RU2632132C1 - Способ и устройство для создания рекомендаций содержимого в системе рекомендаций - Google Patents

Способ и устройство для создания рекомендаций содержимого в системе рекомендаций Download PDF

Info

Publication number
RU2632132C1
RU2632132C1 RU2016127447A RU2016127447A RU2632132C1 RU 2632132 C1 RU2632132 C1 RU 2632132C1 RU 2016127447 A RU2016127447 A RU 2016127447A RU 2016127447 A RU2016127447 A RU 2016127447A RU 2632132 C1 RU2632132 C1 RU 2632132C1
Authority
RU
Russia
Prior art keywords
user
content
subset
network resource
content sources
Prior art date
Application number
RU2016127447A
Other languages
English (en)
Inventor
Алексей Викторович Тихонов
Original Assignee
Общество С Ограниченной Ответственностью "Яндекс"
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 Общество С Ограниченной Ответственностью "Яндекс" filed Critical Общество С Ограниченной Ответственностью "Яндекс"
Priority to RU2016127447A priority Critical patent/RU2632132C1/ru
Priority claimed from EP17180214.3A external-priority patent/EP3267386A1/en
Application granted granted Critical
Publication of RU2632132C1 publication Critical patent/RU2632132C1/ru

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/54Browsing; Visualisation therefor
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/248Presentation of query results
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33Querying
    • G06F16/335Filtering based on additional data, e.g. user or group profiles
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/951Indexing; Web crawling techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9536Search customisation based on social or collaborative filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce, e.g. shopping or e-commerce
    • G06Q30/02Marketing, e.g. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards; Price estimation or determination
    • G06Q30/0241Advertisement
    • G06Q30/0251Targeted advertisement
    • G06Q30/0255Targeted advertisement based on user history
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce, e.g. shopping or e-commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping
    • G06Q30/0631Item recommendations
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01Social networking
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/50Network services
    • H04L67/535Tracking the activity of the user

Abstract

Изобретение относится к области компьютерной техники и сетевым технологиям и, в частности, к системам рекомендаций содержимого сетевых ресурсов. Технический результат заключается в повышении эффективности рекомендаций содержимого, доступного на сетевых ресурсах. Технический результат достигается за счет получения от электронного устройства запроса на рекомендацию содержимого, рекомендация содержимого включает в себя рекомендуемый элемент содержимого, выполнения модуля первого алгоритма машинного обучения для определения подмножества рекомендуемых источников содержимого из множества возможных источников содержимого, определения подмножества рекомендуемых источников содержимого, включая получение указания на предыдущие взаимодействия пользователей по меньшей мере с одним из: системой рекомендаций и по меньшей мере некоторыми из множества сетевых ресурсов, на основе предыдущих взаимодействий пользователя, определения первого подмножества связанных с пользователем источников содержимого, на основе обученной формулы алгоритма машинного обучения других взаимодействий пользователя с некоторыми другими из множества сетевых ресурсов, и анализа подмножества рекомендуемых источников содержимого для выбора множества потенциально рекомендуемых элементов содержимого. 2 н. и 20 з.п. ф-лы, 5 ил.

