를 삽입하기 위한 스크립트(예를 들어, 광고 태그 또는 콘텐츠 선택 태그)에 따를 수 있다. 콘텐츠 슬롯(610)에 대한 스크립트는 콘텐츠 슬롯(610) 자체 또는 정보 리소스(600)의 다른 부분에 내장되거나 포함될 수 있다. 콘텐츠(620)에 대한 요청을 생성할 때, 리소스 프로세서(615)는 콘텐츠(620)에 대한 요청에 주소(625A-N)(여기서 일반적으로 주소(625)라고 함)를 포함할 수 있다. 주소(625)는 콘텐츠 선택 서비스(425)에 대한 URL과 같은 콘텐츠 슬롯(610)에 대한 스크립트에 의해 특정된 콘텐츠 선택 서비스(425)를 참조할 수 있다. 주소(625)는 콘텐츠(620)에 대한 요청이 라우팅될 목적지 주소를 나타낼 수 있다. 또한, 리소스 프로세서(615)는 클라이언트 디바이스(430)를 콘텐츠 요청(620)에 참조하는 소스 주소를 포함할 수 있다. 리소스 프로세서(615)는 또한 정보 리소스(600)를 애플리케이션(435)에 제공한 콘텐츠 퍼블리셔(420)에 대응하는 주소를 포함할 수 있다.
추가로, 리소스 프로세서(615)는 애플리케이션(435)에 대해 식별된 클래스 식별자(520)를 콘텐츠 요청(620)에 포함할 수 있다. 일부 구현예에서, 리소스 프로세서(615)는 정보 리소스(520)를 검색하기 위해 식별자 캐시(540)에 액세스할 수 있다. 일단 검색되면, 리소스 프로세서(615)는 콘텐츠(620)에 대한 요청을 포함하기 위해 클래스 식별자(520)를 포함할 수 있다. 일부 구현예에서, 콘텐츠 슬롯(610)에 대한 스크립트를 파싱할 때 애플리케이션(435)에 의해 초기에 생성된 콘텐츠(620)에 대한 요청은 원래의 고유 추적 식별자를 포함할 수 있다. 리소스 프로세서(615)는 콘텐츠(620)에 대한 요청에서 애플리케이션(435)(또는 애플리케이션(435)을 실행하는 클라이언트 디바이스(430) 또는 애플리케이션(435)와 연관된 계정)에 대응하는 임의의 고유 추적 식별자를 제거하거나 그렇지 않으면 제외할 수 있다. 고유 추적 식별자는 예를 들어, 애플리케이션(435)과 연관된 계정에 대응하는 쿠키 사용자 식별자 또는 애플리케이션(435)을 실행하는 클라이언트 디바이스(430)에 대응하는 쿠키 디바이스 식별자를 포함할 수 있다. 고유 추적 식별자는 콘텐츠 제공자(415) 또는 다른 콘텐츠 배치 서비스에 의해 제공되었을 수 있다. 일단 제거되면, 리소스 프로세서(615)는 클래스 식별자(520)를 콘텐츠(620)에 대한 요청에 포함할 수 있다. 일부 구현예에서, 리소스 프로세서(615)는 콘텐츠에 대한 요청(620)에 포함된 고유 추적 식별자를 클래스 식별자(520)로 대체할 수 있다.
일부 구현예에서, 리소스 프로세서(615)는 클래스 식별자(520)를 쿠키(630A-N)(이하 일반적으로 쿠키(630)로 지칭됨)로 패키징하거나 포함할 수 있다. 일부 구현예에서, 쿠키(630)는 콘텐츠(620)에 대한 요청과 함께 생성될 수 있다. 일부 구현예에서, 쿠키(630)는 애플리케이션(435)(예: 식별자 캐시(540))으로부터 검색될 수 있다. 쿠키(630)는 클래스 식별자(520)에 대한 무단 엔터티 인터셉트 및 액세스를 방지하기 위해 보안 플래그 또는 HTTP 전용 플래그 세트를 가질 수 있다. 미승인 엔터티는 콘텐츠 선택 서비스(425) 또는 애플리케이션 관리자 서비스(410) 이외의 엔터티를 포함할 수 있다. 보안 플래그 또는 HTTP 전용 플래그를 설정함으로써, 쿠키(630)는 또한 네트워크(405)를 통한 보안 통신 채널(예를 들어, HTTPS(Hypertext Transfer Protocol Secure))을 통해 클래스 식별자(520)에 액세스하는 것을 제한할 수 있다. 리소스 프로세서(615)는 콘텐츠 요청(620)에 클래스 식별자(520)를 포함하는 쿠키(630)를 포함할 수 있다. 쿠키(630)는 또한 정보 리소스(600)를 애플리케이션(435)에 제공한 콘텐츠 퍼블리셔(420)에 대응하는 주소를 포함할 수 있다. 생성시, 리소스 프로세서(615)는 네트워크(405)를 통해 콘텐츠(620)에 대한 요청을 콘텐츠 선택 서비스(425)에 전송할 수 있다. 일부 구현예에서, 애플리케이션(435)은 콘텐츠(620)에 대한 요청을 전송하기 위해 클라이언트 디바이스(430)와 콘텐츠 선택 서비스(425) 사이에 보안 통신 채널(예를 들어, HTTP에 따라)을 설정할 수 있다. 채널의 설정은 콘텐츠 선택 서비스(425)가 콘텐츠 요청(620)의 쿠키(630)에 포함된 클래스 식별자(520)에 대한 액세스를 허용할 수 있다.
클라이언트 디바이스(430A-N)에서 실행되는 상이한 애플리케이션(435A-N)에 각각의 모델 적용기(525)에 의해 할당된 클래스 식별자(520A-N)는 하나의 애플리케이션(435A-N)에 특정되지 않을 수 있고 애플리케이션(435A-N)을 고유하게 식별하지 않을 수 있다. 예를 들어, 도시된 바와 같이, 제1 클래스 식별자(520A)는 제1 클라이언트 디바이스(430A) 상의 제1 애플리케이션(435A) 및 제2 클라이언트 디바이스(430B)에서 실행되는 제2 애플리케이션(435B)에 할당되었을 수 있다. 반대로, 제2 클래스 식별자(520B)는 제n 클라이언트 디바이스(430N)에서 실행되는 제n 애플리케이션(435N)에 할당되었을 수 있다. 이것은 콘텐츠 제공자(415) 또는 다른 콘텐츠 배치 서비스에 의해 제공되는 애플리케이션(435A-N) 또는 클라이언트 디바이스(430A-N)를 구체적으로 식별하는 사용자 또는 클라이언트 식별자와 같은 고유 추적 식별자와 대조될 수 있다. 또한, 클래스 식별자(520A-N)는 클라이언트 디바이스(430)에서 실행되는 각 애플리케이션(435)을 고유하게 식별할 수 없기 때문에, 클래스 식별자(520A-N)는 그러한 고유 추적 식별자보다 낮은 엔트로피를 가질 수 있다. 예를 들어, 고유 추적 식별자의 엔트로피는 63 비트보다 큰 엔트로피를 가질 수 있는 반면, 클래스 식별자(520A-N)의 엔트로피는 18 비트에서 52 비트 사이의 엔트로피를 가질 수 있다. 이와 같이, 클래스 식별자(520A-N)는 이러한 고유 추적 식별자보다 크기가 더 작을 수 있으며, 이에 따라 네트워크(405)를 통해 전송되는 콘텐츠(620)에 대한 요청의 크기를 줄일 수 있다.
이제 도 7를 참조하면, 도시된 것은 시스템(400)에서 클라이언트 디바이스(430) 및 콘텐츠 선택 서비스(425)의 하나의 구현예를 나타내는 블록도이다. 콘텐츠 선택 서비스(425)는 브라우징 이력을 저장하고 유지하기 위해 적어도 하나의 이력 애그리게이터(700)를 포함할 수 있다. 콘텐츠 선택 서비스(425)는 각 클래스에 대한 선택 파라미터를 결정하기 위해 적어도 하나의 클래스 특성화기(705)를 포함할 수 있다. 콘텐츠 선택 서비스(425)는 식별된 클래스를 사용하여 요청(620)과 연관된 애플리케이션(435)에 대한 콘텐츠 아이템(725A-N)(이하 일반적으로 콘텐츠 아이템(725)로 지칭됨)을 식별하기 위해 적어도 하나의 콘텐츠 배치기(710)를 포함할 수 있다. 콘텐츠 선택 서비스(425)는 클래스 식별자(520)에 대한 브라우징 이력 엔트리(720A-N)(본 명세서에서 일반적으로 엔트리(720)로 지칭됨)를 유지 및 저장하기 위한 적어도 하나의 이력 데이터베이스(715)를 포함할 수 있다.