Description

Область техники
[001] Настоящее техническое решение относится к системе рекомендаций в общем смысле и, в частности, - к способу и устройству для создания рекомендаций содержимого в системе рекомендаций.
Уровень техники
[002] Различные глобальные или локальные сети связи (Интернет, Всемирная Паутина, локальные сети и подобные им) предлагают пользователю большой объем информации. Информация включает в себя контекстуальные разделы, такие как, среди прочего, новости и текущие события, карты, информация о компаниях, финансовая информация и ресурсы, информация о траффике, игры и информация развлекательного характера. Пользователи используют множество клиентских устройств (настольный компьютер, портативный компьютер, ноутбук, смартфон, планшеты и подобные им) для получения доступа к богатому информационному контенту (например, изображениям, аудио- и видеофайлам, анимированным изображениям и прочему мультимедийному контенту подобных сетей).
[003] Объем доступной информации на различных интернет-ресурсах экспоненциально вырос за последние несколько лет. Были разработаны различные решения, которые позволяют обычному пользователю находить информацию, которую он(а) ищет. Примером такого решения является поисковая система. Примеры поисковых систем включают в себя такие поисковые системы, как GOOGLE™, YANDEX™, YAHOO!™ и другие. Пользователь может получить доступ к интерфейсу поисковой системы и подтвердить поисковый запрос, связанный с информацией, которую пользователь хочет найти в Интернете. В ответ на поисковый запрос, поисковые системы предоставляют ранжированный список результатов поиска. Ранжированный список результатов поиска создается на основе различных алгоритмов ранжирования, которые реализованы в конкретной поисковой системе и которые используются пользователем, производящим поиск. Общей целью таких алгоритмов ранжирования является представление наиболее релевантных результатов вверху ранжированного списка, а менее релевантных результатов - на менее высоких позициях ранжированного списка результатов поиска (а наименее релевантные результаты поиска будут расположены внизу ранжированного списка результатов поиска).
[004] Поисковые системы обычно являются хорошим поисковым инструментом в том случае, когда пользователю заранее известно, что именно он(а) хочет найти. Другими словами, если пользователь заинтересован в получении информации о наиболее популярных местах в Италии (т.е. поисковая тема известна), пользователь может ввести поисковый запрос: «Наиболее популярные места в Италии». Поисковая система предоставит ранжированный список интернет-ресурсов, которые потенциально являются релевантными по отношению к поисковому запросу. Пользователь далее может просматривать ранжированный список результатов поиска для того, чтобы получить информацию, в которой он заинтересован, в данном случае - о посещаемых местах в Италии. Если пользователь по какой-либо причине не удовлетворен представленными результатами, пользователь может произвести вторичный поиск, уточнив запрос, например, «наиболее популярные места в Италии летом», «наиболее популярные места на юге Италии», «Наиболее популярные места в Италии для романтичного отдыха».
[005] Существует и другой подход, в котором пользователю предоставляется возможность обнаруживать содержимое и, конкретнее, позволяется отображать и/или рекомендовать содержимое, в поиске которого пользователь не был явно заинтересован. В некотором смысле, подобные системы рекомендуют пользователю содержимое без отдельного поискового запроса, на основе явных или неявных интересов пользователя.
[006] Примерами таких систем являются система рекомендаций FLIPBOARD, которая агрегирует и рекомендует содержимое из различных социальных сетей. Система рекомендаций FLIPBOARD предоставляет содержимое в «журнальном формате», где пользователь может «пролистывать» страницы с рекомендуемым/агрегированным содержимым. Системы рекомендаций собирают содержимое из социальных медиа и других веб-сайтах, представляют его в журнальном формате и позволяют пользователям «пролистывать» ленты социальных новостей и ленты веб-сайтов, которые поддерживают партнерские отношения с компанией, что позволяет эффективно «рекомендовать» содержимое пользователю, даже если пользователь явно не выражал свой интерес в конкретном содержимом.
[007] Для создания ранжированных результатов поиска в поисковой системе или списка рекомендуемых ресурсов в обычной системе рекомендаций, соответствующие системы используют алгоритмы машинного обучения для выбора результатов поиска и/или рекомендаций содержимого. Существуют различные алгоритмы машинного обучения, известные в данной области техники, и использующиеся в поисковых системах и системах рекомендаций. Как известно, обычные алгоритмы машинного обучения сначала «обучаются» с помощью обучающей выборки (которая является помеченной или не помеченной) для создания формулы алгоритма машинного обучения, которая далее применяется для определения во время работы выходных данных на основе входных данных системы.
[008] В обычной системе рекомендаций, алгоритм машинного обучения системы рекомендаций выбирает набор потенциальных рекомендуемых элементов из набора потенциальных ресурсов для рекомендуемых элементов. Обычно, алгоритм машинного обучения, который связан с подобной системой рекомендаций, получает (в течение некоторого времени) знания о различных потенциальных ресурсах элементов содержимого, предыдущие взаимодействия пользователя с различными потенциальными ресурсами элементов содержимого (а также созданные рекомендации), и использует это знание для создания рекомендации для конкретного пользователя системы рекомендаций.
Раскрытие
[009] Задачей предлагаемого технического решения является устранение по меньшей мере некоторых недостатков, присущих известному уровню техники.
[0010] Варианты осуществления настоящего технического решения были разработаны на основе предположения изобретателей о том, что алгоритмы машинного обучения, используемые для выбора рекомендаций содержимого, потребляют очень много вычислительных ресурсов компьютера. Тем не менее, система рекомендаций требует, чтобы рекомендации содержимого выводились достаточно быстро, когда пользователь системы рекомендаций запрашивает рекомендации содержимого. Другими словами, разработчики настоящего технического решения обратили внимание, что может быть, желательно, переместить конкретные задачи системы рекомендаций из реального времени в оффлайн, т.е. выполнять их до того, как пользователь системы рекомендаций запросил рекомендуемое содержимое.
[0011] Далее, разработчики настоящего технического решения полагают, что объем потенциальных рекомендуемых источников содержимого достаточно велик. Анализ всех потенциальных рекомендуемых источников содержимого может занимать достаточно много времени и требовать значительных вычислительных ресурсов. Таким образом, разработчики настоящего технического решения старались разработать способ и систему, которая заранее классифицирует потенциальные источники рекомендаций содержимого. Технический эффект от подобной предварительной классификации может быть двухсторонним. С одной стороны, предварительная классификация потенциальных источников может выполняться оффлайн. С другой стороны, данные о профиле источника содержимого могут быть использованы в новых областях, что потребует предварительной классификации большого числа потенциальных рекомендуемых источников содержимого. Варианты осуществления настоящего технического решения основаны на предположении разработчиков о том, что некоторые сетевые источники лучше подходят в качестве источников рекомендации. Не ограничиваясь какой-либо конкретной теорией, разработчики настоящего технического решения разработали системы и способы, которые предварительно классифицируют сетевые ресурсы как «потенциальные источники содержимого» (на основе профиля сетевого ресурса), система использует алгоритм машинного обучения, который присваивает больший весовой коэффициент тем сетевым ресурсам, которые обладают «быстрым» содержимым, т.е. содержимым, которое часто обновляется. Сетевые ресурсы могут быть (без установления ограничений) новостными агрегаторами, агрегаторами СМИ и так далее.
[0012] Другие варианты осуществления настоящего технического решения нацелены на разработку рекомендуемых источников содержимого для данного пользователя системы рекомендаций. Эти варианты осуществления настоящего технического решения анализируют конкретные для пользователя связанные с пользователем источники рекомендаций содержимого (т.е. источники, с которыми данный пользователь взаимодействовал в прошлом) и обогащает их источниками содержимого, с которыми пользователь мог не взаимодействовать в прошлом. Таким образом, некоторые варианты осуществления настоящего технического решения позволяют системе рекомендаций смешивать рекомендованное содержимое из известных данному пользователю источников и неизвестных источников, что позволяет системе рекомендаций «открывать» новые источники рекомендованного содержимого для данного пользователя.
[0013] Первым объектом настоящего технического решения является способ выбора сетевого ресурса в качестве источника элемента содержимого, элемент содержимого будет проанализирован системой рекомендаций как часть множества элементов содержимого для создания набора рекомендуемых элементов содержимого в качестве рекомендации для данного пользователя системы рекомендации. Система рекомендаций выполняется на сервере, который соединен с сетью передачи данных. Способ включает в себя: получение сервером указания на сетевой ресурс; получение сервером множества характеристик, связанных с сетевым ресурсом; создание сервером профиля данного сетевого ресурса для сетевого ресурса, профиль данного сетевого ресурса основан на множестве характеристик; выполнение сервером алгоритма машинного обучения для того чтобы, на основании профиля данного сетевого ресурса, определить параметр пригодности источника для сетевого ресурса, параметр пригодности источника указывает на чувствительность сетевого ресурса к публикации элемента содержимого, который может быть обработан системой рекомендаций, выбор по меньшей мере одного элемента содержимого с сетевого ресурса, если параметр пригодности источника определен как превышающий заранее определенный порог, по меньшей мере один элемент содержимого вводится в систему рекомендаций для обработки.
[0014] В некоторых вариантах осуществления способа, алгоритм машинного обучения был обучен, до упомянутого этапа получения, для определения параметра пригодности источника на основе профилей обучающего веб-сайта, созданных в связи со множеством обучающих характеристик, причем по меньшей некоторые из них относятся к той же категории, что и множество характеристик.
[0015] В некоторых вариантах осуществления способа, множество характеристик включает в себя по меньшей мере абсолютную характеристику и относительную характеристику.
[0016] В некоторых вариантах осуществления способа, абсолютная характеристика и относительная характеристика являются базовыми характеристиками, и способ дополнительно включает в себя:
[0017] создание по меньшей мере одной производной характеристики на основе по меньшей мере абсолютной характеристики и относительной характеристики; и
[0018] при этом профиль данного веб-сайта дополнительно основан по меньшей мере на одной производной характеристике.
[0019] В некоторых вариантах осуществления способа, множество характеристик включает в себя указание на долю посещенных ресурсов по отношению к сетевому ресурсу.
[0020] В некоторых вариантах осуществления способа, множество характеристик включает в себя по меньшей мере одну относительную характеристику, выбранную из следующего:
[0021] количество хитов за визит (HPV);
[0022] количество сессий за визит (SPV);
[0023] количество датированных страниц за визит (DPV);
[0024] количество домашних страниц за визит (MPV);
[0025] время, проведенное на сетевом ресурсе (MTIME);
[0026] последний домен за сессию (LPS);
[0027] первый домен за сессию (FPS);
[0028] количество хитов за сессию (HPS);
[0029] количество визитов на пользователя (VPU);
[0030] количество хитов на пользователя (HPU);
[0031] количество сессий на пользователя (SPU);
[0032] количество датированных страниц за хит (DPH);
[0033] количество домашних страниц за хит (МРН); и
[0034] указание на источник визита, который является одним из:
[0035] визитом пользователя на сайт напрямую (TT_GR);
[0036] визитом пользователя на сайт через поисковую систему (TT_SE);
[0037] визитом пользователя на сайт через социальную сеть (TT_SN);
[0038] визитом пользователя на сайт через электронное сообщение (TT_IM);
[0039] визитом пользователя на сайт, совершенным с помощью сервиса сокращения ссылок (TT_US); и
[0040] визитом пользователя на сайт, совершенным с помощью рекламной платформы (TT_AD).
[0041] В некоторых вариантах осуществления способа, множество характеристик включает в себя по меньшей одно из: число пользователей, которые посещают сетевой ресурс за период времени, число визитов за период времени, число переходов к различным веб-страницам в рамках сетевого ресурса за период времени, и число уникальных сессий с сетевым ресурсом за период времени.
[0042] В некоторых вариантах осуществления способа, множество характеристик является подмножеством всех возможных характеристик, способ дополнительно включает в себя выполнение выбора характеристики для определения подмножества.
[0043] В некоторых вариантах осуществления способа, подмножество всех возможных характеристик состоит из:
[0044] по меньшей мере одного из: доли целевой страницы среди визитов сетевого ресурса в рамках первоначального перехода к сетевому ресурсу в рамках сессии и доли визитов целевой страницы за время переходов внутри сетевого ресурса;
[0045] по меньшей мере одного из: доли веб-страницы, связанной с URL, который содержит дату, когда первая страница была посещена за первый переход на сетевой ресурс, и доли веб-страниц в сетевом ресурсе, посещенном за время сессии, веб-страницы связаны с URL, который содержит дату;
[0046] долевой профиль источников визита для сетевого ресурса, источники визита выбираются из: поисковой системы/социальных сетей/электронной почты и приложения мессенджера/сервиса сокращения ссылок /прямых визитов;
[0047] доля сессии, где сетевой ресурс был последним в сессии.
[0048] В некоторых вариантах осуществления способа, параметр пригодности источника может быть пригодным или непригодным.
[0049] В некоторых вариантах осуществления способа, параметр пригодности источника может определяться с помощью по меньшей мере одного из:
[0050] логистического регрессионного анализа;
[0051] упрощенного алгоритма Байеса;
[0052] алгоритма k-ближайших соседей;
[0053] алгоритма случайного леса; и
[0054] алгоритма невзвешенного голосования.
[0055] В некоторых вариантах осуществления способа, упомянутый этап выбора выполняется в ответ на запрос рекомендации от данного пользователя.
[0056] Еще одним объектом настоящего технического решения является сервер. Сервер включает в себя:
[0057] носитель данных;
[0058] сетевой интерфейс, выполненный с возможностью соединения по сети передачи данных;
[0059] процессор, функционально соединенный с носителем данных и сетевым интерфейсом, процессор выполнен с возможностью осуществлять:
[0060] получение указания на сетевой ресурс, сетевой ресурс будет обработан для определения его пригодности в качестве источника элемента содержимого, элемент содержимого будет проанализирован системой рекомендаций как часть множества элементов содержимого для создания набора рекомендуемых элементов содержимого в качестве рекомендации для данного пользователя системы рекомендации;
[0061] получение множества характеристик, связанных с сетевым ресурсом;
[0062] создание профиля данного сетевого ресурса для сетевого ресурса, профиль данного сетевого ресурса основан на множестве характеристик;
[0063] выполнение сервером алгоритма машинного обучения для того чтобы, на основании профиля данного сетевого ресурса, определить параметр пригодности источника для сетевого ресурса, параметр пригодности источника указывает на чувствительность сетевого ресурса к публикации элемента содержимого, который может быть обработан системой рекомендаций,
[0064] выбор по меньшей мере одного элемента содержимого с сетевого ресурса, если параметр пригодности источника определен как превышающий заранее определенный порог, по меньшей мере один элемент содержимого вводится в систему рекомендаций для обработки.
[0065] В некоторых вариантах осуществления сервера, алгоритм машинного обучения был обучен, до упомянутого этапа получения, для определения параметра пригодности источника на основе профилей обучающего веб-сайта, созданных в связи со множеством обучающих характеристик, причем по меньшей некоторые из них относятся к той же категории, что и множество характеристик.
[0066] В некоторых вариантах осуществления сервера, множество характеристик включает в себя по меньшей мере абсолютную характеристику и относительную характеристику.
[0067] В некоторых вариантах осуществления сервера, абсолютная характеристика и относительная характеристика являются базовыми характеристиками, и процессор выполнен с возможностью осуществлять:
[0068] создание по меньшей мере одной производной характеристики на основе по меньшей мере абсолютной характеристики и относительной характеристики; и
[0069] при этом профиль данного веб-сайта дополнительно основан по меньшей мере на одной производной характеристике.
[0070] В некоторых вариантах осуществления сервера, множество характеристик включает в себя указание на долю посещенных ресурсов по отношению к сетевому ресурсу.
[0071] В некоторых вариантах осуществления сервера, множество характеристик включает в себя по меньшей мере одну относительную характеристику, выбранную из следующего:
[0072] количество хитов за визит (HPV);
[0073] количество сессий за визит (SPV);
[0074] количество датированных страниц за визит (DPV);
[0075] количество домашних страниц за визит (MPV);
[0076] время, проведенное на сетевом ресурсе (MTIME);
[0077] последний домен за сессию (LPS);
[0078] первый домен за сессию (FPS);
[0079] количество хитов за сессию (HPS);
[0080] количество визитов на пользователя (VPU);
[0081] количество хитов на пользователя (HPU);
[0082] количество сессий на пользователя (SPU);
[0083] количество датированных страниц за хит (DPH);
[0084] количество домашних страниц за хит (МРН); и
[0085] указание на источник визита, который является одним из:
[0086] визитом пользователя на сайт напрямую (TT_GR);
[0087] визитом пользователя на сайт через поисковую систему (TT_SE);
[0088] визитом пользователя на сайт через социальную сеть (TT_SN);
[0089] визитом пользователя на сайт через электронное сообщение (TT_IM);
[0090] визитом пользователя на сайт, совершенным с помощью сервиса сокращения ссылок (TT_US); и
[0091] визитом пользователя на сайт, совершенным с помощью рекламной платформы (TT_AD).
[0092] В некоторых вариантах осуществления сервера, множество характеристик включает в себя по меньшей одно из: число пользователей, которые посещают сетевой ресурс за период времени, число визитов за период времени, число переходов к различным веб-страницам в рамках сетевого ресурса за период времени и число уникальных сессий с сетевым ресурсом за период времени.
[0093] В некоторых вариантах осуществления сервера, множество характеристик является подмножеством всех возможных характеристик, способ дополнительно включает в себя выполнение выбора характеристики для определения подмножества.
[0094] В некоторых вариантах осуществления сервера, подмножество всех возможных характеристик состоит из:
[0095] по меньшей мере одного из: доли целевой страницы среди визитов сетевого ресурса в рамках первоначального перехода к сетевому ресурсу в рамках сессии и доли визитов целевой страницы за время переходов внутри сетевого ресурса;
[0096] по меньшей мере одного из: доли веб-страницы, связанной с URL, который содержит дату, когда первая страница была посещена за первый переход на сетевой ресурс, и доли веб-страниц в сетевом ресурсе, посещенном за время сессии, веб-страницы связаны с URL, который содержит дату;
[0097] долевой профиль источников визита для сетевого ресурса, источники визита выбираются из: поисковой системы/социальных сетей/электронной почты и приложения мессенжера/URL/прямых визитов;
[0098] доля сессии, где сетевой ресурс был последним в сессии.
[0099] В некоторых вариантах осуществления сервера, параметр пригодности источника может быть пригодным или непригодным.
[00100] В некоторых вариантах осуществления сервера, параметр пригодности источника может определяться с помощью по меньшей мере одного из:
[00101] логистического регрессионного анализа;
[00102] упрощенного алгоритма Байеса;
[00103] алгоритма k-ближайших соседей;
[00104] алгоритма случайного леса; и
[00105] алгоритма невзвешенного голосования.
[00106] В некоторых вариантах осуществления сервера, процессор выполнен с возможностью выполнить осуществление выбора в ответ на запрос рекомендации от данного пользователя.
[00107] Еще одним объектом настоящего изобретения является исполняемый на компьютере способ создания рекомендаций содержимого для пользователя электронного устройства. Способ выполняется на рекомендательном сервере, который доступен электронному устройству через сеть передачи данных, рекомендации содержимого связаны с элементом содержимого, доступном на одном из множества сетевых ресурсов, которые доступны через сеть передачи данных. Способ включает в себя: получение от электронного устройства запроса на рекомендацию содержимого, рекомендация содержимого включает в себя по меньшей мере один рекомендуемый элемент содержимого; выполнение модуля первого алгоритма машинного обучения для определения подмножества рекомендуемых источников содержимого из множества возможных источников содержимого, определение подмножества рекомендуемых источников содержимого, включая: получение указания на предыдущие взаимодействия пользователя по меньшей мере с одним из: (i) системой рекомендаций и (ii) по меньшей мере некоторыми из множества сетевых ресурсов; на основе предыдущих взаимодействий пользователя, определение первого подмножества связанных с пользователем источников содержимого; на основе (i) обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов и по меньшей мере одним из: (ii) первого подмножества конкретных для пользователя источников содержимого; и (iii) вектора пользовательского профиля, созданного на основе предыдущих взаимодействий пользователя, создание второго подмножества не связанных с пользователем источников содержимого; обработка первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого; анализ подмножества рекомендуемых источников содержимого для выбора множества элементов потенциально рекомендуемого содержимого; выполнение модуля второго алгоритма машинного обучения для выбора, из множества элементов потенциально рекомендуемого содержимого, по меньшей мере одного элемента рекомендаций содержимого; выбор производится на основе вектора пользовательского профиля.
[00108] В некоторых вариантах осуществления способа, определение второго подмножества не связанных с пользователем источников содержимого включает в себя применение алгоритма сингулярного разложения (SVD).
[00109] В некоторых вариантах осуществления способа, определение второго подмножества не связанных с пользователем источников содержимого основано на:
[00110] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
[00111] (ii) векторе пользовательского профиля созданном на основе предыдущих взаимодействий пользователя.
[00112] В некоторых вариантах осуществления способа, способ дополнительно включает в себя, до получения запроса на рекомендацию содержимого, создание алгоритмом сингулярного разложения матрицы событий и пользователей сетевых ресурсов.
[00113] В некоторых вариантах осуществления способа, определение второго подмножества не связанных с пользователем источников содержимого включает в себя применение алгоритма точечной взаимной информации (PMI).
[00114] В некоторых вариантах осуществления способа, определение второго подмножества не связанных с пользователем источников содержимого основано на:
[00115] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
[00116] (ii) первом подмножестве связанных с пользователем источников содержимого.
[00117] В некоторых вариантах осуществления способа, выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых новых элементов содержимого.
[00118] В некоторых вариантах осуществления способа, выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых популярных элементов содержимого.
[00119] В некоторых вариантах осуществления способа, выбор из подмножества рекомендуемых источников содержимого конкретен для географической области, где был выполнен запрос на рекомендуемое содержимое.
[00120] В некоторых вариантах осуществления способа, способ дополнительно включает в себя фильтрацию выбранных потенциально рекомендуемых элементов содержимого.
[00121] В некоторых вариантах осуществления способа, фильтрация основана на языковых настройках электронного устройства и языковых настройках элемента содержимого.
[00122] Еще одним объектом настоящего технического решения является сервер. Сервер включает в себя: носитель данных; сетевой интерфейс, выполненный с возможностью передачи данных по сети передачи данных; процессор, функционально подключенный к носителю данных и сетевому интерфейсу, процессор выполнен с возможностью осуществлять: получение от электронного устройства запроса на рекомендацию содержимого, рекомендация содержимого включает в себя по меньшей мере один рекомендуемый элемент содержимого; рекомендации содержимого связаны с элементом содержимого, доступном на одном из множества сетевых ресурсов, которые доступны через сеть передачи данных; выполнение модуля первого алгоритма машинного обучения для определения подмножества рекомендуемых источников содержимого из множества возможных источников содержимого, определение подмножества рекомендуемых источников содержимого, включая: получение указания на предыдущие взаимодействия пользователя по меньшей мере с одним из: (i) системой рекомендаций и (ii) по меньшей мере некоторыми из множества сетевых ресурсов; на основе предыдущих взаимодействий пользователя, определение первого подмножества связанных с пользователем источников содержимого; на основе (i) обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов и по меньшей мере одним из: (ii) первого подмножества связанных с пользователем источников содержимого; и (iii) вектора пользовательского профиля, созданного на основе предыдущих взаимодействий пользователя, создание второго подмножества не связанных с пользователем источников содержимого; обработка первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого; анализ подмножества рекомендуемых источников содержимого для выбора множества элементов потенциально рекомендуемого содержимого; выполнение модуля второго алгоритма машинного обучения для выбора, из множества элементов потенциально рекомендуемого содержимого, по меньшей мере одного элемента рекомендаций содержимого; выбор производится на основе вектора пользовательского профиля.
[00123] В некоторых вариантах осуществления сервера, для определения второго подмножества связанных с пользователем источников содержимого, процессор выполнен с возможностью применять алгоритм сингулярного разложения (SVD).
[00124] В некоторых вариантах осуществления сервера, определение второго подмножества не связанных с пользователем источников содержимого основано на:
[00125] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
[00126] (ii) векторе пользовательского профиля созданном на основе предыдущих взаимодействий пользователя.
[00127] В некоторых вариантах осуществления сервера, сервер дополнительно выполнен с возможностью, до этапа получения запроса на рекомендацию содержимого, осуществлять создание, с помощью алгоритма сингулярного разложения, матрицы событий и пользователей сетевых ресурсов.
[00128] В некоторых вариантах осуществления сервера, для определения второго подмножества не связанных с пользователем источников содержимого, процессор выполнен с возможностью применять алгоритм точечной взаимной информации (PMI).
[00129] В некоторых вариантах осуществления сервера, определение второго подмножества не связанных с пользователем источников содержимого основано на:
[00130] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
[00131] (ii) первом подмножестве связанных с пользователя источников содержимого.
[00132] В некоторых вариантах осуществления сервера, выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых новых элементов содержимого.
[00133] В некоторых вариантах осуществления сервера, выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых популярных элементов содержимого.
[00134] В некоторых вариантах осуществления сервера, выбор из подмножества рекомендуемых источников содержимого конкретен для географической области, где был выполнен запрос на рекомендуемое содержимое.
[00135] В некоторых вариантах осуществления сервера, процессор дополнительно выполнен с возможностью осуществлять фильтрацию выбранных потенциально рекомендуемых элементов содержимого.
[00136] В некоторых вариантах осуществления сервера, фильтрация основана на языковых настройках электронного устройства и языковых настройках элемента содержимого.
[00137] В контексте настоящего описания «сервер» подразумевает под собой компьютерную программу, работающую на соответствующем оборудовании, которая способна получать запросы (например, от клиентских устройств) по сети и выполнять эти запросы или инициировать выполнение этих запросов. Оборудование может представлять собой один физический компьютер или одну физическую компьютерную систему, но ни то, ни другое не является обязательным для настоящего технического решения. В контексте настоящего технического решения использование выражения «сервер» не означает, что каждая задача (например, полученные команды или запросы) или какая-либо конкретная задача будет получена, выполнена или инициирована к выполнению одним и тем же сервером (то есть одним и тем же программным обеспечением и/или аппаратным обеспечением); это означает, что любое количество элементов программного обеспечения или аппаратных устройств может быть вовлечено в прием/передачу, выполнение или инициирование выполнения любого запроса или последствия любого запроса, связанного с клиентским устройством, и все это программное и аппаратное обеспечение может быть одним сервером или несколькими серверами, оба варианта включены в выражение «по меньшей мере один сервер».
[00138] В контексте настоящего описания «клиентское устройство» подразумевает под собой аппаратное устройство, способное работать с программным обеспечением, подходящим к решению соответствующей задачи. Таким образом, примерами клиентских устройств (среди прочего) могут служить персональные компьютеры (настольные компьютеры, ноутбуки, нетбуки и т.п.) смартфоны, планшеты, а также сетевое оборудование, такое как маршрутизаторы, коммутаторы и шлюзы. Следует иметь в виду, что устройство, ведущее себя как клиентское устройство в настоящем контексте, может вести себя как сервер по отношению к другим клиентским устройствам. Использование выражения «клиентское устройство» не исключает возможности использования множества клиентских устройств для получения/отправки, выполнения или инициирования выполнения любой задачи или запроса, или же последствий любой задачи или запроса, или же этапов любого вышеописанного способа.
[00139] В контексте настоящего описания «база данных» подразумевает под собой любой структурированный набор данных, не зависящий от конкретной структуры, программного обеспечения по управлению базой данных, аппаратного обеспечения компьютера, на котором данные хранятся, используются или иным образом оказываются доступны для использования. База данных может находиться на том же оборудовании, выполняющем процесс, который сохраняет или использует информацию, хранящуюся в базе данных, или же она может находиться на отдельном оборудовании, например, выделенном сервере или множестве серверов.
[00140] В контексте настоящего описания «информация» включает в себя любую информацию, которая может храниться в базе данных. Таким образом, информация включает в себя, среди прочего, аудиовизуальные произведения (изображения, видео, звукозаписи, презентации и т.д.), данные (данные о местоположении, цифровые данные и т.д.), текст (мнения, комментарии, вопросы, сообщения и т.д.), документы, таблицы, списки слов и т.д.
[00141] В контексте настоящего описания «компонент» подразумевает под собой программное обеспечение (соответствующее конкретному аппаратному контексту), которое является необходимым и достаточным для выполнения конкретной(ых) указанной(ых) функции(й).
[00142] В контексте настоящего описания «используемый компьютером носитель компьютерной информации» подразумевает под собой носитель абсолютно любого типа и характера, включая ОЗУ, ПЗУ, диски (компакт диски, DVD-диски, дискеты, жесткие диски и т.д.), USB флеш-накопители, твердотельные накопители, накопители на магнитной ленте и т.д.
[00143] В контексте настоящего описания слова «первый», «второй», «третий» и т.д. используются в виде прилагательных исключительно для того, чтобы отличать существительные, к которым они относятся, друг от друга, а не для целей описания какой-либо конкретной взаимосвязи между этими существительными. Так, например, следует иметь в виду, что использование терминов «первый сервер» и «третий сервер» не подразумевает какого-либо порядка, отнесения к определенному типу, хронологии, иерархии или ранжирования (например) серверов/между серверами, равно как и их использование (само по себе) не предполагает, что некий "второй сервер" обязательно должен существовать в той или иной ситуации. В дальнейшем, как указано здесь в других контекстах, упоминание «первого» элемента и «второго» элемента не исключает возможности того, что это один и тот же фактический реальный элемент. Так, например, в некоторых случаях, «первый» сервер и «второй» сервер могут являться одним и тем же программным и/или аппаратным обеспечением, а в других случаях они могут являться разным программным и/или аппаратным обеспечением.
[00144] Каждый вариант осуществления настоящего технического решения преследует по меньшей мере одну из вышеупомянутых целей и/или объектов. Следует иметь в виду, что некоторые объекты настоящего технического решения, полученные в результате попыток достичь вышеупомянутой цели, могут удовлетворять другим целям, отдельно не указанным здесь.
[00145] Дополнительные и/или альтернативные характеристики, аспекты и преимущества вариантов осуществления настоящего технического решения станут очевидными из последующего описания, прилагаемых чертежей и прилагаемой формулы изобретения.
Краткое описание чертежей
[00146] Для лучшего понимания настоящего технического решения, а также других его аспектов и характерных черт сделана ссылка на следующее описание, которое должно использоваться в сочетании с прилагаемыми чертежами, где:
[00147] На Фиг. 1 представлена система, подходящая для реализации неограничивающих вариантов осуществления настоящего технического решения.
[00148] На Фиг. 2 представлен снимок экрана с рекомендательным интерфейсом, выполненным в соответствии с неограничивающим вариантом осуществления настоящего технического решения, рекомендательный интерфейс представлен на экране электронного устройства системы, показанной на Фиг. 1, электронное устройство выполнено в виде смартфона.
[00149] На Фиг. 3 представлен другой вариант осуществления системы, реализованной в соответствии с еще одним неограничивающим вариантом осуществления настоящего технического решения.
[00150] На Фиг. 4 представлена блок-схема способа, реализованного в соответствии с неограничивающими вариантами осуществления настоящего технического решения, и выполняемого в рамках системы, представленной на Фиг. 1.
[00151] На Фиг. 5 представлена блок-схема способа 800, реализованного в соответствии с другим неограничивающим вариантом осуществления настоящего технического решения и выполняемого в рамках системы 300, представленной на Фиг. 3.
Осуществление
[00152] На Фиг. 1 представлена принципиальная схема системы 100, выполненной в соответствии с вариантами осуществления настоящего технического решения, не ограничивающими его объем. Важно иметь в виду, что нижеследующее описание системы 100 представляет собой описание показательных вариантов осуществления настоящего технического решения. Таким образом, все последующее описание представлено только как описание иллюстративного примера настоящего технического решения. Это описание не предназначено для определения объема или установления границ настоящего технического решения. Некоторые полезные примеры модификаций системы 100 также могут быть охвачены нижеследующим описанием. Целью этого является также исключительно помощь в понимании, а не определение объема и границ настоящего технического решения. Эти модификации не представляют собой исчерпывающий список, и специалистам в данной области техники будет понятно, что возможны и другие модификации. Кроме того, это не должно интерпретироваться так, что там, где не были изложены примеры модификаций, никакие модификации невозможны, и/или что то, что описано, является единственным вариантом осуществления этого элемента настоящего технического решения. Как будет понятно специалисту в данной области техники, это, скорее всего, не так. Кроме того, следует иметь в виду, что система 100 представляет собой в некоторых конкретных проявлениях достаточно простой вариант осуществления настоящего технического решения, и в подобных случаях представлен здесь с целью облегчения понимания. Как будет понятно специалисту в данной области техники, многие варианты осуществления настоящего технического решения будут обладать гораздо большей сложностью.
[00153] В общем случае, система 100 выполнена с возможностью предоставлять рекомендации содержимого пользователю 102 системы 100. Пользователь 102 может являться подписчиком сервиса рекомендаций, который предоставляет система 100. Однако, подписка не обязана быть оплачиваемой или явной. Например, пользователь 102 может стать подписчиком путем скачивания рекомендательного предложения из системы 100, путем регистрации и предоставления сочетания логина/пароля, путем регистрации и предоставления предпочтений пользователя и так далее. Поэтому любой вариант системы, выполненный с возможностью создавать рекомендации содержимого для данного пользователя, может быть адаптирован специалистом для выполнения вариантов осуществления настоящего технического решения после того, как специалистом было прочитано настоящее описание. Кроме того, система 100 может быть описана с помощью примера системы 100, которая является системой рекомендаций (следовательно, система 100 может упоминаться как «система 100 рекомендаций» или «система 100 предсказаний» или «система 100 обучения»). Тем не менее, варианты осуществления настоящего технического решения могут также применяться к другим типам систем 100, как будет более подробно описано далее.
[00154] Система 100 содержит электронное устройство 104, электронное устройство 104 связано с пользователем 102. Таким образом, электронное устройство 104 может иногда упоминаться как «клиентское устройство», «устройство конечного пользователя» или «клиентское электронное устройство». Следует отметить, что тот факт, что электронное устройство 104 связано с пользователем 102, не подразумевает какого-либо конкретного режима работы, равно как и необходимости входа в систему, быть зарегистрированным, или чего-либо подобного.
[00155] Варианты осуществления электронного устройства 104 конкретно не ограничены, но в качестве примера электронного устройства 104 могут использоваться персональные компьютеры (настольные компьютеры, ноутбуки, нетбуки и т.п.), устройства беспроводной связи (смартфоны, мобильные телефоны, планшеты и т.п.), а также сетевое оборудование (маршрутизаторы, коммутаторы или шлюзы). Электронное устройство 104 содержит аппаратное и/или прикладное программное, и/или системное программное обеспечение (или их комбинацию), как известно в области техники, чтобы выполнять рекомендательное приложение 106. В общем случае, задачей рекомендательного приложения 106 является позволить пользователю получать (или каким-либо иным способом иметь доступ) к рекомендациям содержимого, которые предоставлены системой 100, как будет более подробно описано далее.
[00156] Реализация рекомендательного приложения 106 никак конкретно не ограничена. Одним из примеров выполнения рекомендательного приложения 106 является доступ пользователем на веб-сайт, соответствующий системе рекомендаций, для получения доступа к рекомендательному приложению 106. Например, рекомендательное приложение 106 может быть вызвано путем ввода (или копирования-вставки или выбора ссылки) URL, связанного с сервисом рекомендаций. Альтернативно, рекомендательное приложение 106 может являться приложением, скачанным из так называемого магазина приложений, например, APPSTORE™ или GOOGLEPLAY™, и установленным/используемым на электронном устройстве 104. Важно иметь в виду, что рекомендательное приложение 106 может быть вызвано с помощью любых других средств.
[00157] В общем случае, рекомендательное приложение 106 включает в себя рекомендательный интерфейс 108, причем рекомендательный интерфейс 108 отображается на экране (отдельно не пронумерован) электронного устройства 104. На Фиг. 2 представлен снимок экрана с рекомендательным интерфейсом 108, реализованным в соответствии с неограничивающим вариантом осуществления настоящего технического решения (пример рекомендательного интерфейса 108 представлен на экране электронного устройства 104, который реализован в виде смартфона).
[00158] В некоторых вариантах осуществления настоящего технического решения, рекомендательный интерфейс 108 отображается, когда пользователь 102 электронного устройства 104 активирует (т.е. запускает, использует, запускает в фоновом режиме и так далее) рекомендательное приложение 106. Альтернативно, рекомендательный интерфейс 108 может быть представлен, когда пользователь 102 открывает новое окно браузера и/или активирует новую вкладку в браузерном приложении. Например, в некоторых вариантах осуществления настоящего технического решения, рекомендательный интерфейс 108 может активировать «домашний экран» в браузерном приложении.
[00159] Рекомендательный интерфейс 108 включает в себя поисковый интерфейс 202. Поисковый интерфейс 202 включает в себя интерфейс 204 поискового запроса. Интерфейс 204 поискового запроса может быть реализован как «омнибокс», что позволяет вводить поисковый запрос для проведения поиска или сетевой адрес (например, Единый Указатель Ресурсов (URL)) для идентификации ресурса (например, веб-сайта), который будет вызван. Тем не менее, интерфейс 204 поискового запроса может быть реализован для получения одного или обоих из: записи поискового запроса на выполнение поиска или сетевого адреса (например, Единый Указатель Ресурсов (URL)) для идентификации ресурса (например, веб-сайта), который будет вызван.
[00160] Рекомендательный интерфейс 108 дополнительно включает в себя интерфейс 206 ссылок. Интерфейс 206 ссылок включает в себя множество фрагментов 208 - восемь из которых представлены на Фиг. 2 - только два пронумерованы на Фиг. 2 - первый фрагмент 210 и второй фрагмент 212.
[00161] Используя, например, первый фрагмент 210 и второй фрагмент 212 - каждый из множества фрагментов 208 включает в себя (или действует как) ссылку на (i) веб-сайт, отмеченный как «избранное» или как-либо иначе отмеченный пользователем 102, (ii) ранее посещенный веб-сайт или (iii) тому подобное. Множество фрагментов 208 в представленном варианте осуществления визуально представлено пользователю 102 в виде квадратных кнопок с логотипом и/или названием представленного ресурса, логотип и название позволяют пользователю 102 идентифицировать, на какой ресурс ведет каждый из множества фрагментов (отдельно не пронумеровано). Тем не менее, важно иметь в виду, что визуальное представление некоторых или всех из множества фрагментов 208 может быть иным. Таким образом, некоторые или все из множества фрагментов 208 могут быть реализованы как кнопки других форм, как список гиперссылок и так далее.
[00162] Например, первый фрагмент 210 включает в себя ссылку на веб-сайт TRAVELZOO™, а второй фрагмент 212 включает в себя ссылку на веб-сайт персонального живого журнала. Излишне говорить, что число и содержимое индивидуальных фрагментов из множества фрагментов 208 никак конкретно не ограничено.
[00163] Например, число фрагментов во множестве фрагментов 208 может быть выбрано заранее поставщиком рекомендательного приложения 106. В некоторых вариантах осуществления настоящего технического решения, число фрагментов во множестве фрагментов 208 выбирается заранее на основе размера и/или разрешения экрана электронного устройства 104, которое выполняет рекомендательное приложение 106. Например, первое число фрагментов может быть выбрано заранее для электронного устройства 104, которое реализовано как смартфон, второе число фрагментов может быть выбрано заранее для электронного устройства 104, которое реализовано как планшет, и третье число фрагментов может быть выбрано заранее для электронного устройства 104, которое реализовано как ноутбук или настольный компьютер.
[00164] Рекомендательный интерфейс 108 дополнительно включает в себя набор 214 рекомендованного содержимого. Набор 214 рекомендованного содержимого включает в себя один или несколько элементов рекомендаций содержимого, например, первый элемент 216 рекомендаций содержимого и второй элемент 218 рекомендаций содержимого (второй элемент 218 рекомендаций содержимого только частично виден на Фиг. 2). Естественно, набор 214 рекомендаций содержимого может обладать большим числом элементов рекомендаций содержимого. В рамках варианта осуществления, представленного на Фиг. 2, и тех вариантов осуществления настоящего технического решения, где присутствует более одного элемента рекомендованного содержимого, пользователь 102 может прокручивать через набор 214 рекомендованного содержимого. Прокрутка может осуществляться любыми подходящими способами. Например, пользователь 102 может прокручивать содержимое набора 214 рекомендованного содержимого путем активации мыши (не показано), клавиши клавиатуры (не показано) или взаимодействия с сенсорным экраном (не показано) соответствующего электронного устройства 104.
[00165] Пример, приведенный на Фиг. 2 является одним возможным вариантом осуществления рекомендательного интерфейса 108.
[00166] То, как именно создается набор 214 рекомендованного содержимого, будет более подробно описано далее.
[00167] Возвращаясь к описанию Фиг. 1, электронное устройство 104 функционально соединено с сетью 110 передачи данных для получения доступа к рекомендательному серверу 112. В некоторых вариантах осуществления настоящего технического решения, не ограничивающих его объем, сеть 110 передачи данных может представлять собой Интернет. В других вариантах осуществления настоящего технического решения, сеть 110 передачи данных может быть реализована иначе - в виде глобальной сети передачи данных, локальной сети передачи данных, частной сети передачи данных и т.п. Линия передачи данных (отдельно не пронумерована) между электронным устройством 104 и сетью 110 передачи данных реализована таким образом, что она будет зависеть, среди прочего, от того, как реализовано электронное устройство 104. В качестве примера, но не ограничения, в данных вариантах осуществления настоящего технического решения в случаях, когда электронное устройство 104 представляет собой беспроводное устройство связи (например, смартфон), линия передачи данных представляет собой беспроводную сеть передачи данных (например, среди прочего, линия передачи данных 3G, линия передачи данных 4G, беспроводной интернет Wireless Fidelity или коротко WiFi®, Bluetooth® и т.п.). В тех примерах, где электронное устройство 104 представляет собой портативный компьютер, линия связи может быть как беспроводной (беспроводной интернет Wireless Fidelity или коротко WiFi®, Bluetooth® и т.п.), так и проводной (соединение на основе сети Ethernet).
[00168] Рекомендательный сервер 112 может представлять собой обычный компьютерный сервер. В примере варианта осуществления настоящего технического решения, рекомендательный сервер 112 может представлять собой сервер Dell™ PowerEdge™, на котором используется операционная система Microsoft™ Windows Server™. Излишне говорить, что рекомендательный сервер 112 может представлять собой любое другое подходящее аппаратное, прикладное программное, и/или системное программное обеспечение или их комбинацию. В представленном варианте осуществления настоящего технического решения, не ограничивающем его объем, рекомендательный сервер 112 является одиночным сервером. В других вариантах осуществления настоящего технического решения, не ограничивающих его объем, функциональность рекомендательного сервера 112 изображения может быть разделена, и может выполняться с помощью нескольких серверов.
[00169] Рекомендательный сервер 112 включает в себя модуль 114 обработки. Модуль 114 обработки соединен или иным образом имеет доступ к модулю 116 выбора источника содержимого. Модуль 116 выбора источника содержимого имеет доступ к устройству 118 хранения данных. Модуль 114 обработки дополнительно связан с модулем 115 выбора рекомендаций содержимого. Работа рекомендательного сервера 112 и его компонентов будет более подробно описана далее.
[00170] Также с сетью 110 передачи данных соединено множество сетевых ресурсов, включая первый сетевой ресурс 124, второй сетевой ресурс 126 и множество дополнительных сетевых ресурсов 128. Первый сетевой ресурс 124, второй сетевой ресурс 126 и множество дополнительных сетевых ресурсов 128 являются сетевыми ресурсами, доступными электронному устройству 104 (а также другим электронным устройствам, потенциально присутствующим в системе 100) через сеть 110 передачи данных. Соответствующее содержимое первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128 никак конкретно не ограничено. Данный один сетевой ресурс из первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128 может содержать (или, другими словами, включать в себя) цифровое содержимое, например: аудио содержимое для потоковой передачи, видео содержимое для потоковой передачи, новости, блоги, информацию о различных государственных институтах, информацию о точках интереса, тематически кластеризованное содержимое (например, содержимое, релевантное для тех, кто интересуется кикбоксингом) и так далее.
[00171] Содержимое потенциально «доступно» для электронного устройства 104 различными способами. Например, пользователь 102 электронного устройства 104 может использовать браузерное приложение (не показано) и ввести Универсальный Указатель Ресурса (URL), связанный с одним из первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128. Альтернативно, пользователь 102 электронного устройства 104 может выполнить поиск с помощью поисковой системы (не показано), чтобы изучить содержимое одного или нескольких из первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128. Как было упомянуто ранее, это удобно в том случае, если пользователь 102 заранее знает, в каком именно содержимом пользователь 102 заинтересован.
[00172] В соответствии с вариантами осуществления настоящего технического решения, рекомендательное приложение 106 может рекомендовать элементы содержимого, доступные с одного из первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128, пользователю 102, элементы содержимого, о которых пользователь 102 может заранее не знать. Рекомендательный сервер 112 выполнен с возможностью осуществлять выбор содержимого для одного или нескольких рекомендуемых элементов, которые будут представлены пользователю 102 через рекомендательное приложение 106. Конкретнее, модуль 114 обработки выполнен с возможностью (i) получать от электронного устройства 104 запрос на рекомендации 150 содержимого и (ii) в ответ на запрос, создавать сообщение 152 рекомендаций содержимого, специально настроенное для пользователя 102, связанного с электронным устройством 104. Модуль 114 обработки может дополнительно координировать выполнение различных процессов, описанных здесь как выполняемые одним из первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128, и модулем 116 выбора источника, например.
[00173] В некоторых вариантах осуществления настоящего технического решения, запрос на рекомендации 150 содержимого может быть создан в ответ на предоставление пользователем 102 явного указания на его/ее желание получать рекомендации содержимого. Например, рекомендательный интерфейс 108 может предоставлять кнопку (или другой активируемый элемент), который позволит пользователю 102 выражать свое желание получить новые или обновленные рекомендации содержимого. В качестве неограничивающего примера, рекомендательный интерфейс 108 может предоставить активируемую кнопку, на которой написано «запросить рекомендации содержимого». В рамках этих вариантов осуществления настоящего технического решения, запрос на рекомендации 150 содержимого может считаться «явным запросом» в том смысле, что пользователь 102 явно выражает запрос на рекомендации содержимого.
[00174] В других вариантах осуществления настоящего технического решения, запрос на рекомендации 150 содержимого может быть создан в ответ на явное указание от пользователя 102 на желание пользователя получить рекомендации содержимого. В некоторых вариантах осуществления настоящего технического решения, запрос на рекомендации 150 содержимого может быть создан в ответ на то, что пользователь 102 запускает рекомендательное приложение 106.
[00175] Альтернативно, в тех вариантах осуществления настоящего технического решения, где рекомендательное приложение 106 реализовано в виде браузера (например, браузер GOOGLE™, браузер YANDEX™, a YAHOO!™ браузер или любое другое собственное или коммерчески доступное браузерное приложение), запрос на рекомендации 150 содержимого может быть создан в ответ на то, что пользователь 102 открывает браузерное приложение и может быть создано, например, без выполнения пользователем 102 каких-либо действий, кроме активации браузерного приложения. В качестве другого примера, запрос на рекомендации 150 содержимого может быть создан в ответ на открытие пользователем 102 новой вкладки в уже открытом браузерном приложении, и могут быть созданы, например, без выполнения пользователем 102 каких-либо действий, кроме активации новой вкладки браузера. Другими словами, запрос на рекомендации 150 содержимого может быть создан даже без знания пользователя 102 о том, что он может быть заинтересован в получении рекомендации содержимого.
[00176] В качестве другого примера, запрос на рекомендацию 150 содержимого может быть создан в ответ на выбор пользователем 102 конкретного элемента браузерного приложения, и могут быть созданы, например, без выполнения пользователем 102 каких-либо действий, кроме активации/выбора конкретного элемента браузерного приложения.
[00177] Примеры конкретного элемента браузерного приложения включают в себя, без установления ограничений:
Figure 00000001
Адресную строку строки браузерного приложения;
Figure 00000001
Поисковую строку браузерного приложения и/или поисковую строку веб-сайта поисковой системы, доступного в браузерном приложении;
Figure 00000001
Омнибокс (связанные адрес и поисковая строка браузерного приложения)
Figure 00000001
Панель избранных или недавно посещенных сетевых ресурсов;
Figure 00000001
Любую другую заранее определенную область интерфейса браузерного приложения или сетевого ресурса, отображенного в браузерном приложении.
[00178] В некоторых вариантах осуществления настоящего технического решения, каждый из модуля 115 выбора рекомендаций содержимого и модуля 116 выбора источника содержимого может быть выполнен с возможностью выполнять их соответствующие один или несколько алгоритмов машинного обучения. В некоторых вариантах осуществления настоящего технического решения, один или несколько алгоритмов машинного обучения могут представлять собой любой подходящий алгоритм машинного обучения с учителем или полуконтролируемого обучения, такой как, например:
Figure 00000001
Искусственная нейронная сеть;
Figure 00000001
Байесовская статистика;
Figure 00000001
Гауссовский процесс регрессии;
Figure 00000001
Деревья решений;
Figure 00000001
И так далее.
[00179] Следует отметить, что соответствующий один или несколько алгоритмов машинного обучения, выполняемых модулем 115 выбора рекомендаций содержимого и модулем 116 выбора источника содержимого, не обязаны быть одинаковыми.
[00180] Несмотря на то, что модуль 115 выбора рекомендаций содержимого и модуль 116 выбора источника содержимого были описаны как отдельные элементы, каждый из которых выполняет соответствующий один или несколько алгоритмов машинного обучения, в других вариантах осуществления настоящего технического решения, один или несколько алгоритмов машинного обучения, соответственно выполняемых модулем 115 выбора рекомендаций содержимого и модулем 116 выбора источника содержимого, могут выполняться одним элементом (например, модулем 114 обработки). Альтернативно, один или несколько алгоритмов машинного обучения, соответственно выполняемых модулем 115 выбора рекомендаций содержимого и модулем 116 выбора источника содержимого, могут быть распределены между большим числом модулей, чем те, что показаны на Фиг. 1, и могут выполняться как часть нескольких экземпляров рекомендательного сервера 112.
[00181] Кроме того, каждый из модуля 115 выбора рекомендаций содержимого и модуля 116 выбора источника содержимого может выполнять дополнительные функции (т.е. отличные от соответствующего одного или нескольких алгоритмов машинного обучения).
[00182] Например, модуль 116 выбора источника содержимого может выполнять «функцию просмотра», которая может быть в широком смысле описана как функция просмотра новых сетевых ресурсов и/или нового содержимого, опубликованного на первом сетевом ресурсе 124, втором сетевом ресурсе 126 и дополнительных сетевых ресурсах 128. С этой целью, модуль 116 выбора источника содержимого выполнен с возможностью реализовать «поискового робота», который «посещает» различные сетевые ресурсы, доступные через сеть 110 передачи данных (включая первый сетевой ресурс 124, второй сетевой ресурс 126 и дополнительные сетевые ресурсы) для обнаружения и каталогизации новых доступных ресурсов (например, первого сетевого ресурса 124, второго сетевого ресурса 126 и дополнительных сетевых ресурсов) или нового опубликованного содержимого, доступного на первом сетевом ресурсе 124, втором сетевом ресурсе 126 и дополнительных сетевых ресурсах 128.
[00183] Как часть функции просмотра, модуль выбора источника содержимого выполнен с возможностью содержать (на устройстве 118 сохранения данных) информацию, представляющую новые найденные сетевые ресурсы и/или новое найденное доступное содержимое, доступное на них. В некоторых вариантах осуществления настоящего технического решения, модуль 116 выбора источника содержимого может быть выполнен с возможностью поддерживать инвертированный индекс на устройстве 118 хранения данных, но модуль 116 выбора источника содержимого может организовать информацию, представляющую новые найденные сетевые ресурсы и/или новое найденное содержимое, доступное на них, в структуру данных, отличную от инвертированного индекса.
[00184] Модуль 116 выбора источника содержимого может также собирать и поддерживать дополнительную информацию о доступных сетевых ресурсах и/или содержимом, доступном на этих сетевых ресурсах, например, первом сетевом ресурсе 124, втором сетевом ресурсе 126 и дополнительных сетевых ресурсах 128). Дополнительная информация может быть в общем случае связана с визитом (т.е. браузерной активностью данного пользователя с конкретным сетевым ресурсом), хитом (т.е. переходом данного пользователя на конкретный сетевой ресурс, с конкретного сетевого ресурса и между различными веб-страницами конкретного сетевого ресурса) или сессией (т.е. браузерной сессией конкретного пользователя, которая может включать в себя визиты на один или несколько сетевых ресурсов).
[00185] Некоторые примеры дополнительной информации, собранной о доступных ресурсах и/или доступном содержимом этих ресурсов, включают в себя (без установления ограничений):
Figure 00000001
количество хитов за визит (HPV) - сколько страниц в рамках данного сетевого ресурса посетил данный пользователь за время просмотра данного сетевого ресурса;
Figure 00000001
количество сессий за визит (SPV) - сколько сессий содержалось в визитах на конкретный сетевой ресурс;
Figure 00000001
количество датированных страниц за визит (DPV) - сколько страниц данного сетевого ресурса с датой в URL страницы данный пользователь посетил за время данного визита на данный сетевой ресурс;
Figure 00000001
количество домашних страниц за визит (MPV) - сколько раз за время данного визита данный пользователь посетил домашнюю страницу данного сетевого ресурса;
Figure 00000001
время, проведенное на сетевом ресурсе (MTIME) - сколько времени данный пользователь провел, просматривая данный сетевой ресурс;
Figure 00000001
последний домен за сессию (LPS) - является ли данный сетевой ресурс последним сетевым ресурсом в данной сессии веб-просмотра данного пользователя;
Figure 00000001
первый домен за сессию (FPS) - является ли данный сетевой ресурс первым сетевым ресурсом в данной сессии веб-просмотра данного пользователя;
Figure 00000001
количество хитов за сессию (HPS) - сколько страниц любых сетевых ресурсов данный пользователь посетил за данную сессию просмотра (т.е. сколько переходов было сделано за данную сессию);
Figure 00000001
количество визитов пользователя (VPU) - среднее число визитов на данный сетевой ресурс;
Figure 00000001
количество хитов на пользователя (HPU) - среднее число переходов между различными страницами данного сетевого ресурса (или, альтернативно, всех сетевых ресурсов);
Figure 00000001
количество сессий на пользователя (SPU) - среднее число сессий, которые включают в себя визиты на данный сетевой ресурс;
Figure 00000001
количество датированных страниц за хит (DPH) - сколько страниц данного сетевого ресурса с датой в URL страницы данный пользователь посетил за время данного визита на данный сетевой ресурс;
Figure 00000001
количество домашних страниц за хит (МРН) - сколько раз данный пользователь переходил на домашнюю страницу данного сетевого ресурса за визит на данный сетевой ресурс;
Figure 00000001
указание на источник перехода к данному сетевому ресурсу является одним из:
a) визитом пользователя на сайт напрямую (TT_GR);
b) визитом пользователя на сайт через поисковую систему (TT_SE);
c) визитом пользователя на сайт через социальную сеть (TT_SN);
d) визитом пользователя на сайт через электронное сообщение (ТТ_IM);
e) визитом пользователя на сайт, совершенным с помощью сервиса сокращения ссылок (TT_US);
f) визитом пользователя на сайт, совершенным с помощью рекламной платформы (TT_AD).
[00186] То, как модуль 116 выбора источника содержимого собирает дополнительную информацию, никак конкретно не ограничено. Например, некоторые источники дополнительной информации включают в себя (без установления ограничений): журналы
поисковой системы, журналы браузерного приложения, виджеты для отслеживания сетевого ресурса и так далее.
[00187] Например, модуль 116 выбора источника содержимого имеет доступ к журналу поисковой системы и получает информацию о том, получил ли данный пользователь доступ к данному сетевому ресурсу от поисковой системы. В другом примере, модуль 116 выбора источника содержимого может обладать доступом к журналам браузерного приложения, выполняемого на электронном устройстве 104, и получать указание (которое может быть анонимным с целью защиты конфиденциальности пользователя) в отношении данного пользователя 102: переход к данному сетевому ресурсу, переходы данного пользователя между различными страницами данного сетевого ресурса, информация о веб-страницах данного посещенного сетевого ресурса (например, URL, даты URL и так далее), проведенное время на различных веб-страницах данного сетевого ресурса, браузерные сессии пользователя и различные сетевые ресурсы, посещенные во время браузерной сессии, и так далее.
[00188] В качестве другого примера, множество доступных сетевых ресурсов устанавливает виджеты отслеживания ресурса (например, Google™ Анатлитика, Yandex™ Метрика и так далее). Естественно, модуль 116 выбора источника содержимого может получать дополнительную информацию от дополнительных источников различными дополнительными путями.
[00189] Таким образом, в соответствии с неограничивающими вариантами осуществления настоящего технического решения, рекомендательный сервер 112 выполнен с возможностью выполнять двухэтапный подход к выбору рекомендаций (т.е. рекомендуемых элементов) для включения в сообщение 152 рекомендаций содержимого в ответ на запрос рекомендаций 150 содержимого.
[00190] Двухэтапный подход особенно полезен (без установления ограничений) в тех случаях, когда сервис рекомендаций содержимого, предоставляемый рекомендательным сервером 112, предоставляется на новой территории - например, в стране, в области страны, в новом городе и так далее. Конкретный технический эффект от использования вариантов осуществления настоящего технического решения заключается в возможности «заранее квалифицировать» потенциальные источники рекомендаций содержимого в режиме «оффлайн» («оффлайн» подразумевает обработку до получения запроса на рекомендацию 150 содержимого).
[00191] Варианты осуществления настоящего технического решения основаны на предположении о том, что не все сетевые ресурсы (т.е. первый сетевой ресурс 124, второй сетевой ресурс 126 и множество дополнительных сетевых ресурсов 128) содержат потенциальный элемент содержимого, подходящий для обработки и рекомендации для рекомендательного сервера 112. Например, некоторые сетевые ресурсы (т.е. первый сетевой ресурс 124, второй сетевой ресурс 126 и множество дополнительных сетевых ресурсов 128) могут содержать элемент содержимого, который не будет интересен подписчикам сервиса рекомендаций, предоставляемого рекомендательным сервером 112.
[00192] Варианты осуществления настоящего технического решения также основаны на предположении о том, что содержимое некоторых сетевых ресурсов (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128) является более подходящим для обработки и рекомендации для рекомендательного сервера 112. Например, если один из сетевых ресурсов (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128) является новостным агрегатором, более вероятно, что он будет содержать элементы содержимого, подходящие для обработки и рекомендации рекомендательным сервером 112. Подобный сетевой ресурс с большей вероятностью будет обладать часто обновляемыми элементами содержимого (т.е. новыми опубликованными новостями, статьями и т.д.), а также содержать элементы содержимого, которые потенциально заинтересуют широкую аудиторию.
[00193] С другой стороны, некоторые другие сетевые ресурсы (т.е. первый сетевой ресурс 124, второй сетевой ресурс 126 и множество дополнительных сетевых ресурсов 128) содержат элементы содержимого, которые менее подвержены обработке и рекомендациям, предоставляемым рекомендательным сервером 112. Например, персональный веб-сайт любителя кошек из Виннипег, который публикует фотографии своих любимцев, с меньшей вероятностью предоставляет потенциальные элементы содержимого для обработки и рекомендаций рекомендательных сервером 112. Это связано с тем фактом, что содержимое такого сетевого ресурса обновляется редко и связано с достаточно узкой сферой интереса.
[00194] В общем случае, двухэтапный подход нацелен на:
[00195] На первом этапе:
Figure 00000001
Выбор из множества сетевых ресурсов (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128) тех, которые содержат потенциальные элементы содержимого для рекомендации - конкретнее, рекомендательный сервер 112 определяет параметр пригодности источника для сетевого ресурса, параметр пригодности источника указывает на то, что сетевой ресурс восприимчив к публикации элемента содержимого, который может быть обработан рекомендательным сервером 112;
[00196] На втором этапе:
Figure 00000001
Из выбранных таким образом сетевых ресурсов, рекомендательный сервер 112 выбирает по меньшей мере один элемент содержимого, по меньшей мере один элемент содержимого для ввода в модуль 115 выбора рекомендаций содержимого - для обработки и выбора персонализированных рекомендаций элемента содержимого пользователя 102, в ответ на получение запроса на рекомендацию 150 содержимого.
[00197] В широком смысле, в некоторых вариантах осуществления настоящего технического решения, двухэтапный подход может быть реализован следующим образом:
[00198] Обучение алгоритма машинного обучения
[00199] До этапа выполнения процесса двухэтапного выбора, рекомендательный сервер 112 (или, конкретнее, модуль 114 обработки) выполняет обучение алгоритма машинного обучения, который модуль 116 выбора источника содержимого использует для выбора источников содержимого. В общем случае, алгоритм машинного обучения обучается для определения параметра пригодности источника данного сетевого ресурса (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128) на основе обучающего набора сетевых ресурсов и связанных отметок, назначенных экспертами. Отметка может представлять собой, например, «низкое значение параметра пригодности источника», «среднее значение параметра пригодности источника» и «высокое значение параметра пригодности источника». Альтернативно, отметка может представлять собой, например, «пригодный» и «непригодный».
[00200] Во время обучения, алгоритм машинного обучения модуля 116 выбора источника содержимого представлен с обучающим набором сетевых ресурсов и связанными оценками, чтобы обработать различные характеристики, связанные с веб-страницами сетевых ресурсов - чтобы разработать профиль данного сетевого ресурса и соотнести таким образом созданный профиль сетевого ресурса со связанными оценками, чтобы создать «формулу алгоритма машинного обучения», которая позволяет алгоритму машинного обучения модуля 116 выбора источника содержимого (i) быть представленным с неизвестным сетевым ресурсом (например, новый или первый сетевой ресурс 124, второй сетевой ресурс 126 и множество дополнительных сетевых ресурсов 128), (ii) анализировать характеристики данной веб-страницы или всего сетевого ресурса (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128) для создания профиля соответствующего сетевого ресурса; и (iii) определять, на основе таким образом созданного профиля сетевого ресурса, параметр пригодности источника, связанный с ним.