구체적으로, 콘텐츠 선택 서비스(425)에서 실행되는 이력 애그리게이터(700)는 클라이언트 디바이스(430)로부터 수신된 콘텐츠(620)에 대한 요청에 포함된 쿠키(630)를 사용하여 이력 데이터베이스(715)를 수집, 집계 또는 유지할 수 있다. 이력 데이터베이스(715)는 애플리케이션 관리자 서비스(410)에 의해 정의된 클래스 식별자(520)에 의해 인덱싱된 엔트리 세트(720)를 포함할 수 있다. 각 엔트리(720)는 액세스된 정보 리소스(600)에 대한 주소 및 정보 리소스(600)가 액세스된 시간을 나타내는 타임스탬프를 포함할 수 있다. 고유 추적 식별자(예를 들어, 쿠키 식별자)를 사용하여, 클라이언트 디바이스(430)의 브라우징 이력을 집합하는 대신, 이력 애그리게이터(700)는 클래스 식별자(520)에 의해 브라우징 이력을 집합할 수 있다. 각각의 개별 애플리케이션(435)에 유지되는 브라우징 이력(530)와 달리, 이력 데이터베이스(715)는 엔트리(720)가 생성된 애플리케이션(435)(또는 애플리케이션(435)과 연관된 사용자)을 개별적으로 식별하지 않을 수 있다. 콘텐츠(620)에 대한 요청이 수신될 때마다, 이력 애그리게이터(700)는 콘텐츠가 반환될 정보 리소스(600)에 대응하는 주소를 식별할 수 있다. 이력 애그리게이터(700)는 콘텐츠(620)에 대한 요청에 포함된 클래스 식별자(520)를 더 식별할 수 있다. 이러한 식별을 통해, 이력 애그리게이터(700)는 주소 및 타임 스탬프(도 4에 도시되지 않음)를 포함하는 엔트리(720)를 콘텐츠 요청(620)에 포함된 클래스 식별자(520)에 대한 엔트리 세트(720)에 추가할 수 있다.
콘텐츠 선택 서비스(425)에서 실행되는 클래스 특성화기(705)는 클래스에 대한 클래스 식별자(520)에 대한 엔트리들(720)에 기초하여 각 클래스에 대한 하나 이상의 특성을 결정할 수 있다. 특성은 예를 들어 클래스 식별자(520)에 대응하는 클래스에 대한 공통 특성, 프로필, 행동 또는 관심을 포함할 수 있다. 일부 구현예에서, 클래스 특성화기(705)는 클래스 식별자(520)에 대한 이력 데이터베이스(715)의 엔트리 세트(720)에 기초하여 클래스에 대한 특성을 결정하기 위해 클래스 프로필 모델을 사용할 수 있다. 클래스 프로필 모델은 선형 회귀, 로지스틱 회귀, 인공 신경 네트워크(ANN), 지원 벡터 머신(SVM) 및 Nave Bayes 분류기와 같은 모든 모델일 수 있다. 클래스 프로필 모델은 특정 특성을 갖는 클래스 식별자(520)에 의해 라벨링된 브라우징 이력을 상관시키는 샘플 데이터 세트를 사용하여 트레이닝되었을 수 있다. 클래스 프로필 모델은 각 클래스 식별자(520)에 대한 이력 데이터베이스(715) 상의 엔트리(720)를 대응하는 클래스에 대한 특성으로 변환할 수 있다. 일부 구현예에서, 클래스 특성화기(705)는 각 클래스 식별자(520)에 대한 특성을 저장하고 유지할 수 있다.
콘텐츠 선택 서비스(425)에서 실행되는 콘텐츠 배치기(710)는 클래스 식별자(520)를 사용하는 콘텐츠(620)에 대한 요청에 응답하여 콘텐츠 아이템 세트(725)로부터 콘텐츠 아이템(725)을 선택하거나 식별할 수 있다. 클래스 식별자(520)의 사용은 콘텐츠 아이템(725)의 선택이 특정 사용자에게 고유한 식별자에 기초하지 않을 수 있다는 점에서 콘텐츠에 대한 요청과 연관된 특정 사용자에 대한 고유 식별자를 사용하는 것과 대조될 수 있다. 각 콘텐츠 아이템(725)은 정보 리소스(600)의 콘텐츠 슬롯(610)에 임베딩, 삽입 또는 추가하기 위한 객체 또는 요소를 포함할 수 있다. 각 콘텐츠 아이템(725)은 콘텐츠 제공자(415) 중 하나 이상에 의해 제공될 수 있다. 수신시, 콘텐츠 배치기(710)는 콘텐츠(620)에 대한 요청을 파싱하여 클래스 식별자(520)를 식별할 수 있다. 식별시, 콘텐츠 배치기(710)는 클래스 식별자(520)에 대응하는 클래스에 대한 특성을 식별할 수 있다. 콘텐츠 배치기(710)는 클래스에 대한 특성과 연관된 콘텐츠 아이템(725)을 식별하거나 선택할 수 있다. 일부 구현예에서, 콘텐츠 배치기(710)는 콘텐츠 배치 프로세스를 사용하여 콘텐츠 아이템(725)을 선택할 수 있다. 콘텐츠 배치 프로세스는 선형 회귀, 로지스틱 회귀, 인공 신경 네트워크(ANN), 지원 벡터 머신(SVM) 및 Nave Bayes 분류기와 같은 모든 모델일 수 있다. 각 콘텐츠 아이템(725)에 대해, 콘텐츠 배치 프로세스는 콘텐츠(620)에 대한 요청에 포함된 클래스 식별자(520)에 대응하는 클래스의 사용자에 의한 인터렉션의 예측 가능성을 계산, 결정 또는 생성할 수 있다. 콘텐츠 배치기(710)는 클래스의 사용자에 의한 인터렉션 가능성이 가장 큰 콘텐츠 아이템(725)을 식별할 수 있다. 일단 선택되면, 콘텐츠 배치기(710)는 콘텐츠(620)에 대한 요청을 발신한 클라이언트 디바이스(430)에 콘텐츠 아이템(725)을 전송할 수 있다. 일부 구현예에서, 콘텐츠 배치기(710)는 콘텐츠 제공자(415)로부터 선택된 콘텐츠 아이템(725)을 검색하기 위해 애플리케이션(435)에 대한 클라이언트 디바이스(430)에 콘텐츠 아이템(725)에 대한 주소를 송신할 수 있다.
다시 도 7과 함께 도 6을 참조하면, 리소스 프로세서(615)는 콘텐츠 선택 서비스(425)에 의해 식별된 콘텐츠 아이템(725)을 수신할 수 있다. 리소스 프로세서(615)는 정보 리소스(600)의 콘텐츠 슬롯(610)에 콘텐츠 아이템(725)을 임베딩, 삽입 또는 추가할 수 있다. 일부 구현예에서, 리소스 프로세서(615)는 콘텐츠 아이템(725)에 대한 주소를 수신할 수 있다. 콘텐츠 아이템(725)에 대한 주소는 콘텐츠 제공자(415)를 참조할 수 있다. 리소스 프로세서(615)는 콘텐츠 아이템(725)을 검색하기 위해 콘텐츠 제공자(415)에 다른 요청을 전송할 수 있고, 콘텐츠 아이템(725)을 정보 리소스(600)의 콘텐츠 슬롯(610)에 삽입할 수 있다.
이러한 방식으로, 콘텐츠 선택 서비스(425)는 동일한 클래스 식별자(520)와 연관된 사용자가 유사한 응답을 가질 것으로 기대되는 것으로 예상하는 콘텐츠 아이템(725)을 선택할 수 있다. 더욱이, 개별 사용자의 브라우징 이력(530)에 대한 데이터 보안, 무결성 및 프라이버시가 보존될 수 있다. 동시에, 개별 클래스에 대한 콘텐츠 아이템(725)의 선택에서 관련성을 결정하는 능력으로, 전체 정보 리소스(600)과의 인간-컴퓨터 인터렉션(HCI)의 품질이 유지될 수 있다.