[00201] В некоторых вариантах осуществления настоящего технического решения, множество характеристик, используемых алгоритмом машинного обучения, включает в себя по меньшей мере одну абсолютную характеристику (например, общее число посещений на сетевой ресурс) и относительную характеристику (например, среднее число посещений за данный период времени или число хитов пользователя). В некоторых вариантах осуществления настоящего технического решения, алгоритм машинного обучения использует абсолютную характеристику и относительную характеристику в качестве базовых характеристик, и, дополнительно, создает по меньшей мере одну производную характеристику на основе по меньшей мере одной из абсолютной характеристики и относительной характеристики для использования в создании профиля сетевого ресурса.
[00202] В некоторых вариантах осуществления настоящего технического решения, производные характеристики создаются с помощью одного или нескольких из: логарифмической формулы, сигмоидной функции, функции квадратного корня. В некоторых вариантах осуществления настоящего технического решения, алгоритм машинного обучения нормализует характеристики сетевого ресурса. В некоторых вариантах осуществления настоящего технического решения, характеристики нормализуются к среднему = 0, стандартное отклонение = 1 (mean=0, stddev=1).
[00203] В соответствии с некоторыми вариантами осуществления настоящего технического решения, как часть обучения алгоритма машинного обучения модуля 116 выбора источника содержимого, алгоритм машинного обучения выполнен с возможностью определять все возможные характеристики сетевого ресурса в подмножество характеристик, которые лучше соотносятся с параметром пригодности источника.
[00204] В конкретном неограничивающем варианте осуществления настоящего технического решения, из всех возможных характеристик, связанных с сетевым ресурсом, алгоритм машинного обучения модуля 116 выбора источника содержимого может выбирать подмножество характеристик, которое состоит из:
Figure 00000001
по меньшей мере одного из: доли целевой страницы среди визитов сетевого ресурса в рамках первоначального перехода к сетевому ресурсу в рамках сессии и доли визитов целевой страницы за время переходов внутри сетевого ресурса;
Figure 00000001
по меньшей мере одного из: доли веб-страницы, связанной с URL, который содержит дату, когда первая страница была посещена за первый переход на сетевой ресурс, и доли веб-страниц в сетевом ресурсе, посещенном за время сессии, веб-страницы связаны с URL, который содержит дату;
Figure 00000001
долевой профиль источников визита для сетевого ресурса, источники визита выбираются из: поисковой системы/социальных сетей/электронной почты и приложения мессенджера/URL/прямых визитов;
Figure 00000001
доля сессии, где сетевой ресурс был последним в сессии.
[00205] Естественно, в альтернативных вариантах осуществления настоящего технического решения, другое подмножество всех характеристик, связанных с сетевым ресурсом, может быть использовано алгоритмом машинного обучения.
[00206] Примеры характеристик включают в себя, без установления ограничений:
Figure 00000001
количество хитов за визит (HPV) - сколько страниц в рамках данного сетевого ресурса посетил данный пользователь за время просмотра данного сетевого ресурса;
Figure 00000001
количество сессий за визит (SPV) - сколько сессий содержалось в визитах на конкретный сетевой ресурс;
Figure 00000001
количество датированных страниц за визит (DPV) - сколько страниц данного сетевого ресурса с датой в URL страниц данный пользователь посетил за время данного визита на данный сетевой ресурс;
Figure 00000001
количество домашних страниц за визит (MPV) - сколько раз за время данного визита данный пользователь посетил домашнюю страницу данного сетевого ресурса;
Figure 00000001
время, проведенное на сетевом ресурсе (MTIME) - сколько времени данный пользователь провел, просматривая данный сетевой ресурс;
Figure 00000001
последний домен за сессию (LPS) - является ли данный сетевой ресурс последним сетевым ресурсом в данной сессии веб-просмотра данного пользователя;
Figure 00000001
первый домен за сессию (FPS) - является ли данный сетевой ресурс первым сетевым ресурсом в данной сессии веб-просмотра данного пользователя;
Figure 00000001
хиты за сессию (HPS) - сколько страниц любых сетевых ресурсов данный пользователь посетил за данные сессии просмотра (т.е. сколько переходов было сделано за данную сессию);
Figure 00000001
количество визитов на пользователя (VPU) - среднее число визитов на данный сетевой ресурс;
Figure 00000001
количество хитов на пользователя (HPU) - среднее число переходов между различными страницами данного сетевого ресурса (или, альтернативно, всех сетевых ресурсов);
Figure 00000001
количество сессий на пользователя (SPU) - среднее число сессий, которые включают визиты на данный сетевой ресурс;
Figure 00000001
количество датированных страниц за хит (DPH) - сколько страниц данного сетевого ресурса с датой в URL страниц данный пользователь посетил за время данного визита на данный сетевой ресурс;
Figure 00000001
количество домашних страниц за хит (МРН) - сколько раз данный пользователь переходил на домашнюю страницу данного сетевого ресурса за визит на данный сетевой ресурс;
Figure 00000001
указание на источник перехода к данному сетевому ресурсу является одним из следующего:
Figure 00000002
визитом пользователя на сайт напрямую (TT_GR);
Figure 00000002
визитом пользователя на сайт через поисковую систему (TT_SE);
Figure 00000002
визитом пользователя на сайт через социальную сеть (TT_SN);
Figure 00000002
визитом пользователя на сайт через электронное сообщение (TT_IM);
Figure 00000002
визитом пользователя на сайт, совершенным с помощью сервиса сокращения ссылок (TT_US); и
Figure 00000002
визитом пользователя на сайт, совершенным с помощью рекламной платформы (TT_AD).
[00207] Следует отметить, что когда подобным образом обученный алгоритм машинного обучения обучается и используется для определения параметра пригодности источника для неизвестного сетевого ресурса, алгоритм машинного обучения использует по меньшей мере некоторые (или все) характеристики, на которых он был обучен (или по меньшей мере характеристики из той же категории, на которой он был обучен).
[00208] В некоторых вариантах осуществления настоящего технического решения, алгоритм машинного обучения обучается для определения параметра пригодности источника с помощью логистического регрессионного анализа. В альтернативных вариантах осуществления настоящего технического решения, алгоритм машинного обучения для определения параметра пригодности источника с помощью одного или нескольких из: логистического регрессионного анализа; упрощенного алгоритма Байеса; алгоритма k-ближайших соседей; алгоритма случайного леса; и алгоритма невзвешенного голосования.
[00209] В некоторых вариантах осуществления настоящего технического решения, для данного сетевого ресурса (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128) характеристики сгруппированы на основе их географического положения. Например, если данный сетевой ресурс является онлайн ресурсом «New York Times», одна характеристика может быть основана на посетителях сетевого ресурса из Соединенных штатов, а другая характеристика основана на посетителях сетевого ресурса из Соединенного королевства.
[00210] Первый этап - выбор рекомендуемого источника содержимого
[00211] На первом этапе модуль 116 выбора источника содержимого получает указание на один или несколько сетевых ресурсов (т.е. первый сетевой ресурс 124, второй сетевой ресурс 126 и множество дополнительных сетевых ресурсов 128). В некоторых вариантах осуществления настоящего технического решения, полученное указание является указанием на новый сетевой ресурс, который не был ранее просмотрен. В других вариантах осуществления настоящего технического решения, полученное указание является указанием на обновленный сетевой ресурс, который ранее был просмотрен, но не был обновлен новым содержимым. В некоторых вариантах осуществления настоящего технического решения, модуль 116 выбора источника содержимого получает указание на один или несколько сетевых ресурсов (т.е. первый сетевой ресурс 124, второй сетевой ресурс 126 и множество дополнительных сетевых ресурсов 128) от устройства 118 хранения данных.
[00212] Модуль 116 выбора источника содержимого далее выполняет обученный алгоритм машинного обучения для определения параметра пригодности источника, связанного с рассматриваемым сетевым ресурсом (т.е. первым сетевым ресурсом 124, вторым сетевым ресурсом 126 и множеством сетевых ресурсов 128).
[00213] В некоторых вариантах осуществления настоящего технического решения, модуль 116 выбора источника содержимого создает профиль сетевого ресурса для всего сетевого ресурса (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128) путем анализа характеристик одной или нескольких веб-страниц всего сетевого ресурса (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128).
[00214] В других вариантах осуществления настоящего технического решения, модуль 116 выбора источника содержимого создает соответствующий профиль сетевого ресурса для подмножества веб-страниц сетевого ресурса (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128)
путем анализа характеристик одной или нескольких веб-страниц из подмножества сетевого ресурса (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128).
[00215] В еще одних других вариантах осуществления настоящего технического решения, модуль 116 выбора источника содержимого может создавать соответствующий профиль каждой веб-страницы сетевого ресурса (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128) путем анализа характеристик каждой веб-страницы сетевого ресурса (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128).
[00216] Далее, на основе подобным образом созданного профиля (индивидуальной веб-страницы, подмножества веб-страниц данного сетевого ресурса или всего данного сетевого ресурса), модуль 116 выбора источника содержимого определяет параметр пригодности источника содержимого. Модуль 116 выбора источника содержимого создает параметр пригодности источника содержимого на основе формулы алгоритма машинного обучения, созданной во время фазы обучения.
[00217] Модуль 116 выбора источника содержимого определяет, является ли данный сетевой ресурс (подмножество веб-страниц или индивидуальные веб-страницы - в зависимости от обстоятельств) потенциальным источником элементов содержимого для рекомендации. В некоторых вариантах осуществления настоящего технического решения, модуль 116 выбора источника содержимого сравнивают таким образом определенный параметр пригодности источника с заранее определенным порогом - в ответ на то, что параметр пригодности источника находится выше заранее определенного порога, модуль 116 выбора источника содержимого определяет, что данный сетевой ресурс (подмножество его веб-страниц или его индивидуальные веб-страницы) является потенциальным источником элементов рекомендаций. Следует отметить, что заранее определенный порог может быть определен алгоритмом машинного обучения как часть фазы обучения.
[00218] Второй этап - выбор рекомендаций содержимого из выбранных источников содержимого
[00219] Далее, модуль 116 выбора источника содержимого выбирает из каждого сетевого ресурса, который был определен как потенциальный источник элементов
содержимого, один или несколько элементов содержимого вводится в систему рекомендаций (т.е. модуль 115 выбора рекомендаций содержимого).
[00220] В некоторых вариантах осуществления настоящего технического решения, выбор элементов содержимого из таким образом выбранных источников содержимого выполняется «онлайн», т.е. в ответ на получение запроса на рекомендацию 150 содержимого. В других вариантах осуществления настоящего технического решения, выбор элементов содержимого из таким образом выбранных источников содержимого может выполняться «оффлайн», т.е. до получения запроса на рекомендации 150 содержимого (например, такой выбор может выполняться регулярно, например, каждый день, каждые 7 дней, каждый месяц и так далее, на основе того, насколько быстро теряют актуальность элементы содержимого).
[00221] Выбор элементов содержимого из таким образом выбранных источников содержимого может выполняться с помощью одного или нескольких эвристических правил. Например, модуль 116 выбора источника содержимого выбирает заранее определенное число элементов содержимого (например, 2 элемента содержимого, 5 элементов содержимого, 10 элементов содержимого и так далее), которые связаны с одним или несколькими из: (i) самой свежей датой публикации, (ii) большее число визитов за время последних X дней, (iii) с конкретным разделом данного сетевого ресурса (например, «самое новое», «популярное» и так далее).
[00222] Обработка системой рекомендаций
[00223] После того, как модуль 116 выбора источника содержимого выбирает кандидаты-элементы содержимого из одного или нескольких источников идентифицированного содержимого, и таким образом выбранные кандидаты вводятся в модуль 115 выбора рекомендаций содержимого. Модуль 115 выбора рекомендаций содержимого выполняет свой алгоритм машинного обучения, который обучен и выполнен с возможностью выбирать из кандидатов-элементов содержимого, введенных в него, подмножество элементов содержимого для данного пользователя 102 в ответ на получение запроса на рекомендации 150 содержимого.
[00224] То, как реализован модуль 115 выбора рекомендаций содержимого, никак конкретно не ограничено.
[00225] После того как модуль 115 выбора рекомендаций содержимого создает подмножество элементов содержимого для данного пользователя 102, модуль 115 выбора рекомендаций содержимого создает сообщение 152 рекомендаций содержимого и передает его электронному устройству 104. Когда электронное устройство 104 получает сообщение 152 рекомендаций содержимого, рекомендательное приложение 106 обрабатывает его содержимое и отображает элементы рекомендаций содержимого на интерфейсе 108 рекомендаций. То, как именно реализован интерфейс 108 рекомендаций, никак конкретно не ограничено - может быть использован интерфейс 108 рекомендаций, представленный на Фиг. 2.
[00226] С учетом архитектуры и приведенных выше примеров можно выполнять способ выбора сетевого ресурса в качестве источника элемента содержимого, элемент содержимого будет проанализирован системой рекомендаций (т.е. модулем 115 выбора рекомендаций содержимого) как часть множества элементов содержимого для создания набора рекомендуемых элементов содержимого в качестве рекомендации для данного пользователя 102 системы 100.
[00227] На Фиг. 4 представлена блок-схема способа 400, реализованного в соответствии с неограничивающими вариантами осуществления настоящего технического решения. Способ 400 может выполняться на рекомендательном сервере 112 и, конкретнее, с помощью модуля 116 выбора источника содержимого. Для целей представленного далее описания, предполагается, что алгоритм машинного обучения, который будет использоваться модулем 116 выбора источника содержимого был обучен определять параметр пригодности источника на основе обучающих профилей веб-сайтов, созданных с соответствующим множеством обучающих характеристик, по меньшей мере часть из которых относятся к той же категории, что и множество характеристик, которые будут использованы на этапе выполнения способа 400.
[00228] Этап 402 - получение сервером указания на сетевой ресурс
[00229] Способ 400 начинается на этапе 402, на котором модуль 116 выбора источника содержимого получает указание на сетевой ресурс.
[00230] Как было упомянуто ранее, модуль 116 выбора источника содержимого может выполнять «функцию просмотра», которая может быть в широком смысле описана как функция просмотра новых сетевых ресурсов и/или нового содержимого, опубликованного на первом сетевом ресурсе 124, втором сетевом ресурсе 126 и дополнительных сетевых ресурсах 128. С этой целью модуль 116 выбора источника содержимого выполнен с возможностью реализовать «поискового робота», который «посещает» различные сетевые ресурсы, доступные через сеть 110 передачи данных (включая первый сетевой ресурс 124, второй сетевой ресурс 126 и дополнительные сетевые ресурсы) для обнаружения и каталогизации новых доступных ресурсов (например, первого сетевого ресурса 124, второго сетевого ресурса 126 и дополнительных сетевых ресурсов 128) или нового опубликованного содержимого, доступного на первом сетевом ресурсе 124, втором сетевом ресурсе 126 и дополнительных сетевых ресурсах 128.
[00231] Как часть функции просмотра, модуль выбора источника содержимого выполнен с возможностью содержать (на устройстве 118 сохранения данных) информацию, представляющую новые открытые сетевые ресурсы и/или новое открытое доступное содержимое, доступное на них. В некоторых вариантах осуществления настоящего технического решения, модуль 116 выбора источника содержимого может быть выполнен с возможностью поддерживать инвертированный индекс на устройстве 118 хранения данных, но модуль 116 выбора источника содержимого может организовать информацию, представляющую новые открытые сетевые ресурсы и/или новое открытое содержимое, доступное на них, в структуру данных, отличную от инвертированного индекса.
[00232] Таким образом, в некоторых вариантах осуществления настоящего технического решения, модуль 116 выбора источника содержимого может получать указание на сетевой ресурс, который будет обработан, от устройства 118 хранения данных.
[00233] Этап 404 - получение сервером множества характеристик, связанных с сетевым ресурсом
[00234] На этапе 404, модуль 116 выбора источника содержимого получает множество характеристик, связанных с сетевым ресурсом. Например, модуль 116 выбора источника содержимого может получать характеристики, связанные с сетевым ресурсом от устройства 118 хранения данных.
[00235] Как будет упомянуто, алгоритм машинного обучения выполняется модулем 116 выбора источника содержимого был обучен на конкретных характеристиках из обучающего набора сетевых ресурсов и, таким образом, алгоритм машинного обучения, выполняемый модулем 116 выбора источника содержимого, получает характеристики, связанные с сетевым ресурсом, которые были обучены для обработки.
[00236] В некоторых вариантах осуществления способа 400, алгоритм машинного обучения был обучен, до упомянутого этапа получения, для определения параметра пригодности источника на основе профилей обучающего веб-сайта, созданных в связи со множеством обучающих характеристик, причем по меньшей некоторые из них относятся к той же категории, что и множество характеристик.
[00237] В некоторых вариантах осуществления способа 400, множество характеристик включает в себя по меньшей мере абсолютную характеристику и относительную характеристику.
[00238] В некоторых вариантах осуществления способа 400, абсолютная характеристика и относительная характеристика являются базовыми характеристиками, и способ 400 дополнительно включает в себя: создание по меньшей мере одной производной характеристики на основе по меньшей мере одной абсолютной характеристики и относительной характеристики; и причем данный профиль веб-сайта дополнительно основан по меньшей мере на одной производной характеристики.
[00239] В некоторых вариантах осуществления способа 400, множество характеристик включает в себя указание на долю посещенных ресурсов по отношению к сетевому ресурсу.
[00240] В некоторых вариантах осуществления способа 400, множество характеристик включает в себя по меньшей мере одну относительную характеристику, выбранную из следующего:
Figure 00000001
количество хитов за визит (HPV);
Figure 00000001
количество сессий за визит (SPV);
Figure 00000001
количество датированных страниц за визит (DPV);
Figure 00000001
количество домашних страниц за визит (MPV);
Figure 00000001
время, проведенное на сетевом ресурсе (MTIME);
Figure 00000001
последний домен за сессию (LPS);
Figure 00000001
первый домен за сессию (FPS);
Figure 00000001
количество хитов за сессию (HPS);
Figure 00000001
количество визитов на пользователя (VPU);
Figure 00000001
количество хитов на пользователя (HPU);
Figure 00000001
количество сессий на пользователя (SPU);
Figure 00000001
количество датированных страниц за хит (DPH);
Figure 00000001
количество домашних страниц за хит (МРН); и
Figure 00000001
указание на источник визита, который является одним из:
Figure 00000001
визитом пользователя на сайт напрямую (TT_GR);
Figure 00000001
визитом пользователя на сайт через поисковую систему (TT_SE);
Figure 00000001
визитом пользователя на сайт через социальную сеть (TT_SN);
Figure 00000001
визитом пользователя на сайт через электронное сообщение (ТТ_IM);
Figure 00000001
визитом пользователя на сайт, совершенным с помощью сервиса сокращения ссылок (TT_US); и
Figure 00000001
визитом пользователя на сайт, совершенным с помощью рекламной платформы (TT_AD).
[00241] В некоторых вариантах осуществления способа 400, множество характеристик включает в себя по меньшей одно из: число пользователей, которые посещают сетевой ресурс за период времени, число визитов за период времени, число переходов к различным веб-страницам в рамках сетевого ресурса за период времени, и число уникальных сессий с сетевым ресурсом за период времени.
[00242] В некоторых вариантах осуществления способа 400, множество характеристик является подмножеством всех возможных характеристик, способ дополнительно включает в себя выполнение выбора характеристики для определения подмножества.
[00243] В некоторых вариантах осуществления способа 400, подмножество всех возможных характеристик состоит из:
Figure 00000001
по меньшей мере одного из: доли целевой страницы среди визитов сетевого ресурса в рамках первоначального перехода к сетевому ресурсу в рамках сессии и доли визитов целевой страницы за время переходов внутри сетевого ресурса;
Figure 00000001
по меньшей мере одного из: доли веб-страницы, связанной с URL, который содержит данные, представляющие собой первую страницу, которая была посещена за первый переход на сетевой ресурс, и доли веб-страниц в сетевом ресурсе, посещенном за время сессии, веб-страницы связаны с URL, который содержит данные;
Figure 00000001
долевой профиль источников визита для сетевого ресурса, источники визита выбираются из: поисковой системы/социальных сетей/электронной почты и приложения мессенжера/URL/прямых визитов;
Figure 00000001
доля сессии, где сетевой ресурс был последним в сессии.
[00244] Этап 406 - создание сервером профиля данного сетевого ресурса для сетевого ресурса, профиль данного сетевого ресурса основан на множестве характеристик
[00245] На этапе 406 модуль 116 выбора источника содержимого создает профиль данного сетевого ресурса для сетевого ресурса, профиль данного сетевого ресурса основан на множестве характеристик.
[00246] В некоторых вариантах осуществления настоящего технического решения, модуль 116 выбора источника содержимого создает вектор, представляющий профиль данного сетевого ресурса на основе некоторых или всех из следующего:
Figure 00000001
количество хитов за визит (HPV);
Figure 00000001
количество сессий за визит (SPV);
Figure 00000001
количество датированных страниц за визит (DPV);
Figure 00000001
количество домашних страниц за визит (MPV);
Figure 00000001
время, проведенное на сетевом ресурсе (MTIME);
Figure 00000001
последний домен за сессию (LPS);
Figure 00000001
первый домен за сессию (FPS);
Figure 00000001
количество хитов за сессию (HPS);
Figure 00000001
количество визитов на пользователя (VPU);
Figure 00000001
количество хитов на пользователя (HPU);
Figure 00000001
количество сессий на пользователя (SPU);
Figure 00000001
количество датированных страниц за хит (DPH);
Figure 00000001
количество домашних страниц за хит (МРН); и
Figure 00000001
указание на источник визита, который является одним из:
Figure 00000001
визитом пользователя на сайт напрямую (TT_GR);
Figure 00000001
визитом пользователя на сайт через поисковую систему (TT_SE);
Figure 00000001
визитом пользователя на сайт через социальную сеть (TT_SN);
Figure 00000001
визитом пользователя на сайт через электронное сообщение (TT_IM);
Figure 00000001
визитом пользователя на сайт, совершенным с помощью сервиса сокращения ссылок (TT_US); и
Figure 00000001
визитом пользователя на сайт, совершенным с помощью рекламной платформы (TT_AD).
[00247] В некоторых вариантах осуществления настоящего технического решения, модуль 116 выбора источника содержимого выполняет процедуру выбора характеристик и, таким образом, вектор, представляющий собой профиль данного сетевого ресурса, может быть основан на заранее выбранном наборе характеристик сетевого ресурса.
[00248] Этап 408 - выполнение сервером алгоритма машинного обучения для того, чтобы на основании профиля данного сетевого ресурса, определить параметр пригодности источника для сетевого ресурса, параметр пригодности источника указывает на чувствительность сетевого ресурса к публикации элемента содержимого, который может быть обработан системой рекомендаций.
[00249] На этапе 408 модуль 116 выбора источника содержимого выполняет алгоритм машинного обучения для того чтобы, на основании профиля данного сетевого ресурса, определить параметр пригодности источника для сетевого ресурса, параметр пригодности источника указывает на чувствительность сетевого ресурса к публикации элемента содержимого, который может быть обработан системой рекомендаций.
[00250] В некоторых вариантах осуществления способа 400, параметр пригодности источника может быть пригодным или непригодным. Параметр пригодности источника может быть определен с помощью по меньшей мере одного из:
Figure 00000001
логистического регрессионного анализа;
Figure 00000001
упрощенного алгоритма Байеса;
Figure 00000001
алгоритма k-ближайших соседей;
Figure 00000001
алгоритма случайного леса; и
Figure 00000001
алгоритма невзвешенного голосования.
[00251] Этап 410 - выбор по меньшей мере одного элемента содержимого с сетевого ресурса, если параметр пригодности источника определен как превышающий заранее определенный порог, по меньшей мере один элемент содержимого вводится в систему рекомендаций для обработки
[00252] На этапе 410 модуль 116 выбора источника содержимого осуществляет выбор по меньшей мере одного элемента содержимого с сетевого ресурса, если параметр пригодности источника определен как превышающий заранее определенный порог, по меньшей мере один элемент содержимого вводится в систему рекомендаций для обработки (т.е. модуль 115 выбора рекомендаций содержимого).
[00253] В некоторых вариантах осуществления настоящего технического решения, этап 410 выполняется в ответ на запрос от данного пользователя 102 на рекомендацию (т.е. в ответ на получение запроса на рекомендацию 150 содержимого).
[00254] Способ 400 далее может завершаться или возвращается на этап 402 и ожидает другого запроса на рекомендацию 150 содержимого.
[00255] На Фиг. 3 представлен другой вариант осуществления системы 300, реализованной в соответствии с другим вариантом осуществления настоящего технического решения, не ограничивающим его объем. Система 300 включает в себя конкретные компоненты, которые реализованы по существу аналогично компонентам системы 100. Эти компоненты отмечены под теми же номерами, что и компоненты системы 100. С этой целью система 300 содержит: пользователя 102, электронное устройство 104 (с приложением 106 рекомендаций, выполняемым на нем, приложение 106 рекомендаций обладает интерфейсом 108 рекомендаций) и сеть 110 передачи данных. Также соединен с сетью первый сетевой ресурс 124, второй сетевой ресурс 126 и множество дополнительных сетевых ресурсов 128, которые являются сетевыми ресурсами, доступными электронному устройству 104 (а также другим электронным устройствам, потенциально присутствующим в системе 300) через сеть 110 передачи данных.
[00256] Соответствующее содержимое первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128 никак конкретно не ограничено. Таким образом, данный один сетевой ресурс из первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128 может содержать (или, другими словами, включать в себя) цифровое содержимое, например: аудио содержимое для потоковой передачи, видео содержимое для потоковой передачи, новости, блоги, информацию о различных государственных институтах, информацию о точках интереса, тематически кластеризованное содержимое (например, содержимое, релевантное для тех, кто заинтересован в кикбоксинге) и так далее.
[00257] В соответствии с неограничивающим вариантом осуществления настоящего технического решения, показанным на Фиг. 3, система 300 также включает в себя рекомендательный сервер 312. Рекомендательный сервер 312 может представлять собой обычный компьютерный сервер. В примере варианта осуществления настоящего технического решения, рекомендательный сервер 312 может представлять собой сервер Dell™ PowerEdge™, на котором используется операционная система Microsoft™ Windows Server™. Излишне говорить, что рекомендательный сервер 312 может представлять собой любое другое подходящее аппаратное, прикладное программное, и/или системное программное обеспечение или их комбинацию. В представленном варианте осуществления настоящего технического решения, не ограничивающем его объем, рекомендательный сервер 312 является одиночным сервером. В других вариантах осуществления настоящего технического решения, не ограничивающих его объем, функциональность рекомендательного сервера 312 изображения может быть разделена, и может выполняться с помощью нескольких серверов.
[00258] Рекомендательный сервер 312 включает в себя модуль 314 обработки Модуль 314 обработки связан с модулем 316 определения источника содержимого. Модуль 316 определения источника содержимого выполнен с возможностью определять из множества потенциальных источников содержимого (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128) подмножество источников содержимого.
[00259] В некоторых вариантах осуществления настоящего технического решения, модуль 316 определения источника содержимого выполнен с возможностью осуществлять первый алгоритм машинного обучения для определения подмножества рекомендуемых источников содержимого из множества источников возможного содержимого (т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128).
[00260] В некоторых вариантах осуществления настоящего технического решения, для определения подмножества рекомендуемых источников содержимого, модуль 316 определения источника содержимого выполнен с возможностью осуществлять:
Figure 00000001
получение указания на предыдущие взаимодействия пользователей по меньшей мере с одним из: (i) системой 100 и (ii) по меньшей мере некоторыми из множества сетевых ресурсов (например, первым сетевым ресурсом 124, вторым сетевым ресурсом 126 и множеством сетевых ресурсов 128);
Figure 00000001
на основе предыдущих взаимодействий пользователя, определение первого подмножества связанных с пользователем источников содержимого (т.е. некоторых из первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128);
Figure 00000001
на основе (i) обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов (т.е. первым сетевым ресурсом 124, вторым сетевым ресурсом 126 и множеством дополнительных сетевых ресурсов 128) и по меньшей мере одним из: (ii) первое подмножество связанных с пользователем источников содержимого; и (iii) вектор профиля пользователя создается на основе предыдущих взаимодействий пользователя для создания второго подмножества не связанных с пользователем источников содержимого;
Figure 00000001
обработку первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого;
[00261] Конкретнее, функция модуля 316 определения источника содержимого может выполняться следующим образом, по меньшей мере в некоторых неограничивающих вариантах осуществления настоящего технического решения.
[00262] Создание вектора профиля пользователя
[00263] Модуль 316 определения источника содержимого может получать указание на предыдущие взаимодействия пользователя по меньшей мере с одним из: (i) системой 300 и (ii) по меньшей мере некоторыми из множества сетевых ресурсов (например, первым сетевым ресурсом 124, вторым сетевым ресурсом 126 и множеством дополнительных сетевых ресурсов 128).
[00264] В некоторых вариантах осуществления настоящего технического решения, модуль 316 определения источника содержимого получает указание на предыдущее взаимодействие пользователя с браузерным приложением, выполняемым на электронном устройстве 104. В других вариантах осуществления настоящего технического решения, модуль 316 определения источника содержимого получает указание на предыдущее взаимодействие пользователя из журналов поисковой системы. В других вариантах осуществления настоящего технического решения, модуль 316 определения источника содержимого получает указание на предыдущее взаимодействие пользователя из виджетов отслеживания, установленных на различных сетевых ресурсах (например, первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128).
[00265] Определение связанного с пользователем подмножества источников содержимого
[00266] На основе предыдущих взаимодействий пользователя, модуль 316 определения источника содержимого может осуществлять определение первого подмножества связанных с пользователем источников содержимого (т.е. некоторых из первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128). Конкретнее, модуль 316 определения источника содержимого определяет один или несколько потенциальных источников содержимого (т.е. некоторых из первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128), с которыми пользователь 102 взаимодействовал в прошлом -например, посредством просмотра одного или нескольких сетевых ресурсов, получение
и/или активация рекомендаций содержимого от одного или нескольких сетевых ресурсов и так далее. Другими словами, первое подмножество связанных с пользователем источников содержимого может считаться «конкретными для пользователя» или «конкретно понравившимися источниками содержимого» в значении того, что пользователь 102 конкретно взаимодействовал с этими сетевыми ресурсами, и может предполагаться, что пользователю понравилось их содержимое, на основе взаимодействия с ними.
[00267] Обогащение связанного с пользователем подмножества источников содержимого для создания не связанного с пользователем подмножества источников содержимого
[00268] Далее, модуль 316 определения источника содержимого обогащает связанное с пользователем подмножество источников содержимого с помощью источников содержимого, которые пользователь 102 мог ранее не видеть. Конкретнее, на основе (i) обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов (т.е. первым сетевым ресурсом 124, вторым сетевым ресурсом 126 и множеством дополнительных сетевых ресурсов 128) и по меньшей мере одним из: (ii) первое подмножество связанных с пользователем источников содержимого; и (iii) вектор профиля пользователя создается на основе предыдущих взаимодействий пользователя для создания второго подмножества не связанных с пользователем источников содержимого.
[00269] В некоторых вариантах осуществления настоящего технического решения, используемый алгоритм машинного обучения может представлять собой алгоритм сингулярного разложения (SVD). В рамках этих вариантов осуществления настоящего технического решения, алгоритм машинного обучения определяет не связанное с пользователем подмножество источников содержимого на основе вектора профиля пользователя, созданного на основе предыдущих взаимодействий пользователя. Конкретнее, алгоритм машинного обучения, реализованный как алгоритм сингулярного разложения (SVD), создает матрицу (i) событий сетевых ресурсов и (ii) пользователей (на основе информации о предыдущих взаимодействиях множества пользователей со множеством сетевых ресурсов, т.е. первого сетевого ресурса 124, второго сетевого ресурса 126 и множества дополнительных сетевых ресурсов 128).
[00270] Алгоритм машинного обучения далее применяет алгоритм сингулярного разложения (SVD) для разложения матрицы на векторы сетевых ресурсов и векторы пользователей. Далее, алгоритм сингулярного разложения (SVD) опускает векторы пользователей и сохраняет векторы сетевых ресурсов (например, сохраняет их в устройстве хранения данных, которое не представлено на Фиг. 3).
[00271] Когда модуль 316 определения источника содержимого получает вектор профиля пользователя, алгоритм сингулярного разложения (SVD) умножает таким образом полученный вектор профиля пользователя и сохраненные векторы сетевых ресурсов для создания заново матрицы сетевых ресурсов с их связанными рангами, конкретными для пользователя 102, который связан с вектором профиля пользователя. На основе ранжированных сетевых ресурсов, модуль 316 определения источника содержимого выбирает заранее определенное число наиболее высоко ранжированных сетевых ресурсов для создания не связанного с пользователем подмножества источников содержимого.
[00272] В некоторых вариантах осуществления настоящего технического решения, используемый алгоритм машинного обучения может представлять собой алгоритм точечной взаимной информации (PMI). В рамках этих вариантов осуществления настоящего технического решения, алгоритм машинного обучения определяет не связанное с пользователем подмножество источников содержимого на основе первого подмножества связанных с пользователем источников содержимого. Конкретнее, алгоритм машинного обучения определяет для каждого из сетевых ресурсов в первом подмножестве связанных с пользователем источников содержимого и каждого из просмотренных потенциальных источников содержимого: (i) как часто пара возникает вместе (были вместе просмотрены, возникли вместе как часть результатов поиска и так далее) в течение конкретного взаимодействия; и (ii) как часто взаимодействовали с соответствующим одним из сетевых ресурсов. Алгоритм машинного обучения далее вычисляет пропорцию числа совместных возникновений (как в случае (i)) для умножения индивидуальных значений возникновений соответствующих сетевых ресурсов (как в случае (ii)).
[00273] Для каждого из сетевых ресурсов в первом подмножестве связанных с пользователем источников содержимого, алгоритм машинного обучения выбирает заранее определенное число наиболее высоко ранжированных ресурсов, определенных алгоритмом точечной взаимной информации (PMI) для создания не связанного с пользователем подмножества источников содержимого.
[00274] Обработка связанного с пользователем и не связанного с пользователем подмножеств источников содержимого для создания подмножества рекомендуемых источников содержимого
[00275] Модуль 316 определения источника содержимого осуществляет обработку первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого.
[00276] В некоторых вариантах осуществления настоящего технического решения, модуль 316 определения источника содержимого выбирает заранее определенное число источников содержимого из не связанного с пользователем подмножества источников содержимого. В других вариантах осуществления настоящего технического решения, модуль 316 определения источника содержимого выбирает заранее определенное число источников содержимого из не связанного с пользователем подмножества источников содержимого и заранее определенное число источников содержимого из первого подмножества связанных с пользователем источников содержимого. Модуль 316 определения источника содержимого может быть выполнен с возможностью определять соответствующее число заранее определенных источников содержимого, учитывая то, что чем больше количество выбранных из не связанного с пользователем подмножества источников содержимого, тем больше рекомендаций элементов содержимого из «новых» источников получит пользователь 102. И наоборот, чем больше число выбранных из первого подмножества связанных источников содержимого, тем больше рекомендаций элементов содержимого из «известных» (и, следовательно, более приемлемых) источников получит пользователь 102.
[00277] Рекомендательный сервер 312 также включает в себя модуль 318 выбора потенциально рекомендуемых элементов содержимого для анализа подмножества рекомендуемых источников содержимого для выбора множества потенциально рекомендуемых элементов содержимого.
[00278] Выбор элементов содержимого из таким образом выбранных источников содержимого может выполняться с помощью одной или нескольких эвристических правил. Например, модуль 116 выбора источника содержимого выбирает заранее определенное число элементов содержимого (например, 2 элемента содержимого, 5 элементов содержимого, 10 элементов содержимого и так далее), которые связаны с одним или несколькими из: (i) самой свежей датой публикации, (ii) большее число визитов за время последних X дней, (iii) с конкретным разделом данного сетевого ресурса (например, «самое свежее», «популярное» и так далее).
[00279] Рекомендательный сервер 312 также включает в себя модуль 320 выбора рекомендаций содержимого для выполнения второго алгоритма машинного обучения для выбора, из множества потенциально рекомендуемых элементов содержимого, по меньшей мере одного рекомендуемого элемента содержимого; выбор осуществляется на основе вектора профиля пользователя.
[00280] То, как реализован модуль 320 выбора рекомендаций содержимого, никак конкретно не ограничено.
[00281] После того как модуль 320 выбора рекомендаций содержимого создает подмножество элементов содержимого для данного пользователя 102, модуль 320 выбора рекомендаций содержимого создает сообщение 152 рекомендаций содержимого и передает его электронному устройству 104. Когда электронное устройство 104 получает сообщение 152 рекомендаций содержимого, рекомендательное приложение 106 обрабатывает его содержимое и отображает элементы рекомендаций содержимого на интерфейсе 108 рекомендаций. То, как именно реализован интерфейс 108 рекомендаций, никак конкретно не ограничено - может быть использован интерфейс 108 рекомендаций, представленный на Фиг. 2.
[00282] С учетом архитектуры и примеров, описанных выше, возможно использовать способ создания рекомендаций содержимого для пользователя 102 электронного устройства 104. На Фиг. 5 представлена блок-схема способа 500, реализованного в соответствии с неограничивающими вариантами осуществления настоящего технического решения. Способ 500 может выполняться на сервере 312 рекомендаций и, конкретнее, с помощью модуля 316 определения источника содержимого и модуля 318 выбора потенциально рекомендуемых элементов содержимого. Для целей представленного далее описания, предполагается, что алгоритм машинного обучения, который будет использоваться модулем 316 определения источника содержимого, который был обучен определять параметр пригодности источника на основе обучающих профилей веб-сайтов, созданных с соответствующим множеством обучающих характеристик, по меньшей мере часть из которых относятся к той же категории, что и множество характеристик, которые будут использованы на этапе выполнения способа 500.
[00283] Этап 502 - получение от электронного устройства запроса на рекомендацию содержимого, рекомендация содержимого включает в себя по меньшей мере один рекомендуемый элемент содержимого
[00284] Способ 500 начинается на этапе 502, где модуль 316 определения источника содержимого получает от электронного устройства 104 запрос на рекомендацию 150 содержимого, рекомендация содержимого включает в себя по меньшей мере один рекомендуемый элемент содержимого.
[00285] Этап 504 - выполнение модуля первого алгоритма машинного обучения для определения подмножества рекомендуемых источников содержимого из множества возможных источников содержимого, определение подмножества рекомендуемых источников содержимого, включая: получение указания на предыдущие взаимодействия пользователя по меньшей мере с одним из: (i) системой рекомендаций и (ii) по меньшей мере некоторыми из множества сетевых ресурсов; на основе предыдущих взаимодействий пользователя, определение первого подмножества связанных с пользователем источников содержимого; на основе (i) обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов и по меньшей мере одним из: (ii) первое подмножество связанных с пользователем источников содержимого; и (iii) вектор профиля пользователя создается на основе предыдущих взаимодействий пользователя для создания второго подмножества не связанных с пользователем источников содержимого.
[00286] На этапе 504 модуль 316 определения источника содержимого выполняет модуль первого алгоритма машинного обучения для определения подмножества рекомендуемых источников содержимого из множества возможных источников содержимого, определение подмножества рекомендуемых источников содержимого, включая:
Figure 00000001
получение указания на предыдущие взаимодействия пользователей по меньшей мере с одним из: (i) системой рекомендаций и (ii) по меньшей мере некоторыми из множества сетевых ресурсов;
Figure 00000001
на основе предыдущих взаимодействий пользователя, определение первого подмножества связанных с пользователем источников содержимого;
Figure 00000001
на основе
Figure 00000003
(i) обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов и по меньшей мере одним из:
Figure 00000003
(ii) первом подмножестве связанных с пользователем источников содержимого; и
Figure 00000003
(iii) векторе пользовательского профиля создается на основе предыдущих взаимодействий пользователя
Figure 00000001
создании второго подмножества не связанных с пользователем источников содержимого.
[00287] В некоторых вариантах осуществления способа 500, определение второго подмножества не связанных с пользователем источников содержимого включает в себя применение алгоритма сингулярного разложения (SVD). В рамках этих вариантов осуществления настоящего технического решения, определение второго подмножества не связанных с пользователем источников содержимого основано на: (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и (ii) вектор профиля пользователя создается на основе предыдущих взаимодействий пользователя.
[00288] В рамках этих вариантов осуществления способа 500, способ 500 дополнительно включает в себя, до получения запроса на рекомендацию содержимого, создание алгоритмом сингулярного разложения матрицы событий и пользователей сетевых ресурсов.
[00289] В некоторых вариантах осуществления способа 500, определение второго подмножества не связанных с пользователем источников содержимого включает в себя применение алгоритма точечной взаимной информации (PMI). В этих вариантах осуществления способа 500, определение второго подмножества не связанных с пользователем источников содержимого основано на: (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и (ii) первом подмножестве связанных с пользователем источников содержимого.
[00290] Этап 506 - обработка первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого
[00291] На этапе 506 модуль 316 определения источника содержимого осуществляет обработку первого подмножества вязанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого.
[00292] Этап 508 - анализ подмножества рекомендуемых источников содержимого для выбора множества потенциально рекомендуемых элементов содержимого
[00293] На этапе 508 модуль 316 определения источника содержимого осуществляет анализ подмножества рекомендуемых источников содержимого для выбора множества потенциально рекомендуемых элементов содержимого.
[00294] Этап 510 - выполнение второго алгоритма машинного обучения для выбора, из множества потенциально рекомендуемых элементов содержимого, по меньшей мере одного рекомендуемого элемента содержимого; выбор осуществляется на основе вектора профиля пользователя
[00295] На этапе 510 модуль 318 выбора потенциально рекомендуемых элементов содержимого выполняет второй алгоритм для выбора, из множества потенциально рекомендуемых элементов содержимого, по меньшей мере одного рекомендуемого элемента содержимого; выбор осуществляется на основе вектора профиля пользователя.
[00296] В некоторых вариантах осуществления способа 500, выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых новых элементов содержимого.
[00297] В других вариантах осуществления способа 500, выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых популярных элементов содержимого.
[00298] В других вариантах осуществления способа 500, выбор из подмножества рекомендуемых источников содержимого конкретен для географической области, где выполняется запрос на рекомендуемое содержимое.
[00299] В других вариантах осуществления способа 500, способ 500 дополнительно включает в себя фильтрацию выбранных потенциально рекомендуемых элементов содержимого. В других вариантах осуществления способа 500, фильтрация основана на языковых настройках электронного устройства и языковых настройках элемента содержимого.
[00300] Некоторые варианты осуществления настоящего технического решения могут привести к конкретному техническому эффекту от использования вариантов осуществления настоящего технического решения заключается в возможности «заранее квалифицировать» потенциальные источники рекомендаций содержимого в режиме «оффлайн» («оффлайн» подразумевает обработку до получения запроса на рекомендацию 150 содержимого). В некоторых вариантах осуществления настоящего технического решения, технический эффект возникает в виде возможности заранее квалифицировать сетевые ресурсы как источники рекомендуемых элементов содержимого при входе на новую территорию.
[00301] Важно иметь в виду, что варианты осуществления настоящего технического решения могут быть выполнены с проявлением и других технических результатов.
[00302] Модификации и улучшения вышеописанных вариантов осуществления настоящего технического решения будут ясны специалистам в данной области техники. Предшествующее описание представлено только в качестве примера и не устанавливает никаких ограничений. Таким образом, объем настоящего технического решения ограничен только объемом прилагаемой формулы изобретения.
[00303] Варианты осуществления настоящего технического решения могут быть кратко изложены в пронумерованных пунктах.
[00304] ПЕРВЫЙ АСПЕКТ ОСУЩЕСТВЛЕНИЯ СПОСОБА/СИСТЕМЫ
[00305] ПУНКТ 1. Способ (400) выбора сетевого ресурса (124, 126, 128) как источника элемента (216, 218) содержимого, элемент содержимого будет проанализирован (216, 218) системой (100) рекомендаций как часть множества элементов (216, 218) содержимого для создания набора элементов (214) рекомендаций содержимого в качестве рекомендации для данного пользователя (102) системы рекомендаций, система рекомендаций выполняется на сервере (112), соединенном с сетью (110) передачи данных, способ включает в себя:
[00306] получение (402) сервером указания на сетевой ресурс;
[00307] получение (404) сервером множества характеристик, связанных с сетевым ресурсом;
[00308] создание (406) сервером профиля данного сетевого ресурса для сетевого ресурса, профиль данного сетевого ресурса основан на множестве характеристик;
[00309] выполнение (408) сервером алгоритма машинного обучения для того чтобы на основании профиля данного сетевого ресурса определить параметр пригодности источника для сетевого ресурса, параметр пригодности источника указывает на чувствительность сетевого ресурса к публикации элемента содержимого, который может быть обработан системой рекомендаций;
[00310] выбор (410) по меньшей мере одного элемента содержимого с сетевого ресурса, если параметр пригодности источника определен как превышающий заранее определенный порог, по меньшей мере один элемент содержимого вводится в систему рекомендаций для обработки.
[00311] ПУНКТ 2. Способ по п. 1, в котором:
[00312] алгоритм машинного обучения был обучен, до упомянутого этапа получения, для определения параметра пригодности источника на основе профилей обучающего вебсайта, созданных в связи со множеством обучающих характеристик, причем по меньшей некоторые из них относятся к той же категории, что и множество характеристик.
[00313] ПУНКТ 3. Способ по любому из пп. 1 - 2, в котором множество характеристик включает в себя по меньшей мере абсолютную характеристику и относительную характеристику.
[00314] ПУНКТ 4. Способ по п. 3, в котором абсолютная характеристика и относительная характеристика являются базовыми характеристиками, и способ дополнительно включает в себя:
[00315] создание по меньшей мере одной производной характеристики на основе по меньшей мере абсолютной характеристики и относительной характеристики; и
[00316] при этом профиль данного веб-сайта дополнительно основан по меньшей мере на одной производной характеристике.
[00317] ПУНКТ 5. Способ по любому из пп. 1-4, в котором множество характеристик включает в себя указание на долю посещенных ресурсов по отношению к сетевому ресурсу.
[00318] ПУНКТ 6. Способ по любому из пп. 1-4, в котором множество характеристик включает в себя по меньшей мере одну относительную характеристику, выбранную из следующего:
[00319] количество хитов за визит (HPV);
[00320] количество сессий за визит (SPV);
[00321] количество датированных страниц за визит (DPV);
[00322] количество домашних страниц за визит (MPV);
[00323] время, проведенное на сетевом ресурсе (MTIME);
[00324] последний домен за сессию (LPS);
[00325] первый домен за сессию (FPS);
[00326] количество хитов за сессию (HPS);
[00327] количество визитов на пользователя (VPU);
[00328] количество хитов на пользователя (HPU);
[00329] количество сессий на пользователя (SPU);
[00330] количество датированных страниц за хит (DPH);
[00331] количество домашних страниц за хит (МРН); и
[00332] указание на источник визита, который является одним из:
[00333] визитом пользователя на сайт напрямую (TT_GR);
[00334] визитом пользователя на сайт через поисковую систему (TT_SE);
[00335] визитом пользователя на сайт через социальную сеть (TT_SN);
[00336] визитом пользователя на сайт через электронное сообщение (TT_IM);
[00337] визитом пользователя на сайт, совершенным с помощью сервиса сокращения ссылок (TT_US); и
[00338] визитом пользователя на сайт, совершенным с помощью рекламной платформы (TT_AD).
[00339] ПУНКТ 7. Способ по любому из пп. 1-4, в котором множество характеристик включает в себя по меньшей одно из: число пользователей, которые посещают сетевой ресурс за период времени, число визитов за период времени, число переходов к различным веб-страницам в рамках сетевого ресурса за период времени, и число уникальных сессий с сетевым ресурсом за период времени.
[00340] ПУНКТ 8. Способ по любому из пп. 1-7, в котором множество характеристик является подмножеством всех возможных характеристик, способ дополнительно включает в себя выполнение выбора характеристики для определения подмножества.
[00341] ПУНКТ 9. Способ по п. 8, в котором подмножество всех возможных характеристик состоит из:
[00342] по меньшей мере одного из: доли целевой страницы среди визитов сетевого ресурса в рамках первоначального перехода к сетевому ресурсу в рамках сессии и доли визитов целевой страницы за время переходов внутри сетевого ресурса;
[00343] по меньшей мере одного из: доли веб-страницы, связанной с URL, который содержит дату, когда первая страница была посещена за первый переход на сетевой ресурс, и доли веб-страниц в сетевом ресурсе, посещенном за время сессии, веб-страницы связаны с URL, который содержит дату;
[00344] долевой профиль источников визита для сетевого ресурса, источники визита выбираются из: поисковой системы/социальных сетей/электронной почты и приложения мессенджера/URL/прямых визитов;
[00345] доля сессии, где сетевой ресурс был последним в сессии.
[00346] ПУНКТ 10. Способ по любому из пп. 1-9, в котором параметр пригодности источника может быть пригодным или непригодным.
[00347] ПУНКТ 11. Способ по п. 10, в котором параметр пригодности источника может определяться с помощью по меньшей мере одного из:
[00348] логистического регрессионного анализа;
[00349] упрощенного алгоритма Байеса;
[00350] алгоритма k-ближайших соседей;
[00351] алгоритма случайного леса; и
[00352] алгоритма невзвешенного голосования.
[00353] ПУНКТ 12. Способ по любому из пп. 1-11, в котором упомянутый этап выбора выполняется в ответ на запрос рекомендации от данного пользователя.
[00354] ПУНКТ 13. Сервер (112), включающий в себя:
[00355] носитель (118) данных;
[00356] сетевой интерфейс, выполненный с возможностью передачи данных по сети (110) передачи данных;
[00357] процессор (114), функционально соединенный с носителем данных и сетевым интерфейсом, процессор выполнен с возможностью осуществлять:
[00358] получение указания на сетевой ресурс (124, 126, 128), сетевой ресурс будет обработан для определения его пригодности в качестве источника элемента (216, 218) содержимого, элемент содержимого будет проанализирован системой (100) рекомендаций как часть множества элементов (216, 218) содержимого для создания набора
рекомендуемых элементов (214) содержимого в качестве рекомендации для данного пользователя системы рекомендации;
[00359] получение множества характеристик, связанных с сетевым ресурсом;
[00360] создание профиля данного сетевого ресурса для сетевого ресурса, профиль данного сетевого ресурса основан на множестве характеристик;
[00361] выполнение сервером алгоритма (116) машинного обучения для того чтобы, на основании профиля данного сетевого ресурса, определить параметр пригодности источника для сетевого ресурса, параметр пригодности источника указывает на чувствительность сетевого ресурса к публикации элемента содержимого, который может быть обработан системой рекомендаций;
[00362] выбор (115) по меньшей мере одного элемента содержимого с сетевого ресурса, если параметр пригодности источника определен как превышающий заранее определенный порог, по меньшей мере один элемент содержимого вводится в систему рекомендаций для обработки.
[00363] ПУНКТ 14. Сервер по п. 13, в котором:
[00364] алгоритм машинного обучения был обучен, до упомянутого этапа получения, для определения параметра пригодности источника на основе профилей обучающего вебсайта, созданных в связи со множеством обучающих характеристик, причем по меньшей некоторые из них относятся к той же категории, что и множество характеристик.
[00365] ПУНКТ 15. Сервер по любому из пп. 13-14, в котором множество характеристик включает в себя по меньшей мере абсолютную характеристику и относительную характеристику.
[00366] ПУНКТ 16. Сервер по п. 15, в котором абсолютная характеристика и относительная характеристика являются базовыми характеристиками, и процессор выполнен с возможностью осуществлять:
[00367] создание по меньшей мере одной производной характеристики на основе по меньшей мере абсолютной характеристики и относительной характеристики; и
[00368] при этом профиль данного веб-сайта дополнительно основан по меньшей мере на одной производной характеристике.
[00369] ПУНКТ 17. Сервер по п. 13, в котором множество характеристик включает в себя указание на долю посещенных ресурсов по отношению к сетевому ресурсу.
[00370] ПУНКТ 18. Сервер по п. 13, в котором множество характеристик включает в себя по меньшей мере одну относительную характеристику, выбранную из следующего:
[00371] количество хитов за визит (HPV);
[00372] количество сессий за визит (SPV);
[00373] количество датированных страниц за визит (DPV);
[00374] количество домашних страниц за визит (MPV);
[00375] время, проведенное на сетевом ресурсе (MTIME);
[00376] последний домен за сессию (LPS);
[00377] первый домен за сессию (FPS);
[00378] количество хитов за сессию (HPS);
[00379] количество визитов на пользователя (VPU);
[00380] количество хитов на пользователя (HPU);
[00381] количество сессий на пользователя (SPU);
[00382] количество датированных страниц за хит (DPH);
[00383] количество домашних страниц за хит (МРН); и
[00384] указание на источник визита, который является одним из:
[00385] визитом пользователя на сайт напрямую (TT_GR);
[00386] визитом пользователя на сайт через поисковую систему (TT_SE);
[00387] визитом пользователя на сайт через социальную сеть (TT_SN);
[00388] визитом пользователя на сайт через электронное сообщение (ТТ_IM);
[00389] визитом пользователя на сайт, совершенным с помощью сервиса сокращения ссылок (TT_US); и
[00390] визитом пользователя на сайт, совершенным с помощью рекламной платформы (TT_AD).
[00391] ПУНКТ 19. Сервер по любому из пп. 13-14, в котором множество характеристик включает в себя по меньшей одно из: число пользователей, которые посещают сетевой ресурс за период времени, число визитов за период времени, число переходов к различным веб-страницам в рамках сетевого ресурса за период времени, и число уникальных сессий с сетевым ресурсом за период времени.
[00392] ПУНКТ 20. Сервер по любому из пп. 13-19, в котором множество характеристик является подмножеством всех возможных характеристик, процессор дополнительно выполнен с возможностью осуществлять выполнение выбора характеристики для определения подмножества.
[00393] ПУНКТ 21. Сервер по п. 20, в котором подмножество всех возможных характеристик состоит из:
[00394] по меньшей мере одного из: доли целевой страницы среди визитов сетевого ресурса в рамках первоначального перехода к сетевому ресурсу в рамках сессии и доли визитов целевой страницы за время переходов внутри сетевого ресурса;
[00395] по меньшей мере одного из: доли веб-страницы, связанной с URL, который содержит дату, когда первая страница была посещена за первый переход на сетевой ресурс, и доли веб-страниц в сетевом ресурсе, посещенном за время сессии, веб-страницы связаны с URL, который содержит дату;
[00396] долевой профиль источников визита для сетевого ресурса, источники визита выбираются из: поисковой системы/социальных сетей/электронной почты и приложения мессенджера/URL/прямых визитов;
[00397] доля сессии, где сетевой ресурс был последним в сессии.
[00398] ПУНКТ 22. Сервер по любому из пп. 13-21, в котором параметр пригодности источника может быть пригодным или непригодным.
[00399] ПУНКТ 23. Сервер по п. 22, в котором параметр пригодности источника может определяться с помощью по меньшей мере одного из:
[00400] логистического регрессионного анализа;
[00401] упрощенного алгоритма Байеса;
[00402] алгоритма k-ближайших соседей;
[00403] алгоритма случайного леса; и
[00404] алгоритма невзвешенного голосования.
[00405] ПУНКТ 24. Сервер по любому из пп. 13-23, в котором процессор выполняет выбор в ответ на запрос рекомендации от данного пользователя.
[00407] ВТОРОЙ АСПЕКТ ОСУЩЕСТВЛЕНИЯ СПОСОБА/СИСТЕМЫ
[00408] ПУНКТ 1. Исполняемый на компьютере способ (500) создания рекомендаций (216, 218) содержимого для пользователя (102) электронного устройства (104), способ выполняется рекомендательным сервером (312), доступным электронному устройству через сеть (110) передачи данных, рекомендация содержимого связана с элементом содержимого, доступном на одном из множества сетевых ресурсов (124, 126, 128), доступных через сеть передачи данных, способ включает в себя:
[00409] получение (502) от электронного устройства запроса на рекомендацию (150) содержимого, рекомендация содержимого включает в себя по меньшей мере один рекомендуемый элемент содержимого;
[00410] выполнение (504) модуля (316) первого алгоритма машинного обучения для определения подмножества источников (124, 126, 128) рекомендаций содержимого из множества возможных источников (124,126,128) содержимого, определение подмножества рекомендуемых источников содержимого, включая:
[00411] получение (506) указания на предыдущие взаимодействия пользователей по меньшей мере с одним из: (i) системой рекомендаций и (ii) по меньшей мере некоторыми из множества сетевых ресурсов;
[00412] на основе предыдущих взаимодействий пользователя, определение (508) первого подмножества связанных с пользователем источников содержимого;
[00413] основанных на
[00414] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов
[00415] и по меньшей мере одного из:
[00416] (ii) первого подмножества связанных с пользователем источников содержимого; и
[00417] (iii) вектора пользовательского профиля, созданного на основе предыдущих взаимодействий пользователя,
[00418] создание второго подмножества не связанных с пользователем источников содержимого;
[00419] обработку первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого;
[00420] анализ (508) подмножества рекомендуемых источников содержимого для выбора множества потенциально рекомендуемых элементов содержимого;
[00421] выполнение (510) второго алгоритма машинного обучения для выбора, из множества потенциально рекомендуемых элементов содержимого, по меньшей мере одного рекомендуемого элемента содержимого; выбор осуществляется на основе вектора профиля пользователя.
[00422] ПУНКТ 2. Способ по п. 1, в котором определение второго подмножества не связанных с пользователем источников содержимого включает в себя применение алгоритма сингулярного разложения (SVD).
[00423] ПУНКТ 3. Способ по п. 2, в котором определение второго подмножества не связанных с пользователем источников содержимого основано на:
[00424] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
[00425] (ii) вектор пользовательского профиля создается на основе предыдущих взаимодействий пользователя.
[00426] ПУНКТ 4. Способ по п. 3, в котором способ дополнительно включает в себя, до получения запроса на рекомендацию содержимого, создание алгоритмом сингулярного разложения матрицы событий и пользователей сетевых ресурсов.
[00427] ПУНКТ 5. Способ по п. 1, в котором определение второго подмножества не связанных с пользователем источников содержимого включает в себя применение алгоритма точечной взаимной информации (PMI).
[00428] ПУНКТ 6. Способ по п. 5, в котором определение второго подмножества не связанных с пользователем источников содержимого основано на:
[00429] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
[00430] (ii) первом подмножестве связанных с пользователем источников содержимого.
[00431] ПУНКТ 7. Способ по пп. 1-6, в котором выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых новых элементов содержимого.
[00432] ПУНКТ 8. Способ по любому из пп. 1-6, в котором выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых популярных элементов содержимого.
[00433] ПУНКТ 9. Способ по любому из пп. 1-6, в котором выбор из подмножества рекомендуемых источников содержимого конкретен для географической области, где выполняется запрос на рекомендуемое содержимое.
[00434] ПУНКТ 10. Способ по любому из пп. 1-9, дополнительно включающий в себя фильтрацию избранных потенциально рекомендуемых элементов содержимого.
[00435] ПУНКТ 11. Способ по п. 10, в котором фильтрация основана на языковых настройках электронного устройства и языковых настройках элемента содержимого.
[00436] ПУНКТ 12. Сервер (312), включающий в себя:
[00437] носитель (118) данных;
[00438] сетевой интерфейс, выполненный с возможностью передачи данных по сети (110) передачи данных;
[00439] процессор (314), функционально соединенный с носителем данных и сетевым интерфейсом, процессор выполнен с возможностью осуществлять:
[00440] получение от электронного устройства (102) запроса на рекомендацию (150) содержимого, рекомендация содержимого включает в себя по меньшей мере один элемент (216, 218) рекомендаций содержимого; рекомендация содержимого связана с элементом содержимого, доступном на множестве сетевых (124, 126, 128) ресурсов, которые доступны через сеть передачи данных:
[00441] выполнение модуля (316) первого алгоритма машинного обучения для определения подмножества источников (124, 126, 128) рекомендаций содержимого из множества возможных источников (124, 126, 128) содержимого, определение подмножества рекомендуемых источников содержимого, включая:
[00442] получение указания на предыдущие взаимодействия пользователей по меньшей мере с одним из: (i) системой рекомендаций и (ii) по меньшей мере некоторыми из множества сетевых ресурсов;
[00443] на основе предыдущих взаимодействий пользователя, определение первого подмножества связанных с пользователем источников содержимого;
[00444] на основе
[00445] (i) обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов
[00446] и по меньшей мере одного из:
[00447] (ii) первого подмножества связанных с пользователем источников содержимого; и
[00448] (iii) вектора пользовательского профиля, созданного на основе предыдущих взаимодействий пользователя,
[00449] создание второго подмножества не связанных с пользователем источников содержимого;
[00450] обработку первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого;
[00451] анализ подмножества рекомендуемых источников содержимого для выбора множества потенциально рекомендуемых элементов содержимого;
[00452] выполнение модуля (318) второго алгоритма машинного обучения для выбора, из множества потенциально рекомендуемых элементов содержимого, по меньшей мере одного рекомендуемого элемента содержимого; выбор осуществляется на основе вектора профиля пользователя.
[00453] ПУНКТ 13. Сервер по п. 12, в котором для определения второго подмножества не связанных с пользователем источников содержимого, процессор выполнен с возможностью применять алгоритм сингулярного разложения (SVD).
[00454] ПУНКТ 14. Сервер по п. 13, в котором определение второго подмножества не связанных с пользователем источников содержимого основано на:
[00455] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
[00456] (ii) вектор пользовательского профиля создается на основе предыдущих взаимодействий пользователя.
[00457] ПУНКТ 15. Сервер по п. 14, в котором сервер дополнительно выполнен с возможностью, до этапа получения запроса на рекомендацию содержимого, осуществлять создание, с помощью алгоритма сингулярного разложения, матрицы событий и пользователей сетевых ресурсов.
[00458] ПУНКТ 16. Сервер по п. 12, в котором для определения второго подмножества не связанных с пользователем источников содержимого, процессор выполнен с возможностью применять алгоритм точечной взаимной информации (PMI).
[00459] ПУНКТ 17. Сервер по п. 16, в котором определение второго подмножества не связанных с пользователем источников содержимого основано на:
[00460] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
[00461] (ii) первом подмножестве связанных с пользователем источников содержимого.
[00462] ПУНКТ 18. Сервер по любому из пп. 12-17, в котором выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых новых элементов содержимого.
[00463] ПУНКТ 19. Сервер по любому из пп. 12-17, в котором выбор из подмножеств рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых популярных элементов содержимого.
[00464] ПУНКТ 20. Сервер по любому из пп. 12-17, в котором выбор из подмножества рекомендуемых источников содержимого конкретен для географической области, где выполняется запрос на рекомендуемое содержимое.
[00465] ПУНКТ 21. Сервер по любому из пп. 12-20, в котором процессор дополнительно выполнен с возможностью осуществлять фильтрацию выбранных потенциально рекомендуемых элементов содержимого.
[00466] ПУНКТ 22. Сервер по п. 21, в котором фильтрация основана на языковых настройках электронного устройства и языковых настройках элемента содержимого.