이제 도 8을 참조하면, 도시된 것은 분류 모델을 사용하여 콘텐츠를 선택하기 위해 식별자를 인코딩하는 방법(800)의 구현예를 나타내는 흐름도이다. 방법(800)과 관련하여 여기에 설명된 기능은 도 4에 도시된 시스템(400) 또는 도 9에 도시된 컴퓨팅 디바이스에 의해 수행되거나 실행될 수 있다. 간단히 살펴보면, 클라이언트 디바이스에서 실행되는 애플리케이션은 브라우징 이력을 식별할 수 있다(805). 애플리케이션은 차원을 감소시킬 수 있다(810). 애플리케이션은 분류 모델을 적용할 수 있다(815). 애플리케이션은 클래스를 식별할 수 있다(820). 애플리케이션은 클래스 식별자를 할당할 수 있다(825). 애플리케이션은 정보 리소스를 수신할 수 있다(825). 애플리케이션은 콘텐츠에 대한 요청을 생성할 수 있다(835). 애플리케이션은 클래스 식별자를 포함할 수 있다(840). 애플리케이션은 콘텐츠에 대한 요청을 전송할 수 있다(845). 애플리케이션은 선택된 콘텐츠 아이템을 수신할 수 있다(850). 애플리케이션은 재할당 여부를 결정할 수 있다(855). 그렇지 않은 경우, 애플리케이션은 클래스 식별자를 유지할 수 있다(860).
구체적으로, 클라이언트 디바이스(예: 클라이언트 디바이스(430)) 상의 애플리케이션(예: 애플리케이션(435))은 브라우징 이력(예: 브라우징 이력(530))를 식별할 수 있다(805). 브라우징 이력은 엔트리 세트(예를 들어, 엔트리(535))를 포함할 수 있다. 각 엔트리는 액세스된 정보 리소스에 대한 주소와 정보 리소스이 액세스된 시간을 식별하는 타임스탬프를 포함할 수 있다. 애플리케이션은 브라우징 이력의 엔트리 세트에서 피처 벡터 세트를 생성할 수 있다. 피처 벡터는 브라우징 이력을 차원 세트로 투영할 수 있다. 차원은 시간 범위 및 주소 속성 등을 포함할 수 있다. 애플리케이션은 차원을 감소시킬 수 있다(810). 차원 감소 프로세스를 사용하여, 애플리케이션은 초기 피처 벡터 세트에서 감소된 피처 벡터 세트를 생성할 수 있다.
애플리케이션은 분류 모델(예: 분류 모델(500))을 적용할 수 있다(815). 분류 모델은 입력 세트, 파라미터 세트 및 출력 세트를 포함할 수 있다. 입력 세트는 브라우징 이력 엔트리 또는 브라우징 이력 표현을 포함할 수 있다. 파라미터 세트는 입력을 출력에 관련시킬 수 있다. 출력 세트는 애플리케이션에서 사용자의 브라우징 이력에 기초하여 애플리케이션과 인터렉션하는 사용자를 분류할 클래스를 포함할 수 있다. 애플리케이션은 감소된 차원 피처 벡터 세트를 분류 모델의 입력으로 제공할 수 있다. 분류 모델은 입력에 파라미터를 적용할 수 있다. 애플리케이션은 클래스를 식별할 수 있다(820). 분류 모델을 적용하면, 분류 모델은 애플리케이션과 인터렉션하는 사용자를 분류할 클래스를 식별하는 출력을 생성할 수 있다. 또한, 애플리케이션의 분류는 확장에 의해 애플리케이션을 동작하는 계정 또는 사용자에 의해 동작되는 클라이언트 디바이스와 연관된 사용자의 분류에 대응하거나 이를 포함할 수 있다. 애플리케이션은 클래스 식별자(예를 들어, 클래스 식별자(520))를 할당할 수 있다(825). 분류 모델은 각 클래스를 클래스 식별자 중 하나에 연관시킬 수 있다. 클래스 식별자가 식별되면, 애플리케이션은 클래스에 대응하는 클래스 식별자를 식별하고, 애플리케이션을 클래스 식별자에 할당할 수 있다.
애플리케이션은 정보 리소스(예: 정보 리소스(600))를 수신할 수 있다(830). 정보 리소스는 주된 콘텐츠(예: 주된 콘텐츠(605)) 및 콘텐츠 슬롯(예: 콘텐츠 슬롯(610))을 포함할 수 있다. 주된 콘텐츠는 콘텐츠 퍼블리셔(예를 들어, 콘텐츠 퍼블리셔(420))에 의해 제공될 수 있다. 콘텐츠 슬롯은 콘텐츠 제공자(예: 콘텐츠 제공자(415)) 또는 콘텐츠 선택 서비스(예: 콘텐츠 선택 서비스(425))로부터 콘텐츠의 삽입을 위해 이용 가능할 수 있다. 수신시 애플리케이션은 정보 리소스를 파싱할 수 있다. 애플리케이션은 콘텐츠에 대한 요청(예를 들어, 콘텐츠에 대한 요청(620))을 생성할 수 있다(835). 콘텐츠 요청의 생성은 정보 리소스의 파싱과 관련될 수 있다.
애플리케이션은 클래스 식별자를 포함할 수 있다(840). 콘텐츠 요청은 분류 모델을 사용하여 식별된 클래스에 대응하는 클래스 식별자를 포함할 수 있다. 애플리케이션은 애플리케이션 사용자, 애플리케이션 자체 또는 애플리케이션에서 실행 중인 클라이언트 디바이스와 관련된 고유 추적 식별자를 제거할 수 있다. 고유 추적 식별자는 콘텐츠 제공자 또는 다른 콘텐츠 배치 플랫폼에서 서드파티 쿠키의 일부로 제공되었을 수 있다. 클래스 식별자는 콘텐츠 요청에 포함된 보안 쿠키의 일부로 포함될 수 있다. 애플리케이션은 콘텐츠에 대한 요청을 전송할 수 있다(845). 전송은 클라이언트 디바이스와 콘텐츠 선택 서비스 사이에 설정된 보안 통신 채널을 통해 이루어질 수 있다. 콘텐츠 요청은 콘텐츠 선택 서비스에 의해 수신될 수 있다. 콘텐츠 선택 서비스는 콘텐츠 아이템 세트(예를 들어, 콘텐츠 아이템(725))로부터 콘텐츠 아이템을 식별하기 위해 요청에 포함된 클래스 식별자를 사용할 수 있다. 선택을 통해 콘텐츠 선택 서비스는 콘텐츠 아이템을 애플리케이션에 송신할 수 있다. 애플리케이션은 선택된 콘텐츠 아이템을 수신할 수 있다(850). 애플리케이션은 정보 리소스에 정의된 콘텐츠 슬롯에 콘텐츠 아이템을 삽입할 수 있다.
애플리케이션은 클래스 식별자를 재할당할지 여부를 결정할 수 있다(855). 재할당은 식별자 할당 정책에 따를 수 있다. 정책은 새 클래스 식별자를 찾기 위해 분류 모델이 브라우징 이력에 다시 적용되는 조건 세트를 특정할 수 있다. 재할당을 결정하는 경우 애플리케이션은(805)-(825)의 기능을 반복할 수 있다. 한편, 재할당하지 않는 것으로 결정하면, 애플리케이션은 클래스 식별자(860)를 유지할 수 있다.
도 9는 일부 구현예들에 따라 본 명세서에서 논의된 컴퓨터 시스템들(애플리케이션 관리자 서비스(410) 및 그 컴포넌트들, 콘텐츠 제공자(415) 및 그 컴포넌트들, 콘텐츠 퍼블리셔(430) 및 그 컴포넌트들 및 클라이언트 디바이스(125) 및 그 컴포넌트들을 포함) 중 어느 하나를 구현하기 위해 이용될 수 있는 예시적 컴퓨터 시스템(900)의 일반적 아키텍처를 도시한다. 컴퓨터 시스템(900)은 디스플레이를 위해 네트워크(930)를 통해 정보를 제공하는데 사용될 수 있다. 컴퓨터 시스템(900)은 메모리(925)에 통신적으로 연결된 하나 이상의 프로세서(920), 적어도 하나의 네트워크(930)(예: 네트워크(405))에 통신적으로 연결된 하나 이상의 통신 인터페이스(905) 및 하나 이상의 출력 디바이스(910)(예: 하나 이상의 디스플레이 유닛) 및 하나 이상의 입력 디바이스(915)를 포함한다.