Claims (57)

1. Исполняемый на компьютере способ создания рекомендаций содержимого для пользователя электронного устройства, способ выполняется рекомендательным сервером, доступным электронному устройству через сеть передачи данных, рекомендация содержимого связана с элементом содержимого, доступном на одном из множества сетевых ресурсов, доступных через сеть передачи данных, способ включает в себя:
получение от электронного устройства запроса на рекомендацию содержимого, рекомендация содержимого включает в себя по меньшей мере один рекомендуемый элемент содержимого;
выполнение модуля первого алгоритма машинного обучения для определения подмножества рекомендуемых источников содержимого из множества возможных источников содержимого, определение подмножества рекомендуемых источников содержимого, включая:
получение указания на предыдущие взаимодействия пользователей по меньшей мере с одним из: системой рекомендаций и по меньшей мере некоторыми из множества сетевых ресурсов;
на основе предыдущих взаимодействий пользователя, определение первого подмножества связанных с пользователем источников содержимого;
на основе обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов
и по меньшей мере одного из:
первого подмножества связанных с пользователем источников содержимого; и
вектора пользовательского профиля, созданного на основе предыдущих взаимодействий пользователя,
создание второго подмножества не связанных с пользователем источников содержимого;
обработку первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого;
анализ подмножества рекомендуемых источников содержимого для выбора множества потенциально рекомендуемых элементов содержимого;
выполнение модуля второго алгоритма машинного обучения для выбора, из множества потенциально рекомендуемых элементов содержимого, по меньшей мере одного рекомендуемого элемента содержимого; выбор осуществляется на основе вектора профиля пользователя.
2. Способ по п. 1, в котором определение второго подмножества связанных с пользователем источников содержимого включает в себя применение алгоритма сингулярного разложения (SVD).
3. Способ по п. 2, в котором определение второго подмножества не связанных с пользователем источников содержимого основано на:
обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
вектор пользовательского профиля создается на основе предыдущих взаимодействий пользователя.
4. Способ по п. 3, в котором дополнительно выполняют, до получения запроса на рекомендацию содержимого, создание алгоритмом сингулярного разложения матрицы событий и пользователей сетевых ресурсов.
5. Способ по п. 1, в котором определение второго подмножества не связанных с пользователем источников содержимого включает в себя применение алгоритма точечной взаимной информации (PMI).
6. Способ по п. 5, в котором определение второго подмножества не связанных с пользователем источников содержимого основано на:
обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
первом подмножестве связанных с пользователем источников содержимого.
7. Способ по п. 1, в котором выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых новых элементов содержимого.
8. Способ по п. 1, в котором выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых популярных элементов содержимого.
9. Способ по п. 1, в котором выбор из подмножества рекомендуемых источников содержимого конкретен для географической области, где выполняется запрос на рекомендуемое содержимое.
10. Способ по п. 1, в котором дополнительно выполняют фильтрацию выбранных потенциально рекомендуемых элементов содержимого.
11. Способ по п. 10, в котором фильтрация основана на языковых настройках электронного устройства и языковых настройках элемента содержимого.
12. Сервер для создания рекомендаций содержимого, включающий в себя:
носитель данных;
сетевой интерфейс, выполненный с возможностью соединения по сети передачи данных;
процессор, функционально соединенный с носителем данных и сетевым интерфейсом, процессор выполнен с возможностью осуществлять:
получение от электронного устройства запроса на рекомендацию содержимого, рекомендация содержимого включает в себя по меньшей мере один рекомендуемый элемент содержимого; рекомендация содержимого связана с элементом содержимого, доступном на множестве сетевых ресурсов, которые доступны через сеть передачи данных:
выполнение модуля первого алгоритма машинного обучения для определения подмножества рекомендуемых источников содержимого из множества возможных источников содержимого, определение подмножества рекомендуемых источников содержимого, включая:
получение указания на предыдущие взаимодействия пользователей по меньшей мере с одним из: системой рекомендаций и по меньшей мере некоторыми из множества сетевых ресурсов;
на основе предыдущих взаимодействий пользователя, определение первого подмножества связанных с пользователем источников содержимого;
на основе обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов
и по меньшей мере одного из:
первого подмножества связанных с пользователем источников содержимого; и
вектора пользовательского профиля, созданного на основе предыдущих взаимодействий пользователя,
создание второго подмножества не связанных с пользователем источников содержимого;
обработку первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого;
анализ подмножества рекомендуемых источников содержимого для выбора множества потенциально рекомендуемых элементов содержимого;
выполнение модуля второго алгоритма машинного обучения для выбора, из множества потенциально рекомендуемых элементов содержимого, по меньшей мере одного рекомендуемого элемента содержимого; выбор осуществляется на основе вектора профиля пользователя.
13. Сервер по п. 12, в котором для определения второго подмножества не связанных с пользователем источников содержимого, процессор выполнен с возможностью применять алгоритм сингулярного разложения (SVD).
14. Сервер по п. 13, в котором процессор выполнен с возможностью осуществлять определение второго подмножества не связанных с пользователем источников содержимого на основе:
обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
созданного вектора пользовательского профиля на основе предыдущих взаимодействий пользователя.
15. Сервер по п. 14, в котором процессор дополнительно выполнен с возможностью, до этапа получения запроса на рекомендацию содержимого, осуществлять создание, с помощью алгоритма сингулярного разложения, матрицы событий и пользователей сетевых ресурсов.
16. Сервер по п. 12, в котором для определения второго подмножества не связанных с пользователем источников содержимого, процессор выполнен с возможностью применять алгоритм точечной взаимной информации (PMI).
17. Сервер по п. 16, в котором процессор выполнен с возможностью осуществлять определение второго подмножества не связанных с пользователем источников содержимого на основе:
обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и
первом подмножестве связанных с пользователем источников содержимого.
18. Сервер по п. 12, в котором при выборе из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого процессор выполнен с возможностью осуществлять определение заранее определенного числа самых новых элементов содержимого.
19. Сервер по п. 12, в котором при выборе из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого процессор выполнен с возможностью осуществлять определение заранее определенного числа самых популярных элементов содержимого.
20. Сервер по п. 12, в котором процессор выполнен с возможностью осуществлять выбор из подмножества рекомендуемых источников содержимого конкретных для географической области, где выполняется запрос на рекомендуемое содержимое.
21. Сервер по п. 12, в котором процессор дополнительно выполнен с возможностью осуществлять фильтрацию выбранных потенциально рекомендуемых элементов содержимого.
22. Сервер по п. 21, в котором фильтрация основана на языковых настройках электронного устройства и языковых настройках элемента содержимого.
RU2016127447A 2016-07-07 2016-07-07 Способ и устройство для создания рекомендаций содержимого в системе рекомендаций RU2632132C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2016127447A RU2632132C1 (ru) 2016-07-07 2016-07-07 Способ и устройство для создания рекомендаций содержимого в системе рекомендаций

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
RU2016127447A RU2632132C1 (ru) 2016-07-07 2016-07-07 Способ и устройство для создания рекомендаций содержимого в системе рекомендаций
US15/606,658 US10430481B2 (en) 2016-07-07 2017-05-26 Method and apparatus for generating a content recommendation in a recommendation system
EP17180214.3A EP3267386A1 (en) 2016-07-07 2017-07-07 Method and apparatus for generating a content recommendation in a recommendation system

Publications (1)

Publication Number Publication Date
RU2632132C1 true RU2632132C1 (ru) 2017-10-02

Family

ID=60040605

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2016127447A RU2632132C1 (ru) 2016-07-07 2016-07-07 Способ и устройство для создания рекомендаций содержимого в системе рекомендаций

Country Status (2)

Country Link
US (1) US10430481B2 (ru)
RU (1) RU2632132C1 (ru)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2699574C2 (ru) * 2017-11-24 2019-09-06 Общество С Ограниченной Ответственностью "Яндекс" Способ и сервер для представления элемента рекомендуемого содержимого пользователю
RU2711717C1 (ru) * 2019-03-18 2020-01-21 Общество с ограниченной ответственностью «Хэдхантер» Рекомендательная система подбора персонала с использованием машинного обучения и с понижением размерности многомерных данных и способ подбора персонала с использованием машинного обучения и с понижением размерности многомерных данных
USD890802S1 (en) 2017-01-13 2020-07-21 Yandex Europe Ag Display screen with graphical user interface
US11086888B2 (en) 2018-10-09 2021-08-10 Yandex Europe Ag Method and system for generating digital content recommendation
US11263217B2 (en) 2018-09-14 2022-03-01 Yandex Europe Ag Method of and system for determining user-specific proportions of content for recommendation
US11276079B2 (en) 2019-09-09 2022-03-15 Yandex Europe Ag Method and system for meeting service level of content item promotion
US11276076B2 (en) 2018-09-14 2022-03-15 Yandex Europe Ag Method and system for generating a digital content recommendation
US11288333B2 (en) 2018-10-08 2022-03-29 Yandex Europe Ag Method and system for estimating user-item interaction data based on stored interaction data by using multiple models

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2632131C2 (ru) 2015-08-28 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для создания рекомендуемого списка содержимого
RU2632100C2 (ru) 2015-09-28 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и сервер создания рекомендованного набора элементов
RU2629638C2 (ru) 2015-09-28 2017-08-30 Общество С Ограниченной Ответственностью "Яндекс" Способ и сервер создания рекомендуемого набора элементов для пользователя
RU2632144C1 (ru) 2016-05-12 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Компьютерный способ создания интерфейса рекомендации контента
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
RU2632132C1 (ru) 2016-07-07 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для создания рекомендаций содержимого в системе рекомендаций
US10866989B1 (en) * 2018-04-06 2020-12-15 Architecture Technology Corporation Real time recommender modeling system, methods of construction, and methods of use
RU2714594C1 (ru) * 2018-09-14 2020-02-18 Общество С Ограниченной Ответственностью "Яндекс" Способ и система определения параметра релевантность для элементов содержимого
US10958553B2 (en) * 2018-10-31 2021-03-23 Citrix Systems, Inc. Network configuration system
US11108850B2 (en) * 2019-08-05 2021-08-31 Red Hat, Inc. Triangulating stateful client requests for web applications
CN112528007A (zh) * 2019-09-19 2021-03-19 中冶赛迪重庆信息技术有限公司 一种招商项目的目标企业的确认方法及确认装置
CN110990693A (zh) * 2019-11-20 2020-04-10 贝壳技术有限公司 基于深度学习的房源推荐方法、装置及可读存储介质
US11302323B2 (en) * 2019-11-21 2022-04-12 International Business Machines Corporation Voice response delivery with acceptable interference and attention
US11270369B2 (en) * 2020-01-31 2022-03-08 Adobe Inc. Systems for generating recommendations
CN112559901B (zh) * 2020-12-11 2022-02-08 百度在线网络技术(北京)有限公司 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2543315C2 (ru) * 2013-03-22 2015-02-27 Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Национальный исследовательский университет "Высшая школа экономики" Способ отбора эффективных вариантов в поисковых и рекомендательных системах (варианты)
US20150242492A1 (en) * 2013-03-15 2015-08-27 FEM, Inc. Character based media analytics
US20150379146A1 (en) * 2007-02-28 2015-12-31 Aol Inc. Peer-to-peer access of personalized profiles using content intermediary
RU2577193C2 (ru) * 2011-07-27 2016-03-10 Квэлкомм Инкорпорейтед Поиск и просмотр web-страниц, улучшенный посредством облачных вычислений