프로세서(920)는 마이크로 프로세서, 주문형 집적 회로(ASIC), 필드 프로그래머블 게이트 어레이(FPGA) 등 또는 이들의 조합을 포함할 수 있다. 메모리는 전자, 광학, 자기 또는 프로세서에 프로그램 명령어들을 제공할 수 있는 임의의 다른 저장 또는 전송 디바이스를 포함할 수 있지만, 이에 한정되지 않는다. 메모리(925)는 임의의 컴퓨터 판독가능 저장 매체를 포함할 수 있고, 각각의 시스템들에 대해 본 명세서에서 기술된 다양한 기능들을 구현하기 위한 프로세서-실행가능 명령어들과 같은 컴퓨터 명령어들 뿐만 아니라 그와 연관된 임의의 데이터, 그에 의해 생성된 임의의 데이터 또는 통신 인터페이스(들) 또는 입력 디바이스(들)(있는 경우)을 통해 수신된 임의의 데이터를 저장할 수 있다. 메모리(925)는 플로피 디스크, CD-ROM, DVD, 자기 디스크, 메모리 칩, ASIC, FPGA, ROM, RAM, EEPROM(electrically-erasable ROM), EPROM(erasable-programmable ROM), 플래시 메모리, 광학 매체, 또는 프로세서가 명령어들을 판독할 수 있는 임의의 기타 적절한 메모리를 포함할 수 있다. 명령어들은 임의의 적절한 컴퓨터 프로그래밍 언어의 코드가 포함될 수 있다.
도 9에 도시된 프로세서(들)(920)는 메모리(925)에 저장된 명령어를 실행하는데 사용될 수 있고, 그렇게 함으로써, 명령어의 실행에 따라 프로세싱되거나 생성된 다양한 정보를 메모리로부터 판독하거나 메모리에 기록할 수 있다. 메모리(925)(통칭하여 프로세서 유닛이라고 함)와 결합된 프로세서(920)는 애플리케이션 관리자 서비스(410)에 포함될 수 있다. 예를 들어, 애플리케이션 관리자 서비스(410)는 데이터베이스(515)로서 메모리(925)를 포함할 수 있다. 메모리(925)(통칭하여 프로세싱 유닛이라고 함)와 결합된 프로세서(920)는 콘텐츠 제공자(415)에 포함될 수 있다. 예를 들어, 콘텐츠 제공자(415)는 콘텐츠 아이템(725)을 저장하기 위해 메모리(925)를 포함할 수 있다. 메모리(925)(통칭하여 프로세싱 유닛이라고 함)와 결합된 프로세서(920)는 콘텐츠 퍼블리셔(420)에 포함될 수 있다. 예를 들어, 콘텐츠 퍼블리셔(420)는 정보 리소스(600)를 저장하기 위한 메모리(925)를 포함할 수 있다. 메모리(925)(통칭하여 프로세싱 유닛이라고 함)와 결합된 프로세서(920)는 콘텐츠 선택 서비스(425)에 포함될 수 있다. 예를 들어, 콘텐츠 선택 서비스(425)는 이력 데이터베이스(720)로서 메모리(925)를 포함할 수 있다. 메모리(925)(통칭하여 프로세싱 유닛이라고 함)와 결합된 프로세서(920)는 클라이언트 디바이스(430)에 포함될 수 있다. 예를 들어, 클라이언트 디바이스(430)는 브라우징 이력(530) 및 식별자 캐시(540)로서 메모리(925)를 포함할 수 있다.
컴퓨터 시스템(900)의 프로세서(920)는 또한 명령어의 실행에 따라 다양한 정보를 전송 또는 수신하도록 통신 인터페이스(들)(905)에 통신적으로 연결되거나 제어될 수 있다. 예를 들어, 통신 인터페이스(들)(905)는 유선 또는 무선 네트워크, 버스 또는 기타 통신 수단에 연결될 수 있으며, 따라서 컴퓨터 시스템(900)이 다른 디바이스들(예를 들어, 다른 컴퓨터 시스템들)에 정보를 전송하거나 또는 그로부터 정보를 수신하게 할 수 있다. 도 4-7 또는 9의 시스템에서 명시적으로 도시되지 않았지만, 하나 이상의 통신 인터페이스는 시스템(900)의 컴포넌트들 간의 정보 흐름을 용이하게 한다. 일부 구현예에서, 통신 인터페이스(들)는 컴퓨터 시스템(900)의 적어도 일부 양태들에 대한 액세스 포털로서 웹사이트를 제공하도록(예를 들어, 다양한 하드웨어 컴포넌트들 또는 소프트웨어 컴포넌트들을 통해) 구성될 수 있다. 통신 인터페이스(905)의 예는 사용자가 시스템(400)의 다른 디바이스와 통신할 수 있는 사용자 인터페이스(예: 애플리케이션(435), 정보 리소스(600), 주요 콘텐츠(605), 콘텐츠 슬롯(610) 및 콘텐츠 아이템(725))를 포함한다.
도 9에 도시된 컴퓨터 시스템(900)의 출력 디바이스들(910)은 예를 들어, 명령어들의 실행과 관련하여 다양한 정보가 보여 지거나 인식될 수 있도록 제공될 수 있다. 입력 디바이스(들)(915)은 예를 들어, 사용자가 수동 조절을 하거나, 선택을 하거나, 데이터를 입력하거나 또는 명령어들의 실행 중에 프로세서와 다양한 방식으로 인터렉션할 수 있도록 제공될 수 있다. 본 명세서에서 논의된 다양한 시스템들에 이용될 수 있는 일반적인 컴퓨터 시스템 아키텍처에 관한 추가 정보가 본 명세서에서 더 제공된다.
네트워크(930)는 인터넷, 로컬, 와이드, 메트로 또는 다른 영역 네트워크, 인트라넷, 위성 네트워크, 음성 또는 데이터 모바일폰 통신 네트워크와 같은 다른 컴퓨터 네트워크들 및 이들의 조합과 같은 컴퓨터 네트워크를 포함할 수 있다. 네트워크(930)는 애플리케이션 관리자 서비스(410), 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420), 콘텐츠 선택 서비스(425) 및 클라이언트 디바이스(430)와 같은 시스템(400)의 컴포넌트 사이에서 정보를 중계하는 임의의 형태의 컴퓨터 네트워크일 수 있다. 예를 들어, 네트워크(930)는 근거리 통신망(LAN), 광역 통신망(WAN), 셀룰러 네트워크, 위성 네트워크 또는 다른 유형의 데이터 네트워크와 같은 인터넷 및/또는 다른 유형의 데이터 네트워크를 포함할 수 있다. 네트워크(930)는 또한 네트워크(930) 내에서 데이터를 수신 및/또는 전송하도록 구성된 임의의 수의 컴퓨팅 디바이스(예를 들어, 컴퓨터, 서버, 라우터, 네트워크 스위치 등)를 포함할 수 있다. 네트워크(930)는 임의의 수의 고정 배선 및/또는 무선 연결을 더 포함할 수 있다. 클라이언트 디바이스(430)는(예를 들어, 광섬유 케이블, CAT5 케이블 등을 통해) 배선된 송수신기와 무선으로(예를 들어, WiFi, 셀룰러, 라디오 등을 통해) 네트워크(930) 내 다른 컴퓨팅 디바이스들과 통신할 수 있다.
본 발명의 구현예들과 본 명세서에 기술된 동작들은 본 발명에 개시된 구조들 및 그들의 구조적 균등물들 또는 그들 중 하나 이상의 조합들을 포함하는 디지털 전자회로 또는 컴퓨터 소프트웨어, 펌웨어 또는 하드웨어에서 구현될 수 있다. 본 명세서에 기술된 본 발명의 구현예들은 하나 이상의 컴퓨터 프로그램들 즉, 데이터 프로세싱 장치에 의해 실행 또는 데이터 프로세싱 장치의 동작을 제어하기 위한 컴퓨터 저장 매체에 인코딩된 컴퓨터 프로그램 명령어들의 하나 이상의 모듈들로서 구현될 수 있다. 프로그램 명령어들은 데이터 프로세싱 장치에 의해 실행하기 위한 적절한 수신기 장치에 전송하기 위한 정보를 인코딩하기 위해 생성된 인공적으로 생성된 전파된 신호 즉, 기계-생성 전기, 광학 또는 전자기적 신호에 인코딩될 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 저장 디바이스, 컴퓨터 판독가능 저장 기판, 랜덤 또는 직렬 액세스 메모리 어레이 또는 디바이스 또는 그들 중 하나 이상의 조합이거나 그에 포함될 수 있다. 또한, 컴퓨터 저장 매체는 전파된 신호가 아니지만, 컴퓨터 저장 매체는 인공적으로 생성된 전파된 신호에 인코딩된 컴퓨터 프로그램 명령어들의 소스 또는 목적지를 포함할 수 있다. 또한, 컴퓨터 저장 매체는 하나 이상의 별개의 물리적 컴포넌트들 또는 매체(예를 들면, 다수의 CD들, 디스크들, 또는 다른 저장 디바이스들)이거나 또는 그에 포함될 수 있다.