Family Cites Families (241)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020198882A1 (en) 2001-03-29 2002-12-26 Linden Gregory D. Content personalization based on actions performed during a current browsing session
AU7564200A (en) 1999-09-22 2001-04-24 Oleg Kharisovich Zommers Interactive personal information system and method
US6687696B2 (en) 2000-07-26 2004-02-03 Recommind Inc. System and method for personalized search, information filtering, and for generating recommendations utilizing statistical latent class models
JP2002082745A (ja) 2000-09-07 2002-03-22 Sony Corp 情報処理装置及び方法、並びにプログラム格納媒体
US7277765B1 (en) 2000-10-12 2007-10-02 Bose Corporation Interactive sound reproducing
AU2002241669A1 (en) 2000-12-26 2002-07-08 Trustees Of Dartmouth College Methods and apparatus for personalized content presentation
US7007242B2 (en) 2002-02-20 2006-02-28 Nokia Corporation Graphical user interface for a mobile device
WO2004038547A2 (en) 2002-10-21 2004-05-06 Ebay Inc. Listing recommendation in a network-based commerce system
US20110107223A1 (en) 2003-01-06 2011-05-05 Eric Tilton User Interface For Presenting Presentations
US7475027B2 (en) 2003-02-06 2009-01-06 Mitsubishi Electric Research Laboratories, Inc. On-line recommender system
KR100493902B1 (ko) 2003-08-28 2005-06-10 삼성전자주식회사 콘텐츠 추천방법 및 시스템
US7346839B2 (en) 2003-09-30 2008-03-18 Google Inc. Information retrieval based on historical data
US20050097190A1 (en) 2003-10-31 2005-05-05 Aaron Abdelhak System and method for customized portal web pages
CA2512945A1 (en) 2004-07-23 2006-01-23 Genesis Group Inc. System and method for estimating user ratings from user behavior and providing recommendations
US7540051B2 (en) 2004-08-20 2009-06-02 Spatial Systems, Inc. Mapping web sites based on significance of contact and category
US20060074883A1 (en) 2004-10-05 2006-04-06 Microsoft Corporation Systems, methods, and interfaces for providing personalized search and information access
JP2008521267A (ja) 2004-11-15 2008-06-19 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ ユーザのコンテンツ選択を支援する方法及びネットワーク装置
US8060463B1 (en) 2005-03-30 2011-11-15 Amazon Technologies, Inc. Mining of user event data to identify users with common interests
US20060293065A1 (en) 2005-06-27 2006-12-28 Lucent Technologies Inc. Dynamic information on demand
US20150331859A1 (en) 2005-10-26 2015-11-19 Cortica, Ltd. Method and system for providing multimedia content to users based on textual phrases
US8429184B2 (en) 2005-12-05 2013-04-23 Collarity Inc. Generation of refinement terms for search queries
US7502789B2 (en) 2005-12-15 2009-03-10 Microsoft Corporation Identifying important news reports from news home pages
GB0610119D0 (en) 2006-05-20 2006-06-28 Ibm Internet browser and method of bookmarking in same
US9443022B2 (en) 2006-06-05 2016-09-13 Google Inc. Method, system, and graphical user interface for providing personalized recommendations of popular search queries
US20080222132A1 (en) 2007-03-07 2008-09-11 Jiangyi Pan Personalized shopping recommendation based on search units
US8108417B2 (en) 2007-04-04 2012-01-31 Intertrust Technologies Corporation Discovering and scoring relationships extracted from human generated lists
JP5032183B2 (ja) 2007-04-12 2012-09-26 株式会社東芝 情報推薦システムおよび情報推薦方法
KR20080096134A (ko) 2007-04-27 2008-10-30 엘지전자 주식회사 이동통신 단말기 및 그 웹페이지 제어방법
US8301623B2 (en) 2007-05-22 2012-10-30 Amazon Technologies, Inc. Probabilistic recommendation system
USD613300S1 (en) 2007-06-28 2010-04-06 Apple Inc. Animated graphical user interface for a display screen or portion thereof
US7949659B2 (en) 2007-06-29 2011-05-24 Amazon Technologies, Inc. Recommendation system with multiple integrated recommenders
US8751507B2 (en) 2007-06-29 2014-06-10 Amazon Technologies, Inc. Recommendation system with multiple integrated recommenders
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
KR101415022B1 (ko) 2007-07-24 2014-07-09 삼성전자주식회사 복합 알고리즘 이용한 정보 추천 방법 및 장치
US8275764B2 (en) 2007-08-24 2012-09-25 Google Inc. Recommending media programs based on media program popularity
US20090163183A1 (en) 2007-10-04 2009-06-25 O'donoghue Hugh Recommendation generation systems, apparatus and methods
US8972865B2 (en) 2007-10-19 2015-03-03 Opera Software Asa Method and device for providing easy access to pre-selected data resources
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
US8484142B2 (en) 2007-11-02 2013-07-09 Ebay Inc. Integrating an internet preference learning facility into third parties
US8510252B1 (en) 2007-12-07 2013-08-13 Google, Inc. Classification of inappropriate video content using multi-scale features
US20090177652A1 (en) 2008-01-08 2009-07-09 Taptu Ltd. Mobile search service
RU2368006C1 (ru) 2008-01-10 2009-09-20 Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." Способ и система адаптивного переформатирования цифровых изображений
US8560964B2 (en) 2008-02-20 2013-10-15 International Business Machines Corporation Method and system for predictive browsing
US9323439B2 (en) 2008-03-28 2016-04-26 International Business Machines Corporation System and method for displaying published electronic documents
US7849076B2 (en) 2008-03-31 2010-12-07 Yahoo! Inc. Learning ranking functions incorporating isotonic regression for information retrieval and ranking
US20090276368A1 (en) 2008-04-28 2009-11-05 Strands, Inc. Systems and methods for providing personalized recommendations of products and services based on explicit and implicit user data and feedback
US8683374B2 (en) 2008-06-24 2014-03-25 Microsoft Corporation Displaying a user's default activities in a new tab page
US8631351B2 (en) 2008-06-29 2014-01-14 Microsoft Corporation Providing multiple degrees of context for content consumed on computers and media players
US8762313B2 (en) 2008-07-25 2014-06-24 Liveperson, Inc. Method and system for creating a predictive model for targeting web-page to a surfer
US20100205542A1 (en) 2008-08-07 2010-08-12 Christina Walman Method, system for tracking group behavior
BRPI0918278A2 (pt) 2008-09-01 2015-12-15 Google Inc páginas da nova aba e barras de ferramentas de marcador em um navegador
JP4650541B2 (ja) 2008-09-08 2011-03-16 ソニー株式会社 推薦装置および方法、プログラム、並びに記録媒体
KR101400935B1 (ko) 2008-11-11 2014-06-19 소니 컴퓨터 엔터테인먼트 인코포레이티드 화상 처리 장치, 정보 처리 장치, 화상 처리 방법, 및 정보 처리 방법
US8156435B2 (en) 2008-11-25 2012-04-10 At&T Intellectual Property I, L.P. Systems and methods to select media content
US8244740B2 (en) 2008-11-26 2012-08-14 Microsoft Corporation Providing suggested sites associated with target sites
EP2202656A1 (en) 2008-12-23 2010-06-30 Axel Springer Digital TV Guide GmbH Context-based recommender system
US8499251B2 (en) 2009-01-07 2013-07-30 Microsoft Corporation Virtual page turn
US11076189B2 (en) 2009-03-30 2021-07-27 Time Warner Cable Enterprises Llc Personal media channel apparatus and methods
US8555173B2 (en) 2009-05-31 2013-10-08 Linkedin Corporation Recommendation engine
US20110047136A1 (en) 2009-06-03 2011-02-24 Michael Hans Dehn Method For One-Click Exclusion Of Undesired Search Engine Query Results Without Clustering Analysis
US8271898B1 (en) 2009-06-04 2012-09-18 Mellmo Inc. Predictive scrolling
US8412796B2 (en) 2009-07-31 2013-04-02 University College Dublin—National University of Ireland, Dublin Real time information feed processing
KR100984817B1 (ko) 2009-08-19 2010-10-01 주식회사 컴퍼니원헌드레드 이동통신 단말기의 터치스크린을 이용한 사용자 인터페이스 방법
US20110066497A1 (en) 2009-09-14 2011-03-17 Choicestream, Inc. Personalized advertising and recommendation
CN102612691B (zh) 2009-09-18 2015-02-04 莱克西私人有限公司 给文本评分的方法和系统
US8229873B1 (en) 2009-09-18 2012-07-24 Google Inc. News topic-interest-based recommendations twiddling
US20110112981A1 (en) 2009-11-09 2011-05-12 Seung-Taek Park Feature-Based Method and System for Cold-Start Recommendation of Online Ads
US8290818B1 (en) 2009-11-19 2012-10-16 Amazon Technologies, Inc. System for recommending item bundles
US8285602B1 (en) 2009-11-19 2012-10-09 Amazon Technologies, Inc. System for recommending item bundles
US9336315B2 (en) 2010-01-19 2016-05-10 Ebay Inc. Personalized recommendation of a volatile item
US8606792B1 (en) 2010-02-08 2013-12-10 Google Inc. Scoring authors of posts
US20110208732A1 (en) 2010-02-24 2011-08-25 Apple Inc. Systems and methods for organizing data items
US8650172B2 (en) 2010-03-01 2014-02-11 Microsoft Corporation Searchable web site discovery and recommendation
DE102010011039A1 (de) 2010-03-11 2011-09-15 Volkswagen Ag Verfahren und Vorrichtung zum Betreiben einer Benutzerschnittstelle
US9760643B2 (en) 2010-04-09 2017-09-12 Aol Inc. Systems and methods for identifying electronic content
EP2393056A1 (en) 2010-06-02 2011-12-07 Layar B.V. Acquiring, ranking and displaying points of interest for use in an augmented reality service provisioning system and graphical user interface for displaying such ranked points of interests
US8412726B2 (en) 2010-06-03 2013-04-02 Microsoft Corporation Related links recommendation
US8577896B2 (en) 2010-06-08 2013-11-05 Netflix, Inc Interest based row selection
EP2397952A1 (en) 2010-06-15 2011-12-21 Axel Springer Digital TV Guide GmbH Profile based content retrieval for recommender systems
US9798822B2 (en) 2010-06-29 2017-10-24 Apple Inc. Location based grouping of browsing histories
USD668674S1 (en) 2010-07-26 2012-10-09 Apple Inc. Display screen or portion thereof with icon
US8676736B2 (en) 2010-07-30 2014-03-18 Gravity Research And Development Kft. Recommender systems and methods using modified alternating least squares algorithm
WO2012031044A2 (en) 2010-09-01 2012-03-08 Google Inc. Methods and apparatus to cluster user data
KR101709470B1 (ko) 2010-09-02 2017-02-23 엘지전자 주식회사 영상표시기기 및 그 동작 방법
JP5621422B2 (ja) 2010-09-07 2014-11-12 ソニー株式会社 情報処理装置、プログラム及び制御方法
US8893042B2 (en) 2010-09-14 2014-11-18 Microsoft Corporation Determination and display of relevant websites
US8903834B2 (en) 2010-10-14 2014-12-02 Netflix, Inc. Recommending groups of items based on item ranks
CN102467709B (zh) 2010-11-17 2017-03-01 阿里巴巴集团控股有限公司 一种发送商品信息的方法和装置
WO2012075341A2 (en) 2010-12-01 2012-06-07 Google Inc. Personal content streams based on user-topic profiles
US20120158685A1 (en) 2010-12-16 2012-06-21 Microsoft Corporation Modeling Intent and Ranking Search Results Using Activity-based Context
US9172762B2 (en) 2011-01-20 2015-10-27 Linkedin Corporation Methods and systems for recommending a context based on content interaction
US20120209907A1 (en) 2011-02-14 2012-08-16 Andrews Anton O A Providing contextual content based on another user
US8468164B1 (en) 2011-03-09 2013-06-18 Amazon Technologies, Inc. Personalized recommendations based on related users
US8655829B2 (en) 2011-03-29 2014-02-18 Manyworlds, Inc. Activity stream-based recommendations system and method
US20140025609A1 (en) 2011-04-05 2014-01-23 Telefonaktiebolaget L M Ericsson (Publ) Methods and Arrangements For Creating Customized Recommendations
US8600968B2 (en) 2011-04-19 2013-12-03 Microsoft Corporation Predictively suggesting websites
US20120304073A1 (en) 2011-05-27 2012-11-29 Mirko Mandic Web Browser with Quick Site Access User Interface
GB201109339D0 (en) 2011-06-03 2011-07-20 Firestorm Lab Ltd Computing device interface
US20120317104A1 (en) 2011-06-13 2012-12-13 Microsoft Corporation Using Aggregate Location Metadata to Provide a Personalized Service
TWI480794B (zh) 2011-07-10 2015-04-11 Compal Electronics Inc 訊息顯示方法與電子裝置
US8886797B2 (en) 2011-07-14 2014-11-11 Cisco Technology, Inc. System and method for deriving user expertise based on data propagating in a network environment
US20130018823A1 (en) 2011-07-15 2013-01-17 F-Secure Corporation Detecting undesirable content on a social network
AU2012283826B8 (en) 2011-07-20 2015-07-30 Ebay Inc. Real-time location-aware recommendations
US8972414B2 (en) 2011-07-29 2015-03-03 Linkedin Corporation Methods and systems for identifying similar people via a business networking service
EP2557510A1 (en) 2011-08-12 2013-02-13 Accenture Global Services Limited Context and process based search ranking
CN102956009B (zh) 2011-08-16 2017-03-01 阿里巴巴集团控股有限公司 一种基于用户行为的电子商务信息推荐方法与装置
US8712937B1 (en) 2011-09-13 2014-04-29 Amazon Technologies, Inc. Predicting popularity of electronic publications
US8386955B1 (en) 2011-10-21 2013-02-26 Google Inc. User-optimized content for web browsing windows
US8478664B1 (en) 2011-10-25 2013-07-02 Amazon Technologies, Inc. Recommendation system with user interface for exposing downstream effects of particular rating actions
US8935629B2 (en) 2011-10-28 2015-01-13 Flipboard Inc. Systems and methods for flipping through content
EP2781105A2 (en) 2011-11-18 2014-09-24 Rubriq Corporation Method and apparatus for enabling recipient interaction with a content stream
US8868481B2 (en) 2011-12-14 2014-10-21 Google Inc. Video recommendation based on video co-occurrence statistics
CN103492995A (zh) 2011-12-15 2014-01-01 株式会社Ntt都科摩 显示装置、用户接口方法以及程序
CN103167330A (zh) 2011-12-15 2013-06-19 盛乐信息技术(上海)有限公司 音视频推荐方法及系统
US9053416B1 (en) 2012-01-03 2015-06-09 Google Inc. Systems and methods for screening potentially inappropriate content
US8860763B2 (en) 2012-01-31 2014-10-14 Xerox Corporation Reversible user interface component
US20130204737A1 (en) 2012-02-03 2013-08-08 Shubham Agarwal Leveraging store activity for recommendations
EP2645324A1 (en) 2012-03-30 2013-10-02 Sony Corporation Method for recommending items and recommendation system
US8996530B2 (en) 2012-04-27 2015-03-31 Yahoo! Inc. User modeling for personalized generalized content recommendations
US9785883B2 (en) 2012-04-27 2017-10-10 Excalibur Ip, Llc Avatars for use with personalized generalized content recommendations
US9836545B2 (en) 2012-04-27 2017-12-05 Yahoo Holdings, Inc. Systems and methods for personalized generalized content recommendations
US20130297698A1 (en) 2012-05-07 2013-11-07 Nokia Corporation Method and Apparatus for Utilizing Context and Profile Information in Content Searching and Recommendation
US20130311408A1 (en) 2012-05-15 2013-11-21 Comcast Cable Communications, Llc Determining and Predicting Popularity of Content
EP2677758A1 (en) 2012-06-19 2013-12-25 Thomson Licensing Mind opening content recommending system
US20130346182A1 (en) 2012-06-20 2013-12-26 Yahoo! Inc. Multimedia features for click prediction of new advertisements
US9922360B2 (en) 2012-06-26 2018-03-20 Here Global B.V. Recommendations system
US9147000B2 (en) 2012-06-29 2015-09-29 Yahoo! Inc. Method and system for recommending websites
US20140025532A1 (en) 2012-07-19 2014-01-23 Barnesandnoble.Com Llc Correlated Content Recommendation Techniques
US8949334B2 (en) 2012-07-26 2015-02-03 Microsoft Corporation Push-based recommendations
US9660947B1 (en) 2012-07-27 2017-05-23 Intuit Inc. Method and apparatus for filtering undesirable content based on anti-tags
US20140040776A1 (en) 2012-08-02 2014-02-06 Jonathan P. Dann Systems and methods for bi-directional display of content of a social networking system
CN103678298B (zh) 2012-08-30 2016-04-13 腾讯科技(深圳)有限公司 一种信息展示方法和设备
US9367878B2 (en) 2012-09-07 2016-06-14 Yahoo! Inc. Social content suggestions based on connections
RU2662636C2 (ru) 2012-09-25 2018-07-26 Опера Софтвэар Ас Управление информацией и отображение информации в веб-браузерах
US9817827B2 (en) 2012-10-04 2017-11-14 Netflix, Inc. Relationship-based search and recommendations
US9773229B2 (en) 2012-11-01 2017-09-26 Google Inc. Systems and methods for providing contact group member suggestions
US8983888B2 (en) 2012-11-07 2015-03-17 Microsoft Technology Licensing, Llc Efficient modeling system for user recommendation using matrix factorization
US9355415B2 (en) 2012-11-12 2016-05-31 Google Inc. Providing content recommendation to users on a site
US9696898B2 (en) 2012-11-14 2017-07-04 Facebook, Inc. Scrolling through a series of content items
US9654426B2 (en) 2012-11-20 2017-05-16 Dropbox, Inc. System and method for organizing messages
US9569785B2 (en) 2012-11-21 2017-02-14 Marketo, Inc. Method for adjusting content of a webpage in real time based on users online behavior and profile
WO2014085908A1 (en) 2012-12-05 2014-06-12 Jonathan Michael Lee System and method for finding and prioritizing content based on user specific interest profiles
US10037538B2 (en) * 2012-12-11 2018-07-31 Facebook, Inc. Selection and presentation of news stories identifying external content to social networking system users
US20140172545A1 (en) 2012-12-17 2014-06-19 Facebook, Inc. Learned negative targeting features for ads based on negative feedback from users
US20140172544A1 (en) 2012-12-17 2014-06-19 Facebook, Inc. Using negative feedback about advertisements to serve advertisements
US20140181121A1 (en) 2012-12-21 2014-06-26 Microsoft Corporation Feature embedding in matrix factorization
CN103077220B (zh) 2012-12-29 2016-06-29 中国科学院深圳先进技术研究院 一种基于用户群关联度的个性化推荐方法及系统
US9129227B1 (en) 2012-12-31 2015-09-08 Google Inc. Methods, systems, and media for recommending content items based on topics
US20140195890A1 (en) 2013-01-09 2014-07-10 Amazon Technologies, Inc. Browser interface for accessing supplemental content associated with content pages
KR20140091633A (ko) 2013-01-11 2014-07-22 삼성전자주식회사 모바일 장치에서의 상황 인지에 따른 추천 항목을 제공하기 위한 방법 및 이를 위한 모바일 장치
US9122989B1 (en) 2013-01-28 2015-09-01 Insidesales.com Analyzing website content or attributes and predicting popularity
KR102111769B1 (ko) 2013-02-08 2020-06-08 삼성전자주식회사 추천 패널 제공 방법 및 이를 위한 디바이스, 추천 아이템 제공 방법 및 이를 위한 서버
CN104038517A (zh) 2013-03-05 2014-09-10 腾讯科技(深圳)有限公司 基于群组关系的信息推送方法以及服务器
BR112015015806A2 (pt) 2013-03-13 2017-07-11 Google Inc personalização da experiência do usuário para usuários novos e não reconhecidos
US9514191B2 (en) 2013-03-14 2016-12-06 Microsoft Technology Licensing, Llc Visualizing ranking factors for items in a search result list
US20140278786A1 (en) 2013-03-14 2014-09-18 Twain Liu-Qiu-Yan System and method to survey and evaluate items according to people's perceptions and to generate recommendations based on people's perceptions
US9282138B2 (en) * 2013-03-15 2016-03-08 Facebook, Inc. Enabling photoset recommendations
US9703783B2 (en) 2013-03-15 2017-07-11 Yahoo! Inc. Customized news stream utilizing dwelltime-based machine learning
US20160027062A1 (en) 2013-03-15 2016-01-28 Yandex Europe Ag Method of and system for providing a client device with particularized information without employing unique identifiers
US20140317105A1 (en) 2013-04-23 2014-10-23 Google Inc. Live recommendation generation
US20140316930A1 (en) 2013-04-23 2014-10-23 Google, Inc. Explanations for personalized recommendations
US20140358916A1 (en) 2013-05-29 2014-12-04 Microsoft Corporation Personalized prioritization of integrated search results
US20140359489A1 (en) 2013-05-30 2014-12-04 Qualcomm Incorporated Web browser history
US9804745B2 (en) 2013-06-09 2017-10-31 Apple Inc. Reordering content panes in a stacked tab view
US9374431B2 (en) 2013-06-20 2016-06-21 Microsoft Technology Licensing, Llc Frequent sites based on browsing patterns
US20150006286A1 (en) 2013-06-28 2015-01-01 Linkedin Corporation Targeting users based on categorical content interactions
US20150052003A1 (en) 2013-08-19 2015-02-19 Wal-Mart Stores, Inc. Providing Personalized Item Recommendations Using Scalable Matrix Factorization With Randomness
US20150088921A1 (en) 2013-09-20 2015-03-26 Ebay Inc. Search guidance
CN103473354A (zh) 2013-09-25 2013-12-25 焦点科技股份有限公司 基于电子商务平台的保险推荐系统框架及保险推荐方法
US10437901B2 (en) 2013-10-08 2019-10-08 Flipboard, Inc. Identifying similar content on a digital magazine server
JP2015079395A (ja) 2013-10-17 2015-04-23 Necパーソナルコンピュータ株式会社 情報処理装置、方法及びプログラム
US20150112801A1 (en) 2013-10-22 2015-04-23 Microsoft Corporation Multiple persona based modeling
US20150120722A1 (en) 2013-10-31 2015-04-30 Telefonica Digital Espana, S.L.U. Method and system for providing multimedia content recommendations
CN103559262B (zh) 2013-11-04 2016-10-05 北京邮电大学 基于社区的作者及其学术论文推荐系统和推荐方法
CN104636371B (zh) 2013-11-11 2018-05-18 华为技术有限公司 信息推荐方法及设备
US9201931B2 (en) 2013-12-02 2015-12-01 Qbase, LLC Method for obtaining search suggestions from fuzzy score matching and population frequencies
US20150161672A1 (en) 2013-12-09 2015-06-11 Microsoft Corporation Preventing Display of Age Inappropriate Advertising
WO2015095875A2 (en) 2013-12-20 2015-06-25 Baker Richard L Mobile platform functionalities employing proximal variants and advanced personalization methods to control dynamic icon display on a mobile computing device display screen
US20150178282A1 (en) 2013-12-23 2015-06-25 Yahoo! Inc. Fast and dynamic targeting of users with engaging content
CN103678672B (zh) 2013-12-25 2017-05-24 北京中兴通德网络科技有限公司 一种信息推荐方法
US10437859B2 (en) 2014-01-30 2019-10-08 Microsoft Technology Licensing, Llc Entity page generation and entity related searching
CN103838842A (zh) 2014-02-28 2014-06-04 北京奇虎科技有限公司 一种浏览器中加载新标签页的方法和装置
US10165069B2 (en) 2014-03-18 2018-12-25 Outbrain Inc. Provisioning personalized content recommendations
US9405741B1 (en) 2014-03-24 2016-08-02 Amazon Technologies, Inc. Controlling offensive content in output
US9563760B2 (en) * 2014-03-24 2017-02-07 Google Technology Holdings LLC Biometric authentication for regulating access to content sources via a client device
US20150278706A1 (en) 2014-03-26 2015-10-01 Telefonaktiebolaget L M Ericsson (Publ) Method, Predictive Analytics System, and Computer Program Product for Performing Online and Offline Learning
US9348898B2 (en) 2014-03-27 2016-05-24 Microsoft Technology Licensing, Llc Recommendation system with dual collaborative filter usage matrix
US9836533B1 (en) 2014-04-07 2017-12-05 Plentyoffish Media Ulc Apparatus, method and article to effect user interest-based matching in a network environment
CN103942288B (zh) 2014-04-10 2017-02-08 南京邮电大学 一种基于用户风险偏好的服务推荐方法
US9691035B1 (en) 2014-04-14 2017-06-27 Amazon Technologies, Inc. Real-time updates to item recommendation models based on matrix factorization
US20150312348A1 (en) 2014-04-24 2015-10-29 David Lustgarten Methods, apparatus, and systems for home information management
US20150325094A1 (en) 2014-05-09 2015-11-12 International Business Machines Corporation Providing recommendations based on detection and prediction of undesirable interactions
WO2015174764A1 (en) 2014-05-15 2015-11-19 Samsung Electronics Co., Ltd. System for providing personalized information and method of providing the personalized information
US9836765B2 (en) 2014-05-19 2017-12-05 Kibo Software, Inc. System and method for context-aware recommendation through user activity change detection
US20150347358A1 (en) 2014-06-01 2015-12-03 Apple Inc. Concurrent display of webpage icon categories in content browser
CN105446970A (zh) 2014-06-10 2016-03-30 华为技术有限公司 推荐项目的方法和装置
US10210261B2 (en) 2014-06-18 2019-02-19 Facebook, Inc. Ranking and filtering groups recommendations
CN104102696A (zh) 2014-06-26 2014-10-15 海信集团有限公司 一种内容推荐方法及装置
KR20160001266A (ko) 2014-06-27 2016-01-06 엘지전자 주식회사 이동단말기 및 그 제어방법
US9473803B2 (en) 2014-08-08 2016-10-18 TCL Research America Inc. Personalized channel recommendation method and system
US20160055242A1 (en) 2014-08-20 2016-02-25 Luceo Social, Inc. Systems and methods for analyzing content from digital content sources
US20160063065A1 (en) 2014-08-28 2016-03-03 Chandra Khatri Systems, apparatuses, and methods for providing a ranking based recommendation
US20160070803A1 (en) 2014-09-09 2016-03-10 Funky Flick, Inc. Conceptual product recommendation
US20160196244A1 (en) 2014-10-09 2016-07-07 Wrap Media, LLC Card based package for distributing electronic media and services
CN104317835B (zh) 2014-10-10 2018-01-16 中国科学院深圳先进技术研究院 视频终端的新用户推荐方法
US20160110363A1 (en) 2014-10-21 2016-04-21 Anatoliy TKACH Method and system for measuring and matching individual cultural preferences and for targeting of culture related content and advertising to the most relevant audience
US10820051B2 (en) 2014-10-21 2020-10-27 At&T Mobility Ii Llc Inhibiting display of advertisements with age-inappropriate content
US9900659B1 (en) 2014-11-07 2018-02-20 Amazon Technologies, Inc. Personalized content appropriateness ratings
CN104503973A (zh) 2014-11-14 2015-04-08 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) 一种基于奇异值分解与分类器融合推荐的方法
US20160147753A1 (en) 2014-11-20 2016-05-26 Facebook, Inc. Suggesting Content for Discovery Based on User Interests and Authorship
KR20160064447A (ko) 2014-11-28 2016-06-08 이종찬 협력적 필터링의 예측 선호도를 이용한 처음 사용자에 대한 추천 제공 방법
US9767102B2 (en) 2014-12-01 2017-09-19 Comcast Cable Communications, Llc Content recommendation system
EP3032780B1 (en) 2014-12-12 2018-05-09 Alcatel Lucent Method and apparatus for transmitting messages to users using trajectory-based clustering
US20160170982A1 (en) 2014-12-16 2016-06-16 Yahoo! Inc. Method and System for Joint Representations of Related Concepts
US20160275804A1 (en) 2015-03-16 2016-09-22 eSpark, Inc. Delivery of Personalized Educational Content
US10515127B2 (en) 2015-04-09 2019-12-24 Oath Inc. Inductive matrix completion and graph proximity for content item recommendation
US20160328480A1 (en) 2015-05-06 2016-11-10 Facebook, Inc. Systems and methods for tuning content provision based on user preference
US20160350812A1 (en) 2015-05-26 2016-12-01 Microsoft Technology Licensing, Llc Personalized Information From Venues Of Interest
US10191949B2 (en) 2015-06-18 2019-01-29 Nbcuniversal Media, Llc Recommendation system using a transformed similarity matrix
US10606466B2 (en) 2015-07-13 2020-03-31 Facebook, Inc. Presenting additional content to an online system user based on user interaction with a scrollable content unit
US20170024657A1 (en) 2015-07-21 2017-01-26 Yp Llc Fuzzy autosuggestion for query processing services
US10180968B2 (en) 2015-07-23 2019-01-15 Netflix, Inc. Gaussian ranking using matrix factorization
US10387431B2 (en) 2015-08-24 2019-08-20 Google Llc Video recommendation based on video titles
US20170061286A1 (en) 2015-08-27 2017-03-02 Skytree, Inc. Supervised Learning Based Recommendation System
US10528572B2 (en) 2015-08-28 2020-01-07 Microsoft Technology Licensing, Llc Recommending a content curator
US10083237B2 (en) 2015-08-31 2018-09-25 Google Llc Protecting users from inappropriate sensitive or offensive search results
US20170068992A1 (en) 2015-09-04 2017-03-09 Yahoo! Inc. Multi-source content blending
US20170076318A1 (en) 2015-09-16 2017-03-16 Microsoft Technology Licensing, Llc Enhanced content quality using content features
CN105893398A (zh) 2015-10-12 2016-08-24 乐视网信息技术(北京)股份有限公司 多媒体内容的推荐方法、装置、用户终端设备及服务器
US10977322B2 (en) 2015-11-09 2021-04-13 WP Company, LLC Systems and methods for recommending temporally relevant news content using implicit feedback data
US20170337612A1 (en) 2016-05-23 2017-11-23 Ebay Inc. Real-time recommendation of entities by projection and comparison in vector spaces
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
RU2731659C2 (ru) * 2016-09-09 2020-09-07 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для обучения алгоритма машинного обучения (MLA) по созданию рекомендаций содержимого в системе рекомендаций и способ и устройство для создания рекомендуемого содержимого с помощью алгоритма машинного обучения
CN106446195A (zh) 2016-09-29 2017-02-22 北京百度网讯科技有限公司 基于人工智能的新闻推荐方法及装置
CN106802915B (zh) 2016-12-09 2020-07-28 宁波大学 一种基于用户行为的学术资源推荐方法
CN106815297B (zh) 2016-12-09 2020-04-10 宁波大学 一种学术资源推荐服务系统与方法
CN106777229B (zh) 2016-12-26 2020-02-28 北京金山安全软件有限公司 一种个性化推荐实时性测试方法、装置及电子设备
CN106874374A (zh) 2016-12-31 2017-06-20 杭州益读网络科技有限公司 一种基于用户历史行为交互分析的推荐推送方法
CN107491813A (zh) 2017-08-29 2017-12-19 天津工业大学 一种基于多目标优化的长尾群组推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379146A1 (en) * 2007-02-28 2015-12-31 Aol Inc. Peer-to-peer access of personalized profiles using content intermediary
US20160004394A1 (en) * 2007-02-28 2016-01-07 Aol Inc. Content recommendation using third party profiles
RU2577193C2 (ru) * 2011-07-27 2016-03-10 Квэлкомм Инкорпорейтед Поиск и просмотр web-страниц, улучшенный посредством облачных вычислений
US20150242492A1 (en) * 2013-03-15 2015-08-27 FEM, Inc. Character based media analytics
RU2543315C2 (ru) * 2013-03-22 2015-02-27 Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Национальный исследовательский университет "Высшая школа экономики" Способ отбора эффективных вариантов в поисковых и рекомендательных системах (варианты)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USD890802S1 (en) 2017-01-13 2020-07-21 Yandex Europe Ag Display screen with graphical user interface
USD892847S1 (en) 2017-01-13 2020-08-11 Yandex Europe Ag Display screen with graphical user interface
USD892846S1 (en) 2017-01-13 2020-08-11 Yandex Europe Ag Display screen with graphical user interface
RU2699574C2 (ru) * 2017-11-24 2019-09-06 Общество С Ограниченной Ответственностью "Яндекс" Способ и сервер для представления элемента рекомендуемого содержимого пользователю
US11263217B2 (en) 2018-09-14 2022-03-01 Yandex Europe Ag Method of and system for determining user-specific proportions of content for recommendation
US11276076B2 (en) 2018-09-14 2022-03-15 Yandex Europe Ag Method and system for generating a digital content recommendation
US11288333B2 (en) 2018-10-08 2022-03-29 Yandex Europe Ag Method and system for estimating user-item interaction data based on stored interaction data by using multiple models
US11086888B2 (en) 2018-10-09 2021-08-10 Yandex Europe Ag Method and system for generating digital content recommendation
RU2711717C1 (ru) * 2019-03-18 2020-01-21 Общество с ограниченной ответственностью «Хэдхантер» Рекомендательная система подбора персонала с использованием машинного обучения и с понижением размерности многомерных данных и способ подбора персонала с использованием машинного обучения и с понижением размерности многомерных данных
US11276079B2 (en) 2019-09-09 2022-03-15 Yandex Europe Ag Method and system for meeting service level of content item promotion

Also Published As

Publication number Publication date
US10430481B2 (en) 2019-10-01
US20180011937A1 (en) 2018-01-11

Similar Documents

Publication Publication Date Title
RU2632132C1 (ru) Способ и устройство для создания рекомендаций содержимого в системе рекомендаций
RU2636702C1 (ru) Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций
US20180075137A1 (en) Method and apparatus for training a machine learning algorithm (mla) for generating a content recommendation in a recommendation system and method and apparatus for generating the recommended content using the mla
RU2632100C2 (ru) Способ и сервер создания рекомендованного набора элементов
RU2580516C2 (ru) Способ формирования персонализированной модели ранжирования, способ формирования модели ранжирования, электронное устройство и сервер
US20170250930A1 (en) Interactive content recommendation personalization assistant
US11244022B2 (en) System and methods for user curated media
RU2720952C2 (ru) Способ и система для создания рекомендации цифрового содержимого
RU2720899C2 (ru) Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации
RU2632131C2 (ru) Способ и устройство для создания рекомендуемого списка содержимого
US10706100B2 (en) Method of and system for recommending media objects
RU2693323C2 (ru) Способ и сервер для выбора элементов рекомендаций для пользователя
US20160098416A1 (en) Auto complete search box based on the user's context to reduce user's input
RU2595497C2 (ru) Способ отображения веб-ресурса пользователю (варианты) и электронное устройство
RU2725659C2 (ru) Способ и система для оценивания данных о взаимодействиях пользователь-элемент
US20200004827A1 (en) Generalized linear mixed models for generating recommendations
US20210103837A1 (en) Systems and methods for guided user actions
RU2629638C2 (ru) Способ и сервер создания рекомендуемого набора элементов для пользователя
RU2699574C2 (ru) Способ и сервер для представления элемента рекомендуемого содержимого пользователю
US9417773B2 (en) Mobile application pre-fetching using a state framework
RU2714594C1 (ru) Способ и система определения параметра релевантность для элементов содержимого
EP3293646A1 (en) Method and server for training a machine learning algorithm (mla) for content recommendation generation
RU2731335C2 (ru) Способ и система для формирования рекомендаций цифрового контента
EP3267389A1 (en) Method and apparatus for selecting a network resource as a source of content for a recommendation system
EP3267386A1 (en) Method and apparatus for generating a content recommendation in a recommendation system