본 명세서에 개시된 구성들은 보다 전통적인 텔레비전 프로그래밍 소스들(예를 들어 케이블, 위성, 공중파 또는 기타 신호를 통해 수신됨)과 인터넷 연결을 통합하도록 구성된 프로세싱 모듈을 포함할 수 있는, 스마트 텔레비전 모듈(또는 연결된 텔레비전 모듈, 하이브리드 텔레비전 모듈 등)에서 구현될 수 있다. 스마트 텔레비전 모듈은 텔레비전 세트에 물리적으로 통합될 수 있거나 셋톱 박스, 블루레이 또는 다른 디지털 미디어 플레이어, 게임 콘솔, 호텔 텔레비전 시스템 및 다른 컴패니언 디바이스와 같은 별도의 디바이스를 포함할 수 있다. 스마트 텔레비전 모듈은 시청자가 웹, 로컬 케이블 TV 채널, 위성 TV 채널에서 또는 로컬 하드 드라이브에 저장된 비디오, 영화, 사진 및 기타 콘텐츠를 검색하고 찾을 수 있도록 구성될 수 있다. 셋톱 박스(STB) 또는 셋톱 유닛(STU)은 튜너를 포함하고 텔레비전 세트 및 외부 신호 소스에 연결될 수 있는 정보 기기 디바이스를 포함할 수 있으며, 그 신호는 콘텐츠로 변환되어 텔레비전 스크린 또는 기타 디스플레이 디바이스에 디스플레이될 수 있다. 스마트 텔레비전 모듈은 웹브라우저 및 복수의 스트리밍 미디어 서비스들, 연결된 케이블 또는 위성 미디어 소스, 다른 웹 "채널”들 등과 같은 복수의 상이한 어플리케이션들에 대한 아이콘들을 포함하는 홈스크린 또는 최상위 레벨 스크린을 제공하도록 구성될 수 있다. 스마트 텔레비전 모듈은 또한 사용자에게 전자적 프로그래밍 가이드를 제공하도록 구성될 수 있다. 스마트 텔레비전 모듈에 대한 동반 어플리케이션은 모바일 컴퓨팅 디바이스에서 사용가능 프로그램에 관한 추가 정보를 사용자에게 제공하여 사용자가 스마트 텔레비전 모듈 등을 제어할 수 있게 동작가능할 수 있다. 일부 구현예에서, 상기 구성들은 랩톱 컴퓨터 또는 다른 개인용 컴퓨터, 스마트폰, 다른 모바일폰, 핸드헬드 컴퓨터, 태블릿 PC 또는 다른 컴퓨팅 디바이스에서 구현될 수 있다. 일부 구현예들에서, 본 명세서에 개시된 구성들은 (예를 들어, 다른 컴퓨팅 디바이스 또는 네트워크(930)와의) 인터넷 연결을 통합하도록 구성된 프로세싱 모듈을 포함할 수 있는 웨어러블 디바이스 또는 컴포넌트(예를 들어, 스마트 시계)에서 구현될 수 있다.
본 명세서에 기술된 동작들은 하나 이상의 컴퓨터 판독가능 저장 디바이스들에 저장된 데이터 또는 다른 소스들로부터 수신된 데이터에서 데이터 프로세싱 장치에 의해 수행되는 동작들로서 구현될 수 있다.
용어 "데이터 프로세싱 장치", "데이터 프로세싱 시스템", "사용자 디바이스" 또는 "컴퓨팅 디바이스"는 예시로서 프로그래머블 프로세서, 컴퓨터, 시스템 온 칩, 다수의 칩들 또는 앞서 언급된 것들의 조합들을 포함하는 데이터를 프로세싱하기 위한 모든 종류의 장치, 디바이스들 및 기계들을 포함한다. 상기 장치는 특수 목적 논리 회로, 예를 들어 FPGA(field programmable gate array) 또는 ASIC(application specific integrated circuit)을 포함할 수 있다. 또한, 장치는 하드웨어 이외에 문제의 컴퓨터 프로그램에 대한 실행 환경을 생성하는 코드, 예를 들어 프로세서 펌웨어, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 체제, 크로스-플랫폼 런타임(cross-platform runtime) 실행 환경, 가상 머신 또는 그들 중 하나 이상의 조합을 구성하는 코드를 포함할 수 있다. 장치 및 실행 환경은 웹 서비스들, 분산 컴퓨팅 및 그리드 컴퓨팅 인프라와 같은 다양한 컴퓨팅 모델 인프라를 실현할 수 있다.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 스크립트 또는 코드로도 알려져 있음)은 컴파일된 또는 인터프리트된 언어들, 선언적 또는 절차적 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 작성될 수 있으며, 독립 실행형 프로그램으로서 또는 모듈, 컴포넌트, 서브루틴, 객체로서 또는 컴퓨팅 환경에서 사용하기에 적합한 기타 단위를 포함하는 임의의 형태로 배포될 수 있다. 컴퓨터 프로그램은 파일 시스템의 파일에 대응할 수 있지만, 반드시 그런 것은 아니다. 프로그램은 다른 프로그램들이나 데이터, 예를 들어, 마크업 언어 문서에 저장된 하나 이상의 스크립트들을 가지는 파일의 부분에, 문제되는 프로그램 전용 단일의 파일에 또는 다수의 조정된 파일들, 예를 들어, 하나 이상의 모듈들, 서브프로그램 또는 코드의 일부를 저장하는 파일들에 저장될 수 있다. 컴퓨터 프로그램은 하나의 컴퓨터 또는 하나의 사이트에 위치되어 있거나 다수의 사이트들에 걸쳐서 분산되어 있고 통신 네트워크에 의해 상호연결된 다수의 컴퓨터들에서 실행되도록 배포될 수 있다.
본 명세서에 기술된 프로세스들 및 논리 흐름들은 입력 데이터를 동작하고 출력을 생성함으로써 액션들을 수행하기 위해 하나 이상의 컴퓨터 프로그램들을 실행하는 하나 이상의 프로그래머블 프로세서들에 의해 수행될 수 있다. 프로세스들 및 논리 흐름들은 또한 FPGA 또는 ASIC와 같은 특수 목적 논리 회로에 의해 수행될 수 있고, 장치는 또한 특수 목적 논리 회로로서 구현될 수 있다.
컴퓨터 프로그램의 실행에 적절한 프로세서들은, 예시로서, 범용 및 전용 마이크로프로세서들과 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 읽기-전용 메모리 또는 랜덤 액세스 메모리 또는 둘 모두로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 필수 엘리먼트들은 명령어들에 따라 액션들을 수행하기 위한 프로세서 및 명령어들 및 데이터를 저장하기 위한 하나 이상의 메모리 디바이스들이다. 일반적으로, 컴퓨터는 데이터를 저장하기 위한 하나 이상의 대형 저장 디바이스들 예를 들면, 자기적, 자기-광학 디스크들 또는 광학적 디스크들 또한 포함하거나 또는 그로부터 데이터를 수신하거나 그에 데이터를 전송하기 위해 동작적으로 결합될 수 있다. 그러나, 컴퓨터는 상기 디바이스들을 반드시 가져야하는 것은 아니다. 추가로, 컴퓨터는 다른 디바이스, 예를 들어, 모바일 전화, 개인 휴대 정보 단말기(PDA), 모바일 오디오 또는 비디오 플레이어, 게임 콘솔, GPS 수신기 또는 휴대용 저장 디바이스 예를 들어, 범용 직렬 버스(USB) 플래시 드라이브에 내장될 수 있다. 컴퓨터 프로그램 명령어 및 데이터를 저장하기에 적합한 디바이스는 예를 들어, EPROM, EEPROM 및 플래시 메모리 디바이스들과 같은 반도체 메모리 디바이스; 예를 들어, 내부 하드 디스크 또는 이동식 디스크와 같은 자기 디스크; 및 CD-ROM 및 DVD-ROM 디스크를 포함하는 모든 형태의 비휘발성 메모리, 매체 및 메모리 디바이스를 포함한다. 프로세서 및 메모리는 특수 목적 논리 회로에 의해 보충되거나 그 안에 통합될 수 있다.
사용자와의 인터렉션을 제공하기 위해, 본 명세서에서 기술된 본 발명의 구현예들은 사용자에게 정보를 디스플레이하기 위해 예를 들어, CRT(cathode ray tube) 또는 LCD(liquid crystal display) 모니터와 같은 디스플레이 디바이스 및 사용자가 컴퓨터에 입력을 제공할 수 있는 키보드 및 포인팅 디바이스 예를 들어, 마우스 또는 트랙볼을 갖는 컴퓨터에서 구현될 수 있다. 다른 종류의 디바이스들이 사용자와의 인터렉션을 제공하기 위해 사용될 수 있다. 예를 들어, 사용자에게 제공되는 피드백은 시각 피드백, 청각 피드백 또는 촉각 피드백과 같은 임의의 형태의 감각적 피드백일 포함할 수 있고, 사용자로부터의 입력은 음향, 음성 또는 촉각 입력을 포함하는 임의의 형태로 수신될 수 있다. 추가로, 컴퓨터는 사용자에 의해 사용되는 디바이스에 문서를 송수신함으로써 예를 들어, 웹 브라우저로부터 수신된 요청에 응답하여, 사용자의 사용자 디바이스상의 웹 브라우저에 웹 페이지를 전송함으로써 사용자와 인터렉션할 수 있다.
본 명세서에서 기술된 발명의 구현예는 예를 들어 데이터 서버와 같은 백엔드 컴포넌트, 애플리케이션 서버와 같은 미들웨어 컴포넌트 또는 그래픽 사용자 인터페이스를 가지는 사용자 컴퓨터 또는 사용자가 본 명세서에 기술된 본 발명의 구현예와 인터렉션할 수 있는 웹 브라우저와 같은 프론트엔드 컴포넌트 또는 하나 이상의 상기 백엔드, 미들웨어 또는 프론트엔드 컴포넌트들의 임의의 조합을 포함하는 컴퓨팅 시스템에서 구현될 수 있다. 시스템의 컴포넌트들은 디지털 데이터 통신의 임의의 형태 또는 매체, 예를 들어 통신 네트워크에 의해 상호연결될 수 있다. 통신 네트워크들의 예는 근거리 통신망("LAN") 및 광역 통신망("WAN"), 인터-네트워크(예를 들어, 인터넷) 및 피어투피어 네트워크(예를 들어, 애드혹 피어투피어 네트워크)를 포함한다.
시스템(900) 또는 시스템(400)과 같은 컴퓨팅 시스템은 클라이언트 및 서버를 포함할 수 있다. 예를 들어, 시스템(400)의 애플리케이션 관리자 서비스(410), 콘텐츠 제공자(415), 콘텐츠 퍼블리셔(420) 및 콘텐츠 선택 서비스(400)는 하나 이상의 데이터 센터 또는 서버 팜에 하나 이상의 서버를 각각 포함할 수 있다. 클라이언트(예: 클라이언트 디바이스(430)와 서버는 일반적으로 서로 멀리 떨어져 있으며, 일반적으로 통신 네트워크를 통해 인터렉션한다. 사용자와 서버의 관계는 각각의 컴퓨터에서 실행되고 서로 사용자-서버 관계를 갖는 컴퓨터 프로그램에 의해 발생한다. 일부 구현예에서, 서버는(예를 들어, 사용자 디바이스와 인터렉션하는 사용자에게 데이터를 디스플레이하고 사용자 입력을 수신하기 위해) 사용자 디바이스에 데이터(예를 들어, HTML 페이지)를 전송한다. 사용자 디바이스에서 생성된 데이터(예를 들어, 사용자 인터렉션의 결과)는 서버에서 사용자 디바이스로부터 수신될 수 있다.
본 명세서에서 기술된 발명의 구현예는 예를 들어 데이터 서버와 같은 백엔드 컴포넌트, 애플리케이션 서버와 같은 미들웨어 컴포넌트 또는 그래픽 사용자 인터페이스를 가지는 사용자 컴퓨터 또는 사용자가 본 명세서에 기술된 본 발명의 구현예와 인터렉션할 수 있는 웹 브라우저와 같은 프론트엔드 컴포넌트 또는 하나 이상의 상기 백엔드, 미들웨어 또는 프론트엔드 컴포넌트들의 임의의 조합을 포함하는 컴퓨팅 시스템에서 구현될 수 있다. 시스템의 컴포넌트들은 디지털 데이터 통신의 임의의 형태 또는 매체, 예를 들어 통신 네트워크에 의해 상호연결될 수 있다. 통신 네트워크는 근거리 통신망("LAN") 및 광역 통신망("WAN"), 인터-네트워크(예를 들어, 인터넷) 및 피어투피어 네트워크(예를 들어, 애드혹 피어투피어 네트워크)를 포함할 수 있다.
본 명세서에서 논의된 시스템들이 사용자들에 관한 개인 정보를 수집하거나 또는 개인 정보를 사용하는 경우들에 있어서, 사용자들에게 프로그램들 또는 구성들이 개인 정보 예를 들면, 사용자의 소셜 네트워크, 소셜 액션들 또는 활동들, 사용자의 선호들 또는 사용자의 위치에 관한 정보를 수집할 것인지 여부를 제어할, 사용자와 더 관련된 콘텐츠 서버 또는 기타 데이터 프로세싱 시스템으로부터의 콘텐츠를 수신할지 또는 어떻게 수신할지 제어할 기회가 제공될 수 있다. 추가로, 특정 데이터는 그것이 저장되거나 사용되기 전에 하나 이상의 다양한 방식들로 익명화되어, 파라미터들을 생성하는 경우 개인적으로 식별가능한 정보는 제거되도록 한다. 예를 들면, 사용자의 신원은 사용자에 관한 개인적으로 식별가능한 정보가 결정될 수 없도록 익명화되거나 또는 사용자의 지리적 위치는 위치 정보가 획득된 곳에서 일반화되어(시, 우편번호 또는 주 수준으로), 사용자의 특정한 위치가 결정될 수 없도록 한다. 따라서, 사용자는 그 또는 그녀에 관한 정보가 어떻게 수집되는지 그리고 콘텐츠 서버에 의해 사용되는지에 관한 제어를 가질 수 있다.
본 명세서는 많은 특정 구현 세부내용을 포함하지만, 이들은 임의의 발명의 범위 또는 청구될 수 있는 범위에 대한 제한으로서 해석되어서는 안되며, 오히려 특정한 발명의 특정한 구현예에 특정한 구성들에 대한 설명으로 해석되어야 한다. 별개의 구현예의 맥락에서 본 명세서에서 기술되는 일정 구성들은 또한 단일 구현예에서 조합하여 구현될 수 있다. 반대로, 단일 구현예의 맥락에서 기술된 다양한 구성들은 또한 다수의 구현예에서 개별적으로 또는 임의의 적합한 서브 조합으로 구현될 수 있다. 게다가, 구성들은 일정 조합으로 동작하고 심지어 초기적으로 그렇게 청구되는 것으로서 상기에서 기술될 수 있지만, 청구된 조합으로부터의 하나 이상의 구성들은 일부 경우, 조합으로부터 제거될 수 있고, 청구된 조합은 서브 조합 또는 서브 조합의 변형으로 안내될 수 있다.
유사하게, 동작들이 특정한 순서로 도면에서 도시되었지만, 이는 상기 동작들이 도시된 특정한 순서로 또는 시계열적 순서로 수행되어야 함을 요구하는 것으로서 또는 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안된다. 특정 환경에서, 멀티태스킹과 병렬 프로세싱은 이점이 있다. 게다가, 상기 기술된 구현예에서 다양한 시스템 컴포넌트들의 분리는 모든 구현예에서 그러한 분리가 필요한 것으로서 이해되어서는 안되며, 일반적으로 기술된 프로그램 컴포넌트들 및 시스템들은 단일의 소프트웨어 제품에 함께 통합되거나 다수의 소프트웨어 제품들에 패키징될 수 있다고 이해되어야 한다.
따라서, 본 발명의 특정한 구현예들이 기술되었다. 다른 구현예들도 다음의 청구항들의 범위 내에 있다. 일부 경우에, 청구항들에서 기재된 액션들은 상이한 순서로 수행되고 여전히 원하는 결과들을 달성할 수 있다. 추가로, 첨부 도면들에 도시된 프로세스들은 원하는 결과들을 달성하기 위해 특정한 도시된 순서, 또는 시계열적 순서를 반드시 필요로 하지 않는다. 특정 구현예에서, 멀티태스킹 또는 병렬 프로세싱이 활용될 수 있다.

Claims (20)

  1. 방법으로서,
    클라이언트 디바이스에서 실행되는 제1 애플리케이션에 의해, 상기 클라이언트 디바이스와 연관된 브라우징 이력을 식별하는 단계, 상기 브라우징 이력은 상기 제1 애플리케이션을 통해 상기 클라이언트 디바이스에 의해 액세스된 정보 리소스를 기록하며;
    상기 제1 애플리케이션에 의해, 복수의 클래스 중에서 제1 클래스를 식별하기 위해 상기 브라우징 이력에 분류 모델을 적용하는 단계;
    상기 제1 애플리케이션에 의해, 콘텐츠 퍼블리셔 디바이스로부터, 콘텐츠 선택 서비스로부터 콘텐츠를 수신하기 위해 사용 가능한 콘텐츠 슬롯 및 주(primary) 콘텐츠를 포함하는 정보 리소스를 수신하는 단계;
    상기 제1 애플리케이션에 의해, 상기 제1 클래스에 대한 클래스 식별자를 포함하는 보안 쿠키를 포함하는 콘텐츠에 대한 요청을 생성하는 단계; 및
    상기 제1 애플리케이션에 의해, 콘텐츠에 대한 요청을 콘텐츠 선택 서비스에 전송하는 단계를 포함하고, 상기 콘텐츠 선택 서비스는 상기 제1 클래스에 대한 클래스 식별자를 사용하여 상기 정보 리소스의 콘텐츠 슬롯에 삽입할 콘텐츠 아이템을 선택하는, 방법.
  2. 청구항 1에 있어서, 상기 콘텐츠에 대한 요청에는 상기 제1 애플리케이션에 대응하는 고유 추적 식별자, 상기 제1 애플리케이션과 연관된 계정 또는 클라이언트 디바이스가 결여되어 있는, 방법.
  3. 청구항 1에 있어서, 상기 복수의 클래스 중 각각의 클래스는 상기 클래스와 연관된 것으로 식별되는 적어도 미리 결정된 수의 클라이언트 디바이스를 갖는, 방법.
  4. 청구항 1에 있어서, 상기 복수의 클래스는 더 큰 복수의 클래스의 서브세트이며; 그리고 상기 방법은: 상기 제1 애플리케이션에 의해, 상기 서브세트로부터 배제하기 위해 상기 더 큰 복수의 클래스 중 하나 이상의 클래스의 식별을 수신하는 단계를 더 포함하며, 상기 서브세트로부터 배제하기 위해 상기 더 큰 복수의 클래스 중 하나 이상의 클래스의 식별을 수신하는 단계는 상기 하나 이상의 클래스 각각이 상기 클래스와 연관된 것으로 식별되는 적어도 미리 결정된 수의 클라이언트 디바이스를 갖지 않는 것에 대한 응답인, 방법.
  5. 청구항 1에 있어서, 상기 제1 애플리케이션에 의해, 차원 감소 프로세스를 사용하여, 상기 클라이언트 디바이스로부터 식별된 브라우징 이력으로부터 감소된 피처 벡터 세트를 생성하는 단계를 더 포함하고, 상기 감소된 피처 벡터 세트는 상기 브라우징 이력보다 파일 크기가 더 작으며; 그리고
    상기 분류 모델을 적용하는 단계는 상기 분류 모델을 상기 브라우징 이력으로부터 생성된 감소된 피처 벡터 세트에 적용하는 것을 더 포함하는, 방법.
  6. 청구항 1에 있어서,
    상기 제1 애플리케이션에 의해, 애플리케이션 관리자 서비스로부터, 분류 모델을 업데이트하기 위한 파라미터 세트를 수신하는 단계; 및
    상기 제1 애플리케이션에 의해, 상기 애플리케이션 관리자 서비스로부터 수신된 파라미터 세트에 기초하여 상기 클라이언트 디바이스에서 유지되는 분류 모델을 수정하는 단계를 더 포함하는, 방법.
  7. 청구항 6에 있어서, 상기 파라미터 세트는 분류 클러스터의 경계, 신경 네트워크 노드 가중치 또는 해시 함수의 파라미터를 포함하는, 방법.
  8. 청구항 1에 있어서, 상기 제1 애플리케이션에 의해, 식별자 할당 정책에 따라, 상기 분류 모델이 상기 브라우징 이력에 적용될 것이라고 결정하는 단계를 더 포함하고; 그리고
    상기 분류 모델을 적용하는 단계는 상기 분류 모델이 상기 식별자 할당 정책에 따라 적용될 것이라는 결정에 응답하여 상기 분류 모델을 적용하는 것을 더 포함하는, 방법.
  9. 시스템으로서,
    콘텐츠 퍼블리셔 디바이스 및 콘텐츠 선택 서비스와 통신하는 네트워크 인터페이스, 브라우저 애플리케이션을 실행하는 하나 이상의 프로세서 및 브라우저 애플리케이션에 의해 액세스되는 정보 리소스를 기록하는 브라우징 이력을 저장하는 메모리를 포함하는 컴퓨팅 디바이스를 포함하며;
    상기 브라우저 애플리케이션은:
    복수의 클래스 중에서 제1 클래스를 식별하기 위해 상기 브라우징 이력에 분류 모델을 적용하고,
    상기 콘텐츠 퍼블리셔 디바이스로부터, 콘텐츠 선택 서비스로부터 콘텐츠를 수신하기 위해 사용 가능한 콘텐츠 슬롯 및 주(primary) 콘텐츠를 포함하는 정보 리소스를 수신하고,
    상기 제1 클래스에 대한 클래스 식별자를 포함하는 보안 쿠키를 포함하는 콘텐츠에 대한 요청을 생성하고, 그리고
    콘텐츠에 대한 요청을 콘텐츠 선택 서비스에 전송하도록 구성되며, 상기 콘텐츠 선택 서비스는 상기 제1 애플리케이션 및 상기 제2 애플리케이션에 대한 클래스 식별자를 사용하여 상기 정보 리소스의 콘텐츠 슬롯에 삽입할 콘텐츠 아이템을 선택하는, 시스템.
  10. 청구항 9에 있어서, 상기 콘텐츠에 대한 요청에는 상기 제1 애플리케이션에 대응하는 고유 추적 식별자, 상기 제1 애플리케이션과 연관된 계정 또는 클라이언트 디바이스가 결여되어 있는, 시스템.
  11. 청구항 9에 있어서, 상기 복수의 클래스 중 각각의 클래스는 상기 클래스와 연관된 것으로 식별되는 적어도 미리 결정된 수의 클라이언트 디바이스를 갖는, 시스템.
  12. 청구항 11에 있어서, 상기 복수의 클래스는 더 큰 복수의 클래스의 서브세트이며; 그리고 상기 브라우저 애플리케이션은 서브세트로부터 배제하기 위해 상기 더 큰 복수의 클래스 중 하나 이상의 클래스의 식별을 수신하도록 더 구성되며 상기, 상기 서브세트로부터 배제하기 위해 상기 더 큰 복수의 클래스 중 하나 이상의 클래스의 식별을 수신하는 것은 상기 하나 이상의 클래스 각각이 상기 클래스와 연관된 것으로 식별되는 적어도 미리 결정된 수의 클라이언트 디바이스를 갖지 않는 것에 대한 응답인, 시스템.
  13. 청구항 11에 있어서, 상기 브라우저 애플리케이션은:
    차원 감소 프로세스를 사용하여, 상기 클라이언트 디바이스로부터 식별된 브라우징 이력으로부터 감소된 피처 벡터 세트를 생성하고, 상기 감소된 피처 벡터 세트는 상기 브라우징 이력보다 파일 크기가 더 작으며; 그리고
    브라우징 이력으로부터 생성된 감소된 피처 벡터 세트에 분류 모델을 적용하도록 더 구성되는, 시스템.
  14. 청구항 11에 있어서, 상기 브라우저 애플리케이션은:
    애플리케이션 관리자 서비스로부터, 분류 모델을 업데이트하기 위한 파라미터 세트를 수신하고; 그리고
    상기 애플리케이션 관리자 서비스로부터 수신된 파라미터 세트에 기초하여 상기 클라이언트 디바이스에서 유지되는 분류 모델을 수정하도록 더 구성되는, 시스템.
  15. 청구항 14에 있어서, 상기 파라미터 세트는 분류 클러스터의 경계, 신경 네트워크 노드 가중치 또는 해시 함수의 파라미터를 포함하는, 시스템.
  16. 청구항 11에 있어서, 상기 브라우저 애플리케이션은:
    식별자 할당 정책에 따라, 상기 분류 모델이 상기 브라우징 이력에 적용될 것이라고 결정하고; 그리고
    상기 분류 모델이 상기 식별자 할당 정책에 따라 적용될 것이라는 결정에 응답하여 상기 분류 모델을 적용하도록 더 구성되는, 시스템.
  17. 시스템으로서,
    하나 이상의 컴퓨팅 디바이스를 포함하며, 각각의 컴퓨팅 디바이스는 네트워크 인터페이스 및 하나 이상의 프로세서를 포함하며;
    상기 하나 이상의 컴퓨팅 디바이스는:
    복수의 클라이언트 컴퓨팅 디바이스 각각으로부터, 대응하는 클라이언트 컴퓨팅 디바이스의 브라우징 이력에 기초한 프로필을 수신하고, 각 프로필은 n차원 벡터를 포함하며,
    상기 복수의 프로필의 복수의 n차원 벡터를 행렬로 집합시키고,
    상기 행렬로부터, 분류 모델에 대한 파라미터 세트를 생성하고,
    복수의 클라이언트 컴퓨팅 디바이스 각각에 파라미터 세트를 전송하도록 구성되며, 각각의 클라이언트 컴퓨팅 디바이스는 대응하는 클라이언트 컴퓨팅 디바이스의 브라우징 이력을 분류하기 위해 파라미터 세트를 활용하는, 시스템.
  18. 청구항 17에 있어서, 상기 파라미터 세트는 분류 클러스터의 경계, 신경 네트워크 노드 가중치 또는 해시 함수의 파라미터를 포함하는, 시스템.
  19. 청구항 18에 있어서, 상기 하나 이상의 컴퓨팅 디바이스는 상기 행렬로부터 신경 네트워크 모델을 통해 클러스터 세트의 각 클러스터를 식별하도록 더 구성되는, 시스템.
  20. 청구항 17에 있어서, 상기 하나 이상의 컴퓨팅 디바이스는 특이 값 세트를 생성하기 위해 상기 행렬의 특이 값 분해를 계산함으로써 상기 파라미터 세트를 생성하도록 더 구성되는, 시스템.
KR1020237026345A 2019-08-08 2020-03-31 콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력 KR20230118199A (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US16/535,912 US11194866B2 (en) 2019-08-08 2019-08-08 Low entropy browsing history for content quasi-personalization
US16/535,912 2019-08-08
PCT/US2020/026017 WO2021025731A1 (en) 2019-08-08 2020-03-31 Low entropy browsing history for content quasi-personalization
KR1020217014910A KR102564387B1 (ko) 2019-08-08 2020-03-31 콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020217014910A Division KR102564387B1 (ko) 2019-08-08 2020-03-31 콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력

Publications (1)

Publication Number Publication Date
KR20230118199A true KR20230118199A (ko) 2023-08-10

Family

ID=70471097

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020237026346A KR20230119258A (ko) 2019-08-08 2020-03-31 콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력
KR1020237026345A KR20230118199A (ko) 2019-08-08 2020-03-31 콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력
KR1020217014910A KR102564387B1 (ko) 2019-08-08 2020-03-31 콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020237026346A KR20230119258A (ko) 2019-08-08 2020-03-31 콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020217014910A KR102564387B1 (ko) 2019-08-08 2020-03-31 콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력

Country Status (8)

Country Link
US (4) US11194866B2 (ko)
EP (3) EP4274194A3 (ko)
JP (3) JP7254922B2 (ko)
KR (3) KR20230119258A (ko)
CN (1) CN113056897A (ko)
DE (1) DE112020000133T5 (ko)
GB (1) GB2594367A (ko)
WO (1) WO2021025731A1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112020000136T5 (de) 2019-08-08 2021-07-29 Google Llc Browserverlauf mit geringer Entropie für die Quasi-Personalisierung von Inhalten
US11194866B2 (en) 2019-08-08 2021-12-07 Google Llc Low entropy browsing history for content quasi-personalization
US20210056458A1 (en) * 2019-08-20 2021-02-25 Adobe Inc. Predicting a persona class based on overlap-agnostic machine learning models for distributing persona-based digital content
US11544080B2 (en) * 2019-10-25 2023-01-03 Micro Focus Llc Adaptive user interface based on device context as well as user context
CN111475392B (zh) * 2020-04-08 2022-05-20 北京字节跳动网络技术有限公司 生成预测信息的方法、装置、电子设备和计算机可读介质
EP4053738A1 (en) * 2021-03-03 2022-09-07 Tata Consultancy Services Limited Determining similar behavioral pattern between time series data obtained from multiple sensors and clustering thereof
WO2023075774A1 (en) * 2021-10-28 2023-05-04 Google Llc Machine learning techniques for user group based content distribution
US20240020279A1 (en) * 2022-07-18 2024-01-18 Dell Products L.P. Systems and methods for intelligent database recommendation

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6962940B2 (en) 2002-03-20 2005-11-08 Celgene Corporation (+)-2-[1-(3-Ethoxy-4-methoxyphenyl)-2-methylsulfonylethyl]-4-acetylaminoisoindoline-1,3-dione: methods of using and compositions thereof
US8122360B2 (en) * 2007-06-27 2012-02-21 Kosmix Corporation Automatic selection of user-oriented web content
US7779040B2 (en) 2007-09-27 2010-08-17 Amazon Technologies, Inc. System for detecting associations between items
JP5242507B2 (ja) * 2009-06-22 2013-07-24 日本電信電話株式会社 広告配信システム、広告配信サーバー、広告配信方法および広告配信プログラム
US9129000B2 (en) 2010-04-30 2015-09-08 International Business Machines Corporation Method and system for centralized control of database applications
US20120203723A1 (en) * 2011-02-04 2012-08-09 Telefonaktiebolaget Lm Ericsson (Publ) Server System and Method for Network-Based Service Recommendation Enhancement
EP2533168B1 (en) 2011-06-07 2017-01-25 BlackBerry Limited Method and devices for managing permission requests to allow access to computing resource
US8763080B2 (en) 2011-06-07 2014-06-24 Blackberry Limited Method and devices for managing permission requests to allow access to a computing resource
US9519726B2 (en) 2011-06-16 2016-12-13 Amit Kumar Surfacing applications based on browsing activity
JP5730734B2 (ja) 2011-09-28 2015-06-10 株式会社Ｎｔｔドコモ アプリケーション推薦装置、アプリケーション推薦方法及びアプリケーション推薦プログラム
CN103647800B (zh) 2013-11-19 2017-12-12 乐视致新电子科技（天津）有限公司 推荐应用资源的方法及系统
CN104899220B (zh) 2014-03-06 2021-06-25 腾讯科技（深圳）有限公司 应用程序推荐方法和系统
CN105991722B (zh) 2015-02-12 2020-03-10 Oppo广东移动通信有限公司 一种下载器推荐方法、应用服务器、终端及系统
US20170046510A1 (en) 2015-08-14 2017-02-16 Qualcomm Incorporated Methods and Systems of Building Classifier Models in Computing Devices
US20170091303A1 (en) * 2015-09-24 2017-03-30 Intel Corporation Client-Side Web Usage Data Collection
US20160162924A1 (en) 2015-11-27 2016-06-09 Yogesh Rathod Track user activities and in exchange provide points to use for various activities including advertising contents to targeted users of network
CN105608117B (zh) 2015-12-14 2019-12-10 微梦创科网络科技（中国）有限公司 一种信息推荐方法及装置
US20170262894A1 (en) 2016-03-11 2017-09-14 Facebook, Inc. Expanding targeting criteria for content items based on user characteristics and weights associated with users satisfying the targeting criteria
US11030651B2 (en) * 2016-05-06 2021-06-08 Adp, Llc Segmented user profiles
US10496263B2 (en) * 2017-01-03 2019-12-03 Jpmorgan Chase Bank, N.A. De-anonymization of website visitor identity
RU2757546C2 (ru) 2017-07-25 2021-10-18 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для создания персонализированного пользовательского параметра интереса для идентификации персонализированного целевого элемента содержимого
US20190122111A1 (en) 2017-10-24 2019-04-25 Nec Laboratories America, Inc. Adaptive Convolutional Neural Knowledge Graph Learning System Leveraging Entity Descriptions
US11194866B2 (en) 2019-08-08 2021-12-07 Google Llc Low entropy browsing history for content quasi-personalization
DE112020000136T5 (de) 2019-08-08 2021-07-29 Google Llc Browserverlauf mit geringer Entropie für die Quasi-Personalisierung von Inhalten

Also Published As

Publication number Publication date
GB202107198D0 (en) 2021-06-30
EP4274193A2 (en) 2023-11-08
US20230409646A1 (en) 2023-12-21
WO2021025731A1 (en) 2021-02-11
US20210042357A1 (en) 2021-02-11
GB2594367A (en) 2021-10-27
EP3868076B1 (en) 2023-11-01
EP3868076A1 (en) 2021-08-25
US11194866B2 (en) 2021-12-07
US20210349947A1 (en) 2021-11-11
CN113056897A (zh) 2021-06-29
JP2023093476A (ja) 2023-07-04
KR102564387B1 (ko) 2023-08-08
EP4274194A2 (en) 2023-11-08
US20220083599A1 (en) 2022-03-17
JP7254922B2 (ja) 2023-04-10
JP2023098897A (ja) 2023-07-11
JP2022542623A (ja) 2022-10-06
US11687597B2 (en) 2023-06-27
KR20210077736A (ko) 2021-06-25
US11995128B2 (en) 2024-05-28
KR20230119258A (ko) 2023-08-16
DE112020000133T5 (de) 2021-07-29
EP4274194A3 (en) 2023-12-06
EP4274193A3 (en) 2023-11-29

Similar Documents

Publication Publication Date Title
KR102564387B1 (ko) 콘텐츠 준-개인화를 위한 낮은 엔트로피 브라우징 이력
KR102502616B1 (ko) 유사(Quasi)-개인화를 위한 저 엔트로피 브라우징 히스토리
US11716401B2 (en) Systems and methods for content audience analysis via encoded links
US11443010B2 (en) Systems and methods for benchmarking online activity via encoded links
US11936751B2 (en) Systems and methods for online activity monitoring via cookies
US11423441B2 (en) Low entropy browsing history for ads quasi-personalization
US20220188698A1 (en) Machine learning techniques for web resource interest detection
Su et al. A network traffic-aware mobile application recommendation system based on network traffic cost consideration

Legal Events

Date Code Title Description
A107 Divisional application of patent
E701 Decision to grant or registration of patent right